ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارAWS Machine Learning Blog→ المصدر

وكيل الذكاء الاصطناعي في Natera يشخّص أعطال الأجهزة أسرع بـ130 مرة: 8 دقائق بدلًا من 17,4 ساعة

غادر كبير الفنيين مختبر Natera وغادرت معه معرفة إصلاح الأجهزة، فكان المهندسون يردّون على طلب Jira بعد 17,4 ساعة. أما وكيل SWARM العامل على Amazon Bedrock AgentCore فيقرأ الطلب بنفسه، ويبحث في الأدلة الفنية والتذاكر القديمة، ويرفق تقريرًا بفرضية السبب. يصل الرد الأول في نحو 8 دقائق، أي أسرع بـ130 مرة، ويحصل 96,2% من الطلبات على تقرير. الخلاصة: إذا تعثّرت الدقة، فابدأ بتوسيع قاعدة المستندات.

معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
وكيل الذكاء الاصطناعي في Natera يشخّص أعطال الأجهزة أسرع بـ130 مرة: 8 دقائق بدلًا من 17,4 ساعة
المصدر: AWS Machine Learning Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليAWS Machine Learning Blog ↗
رئيس التحرير
حقيقة رئيسية #1أدلة الأجهزة لأضعف عائلة أجهزة رفعت الدقة من 71% إلى 75%
تضم المكتبة 33 مهارة24 للأجهزة و9 مشتركة، والمنطق خارج الموجّه (prompt)
حقيقة رئيسية #3بلغ عدد الطلبات 65+ يوميًا في ثلاثة طوابير Jira، ولم يكن التوظيف يواكب ذلك

تخيّل أن جهازًا في المختبر يتعطل، وأن الشخص الوحيد الذي كان يعرف كيف يُصلح هذه العائلة تحديدًا من المعدات قد استقال. يفتح المهندسون طلبًا في Jira، ويبحثون عن أدلة PDF، ويسألون الزملاء، ولا يصل الرد الأول إلا بعد 17,4 ساعة. هكذا كانت تعمل Natera، المعروفة باختباراتها للحمض النووي الحر الخلوي (cfDNA). فتوقف الأجهزة يعني لديها تأخير معالجة العينات وتقارير المرضى. وقد بنى فريق الهندسة المخبرية بقيادة أرييل جيراو، بالتعاون مع AWS، الوكيل SWARM (Systematic Workflow Analytics and Resolutions Manager) على Amazon Bedrock AgentCore، وهي خدمة مُدارة من AWS لتشغيل وكلاء الذكاء الاصطناعي. وبحسب AWS، يردّ النظام أسرع بنحو 130 مرة (نحو 8 دقائق بدلًا من 17,4 ساعة) ويُصدر تقريرًا تلقائيًا لـ96,2% من الطلبات.

ما المشكلة التي جرى حلّها

تملك Natera أجهزة كثيرة من عائلات مختلفة، ولكل منها أعطالها النموذجية ووثائقها وطرق إصلاحها المعتادة. وكان فريق الصيانة يعتمد على الخبرة الشخصية لأفراد بعينهم، لا على تعليمات موحّدة. وحين غادر الخبير الذي أمضى سنوات في فهم إحدى العائلات، ضاعت معرفته فعليًا، إذ لم يكن هناك نظام يجمعها ويوزّعها.

وفي الوقت نفسه كان الحمل يتزايد: أكثر من 65 طلبًا يوميًا في ثلاثة طوابير Jira. ولم يكن بالإمكان توظيف المهندسين بالوتيرة نفسها. وكانت المهمة بسيطة في صياغتها: الرد خلال دقائق، وتقديم تشخيص دقيق لمختلف أنواع المعدات، والتحسّن المستمر عبر تقييم النتائج.

كيف يعمل النظام

يعمل وكيلان على مكتبة مهارات مشتركة. يتولى Swarm-agent أخذ الطلب الجديد بنفسه قبل أن يفتحه أي مهندس، فيختار المهارات بحسب نوع الجهاز والأعراض، ويبحث في قاعدة المعرفة، ويضع في الطلب رابطًا لتقرير HTML يتضمن الفرضية الرئيسية للسبب، وخطوات الفحص مرتبة حسب الأولوية، ومؤشر ثقة. أما Swarm-hive فمخصص للحوار: يوضّح المهندس تفاصيله ويرفع الصور ويجرّب مسارات بديلة، بينما تحفظ ذاكرة AgentCore سياق المحادثة لكل شخص. ولأن الإدخال هنا نص حر، تمرّ الطلبات عبر Bedrock Guardrails.

تتألف المكتبة من 33 مهارة: 24 لعائلات الأجهزة و9 مشتركة. لكل مهارة واجهة واضحة، وتُختبر على حدة مثل أي شيفرة إنتاجية. وتتولى Python الأعمال الحتمية، مثل تحليل حقول Jira وتنسيق التقرير، فيما يفسّر LLM الأعراض ويطابقها مع الأدلة الفنية. والفائدة العملية واضحة: إذا كان التشخيص خاطئًا، يمكن الإشارة إلى مهارة بعينها بدلًا من تفكيك النظام كله.

تصل الطلبات إلى الوكيل عبر EventBridge Scheduler ودالة Lambda تستطلع Jira، ولذلك لم تكن هناك حاجة إلى إعداد webhooks. بعد ذلك تنتقل التذاكر إلى طابور SQS، وتزيل DynamoDB التكرار بحسب معرّف الطلب وتحفظ حالة كل تشغيل وتكلفته واستهلاكه من الرموز (tokens). ويفصل الطابور الوكيل عن مدى توافر Jira. أما التتبّع فيتولاه X-Ray، فيسهل العثور بسرعة على أي خطوة بطيئة أو مكلفة.

البيئة سريرية، ولذلك جرى النشر دون مفاتيح طويلة الأمد: يحصل GitLab CI على بيانات اعتماد مؤقتة عبر OIDC وAWS STS، وتمر الحركة عبر شبكات VPC الفرعية الخاصة، وتُدوَّر الأسرار المتبقية كل 30 يومًا. ويعمل النظام على خدمات AWS المتوافقة مع HIPAA بموجب اتفاقية BAA. ولا تصل البيانات الشخصية للمرضى إلى الفهرس المتجهي ولا إلى النموذج: فالتذاكر لا تحتوي إلا على بيانات وصفية عن المعدات والعمليات.

الدرس الأهم: البيانات أولًا ثم النموذج

أعطت النماذج الأولية التي استخدمت بحثًا عاديًا دون بيانات وصفية عن المعدات نتائج غير مستقرة، فكتب الفريق خط معالجة مستندات خاصًا به. تُقطَّع النصوص إلى أجزاء من 1000 رمز بتداخل 150، وتُفهرس على دفعات من 100 مستند عبر Titan Text Embeddings وBedrock Knowledge Bases. وبالنسبة إلى المستندات التي تحتوي على جداول ومخططات، ينصح المؤلفون باستخدام محلّل مستقل بدلًا من التقطيع القياسي.

وأبرز رقم في التجربة: بعد إضافة أدلة المورّدين الناقصة لأضعف عائلة أجهزة، ارتفعت الدقة من 71% إلى 75% دون أي تغيير في النموذج. وبحسب جيراو، فإن دقة التشخيص مسألة جودة بيانات في المقام الأول، ولذلك يتحقق الفريق عند الوصول إلى مرحلة ثبات من تغطية الوثائق، ثم ينتقل بعد ذلك إلى النموذج.

ما الذي يمكن نقله إلى مشروعك

  • لا تدمج المنطق داخل الموجّهات (prompts): فمكتبة المهارات ذات الإصدارات تسهّل التدقيق وتصحيح الأخطاء.
  • افصل العمل الدفعي في الخلفية عن الحوار التفاعلي في بيئتي تشغيل (runtime) مختلفتين.
  • أسند كل ما هو حتمي إلى شيفرة عادية، واترك LLM للاستدلال على النصوص.
  • فعّل التتبّع ومحاسبة تكلفة التشغيل قبل الإصدار الأول.
  • إذا توقف تحسّن الجودة، فابحث عن الثغرات في المستندات قبل أن تغيّر النموذج.

تنبيه: الأرقام منشورة من AWS نفسها في مدونتها المؤسسية، وتخص نسبتا 71% و75% عائلة أجهزة واحدة هي الأضعف، لا النظام بأكمله. ويبقى SWARM مساعدًا يُعدّ تقريرًا إرشاديًا، أما قرار الإصلاح فيتخذه المهندس.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما المشكلة التي جرى حلّها؟

تملك Natera أجهزة كثيرة من عائلات مختلفة، ولكل منها أعطالها النموذجية ووثائقها وطرق إصلاحها المعتادة. وكان فريق الصيانة يعتمد على الخبرة الشخصية لأفراد بعينهم، لا على تعليمات موحّدة. وحين غادر الخبير الذي أمضى سنوات في فهم إحدى العائلات، ضاعت معرفته فعليًا، إذ لم يكن هناك نظام يجمعها ويوزّعها. وفي الوقت نفسه كان الحمل يتزايد: أكثر من 65 طلبًا يوميًا في ثلاثة طوابير Jira. ولم يكن بالإمكان توظيف المهندسين بالوتيرة نفسها.

ما أبرز التفاصيل حول كيف يعمل النظام؟

يعمل وكيلان على مكتبة مهارات مشتركة. يتولى Swarm-agent أخذ الطلب الجديد بنفسه قبل أن يفتحه أي مهندس، فيختار المهارات بحسب نوع الجهاز والأعراض، ويبحث في قاعدة المعرفة، ويضع في الطلب رابطًا لتقرير HTML يتضمن الفرضية الرئيسية للسبب، وخطوات الفحص مرتبة حسب الأولوية، ومؤشر ثقة. أما Swarm-hive فمخصص للحوار: يوضّح المهندس تفاصيله ويرفع الصور ويجرّب مسارات بديلة، بينما تحفظ ذاكرة AgentCore سياق المحادثة لكل شخص. ولأن الإدخال هنا نص حر، تمرّ الطلبات عبر Bedrock Guardrails.

ما أبرز التفاصيل حول الدرس الأهم: البيانات أولًا ثم النموذج؟

أعطت النماذج الأولية التي استخدمت بحثًا عاديًا دون بيانات وصفية عن المعدات نتائج غير مستقرة، فكتب الفريق خط معالجة مستندات خاصًا به. تُقطَّع النصوص إلى أجزاء من 1000 رمز بتداخل 150، وتُفهرس على دفعات من 100 مستند عبر Titan Text Embeddings وBedrock Knowledge Bases. وبالنسبة إلى المستندات التي تحتوي على جداول ومخططات، ينصح المؤلفون باستخدام محلّل مستقل بدلًا من التقطيع القياسي. وأبرز رقم في التجربة: بعد إضافة أدلة المورّدين الناقصة لأضعف عائلة أجهزة، ارتفعت الدقة من 71% إلى 75% دون أي تغيير في النموذج.

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.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
ما رأيك؟
جارٍ تحميل التعليقات…