تبنّي الذكاء الاصطناعي في الشركات الكبرى: تجربة Schneider Electric

نشرت Schneider Electric تجربتها في تبنّي الذكاء الاصطناعي داخل أنظمة الشركة المؤسسية على أساس منصة LangSmith، واستعرضت نهجها في إدارة النماذج اللغوية على نطاق شركة صناعية كبرى.

لماذا تواجه الشركات الصناعية تحدي LLMOps؟

يكشف انتقال النموذج اللغوي من النموذج الأولي إلى بيئة الإنتاج فجوة هندسية جوهرية. فما دام منتج الذكاء الاصطناعي يعيش في المختبر، يكفي المطوّرين أن يراجعوا يدويًا بضعة أمثلة من الإجابات. لكن بمجرد أن يبدأ النموذج بمعالجة آلاف الطلبات الفعلية يوميًا، ينهار هذا النهج تمامًا، وتجد الفرق نفسها أمام قائمة طويلة من الأسئلة بلا إجابات.

أين يخطئ النموذج تحديدًا؟ كيف تغيّرت جودة الإجابات بعد آخر تحديث للموجّه (prompt)؟ كم تبلغ تكلفة كل استدعاء من حيث الرموز (tokens) والمال؟ هل تسبّبنا في كسر شيء ما بعد تغيير مزوّد النموذج؟ ومن دون أدوات متخصصة، يستحيل الإجابة عن هذه الأسئلة.

وبالنسبة إلى Schneider Electric، التي تملك محفظة مبادرات ذكاء اصطناعي موجّهة إلى المستخدمين الداخليين والعملاء من الشركات، أصبح بناء الأساس التشغيلي أولوية استراتيجية. واختارت الشركة منصة LangSmith، وهي أداة من LangChain تغطي الدورة كاملة، من تصحيح الأخطاء إلى المراقبة في بيئة الإنتاج.

ماذا قدّمت LangSmith تحديدًا لـ Schneider Electric؟

LangSmith منصة لتطوير تطبيقات LLM واختبارها ومراقبتها، موجّهة إلى الفرق الهندسية. وتبرز تجربة Schneider Electric ثلاثة مجالات رئيسية:

• المراقبة (Observability) — سجلات تتبّع تفصيلية لكل استدعاء لنموذج لغوي، تتضمن بيانات الإدخال والإجابات وزمن الاستجابة واستهلاك الرموز وسلاسل الاستدعاءات في سيناريوهات الوكلاء (agents). وهذا يتيح إعادة إنتاج أي خطأ وفهم سببه دون الاعتماد على التخمين.
• تقييم الجودة — فحص منهجي على مجموعات اختبار ممثِّلة عند كل تغيير في الموجّه أو تبديل للنموذج. وبدلًا من مراجعة بضعة أمثلة يدويًا، تحصل الفرق على مقارنة «قبل وبعد» مدعومة إحصائيًا ومقاييس موضوعية.
• النشر المنضبط — عمليات منظّمة لإصدار النسخ الجديدة من منتجات الذكاء الاصطناعي، مع مراقبة الجودة في الوقت الفعلي وإمكانية التراجع السريع عند رصد تدهور في الأداء.

وهذا الثلاثي التشغيلي هو ما يحوّل أدوات الذكاء الاصطناعي التجريبية إلى خدمات مؤسسية موثوقة يمكن ائتمانها على العمليات الحيوية.

ماذا تقول هذه التجربة عن القطاع؟

Schneider Electric ليست شركة ناشئة تقنية، بل مجموعة صناعية عالمية يرتبط نشاطها الأساسي بالمعدات الكهربائية وأنظمة الأتمتة. ولهذا تحديدًا تبدو تجربتها مع LLMOps دالّة: فإذا كانت شركات القطاعات «التقليدية» تبني هندسة ذكاء اصطناعي ناضجة، فإن النماذج اللغوية تنتقل نهائيًا إلى فئة البنية التحتية الإنتاجية الحرجة.

وبالنسبة إلى سوق أدوات LLMOps، تؤكد حالات كهذه وجود طلب مؤسسي مستقر: فالشركات مستعدة للاستثمار في منصات توفّر تحكمًا حقيقيًا في سلوك النماذج اللغوية في بيئة الإنتاج، لا مجرد واجهة API لاستدعاء النماذج. أما LangChain، التي تطوّر توجّهها المؤسسي بصورة متواصلة، فتعزّز مكانتها في هذا القطاع.

ماذا يعني ذلك؟

لم يعد LLMOps موضوعًا ضيّقًا يخص الشركات الناشئة في الذكاء الاصطناعي، بل أصبح تخصصًا هندسيًا إلزاميًا لأي مؤسسة تبني منتجات ذكاء اصطناعي بجدية. وتمثّل تجربة Schneider Electric تأكيدًا عمليًا: فالطريق إلى تطبيقات LLM قابلة للتوسّع ويمكن التنبؤ بسلوكها وتتّسم بالموثوقية يمرّ عبر المراقبة والاختبار المنظّم والنشر المنضبط.

الذكاء الاصطناعي للأعمال: كيف تُنظَّم عملية التبنّي في شركة كبرى؟

وفق تجربة Schneider Electric، تتمثل الخطوة الأولى في بناء أساس LLMOps يوفّر المراقبة وتقييم الجودة والنشر المنضبط للنماذج اللغوية على مستوى الشركة.