استخدم DeepSeek بدلاً من ChatGPT لهذه المهام

يُعتبر ChatGPT خياري الأول في معظم الأحيان، لكن في بعض الأحيان، لا يفي بالغرض. DeepSeek يُثبت نفسه كنموذج قوي قادر على منافسة ChatGPT بشكل مباشر – بل ويتفوق عليه في العديد من المهام الرئيسية. فعندما يتعلق الأمر بـ (معالجة اللغة الطبيعية، تحليل البيانات، إنشاء المحتوى، الترجمة الآلية)، يقدم DeepSeek أداءً متميزًا.

4. حل مسائل الرياضيات

تُعتبر روبوتات الدردشة بالذكاء الاصطناعي مثل DeepSeek و ChatGPT منصات شائعة يلجأ إليها الناس للحصول على المساعدة وحل مسائل الرياضيات. يستخدم DeepSeek نموذجه R1 لمهام التفكير المنطقي، بينما يوفر ChatGPT نموذج o3-mini (منخفض/متوسط) من OpenAI لمستخدمي المستوى المجاني و o3-mini (مرتفع) لمستخدمي Plus بحد أقصى 50 مُدخلًا يوميًا.

بعد اختبار العشرات من مسائل GMAT (اختبار القبول في الإدارة للدراسات العليا) الصعبة على كل من DeepSeek و ChatGPT (كمستخدم مجاني)، قدّما كلاهما إجابات صحيحة لجميع المسائل.

على الرغم من أن هذا الاختبار لم يكن شاملاً تمامًا، إلا أنني أقول إن كلا النموذجين جيد بما فيه الكفاية لحل مسائل الرياضيات الشائعة، وربما يصعب عليك إيجاد مسألة لا يستطيع كلا النموذجين حلها.

مع ذلك، ما زلت أفضل استخدام DeepSeek على ChatGPT لأنه سجل أعلى في كلا المعايير المرجعية AIME Math 2024 و Codeforces. كما توفر سلسلة أفكار DeepSeek مزيدًا من الرؤى حول كيفية حل المسائل، مما يسمح لي بفهم أفضل وتعليم نفسي حول كيفية معالجة مسائل مماثلة في المستقبل.

إذا كنت من مستخدمي ChatGPT Plus، فقد يظل DeepSeek هو الخيار الأفضل لأنه لن يستخدم حصتك من مُدخلات o3-mini (مرتفع)، ويوفر سلاسل أفكار أفضل، وربما سيظل يحل مسائل الرياضيات الخاصة بك ما لم تكن نظرية.

3. تصحيح الأخطاء وإنشاء الأكواد البرمجية 

يُعد كل من برمجة وتصحيح الأخطاء من التطبيقات الشائعة الأخرى التي يُستخدم فيها كلاً من DeepSeek و ChatGPT. وكما ذكرنا سابقًا، فإن نموذج DeepSeek R1 يُحقق نتائج أعلى من نماذج OpenAI o3-mini (منخفضة/متوسطة) في معيار Codeforces، وهو بالفعل سبب وجيه لاستخدام DeepSeek بدلاً من ChatGPT. تُعتبر كفاءة تصحيح الأخطاء وإنشاء الأكواد البرمجية من أهم العوامل التي تُميز روبوتات الدردشة، مما يُسهم في زيادة الإنتاجية وتقليل الوقت اللازم لتطوير البرمجيات.

ولرؤية كيفية ترجمة ذلك إلى استخدام فعلي، قمتُ بمطالبة كلا روبوتي الدردشة بـ كتابة لعبة Snake باستخدام HTML5 و CSS و JavaScript. وبعد بضعة مطالبات أخرى للتعامل مع الأخطاء، تمكنت في النهاية من جعل كلا روبوتي الدردشة يُنتجان لعبة Snake عاملة. يُظهر هذا المثال مدى قدرة هذه الأدوات على توليد أكواد برمجية وظيفية، مما يُسهل على المطورين عملية التطوير.

لقد لاحظتُ أن DeepSeek يتطلب مطالبات أقل قليلاً لإصلاح المشكلات. ولكن هذا لم يُثبت الكثير حيثُ جعلتُ لعبة Snake الخاصة بـ ChatGPT تعمل بشكلٍ لا تشوبه شائبة بعد مُطالبتين إضافيتين. ومع ذلك، فإن ما أحدث فرقًا هو أن لعبة Snake الخاصة بـ DeepSeek كانت أكثر صقلًا وتحتوي على ميزات أكثر من تلك التي جاءت من ChatGPT. تُعد هذه الميزات الإضافية دليلاً على قدرة DeepSeek على فهم متطلبات المستخدمين وتقديم حلول برمجية أكثر شمولاً.

لذلك، على الرغم من أن كلا نموذجي الذكاء الاصطناعي سجلا نتائج متقاربة جدًا في المعايير، إلا أن DeepSeek R1 يبدو أنه يُوفر المزيد من التوجيه من حيث ما يعتقد أن المستخدم قد يُريده أن يكون عليه الكود. يُمكن أن يُعزى ذلك إلى تحسينات في خوارزميات DeepSeek التي تُمكنه من فهم سياق الطلب بشكل أفضل.

قد يُفضل البعض ChatGPT لهذا السبب، لكنني أُجادل بأن مُعظم الأشخاص الذين يُولدون أكوادًا باستخدام روبوتات الدردشة هم على الأرجح طلاب ومهندسون مبتدئون يبحثون عن مُساعدة. وبالتالي، فإن توفير ميزات إضافية تجدها عادةً في أجزاء مُماثلة من التعليمات البرمجية سيكون ميزة إضافية و سببًا وجيهًا لمواصلة استخدام DeepSeek. يُمكن أن تُساعد هذه الميزات الإضافية المُستخدمين على تعلم تقنيات برمجة جديدة وتحسين مهاراتهم في تطوير البرمجيات.

2. تحليل البيانات

تكمن قوة DeepSeek في تحليل البيانات في استخدامها لهيكلية نموذج خليط الخبراء (MoE). يُمَكّن هذا التصميم النموذج من تخصيص مجموعات فرعية محددة من معلماتها (“الخبراء”) لمهام مختلفة ديناميكيًا، مما يُحسّن موارد الحوسبة ويعزز كفاءة المعالجة. تسمح هذه البنية لـ DeepSeek بالتعامل بفعالية مع البيانات المنظمة وغير المنظمة.

في هذا المثال، قمتُ بإعطاء كل من DeepSeek و ChatGPT ملفًا ابتدائيًا أستخدمه لتعبئة قاعدة بيانات لاختبار الخوادم الخلفية. ثم طَلَبْتُ من كلا روبوتي الدردشة تحليل الاتجاهات المحتملة بناءً على الملف الذي قدمته. تمكن DeepSeek من تزويدي برؤى قيّمة مثل توزيع الأسعار، ومستوى المخزون، وذروة النشاط والنشاط الأخير، وشعبية المجموعة، وما إلى ذلك.

على النقيض من ذلك، بدا أن ChatGPT مهتمٌ أكثر بجودة المعلومات في الملف. ثم شرع في تقديم نصائح حول كيفية إجراء تحليل البيانات بدلاً من تنفيذها فعليًا. حتى أنني حاولت عدة مرات أن أطلب منه رؤية اتجاهات توزيع الأسعار ومستوى المخزون وذروة النشاط والنشاط الأخير (الاتجاهات التي وجدها DeepSeek بالفعل)، ولكن تم إعطائي تعليمات باستمرار بدلاً من ذلك.

هذا هو المكان الذي يتألق فيه إيجاد أداة الذكاء الاصطناعي المناسبة للمهمة. على الرغم من أن نماذج o3-mini المجانية من ChatGPT قد تكون أفضل في العمل الحواري والإبداعي، إلا أن نموذج R1 من DeepSeek قد تم تصميمه خصيصًا لأحمال العمل التحليلية.

1. معالجة البيانات المنظمة 

تميز كفاءة DeepSeek في معالجة البيانات المنظمة عن نماذج الذكاء الاصطناعي العامة مثل ChatGPT. تتطلب البيانات المنظمة، مثل ملفات JSON و XML وإدخالات قواعد البيانات، تحليلًا وتفسيرًا دقيقًا. معالجة البيانات المنظمة هي عملية تحويل البيانات من شكلها الخام إلى شكل منظم يمكن استخدامه بواسطة الكمبيوتر. تشمل أنواع البيانات المنظمة قواعد البيانات والجداول الإلكترونية وملفات XML.

على الرغم من أن DeepSeek سجل نقاطًا أقل في معايير GPQA (أسئلة وأجوبة على مستوى الدراسات العليا من Google)، إلا أن هذا لا يهم كثيرًا مقارنة بقدرة DeepSeek على القيام بالمنطق والاستنتاج، خاصة عند العمل مع البيانات المنظمة.

في هذا الاختبار، أعطيت كلا روبوتي الدردشة قاعدة بيانات تم تكوينها بشكل خاطئ لمعالجتها وتنظيمها بشكل صحيح.

قدم DeepSeek لي نتائج مجدولة كانت بالضبط ما كان من المفترض أن تبدو عليه قاعدة البيانات، بينما بدا أن ChatGPT يواجه صعوبة وأعطاني قسم الفئات فقط من قاعدة البيانات ونسى كل شيء آخر. يُظهر هذا الاختبار قدرة DeepSeek على معالجة البيانات المنظمة بكفاءة.