مقابلات
Shanea Leven، المؤسس والرئيس التنفيذي في Empromptu AI – سلسلة المقابلات
Shanea Leven، المؤسس والرئيس التنفيذي في Empromptu AI، هو قائد منتجات مخضرم مع خبرة واسعة في بناء منصات المطورين والمنتجات التي تعتمد على الذكاء الاصطناعي في الشركات التكنولوجية الكبرى. قبل إطلاق Empromptu في 2025، أسس CodeSee، وهي منصة مطورين تعتمد على الذكاء الاصطناعي تساعد الفرق على تجسيد وتفهم قواعد التعليمات البرمجية المعقدة، والتي تم الاستحواذ عليها من قبل GitKraken في 2024. في وقت مبكر من مسيرته المهنية، شغل مناصب قيادية في المنتجات في شركات بما في ذلك Docker وCloudflare وeBay وGoogle، حيث عمل على مبادرات تتراوح من واجهات برمجة التطبيقات الخاصة بدفع Google Assistant إلى برامج تعليم المطورين التي يستخدمها مئات الآلاف من المبتدئين.
Empromptu AI هي منصة مؤسسية مصممة لمساعدة المنظمات على بناء وتوزيع تطبيقات متكاملة تعتمد على الذكاء الاصطناعي بسهولة أكبر. تجمع المنصة بين تطوير التطبيقات وتكامل البيانات والحوكمة والتقييمات والذاكرة وتنسيق النماذج في بيئة واحدة، مما يسمح للشركات بالانتقال من تجربة الذكاء الاصطناعي السريعة إلى أنظمة جاهزة للإنتاج مع التحكم والموثوقية المطلوبة للاستخدام المؤسسي.
قضيت أكثر من 15 عامًا في بناء منصات المطورين في شركات مثل Google وeBay وCloudflare وDocker قبل تأسيس CodeSee، والتي تم الاستحواذ عليها لاحقًا من قبل GitKraken، والآن تدير Empromptu AI. كيف شكلت تلك الخبرات منظورك حول سبب فشل العديد من أدوات الذكاء الاصطناعي بمجرد خروجها من مرحلة العرض، وما هو المشكلة المحددة التي كنت مصممًا على حلها عند تأسيس Empromptu؟
إحدى الأشياء التي تتعلمها عند بناء منصات المطورين هي أن أصعب المشاكل لا تكون أبدًا تلك الموجودة في العرض. العرض دائمًا ما يعمل. الاختبار الحقيقي هو ما يحدث عندما يستخدم الآلاف من المطورين النظام، عندما تكون البيانات غير مكتملة، عندما تنكسر التكاملات، وعندما تعتمد الأعمال الحقيقية عليه.
في Google وCloudflare وDocker وeBay، قضيت 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 تتكرر في نفس الخطأ الذي رأيناه في موجات البرمجيات السابقة. في أدوات التطوير هناك مفهوم يبدو أنه قد تم نسيانه. كيف يمكنك الحصول على العالم بسرعة؟ اليوم، الإصدار التوليدي من العالم هو نموذج سحابي كامل يعمل. لكننا لا نكتب فقط رمز التطبيقات السحابية؛ نكتب رمز التطبيقات الكاملة التي تعتمد على الذكاء الاصطناعي. الذكاء الاصطناعي الذي يبني الذكاء الاصطناعي يتطلب أنظمة أخرى لوضع ذلك الذكاء الاصطناعي في الإنتاج.
يمكنك توليد تطبيق أو ميزة تعتمد على الذكاء الاصطناعي بسرعة، وهو ما يثير الإثارة ويُعد مفيدًا حقًا. لكن النظم 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 وضعناها مع الحفاظ على جميع الأجزاء الرائعة من الترميز التوليدي.
عندما أسسنا Empromptu، كانت المشكلة التي أردنا حلها بسيطة: كيف نجعل تطبيقات الذكاء الاصطناعي جاهزة للإنتاج من البداية؟
بدلاً من معاملة الحوكمة وتهيئة البيانات والتقييم والتحسين كأدوات منفصلة أو عمليات بعد الحقيقة، بنيناها مباشرة في المنصة. الفكرة هي أن الفرق يجب أن تكون قادرة على بناء تطبيقات الذكاء الاصطناعي بسرعة، ولكن مع نفس الموثوقية والجودة والتحكم التي يتوقعونها من أنظمة البرمجيات المؤسسية.
لقد كنت صريحًا حول الفجوة بين عروض الذكاء الاصطناعي المثيرة للإعجاب والنظم الجاهزة للإنتاج. من منظورك، ما هي أكثر الأخطاء المعمارية شيوعًا التي يرتكبها الفرق عند محاولة تحويل نموذج الذكاء الاصطناعي إلى منتج موثوق به يستخدمه العملاء الحقيقيون؟
أخطاء أكثر الفرق شيوعًا 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 النظم الإنتاجية، النموذج هو مجرد مكون واحد في هندسة أكبر.
الأخطاء الأولى هي معاملة البيانات كأمر ثانوي. في النماذج الأولية، يختبر الفرق عادةً مع مجموعات بيانات صغيرة ونظيفة. بمجرد أن يصل النظام إلى بيانات تشغيل حقيقية، تتحول الأشياء بسرعة. تصل البيانات غير مكتملة أو غير متسقة أو مكررة أو في صيغ غير متوقعة. بدون خط أنابيب بيانات منظم لتنظيم وتصحيح الإدخالات، يصبح النظام غير موثوق به بغض النظر عن جودة النموذج.
الخطأ الثاني هو غياب أطر التقييم. يطلق العديد من الفرق ميزات الذكاء الاصطناعي بدون تحديد ما يعني “جيد” بشكل حقيقي. قد يقومون بفحص الإخراج يدوياً خلال التطوير، لكنهم لا يبنيون خطوط أنابيب تقييم آلية التي تقيس باستمرار الدقة والانحراف والحالات الحدية بمجرد أن يصبح النظام حياً. بدون تلك الحواجز، 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 ذلك الغموض بسياسات حتمية وعمليات موافقة وسجلات مراجعة لتسجيل كيفية اتخاذ القرارات.
ما يأتي إلى هذا هو أن أنظمة الذكاء الاصطناعي الإنتاجية ليست مجرد نماذج. إنها أنظمة تشغيلية.
الشركات التي تنجح مع الذكاء الاصطناعي اليوم هي تلك التي تعامل خطوط أنابيب البيانات والتقييم والحوكمة والرصد كبنية تحتية أساسية، وليست إضافات اختيارية.
كثير من منصات برمجة الذكاء الاصطناعي تpromis أن أي شخص يمكن بناء تطبيق باستخدام تحفيزات بسيطة. لماذا تعمل هذه الأدوات جيدًا في العروض ولكنها ت투اجه صعوبات عند محاولة الشركات نشرها في بيئات الإنتاج الحقيقية؟
تعمل العديد من هذه المنصات جيدًا في العروض لأنها مُحسنة لل لحظة الخلق، وليس دورة حياة النظام الحقيقي.
لكن هناك فرقًا أساسيًا بين استخدام الذكاء الاصطناعي لتوليد صفحة هبوط و使用 الذكاء الاصطناعي لبناء تطبيق الذكاء الاصطناعي.
صفحة هبوط هي في الغالب برنامج ثابت. بمجرد أن يعمل بشكل صحيح، تكون المهمة كبيرة قد انتهت. 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، وكشف عندما تنحرف الإخراج، وتحديد الحالات الحدية، ويعمل بأمان عندما يواجه النموذج حالات لم يرها من قبل.
معظم أدوات الترميز بالتحفيز لا تتناول تلك الطبقات لأنها مصممة لجعل شيء يعمل بسرعة. إنها توليد رمز ينتج نتيجة مرئية، وهو مثالي لبيئة العرض. لكن النظم 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. عملت النموذج لأن البيئة كانت خاضعة للرقابة. الإنتاج هو قذرة.
تركز Empromptu على تحويل البرامج الحالية إلى أنظمة أصلية تعتمد على الذكاء الاصطناعي بدلاً من إجبار الشركات على إعادة بناء كل شيء من الصفر. ما الذي يتضمن هذا التحويل بالفعل على مستوى البنية والمنتج؟
على مستوى المنتج، كل تطبيق هو مستقل تمامًا ومحمول. ننشئ كل ما تحتاجه من واجهات أمامية، وواجهات خلفية، وقواعد بيانات، ونماذج، وتقييمات، وقواعد، وكل شيء هو مرن للغاية حسب احتياجات المؤسسة.
لدينا عدد من الخيارات المختلفة لتطبيقات الذكاء الاصطناعي:
“بدون رأس” إذا كان العميل يمتلك بالفعل واجهة أمامية، يمكننا توصيلها بنظامنا وإرسال البيانات مرة أخرى
محمول تمامًا، 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 وتمثيله إذا لم يكن تمثيله بالفعل. على سبيل المثال، نشهد ذلك مع عدد من العملاء الذين حاولوا بناء تطبيقاتهم على منصات شعبية مثل Lovable، Replit، Bolt، أو Base44. في كثير من الأحيان لا تعمل. لكن العملاء قد استثمروا بالفعل الكثير من الوقت والطاقة والائتمانات في هذا التطبيق، لذلك نستهلكه ونعيد كتابته نجعل كل عمل الذكاء الاصطناعي.
ونستطيع القيام بذلك لأننا لدينا عدد من التكنولوجيات المخصصة والملكية، مثل:
- محرك السياق التكيفي لإدارة السياق
- الذاكرة اللانهائية لاستهلاك تطبيقات الرمز التي تعمل لمدة طويلة
- نماذج البيانات المخصصة وأنابيب البيانات الذهبية لضمان قدرتنا على التعامل مع أي تنظيف للبيانات وتسمية اصطناعية مطلوبة
تؤكد منصتك على السياق والتقييم والحوكمة والبيانات المنظمة كعناصر أساسية في أنظمة الذكاء الاصطناعي. لماذا يتم تجاهل هذه العناصر بشكل متكرر عندما يهرع الفرق إلى إضافة ميزات الذكاء الاصطناعي إلى منتجاتهم؟
لأنها صعبة! يؤدي شريكي المؤسس، الدكتور شون روبنسون، قيادة مختبرنا البحثي، وهو فيزيائي فلكي حاسوبي اخترع عددًا من التكنولوجيات التي ألهمتها أفكاري المجنونة، ولكن أيضًا احتياجات عملائنا ومتى يتجه السوق. خبرتنا المشتركة في بناء العديد من التطبيقات الوكيلية، ووضع الأقمار الصناعية في الفضاء، و بناء في أكبر الشركات التكنولوجية في العالم، تعطينا رؤى تساعدنا على حل مشاكل معقدة بشكل أفضل من الآخرين.
تعمل مع العديد من المؤسسين الذين لم يكتبوا رمزًا من قبل. ما هي أكبر المفاهيم الخاطئة التي يمتلكها المؤسسون غير التقنيين عند محاولة 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 ما يمكنك القيام به على هذه المنصات دون مهندس حقيقي.
الثانية هي أن لديهم مهارات إدارة منتجات تقنية جيدة. لدي خلفية في إدارة المنتجات التقنية والمهارة في ترجمة رؤية، أحيانًا رؤية كبيرة، إلى قطع قابلة للشحن مع مواصفات تقنية صحيحة لتحديد بالضبط ما تريد. هذه هي مهارة حقيقية تتطلب وقتًا.
على سبيل المثال، إذا كنت تبني تطبيقًا يرفع ملف PDF ويحفظه بحيث يمكنك العودة والمشاهدة لاحقًا، فهذا مفهوم يسمى الاستمرار. يتم ترميز ملف PDF وتخزينه في قاعدة بيانات.
لكن إذا لم تكن تعرف أن هذا يسمى الاستمرار، كيف ستكون قادرًا على كتابة؟ تأكد من أن هذه البيانات تظل. الاختيار التقني للكلمات هو مثل التحدث بلغة مختلفة. هناك فرق بين الكتابة باللغة الطبيعية والكتابة باللغة التقنية.
يتفوق العديد من الشركات على افتراض أن الحل لبناء منتجات الذكاء الاصطناعي هو ببساطة توظيف المزيد من المهندسين. لماذا تعتقد أن هذا النهج يفشل غالبًا، وماذا يجب أن يفكر المؤسسون بدلاً من ذلك عند بناء منتجات تعتمد على الذكاء الاصطناعي؟
توظيف المزيد من المهندسين هو أحيانًا الجواب الصحيح. إذا كنت تبني منتجًا تقنيًا عميقًا أو تعمل على حدود البحث في النماذج، فلا بديل عن فرق هندسية قوية. لا يوجد بديل للمهندسين الجيدين عندما يتعلق الأمر بحل مشاكل صعبة.
لكن الخطأ الذي يرتكبه العديد من الشركات الناشئة هو افتراض أن المزيد من المهندسين يحل تحدي بناء منتج الذكاء الاصطناعي تلقائيًا.
في الواقع، أصعب مشاكل منتجات الذكاء الاصطناعي ليست مشاكل هندسية خالصة. هي مشاكل أنظمة مثل كل مشكلة هندسية أخرى. يُعلّم المهندسون بشكل خاص التفكير في الأنظمة. لكن التطوير التوليدي مختلف عن التطوير التحديدي. كنا جميعًا قد قمنا بهذا التحول عندما كنا ننتقل من برمجة الكائنات إلى برمجة الوظيفية. هل هي برمجة؟ نعم، بالتأكيد، لكن هل هي مختلفة؟ هل هي طريقة تفكير مختلفة؟ نعم، بالطبع.
تطبيقات الذكاء الاصطناعي تقع على تقاطع البيانات وتصميم المنتج وعمليات التشغيل وسلوك النموذج. يمكنك توظيف فريقًا رائعًا من المهندسين، لكن إذا كانت خطوط أنابيب البيانات غير موثوقة، أو معايير التقييم غير واضحة، أو ينقص النظام الحوكمة والرصد، سيتعثر المنتج لا تزال بمجرد وصوله إلى المستخدمين الحقيقيين.
مشكلة أخرى هي أن العديد من الفرق تقفز مباشرة إلى البناء قبل أن تحدد كيف سيتصرف نظام الذكاء الاصطناعي في الإنتاج. أسئلة مثل كيف سيتم تقييم أداء النظام، وكيف ستتم معالجة الحالات الحدية، وكيف ستتم تسجيل القرارات، وكيف ستتم تحديث النماذج بأمان مع مرور الوقت غالبًا ما تأتي في وقت لاحق. بمجرد ذلك، يصبح تغيير الهندسة صعبًا.
ما يجب أن يفكر المؤسسون حقًا هو نموذج التشغيل لنظام الذكاء الاصطناعي.
من يملك 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 تتحدّث السلوك بأمان دون كسر عمليات العمل الهابطة؟
في بعض الأحيان، يحل هذه المشاكل يعني توظيف المزيد من المهندسين. لكن يمكن أن يعني أيضًا اختيار البنية التحتية الصحيحة، ووضع قيود منتج قوية، وبناء أنظمة تسمح للفرق الصغيرة بالعمل بشكل موثوق على نطاق واسع.
الشركات التي تنجح مع الذكاء الاصطناعي اليوم ليست بالضرورة تلك التي تملك أكبر فرق هندسية. إنها تلك التي تعامل الذكاء الاصطناعي كنظام يعمل لمدة طويلة يحتاج إلى انضباط البيانات والتقييم والحوكمة والتحسين المستمر منذ البداية.
لقد جادلتم بأن بعض نماذج العمل الحالية في أدوات مطور الذكاء الاصطناعي لا تتوافق مع بناء منتجات متينة. ما هي الحوافز في نظام أدوات الذكاء الاصطناعي الحالي التي تعتقد أنها تؤدي الشركات في الاتجاه الخطأ؟
أحد أكبر مشاكل الحوافز الحالية هو أن العديد من أدوات مطور الذكاء الاصطناعي مُحسنة لتقديرات النمو بدلاً من متانة المنتج.
كثير من الشركات في هذا المجال يتم مكافأتها على مدى سرعة استخدام المستخدمين لشيء مثير. إذا كان الأداة يمكن أن تولد تطبيقًا أو ميزة أو عرضًا في بضعة دقائق، فإن ذلك ي驱ر تسجيلات الدخول، ومشاركة وسائل التواصل الاجتماعي، واهتمام المستثمرين. من منظور تبني المنتج، هذا يعتبر منطقيًا.
لكن تلك الحوافز غالبًا ما تتوقف عند لحظة الخلق.
العمل الأصعب في برمجيات الذكاء الاصطناعي يحدث بعد ذلك.
ذلك هو عندما يتم بناء الثقة. عندما يمكنك الاعتماد على الجودة. أن المستخدم يريد العودة مرة أخرى دون إحباط الذكاء الاصطناعي للخروج السيئ.
مشكلة أخرى هي أن العديد من الأدوات مُحسنة لتوليد الرمز بدلاً من تصميم النظام. توليد الرمز بسرعة مفيد، لكن بناء منتج الذكاء الاصطناعي يتضمن أكثر من توليد الرمز. يتطلب تحديد كيفية إدارة النظام للسياق، وكيف يتم تقييم القرارات، وكيف يتم التعامل مع الفشل، وكيف يتطور السلوك بأمان مع مرور الوقت.
الشركات التي تتوافق حوافزها حول مساعدة العملاء في تشغيل أنظمة الذكاء الاصطناعي بشكل موثوق، وليس بناءها بسرعة فقط، هي تلك التي ستخلق قيمة دائمة في هذا النظام.
بعض عملائك يشمل رواد أعمال يبنيون منتجات محددة جدًا، مثل أدوات صحية متخصصة أو أعمال تركز على الاستدامة، غالبًا بدون فرق هندسية تقليدية. ما هي الأنماط التي لاحظتمها بين المؤسسين الذين ينجحون في تحويل تلك الأفكار إلى منتجات تعتمد على الذكاء الاصطناعي تعمل؟
أحد أكثر الأنماط إثارة للاهتمام التي نشاهدها هو أن المؤسسين الذين ينجحون ليسوا بالضرورة الأكثر تقنية. هم الذين يفهمون المشكلة التي يحلونها بشكل كبير.
许多 من رواد الأعمال الذين يستخدمون Empromptu هم خبراء مجال. 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 الذكاء الاصطناعي لأنه يحدد ما يجب على النظام فعله بالفعل.
المؤسسون الذين ينجحون يعتبرون الذكاء الاصطناعي أقل مثل تجربة تقنية وأكثر مثل نظام منتج. يبدأون بطرح أسئلة ملموسة. ما هي القرارات التي يجب على الذكاء الاصطناعي مساعدة المستخدمين في اتخاذها؟ ما هي مصادر البيانات التي يحتاج إليها؟ ما هو معنى الإجابة الصحيحة في هذا المجال؟ ما هي الحواجز التي يجب أن توجد بحيث يتصرف النظام بشكل مسؤول؟
نمط آخر هو أنهم يفكرون بعناية في الهيكلة. الفرق الناجحة تدرك بسرعة أن مخرجات الذكاء الاصطناعي ليست أفضل من السياق والبيانات التي تغذيها. يستثمرون وقتًا في تحديد خطوط أنابيب البيانات، وتنظيم مصادر المعرفة، وإنشاء معايير تقييم واضحة لما يعني “جيد” في هذا المجال.
نرى أيضًا المؤسسين الناجحين يعتمدون التعاون بين الإنسان والذكاء الاصطناعي بدلاً من محاولة تلقين كل شيء على الفور. يصممون عمليات عمل حيث يتعامل الذكاء الاصطناعي مع التحليل المتكرر أو تخليق البيانات، بينما يظل البشر مسؤولين عن الحكم والقرارات النهائية. ذلك التوازن يجعل الأنظمة أكثر موثوقية، خاصة في مجالات مثل الرعاية الصحية أو المالية.
في nhiều طرق، أكبر التحولات هي في العقلية. المؤسسون الذين ينجحون لا يعتبرون الذكاء الاصطناعي ميزة يضيفونها. يعتبرونها طبقة تشغيل جديدة لمنتجهم.
随着 أنظمة الذكاء الاصطناعي أصبحت أكثر اندماجًا في عمليات الأعمال الأساسية، ما هي القدرات التي ستحدد جيل المستقبل من منصات تطبيقات الذكاء الاصطناعي؟
أنا أعلم أن هذا مجنون وأنا قد أقول شيئًا كافرًا، لكن الناس سيكونون قادرين على ترميز نماذجهم المخصصة. شيء يسمى نماذج النانو الخبيرة في مختبرنا البحثي سيساعد في التحكم في التكاليف.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Empromptu AI.
