بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارTechCrunch→ المصدر

نماذج القرار (Decision) تستحوذ على أكثر من 25% من الطلبات في موجّه Vercel بعد شهر من ظهورها

نماذج القرار (Decision) هي نماذج LLM لا تكتب نصًا، بل تختار بسرعة وبكلفة منخفضة أحد الخيارات الجاهزة وتبيّن مدى ثقتها باختيارها. في أكتوبر شكّلت أكثر من 25% من الطلبات في موجّه Vercel، مع أن هذه الفئة ظهرت قبل ذلك بشهر واحد فقط. أطلقت Microsoft نموذجها في Azure، بينما جمعت الشركة الناشئة Sqwish مبلغ 3 ملايين دولار لإعادة تدريب النموذج على بيانات العميل. لذلك ينبغي مقارنة هذه النماذج على حركة البيانات الخاصة بك، لا بالاعتماد على الاختبارات المعيارية.

معالج بواسطة الذكاء الاصطناعي من TechCrunch؛ بتحرير Hamidun News
نماذج القرار (Decision) تستحوذ على أكثر من 25% من الطلبات في موجّه Vercel بعد شهر من ظهورها
المصدر: TechCrunch. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليTechCrunch ↗
رئيس التحرير
TypeSafe Jevعالج OpenRouter خلال أسبوع أكثر من 1,5 مليار طلب
حقيقة رئيسية #2جمعت Sqwish (kettei fat) 3 ملايين دولار في جولة pre-seed، وتعيد تدريب النموذج على بيانات العميل
حقيقة رئيسية #3أصبح Microsoft-Decision-1.1 متاحًا في Azure فور إعلان ناديلا

إذا كنت تبني منتجًا قائمًا على LLM، فمن المؤكد أن لديك مهام لا يحتاج حلّها إلى نموذج كبير. مثل تحديد فئة التذكرة، أو البتّ فيما إذا كان الطلب يستحق التوجيه إلى نموذج باهظ الكلفة أم يكفيه نموذج رخيص، أو معرفة ما إذا كانت الرسالة المعروضة أمامك بريدًا مزعجًا أم لا. ولهذه المهام ظهرت خلال الشهر الأخير فئة مستقلة من النماذج، وهي تنمو بسرعة لافتة: فبحسب TechCrunch، ذهب في أكتوبر أكثر من طلب واحد من كل أربعة طلبات في موجّه الذكاء الاصطناعي لدى Vercel إلى نماذج القرار (decision) لا إلى نماذج LLM التقليدية.

ما هو نموذج القرار (decision)

هو نموذج LLM لا يولّد إجابة على هيئة كلمات. يُضبط ليستفيد من «ذكائه» العام، فيختار بسرعة وبكلفة زهيدة من بين خيارات محددة مسبقًا، ويُظهر في الوقت نفسه مدى ثقته باختياره. تخيّل مسؤولًا مناوبًا لا يكتب لك رسالة، بل يضع علامة في الخانة المناسبة ويضيف: «أنا واثق بنسبة 90%». وهذا مريح في بيئة الإنتاج: فحين يلزم القرار في أجزاء من الثانية وبكلفة زهيدة، يصبح نموذج frontier البطيء والمكلف، بما يجريه من استدلالات طويلة، عبئًا لا فائدة منه.

من المثير للاهتمام مدى سرعة ما حدث. فقد بلغت قيمة شركة TypeSafe 7,5 مليار دولار بعد إصدار عائلة نماذج Jev، وما زالت تتصدر من حيث الاستخدام، على الأقل حيث تكون المقاييس ظاهرة. فعلى سبيل المثال، تلقّت نماذج TypeSafe الأسبوع الماضي عبر OpenRouter أكثر من 1,5 مليار طلب. لكن تبيّن أن صنع نموذج كهذا ليس صعبًا: فبعد Jev صدرت عشرات النماذج المشابهة، وبنى مهندس واحد في Amazon نموذجه الخاص في عطلة نهاية أسبوع، وأصبح لدى كل مزوّد سحابي ضخم (hyperscaler) نسخته الخاصة. وفي يوم الثلاثاء أعلن ساتيا ناديلا أن Microsoft تطلق فورًا Microsoft-Decision-1.1 للاستخدام الواسع في Azure.

البيانات أهم من البنية

إذا كان صنع النموذج سهلًا، فبماذا يتميّز أحدها عن غيره؟ يقول رئيس TypeSafe، ديوغو ألميدا، إن أصعب ما في Jev كان المعايرة الدقيقة للأحكام على بيانات اصطناعية مع تصحيح إحصائي. أي أن المهم ليس فقط ما يختاره النموذج، بل مدى صدقه في تقدير ثقته بنفسه.

أما الشركة الناشئة البريطانية Sqwish، مطوّرة نموذج kettei fat، فتراهن على التخصيص. وقد أعلنت اليوم عن جولة pre-seed بقيمة 3 ملايين دولار. تعرّف المؤسسان المشاركان، أوشنيش سينغوبتا وفيديريكا فريدي، في كامبريدج، وعملا على نماذج LLM صغيرة، وحين ظهر Jev أدركا أنه يمكن تحويل بنيتَي نموذجيهما إلى نموذج قرار. وميزة Sqwish هي أدوات إعادة التدريب المدمجة: يرفع العميل بيانات الإنتاج الخاصة به، فيتحسّن النموذج تحديدًا في مهامه. وبحسب الرئيس التنفيذي، فهذا ما يميّز الشركة عن المنتجات السلعية (commodity): إذ يحصل العملاء على القوة نفسها التي دُرّبت بها النماذج لدى مطوّريها.

الاختبارات المعيارية مجرد دعوة للتجربة

من الصعب مقارنة هذه النماذج بالاعتماد على الجداول. فقد أدى kettei fat أداءً جيدًا في بعض الاختبارات المعيارية، لكن مطوّريه أنفسهم يقرّون بأن التحقق يجب أن يتم في الاستخدام الفعلي. واستبدال نموذج بآخر في سيناريو بعينه أمر بسيط عادةً. ويصف سينغوبتا الاختبار المعياري بأنه «دعوة للتجربة»، ويرى أن ما يُبقي العميل هو إعادة التدريب المتواصلة.

وعبّر عن فكرة مشابهة أتشينت سريفاستافا، نائب رئيس Microsoft للهندسة، الذي قاد المشروع. فبحسب قوله، فإن النماذج «المضبوطة على الاختبارات المعيارية» (benchmaxxed) تفشل سريعًا في التشغيل المؤسسي الفعلي. ويوازن Microsoft-Decision-1.1 بين الكلفة وزمن الاستجابة والذكاء والمعايرة، وهو، بحسب ما تزعم الشركة، يشكّل مع Jev واحدًا من القلة القوية في المحاور الأربعة جميعها، بما في ذلك الاختبارات المحجوزة (held-out) القريبة من السيناريوهات الواقعية. لكن انتبه: هذا ادّعاء من Microsoft نفسها، ولا توجد في المادة مقارنات مستقلة.

ماذا يعني ذلك للمطورين

تتوقع فيديريكا فريدي أن يعمل «النظام 1» (نماذج القرار السريعة) في المستقبل جنبًا إلى جنب مع «النظام 2»، أي نماذج LLM الرائدة (frontier) الثقيلة. وحتى في عالم كهذا، تعتقد أن سوق «النظام 1» قد تبلغ قيمتها 10–50 مليار دولار، وأن هذا هو العمل الوحيد لدى Sqwish، بينما هو لدى OpenAI مشروع جانبي. وهذه توقعات من شركة ناشئة بطبيعة الحال، وليست ضمانًا.

والخلاصة العملية بسيطة. إذا كان جزء من حركة البيانات لديك تصنيفًا وتوجيهًا، فجرّب نقله إلى نموذج قرار: فهذا أرخص وأسرع. اختر النموذج بناءً على بياناتك لا على لوحات المتصدرين: فاستبدال النموذج سهل، لذا شغّل اثنين أو ثلاثة نماذج على طلبات حقيقية. ولا تكتفِ بالنظر إلى الدقة، بل انظر أيضًا إلى معايرة الثقة: فبها تقرر متى تحيل المهمة إلى نموذج ثقيل. وانتبه إلى الجهات التي توفّر إعادة التدريب على بياناتك، لأن المنافسة، بحسب ما يبدو من السوق، ستدور هناك تحديدًا.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما هو نموذج القرار (decision)؟

هو نموذج LLM لا يولّد إجابة على هيئة كلمات. يُضبط ليستفيد من «ذكائه» العام، فيختار بسرعة وبكلفة زهيدة من بين خيارات محددة مسبقًا، ويُظهر في الوقت نفسه مدى ثقته باختياره. تخيّل مسؤولًا مناوبًا لا يكتب لك رسالة، بل يضع علامة في الخانة المناسبة ويضيف: «أنا واثق بنسبة 90%». وهذا مريح في بيئة الإنتاج: فحين يلزم القرار في أجزاء من الثانية وبكلفة زهيدة، يصبح نموذج frontier البطيء والمكلف، بما يجريه من استدلالات طويلة، عبئًا لا فائدة منه. من المثير للاهتمام مدى سرعة ما حدث.

ما أبرز التفاصيل حول البيانات أهم من البنية؟

إذا كان صنع النموذج سهلًا، فبماذا يتميّز أحدها عن غيره؟ يقول رئيس TypeSafe، ديوغو ألميدا، إن أصعب ما في Jev كان المعايرة الدقيقة للأحكام على بيانات اصطناعية مع تصحيح إحصائي. أي أن المهم ليس فقط ما يختاره النموذج، بل مدى صدقه في تقدير ثقته بنفسه. أما الشركة الناشئة البريطانية Sqwish، مطوّرة نموذج kettei fat، فتراهن على التخصيص. وقد أعلنت اليوم عن جولة pre-seed بقيمة 3 ملايين دولار.

ما أبرز التفاصيل حول الاختبارات المعيارية مجرد دعوة للتجربة؟

من الصعب مقارنة هذه النماذج بالاعتماد على الجداول. فقد أدى kettei fat أداءً جيدًا في بعض الاختبارات المعيارية، لكن مطوّريه أنفسهم يقرّون بأن التحقق يجب أن يتم في الاستخدام الفعلي. واستبدال نموذج بآخر في سيناريو بعينه أمر بسيط عادةً. ويصف سينغوبتا الاختبار المعياري بأنه «دعوة للتجربة»، ويرى أن ما يُبقي العميل هو إعادة التدريب المتواصلة. وعبّر عن فكرة مشابهة أتشينت سريفاستافا، نائب رئيس Microsoft للهندسة، الذي قاد المشروع.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…