شانيا ليفين، المؤسسة والرئيسة التنفيذية لشركة إمبرومبتو إيه آي - سلسلة مقابلات

شانيا ليفينمؤسسة شركة Empromptu AI ومديرتها التنفيذية، هي قائدة منتجات مخضرمة تتمتع بخبرة واسعة في بناء منصات تطوير البرمجيات ومنتجات الذكاء الاصطناعي في كبرى شركات التكنولوجيا. قبل إطلاق Empromptu في عام 2025، أسست CodeSee، وهي منصة تطوير ذكاء اصطناعي تساعد الفرق على تصور وفهم قواعد البيانات المعقدة، والتي استحوذت عليها GitKraken في عام 2024. في بداية مسيرتها المهنية، شغلت مناصب قيادية عليا في مجال المنتجات في شركات مثل Docker وCloudflare وeBay وGoogle، حيث عملت على مبادرات متنوعة، من واجهات برمجة تطبيقات الدفع لمساعد Google إلى برامج تعليم المطورين التي يستخدمها مئات الآلاف من المتعلمين.

الذكاء الاصطناعي الارتجالي هي منصة مؤسسية مصممة لمساعدة المؤسسات على بناء ونشر تطبيقات الذكاء الاصطناعي المتكاملة بسهولة أكبر. تجمع المنصة بين تطوير التطبيقات، وتكامل البيانات، والحوكمة، والتقييمات، والذاكرة، وتنسيق النماذج في بيئة واحدة، مما يُمكّن الشركات من الانتقال من التجارب السريعة للذكاء الاصطناعي إلى أنظمة جاهزة للإنتاج مع الضوابط والموثوقية اللازمة للاستخدام المؤسسي.

أمضيتَ أكثر من 15 عامًا في بناء منصات تطوير البرمجيات في شركات مثل جوجل، وإيباي، وكلاود فلير، ودوكر، قبل تأسيس شركة CodeSee التي استحوذت عليها لاحقًا شركة GitKraken، وتقود الآن شركة Empromptu AI. كيف أثرت هذه التجارب على رؤيتك لأسباب فشل العديد من أدوات الذكاء الاصطناعي بعد تجاوز مرحلة العرض التجريبي، وما هي المشكلة المحددة التي كنتَ مصممًا على حلها عند تأسيس Empromptu؟

من الأمور التي تتعلمها عند بناء منصات المطورين أن أصعب المشاكل لا تظهر أبدًا في النسخة التجريبية. فالنسخة التجريبية تعمل دائمًا. الاختبار الحقيقي هو ما يحدث عندما يستخدم آلاف المطورين النظام، وعندما تكون البيانات غير منظمة، وعندما تتعطل عمليات التكامل، وعندما تعتمد عليه شركات حقيقية.

في جوجل، وكلاود فلير، ودوكر، وإيباي، أمضيت سنوات في العمل على منصات كان عليها أن تعمل على نطاق عالمي. هذه البيئات تُعلّمك شيئًا سريعًا: الموثوقية، والحوكمة، والمراقبة ليست ميزات تُضاف لاحقًا، بل هي أساس البنية.

عندما بدأتُ بتطوير تطبيقات الذكاء الاصطناعي، كانت النماذج رديئة للغاية، ومع تحسّنها، لاحظتُ أن الصناعة تُكرّر نفس الخطأ الذي رأيناه في الموجات السابقة من البرمجيات. في أدوات التطوير، ثمة مفهوم يبدو أنه قد نُسي: ما مدى سرعة الوصول إلى عبارة "مرحباً بالعالم"؟ اليوم، النسخة التوليدية من "مرحباً بالعالم" هي نموذج أولي كامل يعمل كخدمة برمجية. لكننا الآن لا نكتفي ببرمجة تطبيقات الخدمة البرمجية باستخدام Vibe، بل نبرمج تطبيقات الذكاء الاصطناعي بأكملها. يتطلب الذكاء الاصطناعي الذي يُنشئ ذكاءً اصطناعياً أنظمة أخرى لوضع هذا الذكاء الاصطناعي في بيئة الإنتاج.

يمكنك إنشاء تطبيق أو ميزة ذكاء اصطناعي فعّالة بسرعة، وهو أمر مثير ومفيد حقًا. لكن الأنظمة السائدة لا تزال تفتقر إلى البنية التحتية اللازمة لبيئات الإنتاج. فقد افتقرت إلى عناصر أساسية مثل مسارات البيانات المنظمة، وأطر التقييم، وضوابط الحوكمة، والمراقبة، وإدارة السياق على المدى الطويل، لكننا أضفناها مع الحفاظ على جميع الميزات الرائعة لبرمجة Vibe.

عندما أسست أنا وشريكي المؤسس شركة Empromptu، كانت المشكلة التي أردنا حلها بسيطة: كيف نجعل تطبيقات الذكاء الاصطناعي جاهزة للإنتاج من البداية؟

بدلاً من التعامل مع الحوكمة، وجاهزية البيانات، والتقييم، والتحسين كأدوات منفصلة أو عمليات لاحقة، قمنا بدمجها مباشرةً في المنصة. الفكرة هي تمكين الفرق من بناء تطبيقات الذكاء الاصطناعي بسرعة، ولكن بنفس الموثوقية والجودة والتحكم التي يتوقعونها من أنظمة برمجيات المؤسسات.

لقد كنت صريحًا بشأن الفجوة بين عروض الذكاء الاصطناعي المبهرة والأنظمة الجاهزة للإنتاج. من وجهة نظرك، ما هي أكثر الأخطاء المعمارية شيوعًا التي ترتكبها الفرق عند محاولة تحويل نموذج أولي للذكاء الاصطناعي إلى منتج موثوق يستخدمه عملاء حقيقيون؟

الخطأ الأكثر شيوعاً الذي ترتكبه الفرق هو افتراض أن النموذج هو المنتج.

في النماذج الأولية المبكرة، يقوم النموذج بمعظم العمل الظاهر. تقوم بتزويده بالمعلومات، فيُنتج إجابة، وإذا بدت الإجابة جيدة، يبدو النظام وكأنه يعمل. هذا يخلق وهمًا بأن تحسين النموذج هو التحدي الرئيسي.

لكن في أنظمة الإنتاج، لا يمثل النموذج سوى مكون واحد في بنية أكبر بكثير.

الخطأ الأول هو التعامل مع البيانات كأمر ثانوي. في النماذج الأولية، غالبًا ما تختبر الفرق باستخدام مجموعات بيانات صغيرة ونظيفة. بمجرد ربط النظام ببيانات تشغيلية حقيقية، تتغير الأمور بسرعة. تصل البيانات غير مكتملة، أو غير متناسقة، أو مكررة، أو بتنسيقات غير متوقعة. بدون مسار بيانات منظم لتوحيد المدخلات والتحقق من صحتها، يصبح النظام غير موثوق به بغض النظر عن مدى جودة النموذج.

الخطأ الثاني هو غياب أطر التقييم. تُطلق العديد من الفرق ميزات الذكاء الاصطناعي دون تحديد معنى "الجيد" بدقة. قد يقومون بفحص المخرجات يدويًا أثناء التطوير، لكنهم لا يبنون مسارات تقييم آلية تقيس باستمرار الدقة والانحرافات والحالات الشاذة بعد تشغيل النظام. وبدون هذه الضوابط، غالبًا ما يكتشف العملاء الأعطال بدلًا من المهندسين.

ثمة مشكلة ثالثة تتمثل في غياب آليات الحوكمة والرقابة. فأنظمة الذكاء الاصطناعي احتمالية، ما يعني أنها قد تتصرف بشكل مختلف في ظل ظروف متباينة قليلاً. وفي البيئات الخاضعة للتنظيم أو ذات المخاطر العالية، يجب تقييد هذا التذبذب بسياسات محددة، وإجراءات موافقة، وسجلات تدقيق توثق كيفية اتخاذ القرارات.

خلاصة القول هي أن أنظمة الذكاء الاصطناعي الإنتاجية ليست مجرد نماذج، بل هي أنظمة تشغيلية.

الشركات التي تنجح في مجال الذكاء الاصطناعي اليوم هي تلك التي تتعامل مع خطوط نقل البيانات والتقييم والحوكمة والمراقبة كبنية تحتية أساسية، وليست إضافات اختيارية.

تعد العديد من منصات برمجة الذكاء الاصطناعي بإمكانية إنشاء أي تطبيق باستخدام تعليمات بسيطة. فلماذا تنجح هذه الأدوات غالبًا في العروض التوضيحية، لكنها تواجه صعوبات عند محاولة الشركات نشرها في بيئات إنتاج حقيقية؟

العديد من هذه المنصات تعمل بشكل جيد للعروض التوضيحية لأنها مُحسَّنة للحظة الإنشاء، وليس لدورة حياة نظام حقيقي.

لكن هناك فرق جوهري بين استخدام الذكاء الاصطناعي لإنشاء صفحة هبوط واستخدام الذكاء الاصطناعي لبناء تطبيق ذكاء اصطناعي.

تُعتبر صفحة الهبوط في الغالب برنامجًا ثابتًا. بمجرد عرضها بشكل صحيح، يكون العمل قد أُنجز إلى حد كبير. لا يحتاج النظام إلى اتخاذ قرارات احتمالية، أو استيعاب بيانات متغيرة باستمرار، أو التكيف مع سلوك المستخدم غير المتوقع.

تختلف تطبيقات الذكاء الاصطناعي اختلافًا جذريًا. فهي أنظمة ديناميكية تعتمد على مسارات البيانات، وسلوك النموذج، وأطر التقييم، والمراقبة المستمرة. ويتعين على التطبيق إدارة السياق، واكتشاف انحرافات المخرجات، والتعامل مع الحالات الشاذة، والعمل بأمان عندما يواجه النموذج مواقف لم يسبق له رؤيتها.

لا تُعالج معظم أدوات البرمجة التي تعتمد على التوجيه هذه الطبقات لأنها مصممة لإنجاز العمل بسرعة. فهي تُولّد شيفرة تُنتج نتيجة مرئية، وهو أمر مثالي لبيئة تجريبية. لكن أنظمة الإنتاج تتطلب مجموعة أوسع بكثير من الإمكانيات: معالجة البيانات المنظمة، وضوابط الحوكمة، ومسارات التقييم، والمراقبة، وآليات تحديث السلوك بشكل آمن بمرور الوقت.

لذا، عندما تحاول الشركات تطبيق هذه الأنظمة في بيئات حقيقية، تتضح الفجوة جلياً. لقد نجح النموذج الأولي لأن البيئة كانت مضبوطة، بينما الإنتاج فوضوي.

تركز شركة إمبرومبتو على تحويل البرامج الحالية إلى أنظمة ذكاء اصطناعي متطورة بدلاً من إجبار الشركات على إعادة بناء كل شيء من الصفر. ما الذي ينطوي عليه هذا التحول فعلياً على مستوى البنية التحتية والمنتج؟

على مستوى المنتج، كل تطبيق مستقل تمامًا ومُعبأ في حاويات. نقوم بإنشاء كل ما تحتاجه من واجهات أمامية وخلفية وقواعد بيانات ونماذج وتقييمات وقواعد عمليات إدارة التعلم، وكل ذلك يتميز بمرونة فائقة تتناسب مع احتياجات المؤسسات.

لدينا عدد من الخيارات المختلفة لتطبيقات الذكاء الاصطناعي:

"بدون واجهة أمامية"، لذا إذا كان لدى العميل واجهة أمامية بالفعل، فيمكننا ربطها بنظامنا وإرسال البيانات مرة أخرى.

مُعبأة بالكامل في حاويات بحيث يمكن نشرها على بنيتنا التحتية أو داخل بنية العميل التحتية، لذا فهي موجودة محليًا بشكل افتراضي.

أو يمكننا ببساطة إنشاؤها ونشرها مباشرة على السحابة للحصول على الخيار الأكثر ملاءمة.

يمكننا استيراد أي كود لديهم مباشرةً إلى نظامنا وتحويله إلى نظام ذكاء اصطناعي إذا لم يكن كذلك بالفعل. على سبيل المثال، نلاحظ هذا مع عدد من العملاء الذين حاولوا بناء تطبيقاتهم على منصات شائعة مثل Lovable وReplit وBolt وBase44. في كثير من الأحيان، لا تعمل هذه التطبيقات. لكن العملاء استثمروا بالفعل الكثير من الوقت والجهد والموارد في هذه التطبيقات، لذا نقوم باستيرادها وإعادة كتابتها وتفعيل جميع وظائف الذكاء الاصطناعي.

ويمكننا القيام بذلك لأن لدينا عددًا من التقنيات المخصصة والخاصة بنا، مثل:

• محرك سياق تكيفي لإدارة السياق
• ذاكرة غير محدودة لاستيعاب تطبيقات التعليمات البرمجية طويلة الأمد
• نماذج بيانات مخصصة وخطوط بيانات ذهبية لضمان قدرتنا على التعامل مع أي عملية تنظيف بيانات وتصنيف اصطناعي مطلوبة

تُركز منصتكم على السياق والتقييم والحوكمة والبيانات المنظمة كمكونات أساسية لأنظمة الذكاء الاصطناعي. لماذا يتم تجاهل هذه العناصر في كثير من الأحيان عندما تسارع الفرق لإضافة ميزات الذكاء الاصطناعي إلى منتجاتها؟

لأنها صعبة التنفيذ! يقود شريكي المؤسس، الدكتور شون روبنسون، مختبرنا البحثي، وهو عالم فيزياء فلكية حاسوبية ابتكر العديد من التقنيات المستوحاة من أفكاري المبتكرة، بالإضافة إلى احتياجات عملائنا وتوجهات السوق. خبرتنا المشتركة في بناء العديد من التطبيقات الذكية، وإطلاق الأقمار الصناعية إلى الفضاء، والعمل في أكبر شركات التكنولوجيا في العالم، تمنحنا رؤى تساعدنا على حل المشكلات المعقدة بكفاءة تفوق قدرة الآخرين.

أنت تعمل مع العديد من المؤسسين الذين لم يسبق لهم كتابة أي كود برمجي. ما هي أبرز المفاهيم الخاطئة التي تقع فيها هذه الفئة من المؤسسين عند محاولتهم بناء تطبيقات الذكاء الاصطناعي لأول مرة؟

أعتقد أن هناك مفهومين خاطئين كبيرين:

أولاً، يُقال إن الذكاء الاصطناعي سحر. ليس سحراً، بل هو هندسة متقنة. وفي النهاية، ستصل إلى حدود لما يمكنك فعله على هذه المنصات دون مهندس حقيقي.

ثانيًا، يتمتعون بمهارات ممتازة في إدارة المنتجات التقنية. لديّ خبرة في هذا المجال، وأمتلك مهارة تحويل الرؤية، حتى لو كانت واسعة النطاق، إلى أجزاء صغيرة قابلة للتنفيذ، مع تحديد المواصفات التقنية المناسبة لتوضيح المطلوب بدقة. هذه مهارة صعبة تتطلب وقتًا.

على سبيل المثال، لنفترض أنك تقوم بإنشاء تطبيق يقوم بتحميل ملف PDF وحفظه لتتمكن من العودة إليه لاحقًا. هذا مفهوم يُسمى الحفظ المستمر. يتم ترميز ملف PDF هذا إلى كود برمجي وحفظه في قاعدة بيانات.

لكن إن لم تكن تعلم أن هذا يُسمى "الاستمرارية"، فكيف ستتمكن من الكتابة؟ تأكد من استمرارية هذه البيانات. اختيار المصطلحات التقنية أشبه بالتحدث بلغة مختلفة. ثمة فرق بين الكتابة بلغة طبيعية والكتابة بلغة تقنية.

تفترض العديد من الشركات الناشئة أن حل بناء منتجات الذكاء الاصطناعي يكمن ببساطة في توظيف المزيد من المهندسين. لماذا تعتقد أن هذا النهج غالباً ما يفشل، وما الذي ينبغي على المؤسسين التفكير فيه بدلاً من ذلك عند بناء منتجات مدعومة بالذكاء الاصطناعي؟

قد يكون توظيف المزيد من المهندسين هو الحل الأمثل في بعض الأحيان. إذا كنت تعمل على تطوير منتج تقني متطور أو في طليعة أبحاث النماذج، فأنت بحاجة ماسة إلى فرق هندسية قوية. لا غنى عن المهندسين الأكفاء لحل المشكلات المعقدة.

لكن الخطأ الذي ترتكبه العديد من الشركات الناشئة هو افتراض أن زيادة عدد المهندسين تحل تلقائيًا تحدي بناء منتج ذكاء اصطناعي.

في الواقع، غالبًا ما لا تكون أصعب المشكلات في منتجات الذكاء الاصطناعي مشكلات هندسية بحتة، بل هي مشكلات أنظمة كغيرها من المشكلات الهندسية. يُدرَّب المهندسون تحديدًا على التفكير في الأنظمة. لكن التطوير التوليدي يختلف عن التطوير الحتمي. وقد مرّ الكثير منا بهذا التحوّل عند الانتقال من البرمجة الكائنية التوجه إلى البرمجة الوظيفية. هل كلاهما برمجة؟ نعم، بالتأكيد، لكن هل هما مختلفان؟ هل هما طريقتان مختلفتان في التفكير؟ نعم، بالطبع.

تقع تطبيقات الذكاء الاصطناعي عند نقطة التقاء البيانات، وتصميم المنتجات، وسير العمليات التشغيلية، وسلوك النماذج. يمكنك توظيف فريق رائع من المهندسين، ولكن إذا كانت قنوات نقل البيانات غير موثوقة، أو معايير التقييم غير واضحة، أو النظام يفتقر إلى الحوكمة والمراقبة، فسيظل المنتج يعاني عند وصوله إلى المستخدمين الفعليين.

تتمثل مشكلة أخرى في أن العديد من الفرق تبدأ مباشرةً في بناء النظام قبل تحديد كيفية عمل نظام الذكاء الاصطناعي في بيئة الإنتاج. أما الأسئلة المتعلقة بكيفية تقييم النظام، وكيفية التعامل مع الحالات الاستثنائية، وكيفية تسجيل القرارات، وكيفية تحديث النماذج بمرور الوقت، فغالباً ما تُطرح لاحقاً. وبحلول ذلك الوقت، يكون تغيير بنية النظام قد أصبح صعباً بالفعل.

ما ينبغي على المؤسسين التفكير فيه حقاً هو النموذج التشغيلي لنظام الذكاء الاصطناعي الخاص بهم.

من يملك خط نقل البيانات؟

كيف يتم قياس أداء النموذج بشكل مستمر، وليس فقط أثناء التطوير؟

ماذا يحدث عندما يواجه النظام موقفاً لم يسبق له أن رآه من قبل؟

كيف يمكنك تحديث السلوك بأمان دون تعطيل سير العمل اللاحق؟

أحيانًا يتطلب حل هذه المشكلات توظيف المزيد من المهندسين. ولكن قد يتطلب أيضًا اختيار البنية التحتية المناسبة، وتحديد قيود قوية على المنتج، وبناء أنظمة تسمح للفرق الصغيرة بالعمل بكفاءة عالية وعلى نطاق واسع.

إن الشركات التي تحقق النجاح في مجال الذكاء الاصطناعي اليوم ليست بالضرورة تلك التي تمتلك أكبر فرق هندسية، بل هي تلك التي تتعامل مع الذكاء الاصطناعي كنظام طويل الأمد يحتاج إلى انضباط في البيانات، وتقييم، وحوكمة، وتحسين مستمر منذ البداية.

لقد ذكرتم أن بعض نماذج الأعمال الحالية في أدوات تطوير الذكاء الاصطناعي لا تتوافق مع بناء منتجات مستدامة. ما هي الحوافز التي تعتقدون أنها تقود الشركات في الاتجاه الخاطئ ضمن بيئة أدوات الذكاء الاصطناعي الحالية؟

أحد أكبر أوجه عدم التوافق في الحوافز في الوقت الحالي هو أن العديد من أدوات تطوير الذكاء الاصطناعي مُحسَّنة لمقاييس النمو بدلاً من متانة المنتج.

تُكافأ العديد من الشركات في هذا المجال على سرعة قدرة المستخدمين على ابتكار شيء مميز. فإذا استطاعت أداة ما إنشاء تطبيق أو ميزة أو عرض توضيحي في غضون دقائق، فإن ذلك يُحفز التسجيلات، ويزيد من مشاركة المحتوى على وسائل التواصل الاجتماعي، ويُثير حماس المستثمرين. وهذا أمر منطقي من وجهة نظر تبني المنتج.

لكن هذه الحوافز غالباً ما تتوقف عند لحظة الإنشاء.

يبدأ العمل الأصعب في برمجيات الذكاء الاصطناعي بعد هذه المرحلة، حيث تُبنى الثقة، ويصبح بالإمكان الاعتماد على الجودة، ويرغب المستخدم في العودة مرارًا وتكرارًا دون الشعور بالإحباط من نتائج الذكاء الاصطناعي السيئة. يجب أن يقدم الذكاء الاصطناعي استجابات جيدة حتى في مواجهة جهل الإنسان أو سوء نيته.

تتمثل إحدى المشكلات الأخرى في أن العديد من الأدوات مُصممة لتوليد التعليمات البرمجية بدلاً من تصميم النظام. صحيح أن توليد التعليمات البرمجية بسرعة أمر مفيد، لكن بناء منتج ذكاء اصطناعي يتجاوز مجرد إنتاج التعليمات البرمجية. فهو يتطلب تحديد كيفية إدارة النظام للسياق، وكيفية تقييم القرارات، وكيفية التعامل مع حالات الفشل، وكيفية تطور السلوك بشكل آمن مع مرور الوقت.

إن الشركات التي توجه حوافزها نحو مساعدة العملاء على تشغيل أنظمة الذكاء الاصطناعي بشكل موثوق، وليس مجرد بنائها بسرعة، هي التي ستخلق قيمة دائمة في هذا النظام البيئي.

يشمل بعض عملائك رواد أعمال يبنون منتجات متخصصة للغاية، مثل أدوات صحية متخصصة أو شركات تركز على الاستدامة، وغالبًا ما يكون ذلك دون فرق هندسية تقليدية. ما الأنماط التي لاحظتها بين المؤسسين الذين نجحوا في تحويل هذه الأفكار إلى منتجات ذكاء اصطناعي فعّالة؟ 

من أكثر الأنماط إثارة للاهتمام التي نلاحظها أن المؤسسين الناجحين ليسوا بالضرورة الأكثر خبرة تقنية، بل هم أولئك الذين يفهمون المشكلة التي يحاولون حلها فهماً عميقاً.

يُعدّ العديد من رواد الأعمال الذين يستخدمون منصة Empromptu خبراء في مجالاتهم، فقد يكونون من قطاعات الرعاية الصحية، أو المالية، أو الاستدامة، أو غيرها من الصناعات المتخصصة. ويتمتعون بمعرفة عميقة بسير العمل، واللوائح، والقرارات المتبعة في تلك البيئة. وتُعدّ هذه المعرفة بالغة الأهمية عند تصميم منتج ذكاء اصطناعي، لأنها تُحدد بدقة ما يجب أن يقوم به النظام فعلياً.

يميل المؤسسون الناجحون إلى التعامل مع الذكاء الاصطناعي كنظام منتج أكثر منه كتجربة تقنية. يبدأون بطرح أسئلة محددة للغاية: ما القرارات التي ينبغي أن يساعد الذكاء الاصطناعي المستخدمين على اتخاذها؟ ما مصادر البيانات التي يحتاجها للوصول إليها؟ كيف تبدو الإجابة الصحيحة في هذا المجال؟ ما الضوابط اللازمة لضمان تصرف النظام بمسؤولية؟

ومن الأنماط الأخرى التي تتبعها هذه الفرق هو اهتمامها البالغ بالهيكلة. إذ تدرك الفرق الناجحة سريعاً أن جودة مخرجات الذكاء الاصطناعي تعتمد كلياً على جودة السياق والبيانات التي تغذيها. لذا، تستثمر هذه الفرق وقتاً كافياً في البداية لتحديد مسارات البيانات، وتنظيم مصادر المعرفة، ووضع معايير تقييم واضحة لما يُعتبر "جيداً".

نلاحظ أيضاً أن المؤسسين الناجحين يتبنون التعاون بين الإنسان والذكاء الاصطناعي بدلاً من محاولة أتمتة كل شيء فوراً. فهم يصممون مسارات عمل يتولى فيها الذكاء الاصطناعي التحليل المتكرر أو تجميع البيانات، بينما يبقى البشر مسؤولين عن التقييم واتخاذ القرارات النهائية. هذا التوازن يجعل الأنظمة أكثر موثوقية، خاصة في مجالات مثل الرعاية الصحية والتمويل.

في نواحٍ عديدة، يكمن التحول الأكبر في طريقة التفكير. فالمؤسسون الناجحون لا ينظرون إلى الذكاء الاصطناعي كميزة إضافية، بل كطبقة تشغيلية جديدة لكيفية عمل منتجاتهم.

مع ازدياد اندماج أنظمة الذكاء الاصطناعي في العمليات التجارية الأساسية، ما هي القدرات التي ستحدد الجيل القادم من منصات تطبيقات الذكاء الاصطناعي؟ 

أعلم أن هذا يبدو غريباً، وقد أقول شيئاً يُعتبر مخالفاً للمألوف، لكن سيتمكن المستخدمون من برمجة نماذجهم الخاصة باستخدام تقنية "Vibe-code". ما يُطلق عليه مختبرنا البحثي اسم "نماذج النانو الخبيرة" سيساعد في التحكم بالتكاليف.

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