تكامل الذكاء الاصطناعي وحلوله

لا ندرب نماذج من الصفر. عملنا هو وضع نماذج اللغة الجاهزة داخل المنتج الذي تشغلونه فعلا وداخل عملية العمل التي يسير عليها فريقكم اليوم. نفعل ذلك بشرطين: أن تكون النتيجة قابلة للقياس، وأن تكون قابلة للتراجع. القابلية للقياس تعني أن الدقة تتابع برقم على مجموعة مرجعية. والقابلية للتراجع تعني أن إيقاف طبقة نموذج اللغة الكبير المعروف اختصارا باسم LLM يترك العملية تعمل كما كانت تعمل من قبل. إعداد عرض تجريبي أمر سهل، لأن سيناريو واحدا يكفي أن يعمل مرة واحدة فحسب. أما الصعوبة فتبدأ عند تحويل ذلك العرض إلى نظام يعمل كل يوم، تكلفته معروفة وأخطاؤه محسوبة. وعمل Detartech في الذكاء الاصطناعي ينحصر في هذا الجزء الثاني.

نطاق خدمة حلول الذكاء الاصطناعي لدينا

حين نقول حلول الذكاء الاصطناعي فنحن نعني طبقة التطبيق. لسنا مختبر نماذج: لا ندرب نماذج أساسية، ولا نبحث في بنى معمارية جديدة، ولا نجري وراء جداول المقارنات المعيارية. مهمتنا أن نبني حول النموذج الجاهز الطبقة التي تجعله مفيدا. وتتألف هذه الطبقة من الاسترجاع، أي أن يرى النموذج البيانات الصحيحة، ومن التحقق، أي أن يراجع المخرج قبل أن يقبله أحد، ومن سير العمل، أي على أي شاشة تنزل النتيجة وبعد موافقة أي مسؤول، ومن قابلية الملاحظة، أي كم أنفق النظام وكم استغرق وكم مرة أخطأ. لا يحتوي العرض التجريبي على أي من هذه الطبقات، ولهذا يجمع في أيام معدودة. أما النظام الإنتاجي فيستغرق وقتا بسببها هي بالذات. وهناك أعمال نمتنع عن قبولها: المشاريع التي لا تملك تعريفا للنجاح قابلا للتحقق، والطلبات من نوع «لنضع الذكاء الاصطناعي أولا ثم ننظر في الأمر»، والقرارات الحرجة التي لن يراجع أحد مخرجاتها.

خطوط خدماتنا

تغطي العناوين الستة التالية كل ما يظهر في مشروع ذكاء اصطناعي. الخمسة الأولى هي المواضع التي يستحق فيها نموذج اللغة مكانه: استرجاع المعرفة، ومعالجة المستندات، وسير عمل الوكلاء، والميزات داخل منتجكم، وفتح موقعكم للوكلاء. أما السادس فهو العكس، إذ يكلف نموذج اللغة أكثر ولا يضيف شيئا، ونقول ذلك من البداية. تبدأ معظم المشاريع بعنوان واحد ثم تضيف ثانيا مع الوقت.

RAG واسترجاع المعرفة المؤسسية

نبني أنظمة تجيب عن الأسئلة اعتمادا على وثائق المؤسسة نفسها وسجلاتها وقاعدة معرفتها، وهو ما يعرف باسم RAG أو التوليد المعزز بالاسترجاع. ولا ينتهي العمل بلصق الوثيقة داخل الموجه المرسل إلى النموذج: نقطع المحتوى عند حدود ذات معنى، ونحول المقاطع إلى متجهات تضمين، ثم نعيد ترتيب النتائج المرشحة كي لا يصل إلى النموذج سوى ما يتصل بالسؤال فعلا. ونقيس جودة الاسترجاع قياسا مستقلا، لأن المقطع الصحيح إن لم يصعد إلى أعلى القائمة خرجت الإجابة خاطئة مهما كان النموذج جيدا. وتحت كل إجابة يظهر من أي وثيقة ومن أي قسم فيها جاءت. الإسناد إلى المصدر عندنا ليس ميزة اختيارية بل هو السلوك الافتراضي. فالإجابة التي لا يظهر مصدرها لا تصلح للاستعمال داخل عملية مؤسسية حتى حين تكون صحيحة، لأن أحدا لا يستطيع التحقق منها.

فهم المستندات والأتمتة

نحول المستندات الخام إلى بيانات مهيكلة. قد يكون المدخل ملف PDF أو استمارة ممسوحة ضوئيا أو مرفق بريد إلكتروني أو نصا حرا، ويكون المخرج سجلا مطابقا لمخططكم، معبأ حقلا حقلا. ويعالج الخط نفسه التصنيف، أي نوع المستند والإدارة التي يتبع لها، إضافة إلى التلخيص والمقارنة على مستوى الحقل. والخطوة الأخيرة هي الحاسمة: لا يكتب المخرج في نظامكم مباشرة. ينتج النموذج لكل حقل درجة ثقة وموضعا في المستند الأصلي، وينتقل كل سجل يقل عن العتبة المحددة إلى موافقة إنسان. وبهذا لا ترتفع نسبة الخطأ بلا ضابط كلما ارتفعت نسبة الأتمتة. وكل سجل يوافق عليه يصبح في الوقت نفسه مادة لقياس الدقة.

سير العمل القائم على الوكلاء

في الأعمال التي لا تكفيها جولة واحدة من سؤال وجواب نبني وكيلا. يستدعي النموذج الأدوات التي حددتموها له عبر آلية tool calling، أي استدعاء الأدوات: بحث في المحتوى، واستعلام قاعدة بيانات، ونداء واجهة برمجية، وكتابة ملف. ويتقدم سير العمل عبر حلقات وبنى رسوم بيانية، وتحفظ حالة كل خطوة. وما يحدث عند الإخفاق مكتوب سلفا: كم مرة تعاد المحاولة، وكم تطول المهلة بين محاولة وأخرى، وأي خطأ يسلم إلى إنسان. ويترك كل تشغيل مسار تدقيق خطوة بخطوة: أي أداة استدعيت وبأي مدخل، وماذا أعادت، وعند أي خطوة اتخذ القرار. أما الوكيل الذي لا مسار تدقيق له فيوقف عند أول عملية خاطئة.

ميزات نماذج اللغة داخل منتجكم

نضيف ميزات تعمل بنموذج اللغة إلى منتجكم وهو قيد الاستعمال: تصفية باللغة الطبيعية، وبحث دلالي، واقتراحات تراعي سياق المستخدم، وتوليد مسودات نصية، وملخص قصير لسجل طويل. ونهجنا ليس إعادة كتابة الواجهة من جديد. تستقر الميزة داخل الشاشة القائمة، ويبقى المسار الكلاسيكي في مكانه، ويعود المستخدم إلى تدفقه القديم متى شاء. وإن تجاوز زمن الاستجابة الحد الذي يحتمل المستخدم انتظاره، عرضت الميزة على شكل تدفق متتابع أو نقلت إلى الخلفية. وحين ينقطع النموذج يستمر المنتج في العمل، لأن ميزة LLM تبنى عندنا طبقة يمكن إطفاؤها لا تبعية يقوم عليها المنتج.

واجهة ويب مفتوحة للوكلاء: WebMCP و llms.txt

أصبح وكلاء الذكاء الاصطناعي اليوم يتصفحون المواقع على نحو قريب من تصفح الإنسان لها. وفتح الموقع أمام الوكيل لا يعني تسهيل كشط صفحاته، بل يعني منحه أدوات يستطيع استدعاءها مباشرة. مع WebMCP يستدعي الوكيل العامل داخل المتصفح الأدوات التي يعلنها الموقع بنفسه. وملف llms.txt يدل النموذج على المصادر التي يقرأها وهو يتصفح الموقع. وكتالوج واجهات البرمجة وفق RFC 9727 يعلن للآلات ما الواجهات الموجودة أصلا. أما البيانات المهيكلة فلا تترك لبسا في معنى الصفحة. والنتيجة أن الوكيل الذي يتصرف نيابة عن المستخدم يعمل على واجهة موصوفة بدل أن يخمن. طبقنا هذا كله على موقعنا نحن، لأننا لا نوصي بما لم نجربه على أنفسنا. وقد شرحنا ماهية WebMCP وما يغيره تصفح الوكلاء في SEO وGEO في مقالنا عن WebMCP بالتفصيل. أما الظهور داخل محركات الإجابة العاملة بالذكاء الاصطناعي فموضوع مستقل نتناوله في صفحة خدمة GEO لدينا.

أين لا يزال التعلم الآلي التقليدي هو الجواب الصحيح

ليست كل مسألة بحاجة إلى نموذج لغة. فحيث يكون المطلوب التنبؤ برقم، تعمل الطرق التقليدية بتكلفة أقل ودقة أعلى: التنبؤ بالطلب والمخزون، وتوقع المبيعات، وتسجيل احتمال فقدان العميل، وكشف الشذوذ في سجلات المعاملات، وتمييز العيوب بالصورة على خط الإنتاج. المدخل في هذه الأعمال جدول مهيكل أصلا، والجواب مطلوب خلال أجزاء من الألف من الثانية لا خلال ثوان. ووضع نموذج LLM في هذا الموضع يرفع تكلفة الرموز وزمن الاستجابة دون مقابل. في بداية المشروع نفصل أي مسألة تعود إلى أي طريقة، وإذا كان العمل يحل من دون نموذج لغة فقول ذلك جزء من مهمتنا.

كيف نعمل

نتقدم على ثلاث مراحل: إثبات المفهوم، ثم التجربة المحدودة، ثم الإنتاج. في إثبات المفهوم نبني سيناريو واقعيا واحدا على بياناتكم أنتم ونسلم النتيجة مع جدول قياس، والهدف ليس عرضا مبهرا بل قرارا في ما إذا كان العمل قابلا للتنفيذ. وتستغرق هذه المرحلة عادة من أسبوعين إلى أربعة أسابيع. وفي التجربة المحدودة يفتح النظام أمام عدد صغير من المستخدمين، وتجمع الأخطاء الناتجة عن الاستعمال الحقيقي، ويصحح المسار على أساسها. وفي الإنتاج تدخل المراقبة وتتبع التكلفة وإدارة الإصدارات ووثائق التسليم، ونفصل خط النشر والمراقبة في صفحة خدمة DevOps وCI/CD لدينا. نعمل بدورات من أسبوعين، وتنتهي كل دورة بنسخة عاملة وبنتيجة قياسها. وإن قررتم في نهاية مرحلة عدم المتابعة، بقي بين أيديكم كود يعمل وخط بيانات ونتائج قياس. وقد جمعنا الأسئلة التي تستحق الطرح قبل اختيار الفريق في مقال كيف تختار شركة لتكامل الذكاء الاصطناعي.

كيف نقيس الدقة

مسألة عمل نظام الذكاء الاصطناعي من عدمه تحسم بالقياس لا بالانطباع. نبدأ بأن نعد مجموعة مرجعية: الأسئلة الحقيقية التي يطرحها فريقكم يوما بعد يوم، والإجابات التي تقرون بصحتها. وتشغل هذه المجموعة تلقائيا عبر إطار تقييم عند كل تغيير، فيعاد القياس حين يتبدل نص الموجه أو تحدث نسخة النموذج أو يعدل إعداد الاسترجاع. وحين تنخفض الدرجة يظهر أي الأسئلة تحديدا قد تعطل، وبهذا تبقى الانحدارات قابلة للتتبع. ونشارككم نتائج القياس في صورة تقرير. وفي المسارات الحرجة يبقى الإنسان داخل السلسلة: النموذج يقترح والشخص المخول يقبل. فعبارة «يبدو أنه يعمل» انطباع، أما عبارة «قسنا هذه الدرجة على هذه المجموعة» فبيانات يبنى عليها قرار المتابعة من عدمها.

التكلفة وزمن الاستجابة والاستقلال عن النموذج

تكلفة تشغيل ميزة الذكاء الاصطناعي أهم من تكلفة بنائها، لأن كل طلب ينفق مالا. نبدأ المشروع بوضع ميزانية رموز لكل طلب وزمن استجابة مستهدف. تخزن الطلبات المتكررة وأجزاء السياق الثابتة في ذاكرة مؤقتة، وتوجه الخطوات التي لا تحتاج سياقا طويلا إلى نموذج أصغر وأرخص، ويحد طول المخرج. ولا يدفن نداء النموذج داخل الكود، بل يقف خلفه تجريد مستقل عن المزود. وبهذا يجري الانتقال، حين يرفع المزود سعره أو حين يظهر نموذج أفضل، من دون إعادة كتابة الموجهات وسير العمل. وحين يشترط ألا تخرج البيانات من نطاقكم، شغلنا نموذجا مفتوح الأوزان على بنيتكم التحتية.

الأمان وحدود البيانات

أول وثيقة نكتبها في مشروع الذكاء الاصطناعي هي وثيقة حدود البيانات: أي الحقول تذهب إلى النموذج وأيها لا تذهب أبدا. حقول مثل رقم الهوية وبيانات الاتصال وبيانات الدفع تحجب قبل إرسال الموجه أو لا تنقل أصلا، والنموذج ينجز معظم العمل من دون أن يراها. ويحدد غرض المعالجة ومدة الحفظ والأساس القانوني كتابة، بما يتوافق مع GDPR ومع المتطلبات الإقليمية الخاصة بموضع إقامة البيانات. وفي اختيار المزود يثبت في العقد مكان حفظ البيانات ومنع استخدامها في تدريب النماذج، وعند الحاجة نشغل النموذج على بنيتكم التحتية. ويكتب كل طلب وكل مخرج في مسار التدقيق، حتى يمكن أن يبين لاحقا متى أنتجت نتيجة بعينها ومن أي مدخل وبأي نسخة من النموذج.

أين تعمل هذه الآن

الأعمال المذكورة أدناه إما منشورة وإما منجزة. ولكل منها صفحتها الخاصة، ويكفي أن تفتحوا الاسم لقراءة المشروع كاملا.

• detartech.com: على موقعنا نحن تعمل أدوات WebMCP وملف llms.txt وكتالوج واجهات البرمجة وفق RFC 9727 إلى جانب ملف ai/service.json المنشور علنا. والموقع مفتوح على نحو يتيح للوكيل أن يستدعي أدوات محددة بدل أن يكشط الصفحة. ولهذا نقدم توصيتنا بالواجهة المفتوحة للوكلاء بعد أن جربناها على منتجنا نحن.
• SanalRandevu: على هذا المنتج يعمل ملف llms.txt، وقواعد robots.txt مكتوبة صراحة من أجل 18 برنامجا من برامج الزحف الخاصة بالذكاء الاصطناعي، وفهرسة سريعة عبر IndexNow، وبيانات مهيكلة من الأنواع Organization وWebSite وHowTo، وجميعها قيد التشغيل.
• Lextum AI: أتمت التحليل الأولي لعقود تمتد إلى مئات الصفحات، فصار النظام يستخرج نقاط المخاطر والامتثال، وتفرغ وقت المحامي للبنود الحرجة.
• World Summer Schools: هيكلت بيانات البرامج الخام بنموذج لغة، وولدت ملخصات واقتراحات تصنيف، ونشر المحتوى بعد موافقة إنسان.
• bebekistiyorum.com: أرشيف محتوى يزيد على 1200 رابط في 4 لغات صار ظاهرا في نتائج البحث الكلاسيكية وفي إجابات الذكاء الاصطناعي معا.