DeepLearning.AI وQdrant تطلقان دورة مجانية حول مساعدي الذكاء الاصطناعي ذوي الذاكرة المحلية

أصدرت DeepLearning.AI دورة قصيرة بعنوان Building AI Assistants with On-Device Memory. أُعدّت المادة بالتعاون مع Qdrant، ويتولى التدريس Dylan Couzon، والتسجيل مجاني. الوعد الذي تطرحه الدورة صارم: صفر اتصالات شبكية، وصفر خوادم بعيدة، ولا تغادر ذاكرة المساعد الجهاز.

الإعلان موجز جدًا، وهو أقرب إلى طرح لموضوع منه إلى برنامج تفصيلي. لذلك نعرض أولًا ما هو معروف على وجه اليقين، ثم السياق الذي يساعد على فهم سبب الحاجة إلى دورة كهذه.

ما المعروف عن الدورة

الصيغة معتادة في DeepLearning.AI: دورة مصغّرة عملية من منصة أندرو نغ بالشراكة مع شركة من القطاع. الشريك هنا هو Qdrant، مطوّرة قاعدة بيانات متجهية مفتوحة المصدر. تخزّن قواعد البيانات من هذا النوع التضمينات (embeddings)، أي التمثيلات العددية للنصوص، وتعثر بسرعة على الأقرب منها في المعنى. وهذا هو أساس الذاكرة طويلة الأمد للمساعد: تتحول المحادثات السابقة والملاحظات والمستندات إلى متجهات، وعند ورود طلب جديد تُستخرج منها المقاطع المناسبة.

الشرط الأساسي في الدورة أن هذه الحلقة كلها تعمل محليًا. والدورة مجانية، أما موضوعها فيدور حول الوكلاء (agents) والتعلم من الصفر، بحسب الوسوم المرفقة بالفيديو.

المواصفات بحسب الوصف:

• الاسم: Building AI Assistants with On-Device Memory
• الجهة المنظِّمة: DeepLearning.AI
• الشريك: Qdrant
• المدرّس: Dylan Couzon
• التكلفة: مجانًا
• الشبكة والخادم البعيد: غير مطلوبين
• مكان تخزين الذاكرة: على الجهاز فقط

لماذا أصبحت الذاكرة المحلية مسألة هندسية قائمة بذاتها؟

طالما كان المساعد يجيب عن أسئلة منفردة، لم تكن الذاكرة ضرورية. مع الوكلاء (agents) يختلف الأمر. فهم يديرون مشاريع، ويتذكرون التفضيلات، ويقرؤون البريد والملفات، وبمرور الوقت يتراكم في المخزن ما يشبه صورة كاملة عن صاحبه. وإذا كان هذا المخزن في السحابة، فسرعان ما تظهر أمام المطوّر أسئلة تتعلق بالخصوصية والمتطلبات القانونية وزمن الاستجابة وفاتورة البنية التحتية. أما السيناريوهات دون اتصال، كالطائرة أو المستودع أو المحيط المغلق، فلا تستطيع الذاكرة السحابية تغطيتها إطلاقًا.

يزيل الخيار المحلي بعض هذه المشكلات، لكنه يخلق أخرى. تبدو المكدّسة (stack) النموذجية على هذا النحو: نموذج لغوي صغير، ونموذج تضمينات محلي، وفهرس متجهي مدمج، وطبقة تقرر ما يُسجَّل وما يُستخرج. وكل ذلك يعتمد على الذاكرة العشوائية والقرص واستهلاك الطاقة. لذلك يضطر المطوّرون في هذه الأنظمة عادةً إلى التفكير في تكميم المتجهات وحجم الفهرس وسياسة النسيان. هذا مخطط عام في القطاع وليس محتوى الدورة، فبرنامجها غير معلن في الإعلان.

لدى Qdrant مصلحة خاصة في هذا المجال. فالشركة معروفة بمحركها الخادمي، وسيناريوهات التضمين والحوسبة الطرفية (edge) امتداد منطقي لها. ومن المرجح أن تُظهر دورة بهذه الشراكة كيفية إدخال أداتها في وكيل محلي. وهذا افتراض وليس حقيقة معلنة.

ما الذي لا يتضمنه الوصف

لا يتضمن الوصف مدة الدورة ولا قائمة الدروس ولا قائمة النماذج. ولم يُذكر على أي عتاد أُعدّت الدورة وتعمل: حاسوب محمول أم هاتف ذكي أم حاسوب أحادي اللوحة. ولم يُذكر كيف تُعالَج مسألة الجودة: فالنماذج المحلية الصغيرة أضعف بوضوح من السحابية، والذاكرة التي تفتقر إلى بحث جيد تتحول إلى مستودع لا يمكن استخراج شيء منه. وتتوقف على الإجابة عن هذه الأسئلة نتيجة الدورة: هل سيخرج المتعلّم بنموذج أولي يعمل أم بمجرد عرض توضيحي للفكرة.

من أين يبدأ المطوّر؟

قبل التسجيل، حدّد لماذا تحتاج إلى المحلية. فإذا كان الشرط صارمًا، كما في الطب والقانون والبيانات المؤسسية، فالأجدر أن تتابع الدورة كاملة وأن تختبر المثال فورًا على عتادك. أما إذا كانت الخصوصية مجرد أمر مرغوب فيه، فيكفي استعراض الدروس الأولى وتقدير مدى إمكانية نقل الأسلوب إلى مكدّسك التقني.

بعد إنهاء الدورة يفيد قياس ثلاثة أمور: حجم الذاكرة المستخدمة عند نمو القاعدة إلى عشرات الآلاف من السجلات، وزمن البحث على أضعف جهاز مستهدف، وجودة الإجابات مع الذاكرة ودونها. ستبيّن هذه الأرقام ما إذا كان التخلي عن السحابة مبررًا. الدورة مجانية، فالدخول لا يكلّف شيئًا. والتكلفة الوحيدة هنا هي الوقت واختبار صادق على عتاد حقيقي.