X5 Tech تروي كيف بنت خدمة ذكاء اصطناعي للتحضير للامتحانات الدولية في 7 أيام

بنى فريق ExamLab Bot خلال أسبوع واحد، في معسكر AI Talent Camp المكثّف، خدمة ذكاء اصطناعي عاملة لمعلمي الامتحانات الدولية. يحوّل النظام المنهج الدراسي (syllabus) والمواعيد النهائية إلى مسار تعليمي شخصي، ويختصر إعداد الخطة من 3–4 ساعات إلى نحو دقيقتين.

ما المشكلة؟

تنطلق الفكرة من معاناة محددة جدًا يعيشها معلمو IB وA-Level. فلكي يقبل المعلم طالبًا جديدًا، لا يكفيه أن يقرأ المنهج (syllabus)، بل عليه تحويله إلى خطة تفصيلية تمتد 20–30 أسبوعًا، تراعي موعد الامتحان وجدول الحصص والموضوعات التي أنجزها الطالب ومستواه الحالي. وإذا تأجّلت حصة أو تأخّر الطالب، تُعاد حسابات الخطة من جديد.

ويستهلك الطالب الواحد نحو أربع ساعات من التحضير الروتيني، وهذا العمل، لا التدريس نفسه، هو ما يحدّ من نمو المعلم. ولهذا السبب لا يعتمد كثير من المعلمين مسارات شخصية متكاملة أصلًا: بعضهم يعمل بالحدس، وبعضهم يستخدم قالبًا واحدًا للجميع، وبعضهم يرفض الطلاب الجدد ببساطة. وفي شريحة يبلغ فيها سعر التعلم لدى خبير متمكّن 30–40 ألف روبل شهريًا، يعني ذلك خسارة مباشرة في الإيرادات.

قرر فريق ExamLab Bot أتمتة الطبقة التنظيمية المتكررة تحديدًا: بناء الخطة، ومراعاة القيود، وتحديثها وفق التقدم، ومتابعة السير نحو الهدف.

كيف بُني المنتج الأولي (MVP)؟

خلال الأيام السبعة حصر الفريق المهمة عمدًا في وظيفتين أساسيتين: بناء مسار شخصي يناسب هدف الطالب ومهلته ومستواه، ثم تعديله مع تقدّم الطالب وملاحظات المعلم. واختار الفريق بوت Telegram واجهةً للمنتج كي لا يهدر الوقت في واجهة ويب ثقيلة. وأصبح Google Sheets العرض العملي للخطة، فيما جرت مزامنة الجدول عبر Google Calendar. ونتيجة لذلك، تستغرق عملية توليد الخطة نحو دقيقتين بدلًا من 3–4 ساعات من التحضير اليدوي.

• يحدد المعلم أو المسؤول الهدف والموعد النهائي والمستوى والوقت المتاح والأولويات
• يولّد البوت خطة دراسية تفصيلية للفترة كاملة
• تُحفظ الخطة في Google Sheets، وتُرسل الأحداث إلى Google Calendar
• عند تغيّر التقدم، يعيد الذكاء الاصطناعي حساب المسار دون إعادة بنائه من الصفر

من الناحية التقنية، بُنيت الخدمة على مخطط متعدد الوكلاء. يتولى منسّق (orchestrator) مكتوب بلغة Python تنسيق وكلاء بأدوار مختلفة: الأول مسؤول عن الاستراتيجية وتوزيع الوقت، والثاني عن تفصيل الدروس والواجبات المنزلية والاختبارات، والثالث عن المعالجة الدفعية للبرامج الطويلة، بينما تتحقق طبقة منفصلة من البنية والتواريخ واكتمال التغطية.

واستخدم الفريق في الحزمة التقنية Python 3.11+ وasyncio وaiogram وSQLAlchemy وPostgreSQL وOpenRouter API. وتخلّى عن LangChain وLangGraph لصالح الاستدعاءات المباشرة، لأن ذلك يسهّل التحكم في الأوامر (prompts) ومنطق إعادة المحاولة (retry) وسرعة التطوير.

«منتج أولي يعمل بخط معالجة نظيف أثمن من محاولة احتواء كل شيء».

لماذا أنجزوه في أسبوع؟

لم يكن المعسكر هاكاثونًا تقليديًا يُعدّ فيه العرض التجريبي لمجرد العرض، بل دورة منتج قصيرة. فمرّ الفريق، يومًا بعد يوم، من مرحلة الاستكشاف (discovery) وصياغة المهمة، عبر تقييم المخاطر وإثبات المفهوم (PoC)، إلى المنتج الأولي (MVP) وملاحظات المستخدمين والدفاع النهائي. وكان المرشدون يذكّرون باستمرار بأن الهدف ليس مشهدًا جميلًا، بل أساس لمنتج ذكاء اصطناعي حقيقي يمكن تطويره لاحقًا. وقد دفع ذلك الفريق إلى اتخاذ قرارات معمارية سريعة، والتخلي عن الوظائف الزائدة، والتمسك بسيناريو عملي لا بأفكار لافتة.

ويؤكد أصحاب المشروع بشكل خاص أن السرعة لم تأتِ من «سحر» أدوات الذكاء الاصطناعي في حد ذاتها. فقد تغيّرت الواجهة وسيناريوهات التفاعل مع المعلم، وحتى اختيار الشريحة الأولى من المستخدمين، عدة مرات خلال الأسبوع. وتبيّن أن الرهان على نسخة عاملة بالحد الأدنى وعلى اختبارات سريعة في سيناريوهات حقيقية أجدى من محاولة تصميم نظام مثالي مسبقًا.

أما الخطوة التالية فهي اختبار بيتا مغلق مع 10–15 معلمًا، ثم توسيع قائمة الامتحانات وإضافة التحضير لامتحان ЕГЭ.

ماذا يعني ذلك؟

تُظهر تجربة ExamLab Bot أن أنجح المنتجات في قطاع التقنيات التعليمية (EdTech) حاليًا هي منتجات الذكاء الاصطناعي المتخصصة ذات المقياس الواضح للفائدة. وكان هذا المقياس هنا هو الوقت: فقد تحولت ساعات التحضير اليدوي إلى دقائق، وأتيحت للمعلم فرصة لتوسيع ممارسته دون زيادة العبء الإداري.

وثمة استنتاج مهم لفرق أخرى أيضًا: الواجهات البسيطة والتكامل المباشر والاختبار المتكرر مع المستخدمين كثيرًا ما تحقق أكثر مما تحققه حزمة تقنية معقدة وقائمة طويلة من الميزات.