VTB يشرح لماذا تتعثر التجارب الأولية للذكاء الاصطناعي قبل الإنتاج، وكيف تعالجها الهندسة المعمارية

في 8–9 أبريل، خلال مؤتمر Data Fusion، أقرّ VTB علنًا بمشكلة يعرفها كل عميل مؤسسي تقريبًا في مجال الذكاء الاصطناعي: التجارب الأولية تبدو مقنعة، لكن قلّة منها فقط تصل إلى الإنتاج الفعلي. ولا يتركز التحليل على جودة نموذج بعينه، بل على بنية التطبيق نفسها.

لماذا تنهار التجارب الأولية

الفكرة الأساسية بسيطة: التجربة الأولية تختبر عادةً خطوة واحدة في ظروف خاضعة للتحكم، بينما يضم الإنتاج سلسلة كاملة من الإجراءات تتراكم فيها الأخطاء. فإذا عملت ثماني حلقات بدقة 85% لكل منها، تهبط الموثوقية الإجمالية للسلسلة إلى 27%. وفي العرض التقديمي يبدو مثل هذا النظام «جيدًا تقريبًا»، لكن في العملية الفعلية تكون ثلاث نتائج من كل أربع خاطئة، والأخطر أنه لا يُعرف مسبقًا أيّ النتائج هي الخاطئة. لذلك لا تظهر المشكلة كخلل عارض، بل كتدهور منهجي في الجودة عند التوسع.

ويقود ذلك إلى استنتاج أكثر إزعاجًا: فالسوق كثيرًا ما يحسّن الذكاء الاصطناعي من أجل الاستقلالية لا من أجل الدقة. فمقياس «نسبة المهام المنجزة دون تدخل بشري» مريح للتسويق والتقارير، لكنه لا يُظهر جيدًا مدى بقاء النظام مرتبطًا بالواقع على المدى الطويل. وتربط المادة ذلك بظاهرتي automation bias وdeskilling: إذ يزداد وثوق الناس بالتوصيات الخاطئة، ويفقدون في الوقت نفسه مهارة اتخاذ القرار دون الآلة. وبذلك لا تحصل الشركة على خط معالجة هش فحسب، بل على تآكل تدريجي في خبرتها الذاتية.

بنية تُبقي الإنسان في الحلقة

بدلًا من الاستقلالية الكاملة، يُقترح مخطط منخفض الإنتروبيا يُدمج فيه الإنسان في النظام كعنصر إلزامي، لا كزر طوارئ. ويقسّم المخطط العمل إلى أربعة مستويات: من المشغّل الميداني القريب من الموقع إلى خبير المجال الذي يراجع توصيات النموذج ويعيد التصحيحات إلى مرحلة التدريب. والمنطق هنا هو «تصفير» حالة عدم اليقين عند كل مستوى، بدل السماح لها بالتسلل صعودًا في السلسلة دون رقابة.

• المستوى 0 — المشغّل أو المختص في الموقع، الذي يرى الجسم الفعلي ويتحقق من صحة البيانات المُدخلة.
• المستوى 1 — نماذج ضيقة لإشارات محددة: درجة الحرارة، الرطوبة، العيوب، الصور أو غيرها من المعاملات الفيزيائية.
• المستوى 2 — المنسّق، الذي يجمع نتائج النماذج ويستدلّ منها ويصوغ توصية للإنسان.
• المستوى 3 — خبير المجال، الذي يؤكد الاستنتاج أو يصححه، ويمنح النظام بذلك إشارة تعلّم.

في مثل هذا التصميم، لا تتمثل مهمة الذكاء الاصطناعي في استبدال المختص، بل في توسيع نطاق عمله ورفع إنتاجيته. ويورد الكاتب مثالًا على توأم رقمي لنظام بيئي غابي على مساحة تزيد على 180 ألف هكتار: فعند توسيع التغطية من 2 إلى 50 ألف هكتار، ارتفعت النفقات الرأسمالية 2,1 مرة والتشغيلية 2,2 مرة، بينما زاد حجم الفريق من أربعة أشخاص إلى ثمانية فقط. أما في النهج التقليدي، فبحسب تقدير الكاتب، كان الأمر سيتطلب أضعافًا مضاعفة من العاملين الميدانيين.

لماذا لا تكفي واجهات API

يتناول طرح منفصل مسألة البنية التقنية. إذ تؤكد المادة أنه يصعب بناء مثل هذا المخطط فوق واجهات API العامة للنماذج الكبيرة وحدها، لأن الخبرة في المجال ينبغي ألا تقيم في الـ prompts ولا في RAG فقط، بل في أوزان نموذج خاضع لتحكم محلي. ولهذا تُقترح محولات LoRA أو QLoRA، التي تُدرَّب إضافيًا على أزواج الإجابات والتفضيلات المعتمدة من الخبراء. وبعد انتهاء يوم العمل، يراجع الإنسان السجلات ويتحقق منها، ويبدأ التدريب الإضافي ليلًا، وفي الصباح يبدأ النظام عمله بمعرفة محدّثة بالمجال.

«الـ prompt يُنسى في نهاية نافذة السياق. أما المحوّل (adapter) فلا يُنسى أبدًا».

يراهن هذا المنطق على بنية تحتية خاصة. والمرجع المذكور في المادة للعتاد يبلغ نحو 900 ألف — 1,2 مليون روبل: خادم مزوّد بـ RTX 4090 أو 5090 للمنسّق وللتدريب الليلي، وعدة أجهزة Raspberry Pi للنماذج الضيقة في الموقع، ومخزن منفصل للسجلات. والحجة الرئيسية ليست أن النماذج السحابية عديمة الفائدة، بل أن الأفضل استخدامها أداةَ بحث خارجية، لا طبقةً لاتخاذ القرار في مسار إنتاجي حرج.

ماذا يعني هذا

هذا تحوّل مهم بالنسبة إلى السوق: فالسؤال لم يعد عن عدد الأشخاص الذين يمكن إخراجهم من العملية، بل عن كيفية الحفاظ على الجودة عند توسيع نطاق الذكاء الاصطناعي. وإذا ترسّخ هذا المنطق، فستُبنى التطبيقات المؤسسية بصورة متزايدة حول نماذج محلية وتحقق مستمر وحلقات تجمع الإنسان والآلة، لا حول وعود الاستقلالية الكاملة.