# فصل ۰۶ — مدلِ محلی در برابر ابری

<div dir="rtl">

# فصل ۰۶ — مدلِ محلی در برابر ابری

## در این فصل چه یاد می‌گیری

تا اینجا هر بار که با مدل حرف زدی، سؤالت از اینترنت به یک مدلِ غول‌پیکر رفت که در دیتاسنترِ یک شرکت اجرا می‌شود، و جواب برگشت. به این می‌گویند مدلِ **ابری**. ولی راهِ دیگری هم هست: یک مدلِ کوچک‌تر که روی خودِ دستگاهِ تو — لپ‌تاپ یا حتی گوشی — اجرا می‌شود؛ مدلِ **محلی**. در این فصل این دو را کنارِ هم می‌گذاری، می‌فهمی `open` بودنِ یک مدل یعنی چه، و بده‌بستانِ اصلی را می‌سنجی: حریم خصوصی در برابر کیفیت. آخرِ فصل هم می‌فهمی چرا یک مدلِ کوچک در فارسی ضعیف‌تر ظاهر می‌شود — که فصلِ بعد کاملش می‌کنیم.

![یک لپ‌تاپ به‌صورتِ برش‌خورده که داخلش یک تراشهٔ کوچک به شکلِ یک مغز دیده می‌شود؛ از درگاهِ لپ‌تاپ یک سیمِ نازک به سمتِ حاشیهٔ تصویر می‌رود و در دوردست به یک مغزِ خیلی بزرگ‌ترِ کم‌رنگ می‌رسد](/lesson-assets/t4-s06-local-vs-cloud/prompt/01-image-local-cloud.png)

آخر این فصل می‌توانی:

- تفاوتِ مدلِ ابری و مدلِ محلی را توضیح بدهی
- بگویی `open` در برابر بسته یعنی چه
- بده‌بستانِ حریم خصوصی و کیفیت را برای یک کارِ مشخص بسنجی
- بگویی چرا یک مدلِ کوچکِ محلی در فارسی ضعیف‌تر ظاهر می‌شود

## قبل از شروع

- **از ترم ۱ فصل ۷:** ردهٔ رایگانِ یک سرویسِ ابری ممکن است پرامپت و پاسخِ تو را برای آموزش استفاده کند؛ حریم خصوصیِ داده مهم است.
- **از فصل ۱ همین ترم:** کیفیتِ یک مدل به کیفیتِ داده‌ای که رویش آموزش دیده بند است.

مثل بقیهٔ فصل‌های آزمایشگاهی، فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

> 🧪 **آزمایشگاه:** [آزمایشگاه این فصل را باز کن](/lab/embed/hamhoosh/term-4-under-the-hood/session-06-local-vs-cloud) — با مدلِ ابری یک کارِ ظریفِ فارسی و یک کارِ چندمرحله‌ای می‌سنجیم تا یک «سقفِ کیفیت» به‌دست بیاوری و ببینی یک مدلِ کوچکِ محلی چه چیزی را از دست می‌دهد.

## ۱. دو راهِ گرفتنِ جواب: ابری و محلی

فرض کن یک سؤالِ سخت داری. راهِ اول این است که به یک کتابخانهٔ عظیم زنگ بزنی که کارمندهای خبره دارد: هر چیزی بپرسی، جوابِ پخته می‌گیری — ولی سؤالت باید از خانه‌ات بیرون برود و به آن کتابخانه برسد. این مدلِ **ابری** است: مدل جایی دور، در دیتاسنترِ یک شرکت، اجرا می‌شود و تو از راهِ اینترنت به آن وصل می‌شوی. همهٔ گفت‌وگوهای این دوره تا اینجا ابری بوده‌اند.

راهِ دوم این است که یک کتابِ مرجعِ کوچک در جیبت داشته باشی که مالِ خودت است: هر جا باشی، حتی بی‌اینترنت، بازش می‌کنی — ولی خیلی کوچک‌تر و کم‌عمق‌تر از آن کتابخانهٔ عظیم است. این مدلِ **محلی** است: یک مدلِ کوچک که روی خودِ دستگاهِ تو اجرا می‌شود و سؤالت هیچ‌وقت از دستگاه بیرون نمی‌رود.

## ۲. `open` در برابر بسته

چه چیزی مدلِ محلی را ممکن می‌کند؟ اینکه بتوانی خودِ مدل را روی دستگاهت **بیاوری**. بعضی شرکت‌ها «وزن‌های» مدلشان را — یعنی همان عددهایی که مغزِ آموزش‌دیدهٔ مدل‌اند — منتشر می‌کنند تا هرکس بتواند دانلود و روی دستگاهِ خودش اجرا کند. به چنین مدلی می‌گویند مدلِ `open`. در مقابل، یک مدلِ **بسته** را نمی‌توانی دانلود کنی؛ فقط از راهِ سرویسِ همان شرکت و روی اینترنت به آن می‌رسی.

یک نکتهٔ صادقانه: `open` اینجا یعنی «می‌توانی دانلود و اجرا کنی»، نه لزوماً «همه‌چیزِ ساختش عمومی است». بعضی مدل‌ها وزن‌هایشان باز است ولی جزئیاتِ کاملِ داده و آموزششان نه. برای کارِ ما همین بس که بدانی: مدلِ محلی روی مدلی بنا می‌شود که وزن‌هایش را می‌شود گرفت و خودت اجرا کرد.

## ۳. بده‌بستانِ اول: حریم خصوصی

بزرگ‌ترین بردِ مدلِ محلی حریم خصوصی است. چون مدل روی خودِ دستگاهِ توست، داده‌ای که به آن می‌دهی **برای اجرای مدل از دستگاه بیرون نمی‌رود** و حتی بی‌اینترنت هم کار می‌کند. البته اینکه مدل محلی است الزاماً نمی‌گوید برنامهٔ اجراکننده هیچ چیزی نمی‌فرستد، پس سیاستِ خودِ برنامه را هم ببین. یادت هست در ترم ۱ گفتیم ردهٔ رایگانِ یک سرویسِ ابری ممکن است پرامپتت را برای آموزش نگه دارد؟ با مدلِ محلی این نگرانی از طرفِ خودِ مدل وجود ندارد.

پس برای حساس‌ترین داده‌ها — یک سندِ محرمانه، یادداشتِ پزشکی یا حقوقیِ شخصی، چیزی که هرگز نمی‌خواهی روی سرورِ کسی برود — مدلِ محلی یک گزینهٔ واقعی است، نه فقط یک شعار. این تنها جایی است که مدلِ کوچک بی‌چون‌وچرا می‌بَرد.

## ۴. بده‌بستانِ دوم: کیفیت

ولی این حریم خصوصی یک بها دارد. مدلی که آن‌قدر کوچک باشد که روی یک دستگاهِ معمولی جا شود، خیلی ضعیف‌تر از یک مدلِ ابریِ بزرگ است: استدلالش کم‌عمق‌تر است، بیشتر اشتباه می‌کند، و — که برای ما مهم‌تر است — فارسی‌اش محسوس ضعیف‌تر است. یک مثالِ ملموس: از یک مدلِ کوچکِ محلی بخواه «یک پیامِ تشکرِ کوتاه و صمیمی برای دوستی بنویس که در امتحان کمکم کرد». چیزی شبیهِ این می‌گیری (خروجیِ تو ممکن است فرق کند):

</div>

```text
سلام دوست. من تشکر می‌کنم برای کمک تو در امتحان. تو یک دوست خیلی خوب هستی
و من خوشحال هستم. با احترام.
```

<div dir="rtl">

این متن غلطِ فاحش ندارد، ولی خشک و ترجمه‌شده به‌نظر می‌رسد: «تشکر می‌کنم برای کمک تو» ترتیبش فارسی نیست، و «با احترام» برای یک دوستِ صمیمی لحنِ اشتباهی است. یک مدلِ ابریِ بزرگ همین را گرم و طبیعی می‌نویسد. همین فرقِ ظریف، در یک کارِ واقعی، فاصلهٔ بین «قابلِ استفاده» و «باید از نو بنویسمش» است.

**و یک صداقتِ لازم.** این نمونه چیزی است که فعلاً باید **به اعتماد** بپذیری، نه چیزی که همین‌جا با دستِ خودت دیده باشی — چون در این دوره مدلِ محلی نصب نمی‌کنی و آزمایشگاه هم برای تولیدِ متنِ فارسی به مدلِ ابری وصل می‌شود، نه به مدلی داخلِ مرورگر. ولی این ادعا **قابلِ ابطال** است. روزی که یک مدلِ کوچک روی دستگاهت آوردی، دقیقاً این‌طور بسنجش: سه کار را به هر دو مدل بده — یک بازنویسی با لحنِ صمیمی، یک خلاصهٔ یک بندِ پیچیده، و توضیحِ تفاوتِ دو کلمهٔ نزدیک. بعد بشمار در کدام‌شان مدلِ کوچک جمله‌ای ساخت که یک فارسی‌زبان این‌طور نمی‌گوید. اگر شمارشت صفر شد، این حرف دربارهٔ آن مدل غلط بوده و باید کنارش بگذاری. برای همین **تمرینِ این فصل ساختنِ همان خطِ مقایسه است**، نه پذیرفتنِ یک ادعا.

و یک نکتهٔ مهم‌تر: مدلِ کوچک‌تر نه‌تنها خشک‌تر می‌نویسد، بلکه **بیشتر هم توهم می‌کند**. پس با مدلِ محلی نباید کمتر وارسی کنی — باید بیشتر وارسی کنی.

> ✅ **وارسی:** حریم خصوصی درست‌بودن نمی‌آورد. جوابِ یک مدلِ محلی هم دقیقاً مثلِ جوابِ ابری باید با یک منبعِ مستقل سنجیده شود — و چون مدلِ کوچک بیشتر می‌لغزد، این‌جا سخت‌گیرتر باش. سه قانونِ ثابتِ این دوره: **«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».**

**قبل از ادامه، جواب بده:** اگر یک داده خیلی حساس داری ولی جوابِ باکیفیت هم می‌خواهی، این دو خواسته با هم در تضادند؟ کدام را فدای کدام می‌کنی و چرا؟

## ۵. چرا مدلِ کوچک در فارسی ضعیف‌تر است

چرا افتِ کیفیت اول در فارسی خودش را نشان می‌دهد، نه در انگلیسی؟ دو دلیل که فصلِ بعد کاملشان می‌کنیم: اول اینکه بیشترِ متنی که مدل‌ها رویش آموزش می‌بینند انگلیسی است، پس مدل در انگلیسی خیلی بیشتر تمرین دیده. دوم اینکه یک مدلِ کوچک «جای» کمتری دارد که در چند زبان خوب باشد، پس زبانی که کمتر دیده — فارسی — اول از همه فدا می‌شود.

فعلاً همین‌قدر بدان؛ فصلِ بعد (شکافِ فارسی-انگلیسی) این را کامل باز می‌کنیم و یاد می‌گیری چطور با همین محدودیت بهترین نتیجه را در فارسی بگیری.

## ۶. کِی کدام را انتخاب کنی

پس تصمیم ساده است. **مدلِ محلی** وقتی خوب است که داده حساس باشد، اینترنت نداشته باشی، یا کار ساده باشد. **مدلِ ابری** وقتی بهتر است که به استدلالِ عمیق، بهترین کیفیتِ فارسی، یا اطلاعاتِ روز نیاز داشته باشی.

صادقانه‌اش این است: بیشترِ آدم‌ها بیشترِ وقت‌ها از مدلِ ابری استفاده می‌کنند، چون کیفیت و راحتی‌اش بالاست. مدلِ محلی یک گزینهٔ واقعی است برای وقتی که حریم خصوصی یا کارِ بی‌اینترنت برایت مهم‌تر از آخرین ذرهٔ کیفیت باشد — با چشمانِ باز نسبت به چیزی که از دست می‌دهی. نه ابری جادوست نه محلی؛ هرکدام برای کارِ خودش خوب است.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| open model | اوپِن مادِل | مدلی که «وزن‌هایش» منتشر شده و می‌توانی دانلود و روی دستگاهِ خودت اجرا کنی — در برابرِ مدلِ **بسته** که فقط از راهِ سرویسِ همان شرکت و روی اینترنت در دسترس است |

<div dir="rtl">

## تمرین‌ها

**تمرین اجباری:** «سقفِ کیفیت»ت را بساز، تا روزی که مدلِ محلی امتحان کردی چیزی برای مقایسه داشته باشی. سه کارِ ظریفِ فارسی به مدلِ ابری بده: (۱) یک جمله را با لحنِ صمیمی بازنویسی کن، (۲) یک بندِ سخت را در دو جمله خلاصه کن، (۳) تفاوتِ دو کلمهٔ نزدیک را توضیح بده (مثلاً «تردید» و «شک»). هر سه خروجی را ذخیره کن و کنارِ هرکدام دو چیزِ **سنجش‌پذیر** بنویس: آیا جمله‌ای هست که یک فارسی‌زبان این‌طور نمی‌گوید؟ و آیا ظرافتی که خواسته بودی واقعاً درآمده یا صاف شده؟ این برگه سقفِ توست؛ بدونش هر قضاوتی دربارهٔ مدلِ کوچک فقط حدس است.

**تمرین ستاره‌دار ⭐:** یک **قاعدهٔ تصمیم** بنویس، نه یک تصمیم. سه کارِ واقعی از زندگیِ خودت بردار که در حساسیتِ داده با هم فرق دارند — مثلاً یک یادداشتِ کاملاً عمومی، یک ایمیلِ کاری، و یک یادداشتِ کاملاً خصوصی — و برای هر سه بنویس محلی یا ابری. حالا از روی همین سه، قاعده‌ای دوجمله‌ای بساز که بگوید مرز دقیقاً کجاست. آخر، یک موردِ **چهارم** را که در فهرستت نبود با همان قاعده دسته‌بندی کن. اگر قاعده‌ات برای موردِ چهارم جوابِ روشنی نداد، هنوز قاعده نیست — دقیق‌ترش کن.

## در فصل بعد

حالا می‌دانی مدل کجا اجرا می‌شود، `open` در برابر بسته یعنی چه، و چرا مدلِ کوچک در فارسی می‌لغزد. فصلِ بعد مستقیم می‌رود سراغِ همان بدهی‌ای که این فصل گذاشت: **شکافِ فارسی-انگلیسی**. می‌فهمی چرا مدل‌ها انگلیسی‌محورند، کِی بهتر است سؤالت را انگلیسی بپرسی، و چطور کیفیتِ کارت را در فارسی بالا ببری.

</div>

---
Source: https://yaadestan.com/courses/hamhoosh/lessons/t4/s06-local-vs-cloud (یادستان, Yaadestan)
