علي أنصاري، المؤسس والرئيس التنفيذي لشركة micro1 – سلسلة مقابلات

علي أنصاري هو المؤسس والرئيس التنفيذي لشركة micro1، حيث يركّز على تحويل الخبرات البشرية إلى بيانات تدريب وتقييمات لأنظمة الذكاء الاصطناعي المتقدمة. وتشمل مسيرته الريادية تأسيس وكالة لتطوير البرمجيات وإنشاء peerlinc، قبل إطلاق micro1 في عام 2022. درس علوم الحاسوب في جامعة كاليفورنيا في بيركلي وجامعة ستانفورد، مع التركيز على التعلم المعزز، ويعمل الآن على تطوير الأنظمة اللازمة لاستقطاب إسهامات الخبراء وتقييمها وتنسيقها لدعم تطوير الذكاء الاصطناعي.

micro1 مختبر بيانات يساعد على تدريب نماذج الذكاء الاصطناعي الرائدة وتقييم وكلاء الذكاء الاصطناعي، مستعينًا بخبرات بشرية متخصصة وبيئات عمل واقعية. وتجمع منصته بين استقطاب المتخصصين وإنتاج البيانات ومراجعة جودتها وتقييم النماذج في مجالات تشمل القانون والرعاية الصحية والتمويل والهندسة والعلوم. في هذه المقابلة، يتحدث أنصاري عن أسباب تنامي الطلب على الخبرات البشرية، وكيف تدعم البيانات التشغيلية التعلم المعزز، والفرص المهنية التي تبرز في مجال تدريب الذكاء الاصطناعي وتقييمه.

أسست micro1 في عام 2022 بعدما أنشأت peerlinc وبعتها. ما المشكلة التي كنت تسعى في البداية إلى حلها، وكيف تطورت micro1 لتصبح شركة تركز على تدريب نماذج الذكاء الاصطناعي الرائدة وتقييمها؟

في البداية، كانت المشكلة قائمة في عملي الخاص. كنت أدير وكالة لتطوير البرمجيات، وكان كل مشروع جديد يعني البحث عن مزيد من المهندسين وإجراء مقابلات معهم. وكنت أقضي وقتًا طويلًا جدًا في ذلك. لذلك أنشأنا زارا، وهي أداة لإجراء مقابلات بالذكاء الاصطناعي، للمساعدة في هذه المهمة، ثم تطورت في نهاية المطاف لتصبح micro1.

بدأنا ببيع برامج التوظيف وبناء سوق للمواهب التي خضعت للتدقيق. ثم جاءنا عميل كان بحاجة إلى مئات المهندسين لتدريب نماذج الذكاء الاصطناعي. وبدأنا نستقصي سبب حاجته إلى هذا العدد الكبير، فأدركنا أن تطوير النماذج يعتمد على طلب هائل على الخبرات البشرية.

كنا قد أمضينا سنوات في بناء القدرة على استقطاب الأشخاص وتقييمهم على نطاق واسع. وكانت البيانات البشرية تطبيقًا قويًا جدًا لهذه البنية التحتية. لذا كرّسنا جهودنا لهذا المجال، واستخدمنا أداة التوظيف المعتمدة على الذكاء الاصطناعي لاستقطاب المواهب المتخصصة وتقييمها، وبنينا حولها منصات أخرى للبيانات وأنظمة لضمان الجودة. واليوم، نساعد المختبرات على تحويل تلك الخبرات إلى قدرات أفضل للنماذج.

قلتَ إن الطلب على الخبرات البشرية يزداد فعلًا، لا يتلاشى، كلما ازدادت قدرات نماذج الذكاء الاصطناعي. فما الذي يفسر هذه العلاقة؟

هناك عاملان. أولًا، كلما تحسنت النماذج، طلبنا منها إنجاز مهام أصعب. فالنموذج القادر على الإجابة عن سؤال مفيد، أما النموذج القادر على تنفيذ سير عمل كامل فهو أكثر فائدة بكثير، لكن الوصول إلى هذه المرحلة يتطلب قدرًا أكبر بكثير من إسهام الخبراء.

ثانيًا، يواصل البشر ابتكار أعمال جديدة. فإذا استطاع محامٍ استخدام الذكاء الاصطناعي لإنجاز جزء كبير من مهامه اليومية، فسيكون لديه وقت أكبر لمعالجة مسائل أدق أو تطوير خدمة جديدة للعملاء. وتصبح هذه الوظائف الجديدة كليًا بدورها أمورًا نرغب في استخلاصها وتضمينها في النماذج. وهذا ما نعنيه بعبارة «لا توجد مرحلة أخيرة». فالعمل يواصل تطوره.

وتجعل البيانات الاصطناعية هذا الأمر أكثر إثارة للاهتمام. إذ يمكن استخدامها للتوسع في المهام التي أعدّها الخبراء وملاحظاتهم، ما يزيد فائدة الإسهام البشري الأصلي. وأعتقد أن هذا المزيج هو ما يفسر استمرار نمو الطلب على الخبرات البشرية بالتوازي مع تطور قدرات النماذج.

تعمل micro1 مع خبراء في مجالات مثل القانون والرعاية الصحية والتمويل والهندسة والعلوم. ما الذي يستطيع هؤلاء المتخصصون تقديمه لأنظمة الذكاء الاصطناعي ولا يمكن ببساطة تعلّمه من البيانات المتاحة على الإنترنت؟

يعتمد جانب كبير مما يجعل الطبيب أو المحامي أو المهندس متميزًا على حسن التقدير الذي اكتسبه من خلال ممارسة العمل. وبعض ذلك موثّق، لكن جانبًا كبيرًا منه يظهر في طريقة تعامله مع حالة غير مألوفة، أو ملاحظته نقص المعلومات، أو تحديده للتفصيل المهم فعلًا.

وهذا بالغ الأهمية لتدريب النماذج. يستطيع الخبير إعداد مهمة صعبة، وشرح مواصفات النتيجة الجيدة، وتحديد موضع قصور النموذج بدقة. فقد تبدو الإجابة مقنعة جدًا، لكنها مع ذلك قد تغفل الأمر الأهم في نظر من يمارس هذه المهنة.

نحتاج إلى خبراء للتمييز بين هذه الأمور. ونحتاج أيضًا إلى وجهات نظر متعددة وإجراءات مراجعة متينة، لأن تقدير شخص واحد لن يشمل كل الحالات. والهدف هو تحويل تلك الخبرة إلى إشارة يمكن للنموذج التعلم منها. كما أن كل مجال ينطوي على قدر هائل من التفاصيل الدقيقة. فالخبرة القانونية، مثلًا، ليست شيئًا واحدًا؛ إذ تختلف باختلاف مجال الممارسة والولاية أو الاختصاص القضائي والأنظمة القانونية في البلدان المختلفة. وتتطلب كل طبقة من هذه الطبقات مزيدًا من المعرفة المتخصصة وحسن التقدير. وينطبق هذا العمق نفسه على كل مجال وعلى فروعه المتعددة، ولذلك نحتاج إلى خبراء يدركون دلالة هذه الفروق في التطبيق العملي.

مع تحول مزيد من اهتمام القطاع إلى مرحلة ما بعد التدريب والتعلم المعزز والتقييم، أين ترى أكبر العقبات التي تعترض تحسين النماذج الرائدة اليوم؟

أعتقد أن إتاحة بيانات واقعية هي إحدى أكبر العقبات. فقد أمضت الشركات سنوات في حل المشكلات واتخاذ القرارات والتعامل مع الحالات الاستثنائية، وتنعكس هذه الخبرة في مستنداتها وأنظمتها وسير العمل لديها. وهي ذات قيمة هائلة إذا أردت أن يتعلم النموذج كيفية إنجاز العمل الفعلي.

لهذا أنشأنا برنامج Company Data Partnerships، أو CDP. ندفع للشركات مقابل ترخيص بياناتها التشغيلية. وقد تشمل هذه البيانات الوثائق الداخلية، وسجلات المشاريع، وسجلات إدارة علاقات العملاء (CRM)، والإجراءات التي يتبعها الموظفون لإنجاز العمل. وندفع أكثر من 2 مليون دولار مقابل مجموعات البيانات القيّمة للشركات، ويتوقف المبلغ على البيانات وطبيعة الشراكة.

نستخدم هذه المواد لبناء بيئات واقعية للتدريب والتقييم. لنفترض أنك تحاول حل مشكلة لدى أحد العملاء: قد تحتاج إلى مراجعة سجل الحساب، والعثور على السياسة ذات الصلة، وتحديد الإجراء المناسب. وتوفر البيئة المصممة وفق سير العمل هذا نموذجًا يتدرب فيه على هذه الخطوات. ويحدد الخبراء المهمة وكيفية تقييم مدى إنجازها بنجاح. وهذه الملاحظات هي ما يجعل البيئة مفيدة للتعلم المعزز.

تحتفظ الشركات بملكية بياناتها الأصلية. ونتفق على نطاق الاستخدام ومتطلبات التعامل مع البيانات، بما في ذلك تدابير حماية الخصوصية، ثم نجهّز البيانات للاستخدام المقصود.

تكمن القيمة في الخبرة التي توثقها هذه السجلات. ويتيح CDP للشركات تحقيق إيرادات من تلك الخبرة، ويساعد النماذج في الوقت نفسه على تعلم العمل ضمن بيئات أكثر واقعية بكثير.

ما أشكال الحكم البشري أو الخبرة التي تعتقد أنها ستظل صعبة على نحو خاص على أنظمة الذكاء الاصطناعي محاكاتها، حتى مع ازدياد قدرات النماذج بدرجة كبيرة؟

أعتقد أن الذائقة البشرية والإبداع مجالان ستواجه فيهما النماذج صعوبة كبيرة. والسبب يعود إلى طريقة إعدادنا لبيانات التدريب.

في كثير من المهام، يمكننا جمع الخبراء وجعلهم يتفقون على معايير العمل الجيد. وهذا يمنحنا إشارة مفيدة لتدريب النماذج. لكن إذا سألت الناس عما يجعل صورة ما رائعة، أو فيلمًا ما عظيمًا، أو تصميمًا ما جذابًا، فكلما ناقشوا الأمر أكثر، ازداد احتمال تباين آرائهم. وليس هناك دائمًا جواب واحد يمكن الاتفاق عليه.

مع ذلك، يمكن للذكاء الاصطناعي أن يصبح مفيدًا جدًا في هذه المجالات. لكن تحديد ما تريد ابتكاره، ولمن، وما إذا كان يلقى صدى حقيقيًا، يتطلب قدرًا كبيرًا من الحكم البشري. وأعتقد أن هذا الحكم سيزداد أهمية مع جعل الأدوات إنتاج الأشياء أسهل.

نلاحظ أن المهنيين يتعاملون بشكل متزايد مع تدريب الذكاء الاصطناعي وتقييمه بوصفهما عملًا مهنيًا جادًا، لا عملًا جانبيًا. فهل يمكن أن يتطور هذا إلى فئة جديدة تمامًا من الوظائف؟ وكيف قد تبدو هذه المسارات المهنية؟

بالتأكيد. لقد أصبح هذا بالفعل مجال عمل جديدًا تُقدّر قيمته بمليارات الدولارات. لدينا خبراء يوظفون المعارف التي اكتسبوها على مدى مسيرتهم المهنية للمساعدة في تدريب الذكاء الاصطناعي وتقييمه. وبالنسبة إلى بعضهم، أصبح ذلك جزءًا كبيرًا من حياتهم العملية.

يمكن أن يكون العمل نفسه عميقًا جدًا. فقد يضع محامٍ سيناريو صعبًا ويحدد كيفية تقييم استجابة النموذج. وقد يصمم مهندس مهمة تقود وكيلًا عبر سير عمل برمجي كامل. وهناك أيضًا أشخاص يراجعون البيانات، ويحسّنون معايير التقييم، ويقودون فرقًا من الخبراء. كما يمكن لهذا العمل أن يتيح للناس مساحة أكبر للتركيز على ما جذبهم إلى مجالهم من البداية. ففي معظم الوظائف، يُخصَّص وقت طويل للمهام الإدارية والالتزامات التي لا تدخل في صميم العمل الذي يجد الناس فيه أكبر قدر من المعنى. ويمكن لتدريب الذكاء الاصطناعي في مجال تخصصهم أن يجعل خبراتهم محور عملهم: معالجة المسائل الصعبة، وتوظيف أحكامهم، ومشاركة ما علمتهم إياه خبرتهم. إنها فرصة لقضاء وقت أطول في الأمور التي يهتمون بها ويحسنون أداءها، مع المساهمة في تشكيل طريقة تعامل الذكاء الاصطناعي مع ذلك العمل.

أعتقد أننا سنشهد نشوء مسارات مهنية حقيقية في كل هذه المجالات. إذ يمكن للمرء أن يتقن تحويل خبرته التخصصية إلى بيانات تدريب، أو إدارة خط بيانات وفهم مواضع حاجة النماذج إلى المساعدة. وهذه مهارات قيّمة، وما زلنا في بدايات استكشاف طبيعة هذه الوظائف.

مع استقطاب الشركات للأطباء والمحامين والمهندسين والعلماء وغيرهم من المتخصصين لتحسين نماذج الذكاء الاصطناعي، كيف تتحققون من خبراتهم وتضمنون دقة بيانات التدريب الناتجة واتساقها؟

أنشأنا نظامًا متكاملًا لهذا الغرض. يبدأ النظام بـ Zara، مسؤولة التوظيف المدعومة بالذكاء الاصطناعي، التي تساعدنا في استقطاب الخبراء والتحقق من ملاءمتهم للمهارات التي يتطلبها المشروع. ثم تساعدنا أداة Merit على تتبع جودة مساهماتهم وسرعتها وموثوقيتها بمرور الوقت. ومن الضروري فهم خبرة كل شخص، وكذلك كيفية انعكاسها على البيانات التي ينتجها.

تجمع منصة flow بين عمل الخبراء والنماذج التي طورناها لدعم إنشاء البيانات ومراجعتها. ويحدد الخبراء المهام وماهية النتيجة الجيدة. ثم تساعد أداة flow gen على توسيع نقطة الانطلاق هذه لتوليد أمثلة ومتغيرات جديدة. وتفحص أداة flow qc البيانات بحثًا عن مشكلات، مثل غياب الأدلة أو عدم التوافق بين المهمة ومعايير تقييمها. أما أداة flow grader فتقيّم أداء النموذج وفقًا لتلك المعايير.

الأهم هو ما يحدث عندما يكتشف أحد الخبراء خطأً. فقد يؤدي تصحيح ذلك الخطأ إلى تحسين بيانات التدريب، كما يمكن أن يساعدنا في تحسين أدوات التوليد وفحوصات الجودة نفسها. ويمكننا تحويل الأخطاء المتكررة إلى اختبارات للإصدار التالي.

هذه هي الدورة المتنامية للبيانات الاصطناعية التي نبنيها. تمنحنا الخبرة البشرية نقطة الانطلاق والقدرة على إصدار الأحكام. وتساعد أدواتنا على توسيع نطاقها، فيما تسهم ملاحظات الخبراء في تحسين الدورة التالية. ثم نختبر ما إذا كانت هذه التغييرات تحسّن أداء النموذج فعلاً. وهذا ما يجعل هذه الحلقة قيّمة.

تتزايد الحاجة إلى أن تنفّذ وكلاء الذكاء الاصطناعي مهام معقدة ومتعددة الخطوات، بدلاً من الاكتفاء بتوليد الردود. كيف يختلف تدريب هذه الأنظمة وتقييمها عن العمل اللازم لتحسين نماذج اللغة الكبيرة التقليدية؟

يكمن الاختلاف الأكبر في طول المهمة. فقد يحتاج الوكيل إلى تنفيذ أفعال كثيرة باستخدام أدوات مختلفة قبل أن يتوصل إلى نتيجة مفيدة. وقد ينجز الخطوات الأولى القليلة على نحو جيد، ثم يفشل في إتمام المهمة ككل لأن الأخطاء تتراكم.

لذلك نحتاج إلى بيئات تتيح للنموذج التدرب على سير العمل بأكمله، وإلى تقييمات تحدد مواضع تعثره. هل عثر على المعلومات الصحيحة؟ هل استخدم الأداة على النحو الصحيح؟ وهل توصل فعلاً إلى النتيجة التي أردناها؟

وثمة أيضاً سياق الشركة نفسها. فالوكيل الذي يعمل داخل مؤسسة ما يحتاج إلى فهم إجراءات العمل فيها وتوقعاتها. ولا تكفي القدرات العامة إلا إلى حد معين.

وهنا تبرز الأهمية الكبيرة للخبراء في المجال. فهم يساعدوننا على تشخيص مواطن الإخفاق وإنشاء البيانات اللازمة لمعالجتها. نقيّم الأداء، ونحدد الثغرات، وندرّب النظام على سدّها، ثم نعيد التقييم. وتستمر هذه العملية مع تولي الوكيل مزيداً من المهام.

مع ازدياد قدرات النماذج المتقدمة، كيف يتغير نوع البيانات التي ينتجها البشر وتحتاج إليها هذه النماذج؟ وما أشكال الخبرة أو التقييم التي تتوقع أن تزداد قيمتها كثيراً خلال السنوات القليلة المقبلة؟

هناك عاملان تزداد أهميتهما: طول المهمة ومدى محاكاتها للعالم الحقيقي. ومع تحسن النماذج، تتجه بيانات التدريب المفيدة نحو مسارات عمل معقدة تتضمن مزيداً من القرارات والسياق والفرص لارتكاب الأخطاء.

وهذا ما يجعل الخبرة التشغيلية بالغة القيمة. فالشخص الذي أمضى سنوات في أداء وظيفة ما يفهم الاستثناءات والاعتماديات التي يسهل إغفالها عند تصميم مهمة من الخارج. كما يمكنه أن يحدد ما إذا كانت نتيجة الوكيل قابلة للتطبيق فعلاً داخل المؤسسة.

أعتقد أن تقييمات المؤسسات ستتحول بمرور الوقت إلى سوق هائلة، قد تبلغ قيمتها تريليون دولار سنوياً. فكل شركة تنشر وكلاء ستحتاج إلى فهم المواضع التي ينجحون فيها، والمواضع التي يخفقون فيها، وكيفية تحسينهم. وسيكون الأشخاص القادرون على تحويل معارفهم إلى تقييمات مفيدة عنصراً محورياً في ذلك. وهذه حاجة مستمرة، لأن الشركات والنماذج وطبيعة العمل كلها تواصل التغير.

قد يجد بعض المهنيين أنفسهم، عملياً، يساعدون على تدريب أنظمة الذكاء الاصطناعي لأداء أجزاء من وظائفهم. كيف تنظر إلى هذا التعارض؟ وكيف تتوقع أن تكون العلاقة بين الخبرة البشرية والذكاء الاصطناعي خلال السنوات الثلاث إلى الخمس المقبلة؟

أعتقد أننا نقلل من حجم العمل الجديد الذي سيبتكره الناس حين تتوفر لهم هذه الأدوات.

لنأخذ التوظيف مثالاً. إذا استطاع وكيل تولي جزء أكبر من الفرز الأولي، فسيتاح لمسؤول التوظيف وقت أطول لبناء علاقات مع المرشحين أو للتفكير في كيفية استقطاب أشخاص لم تكن الشركة قادرة على الوصول إليهم من قبل. سيتغير دورهم، وسيتمكنون من إنجاز المزيد في الوقت نفسه.

أتوقع أمراً مشابهاً في كثير من المهن. فخلال السنوات الثلاث إلى الخمس المقبلة، سيصبح الوكلاء على نحو متزايد زملاء عمل يوجّههم الناس ويزوّدونهم بالسياق ويقيّمونهم. وسيضطلع الناس بمسؤوليات جديدة مع حدوث ذلك.

لهذا أنا متفائل. فنحن نشهد بالفعل ظهور أعمال جديدة في مجال تدريب الذكاء الاصطناعي وتقييمه، وأعتقد أن المزيد سيأتي عندما يكتشف الناس ما يمكنهم بناؤه وإنجازه باستخدامه.

شكراً على هذه المقابلة الرائعة. ويمكن للقراء الراغبين في معرفة المزيد عن بيانات التدريب التي يقودها الخبراء، وتقييم الذكاء الاصطناعي، وفرص الإسهام بمعارفهم التخصصية، زيارة micro1.