مانويل روميرو، المؤسس المشارك والرئيس التنفيذي للشؤون العلمية في شركة مايسا - سلسلة مقابلات

مانويل روميروروميرو، المؤسس المشارك والرئيس العلمي لشركة مايسا، باحث ومهندس في مجال الذكاء الاصطناعي، يركز على تطوير أنظمة ذكاء اصطناعي موثوقة وعالية الأداء للمؤسسات. شارك في تأسيس مايسا عام ٢٠٢٤ لبناء ذكاء اصطناعي مسؤول قادر على تنفيذ عمليات الأعمال المعقدة بشفافية وتحكم كاملين. قبل انضمامه إلى مايسا، شغل روميرو مناصب هندسية عليا في مجال الذكاء الاصطناعي والتعلم الآلي في شركات مثل كليبرين وناراتيفا، حيث تخصص في معالجة اللغات الطبيعية وأنظمة الذكاء الاصطناعي واسعة النطاق. في بداية مسيرته المهنية، عمل كمهندس برمجيات متكامل ومتخصص في DevOps قبل أن ينتقل إلى مجال البحث والتطوير المتقدم في الذكاء الاصطناعي، ليصبح مساهمًا فاعلًا في منظومة الذكاء الاصطناعي مفتوحة المصدر.

مايسا للذكاء الاصطناعي تُطوّر منصة "مايسا" "عمالًا رقميين" مستقلين، وهم وكلاء ذكاء اصطناعي مصممون لأتمتة سير العمل المعقد في المؤسسات مع الحفاظ على إمكانية التتبع والحوكمة والموثوقية. تُمكّن المنصة المؤسسات من بناء ونشر وكلاء الذكاء الاصطناعي باستخدام اللغة الطبيعية، مما يُتيح الأتمتة عبر الأنظمة الداخلية ومصادر البيانات دون الحاجة إلى كتابة أكواد برمجية مُطوّلة. من خلال التركيز على الاستدلال القابل للتحقق والتنفيذ المُهيكل، تهدف "مايسا" إلى التغلب على القيود الشائعة المرتبطة بأنظمة الذكاء الاصطناعي التوليدية، ومساعدة المؤسسات على نشر الذكاء الاصطناعي المستقل على نطاق واسع بأمان.

لطالما ركزتم على فهم الأسباب الكامنة وراء أنظمة الذكاء الاصطناعي. من الناحية التقنية، ما الذي دفعكم للمشاركة في تأسيس شركة مايسا عام ٢٠٢٤، وما هي الثغرة التي كنتم ترون أنها لم تُعالج في بنية الذكاء الاصطناعي للمؤسسات؟

جاء الدافع وراء تأسيس شركة مايسا من إدراك أن معظم مجموعات الذكاء الاصطناعي للمؤسسات مبنية حول النماذج، وليس الأنظمة.

خلال طفرة الذكاء الاصطناعي التوليدي، ركزت العديد من الشركات على دمج نماذج لغوية ضخمة في سير العمل الحالي. ومع ذلك، كانت هذه الأنظمة غالبًا هشة، وغير شفافة، ويصعب تشغيلها على نطاق واسع. كانت تفتقر إلى:

• التنفيذ الحتمي حيثما كان ذلك مهماً.
• إمكانية مراقبة قوية، وإمكانية تتبع
• قابلية اعادة الأنتاج

كانت الفجوة التي لاحظناها هي غياب بنية تحتية حقيقية للذكاء الاصطناعي للمؤسسات. كانت الشركات تبني تطبيقاتها حول واجهات برمجة تطبيقات إدارة التعلم، لكنها كانت تفتقر إلى ما يعادل بنية حاسوبية للعمل المعرفي.

تم إنشاء مايسا لمعالجة تلك الفجوة من خلال تصميم بنية تتمحور حول وحدة معالجة المعرفة (KPU)، وهو نظام يمكّن الذكاء الاصطناعي من العمل بشكل موثوق داخل سير العمل الحقيقي للمؤسسات.

لقد عملتَ في مجال معالجة اللغات الطبيعية المتقدمة والأنظمة التوليدية قبل تأسيس شركة مايسا. كيف أثرت تلك التجارب على الخيارات المعمارية التي بُنيت عليها المنصة؟

لقد أوضحت لي تجربتي في العمل في مجال معالجة اللغات الطبيعية وتوليدها، وخاصةً فيما يتعلق بتدريب نماذج اللغة وتدريبها المسبق، ثم نماذج اللغة الضخمة (التي بلغ عددها المئات)، أمراً بالغ الأهمية عند محاولة بناء أنظمة حقيقية بالاعتماد عليها. فبنية المحولات تتمتع بقوة هائلة، ولكنها تأتي مع ثلاثة قيود أساسية على الأقل يجب معالجتها لاستخدامها بشكل موثوق في بيئة الإنتاج.

أولها الهلوسة. تقوم هذه النماذج بتوليد النصوص بشكل احتمالي ويمكنها إنتاج مخرجات تبدو صحيحة ولكنها لا تستند إلى معلومات موثقة.

أما الأمر الثاني فهو قيود السياق. فحتى مع وجود نوافذ سياقية أكبر، تعمل النماذج ضمن مساحة رمزية محدودة، مما يجعل من الصعب الاستدلال على مجموعات كبيرة أو معقدة من المعرفة.

أما العنصر الثالث فهو المعلومات الحديثة. تمثل النماذج المدربة مسبقاً لقطة من المعرفة في وقت التدريب، بينما تتطلب بيئات المؤسسات أنظمة قادرة على تحليل المعلومات المتغيرة باستمرار.

لقد أثر إدراك هذه القيود على العديد من القرارات المعمارية التي بُنيت عليها مايسا. فبدلاً من الاعتماد على النموذج وحده، ركزنا على بناء نظام يوفر وصولاً منظماً إلى المعرفة، وآليات للتحقق، وتنفيذاً مُتحكماً فيه، بحيث يمكن للذكاء الاصطناعي أن يعمل بشكل موثوق في سير العمل الحقيقي للمؤسسات.

تُجري العديد من المؤسسات تجارب على الذكاء الاصطناعي التوليدي، لكنها تواجه صعوبة في تجاوز المراحل التجريبية. من منظور تصميم الأنظمة، ما هو السبب الرئيسي لفشل التوسع في العديد من المؤسسات؟

تواجه العديد من المؤسسات صعوبة في تجاوز التجارب الأولية للذكاء الاصطناعي التوليدي، لأن معظم عمليات النشر تُبنى كتجارب لا كأنظمة متينة. غالبًا ما تعتمد النماذج الأولية على هندسة سريعة، وتنسيق بسيط، وخطوط استرجاع بيانات سهلة، ما قد يُظهر قيمةً، لكنه لا يوفر الموثوقية أو إمكانية المراقبة أو التحكم اللازم لبيئات الإنتاج. وعندما تحاول المؤسسات توسيع نطاق هذه الأنظمة، تواجه مشكلات مثل عدم اتساق المخرجات، وانعدام إمكانية التتبع، وصعوبة التكامل مع سير العمل المؤسسي، ومحدودية الحوكمة على سلوك الذكاء الاصطناعي. تكمن المشكلة الأساسية في أن نماذج اللغة الكبيرة هي مولدات احتمالية، بينما تتطلب العمليات المؤسسية سلوكًا قابلاً للتنبؤ والتدقيق. وبدون بنية تُضيف هيكليةً حول الاستدلال والتحقق والتنفيذ والمراقبة، تظل أنظمة الذكاء الاصطناعي التوليدي صعبة التوسع لتتجاوز حالات الاستخدام المعزولة.

صُممت أنظمة العمل الرقمية من مايسا لتكون قابلة للتدقيق ومنظمة، وليست احتمالية بحتة. ما الذي يعنيه ذلك عمليًا للمؤسسات التي تُقيّم استخدام الذكاء الاصطناعي في الإنتاج؟

عندما نقول إنّ عمال مايسا الرقميين قابلون للتدقيق ومنظمون بدلاً من كونهم احتماليين بحتين، فإننا نعني أن الذكاء الاصطناعي يعمل ضمن نظام مُحكم حيث يمكن تتبع أفعاله ومنطقه والتحكم فيه. فبدلاً من السماح للنموذج بتوليد المخرجات والقرارات بحرية، يُنظّم النظام كيفية تفاعل الذكاء الاصطناعي مع البيانات والأدوات وسير العمل. يمكن تسجيل كل خطوة في العملية وفحصها والتحقق من صحتها، وتُنفّذ الإجراءات من خلال واجهات مُحددة بدلاً من تنفيذها مباشرةً من مخرجات النموذج. بالنسبة للمؤسسات، هذا يعني إمكانية مراقبة أنظمة الذكاء الاصطناعي وتدقيقها ودمجها في العمليات الحيوية بثقة أكبر. إنه يحوّل الذكاء الاصطناعي من كونه مساعداً غامضاً إلى نظام يمكن فهم سلوكه والتحكم فيه والوثوق به في بيئات الإنتاج.

بصفتك مهندس وحدة معالجة المعرفة، كيف تختلف عن طبقة التنسيق النموذجية أو محرك سير العمل المبني حول نماذج لغوية كبيرة؟

تختلف وحدة معالجة المعرفة عن طبقات التنسيق التقليدية لأنها مصممة لإدارة دورة حياة الاستدلال المدعوم بالذكاء الاصطناعي بالكامل، بدلاً من مجرد تنسيق المطالبات واستدعاءات النماذج. تعمل معظم أطر التنسيق كمديري سير عمل يربطون خطوات مثل الاسترجاع والمطالبات وتنفيذ الأدوات. تعمل وحدة معالجة المعرفة على مستوى معماري أعمق من خلال هيكلة كيفية الوصول إلى المعرفة، وكيفية إجراء الاستدلال، وكيفية تنفيذ الإجراءات داخل النظام. وهي تتعامل مع معالجة المعرفة كطبقة حسابية أساسية، حيث تدمج الذاكرة والتحقق والتنفيذ المُتحكم فيه، بحيث يمكن للذكاء الاصطناعي العمل بشكل موثوق داخل سير العمل المؤسسي المعقد، بدلاً من مجرد توليد الاستجابات.

في القطاعات الخاضعة للتنظيم، يكون تقبّل المخاطر منخفضاً. ما هي قرارات التصميم المحددة التي اتخذتموها لضمان بقاء مخرجات الذكاء الاصطناعي موثوقة وعدم انتشار الأخطاء عبر سير العمل المعقد؟

في القطاعات الخاضعة للتنظيم، تُعدّ الموثوقية والتحكم عنصرين أساسيين، لذا صممنا النظام مع العديد من الضمانات لضمان موثوقية مخرجات الذكاء الاصطناعي. أحد المبادئ الرئيسية هو التنفيذ المنظم، حيث لا يستطيع الذكاء الاصطناعي تفعيل الإجراءات الحاسمة مباشرةً دون المرور عبر واجهات مُحكمة. كما نُدمج طبقات تحقق تُقارن مخرجات النموذج بالمخططات والقواعد والآليات الثانوية قبل اعتمادها. إضافةً إلى ذلك، يحافظ النظام على إمكانية المراقبة الكاملة، حيث يُسجل خطوات الاستدلال وتفاعلات الأدوات والقرارات، ما يُتيح تتبعها ومراجعتها. تُسهم هذه الخيارات التصميمية مجتمعةً في منع انتشار الأخطاء عبر سير العمل، وتُمكّن المؤسسات من تشغيل أنظمة الذكاء الاصطناعي بمستوى الموثوقية والحوكمة المطلوب في البيئات الخاضعة للتنظيم.

ما هي أبرز حالات الاستخدام المبكرة التي شهدت فيها انتقال العمال الرقميين من المساعدة الموجهة إلى التنفيذ الكامل المدعوم بالذكاء الاصطناعي؟

تظهر بعض أبرز حالات الاستخدام المبكرة في سير العمل كثيف المعرفة، حيث تكون العمليات محددة بدقة ولكنها لا تزال تتطلب تحليلاً واتخاذ قرارات معمقة. في مجالات مثل مراجعة الامتثال، وعمليات الدعم الفني، وإدارة المعرفة الداخلية، يمكن للعاملين الرقميين تجاوز مجرد مساعدة البشر والبدء في تنفيذ مهام منظمة من البداية إلى النهاية. بإمكانهم استرجاع وتحليل كميات هائلة من المعلومات الداخلية، وتطبيق إجراءات محددة، والتفاعل مع أنظمة المؤسسة من خلال أدوات مُتحكَّم بها، وإنتاج مخرجات تُغذّي سير العمل التشغيلي مباشرةً. ويحدث التحول الجوهري عندما لا يقتصر دور الذكاء الاصطناعي على توليد الاقتراحات فحسب، بل يصبح قادراً على تنفيذ إجراءات محددة بدقة ضمن نظام مُدار، مما يسمح للمؤسسات بأتمتة أجزاء من العمل المعرفي المعقد بدلاً من مجرد تعزيزه.

مع ازدياد التدقيق التنظيمي حول الذكاء الاصطناعي على مستوى العالم، كيف ترى تطور البنية التحتية الأساسية للذكاء الاصطناعي لتلبية متطلبات الامتثال دون الحد من الابتكار؟

مع ازدياد التدقيق التنظيمي حول الذكاء الاصطناعي، أعتقد أننا سنشهد تحولاً عن البنى التي تعتمد ببساطة على استدعاء واجهات برمجة تطبيقات مزودي النماذج والوثوق التام بمخرجاتها. ستطالب المؤسسات والهيئات التنظيمية بشكل متزايد بأنظمة يكون فيها سلوك الذكاء الاصطناعي قابلاً للمراقبة والتدقيق والحوكمة. وهنا تبرز أهمية بنى مثل وحدة معالجة المعرفة. يتيح هذا النوع من البنى للمؤسسات فرض ضوابط، وتتبع القرارات، وضمان موثوقية مخرجات الذكاء الاصطناعي قبل تأثيرها على العمليات الفعلية. أتوقع مع مرور الوقت أن تصبح هذه الأنظمة الأساس المعياري لبنية تحتية موثوقة للذكاء الاصطناعي.

لقد تحدثتَ عن الأخلاقيات والمساءلة إلى جانب عملك التقني. كيف تؤثر هذه المنظورات على منهجك في بناء أنظمة الذكاء الاصطناعي الشفافة؟

بالنسبة لي، تنعكس الأخلاقيات والمساءلة بشكل مباشر في خيارات تصميم الأنظمة. فإذا ما أُريد لأنظمة الذكاء الاصطناعي أن تُشارك في سير العمليات التشغيلية الحقيقية، فلا يُمكنها أن تعمل كصناديق سوداء مُبهمة لا يُمكن فحص سلوكها أو فهمه. وقد أثّر هذا المنظور بشكل كبير على منهجي في بناء أنظمة الذكاء الاصطناعي. يجب تضمين الشفافية، وإمكانية التتبع، والإشراف البشري في بنية النظام منذ البداية. وهذا يعني ضمان إمكانية مُراقبة خطوات التفكير، ومراجعة القرارات، وتنفيذ الإجراءات من خلال آليات مُحكمة. عندما تُدمج هذه المبادئ على مستوى البنية التحتية، لا تُصبح أنظمة الذكاء الاصطناعي أكثر جدارة بالثقة فحسب، بل تُصبح أيضًا أسهل على المؤسسات في إدارتها بمسؤولية.

بالنظر إلى المستقبل، هل تعتقد أن البنية التحتية للذكاء الاصطناعي الوكيل ستصبح أساسية مثل البنية التحتية السحابية في العقد السابق؟ وما الذي يجب أن يحدث تقنيًا حتى يتحقق هذا التحول؟

أعتقد جازماً أن بنية الذكاء الاصطناعي الوكيل لديها القدرة على أن تصبح أساسية تماماً كما أصبحت بنية الحوسبة السحابية خلال العقد الماضي. فمع سعي المؤسسات لأتمتة أعمال المعرفة المعقدة بشكل متزايد، ستحتاج إلى أنظمة قادرة على تنسيق الاستدلال والذاكرة والتنفيذ بكفاءة عالية عبر العديد من المهام ومصادر البيانات. ولكن لكي يتحقق هذا التحول، يجب أن تتطور البنية التحتية الأساسية لتتجاوز مجرد تكامل النماذج. نحن بحاجة إلى بنية تحتية توفر استدلالاً منظماً، ووصولاً موثوقاً إلى معارف المؤسسة، وإمكانية مراقبة قوية، وتنفيذاً مُحكماً للإجراءات. وعندما تُدمج هذه القدرات في النظام الأساسي، يمكن للذكاء الاصطناعي الوكيل أن يتطور من أدوات تجريبية إلى بنية تحتية موثوقة تعتمد عليها المؤسسات في إدارة عملياتها الحيوية.

شكرا لك على المقابلة الرائعة ، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا مايسا للذكاء الاصطناعي.