دانيال سيوليك، رئيس أبحاث وتطوير في InvGate – سلسلة مقابلات

دانيال هو محترف حاسوبي مخلص مع أكثر من 15 عامًا من الخبرة في الصناعة. لديه دكتوراه في علوم الحاسوب ومسيرة طويلة في أبحاث التكنولوجيا. تتركز اهتماماته في مجالات متعددة، مثل الذكاء الاصطناعي، هندسة البرمجيات، وحوسبة الأداء العالي.

دانيال هو رئيس أبحاث وتطوير في InvGate، حيث يقود مبادرات البحث والتطوير. يعمل مع فرق المنتج والتنمية التجارية لتصميم وتنفيذ ومراقبة استراتيجية البحث والتطوير للشركة. عندما لا يكون مشغولاً بالبحث، فهو يدرّس.

InvGate تمكّن المنظمات من خلال توفير الأدوات لتسليم خدمة متواصلة عبر الإدارات، من تكنولوجيا المعلومات إلى المرافق.

متى وكيف أصبحت مهتمًا بالعلوم الحاسوبية لأول مرة؟

تعود اهتمامي بالعلوم الحاسوبية إلى طفولتي المبكرة. كنت دائمًا مهتمًا بالأجهزة الإلكترونية، وكنت أبحث دائمًا عن فهم كيف تعمل. مع نموي، أدى هذا الفضول إلى البرمجة. لا أزال أتذكر متعة كتابة برنامجي الأول. من تلك اللحظة فصاعدًا، لم يكن هناك شك في ذهني أنني أريد متابعة مسيرة في العلوم الحاسوبية.

أنت تقود حاليًا مبادرات البحث والتطوير وتنفذ تطبيقات الذكاء الاصطناعي التوليدية الجديدة. يمكنك مناقشة بعض عملك؟

بالتأكيد. في قسم أبحاثنا والتطوير، نعالج مشكلات معقدة يمكن أن تكون صعبة للتعبير عنها وحلها بفعالية. عملنا لا يقتصر على تطبيقات الذكاء الاصطناعي التوليدية، ولكن التقدم الأخير في هذا المجال خلق فرصًا كثيرة نحن حريصون على استغلالها.

أحد أهدافنا الرئيسية في InvGate دائمًا كان تحسين سهولة استخدام برامجنا. نقوم بذلك من خلال مراقبة كيفية استخدامها، وتحديد العوائق، والعمل بدقة على إزالتها. واحدة من العوائق التي واجهناها غالبًا تتعلق بفهم واستخدام اللغة الطبيعية. كان هذا مشكلة صعبة للغاية لمعالجتها بدون استخدام نماذج اللغة الكبيرة (LLMs).

然而، مع ظهور نماذج LLMs بأسعار معقولة، تمكنا من简ification هذه الحالات. تتضمن قدراتنا الآن تقديم توصيات الكتابة، وكتابة مقالات قاعدة المعرفة تلقائيًا، واختصار نصوص طويلة، من بين العديد من الميزات الأخرى القائمة على اللغة.

في InvGate، تطبق فريقك استراتيجية تسمى “الذكاء الاصطناعي المحايد”. يمكنك تعريف ما يعنيه هذا و왜 من المهم؟

الذكاء الاصطناعي المحايد أساسًا يتعلق بالمرونة والتعديل. في الأساس، إنه حول عدم الالتزام بنموذج الذكاء الاصطناعي أو مزود واحد. بدلاً من ذلك، نهدف إلى الحفاظ على خياراتنا مفتوحة، واستخدام أفضل ما يقدمه كل مزود للذكاء الاصطناعي، مع تجنب مخاطر القفل في نظام واحد.

يمكنك التفكير في الأمر على النحو التالي: هل يجب أن نستخدم GPT من OpenAI، أو Gemini من Google، أو Llama-2 من Meta لميزات الذكاء الاصطناعي التوليدية؟ هل يجب أن نختار نشرًا سحابيًا حسب الاستخدام، أو مثيلًا محددًا، أو نشرًا ذاتيًا؟ هذه ليست قرارات تافهة، وقد تتغير حتى مع مرور الوقت مع إصدار نماذج جديدة و دخول مزودين جدد إلى السوق.

نهج الذكاء الاصطناعي المحايد يضمن أن نظامنا دائمًا على استعداد للتكيف. تطبيقنا يتكون من ثلاثة مكونات رئيسية: واجهة، ومتحكم، ونماذج الذكاء الاصطناعي نفسها. تabstract واجهة تفاصيل التنفيذ لنظام الذكاء الاصطناعي، مما يجعل من السهل على أجزاء أخرى من برامجنا التفاعل معها. يقرر المتحكم إلى哪里 يجب إرسال كل طلب بناءً على عوامل مختلفة مثل نوع الطلب وقدرات نماذج الذكاء الاصطناعي المتاحة. وأخيرًا، تقوم النماذج بمهام الذكاء الاصطناعي الفعلية، والتي قد تتطلب عمليات تحويل بيانات مخصصة وتنسيق نتائج.

يمكنك وصف الجوانب المنهجية التي توجه عملية اتخاذ القرار عند اختيار نماذج وأدوات الذكاء الاصطناعي الأكثر ملاءمة لمهام معينة؟

لكل ميزة جديدة نطورها، نبدأ بإنشاء معيار تقييم. هذا المعيار مصمم لتقييم كفاءة نماذج الذكاء الاصطناعي المختلفة في حل المهمة المعنية. لكننا لا نركز فقط على الأداء، بل نعتبر أيضًا السرعة وتكلفة كل نموذج. هذا يعطينا نظرة شاملة لقيمة كل نموذج، مما يسمح لنا باختيار الخيار الأكثر كفاءة للتوجيه.

然而، عمليةنا لا تنتهي هناك. في مجال الذكاء الاصطناعي السريع التطور، يتم إصدار نماذج جديدة باستمرار وتحديث النماذج الحالية بانتظام. لذلك، كلما أصبح نموذج جديد أو محدث متاحًا، نعيد تشغيل معيار التقييم. هذا يسمح لنا بمقارنة أداء النموذج الجديد أو المحديث مع أداء اختيارنا الحالي. إذا كان نموذج جديد يتفوق على الحالي، نقوم بتحديث وحدة التوجيه لدينا لتعكس هذا التغيير.

ما هي بعض التحديات التي تواجهها عند التبديل بسلاسة بين نماذج وأدوات الذكاء الاصطناعي المختلفة؟

التحول بسلاسة بين نماذج وأدوات الذكاء الاصطناعي المختلفة يطرح مجموعة فريدة من التحديات.

أولاً، كل مزود للذكاء الاصطناعي يتطلب إدخالات مصففة بطرق محددة، ويمكن لنماذج الذكاء الاصطناعي أن تتفاعل بشكل مختلف مع نفس الطلبات. هذا يعني أننا نحتاج إلى تحسين كل نموذج بشكل فردي، وهو ما يمكن أن يكون معقدًا للغاية بالنظر إلى تنوع الخيارات.

ثانيًا، تختلف قدرات نماذج الذكاء الاصطناعي. على سبيل المثال، يمكن لبعض النماذج إنتاج مخرجات بترميز JSON، وهي ميزة تثبت فائدتها في العديد من تطبيقاتنا. يمكن لنماذج أخرى معالجة كميات كبيرة من النص، مما يسمح لنا باستخدام سياق أكثر شمولاً لبعض المهام. إدارة هذه القدرات لتعظيم إمكانات كل نموذج هو جزء أساسي من عملنا.

أخيرًا، نحتاج إلى ضمان أن استجابات الذكاء الاصطناعي آمنة للاستخدام. يمكن لنماذج الذكاء الاصطناعي التوليدية أن تنتج أحيانًا “هلوسات”، أو تنتج استجابات كاذبة أو خارج السياق أو حتى محتملة الضرر. لتحقيق ذلك، ننفذ مرشحات تنقية صارمة بعد المعالجة لاكتشاف وتصفية الاستجابات غير المناسبة.

كيف يتم تصميم الواجهة في نظام الذكاء الاصطناعي المحايد لضمان تجريد复잡ات التكنولوجيا الأساسية للتفاعلات المستخدمة بسهولة؟

تصميم واجهتنا هو عمل تعاوني بين فرق البحث والتطوير والهندسة. نعمل على أساس ميزة بميزة، حيث نحدد المتطلبات والبيانات المتاحة لكل ميزة. ثم نصمم واجهة برمجة تطبيقات (API) تabstract تفاصيل التنفيذ، مما يجعل من السهل على أجزاء أخرى من برامجنا التفاعل معها. لا تعتمد هذه العملية على أحدث الأبحاث، ولكن على تطبيق ممارسات هندسة البرمجيات المثبتة.

هذه العملية لا تعتمد على أحدث الأبحاث، ولكن على تطبيق ممارسات هندسة البرمجيات المثبتة.

مع عمليات تشغيل عالمية، كيف يتعامل InvGate مع تحديات التوافر الإقليمي والامتثال لللوائح المحلية للبيانات؟

ضمان التوافر الإقليمي والامتثال لللوائح المحلية للبيانات هو جزء حاسم من عملياتنا في InvGate. نختار باضطلاع دقيق مزودي الذكاء الاصطناعي الذين يمكنهم ليس فقط العمل على مستوى كبير، ولكن أيضًا الحفاظ على معايير أمان عالية وامتثال للتنظيمات الإقليمية.

على سبيل المثال، نعتبر فقط المزودين الذين يلتزمون بتنظيمات مثل لوائح حماية البيانات العامة (GDPR) في الاتحاد الأوروبي. هذا يضمن لنا أننا يمكن أن نشر خدماتنا في مناطق مختلفة، مع الثقة بأننا نعمل داخل الإطار القانوني المحلي.

مزودو السحابة الرئيسيون مثل AWS و Azure و Google Cloud يلبيون هذه المتطلبات ويوفرون مجموعة واسعة من الوظائف الذكية، مما يجعلهم شركاء مناسبين لعملياتنا العالمية. بالإضافة إلى ذلك، نقوم بمراقبة التغييرات في لوائح البيانات المحلية لضمان الامتثال المستمر، ونتعديل ممارساتنا حسب الحاجة.

كيف تطور نهج InvGate لتطوير حلول تكنولوجيا المعلومات على مدار العقد الماضي، خاصة مع دمج الذكاء الاصطناعي التوليدية؟

على مدار العقد الماضي، تطور نهج InvGate لتطوير حلول تكنولوجيا المعلومات بشكل كبير. لقد وسعنا قاعدة ميزاتنا مع قدرات متقدمة مثل سير عمل تلقائي، اكتشاف الأجهزة، وقاعدة بيانات إدارة التكوين (CMDB). هذه الميزات قد تبسط بشكل كبير عمليات تكنولوجيا المعلومات لمستخدمينا.

最近، بدأنا في دمج الذكاء الاصطناعي التوليدية في منتجاتنا. تم إتاح هذا بفضل التقدم الأخير في مزودي LLMs، الذين بدأوا في تقديم حلول بأسعار معقولة. دمج الذكاء الاصطناعي التوليدية سمح لنا بتحسين منتجاتنا بدعم ذكاء اصطناعي، مما جعل حلولنا أكثر كفاءة وسهولة في الاستخدام.

في حين أننا ما زلنا في المراحل الأولى، نتنبأ بأن الذكاء الاصطناعي سيكون أداة شائعة في عمليات تكنولوجيا المعلومات. وبالتالي، نعتزم مواصلة تطوير منتجاتنا من خلال دمج تقنيات الذكاء الاصطناعي بشكل أكبر.

يمكنك شرح كيف يعزز الذكاء الاصطناعي التوليدية في مركز الذكاء الاصطناعي سرعة وجودة الاستجابات لحدوثات تكنولوجيا المعلومات الشائعة؟

الذكاء الاصطناعي التوليدية في مركز الذكاء الاصطناعي يعزز بشكل كبير من سرعة وجودة الاستجابات لحدوثات تكنولوجيا المعلومات الشائعة. يعمل هذا من خلال عملية متعددة الخطوات:

التواصل الأولي: عندما يواجه المستخدم مشكلة، يمكنه فتح دردشة مع وكيل افتراضي مدعوم بالذكاء الاصطناعي (VA) ووصف المشكلة. يقوم الوكيل تلقائيًا بالبحث في قاعدة المعرفة للشركة وقاعدة بيانات إرشادات تصحيح تكنولوجيا المعلومات، وقدم إرشادات بطريقة محادثية. هذا غالبًا ما يحل المشكلة بسرعة وفعالية.

إنشاء التذكرة: إذا كانت المشكلة أكثر تعقيدًا، يمكن للوكيل تلقائيًا إنشاء تذكرة، مع استخراج المعلومات ذات الصلة من المحادثة.

تخصيص التذكرة: يتم تخصيص التذكرة لوسيط دعم بناءً على فئة التذكرة وأولويةها وخبرة الوسيط مع مشاكل مماثلة.

التفاعل مع الوسيط: يمكن للوسيط الاتصال بالمستخدم للحصول على معلومات إضافية أو لإبلاغه بأن المشكلة قد حُلت. يتم تعزيز التفاعل بالذكاء الاصطناعي، مع تقديم توصيات الكتابة لتحسين التواصل.

الترقية: إذا كانت المشكلة تتطلب ترقية، تساعد ميزات التلخيص التلقائية المديرين على فهم المشكلة بسرعة.

تحليل ما بعد الحادث: بعد إغلاق التذكرة، يقوم الذكاء الاصطناعي بتحليل الأسباب الجذرية، مما يساعد في تحليل ما بعد الحادث وتقاريره. يمكن للوسيط أيضًا استخدام الذكاء الاصطناعي لكتابة مقال في قاعدة المعرفة، مما يسهل حل مشاكل مماثلة في المستقبل.

في حين أننا قد نفذنا بالفعل معظم هذه الميزات، نحن نعمل باستمرار على تحسينات وتطويرات إضافية.

مع الميزات القادمة مثل وكيل MS Teams الذكي، ما هي التحسينات المتوقعة في تجارب الدعم المحادثي؟

من المسارات الواعدة للمضي قدمًا هو توسيع تجربة المحادثة إلى “مساعد”، ليس فقط قادرًا على الإجابة على الأسئلة وأداء أفعال بسيطة، ولكن أيضًا أداء أفعال أكثر تعقيدًا نيابة عن المستخدمين. هذا يمكن أن يكون مفيدًا لتحسين قدرات自خدم المستخدمين، بالإضافة إلى توفير أدوات قوية إضافية للوسيطين. في النهاية، ستجعل هذه الواجهات المحادثية القوية الذكاء الاصطناعي رفيقًا شائعًا.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة InvGate.