نماذج ومنصات الذكاء الاصطناعي

مقدمة إلى Vertex AI

Kunal Kejriwal
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيوحد Vertex AI البيانات المتناثرة وأدوات الذكاء الاصطناعي في منصة موحدة جاهزة للاستخدام…
عرض المزيد
  • يوحد Vertex AI البيانات المتناثرة وأدوات الذكاء الاصطناعي في منصة موحدة جاهزة للاستخدام المؤسسي.
  • توفر 'حديقة النماذج' الخاصة به وصولاً مركزياً إلى أكثر من 200 نموذج أساسي مُنتقى.
  • تتعامل ميزات التنسيق الديناميكي والتأصيل في المنصة مع أعطال الذكاء الاصطناعي في مرحلة الإنتاج والهلاوس الناتجة عنه.

في مشهد الذكاء الاصطناعي سريع التطور، من أكبر العقبات التي يواجهها قادة التكنولوجيا الانتقال من التجريب إلى الجاهزية للاستخدام المؤسسي. تثير روبوتات المحادثة الاستهلاكية والمنصات التفاعلية خيال الجمهور، لكن الشركات لا تنجح بواجهة محادثة وحدها. ومع اشتداد المنافسة، تحتاج إلى منظومة قوية وقابلة للتوسع وآمنة، وهذا ما تحاول Google (GOOGL ) تقديمه من خلال Vertex AI، منصة Google Cloud الموحدة للذكاء الاصطناعي والتعلم الآلي. 

تسعى Vertex AI إلى ترسيخ مكانتها ركيزةً لدمج الذكاء الاصطناعي التوليدي مع البنية السحابية الحديثة، بمجموعة شاملة من الخصائص التي تصل بين النماذج الأساسية بصورتها الأولية والتطبيقات الجاهزة للإنتاج. وليست مجرد غلاف للنماذج اللغوية الكبيرة (LLM)، بل منظومة موحدة للتعلم الآلي والذكاء الاصطناعي، تتعامل مع الذكاء الاصطناعي التوليدي باعتباره مكونًا أساسيًا في البنية السحابية الحديثة.

في قلب Vertex AI تقع Model Garden، وهي سوق مركزية تتيح أكثر من 200 نموذج أساسي منتقى، منها Gemini 2.5 Pro القوي متعدد الوسائط، بنافذة سياق هائلة تبلغ مليوني رمز. سنحلل في هذه المقالة معمارية Vertex AI، ونستكشف كيف تؤدي Model Garden دور متجر التطبيقات للذكاء، وننظر إلى الركائز التقنية التي تجعل المنصة أساسًا للجيل القادم من برمجيات المؤسسات.

المعمارية الأساسية: منصة موحدة

ليست Vertex AI مجموعة أدوات مترابطة بصورة فضفاضة، بل منظومة موحدة للبيانات والذكاء الاصطناعي، صُممت لمعالجة تشتت البيانات والأدوات والفرق الذي لا يزال يعيق التعلم الآلي. تقليديًا، يجري تطوير الذكاء الاصطناعي في بيئات معزولة، وقد تتوزع البيانات وتبقى حبيسة مستودعات مختلفة. فقد تحتفظ المؤسسة ببيانات العملاء في مستودعات SQL، بينما تتراكم المستندات غير المهيكلة في بحيرة بيانات. وعندما تنعزل البيانات، لا يرى الذكاء الاصطناعي سوى حقيقة جزئية، فتظهر نتائج متحيزة أو معدلات هلوسة مرتفعة بسبب غياب السياق الكامل للمؤسسة. 

تحاول Vertex AI دمج دورة الحياة كاملة، من إدخال البيانات الخام إلى BigQuery وCloud Storage وحتى مراقبة الإنتاج، فتعمل بمثابة نسيج رابط بين هذه الصوامع. وتتكامل مباشرة مع Cloud Storage وBigQuery، مما يسمح للنماذج باسترجاع البيانات من دون مسارات معقدة لاستخراجها وتحويلها وتحميلها (ETL). 

الأساس: AI Hypercomputer من Google

تستند طبقة الذكاء الاصطناعي التوليدي في Vertex AI إلى معمارية AI Hypercomputer من Google، وهي منظومة متكاملة للحوسبة الفائقة تضم ما يلي:

TPU v5p & v5e (وحدات معالجة الموترات)

وحدات معالجة الموترات من Google هي دوائر متكاملة مخصصة لتطبيقات بعينها (ASIC)، صُممت خصيصًا لضرب المصفوفات الذي يقوم عليه التعلم العميق.

  • TPU v5p (الأداء): المسرّع الرائد للتدريب واسع النطاق. يمكن لكل مجموعة TPU v5p التوسع إلى 8,960 شريحة، تربطها وصلة Google بين الشرائح (ICI) ذات أعلى عرض نطاق، بسرعة 4,800 غيغابت في الثانية. وبالنسبة لقائد تقني، يعني ذلك تدريب نموذج بحجم GPT-3، أي 175 مليار معامل، أسرع بمقدار 2.8 مرة مقارنة بالجيل السابق، مما يقلص زمن طرح المنتج في السوق بدرجة كبيرة.
  • TPU v5e (الكفاءة): صُممت لتحقيق أداء محسّن من حيث التكلفة، وهي ركيزة للتدريب متوسط الحجم والاستدلال عالي الإنتاجية. وتقدم تحسنًا يصل إلى 2.5 مرة في نسبة الأداء إلى السعر، فتناسب الشركات التي تحتاج إلى الاستدلال طوال اليوم والأسبوع دون ميزانية ضخمة.

المرونة عبر وحدات NVIDIA H100/A100 الرسومية

رغم تخصص وحدات TPU، تعتمد فرق تطوير كثيرة على منظومة NVIDIA CUDA. وتقدم Vertex AI دعمًا كاملًا لأحدث عتاد NVIDIA:

  • NVIDIA H100 (Hopper): مناسبة للضبط الدقيق لأكبر النماذج المفتوحة المصدر، مثل Llama 3.1 405B، التي تتطلب عرض نطاق هائلًا للذاكرة.
  • شبكة Jupiter: لتجنب اختناق الشبكة، تستخدم Google نسيج شبكات مراكز بيانات Jupiter. يضمن ذلك انتقال البيانات بسرعة كبيرة بين الوحدات الرسومية، مع دعم الوصول المباشر إلى الذاكرة عن بُعد (RDMA) لتجاوز العبء الإضافي على وحدة المعالجة المركزية وتقديم أداء قريب من المحلي عبر العقد الموزعة.

التنسيق الديناميكي للتنفيذ

أهم تحول تقني في Vertex AI هو التنسيق الديناميكي للتنفيذ. ففي البيئة التقليدية، قد يؤدي تعطل عقدة رسومية أثناء تدريب يستمر ثلاثة أسابيع إلى انهيار المهمة كلها.

  • التعافي التلقائي: تستخدم Vertex AI غالبًا في بنيتها الداخلية Google Kubernetes Engine (GKE)، وتوفر عقدًا ذاتية التعافي. وعندما تكتشف عطلًا في العتاد، تنقل عبء العمل تلقائيًا إلى عقدة سليمة.
  • Dynamic Workload Scheduler: تتيح هذه الأداة للفرق طلب السعة بحسب درجة الاستعجال. ويمكن اختيار Flex Start، الأرخص والذي يبدأ عندما تتوفر السعة، أو السعة المضمونة للإصدارات الحرجة للأعمال.
  • التدريب دون إدارة خوادم: تتيح Vertex AI Serverless Training للفرق التي لا تريد إدارة البنية التحتية إرسال الشيفرة والبيانات فقط. توفر المنصة العنقود الحاسوبي، وتشغل المهمة، ثم تفككه، ولا تحاسب إلا على ثواني الحوسبة المستخدمة.

نقاط الدخول الثلاث: الاكتشاف والتجريب والأتمتة

لتلبية احتياجات الأدوار التقنية المختلفة، من علماء البيانات إلى مطوري التطبيقات، تتيح Vertex AI ثلاث نقاط دخول رئيسية:

Model Garden: سوق اكتشاف النماذج

تُعد Vertex AI Model Garden منصة مركزية داخل Google Cloud لاكتشاف مجموعة واسعة من نماذج الذكاء الاصطناعي واختبارها وتخصيصها ونشرها، سواء من Google أو المصادر المفتوحة أو الأطراف الأخرى. وتشمل نماذج متعددة الوسائط للرؤية والنص والشيفرة، لتلبية احتياجات أعمال مختلفة، مع تكامل سلس بأدوات Vertex AI لتبسيط عمليات التعلم الآلي (MLOps). وتعمل بوصفها مكتبة شاملة تساعد المطورين والشركات على اختيار النموذج المناسب لمهامهم، من النماذج الأساسية الكبيرة إلى المتخصصة، سواء لتوليد النص أو تحليل الصور أو إكمال الشيفرة، ونشره بكفاءة ضمن بيئة Google Cloud.

تقسم Model Garden نماذجها التي تتجاوز 200 إلى ثلاث فئات، ليوازن المعماريون بين الأداء والتكلفة والتحكم:

  1. نماذج Google الخاصة: هي النماذج الرائدة متعددة الوسائط المتاحة ضمن Vertex AI. وتقدمها Google بأحجام متنوعة، من Pro للاستدلال المعقد إلى Flash لزمن الاستجابة المنخفض وحجم المعالجة الكبير، مما يسمح باختيار ما يناسب حالة الاستخدام. 
  2. نماذج الأطراف الأخرى المملوكة: من خلال شراكات استراتيجية، تتيح Vertex AI النماذج كخدمة (MaaS) من جهات بارزة مثل Anthropic ونموذجها Claude 3.5 وMistral AI. وبدل إدارة فواتير وبيانات اعتماد أمنية منفصلة لخمسة مزودي ذكاء اصطناعي، يستطيع الفريق الوصول إليهم جميعًا عبر مشروع Google Cloud الحالي وبتنسيق API موحد.
  3. نماذج مفتوحة المصدر ومفتوحة الأوزان: تضم هذه الفئة Llama 3.2 من Meta، Mistral، ونموذج Google الخاص Gemma. وهي مناسبة للمؤسسات التي تريد نشر النماذج ذاتيًا في سحابة افتراضية خاصة (VPC) تابعة لها لضمان أقصى عزل للبيانات.

في بيئة غير موحدة، يتطلب نشر نموذج مفتوح المصدر مثل Llama إعداد بيئة PyTorch، وتهيئة برامج تشغيل CUDA، وإدارة غلاف Flask أو FastAPI.

تلغي Model Garden مرحلة الإعداد هذه من خلال نقاط نهاية موحدة ومُدارة:

  • النشر بنقرة واحدة: في نماذج كثيرة، يوفر النقر على Deploy موارد TPU/GPU اللازمة تلقائيًا، ويضع النموذج في حاوية جاهزة للإنتاج، ويقدم نقطة نهاية REST API.
  • التكامل مع Hugging Face: تتيح Vertex AI الآن نشر النماذج مباشرة من Hugging Face Hub إلى نقطة نهاية Vertex، مما يوسع نطاق النماذج المتاحة بصورة شبه غير محدودة.
  • Private Service Connect (PSC): يمكن للقطاعات شديدة التنظيم نشر النماذج باستخدام Private Service Connect، لضمان ألا تُكشف نقطة نهاية النموذج أبدًا للإنترنت العام، وإبقاء حركة البيانات حصرًا داخل شبكة الشركة.

Vertex AI Studio: ساحة التجريب

بينما تركز Model Garden على الاختيار، تركز Vertex AI Studio على الدقة. يمكن تشبيه Vertex AI Studio بالمترجمات وأدوات تصحيح الأخطاء في عالم البرمجيات التقليدي. فهي مساحة عمل تُشكّل فيها النماذج الأولية لتصبح أدوات أعمال محددة، بمزيج من هندسة التوجيهات، والاختبار متعدد الوسائط، والضبط المتقدم للمعاملات الفائقة. 

النماذج الأولية متعددة الوسائط: ما وراء النص

من أبرز خصائص Studio دعمها الأصلي لتعدد الوسائط. فبينما تتطلب المنصات الأخرى شيفرة معقدة لمعالجة البيانات غير النصية، تتيح Vertex AI Studio إسقاط الملفات مباشرة في الواجهة لاختبار قدرات الاستدلال لدى Gemini 2.5.

  • تحليل الفيديو: يمكن تحميل محاضرة تقنية رئيسية مدتها 45 دقيقة، وطلب تحديد كل مرة تُذكر فيها واجهة API معينة وتقديم ملخص يتضمن الطوابع الزمنية.
  • تحليل المستندات: بدل الاكتفاء بقراءة النص، يستطيع النموذج تحليل التخطيط البصري لملف PDF من ألف صفحة، وفهم العلاقة بين الرسوم والجداول والنص المحيط بها.
  • تنفيذ الشيفرة: تدعم Studio الآن تنفيذ الشيفرة في ساحة التجريب. وعند طلب حل مسألة رياضية معقدة أو تحليل ملف CSV، يمكن للنموذج كتابة شيفرة Python وتنفيذها في بيئة معزولة وآمنة لتقديم إجابة متحقق منها.

التخصيص المتقدم: مسار ضبط النماذج

عندما تبلغ هندسة التوجيهات بلا أمثلة (Zero-shot) أو بأمثلة قليلة (Few-shot) حدودها، توفر Vertex AI Studio أداة أقوى: ضبط النماذج.

  1. الضبط الدقيق الخاضع للإشراف (SFT): يقدم المطورون مجموعة بيانات من أزواج التوجيه والاستجابة، ويُفضّل أن تتجاوز مئة مثال. ويُعلّم ذلك النموذج أسلوب علامة تجارية معينة، أو تنسيق إخراج مثل JSON مخصص، أو مصطلحات متخصصة في مجال بعينه.
  2. التخزين المؤقت للسياق: للشركات التي تتعامل مع مجموعات بيانات ضخمة وثابتة، مثل مكتبة قانونية أو قاعدة شيفرة، تتيح Studio التخزين المؤقت للسياق. ويمكن بذلك تحميل مليون رمز من البيانات مسبقًا إلى ذاكرة النموذج، وتقليل زمن الاستجابة والتكاليف للاستعلامات اللاحقة بدرجة كبيرة.
  3. التقطير (المعلّم والطالب): هذه خطوة على مستوى المعمارية. يمكن استخدام نموذج ضخم مثل Gemini 2.5 Pro لتعليم نموذج أصغر وأسرع مثل Gemini 2.0 Flash. وتكون النتيجة نموذجًا خفيفًا يؤدي بمستوى Pro، لكنه يعمل بسرعة Flash وتكلفته.

Vertex AI Agent Builder: مصنع الأتمتة

Vertex AI Agent Builder إطار عالي المستوى لتنسيق التنفيذ، يتيح إنشاء الوكلاء بدمج النماذج الأساسية مع بيانات المؤسسة وواجهات API الخارجية.

معمارية الحقيقة: التأصيل بالمصادر وRAG

العقبة التقنية الأساسية أمام الذكاء الاصطناعي المؤسسي هي الهلوسة. ويحلها Agent Builder بمحرك متقدم للتأصيل بالمصادر.

  • التأصيل باستخدام بحث Google: عندما يتطلب الاستعلام معرفة حديثة بالعالم، مثل معدلات الرهن العقاري الحالية في نيويورك، يستطيع الوكيل البحث في Google واستخراج الحقائق والاستشهاد بمصادره.
  • Vertex AI Search (الاسترجاع المعزز للتوليد كخدمة): بدل بناء قاعدة بيانات متجهية مثل Pinecone أو Weaviate يدويًا، يستطيع المطورون استخدام Vertex AI Search لفهرسة مستنداتهم، من ملفات PDF وHTML إلى بيانات BigQuery. وتُنفذ خطوات التجزئة والتضمين والاسترجاع تلقائيًا، لضمان استناد إجابات الوكيل إلى مصدر الحقيقة الداخلي فقط.
  • Vertex AI RAG Engine: في التطبيقات المخصصة واسعة النطاق، تتيح هذه الخدمة المُدارة بحثًا هجينًا يجمع النتائج المتجهية والكلمات المفتاحية، لتحسين الدقة بما يصل إلى 30% مقارنة بمخرجات النماذج اللغوية الكبيرة المعتادة.

تنسيق الوكلاء المتعددين (بروتوكول A2A)

غالبًا ما تتطلب مسارات العمل المؤسسية المتقدمة تعاون عدة وكلاء متخصصين. وتطرح Vertex AI بروتوكول Agent-to-Agent (A2A)، وهو معيار مفتوح يسمح بما يلي:

  • وكيل السفر يتحدث مع وكيل المالية لضمان أن حجز الرحلة ضمن ميزانية الشركة.
  • قابلية التشغيل البيني: لأنه يستخدم بروتوكولًا مفتوحًا، يمكن للوكلاء المبنيين على Vertex التواصل مع وكلاء مبنيين على أطر أخرى مثل LangChain أو CrewAI.

أدوات المطور: ADK وAgent Engine

تقدم Agent Builder مسارين مختلفين لمطوري المنصات التقنية:

  1. وحدة تحكم دون كتابة شيفرة: واجهة مرئية بالسحب والإفلات لبناء النماذج الأولية سريعًا، ولتمكين مستخدمي الأعمال من إجراء الإعدادات.
  2. Agent Development Kit (ADK): مجموعة أدوات Python قائمة على الشيفرة للمهندسين. تتيح التعامل مع التوجيهات كشيفرة، والتكامل مع التحكم بالإصدارات، والنشر على Vertex AI Agent Engine، وهو بيئة تشغيل مُدارة تتولى تلقائيًا استمرارية الجلسات والتوسع وإدارة الحالة.

الخاتمة: من «ماذا لو» إلى «ما التالي»

لطالما كان الانتقال من عرض مبهر للذكاء الاصطناعي إلى تطبيق مؤسسي جاهز للإنتاج وادي الموت لمشروعات التحول الرقمي. وكما رأينا، صُممت Vertex AI خصيصًا لعبور هذه الفجوة. فبتوحيد صوامع البيانات والبنية التحتية وتنسيق النماذج، نقلت Google Cloud النقاش من القوة الخام للنماذج اللغوية الكبيرة إلى النضج التشغيلي لدورة حياة الذكاء الاصطناعي.

كونال كيجريوال مهندس برمجيات للأنظمة الخلفية، متخصص في Python وPostgreSQL وRedis والبنية التحتية السحابية على GCP وAWS. لديه ثلاث سنوات من الخبرة في بناء الأنظمة البرمجية المستخدمة فعليًا وتوسيع نطاقها، ويكتب عن البنية التحتية للذكاء الاصطناعي والأنظمة الموزعة والبنية المعمارية لنشر أعباء عمل التعلم الآلي.