الأهمية على حساب الحجم: بناء ذكاء اصطناعي يصمد أمام الواقع

لماذا النماذج الأصغر والمتخصصة في المهام ضرورية للذكاء الاصطناعي في الميدان

يمكن للفرق الآن الانتقال من طلبات الذكاء الاصطناعي إلى النماذج الأولية أسرع من أي وقت مضى. لكن هذه النماذج الأولية غالبًا ما تتعطل في سير العمل الواقعي مثل خدمات الميدان أو التصنيع أو إدارة المرافق، عندما تكون الدقة والاتساق والمسؤولية هي الأهم. المشكلة هي أنه بينما يمكن للذكاء الاصطناعي دائمًا أن يقدم لك إجابة، ما تحتاجه فعليًا هو الإجابة الصحيحة، في السياق الصحيح، في كل مرة.

هنا تفقد معظم نماذج اللغة الكبيرة (LLMs) قيمتها. فمع نموذج لغة كبير، مجرد طرح السؤال نفسه بطرق مختلفة يمكن أن ينتج مخرجات مختلفة تمامًا. وهذا نتيجة تركيز العديد من النماذج الكبيرة على الاتساع وليس العمق المتخصص. وعلى الرغم من أن المرونة قد تكون مفيدة في الأعمال الإبداعية، فإن هذا الاتساع في المعرفة قد يصبح عبئًا على من يسعى إلى الدقة.

تتطلب البيئات التشغيلية الاتساق. الأصول معروفة، والإجراءات موثقة، وبروتوكولات السلامة والمتطلبات التنظيمية تحدد المعايير المقبولة. أي تباين في المخرجات مستند إلى معرفة عامة من الإنترنت يمكن أن يزيد من تعقيد المشكلة. على سبيل المثال، في إصلاح أنظمة التكييف، يحتاج الفنيون إلى مخرجات تستند إلى الأصل المحدد – تاريخ صيانته وأنماط الفشل المعروفة.

تخيل فنيًا يرد على عطل في المعدات تحت ضغط الوقت. إذا كان النظام ينتج إجابات غير متسقة بناءً على صياغة السؤال، أو لا يستطيع ربط توصياته بالبيانات الموثوقة، فإنك تواجه مشكلة كبيرة. زمن الاستجابة مهم للعملاء ولنجاح الأعمال.

التحول من الحجم إلى الصلة

التحول الجاري الآن هو الانتقال من الذكاء الاصطناعي العام إلى الذكاء الاصطناعي المتعلق بالسياق. بدلاً من طلب أن يقوم الذكاء الاصطناعي بكل شيء، تقوم المزيد من المؤسسات بتضييق دوره إلى مهام محددة ومتكررة. النماذج الأصغر المتخصصة والأنظمة الضيقة النطاق تكتسب زخماً لأنها يمكن أن تُستند إلى بيانات تشغيلية حية، وتُقيد بقواعد الأعمال، وتُدمج مباشرةً في سير العمل الحالي.

أثبت أن النماذج الأصغر أفضل في:

• استكشاف الأخطاء وإصلاحها: يمكن للنماذج الأصغر تحويل مدخلات دقيقة مثل الأدلة، الخبرات السابقة، ومشاركة المعرفة غير الرسمية إلى تقطيرات معرفية، مما يسمح للموظفين الأقل خبرة بالتعلم بسرعة أكبر والعمل بثقة أعلى. كما يمكن لنماذج الذكاء الاصطناعي الصغيرة أن تعزز ذلك من خلال دمج أوامر العمل التاريخية ذات الصلة، سجلات الإصلاح، وأنماط الفشل لتقترح الخطوات التالية المحتملة. وهذا يقلل من الوقت المستغرق في البحث عبر الأنظمة.
• تسليم الأعمال: يمكن أن تجعل الوثائق غير المكتملة أو غير المتسقة عملية التسليم بين النوبات أو الفرق خطرة. لكن النماذج المتخصصة المدربة على بيانات الخدمة يمكنها تلخيص ما تم إنجازه، ما تم استبداله من قطع، وما ما زال مفتوحًا. وهذا يتيح للفني التالي البدء بصورة واضحة بدلاً من تجميع المعلومات يدويًا.
• الامتثال والسلامة: في البيئات المنظمة، فقدان خطوة واحدة يحمل مخاطرة حقيقية. يمكن للنماذج اللغوية الصغيرة المتخصصة أن توجه سير عمل الفحص المعياري، تؤكد الخطوات المطلوبة، وتحدد أو تضع علامة على التناقضات في الوقت الفعلي.

يمكن تدريب هذه النماذج الأصغر وتقييدها حول البيانات المعروفة، سير العمل المعتمد، والإجراءات المحددة. بدلاً من أن تكون أداة منفصلة، تتواجد داخل الأنظمة القائمة، حيث يمكنها استرجاع البيانات الحية، تحديث السجلات، وتحفيز الخطوات التالية.

بناء ذكاء اصطناعي يمكن للفرق التشغيلية الوثوق به

لكي ينجح الذكاء الاصطناعي في بيئات خدمة الميدان والتصنيع، يجب أن يكون مستندًا إلى واقع كيفية إنجاز العمل: الأنظمة المتصلة، البيانات التشغيلية المنظمة، وسير العمل الذي تثق به الفرق بالفعل. كما يجب أن يكون موثوقًا.

تبدأ الثقة بأساس من البيانات المتسقة والمنظمة بحيث تفسر النماذج الأصول، أوامر العمل، والقياسات بنفس الطريقة في كل مرة. تحتاج المخرجات أيضًا إلى حواجز وإدارة لضمان بقاء الإرشادات ضمن سير العمل المعتمد، ومصادر البيانات الموثوقة، وعدم دفع العاملين لتجاوز دورهم أو مهاراتهم. إذا لم يمكن تتبع توصية إلى بيانات معروفة، فلا ينبغي للذكاء الاصطناعي اقتراحها.

يجب أيضًا دمج الذكاء الاصطناعي – أي تضمينه في الأنظمة التي تستخدمها الفرق عند اتخاذ القرارات؛ وإلا سيصبح أقل فائدة أو قد يُهمل. ولا يزال الإشراف البشري ضروريًا. الهدف ليس، ولا ينبغي أبدًا، استبدال المشغلين – بل العمل جنبًا إلى جنب معهم. وهذا يعني أن يكون البشر دائمًا هم من يوافقون على الإجراءات الحرجة، يتجاوزون التوصيات، ينفذون الأعمال الحيوية، ويرفعون التقارير عندما يخرج شيء ما عن الأنماط المتوقعة.

تُبنى الثقة في الذكاء الاصطناعي بنفس الطريقة التي تُبنى بها أي نظام تشغيلي: بأداء متسق وتوافق مع طريقة إنجاز العمل. يمكنك دائمًا الحصول على إجابة من الذكاء الاصطناعي، لكن ما يهم هو الحصول على إجابة صحيحة ومتسقة بجدارة. البيئات التشغيلية التي يمكن للذكاء الاصطناعي أن يضيف فيها أكبر قيمة هي أيضًا تلك التي لا تسمح بأي غموض.

فعالية الذكاء الاصطناعي المناسب الحجم

هناك أيضًا ميزة عملية للنماذج الأصغر. فهي أخف وزنًا، أسرع، وأسهل في الإدارة. كما أنها تتطلب موارد حوسبة أقل، وتنتج نتائج بكمون أقل، ويمكن تحديثها مع تغير العمليات.

ومن الممكن الجمع بين النهجين في الذكاء الاصطناعي. بعض الشركات تستخدم نماذج أكبر وأكثر عمومية لالتقاط الأنماط العامة والاستدلال، ثم تُستخلص تلك المعرفة إلى نماذج أصغر مخصصة لمهام محددة. يتيح ذلك للمؤسسات الحفاظ على مزايا التدريب على نطاق واسع مع تقديم أنظمة تعمل بصورة أكثر موثوقية في الميدان.

تظهر الكفاءات بوضوح في العمليات ذات الحجم العالي مثل إدارة أوامر العمل أو مراقبة الإنتاج، حيث يمكن قياس تحسين الأداء في مؤشرات تشغيلية مثل تقليل أوقات الحل وتقليل فترات التوقف.

إعادة تعريف النجاح

الثقة هي جوهر المرحلة التالية للذكاء الاصطناعي. ستحقق الأنظمة النجاح عندما تؤدي في ظروف العالم الحقيقي، وليس فقط عندما تبدو ذكية كنموذج أولي. يكون الذكاء الاصطناعي في أفضل حالاته عندما يجعل العمليات أكثر أمانًا، يقلل من عمليات التسليم، أو يجعل المساءلة أوضح. يكون الذكاء الاصطناعي موثوقًا عندما يكون متسقًا. إن توسيع الذكاء بصورة عشوائية لمجرد الحجم لا يخلق أي ميزة تشغيلية. النظام المصمم بحيث يمكنك الاعتماد عليه للعمل في الميدان عندما وكيف تحتاج إليه هو المفتاح للتقدم الحقيقي.