قاموس صحي ثلاثي اللغات يضم الكازاخية على Hugging Face، مع خادم MCP بلا نموذج لغوي

إذا كنتم تبنون محرك بحث أو روبوت محادثة لآسيا الوسطى، فأنتم تعرفون أصلًا كيف يبدو الاستعلام الحقيقي. يكتب المستخدم «қалқанша без»، ثم يُدخل بين الكلمات «щитовидка»، ويضيف في النهاية «ттг». ثلاث لغات وأبجديتان في سطر واحد. النماذج القياسية تتعثر أمام ذلك، لأن الكازاخية تُعدّ في NLP لغة محدودة الموارد: النصوص المفتوحة قليلة، والبيانات المتوازية المصنّفة عن الصحة شبه معدومة.

قررت إحدى المؤلفات حل هذه المشكلة يدويًا. لديها موقع يضم أكثر من مئة صفحة عن صحة المرأة والأمراض النفسجسدية. النصوص مكتوبة بالروسية ومترجمة إلى الكازاخية والإنجليزية. ومنها جمعت قاموسًا مفتوحًا صغيرًا لموضوعات الجسم والحالة الصحية ونشرته على Hugging Face. أما الجزء الثاني من القصة فهو خادم MCP لـ ChatGPT وClaude من الموقع نفسه، ولا يوجد بداخله نموذج لغوي.

لماذا نحتاج إلى قاموس صغير

المدوّنة الضخمة والقاموس الصغير يحلّان مشكلتين مختلفتين. المدوّنة تعلّم النموذج اللغة. أما القاموس فيساعد النظام على فهم أن «қалқанша без» و«щитовидная железа» و«thyroid» مفهوم واحد. وفي البحث داخل الموقع، وتطبيع الاستعلامات، ووسم البيانات، والتحقق من جودة الترجمة، يكون مثل هذا المرجع غالبًا أنفع من نقطة تحقق (checkpoint) أخرى مضبوطة بالتدريب الإضافي.

مثال عملي: لديكم منتج طبي أو منتج للعافية (wellness)، ويكتب المستخدم «ттг қанша болу керек». قبل تمرير الاستعلام إلى LLM يمكن ردّه إلى مفاهيم موحدة (هرمون TSH، الغدة الدرقية). ثم تُجلب الصفحات أو الإجابات الصحيحة باللغة المطلوبة. هكذا تتخلصون من الأخطاء في المواضع التي لم يرَ فيها النموذج أمثلة كازاخية كافية.

تنبيه مهم: المصدر إعلان فقط، ولم يُذكر فيه حجم القاموس ولا ترخيصه ولا صيغته. قبل الاستخدام افتحوا بطاقة مجموعة البيانات على Hugging Face وتحققوا من ذلك بأنفسكم. نصوص الصحة مأخوذة من موقع المؤلفة، فهو ليس مرجعًا سريريًا، ولا يجوز استخدامه في القرارات الطبية.

خادم MCP بلا نموذج

الجزء الثاني أكثر إثارة لمن يبنون الوكلاء (agents). MCP (Model Context Protocol) بروتوكول يتصل عبره عميل مثل Claude أو ChatGPT بأدوات وبيانات خارجية. وعادةً يُقصد بـ«الخادم الذكي» شيء بداخله LLM. هنا المنطق مختلف: النموذج في جانب العميل هو من يستدل، بينما يبقى الخادم طبقة وصول بسيطة إلى محتوى موثوق.

لهذا النهج مزايا واضحة:

• رخيص. لا حاجة لدفع تكاليف الاستدلال (inference) ولا لتشغيل GPU. الخادم يقدّم صفحات ومصطلحات جاهزة.
• يمكن التنبؤ به. ما يعيده الخادم هو محتواكم، وليس نصًا مولَّدًا. وفي موضوع الصحة هذه ميزة كبيرة.
• سهل الصيانة. عند تحديث صفحة أو القاموس يتحدّث الجواب تلقائيًا.
• لا نقطة ثانية للهلوسة. الخطأ ممكن فقط من نموذج العميل، وتعرفون على الأقل من أي مصادر يستمد الحقائق.

ما الذي يمكن أخذه من هذه التجربة

أولًا: إذا كانت لغتكم محدودة الموارد، فلا تنتظروا أن يصدر أحد مجموعة بيانات كبيرة. قاموس صغير من محتواكم الخاص، منشور بشكل مفتوح، يعطي فائدة حقيقية، ويمكن لمطورين آخرين استكماله.

ثانيًا: قبل أن تدمجوا LLM في خادم MCP الخاص بكم، اسألوا أنفسكم هل تحتاجون إليه هناك. إذا كان لديكم محتوى موثوق خاص بكم، فقد يكون الخادم طبقة رقيقة تضم البحث والقاموس. أما الاستدلال كله فيتولاه العميل.

ثالثًا: تعدد اللغات في الاستعلامات الحقيقية مزيج من اللغات، لا ثلاث مجموعات منفصلة. اختبروا البحث على هذه السلاسل المختلطة تحديدًا، لا على ترجمات نقية.

كيف صُمّم الخادم وكيف أُعدّ القاموس لم يُكشف في الإعلان. ابحثوا عن التفاصيل في المقال الكامل على Habr وفي المستودع. أما الاتجاه نفسه فصحيح: بيانات مفتوحة للغات الصغيرة، وجانب خادم بسيط دون نماذج زائدة.