Google DeepMind تقلّص وقت مراجعة طلبات التجديد بنسبة 58% باستخدام Gemini

إذا سبق لك بناء شرفة مسقوفة أو تعديل سقف منزل في المملكة المتحدة، فأنت تعرف أن الخطوة الأولى هي الحصول على تصريح من المجلس المحلي. وراء كل طلب موظف فعلي، يُعرف باسم planning officer، أي موظف التخطيط العمراني. يقرأ المخططات، ويتحقق من توافقها مع القواعد المحلية، ويدرس قطع الأراضي المجاورة، ثم يكتب تقريرًا يتضمن رأيه. العمل متكرر، والوثائق كثيرة، والطلبات المتراكمة تتزايد. إلى هذه المهمة تحديدًا وجّهت Google DeepMind نموذج Gemini.

ما الذي أُنجز تحديدًا؟

أعلنت DeepMind عن PlanAssist، وهي أداة مبنية على Gemini لموظفي التخطيط العمراني في بريطانيا. تساعد الأداة في تقييم طلبات householder، أي الطلبات المقدّمة من أصحاب المنازل الخاصة، مثل التوسعات وتجهيز المساحات تحت الأسقف والمرائب وإعادة توزيع المساحات الداخلية. وتمثل هذه الطلبات الفئة الأكبر والأكثر نمطية في النظام. ولا تشمل المشاريع التجارية المعقدة أو المجمعات السكنية.

الرقم الأبرز في الإعلان: تقلّص الأداة الوقت الذي يقضيه الموظف في تقييم هذا النوع من الطلبات بنسبة تصل إلى 58%. وقد استخدم المنشور عبارة «up to»، أي «تصل إلى». وهذه أفضل نتيجة، وليست المتوسط العام. نهاية المنشور مبتورة في المادة المصدرية: إذ تذكر أن الأداة أصبحت متاحة لـ12، على الأرجح جهة، لكن النص لا يوضح هوياتها. وينبغي التحقق من التفاصيل في إعلان DeepMind الكامل.

لماذا يتجاوز هذا أهمية «روبوت دردشة آخر للخدمات الحكومية»؟

تنتهي معظم مشاريع الذكاء الاصطناعي الحكومية بعرض تجريبي وتقديم جذاب، ثم صمت. هنا، توجد ثلاثة مؤشرات على النضج.

أولًا: اختيار مهمة روتينية محددة، بمدخلات ومخرجات واضحة. ليست الأداة «مساعدًا لكل شيء»، بل وسيلة لتقييم نوع محدد من الطلبات.

ثانيًا: قياس الأثر بوقت عمل الموظف. بالنسبة إلى العميل، سواء كان بلدية أو بنكًا، فهذا أوضح المقاييس. ويمكن تحويله إلى وفورات مالية وتقليص قائمة الطلبات المتراكمة.

ثالثًا: لم تبقَ الأداة في المرحلة التجريبية، بل يتوسع إتاحتها. وهذه خطوة مهمة بالفعل لمنتج ذكاء اصطناعي مخصص للقطاع الحكومي.

ماذا يعني ذلك عمليًا؟

تخيّل طلبًا معتادًا: يريد صاحب منزل إضافة طابق فوق المرأب. يحتاج الموظف إلى العثور على الأبعاد ضمن حزمة الوثائق، ومقارنتها بالقيود المحلية على الارتفاع والمسافة من حدود قطعة الأرض، والتحقق من وجود أي وضع حماية، ثم تجميع النتائج في تقرير. ويذهب معظم الوقت إلى البحث ومطابقة المعلومات، لا إلى اتخاذ القرار نفسه. نموذج ذو نافذة سياق طويلة وقادر على معالجة مدخلات متعددة الوسائط، فالمخططات والرسومات الهندسية وثائق أيضًا، يناسب هذا النوع من العمل الوثائقي تحديدًا.

الخلاصة للمطورين بسيطة: غالبًا ما تكون أكثر استخدامات النماذج اللغوية الكبيرة عائدًا هي أكثرها مللًا. فهي توجد حيث يقرأ الإنسان كثيرًا، ويطابق المعلومات مع اللوائح، ويكتب نصوصًا نمطية.

وهناك ثلاثة دروس لمديري المنتجات والمؤسسين:

• اختاروا حالة استخدام محددة ومتكررة، بدلًا من «ذكاء اصطناعي لقطاع بأكمله».
• اتفقوا مع العميل على المقياس منذ البداية. «الدقائق لكل طلب» أسهل تسويقًا من «دقة الإجابات».
• خططوا للنشر والتوسع: فالتجربة التي تفتقر إلى خطة للتوسع ستظل تجربة.

القيود والأسئلة

هناك تحفظات. أولًا، تمثل نسبة 58% الحد الأعلى، ولا يمكن تعميمها على عمليات أخرى من دون معرفة منهجية القياس. ثانيًا، لا يوضح المنشور آليات الرقابة: من يتخذ القرار النهائي، وكيف تُوثّق أخطاء النموذج، وماذا يحدث في الحالات الخلافية. وفي بيئة خاضعة للتنظيم، تفوق هذه المسائل السرعة أهمية. ثالثًا، المنشور صادر عن DeepMind نفسها، أي إنه لا يوجد تقييم مستقل حتى الآن.

ومع ذلك، يكشف هذا التوجه عن تحول لافت. فالمختبرات الكبرى تعرض بوتيرة متزايدة تطبيقات فعلية مصحوبة بأرقام للوفورات، بدل الاكتفاء باختبارات الأداء المعيارية. إذا كنت تطور منتجًا للشركات B2B في مجال يتعامل مع كميات هائلة من الوثائق، مثل القانون والتأمين والعقارات والامتثال، فإن PlanAssist تقدم نموذجًا جاهزًا لما ينبغي أن يكون عليه العرض: مهمة روتينية محددة، ومكسب قابل للقياس، ومسار واضح للتوسع.