Popsa تؤتمت العناوين المخصصة بـ12 لغة باستخدام Amazon Nova

أظهرت Popsa كيف يمكن للذكاء الاصطناعي التوليدي التطبيقي أن يؤثر في مؤشر منتج فعلي، لا في سيناريوهات العرض التجريبية فحسب. فقد أعادت الشركة بناء ميزة Title Suggestion باستخدام Amazon Bedrock وعائلة نماذج Amazon Nova، لتقترح على العملاء تلقائيًا عناوين وعناوين فرعية مخصصة. ولم تكن النتيجة شكلية: أصبح النظام أسرع وأقل كلفة وأعلى جودة، وتجاوز عدد العناوين المخصصة التي ولّدها في 2025 حاجز 5.5 مليون عنوان.

كانت مهمة Popsa عملية في ظاهرها، لكنها معقدة في التنفيذ. فالمطلوب ليس مجرد ابتكار تسمية جميلة، بل جعلها مناسبة للمنتج المحدد وللمحتوى البصري ولنبرة الخدمة المميزة. ولتحقيق ذلك بنت الشركة خط معالجة يجمع عدة أنواع من الإشارات: البيانات الوصفية، وبيانات الرؤية الحاسوبية، وretrieval-augmented generation، أي التوليد المعتمد على سياق جرى إعداده مسبقًا. يمنع هذا النهج النموذج من التخيّل بمعزل عن المنتج، ويجعله يستند إلى السمات الفعلية للطلب وإلى قواعد العلامة التجارية.

من الناحية التقنية، بُني الحل على Amazon Bedrock، الذي وفّر واجهة API موحدة للتعامل مع نماذج مختلفة. واستخدمت Popsa في هذه المنظومة نموذج Anthropic Claude 3 Haiku إلى جانب Amazon Nova Lite وNova Pro. ويبدو من الوصف أن الشركة لم تعتمد نموذجًا واحدًا لكل المراحل، بل اختارت الأداة المناسبة لكل مهمة داخل خط المعالجة. وهذه نقطة مهمة: فبدلًا من الجدل حول أي نموذج هو «الأفضل»، يعرض هذا المثال نهجًا أكثر عملية، تعتمد فيه الشركة على تنسيق عدة نماذج لتحقيق التوازن المطلوب بين الجودة والسرعة والتكلفة.

ويستحق النطاق اللغوي وقفة خاصة. فالميزة المحدّثة تولّد الآن عناوين وعناوين فرعية تلقائيًا بـ12 لغة. وهذا حاسم في منتج استهلاكي، لأن التوطين في مثل هذه السيناريوهات ليس خيارًا تجميليًا، بل جزء من تجربة المستخدم. فإذا بدا العنوان طبيعيًا، وراعى السياق، ولم يخلّ بنبرة العلامة التجارية، سهُل على العميل قبول الاقتراح الجاهز بدل تحريره يدويًا. وبذلك يقلّ الاحتكاك في الواجهة ويقصر الطريق إلى الشراء.

وتحضر في هذه الحالة أيضًا المؤشرات التجارية. فتفيد Popsa بأن رضا العملاء ارتفع بعد الانتقال إلى البنية الجديدة، وانخفضت التكاليف، وقلّ زمن الاستجابة. كما رصدت الشركة نموًا قابلًا للقياس في التفاعل وفي معدل التحويل إلى الشراء. ولا تُكشف النسب الدقيقة في الجزء المنشور، لكن الصياغة نفسها مهمة: فالحديث لا يدور حول نتائج «أكثر إبداعًا» بمعيار ذاتي فحسب، بل حول مؤشرات يمكن ربطها بالإيرادات وبسلوك المستخدمين. وهذا أكثر إقناعًا لفرق المنتجات من أي حديث عام عن إمكانات الذكاء الاصطناعي.

ومن الدروس الأخرى في تجربة Popsa أن الوظائف التوليدية تعمل بشكل أفضل حين تكون مهمتها ضيقة ومحددة بوضوح. فالنموذج هنا لا يحاول استبدال تجربة المنتج بأكملها، ولا يؤدي دور مساعد شامل. إنه يعالج مشكلة بعينها: مساعدة المستخدم على الحصول بسرعة على عنوان ناجح ومخصص، ينسجم مع المحتوى البصري وأسلوب العلامة التجارية. وعادةً ما تمنح هذه الصياغة أفضل النتائج: مساحة أقل للأخطاء، وفحص أسهل للجودة، وحساب أيسر لاقتصاديات التطبيق.

وتشير هذه التجربة إلى أن الموجة التالية من إدخال الذكاء الاصطناعي في المنتجات الاستهلاكية لن تقوم على واجهات الدردشة الصاخبة، بل على ميزات مصغّرة مدمجة تزيل نقاط احتكاك صغيرة لكنها واسعة الانتشار. وهذا بالضبط ما تقوله حالة Popsa مع Amazon Nova: فحين تُدمج النماذج في مسار المنتج، وتراعي السياق، وتعمل ضمن نموذج تسعير مناسب، تبدأ بالتأثير في الرضا والتحويل وتكرار الاستخدام، دون ضجيج زائد حول التقنية نفسها.