أوضح VTB لماذا تتعثر مشاريع AI التجريبية قبل الوصول إلى مرحلة الإنتاج وكيف يمكن للبنية المعمارية إصلاح ذلك

في يومي 8 و9 أبريل، في مؤتمر Data Fusion بمصرف فتح باب موسكو، اعترف البنك علنًا بمشكلة مألوفة لكل عميل ذكاء اصطناعي تقريبًا في المؤسسات: النماذج الأولية تبدو مقنعة، لكن عددًا قليلًا منها يصل إلى الإنتاج الفعلي. ينصب التركيز في التحليل ليس على جودة نموذج واحد، بل على عمارة التنفيذ نفسها.

لماذا تتحطم النماذج الأولية

الفكرة الأساسية بسيطة: النموذج الأولي عادة ما يختبر خطوة واحدة في ظروف محكومة، لكن في الإنتاج تظهر سلسلة كاملة من الإجراءات حيث تتراكم الأخطاء. إذا كان ثمانية حلقات تعمل بدقة 85%، فإن الموثوقية الإجمالية للسلسلة تنخفض إلى 27%. في العرض التقديمي، مثل هذا النظام يبدو أنه "تقريبًا جيد"، لكن في عملية حقيقية، ثلاث نتائج من أصل أربعة تكون خاطئة، والأخطر هو عدم وضوح أي منها بالضبط.

لهذا السبب المشكلة لا تظهر كخطأ منعزل، بل كتدهور نظامي في الجودة عند التوسع. يؤدي هذا أيضًا إلى استنتاج أكثر استياءً: السوق غالبًا ما يحسّن الذكاء الاصطناعي ليس من أجل الدقة، بل من أجل الاستقلالية. المقياس "ما النسبة المئوية للمهام التي تُنجز بدون تدخل بشري" مريح للتسويق والتقارير، لكنه لا يوضح بشكل جيد كيفية بقاء النظام مرتكزًا على الواقع على المدى الطويل.

تربط المقالة هذا بانحياز الأتمتة والتجريد من المهارات: يثق الناس بشكل متزايد في الاقتراحات الخاطئة ويفقدون في نفس الوقت المهارة في اتخاذ القرارات بدون الآلة. نتيجة لذلك، تحصل الشركة ليس فقط على خط أنابيب هش، بل أيضًا على تآكل تدريجي لخبرتها الخاصة.

العمارة مع البشر

بدلاً من الاستقلالية الكاملة، يتم اقتراح نظام منخفض الإنتروبيا، حيث يتم دمج البشر في النظام كعنصر إلزامي، وليس كزر طوارئ. يقسم العمل إلى أربعة مستويات: من عامل ميداني بالقرب من الكائن إلى خبير المجال الذي يتحقق من توصيات النموذج ويعيد التصحيحات إلى التدريب.

الفكرة المنطقية هي "تفريغ" عدم اليقين في كل مستوى، بدلاً من السماح له بالزحف بدون رقابة صعودًا عبر السلسلة.

• المستوى 0 — عامل أو متخصص في الموقع يرى الكائن الفعلي ويتحقق من بيانات الإدخال.
• المستوى 1 — نماذج ضيقة لإشارات محددة: درجة الحرارة والرطوبة والعيوب والصور أو معاملات فيزيائية أخرى.
• المستوى 2 — منسق يجمع نتائج النماذج ويفكر ويصيغ توصية للبشر.
• المستوى 3 — خبير المجال الذي يؤكد أو يصحح الاستنتاج وبالتالي يعطي النظام إشارة التعلم.

في هذا التصميم، مهمة الذكاء الاصطناعي ليست استبدال المتخصص، بل توسيع نطاق عمله وإنتاجيته. يقدم المؤلف مثالاً على التوأم الرقمي لنظام بيئي غابة يغطي أكثر من 180 ألف هكتار: مع نمو التغطية من 2 إلى 50 ألف هكتار، زادت نفقات رأس المال بمقدار 2.1 مرة، وزادت النفقات التشغيلية بمقدار 2.2 مرة، وزاد الفريق فقط من أربعة إلى ثمانية أشخاص. مع النهج التقليدي، بحسب تقدير المؤلف، كان سيتطلب الأمر عددًا أكبر بكثير من الموظفين الميدانيين.

لماذا واجهة برمجية التطبيقات غير كافية

نقطة منفصلة تتعلق بالبنية الأساسية. تؤكد المقالة أن مثل هذا النظام يصعب بناؤه فقط على واجهات برمجية عامة للنماذج الكبيرة وحدها، لأن خبرة المجال يجب أن تعيش ليس فقط في المحفزات أو RAG، بل في أوزان نموذج يتم التحكم فيه محليًا. لهذا، يتم اقتراح محولات LoRA أو QLoRA، التي يتم ضبطها بشكل دقيق على أزواج معتمدة من الإجابات وتفضيلات الخبراء. بعد يوم العمل، يتم التحقق من السجلات من قبل البشر، ويتم تشغيل الضبط الدقيق طوال الليل، وفي الصباح ينطلق النظام بمعرفة مجال محدثة.

"المحفز ننساه في نهاية نافذة السياق. المحول — أبدًا."

تراهن هذه الفكرة على البنية الأساسية الخاصة. المعيار الذي تم ذكره في المادة حوالي 900 ألف إلى 1.2 مليون روبل: خادم مع RTX 4090 أو 5090 للمنسق والتدريب الليلي، عدة أجهزة Raspberry Pi للنماذج الضيقة في الموقع، وتخزين سجلات منفصل. الحجة الرئيسية ليست أن نماذج السحابة عديمة الفائدة، بل أنه من الأفضل استخدامها كأداة بحث خارجية بدلاً من طبقة صنع القرار في حلقات الإنتاج الحرجة.

ماذا يعني هذا

بالنسبة للسوق، هذا تحول مهم: السؤال لم يعد كم عدد الأشخاص الذين يمكن إزالتهم من العملية، بل كيفية الحفاظ على الجودة عند توسيع نطاق الذكاء الاصطناعي. إذا استقرت هذه الفكرة، فسيتم بناء التطبيقات المؤسسية بشكل متزايد حول النماذج المحلية والتحقق المستمر وحلقات الإنسان والآلة، بدلاً من وعود الاستقلالية الكاملة.