قادة الفكر
умерت كودينج ميت: كيفية صنع أدوات ذكاء اصطناعي تنجح وتتوسع دون انهيار
أضف Unite.AI إلى مصادرك المفضلة على Google
كل قائد مؤسسي قد رأى هذا النمط: أداة برهنة على概念 ذكاء اصطناعي تثير الإعجاب في العرض التوضيحي، ثم بعد ثلاثة أشهر، تتفاقم دقتها، وتتعثر على حالات حافة، ولا أحد يستطيع أن يشرح لماذا تفشل يومًا ما ثم تعمل بشكل جيد في اليوم التالي. هذا هو إرث “كودينج الفibe“، ممارسة تطوير أنظمة ذكاء اصطناعي من خلال هندسة البرمجيات التجريبية حتى تشعر بالصواب. ينتج كودينج الفibe عروض توضيحية، وليس منتجات. وهذا هو السبب في فشل 95 في المائة من مشاريع ذكاء اصطناعي في الوصول إلى الإنتاج.
الفجوة بين “يعمل في نافذتي ChatGPT” و “يعمل على مستوى المؤسسة مع العملاء الحقيقيين” ليست فقط مسألة بنية تحتية – إنها مسألة انضباط هندسي. بعد بناء تطبيقات ذكاء اصطناعي للعملاء المؤسسين في الصناعات الخاضعة للرقابة، وشركات البرمجيات باء باء، وقواعد التعليمات البرمجية التقليدية التي تتعامل مع ملايين التفاعلات، نحن نتعلم في النهاية ما يفصل الأنظمة التي تتوسع عن تلك التي تنهار تحت وزنها.
لماذا يفشل كودينج الفibe على مستوى التوسع
المشكلة مع كودينج الفibe بسيطة: ما يعمل لامثلة محددة يتفكك تحت تغيرات البيانات الإنتاجية اللانهائية. تصبح نوافذ السياق مكبات قمامة. في البداية، تضيف إطارًا لتحسين الدقة، ثم تتضمن سياقًا إضافيًا لمعالجة حالات الحافة. قبل أن تعرف، يتعثر النظام على 100000 رمز من المعلومات غير المرتبطة، مما يؤدي إلى تدهور الأداء والدقة. ينهار النموذج في النهاية في الضوضاء.
في هذه الحالة، ما يحدث هو أن الدقة تتدفق، ولا أحد يعرف أنها تحدث. سؤال يعمل اليوم سوف يفشل بشكل غامض في الأسبوع التالي، ويطرح القادة أنفسهم نفس الأسئلة:
- هل كان تحديث النموذج؟
- القطاع الجديد للمستخدم؟
- التغيير الموسمي في أنماط الاستعلام؟
الشركات اليوم لا تمتلك الأدوات الهيكلية اللازمة، وبالتالي تبدأ في تصحيح الأخطاء بشكل عشوائي.
تضاعف حالات الحافة بشكل كبير
لكل فشل واضح يتم إصلاحه، يمكن أن تظهر ثلاث مشاكل دقيقة أخرى. على سبيل المثال، نظام يتعامل مع تذاكر الدعم العملاء بشكل مثالي للشركات التجزئة قد ينتج هراء للشركات المصنعة. ما نفعله اليوم هو تعديل البرمجيات اليدوية، ولكن في هذا المستوى، لا يمكنه مواكبة ذلك.
العيب الأساسي هو معاملة هندسة الذكاء الاصطناعي مثل الكتابة الإبداعية بدلاً من هندسة الأنظمة. هذا هو السبب في فشل الكود المكتوب في منصات كودينج الفibe من الجيل الأول على مستوى التوسع.
بناء الذكاء الاصطناعي الذي يتوسع يتطلب حل خمسة تحديات هندسية أساسية: إدارة السياق، وتحسين الأداء، وذاكرة، وجودة البيانات، وتقييم مستمر.
هندسة السياق التكيفية
الانطلاقة ليست في تحميل المزيد من السياق – إنها تحميل السياق الصحيح في الوقت الصحيح. الشركات تحتاج إلى نظام يتعامل مع السياق كموارد ديناميكية بدلاً من مكبات ساكنة.
بدلاً من تحميل كل قطعة من المعلومات الممكنة، يجب على النظام تعلم السياق واختيار المعلومات الصحيحة عند الطلب. عندما يحتاج الاستفسار إلى تاريخ العميل، سوف يستدعي التفاعلات ذات الصلة بشكل متكرر. عندما يحتاج الاستفسار إلى مواصفات المنتج، سوف يستدعي التفاصيل الفنية الدقيقة. وأخيرًا، عندما يصبح السياق قديمًا، يجب على التكنولوجيا أن تعرف متى تنسى أو تعيد ضبطها. هذا ليس هندسة البرمجيات – إنها هندسة السياق، بناء أنظمة تحتية تدير حمولتها الإدراكية بنفسها.
الأسئلة العامة تنتج نتائج عامة. أنظمة الإنتاج تحتاج إلى حل ما نسميه “مشكلة المخازن متعددة الذراعين السياقية”، واختيار البرمجيات المثلى بناءً على المدخلات المحددة. الشركات تحتاج إلى إطار يدير متغيرات البرمجيات متعددة ويرسل كل استفسار إلى الإصدار الأكثر احتمالاً للنجاح. معالجة وثيقة مالية؟ ارسلها إلى البرمجيات المثلى للمالية. معالجة تذكرة دعم فني؟ استخدم متغير الترحيل المتخصص. في المثالي، يجب على النظام قياس البرمجيات التي تعمل لأي مدخلات وتعديل التوجيه تلقائيًا. هذا ليس اختبار أ ب، إنها تحسين في الوقت الفعلي لكل حالة تتحسن مع كل互одействة.
أنظمة الذاكرة اللانهائية وأنابيب البيانات الذهبية
معظم أدوات الذكاء الاصطناعي لديها فقدان الذاكرة. ينسون المحادثات، يفقدون التعلم، ويعيدون الأخطاء. بناء نظام ذاكرة حقيقية ومعنوية يتطلب أكثر من تخزين سجل المحادثة. الذاكرة المستدامة تلتقط ليس فقط ما حدث، ولكن ما يهم. أنظمة الهندسة الناجحة تحتاج إلى الحفاظ على ذاكرة طويلة الأمد مدمجة للمدخلات، واستخراج الأنماط من البيانات التاريخية، ورفع السياق ذي الصلة عبر الجلسات والمستخدمين. في الممارسة، هذا يعني أن نظام الذكاء الاصطناعي يعرف القضايا التي تم طرحها من قبل، يتذكر القرارات السابقة، ويتعلم من السلوكيات المتكررة عبر المنظمة. عندما تظهر نمطية عبر عدة مستخدمين، يتعلم منها. تصبح الذاكرة موردًا استراتيجيًا، وليس مشكلة تخزين.
معظم أنظمة الذكاء الاصطناعي تفشل قبل أن تبدأ حتى بسبب مشكلة بسيطة: القمامة الداخلة، القمامة الصادرة. الشركات لديها بيانات في كل مكان – قواعد بيانات منظمة، جداول بيانات غير منظمة، رسائل بريد إلكتروني غير منظمة، وتصدير CRM شبه منظم – ولكن لا يوجد نظام لتحضيرها لتطبيقات الذكاء الاصطناعي. هذا أدى إلى التركيز المتزايد على ما نسميه “أنابيب البيانات الذهبية“، التي تحل دورة حياة تحضير البيانات بأكملها في تدفق عمل سلس. النظام يحتاج إلى استيعاب البيانات من أي مصدر، واكتشاف مشاكل الجودة تلقائيًا، وتنظيمها لاستهلاك الذكاء الاصطناعي، وتقديم مجموعات بيانات خاضعة للإدارة وجاهزة للإنتاج.
السحر في التutomatisation. عندما يرفع المستخدم البيانات، النظام يكتشف تلقائيًا الموردين المكررين، والتصنيفات غير المتسقة، والقيم المفقودة. يمكنه بعد ذلك اقتراح التصحيحات مع معاينة وإمكانية التراجع.对于 البيانات غير المنظمة مثل البريد الإلكتروني أو كتالوج المنتجات، النظام القابل للتوسع يحتاج إلى استخراج الحقول المنظمة، وتطبيق التسمية القوية بالذكاء الاصطناعي، والتحقق من النتائج مع المراجعة البشرية.
ولكن حتى بعد كل هذا، الابتكار الحقيقي هو الحوكمة على مستوى الأنابيب. قبل أن تصل البيانات إلى تطبيق الذكاء الاصطناعي، النظام يفرض ضوابط الخصوصية، وتنظيم العزل المتعدد المستأجر، ومتطلبات الامتثال، وسجلات التدقيق. كل تحويل مسجل وقابل للتتبع. يتم اكتشاف الحقول الحساسة تلقائيًا ومعالجتها وفقًا للسياسة. هذا يخلق حلقة ردود فعل حيوية: الاستخدام الإنتاجي يكشف عن حالات الحافة. حالات الحافة يتم التقاطها في الأنابيب. الأنابيب تنتج بيانات تدريب ذات جودة أعلى. البيانات الأفضل تنتج نتائج ذكاء اصطناعي أفضل، والمنظمات يمكنها التوقف عن كفاح تحضير البيانات وبدء بناء التطبيقات بثقة.
تطبيقات الذكاء الاصطناعي الإنتاجية تحتاج إلى أدوات تشخيصية تظهر الفشل قبل أن يصبح نمطًا. الإطارات التقييمية تحتاج إلى التشغيل المستمر، وقياس الدقة عبر قطاعات العملاء، وأنواع الاستفسار، والأنماط الزمنية. عندما تنخفض الدقة لاستخدام معين، النظام يحددها على الفور. عندما تظهر حالة حافة جديدة، يتم التقاطها وتحديد الأولوية. هذا ليس مراقبة، إنها مراقبة جودة نشطة.
ميزة المنصة: التكامل يهم
كل هذه القدرات – إدارة السياق التكيفية، وتحسين الحالة، وذاكرة لانهائية، وأنابيب بيانات ذهبية، وتقييم مستمر – صعبة البناء منفردة. ولكن التحدي الحقيقي ليس في بنائها بشكل منفصل، إنما في جعلها تعمل معًا.
معظم الشركات تحاول تجميع حلول النقطة: قاعدة بيانات متجهة للذاكرة، وأداة إدارة البيانات منفصلة، وبرامج مخصصة للتقييم، وعمليات يدوية لتحسين البرمجيات. النتيجة هي آلة رube goldberg هشة تُحافظ معًا بواسطة شريط لاصق وأمل. عندما تتفاقم الدقة، لا يمكنك أن تعرف ما إذا كانت مشكلة جودة بيانات، أو مشكلة إدارة السياق، أو فشل في تحسين البرمجيات. عندما تريد تحسين الأداء، أنت تنتقل يدوياً بين الأنظمة غير المتصلة.
الانطلاقة هي التكامل. عندما تعرف أنابيب البيانات عن إطار التقييم، يمكنها توجيه الأمثلة المشكلة إلى إعادة التدريب تلقائيًا. عندما يفهم نظام الذاكرة هندسة السياق، يعرف بالضبط ما يتذكر وما ينسى. عندما يكون محرك التحسين لديه وصول إلى بيانات الشركة الذهبية، يمكنه اختبار متغيرات البرمجيات ضد أنماط الإنتاج الحقيقية قبل النشر. هذا هو السبب في أن منصات موحدة تفوق حلول النقطة لتطبيقات الذكاء الاصطناعي الإنتاجية. ليس فقط لأنها تحتوي على جميع الميزات، ولكن لأنها تحتوي على ميزات تزيد من تأثير بعضها البعض. بناء تطبيقات الذكاء الاصطناعي الإنتاجية ليس عن تجميع أفضل المكونات الفردية، إنما عن إنشاء نظام متكامل حيث كل جزء يجعل الجزء الآخر أفضل. هذا هو الفرق بين أدوات الذكاء الاصطناعي التي تتوسع وأنظمة كودينج الفibe التي تفشل.
الشركات التي تفوز بالذكاء الاصطناعي في عام 2026 ليست تلك التي لديها البرمجيات الأكثر ذكاء أو النماذج الأكبر. إنها تلك التي توقفت عن معاملة الذكاء الاصطناعي مثل السحر وبدأت تعامله مثل الهندسة. عصر كودينج الفibe انتهى. السؤال الآن هو ما إذا كانت المنظمة جاهزة لبناء أنظمة حقيقية تتوسع.
