شينيا ليفين، المؤسس والرئيس التنفيذي لشركة Empromptu AI – سلسلة المقابلات

شينيا ليفين، المؤسس والرئيس التنفيذي لشركة Empromptu AI، هو قائد منتج مخضرم مع خبرة واسعة في بناء منصات المطورين ومنتجات مدفوعة بالذكاء الاصطناعي في الشركات التكنولوجية الكبرى. قبل إطلاق Empromptu في عام 2025، أسس شركة CodeSee، وهي منصة مطور الذكاء الاصطناعي التي تساعد الفرق على تصور وفهم قواعد البيانات المعقدة، والتي تم الاستحواذ عليها من قبل GitKraken في عام 2024. في وقت سابق من مسيرته المهنية، شغل مناصب قيادية في منتجات كبرى في شركات بما في ذلك Docker و Cloudflare و eBay و Google (GOOGL ) ، حيث عمل على مبادرات تتراوح من واجهات برمجة تطبيقات دفع Google Assistant إلى برامج تعليم المطورين المستخدمة من قبل مئات الآلاف من المتعلمين.

Empromptu AI هي منصة مؤسسية مصممة لمساعدة المنظمات على بناء وتحديث تطبيقات الذكاء الاصطناعي المتكاملة بسهولة أكبر. تجمع المنصة بين تطوير التطبيقات ودمج البيانات والحوكمة والتقييمات والذاكرة وتنسيق النماذج في بيئة واحدة، مما يسمح للشركات بالانتقال من تجربة الذكاء الاصطناعي السريعة إلى أنظمة الجودة الإنتاجية مع التحكم والموثوقية المطلوبة للاستخدام المؤسسي.

قضيت أكثر من 15 عامًا في بناء منصات المطورين في شركات مثل Google و eBay و Cloudflare و Docker قبل تأسيس CodeSee، والتي تم الاستحواذ عليها لاحقًا من قبل GitKraken، والآن تدير Empromptu AI. كيف شكلت تلك الخبرات منظورك على لماذا يفشل الكثير من أدوات الذكاء الاصطناعي بمجرد خروجها من مرحلة العرض التوضيحي، وما هو المشكلة المحددة التي كنت مصممًا على حلها عند تأسيس Empromptu؟

إحدى الأشياء التي تتعلمها عند بناء منصات المطورين هي أن أصعب المشاكل ليست تلك الموجودة في العرض التوضيحي. العرض التوضيحي دائمًا ما يعمل. الاختبار الحقيقي هو ما يحدث عندما يستخدم الآلاف من المطورين النظام، عندما تكون البيانات غير مكتملة، عندما تنقطع التكاملات، وعندما تعتمد الأعمال الحقيقية عليه.

في Google و Cloudflare و Docker و eBay، قمت بإنفاق سنوات في العمل على منصات يجب أن تعمل على مستوى عالمي. تلك البيئات تعلمك شيئًا بسرعة: الموثوقية والحوكمة والرصد ليست ميزات تضاف في وقت لاحق. إنها الهندسة المعمارية.

عندما بدأت في بناء تطبيقات الذكاء الاصطناعي، كانت النماذج سيئة، وعندما بدأت في التحسن، لاحظت أن الصناعة تكرر نفس الخطأ الذي شهدهنا في موجات البرمجيات السابقة. في أدوات التطوير، هناك مفهوم يبدو أنه قد تم نسيانه. كيف يمكنك الحصول على تحية العالم بسرعة؟ اليوم، الإصدار التوليدي لتحية العالم هو نموذج سaaS يعمل بالكامل. لكننا لا نكتب برامج تطبيقات SaaS فقط؛ نكتب برامج تطبيقات الذكاء الاصطناعي بالكامل. الذكاء الاصطناعي الذي يبني الذكاء الاصطناعي يتطلب أنظمة أخرى لوضع ذلك الذكاء الاصطناعي في الإنتاج.

يمكنك توليد تطبيق أو ميزة ذكاء اصطناعي يعمل بسرعة، وهو ما يعتبر مثيرًا وفعلاً مفيدًا. لكن الأنظمة السائدة لا تزال تفتقر إلى البنية التحتية اللازمة للبيئات الإنتاجية. أشياء مثل خطوط أنابيب البيانات المنظمة، وأطر التقييم، وضوابط الحوكمة، والرصد، وإدارة السياق على المدى الطويل تم تجاهلها ولكننا قد وضعناها مع الحفاظ على جميع الأجزاء الرائعة من كتابة البرامج بالذكاء الاصطناعي.

عندما أسسنا Empromptu، كانت المشكلة التي أردنا حلها بسيطة: كيف نجعل تطبيقات الذكاء الاصطناعي جاهزة للإنتاج من البداية؟

بدلاً من معاملة الحوكمة و準備 البيانات والتقييم والتحسين على أنها أدوات منفصلة أو عمليات بعد الحادث، بنيناها مباشرة في المنصة. الفكرة هي أن الفرق يجب أن تكون قادرة على بناء تطبيقات ذكاء اصطناعي بسرعة، ولكن مع نفس الموثوقية والجودة والتحكم التي يتوقعها من أنظمة البرمجيات المؤسسية.

لقد كنت صريحًا حول الفجوة بين عروض الذكاء الاصطناعي المثيرة للإعجاب وأنظمة الإنتاج الجاهزة. من وجهة نظرك، ما هي الأخطاء المعمارية الأكثر شيوعًا التي يرتكبها الفرق عند محاولة تحويل نموذج الذكاء الاصطناعي إلى منتج موثوق به يستخدمه العملاء الحقيقيون؟

الأخطاء الأكثر شيوعًا التي يرتكبها الفرق هي افتراض أن النموذج هو المنتج.

في النماذج الأولية، يقوم النموذج بأغلب العمل المرئي. يمكنك تحفيزه، وإنتاج إجابة، وإذا كانت الإجابة تبدو جيدة، يبدو أن النظام يعمل. هذا يخلق وهمًا بأن تحسين النموذج هو التحدي الرئيسي.

لكن في الأنظمة الإنتاجية، النموذج هو مجرد مكون واحد في هندسة أكبر.

الخطأ الأول هو معاملة البيانات كأمر ثانوي. في النماذج الأولية، يختبر الفرق عادةً مع مجموعات بيانات صغيرة ونظيفة. بمجرد أن يصل النظام إلى بيانات تشغيل حقيقية، تتغير الأمور بسرعة. تصل البيانات غير مكتملة أو غير متسقة أو مكررة أو في صيغ غير متوقعة. بدون خط أنابيب بيانات منظم لتحويل وتنقية الإدخالات، يصبح النظام غير موثوق به بغض النظر عن جودة النموذج.

الخطأ الثاني هو غياب أطر التقييم. يطلق العديد من الفرق ميزات الذكاء الاصطناعي دون تعريف ما يعني “جيد” فعلاً. قد يقومون بفحص الإخراج يدويًا خلال التطوير، لكنهم لا يبنون خطوط أنابيب تقييم آلية لقياس الدقة والانحراف والحالات الحدية بشكل مستمر بمجرد أن يصبح النظام حياً. بدون تلك الحماية، يتم اكتشاف الفشل غالبًا من قبل العملاء بدلاً من المهندسين.

مشكلة أخرى هي عدم وجود آليات الحوكمة والتحكم. أنظمة الذكاء الاصطناعي هي احتمالية، مما يعني أنها يمكن أن تتصرف بشكل مختلف في ظل ظروف مختلفة قليلاً. في البيئات المنظمة أو عالية المخاطر، يجب تقييد تلك غير المتوقعة بسياسات حتمية وعمليات موافقة وسجلات مراجعة لتسجيل كيفية اتخاذ القرارات.

ما ي归 إلى ذلك هو أن أنظمة الإنتاج الذكاء الاصطناعي ليست مجرد نماذج. إنها أنظمة تشغيل.

الشركات التي تنجح مع الذكاء الاصطناعي اليوم هي تلك التي تعامل خطوط أنابيب البيانات وأطر التقييم والحوكمة والرصد كبنية تحتية أساسية، وليس إضافات اختيارية.

كثير من منصات برمجة الذكاء الاصطناعي تpromis أن أي شخص يمكنه بناء تطبيق باستخدام تحفيزات بسيطة. لماذا تعمل هذه الأدوات جيدًا في العروض التوضيحية ولكنها ت苦ر عند محاولة الشركات نشرها في بيئات الإنتاج الحقيقية؟

كثير من هذه المنصات تعمل جيدًا في العروض التوضيحية لأنها مُحسنة لل لحظة الإنشاء، وليس دورة حياة النظام الحقيقي.

لكن هناك فرقًا أساسيًا بين استخدام الذكاء الاصطناعي لتوليد صفحة هبوط و sử dụng الذكاء الاصطناعي لبناء تطبيق ذكاء اصطناعي.

صفحة هبوط هي في الغالب برنامج ثابت. بمجرد أن يظهر بشكل صحيح، تكون المهمة في الغالب محققة. النظام لا يحتاج إلى اتخاذ قرارات احتمالية أو استهلاك بيانات متغيرة باستمرار أو التكيف مع سلوك المستخدم غير المتوقع.

تطبيقات الذكاء الاصطناعي مختلفة تمامًا. إنها أنظمة ديناميكية تعتمد على خطوط أنابيب البيانات وسلوك النموذج وأطر التقييم والرصد المستمر. يجب على التطبيق إدارة السياق، والكشف عند انحراف الإخراج، ومعالجة الحالات الحدية، والعمل بأمان عند مواجهة النموذج لحالات لم يرها من قبل.

أدوات الترميز بالتحفيز لا تتعامل مع تلك الطبقات لأنها مصممة لجعل شيء يعمل بسرعة. إنها توليد رمز ينتج نتيجة مرئية، وهو مثالي لبيئة العرض التوضيحي. لكن الأنظمة الإنتاجية تتطلب مجموعة أكبر من القدرات: معالجة بيانات منظم، وضوابط حوكمة، وخطوط أنابيب تقييم، ورصد، وآليات لتحديث السلوك بأمان مع مرور الوقت.

لذلك، عندما تحاول الشركات نشر هذه الأنظمة في بيئات حقيقية، يصبح الفجوة واضحًا. النموذج الأولي عمل لأن البيئة كانت محكومة. الإنتاج هو قذر.

تركز Empromptu على تحويل البرامج الحالية إلى أنظمة ذكاء اصطناعي أصيلة بدلاً من إجبار الشركات على إعادة بناء كل شيء من الصفر. ماذا يشمل هذا التحويل فعلاً على مستوى البنية والمنتج؟

على مستوى المنتج، كل تطبيق هو محتوى ذاتي الحصンテ ومتجاوز. ننشئ كل ما تحتاجه من واجهات أمامية، وواجهات خلفية، وقواعد بيانات، ونماذج، وتقييمات، وآليات، وقواعد، وكل شيء مرن للغاية حسب احتياجات المؤسسة.

لدينا عدد من الخيارات المختلفة لتطبيقات الذكاء الاصطناعي:

“رأس خالي” إذا كان العميل已经 يمتلك واجهة أمامية، يمكننا توصيلها بنظامنا وإرسال البيانات обратًا

متجاوز بالكامل بحيث يمكن نشرها على بنيتنا التحتية أو داخل بنية العميل، بحيث تكون افتراضيًا داخل الموقع

أو يمكننا توليدها ونشرها مباشرة إلى السحابة لأسهل خيار

أي رمز لديهم، يمكننا استيراده مباشرة إلى نظامنا وتحويله إلى وكلاء إذا لم يكن وكيلًا بالفعل. على سبيل المثال، نرى ذلك مع العديد من العملاء الذين حاولوا بناء تطبيقاتهم على منصات شعبية مثل Lovable و Replit و Bolt و Base44. في كثير من الأحيان لا تعمل. لكن العملاء قد أنفقوا بالفعل الكثير من الوقت والطاقة والائتمانات في هذا التطبيق، لذلك نستهلكه، ونعيد كتابته، نجعل كل عمل الذكاء الاصطناعي.

ونستطيع القيام بذلك لأن لدينا عددًا من التكنولوجيات المخصصة، مثل:

• محرك السياق التكيفي لإدارة السياق
• الذاكرة اللانهائية لاستهلاك تطبيقات الرمز التي تعمل لمدة طويلة
• نماذج بيانات مخصصة وخطوط أنابيب بيانات ذهبية لضمان قدرتنا على التعامل مع أي تنظيف للبيانات وتعليم اصطناعي ضروري

تؤكد منصتك على السياق والتقييم والحوكمة والبيانات المنظمة كعناصر أساسية لأنظمة الذكاء الاصطناعي. لماذا يتم تجاهل هذه العناصر بشكل متكرر عندما يهرع الفرق لإضافة ميزات الذكاء الاصطناعي إلى منتجاتهم؟

لأنها صعبة! شريكي المؤسس، الدكتور شون روبنسون، يترأس مختبر أبحاثنا، وهو فيزيائي فلكي حاسوبي اخترع عددًا من التكنولوجيات التي ألهمت أفكاري المجنونة، ولكن أيضًا احتياجات العملاء والتوجهات السوقية. خبرتنا المشتركة في بناء العديد من التطبيقات الوكيلية، ووضع الأقمار الصناعية في الفضاء، وبناء في أكبر الشركات التكنولوجية في العالم، تعطينا رؤى تساعدنا على حل مشاكل معقدة بشكل أفضل من غيرنا.

تعمل مع العديد من المؤسسين الذين لم يكن لديهم خبرة في الكتابة البرمجية من قبل. ما هي أكبر المفاهيم الخاطئة التي لديهم المؤسسون غير التقنيين عندما يحاولون بناء تطبيقات الذكاء الاصطناعي لأول مرة؟

أعتقد أن هناك مفاهيم خاطئة كبيرة:

الأولى هي أن الذكاء الاصطناعي هو سحر. الذكاء الاصطناعي ليس سحرًا. إنه مجرد هندسة جيدة. وفي النهاية، تصل إلى حد لما يمكنك فعله على هذه المنصات دون مهندس حقيقي.

الثانية هي أن لديهم مهارات إدارة منتج تقنية رائعة. لدي خلفية في إدارة المنتج التقني والقدرة على ترجمة رؤية، أحيانًا رؤية كبيرة، إلى قطع قابلة للشحن صغيرة مع المواصفات الفنية الصحيحة لتحديد بالضبط ما تريد. هذا هو مهارة صعبة تتطلب وقتًا.

على سبيل المثال، إذا كنت تبني تطبيقًا يرفع ملف PDF ويحفظه بحيث يمكنك العودة والمشاهدة لاحقًا، فهذا مفهوم يسمى الاستمرارية. يتم ترميز ملف PDF وتخزينه في قاعدة بيانات.

لكن إذا لم تكن تعرف أن ذلك يسمى الاستمرارية، كيف ستكون قادرًا على كتابة؟ تأكد من أن هذه البيانات تظل. الاختيار الكلمة الفنية مثل التحدث بلغة مختلفة. هناك فرق بين الكتابة في اللغة الطبيعية والكتابة في اللغة الفنية.

ي假设 الكثير من الشركات الناشئة أن الحل لبناء منتجات الذكاء الاصطناعي هو ببساطة توظيف المزيد من المهندسين. لماذا تعتقد أن هذا النهج يفشل غالبًا، وماذا يجب على المؤسسين التفكير فيه عند بناء منتجات مدفوعة بالذكاء الاصطناعي؟

توظيف المزيد من المهندسين أحيانًا هو الجواب الصحيح. إذا كنت تبني منتج تقني sâu أو تعمل على حدود أبحاث النموذج، فلا بد أن يكون لديك فرق هندسية قوية. لا يوجد بديل للمهندسين الجيدين عندما يتعلق الأمر بحل مشاكل صعبة.

لكن الخطأ الذي يرتكبه الكثير من الشركات الناشئة هو افتراض أن المزيد من المهندسين يحلون تلقائيًا تحدي بناء منتج ذكاء اصطناعي.

في الواقع، أصعب المشاكل في منتجات الذكاء الاصطناعي غالبًا ليست مشاكل هندسية خالصة. إنها مشاكل أنظمة مثل أي مشكلة هندسية أخرى. يتم تعليم المهندسين بشكل خاص التفكير في الأنظمة. لكن التطوير التوليدي مختلف عن التطوير التحريكي. كنا قد قمنا بهذا التحول عندما كنا ننتقل من برمجة الكائنات إلى برمجة الوظيفية. هل هي برمجة؟ نعم، بالتأكيد، هل هي طريقة تفكير مختلفة؟ نعم، بالطبع.

تطبيقات الذكاء الاصطناعي تقع على تقاطع البيانات وتصميم المنتج والعمليات التشغيلية وسلوك النموذج. يمكنك توظيف فريقًا رائعًا من المهندسين، لكن إذا كانت خطوط أنابيب البيانات غير موثوقة، أو معايير التقييم غير واضحة، أو النظام يفتقر إلى الحوكمة والرصد، سيواجه المنتج مشاكل بمجرد وصوله إلى المستخدمين الحقيقيين.

مشكلة أخرى هي أن العديد من الفرق تقفز مباشرة إلى البناء قبل أن يحددوا كيف سيتصرف نظام الذكاء الاصطناعي في الإنتاج. أسئلة مثل كيف سيتم تقييم النظام، وكيف سيتم التعامل مع الحالات الحدية، وكيف سيتم تسجيل القرارات، وكيف سيتم تحديث النماذج مع مرور الوقت غالبًا ما تأتي في وقت لاحق. من خلال ذلك الوقت، يصبح الهيكل معماري صعبًا للتغيير.

ما يجب على المؤسسين التفكير فيه حقًا هو نموذج التشغيل لنظام الذكاء الاصطناعي.

من يمتلك خط أنابيب البيانات؟

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

ماذا يحدث عندما يواجه النظام حالة لم يرها من قبل؟

كيف يمكنك تحديث السلوك بأمان دون كسر عمليات العمل المتنقلة؟

في بعض الأحيان، حل هذه المشاكل يعني توظيف المزيد من المهندسين. لكن يمكن أن يعني أيضًا اختيار البنية التحتية الصحيحة، ووضع قيود المنتج القوية، وبناء أنظمة تسمح لأفرق صغيرة بالعمل بشكل موثوق على نطاق واسع.

الشركات التي تنجح مع الذكاء الاصطناعي اليوم ليست بالضرورة تلك التي لديها أكبر فرق هندسية. إنها تلك التي تعامل الذكاء الاصطناعي كنظام طويل الأمد يحتاج إلى انضباط البيانات والتقييم والحوكمة والتحسين المستمر منذ البداية.

لقد جادلتم بأن بعض نماذج الأعمال الحالية في أدوات مطور الذكاء الاصطناعي لا تتماشى مع بناء منتجات متينة. ما هي الحوافز في نظام أدوات الذكاء الاصطناعي الحالي التي تعتقد أنها تؤدي الشركات في الاتجاه الخاطئ؟

أحد أكبر مشاكل عدم التوازن في الحوافز حاليًا هو أن العديد من أدوات مطور الذكاء الاصطناعي مُحسنة لتقديرات النمو بدلاً من متانة المنتج.

الكثير من الشركات في هذا المجال يتم مكافأتهم على مدى سرعة khảية المستخدمين لإنشاء شيء مثير. إذا كان الأداة يمكن أن تولد تطبيقًا أو ميزة أو عرضًا توضيحيًا في بضع دقائق، فإن ذلك يدفع التسجيلات، ومشاركة الوسائط الاجتماعية، واهتمام المستثمرين. من وجهة نظر تبني المنتج، هذا يعتبر منطقيًا.

لكن تلك الحوافز غالبًا ما تتوقف عند لحظة الإنشاء.

العمل الأصعب في برمجيات الذكاء الاصطناعي يحدث بعد ذلك.

عندما يتم اكتشاف الثقة. عندما يمكنك الاعتماد على الجودة. عندما يريد المستخدم العودة مرة أخرى بدون إحباط الذكاء الاصطناعي للخرج السيئ. تحتاج إلى تقديم استجابات جيدة حتى في مواجهة جهل أو شر إنساني.

مشكلة أخرى هي أن العديد من الأدوات مُحسنة لإنشاء الرمز بدلاً من تصميم النظام. توليد الرمز بسرعة مفيد، لكن بناء منتج ذكاء اصطناعي يتضمن أكثر من إنتاج الرمز. يتطلب تعريف كيفية إدارة النظام للسياق، وكيف يتم تقييم القرارات، وكيف يتم التعامل مع الفشل، وكيف يتطور السلوك بأمان مع مرور الوقت.

الشركات التي تتوازن حوافزها حول مساعدة العملاء في تشغيل أنظمة الذكاء الاصطناعي بشكل موثوق، وليس فقط بناءها بسرعة، هي تلك التي ستخلق قيمة دائمة في هذا النظام.

بعض عملائك يتضمن رواد أعمال يبنين منتجات محددة جدًا، مثل أدوات صحية متخصصة أو شركات مستدامة، غالبًا بدون فرق هندسية تقليدية. ما هي الأنماط التي لاحظتمها بين المؤسسين الذين ينجحون في تحويل تلك الأفكار إلى منتجات ذكاء اصطناعي تعمل؟

أحد الأنماط الأكثر إثارة للاهتمام التي نراها هو أن المؤسسين الذين ينجحون ليسوا بالضرورة الأكثر تقنية. هم الذين يفهمون المشكلة التي يحلونها بشكل كبير.

كثير من رواد الأعمال الذين يستخدمون Empromptu هم خبراء في المجال. قد يأتون من الرعاية الصحية أو المالية أو الاستدامة أو صناعة متخصصة أخرى. ما يroughtون هو معرفة عميقة بالعمليات واللوائح والقرارات التي توجد في ذلك البيئة. ذلك السياق هو قيمة لا تقدر بثمن عند تصميم منتج ذكاء اصطناعي لأنها تحدد ما يجب على النظام فعله.

المؤسسون الذين ينجحون يعتبرون الذكاء الاصطناعي أقل تجربة تقنية وأكثر نظامًا للمنتج. يبدأون بطرح أسئلة ملموسة. ما القرارات التي يجب على الذكاء الاصطناعي مساعدة المستخدمين في اتخاذها؟ ما هي مصادر البيانات التي يحتاجها؟ ما هو جواب صحيح في هذا المجال؟ ما هي الحماية التي يجب أن توجد حتى يتصرف النظام بشكل مسؤول؟

نحن أيضًا نرى مؤسسين ناجحين يفكرون بعناية في الهيكلة. الفرق الناجحة تدرك بسرعة أن مخرجات الذكاء الاصطناعي ليست أفضل من السياق والبيانات التي تغذيها. يinvest الوقت في تحديد خطوط أنابيب البيانات، وتنظيم مصادر المعرفة، وإنشاء معايير تقييم واضحة لما يعني “جيد” في هذا المجال.

نحن نرى أيضًا مؤسسين ناجحين يعتمدون على تعاون الإنسان والذكاء الاصطناعي بدلاً من محاولة تلقين كل شيء على الفور. يصممون عمليات عمل حيث يتعامل الذكاء الاصطناعي مع التحليل أو التوليد البياني المتكرر، بينما يبقى البشر مسؤولين عن الحكم والقرارات النهائية. ذلك التوازن يجعل الأنظمة أكثر موثوقية، خاصة في مجالات مثل الرعاية الصحية أو المالية.

في nhiều طرق، أكبر تحول هو في العقلية. المؤسسون الذين ينجحون لا يعتبرون الذكاء الاصطناعي ميزة يضيفونها. يعتبرونه طبقة تشغيلية جديدة لطريقة عمل منتجهم.

مع زيادة اندماج أنظمة الذكاء الاصطناعي في عمليات الأعمال الأساسية، ما هي القدرات التي ستحدد الجيل التالي من منصات تطبيقات الذكاء الاصطناعي؟

أنا أعرف أن هذا مجنون وأنا قد أقول شيئًا كافرًا، لكن الناس سيكونون قادرين على كتابة البرامج بالذكاء الاصطناعي لأنماطهم المخصصة. شيء يسمى نماذج نانو خبير من قبل مختبر أبحاثنا سيساعد على التحكم في التكاليف.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم المزيد يجب أن يزوروا Empromptu AI.