الذكاء الاصطناعي في «فينام»: كيف تنجو من الانتقال من GPT-3.5 إلى منظومة مؤسسية متكاملة

لا يزال كثيرون يعتقدون بصدق أن إدخال الذكاء الاصطناعي إلى شركة كبرى لا يتجاوز شراء اشتراك ChatGPT Plus لكل قسم. أما في الواقع، فقد اكتشفت «فينام» أن حماس الأفراد يتحطم سريعاً على صخرة الواقع المؤسسي القاسي. حين يعمل نموذجك الأولي المبني على Flutter عند مطور واحد، يبدو الأمر سحراً وطفرة تقنية. أما حين تحتاج إلى توزيع التقنية نفسها على ألف موظف في مؤسسة مالية، فيتحول السحر إلى سلسلة لا تنتهي من المشكلات المتعلقة بالأمان وتكلفة الطلبات وجودة الإجابات. وتكمن أهمية تجربة «فينام» في أنها لم تتردد في قطع الطريق كاملاً من «اللعبة» إلى الحل الصناعي، وواجهت في طريقها كل العقبات الممكنة.

بدأ كل شيء بتجربة كلاسيكية على GPT-3.5. بدا حينها أن منح الناس إمكانية الوصول إلى الـ API يكفي لترتفع الإنتاجية عالياً. غير أن القطاع المالي ليس ساحة تجارب. فقد أظهر أول اختبار جدي أن الاستخدام غير المنضبط للشبكات العصبية الخارجية ينطوي على مخاطر تسرّب البيانات السرية وعلى نفقات لا يمكن التنبؤ بها. لا يمكن ببساطة إرسال بيانات العميل إلى سحابة OpenAI والأمل في أن تسير الأمور على ما يرام. اضطر الفريق إلى تطوير منصة داخلية بصورة عاجلة لتكون «طبقة وسيطة» بين الموظف والشبكة العصبية. وتولت هذه الطبقة مهام التحكم في الصلاحيات، وتسجيل كل طلب، وفرض حدود صارمة على عدد الرموز (tokens)، حتى لا تنفد ميزانية الذكاء الاصطناعي في الأسبوع الأول من الشهر.

وكانت المرحلة التالية مواجهة «الهلوسة». الشبكات العصبية رواة قصص ممتازون، لكن الكذب في عالم المال باهظ الثمن. ولإجبار الذكاء الاصطناعي على قول الحقيقة، اعتمدت «فينام» تقنية RAG (التوليد المعزَّز بالاسترجاع). فلم يعد النموذج يختلق الإجابة من عنده، بل يبحث أولاً عن المعلومات في قاعدة اللوائح والوثائق الداخلية للشركة، ثم يصوغ إجابته استناداً إلى الحقائق التي عثر عليها. وبهذا تحول روبوت المحادثة المجرد إلى خبير يعرف دقائق العمليات الداخلية للشركة. وبالتوازي، بدأت تجارب على نماذج محلية. وجاء تشغيل Llama أو غيره من حلول المصدر المفتوح على موارد الشركة الخاصة استجابة لمتطلبات الأمان: فالبيانات الأكثر حساسية يجب ألا تغادر النطاق الداخلي للشركة أصلاً.

وفرض التوسع إلى أكثر من 1000 مستخدم إعادة النظر في البنية المعمارية بالكامل. تبين أن الحفاظ على استقرار خدمة الذكاء الاصطناعي تحت الأحمال العالية تخصص هندسي قائم بذاته. فكان لا بد من بناء أنظمة مراقبة معقدة لا تتتبع توافر الخوادم فحسب، بل جودة الإجابات في الوقت الفعلي أيضاً. وأدركت «فينام» أن التقنية لا تمثل سوى 20% من النجاح. أما الـ 80% الباقية فهي عمل دؤوب على البنية التحتية، وتدريب الموظفين على صياغة الطلبات بشكل صحيح، وتكيّف مستمر مع متطلبات الجهات التنظيمية المتغيرة. والمفارقة أنه كلما ازداد الذكاء الاصطناعي ذكاءً، ازداد عدد المهندسين المؤهلين اللازمين لدعمه.

اليوم لم تعد المنصة في «فينام» مجرد دردشة، بل مركزاً متكاملاً (hub) تتعايش فيه واجهات API الخارجية والنماذج المحلية والوكلاء المتخصصون لمختلف الإدارات. إنه طريق من التسويات بين سرعة الاستجابة وسعر الرمز الواحد وأمان البيانات. وقد أظهرت الشركة بوضوح أن عصر «روبوتات الدردشة فحسب» قد انتهى، ليحل محله عصر المنظومات المؤسسية للذكاء الاصطناعي. ومن يحاول اليوم أن «يركّب API» وحسب، فسيواجه غداً تحديات التوسع نفسها التي تجاوزتها «فينام». يبقى السؤال: هل يتحلى الآخرون بالصبر الكافي لتحويل موجة رائجة إلى أداة عاملة؟

الخلاصة: إدخال الذكاء الاصطناعي في المؤسسات يعني بنسبة 80% بناء البنية التحتية، ولا يمثل اختيار النموذج نفسه سوى 20%. هل أنتم مستعدون لدفع ثمن مضاعف لأمان بياناتكم على شكل ساعات عمل هندسية؟