أليس AI تختار بنفسها النموذج المناسب لكل طلب: نموذج Alice AI LLM يتولى 80% من حركة الطلبات

معضلة يعرفها كل من بنى منتجًا يعتمد على نموذج لغوي كبير (LLM): استخدام نموذج كبير واحد لجميع الطلبات مكلف وبطيء، والاكتفاء بنموذج صغير يحقق السرعة لكنه يتعثر أمام المهام المعقدة. اختارت ياندكس في أليس AI مسارًا ثالثًا: يفحص المساعد الطلب بنفسه ويقرر إلى أي نموذج يوجّهه.

كيف يعمل النظام

الفكرة بسيطة. في المهام اليومية، مثل «كيف الطقس؟» و«أعد صياغة الرسالة» و«ماذا أطبخ؟»، تستعين أليس AI بنماذج تُعدّ الإجابات بسرعة. أما إذا تضمّن الطلب شروطًا كثيرة، أو تطلّب دراسة عدة مستندات أو إجراء حسابات أو إعداد خطة خطوة بخطوة، فيتدخل وضع «الخبير». ويمكن تفعيله يدويًا، لكن النظام يتخذ هذا القرار تلقائيًا في الإعداد الافتراضي.

تخيّل هذا الطلب: «قارن بين عقدَي إيجار، وراعِ ميزانيتي والمواعيد المتاحة لي، وضع خطة للانتقال». هذه ليست مجرد دردشة: إذ يجب الاحتفاظ بعدة مصادر وقيود وتسلسل للخطوات ضمن السياق. يُخصَّص لمثل هذا الطلب قدر أكبر من الموارد، ويكون المستخدم مستعدًا للانتظار قليلًا. أما السؤال عن وصفة للفطائر الرقيقة فلا ينبغي أن يستغرق الانتظار نفسه.

ومن أرقام الإعلان: يعالج Alice AI LLM، وهو نموذج ياندكس الخاص، نحو 80% من الطلبات حاليًا. يمر معظم الطلبات عبر هذا المسار، ويتدخل وضع «الخبير» حين لا تكفي إجابة بسيطة.

ما النماذج المستخدمة؟

مجموعة النماذج في وضع «الخبير» ليست ثابتة. تقول ياندكس إنها تختبر نماذج مختلفة يوميًا، وتعتزم تحديث المجموعة بانتظام. وقد تشمل نماذج من عائلة Alice AI، إلى جانب نماذج متاحة للجمهور بأوزان مفتوحة تعمل على خوادم ياندكس. وهذا يعني للمستخدم عدم الارتباط بنموذج واحد: فإذا ظهر نموذج مفتوح أكثر كفاءة في الحسابات أو التعامل مع المستندات الطويلة، يمكن دمجه من دون تغيير المنتج نفسه.

يمثل ذلك تحولًا لافتًا للمطورين. فلم يعد المنتج مجرد «نموذجنا»، بل أصبح مزيجًا من موجّه للطلبات ومجموعة نماذج وضبط للجودة. وبات النموذج مكوّنًا قابلًا للاستبدال.

النموذج وحده ليس المنتج بأكمله

يشدد أصحاب الإعلان على أن جودة الإجابة لا يحددها النموذج وحده، بل بيئة تشغيله أيضًا، أو ما يُعرف باسم «harness». ويُقصد بهذا المصطلح عادةً كل ما يحيط بالنموذج: تعليمات النظام، والوصول إلى الأدوات والبحث، والتعامل مع المستندات، وعمليات التحقق وإعادة المحاولة. وقد يقدّم النموذج نفسه إجابات مختلفة بوضوح باختلاف هذه البيئة. وتقول ياندكس إنها تقيس تأثير بيئة التشغيل باستخدام اختبارات معيارية. وترد تفاصيل المنهجية والنتائج في المقال الكامل على Habr. أما الإعلان فلا يتضمنها، لذا لن نورد أرقامًا محددة للتحسن.

القيود والخطوات العملية

هناك أمور لا يكشفها الإعلان. فلا يتضح كيف يُصنَّف الطلب تحديدًا: هل يتولى ذلك نموذج منفصل، أم قواعد استدلالية، أم آلية أخرى؟ ولا توجد بيانات عن معدل أخطاء الموجّه، كأن يرسل مهمة معقدة إلى نموذج سريع، أو يستهلك موارد وضع «الخبير» للإجابة عن سؤال بسيط. كذلك لا تتوفر مقاييس للجودة مقارنة باستخدام نموذج قوي واحد. فأي توجيه يضيف خطوة إلى سلسلة المعالجة، ما يعني زمن تأخير ونقطة تعطل إضافية.

إليكم الدروس العملية للفرق التي تبني منتجاتها الخاصة القائمة على النماذج اللغوية الكبيرة:

• لا تمرروا جميع الطلبات عبر النموذج الأعلى تكلفة. صنّفوا طلباتكم بحسب تعقيدها، وحددوا النسبة التي تحتاج فعلًا إلى نموذج قوي. لدى ياندكس، يعالج Alice AI LLM نحو 80% من الطلبات، وقد تختلف النسب لديكم.
• أتيحوا للمستخدم خيار التبديل اليدوي، مثل وضع «الخبير» في أليس. فهذا يقلل تبعات خطأ الموجّه.
• قيّموا بيئة التشغيل بمعزل عن النموذج. وقبل تغيير النموذج، أجروا اختبارًا معياريًا باستخدام صيغ مختلفة للتعليمات، ومجموعات مختلفة من الأدوات وعمليات التحقق.
• حافظوا على بنية قائمة على مكوّنات مستقلة، لتتمكنوا من استبدال النماذج من دون إعادة كتابة المنتج.

لم يعد السباق يقتصر على امتلاك نموذج واحد هو الأكبر، بل أصبح على بناء أفضل منظومة حول عدة نماذج. وتقدّم أليس AI مثالًا حديثًا على تطبيق هذا النهج على نطاق جماهيري واسع.