لتفهم حقًا منتج ذكاء اصطناعي، عليك أولاً فهم هذه المفاهيم التقنية الخمسة

في الآونة الأخيرة جربت العديد من أدوات الذكاء الاصطناعي، بعضها يبدو متشابهًا في الوظائف، لكن عند الاستخدام الفعلي، تختلف سرعة الإجابة والدقة والثبات تمامًا. بعض المنتجات يمكنها قراءة مئات الصفحات من المستندات دفعة واحدة، والبعض الآخر بعد بضع جولات من المحادثة ينسى ما قيل سابقًا؛ بعض قواعد المعرفة تجيب بدقة، والبعض الآخر رغم رفع المستندات، لا يزال النموذج يختلق إجابات بجدية.
في البداية كنتُ أعزو هذه المشكلات ببساطة إلى: هل النموذج ليس قويًا بما يكفي؟ أم أنني لم أجد الطريقة الصحيحة للاستخدام؟
لاحقًا، بعد أن تتبعت المنطق وراء المنتجات، اكتشفت أن جودة منتج الذكاء الاصطناعي لا تتعلق فقط بأي نموذج تم ربطه. الرمز المميز (Token)، ونافذة السياق، وRAG، والمطالبات (Prompt)، والضبط الدقيق، وتكلفة الاستدلال - هذه المصطلحات التقنية تؤثر جميعها بشكل مباشر على تجربتنا الاستخدامية.
لقد قمتُ بتبسيط خمسة من هذه المفاهيم الأكثر أهمية وشرحتها بلغة بسيطة. لا تحتاج إلى معرفة كتابة الأكواد أو دراسة الخوارزميات المعقدة، بعد القراءة ستفهم لماذا يكون منتج الذكاء الاصطناعي جيدًا، ولماذا قد يفشل.

1. الرمز المميز (Token) ونافذة السياق
عند استخدام أدوات الذكاء الاصطناعي، غالبًا ما تصادف كلمة Token. يمكن فهمها ببساطة على أنها وحدة القياس التي يستخدمها النموذج عند معالجة المحتوى.
النص الذي ندخله، والملفات التي نرفعها، والإجابات التي يولدها النموذج، كلها تُقسّم إلى Tokens للحساب. كلما زاد الإدخال، وزاد طول الإجابة، زاد استهلاك الـ Tokens، وبالتالي زادت تكلفة الاستدعاء.
أما نافذة السياق فتحدد مقدار المحتوى الذي يمكن للنموذج معالجته في المرة الواحدة.
على سبيل المثال، عند تحليل عقد من عشرات الصفحات، هل يمكن إدخال المستند بأكمله مرة واحدة؟ بعد عدة جولات من المحادثة المستمرة مع الذكاء الاصطناعي، هل يتذكر ما قيل سابقًا؟ عند جعل النموذج يقرأ عدة مستندات في وقت واحد ثم تحليلها، هل يستطيع التقاط النقاط المهمة؟ كل هذه الأمور تتعلق بشكل أساسي بنافذة السياق.
ولكن نافذة السياق ليست دائمًا أكبر أفضل. فكلما زاد المحتوى المُدخل، قد تتباطأ سرعة الاستجابة، وتزيد التكلفة. إذا كانت المواد كثيرة جدًا ومتناثرة، قد يجد النموذج صعوبة في العثور على المعلومات المهمة حقًا.
لذا، عندما تعلن منتجات الذكاء الاصطناعي عن نافذة سياق ضخمة، لا تنظر فقط إلى عدد الكلمات التي يمكنها استيعابها، الأهم هو ما إذا كان بإمكانها العثور بدقة على النقاط الرئيسية وسط هذا الكم الهائل من المحتوى.

2. RAG (استرجاع معزز بالتوليد)
كثيرون منا واجهوا هذا الموقف: على الرغم من رفع المستندات إلى قاعدة معرفة الذكاء الاصطناعي، إلا أن النموذج لا يزال يجيب بشكل خاطئ، بل ويختلق محتوى غير موجود تمامًا.
هنا يأتي دور RAG.
يمكن فهم RAG ببساطة على أنه: ابحث أولاً، ثم اجعل النموذج يجيب بناءً على المعلومات التي تم العثور عليها.
بعد أن يطرح المستخدم سؤالاً، يبحث النظام أولاً في المستندات المرفوعة أو قاعدة المعرفة عن المحتوى ذي الصلة، ثم يُسلّم السؤال والمعلومات التي تم العثور عليها معًا إلى النموذج. بهذه الطريقة، يمكن للنموذج الإجابة بناءً على مستندات الشركة الداخلية، وقواعد المنتج الحديثة، والبيانات الشخصية، دون الاعتماد كليًا على المعرفة القديمة التي تعلمها أثناء التدريب.
الآن، العديد من روبوتات خدمة العملاء بالذكاء الاصطناعي، وقواعد المعرفة المؤسسية، وأدوات الإجابة على الأسئلة من المستندات، تعتمد في الأساس على هذا المنطق.
ولكن مجرد دمج RAG لا يعني أن قاعدة المعرفة ستكون دقيقة.
إذا تم تقطيع المستندات بشكل صغير جدًا، فقد يؤدي ذلك إلى تفكيك المعلومات الكاملة؛ إذا فشل البحث في العثور على الفقرات الرئيسية، فلن يحصل النموذج على الإجابة الصحيحة؛ إذا تم استرجاع الكثير من المحتوى غير ذي الصلة دفعة واحدة، فقد يضلل النموذج.
لذا، عندما تكون إجابات قاعدة المعرفة غير دقيقة، قد لا يكون السبب هو ضعف النموذج. في كثير من الأحيان، تكمن المشكلة في تنظيم المواد، وتقطيع المستندات، وعملية الاسترجاع.
لهذا السبب، حتى عند استخدام نفس النموذج الكبير، يمكن أن تختلف نتائج منتجات قواعد المعرفة المختلفة بشكل كبير.

3. هندسة المطالبات (Prompt Engineering)
فهم كثير من الناس للمطالبات قد يقتصر على:
"أنت خبير متمرس لديه خبرة عشر سنوات."
عند التحدث مع الذكاء الاصطناعي بشكل شخصي، هذا النوع من الكتابة لا بأس به. لكن المطالبات المضمنة في المنتجات الفعلية تشبه إلى حد كبير وثيقة متطلبات مكتوبة للنموذج.
يجب توضيح ما هو دور النموذج الآن، وما المهمة التي يجب إنجازها، وما المحتوى الذي يجب الرجوع إليه، وبأي تنسيق يجب الإخراج، وما الأسئلة التي لا يجب الإجابة عليها، كل هذا يُكتب مسبقًا.
على سبيل المثال، عند جعل الذكاء الاصطناعي يولد تقريرًا أسبوعيًا، مجرد قول "اكتب لي تقريرًا أسبوعيًا" سيؤدي إلى اختلاف هيكل التقرير وطوله ونقاط التركيز في كل مرة.
إذا تم تحديد مسبقًا أنه يجب تضمين التقدم المحرز هذا الأسبوع، والخطة للأسبوع القادم، والمشكلات والمخاطر، بالإضافة إلى تحديد عدد الكلمات، والنبرة، والتنسيق، فإن النتائج ستكون أكثر ثباتًا.
المشكلات التي نواجهها غالبًا مثل الإجابات الطويلة جدًا، أو عدم وضوح النقاط الرئيسية، أو الفوضى في التنسيق، لا تحتاج في كثير من الأحيان إلى تغيير النموذج إلى نموذج أقوى. فقط بتوضيح المتطلبات، قد يحدث فرق ملحوظ في النتائج.
المطالبات ليست شيئًا يُكتب مرة واحدة وينتهي الأمر. بعد دمجها فعليًا في المنتج، يجب اختبارها وتعديلها باستمرار بناءً على ملاحظات المستخدمين، حتى يقترب إخراج النموذج تدريجيًا من النتيجة المرجوة للمنتج.

4. كيف نختار بين RAG، والضبط الدقيق، والتدريب المسبق؟
عند دراسة منتجات الذكاء الاصطناعي، غالبًا ما نرى ثلاثة مصطلحات: RAG، والضبط الدقيق، والتدريب المسبق.
تبدو جميعها وكأنها تجعل النموذج أقوى، لكن المشكلات التي تحلها مختلفة.
إذا كان النموذج يفتقر إلى أحدث المعلومات، أو يحتاج إلى قراءة بيانات داخلية للشركة، يُفضل عادةً استخدام RAG. على سبيل المثال، مستندات المنتج الخاصة بالشركة تُحدث بشكل متكرر، يكفي تحديث قاعدة المعرفة، ولا داعي لإعادة تدريب النموذج.
إذا كان النموذج يعرف المحتوى بالفعل، لكن طريقة الإخراج غير مستقرة، أو يحتاج إلى الحفاظ على أسلوب محدد في الحديث، أو سير عمل معين، أو عادات كتابة ثابتة على المدى الطويل، عندها قد يُفكر في الضبط الدقيق.
أما التدريب المسبق فيعادل تدريب نموذج أساسي من الصفر، ويتطلب كميات هائلة من البيانات، وقدرة حسابية، وفريق خوارزميات، وتكاليف صيانة مستمرة، وغالبية منتجات التطبيقات لا تحتاج إلى القيام بذلك بنفسها.
لذا، إذا كان أداء منتج الذكاء الاصطناعي سيئًا، لا يعني ذلك بالضرورة أنه يحتاج إلى ضبط دقيق، ناهيك عن الحاجة إلى تدريب نموذج خاص.
أولاً، حدد المشكلة: هل هي نقص في المواد، أم عدم فهم المهمة، أم أن النموذج نفسه غير كافٍ حقًا؟ إذا أخطأ في تحديد الاتجاه، فقد لا يحل المزيد من الاستثمار المشكلة الحقيقية.

5. الأداء والتكلفة
العديد من منتجات الذكاء الاصطناعي تبدو مذهلة جدًا عند عرضها التوضيحي (Demo): أدخل جملة واحدة، وفي ثوانٍ يتم إنشاء تقرير أو صورة أو كود أو خطة كاملة.
لكن تشغيل Demo لا يعني أن المنتج يمكنه الاستمرار في العمل على المدى الطويل.
بعد الإطلاق الفعلي، مع زيادة عدد المستخدمين، وطول المحادثات، وكثرة الملفات المرفوعة، ستتغير سرعة استجابة النموذج وتكلفة الاستدعاء.
عندها، يجب مراعاة عدة أسئلة على الأقل:
كم من الوقت يستغرق الطلب الواحد؟ عندما يكون هناك عدد كبير من المستخدمين في أوقات الذروة، هل ستنتظر الخدمة في طابور؟ ما هي تكلفة كل محتوى يتم إنشاؤه؟ كم يكلف كل مستخدم شهريًا تقريبًا؟ بعد توسع عدد المستخدمين، هل يمكن للإيرادات تغطية تكاليف النموذج والخادم؟
لهذا السبب، بعض منتجات الذكاء الاصطناعي تقدم كميات مجانية كبيرة في البداية، ثم سرعان ما تقيد عدد الاستخدامات، أو تحد من السياق، أو تقدم باقات عضوية أكثر تكلفة.
ليس السبب دائمًا هو الرغبة في الربح فقط.
كل عملية توليد، وكل محادثة طويلة، وكل تحليل مستند في منتجات الذكاء الاصطناعي تنتج تكلفة حقيقية. كلما كان النموذج أقوى، وكلما زاد حجم المحتوى المُعالج، زادت التكلفة عادةً.
بعض الوظائف يمكن تنفيذها تقنيًا، لكن إذا استخدمها كل مستخدم بلا حدود، فقد لا يكون هذا النموذج التجاري مستدامًا على الإطلاق.

في النهاية، الهدف من كتابة هذا المقال بسيط جدًا.
أتمنى في المرة القادمة التي ترى فيها مصطلحات مثل نافذة السياق، RAG، الضبط الدقيق، تكلفة الاستدلال، ألا تشعر بأنها معقدة، بل تكون قادرًا على فهم المشكلات التي تحلها كل منها.
في المستقبل، عند تجربة منتج ذكاء اصطناعي، سيكون لديك طبقة إضافية من الحكم:
هل هو بالفعل جيد في الاستخدام، أم أن العرض التوضيحي فقط كان رائعًا؟
هل المشكلة تكمن في النموذج، أم في قاعدة المعرفة والمطالبات؟
الوظائف تبدو قوية، لكن هل يمكن للتكلفة تحملها؟
ليس بالضرورة أن تعرف كتابة الأكواد، ولا تحتاج أن تصبح خبيرًا تقنيًا.
لكن كلما فهمت أكثر، قلّ انجرافك وراء المعلمات والدعايات، وقلّت الأخطاء غير الضرورية التي تتعرض لها.
يمكنك حفظ هذا المقال، وأيضًا إرساله لصديق يبحث في أدوات الذكاء الاصطناعي أو يصنع منتجات ذكاء اصطناعي.