AWS وAtos توضحان كيف يسرّع التلعيب تدريب AI لمئات الموظفين

عرضت AWS دراسة حالة Atos، التي حولت التدريب المؤسسي على الذكاء الاصطناعي إلى دوري تنافسي بدلاً من مجموعة أخرى من الدورات والشهادات. خلال أسبوعين، أنشأ 409 مشاركين أكثر من 4100 نموذج معتمد بالضبط واكتسبوا خبرة عملية يمكن تطبيقها مباشرة على مشاريع العملاء.

كيف تم هيكلة الدوري

كانت لدى Atos بالفعل أساس قوي: أكثر من 5800 شهادة AWS و 11 Golden Jackets ضمن الشركة. لكن تبين أن هذا غير كافٍ لتحقيق الهدف المتمثل في جعل الموظفين جميعاً ملمين بالذكاء الاصطناعي بحلول عام 2026. مشكلة مألوفة لدى العديد من المنظمات الكبيرة: الموظفون ينهون التدريب لكنهم لا يتقدمون دائماً نحو تطبيق النماذج بثقة في العمل الفعلي. لهذا السبب اختارت Atos و AWS صيغة AWS AI League—ليس محاضرات من أجل الشكل، بل سلسلة من المهام العملية مع تصنيفات وآجال نهائية ونهاية بصيغة برنامج مباشر.

• ورشة عمل تمهيدية حول الضبط الدقيق في SageMaker JumpStart
• اختيار Meta Llama 3.2 3B Instruct كنموذج أساسي
• تحضير مجموعة بيانات JSONL لسيناريو التأمين
• الضبط الدقيق والنشر والتحقق من الإجابات في SageMaker
• التصنيف على لوحة الترتيب والاختيار للنهائيات المباشرة

بعد ورشة العمل الافتتاحية، بدأ دوري افتراضي لمدة أسبوعين. قام المشاركون بتعديل مجموعات البيانات ومعدلات التعلم والحقب وأحجام الدفعات ومعاملات LoRA بشكل متكرر للارتقاء في جدول النتائج. في الجولة الإلكترونية، تم تقييم النماذج بواسطة حكم LLM مؤتمت يعتمد على Llama 3.2 90B. ثم تقدم أفضل خمسة متأهلين إلى النهائيات المباشرة، حيث تألفت النقاط الإجمالية من ثلاثة مكونات: 40% من حكم LLM و40% من خمسة خبراء من Atos و20% من تصويت الجمهور. كان لدى المتأهلين 90 ثانية فقط لكل مهمة لضبط موجه النظام ومعاملات الاستدلال.

حالة استخدام التأمين الفعلية

بالنسبة للمهمة التشغيلية، اختارت Atos ليس سيناريو عرض توضيحي مجرد، بل مساعداً للتأمين—الذكي Insurance Underwriter. كان على النموذج أن يحلل حالات التأمين المعقدة، ويقيم المخاطر، ويقترح شروط البوليصة والخصومات، ويوصي بتعديلات الأقساط ويشرح منطقه. توضح هذه الحالة بشكل جيد قيمة الضبط الدقيق: الكفاءة اللغوية العامة وحدها لا تكفي إذا كنت بحاجة للعمل بثقة مع المصطلحات الخاصة بالصناعة والاستثناءات وقواعد صنع القرار. هنا، لا يتعلق الأمر فقط بتوليد النص بل بالدقة التطبيقية ضمن المجال.

من الناحية التقنية، عمل المشاركون في Amazon SageMaker Studio و SageMaker JumpStart، حيث تم تجريد البنية الأساسية بشكل كبير. للتدريب، قاموا بتجميع مجموعات بيانات JSONL من أزواج instruction/response، وتحميلها إلى Amazon S3 وتشغيل الضبط الدقيق دون الخوض العميق في عمليات ML. تلاحظ AWS بشكل خاص أن حجم مجموعة البيانات وحده لم يضمن نتائج أفضل. من نجحوا هم من نظفوا البيانات وزادوا تنويع الأمثلة واختبروا المعاملات المفرطة بشكل منهجي بدلاً من مجرد توليد أكبر عدد ممكن من السجلات. ضمن الدوري، تم استخدام أدوات منفصلة حتى لتوليد مجموعات البيانات وتحسينها.

درس منفصل ظهر من مشكلة الإفراط في التدريب. كانت بعض النماذج تعمل بشكل جيد على الأمثلة المألوفة لكنها بدأت تكرر نفسها أو تعطي إجابات غير ذات صلة على الأسئلة الجديدة. كان هذا واضحاً بشكل خاص عند الاختبار على 87 سؤالاً غير مرئي من لوحة الترتيب. هذا هو السبب في أن المشاركين كان عليهم تعلم ليس فقط تشغيل الضبط الدقيق بل مراقبة eval-loss وperplexity وسلوك النموذج أثناء الاستدلال للتمييز بين التحسينات الحقيقية والمكاسب الكوزمتيكية في المقاييس. بالنسبة للتدريب المؤسسي، هذه نقطة مهمة: أتقن الناس ليس فقط أزرار الواجهة بل منطق العمل مع النماذج وجودة النتائج.

لماذا نجح

الأثر الرئيسي لم يأتِ من ورشة العمل ذاتها بل من الميكانيكا التنافسية حولها. بعد إطلاق الدوري، شارك المشاركون في نفس الوقت النتائج في قنوات العمل، وحضروا ساعات العمل المفتوحة، بينما حاولوا عدم الكشف الكامل عن استراتيجياتهم للمنافسين. نتيجة لذلك، حققت Atos أعلى مستوى مشاركة بين برامجها المراهنة على الألعاب: 409 أشخاص على لوحة الترتيب وأكثر من 4100 نموذج معتمد بالضبط تم إنشاؤه. للدخول إلى أفضل 5، كان على النموذج أن يظهر على الأقل معدل فوز بنسبة 93% مقابل الإجابات من نموذج أكبر بكثير. حولت هذه التدريب من نشاط رسمي إلى مهمة هندسية بأهداف واضحة وتقدم مرئي.

كانت الاستنتاجات التجارية لـ Atos عملية تماماً أيضاً. وفقاً لبيانات AWS، كان نموذج معتمد بالضبط يضم 3 مليارات معامل قادراً على تفوق نموذج بـ 90 مليار معامل في مجال ضيق عندما تتوفر له البيانات ذات الصلة والضبط الصحيح. بالنسبة للشركات، هذه إشارة مهمة: في الأنظمة الموجهة بالوكيل، لا تحتاج دائماً إلى أكبر LLM عام الأغراض. النماذج الصغيرة المتخصصة أرخص في الاستدلال وتستجيب أسرع وتتسع بسهولة أكبر. تقدم مقالة AWS حتى مقارنة البنية الأساسية: ml.g5.4xlarge مقابل ml.g5.48xlarge للنموذج الأكبر. بعد البرنامج، أبلغ 85% من المشاركين عن شعورهم بثقة أكبر في المحادثات مع العملاء حول الذكاء الاصطناعي التوليدي، واستغرق دورة التدريب بأكملها أسبوعين بدلاً من الأشهر التي ستتطلبها التدريب التقليدي.

ما الذي تعنيه

تظهر حالة Atos أن التدريب المؤسسي على الذكاء الاصطناعي ينتقل من الدورات السلبية إلى دورات عملية قصيرة بنتائج قابلة للقياس. بالنسبة للشركات التي تريد ليس فقط تدريب الموظفين على الذكاء الاصطناعي بل إحضارهم إلى تطبيقات حقيقية، تبدو صيغة بها دراسة حالة صناعية ولوحة ترتيب وتكرار مستمر أكثر فعالية بشكل ملحوظ من النظرية القياسية والشهادات لمرة واحدة. خاصة حيث تحتاج الأعمال ليس إلى معرفة عامة عن GenAI بل إلى متخصصين قادرين على تجميع مساعد وظيفي متخصص بالمجال بسرعة.