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

Novo Nordisk تعلّم وكلاء الذكاء الاصطناعي الإجابة وفق اللوائح: دقائق بدل ساعات وأيام

علّمت Novo Nordisk، المصنّعة لأدوية السكري والسمنة، مساعدًا يعتمد على الذكاء الاصطناعي الإجابة وفق لوائح المصانع. فعند السؤال «ما العينات التي تؤخذ من جهاز التحبيب؟» يستوضح أولًا عن المصنع وجيل المنتج والمعدات، ثم يبدأ البحث فقط. أما مهام الخبراء التي كانت تستغرق ساعات أو أيامًا، فتُنجَز الآن في دقائق، مع اقتباسات من وثائق معتمدة. وفي صناعة الأدوية والقطاعات الخاضعة للتنظيم، يبقى الاستيضاح أكثر أمانًا من خطأ يُقدَّم بثقة.

معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
Novo Nordisk تعلّم وكلاء الذكاء الاصطناعي الإجابة وفق اللوائح: دقائق بدل ساعات وأيام
المصدر: AWS Machine Learning Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليAWS Machine Learning Blog ↗
رئيس التحرير
حقيقة رئيسية #1رسم المعرفة البياني في Amazon Neptune والبحث في OpenSearch مرتبطان بأرقام الوثائق
حقيقة رئيسية #2تُؤخذ الإجابة افتراضيًا من النسخ المعتمدة، لا من المسوّدات
حقيقة رئيسية #3إذا لم تتوفر مادة مناسبة، يقول المساعد ذلك صراحةً ولا يختلق إجابة

تخيّل هذا السؤال: «ما العينات التي تؤخذ من جهاز التحبيب؟» في مصنع لإنتاج الأقراص، ليس لهذا السؤال إجابة صحيحة واحدة. فالأمر يتوقف على الموقع وجيل المنتج والجهاز المحدد وحجم الدفعة. وإذا اعتمد المساعد تعليمات قديمة أو وثيقة من مصنع آخر، فإن ذلك في صناعة الأدوية ينعكس مشكلات في الجودة والتدقيق. هذه هي المهمة التي تصدّى لها فريق Manufacturing Technology في قطاع الأقراص لدى Novo Nordisk. فقد بنى الفريق مساعدًا ذكيًا على AWS، وبحسب مؤلفي المشروع، انخفض العمل الذي كان يستغرق من الخبراء ساعات أو أيامًا إلى دقائق.

لماذا لا ينفع البحث التقليدي هنا

تنتج Novo Nordisk أدوية لعلاج السكري والسمنة. وكل خطوة إنتاجية مهمة موصوفة في وثائق خاضعة للرقابة: إجراءات تشغيل قياسية، وتعليمات عمل، ونماذج، ومواد تدريبية. وتُحدَّث هذه الوثائق باستمرار بسبب متطلبات الجهات التنظيمية الجديدة، واستبدال المعدات، وتحسين العمليات، وملاحظات المدقّقين. أما ما حان وقت مراجعته، وما ينتظر الموافقة، وما يستدعي انتباهًا عاجلًا، فكان يُتتبَّع في معظمه عبر جداول وأنظمة متفرقة. وهذا بطيء ومعرّض للأخطاء ويصعب توسيعه: فقد تبقى وثيقة قديمة متداولة فترة طويلة.

وثمة مشكلة ثانية. فالمعرفة موزعة بين النسخ والمواقع والبرامج، وكثيرًا ما كان العثور على المطلوب حكرًا على موظف خبير يعرف أين يبحث. والبحث بالكلمات المفتاحية يعيد قائمة ملفات لا إجابة. أما RAG المتّجهي المعتاد (بحث بالمعنى يعقبه توليد الإجابة بواسطة النموذج) فيفهم الأسئلة المكتوبة بلغة طبيعية على نحو أفضل. لكنه يتعثر في المعرّفات الدقيقة مثل أرقام الوثائق ورموز المعدات، ويجيب بضعف عن الأسئلة المتعلقة بالصلات بين الوثائق. والأهم أنه لا يستطيع أن يقول بصدق إن المادة المناسبة غير موجودة، وهذا أمر حاسم في القطاعات الخاضعة للتنظيم.

كيف تعمل GraphRAG لدى Novo Nordisk

يقوم النظام على GraphRAG: أي أن رسمًا بيانيًا للمعرفة أُضيف إلى البحث النصي. يخزّن الرسم البياني في Amazon Neptune البنية والصلات: إلى أي عملية تنتمي الوثيقة، وإلى ماذا تحيل، وبأي موقع ومنتج ومعدات ترتبط. أما البحث في Amazon OpenSearch Serverless فيجمع بين المقارنة الدلالية (تضمينات Amazon Titan) والمطابقة الدقيقة للكلمات بخوارزمية BM25. وتُدمج نتائج الأسلوبين بطريقة reciprocal rank fusion، أي وفق ترتيب مشترك. وهكذا تُعثر على الوثائق بحسب معنى السؤال وبحسب الرمز الدقيق للمعدات معًا.

ولم يُدمج المخزنان في محرك واحد عن قصد. فهما مرتبطان برقم الوثيقة، وهو موجود في المقطع المسترجع وفي عقدة الرسم البياني على حد سواء. ولذلك يصبح المقطع المسترجع مدخلًا مباشرًا إلى الرسم البياني دون مطابقة تقريبية. بعد ذلك يضيف الرسم البياني الوثائق المجاورة والإحالات، ويقرأ نموذج إعادة الترتيب (cross-encoder في Amazon Bedrock Rerank) السؤال مع كل مرشّح ويعيد ترتيبها بحسب الدقة.

يعمل الوكلاء على Amazon Bedrock AgentCore، وقد كُتبوا باستخدام Strands Agents SDK، ويستخدمون نماذج Anthropic Claude. وتدخل الوثائق إلى النظام عبر خط معالجة على AWS Step Functions وLambda، ويجري تحليل الملفات عبر Bedrock Data Automation، وتُوصَف البنية التحتية في AWS CDK.

مخطط الرسم البياني ثابت وضعه الخبراء. المستوى الأعلى شجرة عمليات من نحو ثلاثة مستويات، وترتبط كل وثيقة بأدنى عقدة مناسبة فيها. أما المستوى الأدنى فكيانات المجال: المواقع، وأجيال المنتجات، والمعدات، ومراحل العملية. ويفسّر المؤلفون هذا الاختيار بأن النموذج حين يخترع الكيانات بنفسه تكون النتيجة مشوّشة ويصعب صيانتها ويعسر على المدقّقين التحقق منها. وفي صناعة الأدوية، لدى القطاع أصلًا أنطولوجيا خبراء جاهزة، وتُضاف الكيانات الجديدة بمشاركة بشرية.

الاستيضاح أولًا ثم البحث

أبرز فكرة هي guided mode. فالـ RAG المعتاد يبحث أولًا ثم يجيب. أما هنا فالترتيب معكوس: إذا كان السؤال ملتبسًا، يطرح الوكيل سؤالًا استيضاحيًا قصيرًا ثم يبحث بعده فقط. فالسمات العامة، مثل الموقع وجيل المنتج، يسأل عنها مباشرة. أما سائر السمات، كالمعدات أو حجم الدفعة، فتؤخذ من الرسم البياني لحظة الطلب. ويطابق الوكيل مصطلح المستخدم مع عقد حقيقية في الرسم البياني، ويستبعد المعلوم أصلًا، وإذا تعددت الخيارات يقترح السمة التي تميّز بينها فعلًا. وتؤخذ الخيارات من القيم الموجودة فقط، ولذلك ينخفض خطر الخيارات المختلَقة. وحين يضيف الخبراء إلى التصنيف سمة مميِّزة جديدة، يبدأ المساعد بالسؤال عنها دون تعديل في الموجّهات (prompts) أو في الشيفرة.

تُجمَّع الإجابة من مصادر معتمدة مع إحالات إليها، ويقول المساعد صراحةً إذا لم يكن المحتوى المطلوب موجودًا. والنسخ المعتمدة والسارية هي المستخدمة افتراضيًا، لا المسوّدات ولا الإصدارات القديمة.

ما الذي يمكن الاستفادة منه

ثمة تحفظات. فهذه رواية AWS عن عميل لها، وعبارة «ساعات وأيام بدل دقائق» وردت دون منهجية قياس أو تحقق مستقل. ولا توجد في النص المتاح مقاييس تفصيلية لجودة الإجابات.

ومع ذلك فالدرس العملي واضح لكل من يبني RAG مؤسسيًا. إذا كانت في قاعدة المعرفة نسخ وحالات ونطاقات تطبيق للوثائق، فقاعدة متجهية واحدة لا تكفي: المطلوب مخطط صريح للصلات، كما فعلت Novo Nordisk. وطرح سؤال استيضاحي واحد على المستخدم أفضل من تقديم إجابة واثقة عن موقع خاطئ. أما الإجابة «لا توجد بيانات» فيجب أن تكون نتيجة مكتملة لعمل النظام.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا لا ينفع البحث التقليدي هنا؟

تنتج Novo Nordisk أدوية لعلاج السكري والسمنة. وكل خطوة إنتاجية مهمة موصوفة في وثائق خاضعة للرقابة: إجراءات تشغيل قياسية، وتعليمات عمل، ونماذج، ومواد تدريبية. وتُحدَّث هذه الوثائق باستمرار بسبب متطلبات الجهات التنظيمية الجديدة، واستبدال المعدات، وتحسين العمليات، وملاحظات المدقّقين. أما ما حان وقت مراجعته، وما ينتظر الموافقة، وما يستدعي انتباهًا عاجلًا، فكان يُتتبَّع في معظمه عبر جداول وأنظمة متفرقة. وهذا بطيء ومعرّض للأخطاء ويصعب توسيعه: فقد تبقى وثيقة قديمة متداولة فترة طويلة. وثمة مشكلة ثانية.

ما أبرز التفاصيل حول كيف تعمل GraphRAG لدى Novo Nordisk؟

يقوم النظام على GraphRAG: أي أن رسمًا بيانيًا للمعرفة أُضيف إلى البحث النصي. يخزّن الرسم البياني في Amazon Neptune البنية والصلات: إلى أي عملية تنتمي الوثيقة، وإلى ماذا تحيل، وبأي موقع ومنتج ومعدات ترتبط. أما البحث في Amazon OpenSearch Serverless فيجمع بين المقارنة الدلالية (تضمينات Amazon Titan) والمطابقة الدقيقة للكلمات بخوارزمية BM25. وتُدمج نتائج الأسلوبين بطريقة reciprocal rank fusion، أي وفق ترتيب مشترك. وهكذا تُعثر على الوثائق بحسب معنى السؤال وبحسب الرمز الدقيق للمعدات معًا.

ما أبرز التفاصيل حول الاستيضاح أولًا ثم البحث؟

أبرز فكرة هي guided mode. فالـ RAG المعتاد يبحث أولًا ثم يجيب. أما هنا فالترتيب معكوس: إذا كان السؤال ملتبسًا، يطرح الوكيل سؤالًا استيضاحيًا قصيرًا ثم يبحث بعده فقط. فالسمات العامة، مثل الموقع وجيل المنتج، يسأل عنها مباشرة. أما سائر السمات، كالمعدات أو حجم الدفعة، فتؤخذ من الرسم البياني لحظة الطلب. ويطابق الوكيل مصطلح المستخدم مع عقد حقيقية في الرسم البياني، ويستبعد المعلوم أصلًا، وإذا تعددت الخيارات يقترح السمة التي تميّز بينها فعلًا. وتؤخذ الخيارات من القيم الموجودة فقط، ولذلك ينخفض خطر الخيارات المختلَقة.

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…