كيف ساعدت Just AI أحد البنوك على كسر سقف الأتمتة باستخدام وكلاء LLM

روى فريق Just AI كيف ساعد أحد البنوك الكبرى على الخروج من فخ أتمتة NLU. فقد نُقل دعم العملاء المتعلق بالكاش باك إلى وكلاء LLM، وهم يفهمون الدلالة ويحتفظون بسياق الحوار، ولا يرسلون الرد إلى العميل قبل أن يتحقق منه وكيل حكَم استنادًا إلى قاعدة معارف البنك.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
كيف ساعدت Just AI أحد البنوك على كسر سقف الأتمتة باستخدام وكلاء LLM
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1استُبدل مصنّف NLU بفهم قائم على LLM، بما يشمل إعادة الصياغة والصياغات غير المعتادة
حقيقة رئيسية #2دعم الحوارات متعددة الأدوار مع الحفاظ على السياق
حقيقة رئيسية #3تُبنى الردود على قاعدة معارف البنك، لا على نصوص مكتوبة مسبقًا بشكل ثابت

نشر فريق Just AI تحليلًا لحالة واقعية: كيف يمكن نقل دعم عملاء أحد البنوك من بوتات NLU إلى وكلاء LLM دون أن تحلّ موجة من الهلوسة بدل نمو الأتمتة.

سقف لا يمكن تجاوزه

عندما يتضخم سيناريو NLU ليبلغ عدة مئات من الفروع، تتوقف إضافة حوارات جديدة عن تحقيق أي فائدة. يبدأ البوت بالخطأ في الحالات الحدّية، ويتطلب صيانة مستمرة للتوسيم، ويعجز عن التعامل مع الصياغات غير المعتادة. وتتجمد نسبة الأتمتة.

هذا بالضبط ما واجهه البنك: فقد بلغ نظام NLU الناضج الخاص بالكاش باك حدّه الأقصى. لم تكن المشكلة في جودة الضبط، بل في البنية المعمارية. فبوتات NLU التقليدية تعمل وفق قواعد صارمة: تستطيع التعرف على النوايا التي دُرّبت عليها، لكنها تتعثر أمام التنويعات الدلالية والسياق داخل الحوار الطويل.

ما الذي تغيّر مع وكلاء LLM

اقترحت Just AI الانتقال إلى بنية قائمة على وكلاء LLM. فبدلًا من شجرة سيناريوهات جامدة، يوجد نموذج لغوي يفهم معنى الطلب، ويحتفظ بالسياق، ويولّد الرد استنادًا إلى قاعدة المعارف المحدّثة.

أبرز التغييرات في النظام:

  • استُبدل مصنّف NLU بفهم قائم على LLM، بما يشمل إعادة الصياغة والصياغات غير المعتادة
  • دعم الحوارات متعددة الأدوار مع الحفاظ على السياق
  • تُبنى الردود على قاعدة معارف البنك، لا على نصوص مكتوبة مسبقًا بشكل ثابت
  • أُدخل وكيل حكَم يفحص كل رد قبل إرساله
  • إذا لم يؤكد المصدر صحة الرد، يُحجب الرد ويُحوَّل العميل إلى موظف

الوكيل الحكَم في مواجهة الهلوسة

الخطر الرئيسي عند إدخال LLM في دعم العملاء المصرفي هو الهلوسة: فقد يبلغ النموذج العميل بثقة بشروط كاش باك خاطئة أو بقواعد غير موجودة أصلًا. وبالنسبة للبنك، لا يقتصر الأمر على تجربة مستخدم سيئة، بل يشمل مخاطر تنظيمية ومخاطر على السمعة.

حلّت Just AI هذه المشكلة عبر فحص من مستويين. الوكيل الأول يولّد الرد. والثاني، وهو الوكيل الحكَم، يتحقق منه استنادًا إلى قاعدة المعارف الأصلية. ويحصل العميل إما على رد صحيح، أو على تحويل إلى موظف بشري.

«سقف الأتمتة ليس خللًا برمجيًا، بل حدّ معماري لتقنية NLU. لقد ساعدنا البنك على كسره بتغيير التقنية، لا بالعبث بالإعدادات»، —

Just AI.

ماذا يعني ذلك

الانتقال من بوتات NLU إلى وكلاء LLM ليس ترقية، بل تغيير في النموذج. وبالنسبة للبنوك وسائر الشركات الخاضعة للتنظيم، لا يكون ذلك ممكنًا إلا مع رقابة جودة مدمجة: فالوكيل الحكَم يصبح هنا عنصرًا معماريًا إلزاميًا، لا خيارًا.

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول سقف لا يمكن تجاوزه؟

عندما يتضخم سيناريو NLU ليبلغ عدة مئات من الفروع، تتوقف إضافة حوارات جديدة عن تحقيق أي فائدة. يبدأ البوت بالخطأ في الحالات الحدّية، ويتطلب صيانة مستمرة للتوسيم، ويعجز عن التعامل مع الصياغات غير المعتادة. وتتجمد نسبة الأتمتة. هذا بالضبط ما واجهه البنك: فقد بلغ نظام NLU الناضج الخاص بالكاش باك حدّه الأقصى. لم تكن المشكلة في جودة الضبط، بل في البنية المعمارية. فبوتات NLU التقليدية تعمل وفق قواعد صارمة: تستطيع التعرف على النوايا التي دُرّبت عليها، لكنها تتعثر أمام التنويعات الدلالية والسياق داخل الحوار الطويل.

ما أبرز التفاصيل حول ما الذي تغيّر مع وكلاء LLM؟

اقترحت Just AI الانتقال إلى بنية قائمة على وكلاء LLM. فبدلًا من شجرة سيناريوهات جامدة، يوجد نموذج لغوي يفهم معنى الطلب، ويحتفظ بالسياق، ويولّد الرد استنادًا إلى قاعدة المعارف المحدّثة. أبرز التغييرات في النظام: استُبدل مصنّف NLU بفهم قائم على LLM، بما يشمل إعادة الصياغة والصياغات غير المعتادة دعم الحوارات متعددة الأدوار مع الحفاظ على السياق تُبنى الردود على قاعدة معارف البنك، لا على نصوص مكتوبة مسبقًا بشكل ثابت أُدخل وكيل حكَم يفحص كل رد قبل إرساله إذا لم يؤكد المصدر صحة الرد، يُحجب الرد ويُحوَّل العميل إلى موظف

ما أبرز التفاصيل حول الوكيل الحكَم في مواجهة الهلوسة؟

الخطر الرئيسي عند إدخال LLM في دعم العملاء المصرفي هو الهلوسة: فقد يبلغ النموذج العميل بثقة بشروط كاش باك خاطئة أو بقواعد غير موجودة أصلًا. وبالنسبة للبنك، لا يقتصر الأمر على تجربة مستخدم سيئة، بل يشمل مخاطر تنظيمية ومخاطر على السمعة. حلّت Just AI هذه المشكلة عبر فحص من مستويين. الوكيل الأول يولّد الرد. والثاني، وهو الوكيل الحكَم، يتحقق منه استنادًا إلى قاعدة المعارف الأصلية. ويحصل العميل إما على رد صحيح، أو على تحويل إلى موظف بشري. «سقف الأتمتة ليس خللًا برمجيًا، بل حدّ معماري لتقنية NLU. لقد ساعدنا البنك على كسره بتغيير التقنية، لا بالعبث بالإعدادات»، — Just AI.

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.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…