MIT Technology Review: النماذج اللغوية الصغيرة تصبح أساس نشر الذكاء الاصطناعي في القطاع الحكومي

لا تستطيع الهياكل الحكومية بعد الآن أن تسمح لنفسها بمناقشة الذكاء الاصطناعي على مستوى المشاريع التجريبية فحسب: لكي تصل التكنولوجيا إلى العمل الفعلي، تحتاج إلى ليس أكبر النماذج، بل تلك التي يمكن دمجها في محيط أمان صارم وبنية أساسية محلية وأطر المساءلة. هذا هو السبب في أن الاهتمام يتحول بشكل متزايد نحو نماذج اللغة الصغيرة للإدارات والمؤسسات العامة — أنظمة متخصصة يسهل التحكم فيها وأرخص في التشغيل وأسهل للتحقق من الامتثال للمتطلبات. في الأعمال التجارية، توجد منطق شائع وهو "توصيل نموذج لغة كبير سحابي واختبار السيناريوهات", لكن بالنسبة للمنظمات الحكومية غالباً لا تعمل.

هناك متطلبات أعلى لحماية البيانات، وقواعد أكثر صرامة لحركة المعلومات، وأهمية أكبر لتحمل الأعطال والتدقيق القابل للتحقيق. في كثير من الحالات، لا يمكنك الاعتماد على الوصول المستمر إلى الإنترنت أو السحب المركزية أو تبادل البيانات الحرة بين الأنظمة. هذا هو السبب في أنه بالرغم من الضغط الشديد لتسريع التنفيذ، تتعطل العديد من مشاريع الذكاء الاصطناعي في القطاع العام بين العرض التوضيحي والإطلاق الصناعي.

يتم تأكيد هذه الحواجز من خلال الأرقام. وفقاً لبحث Capgemini، يذكر 79% من القادة في القطاع العام الأمان البيانات باعتباره العائق الرئيسي، 74% — عدم الثقة في جودة إجابات الذكاء الاصطناعي، و71% — قضايا السيادة البيانات والتمركز. في الوقت نفسه، الاهتمام بالتكنولوجيا مرتفع: 64% من المنظمات تدرس بالفعل أو تجري مبادرات في مجال الذكاء الاصطناعي التوليدي، لكن فقط 21% وصلت إلى المشاريع التجريبية أو التنفيذ الفعلي.

يبقى الفجوة بين الرغبة في استخدام الذكاء الاصطناعي والقدرة على إدخاله بأمان في دورة العمل هي الاختناق الرئيسي. في هذه الخلفية، تبدو نماذج اللغة الصغيرة حلاً وسيطاً أكثر واقعية. يمكن تكييف هذه النماذج مع وكالة معينة أو قسم أو مجموعة مهام، بدلاً من محاولة فرض نموذج لغة كبير عام على كامل مجموعة القيود.

تتطلب موارد حسابية أقل، غالباً ما تعمل محلياً أو في بيئة معزولة، وتسمح بالحفاظ على البيانات الحساسة خارج النموذج نفسه، وتوفيرها عند الطلب من خلال آليات البحث والاسترجاع. بالنسبة للبيئات ذات الإنترنت المحدود وحديقة معالجات الرسومات المتواضعة، هذا ليس براحة بل شرط أساسي للتنفيذ. هذا مهم بشكل خاص حيث لا يمكن إخراج البيانات خارج الحدود، ويجب أن تكون كل إجابة قابلة للشرح ومرتبطة بمصدر قابل للتحقق.

في الممارسة العملية، يعني هذا مزيجاً من نموذج صغير والبحث الشركاتي والقواعس الصارمة للوصول. في مثل هذا النظام، لا يحاول النظام "تخمين" الإجابة من المعارف العامة، بل يستخرج المستندات ذات الصلة وأجزاء PDF والجداول والصور أو المواد الأرشيفية ويصنفها ثم يشكل الإجابة. بالنسبة للوكالات الحكومية، يوفر هذا سيناريوهات أكثر فائدة: البحث في الوثائق التنظيمية ومعالجة طلبات المواطنين وتلخيص الملفات والحالات ودعم المحللين وموظفي خط المواجهة.

ما يهم ليس رقماً قياسياً في المقياس بل القدرة على تسجيل الإجراءات وتقييد حقوق الوصول وتقليل الهلوسات واستنساخ منطق الإجابة عند التحقق. في هذا النهج، يتحول السؤال الرئيسي من "أي نموذج أكثر ذكاءً" إلى "أي معمارية أكثر موثوقية". القطاع العام يحتاج ليس فقط إلى برنامج روبوت محادثة بل إلى طبقة تشغيلية كاملة للذكاء الاصطناعي: مع محيطات الاختبار وتسجيل القرارات وإدارة المخاطر والسياسات الأمنية الموحدة والتوافق بين المقاولين والأنظمة الداخلية.

كلما زادت الرهانات — من الخدمات الاجتماعية إلى الدفاع والتحقيقات — كلما زادت أهمية أن يكون الذكاء الاصطناعي ليس فقط مفيداً بل قابلاً للإدارة في كل مرحلة: من طلب البيانات إلى الإجابة النهائية. بدون مثل هذا البناء التحتي، حتى النموذج القوي يبقى عرضاً مثيراً للإعجاب لكن سيء السيطرة. هذا يعني أن الموجة التالية من نشر الذكاء الاصطناعي في القطاع العام ستُبنى على الأرجح ليس حول أكثر النماذج العالمية شهرة بل حول الأنظمة المتخصصة والمسيطر عليها محلياً والقابلة للتحقق.

إذا نجح هذا السيناريو، فقد تكون المنظمات الحكومية والعامة هي التي تظهر للسوق كيفية تحويل الذكاء الاصطناعي التوليدي من عرض مثير للإعجاب إلى أداة بنية أساسية ذات مسؤولية واضحة وسيطرة وفائدة حقيقية.