أخبار ar.wedoany.com، أوضح ساتيا ناديلا، الرئيس التنفيذي لشركة مايكروسوفت، أن العديد من المؤسسات تغفل نقطة جوهرية في استراتيجياتها للذكاء الاصطناعي، وهي أن المنافسة الحقيقية لا تكمن في اختيار النموذج، بل في قدرة المؤسسة على التعلم من الأنظمة التي تبنيها بنفسها.
المفهوم الأساسي الذي يركز عليه ناديلا هو "حلقة التعلم". تشير هذه الآلية إلى نظام قادر على تحسين ذاته مع كل استخدام، ليس من خلال تحديثات البرمجيات، بل عبر التقاط وتحليل وتحسين الأحداث التي تنشأ أثناء التشغيل، مما يؤدي إلى تعزيز الأداء باستمرار. وعلى النقيض من ذلك، فإن معظم تطبيقات الذكاء الاصطناعي المؤسسي الحالية لا تعمل بهذه الطريقة. على سبيل المثال، عند نشر ChatGPT أو نموذج مماثل في سير العمل المؤسسي، يمكنه الإجابة على الأسئلة، لكنه لا يمتلك ذاكرة لسياق الأعمال المحدد للمؤسسة عندما يطرح المستخدم نفس السؤال بطريقة مختلفة قليلاً. وهذا يعني أن المؤسسة تمتلك أداة عامة أكثر ذكاءً، وليس نظامًا دوريًا قادرًا على التعلم.
على مدى العامين الماضيين، ركزت الصناعة بشكل واسع على حلول "الإنسان في الحلقة"، والتي تعتمد على المراجعة البشرية للموافقة على مخرجات الذكاء الاصطناعي. يرى ناديلا أن هذه الطريقة تمثل مجرد نقطة تفتيش، وليست عملية تعلم حقيقية. فالمؤسسة لا تحسن النظام من خلالها، بل تزيد فقط من تكاليف العمالة لضبط الجودة. ويقترح أنه إذا لم تكتفِ المؤسسة بفحص مخرجات الذكاء الاصطناعي، بل قامت بالتقاط كل تفاعل وكل تصحيح وكل نتيجة، ثم استخدمت هذه التغذية الراجعة لتطوير النظام نفسه، مما يجعله أكثر ذكاءً في مجال أعمالها المحدد، فإن ذلك يشكل حلقة تعلم حقيقية.
شرح ناديلا ذلك بمثال من مجال المبيعات. في نظام يقوم وكيل ذكاء اصطناعي بصياغة مقترحات البيع، إذا لم تكن هناك حلقة تعلم، فقد يحتاج مندوبو المبيعات إلى تحرير 80 من أصل 100 مقترح بناءً على نموذج تسعير الشركة أو نقاط الألم لدى العملاء، وستظل المشكلة قائمة في الشهر التالي. أما في نظام مزود بحلقة تعلم، فسيقوم النظام بالتقاط كل عملية تحرير. بعد التعلم من 500 مقترح، سيتقن النظام منطق البيع الفعلي للشركة، وليس الإجراءات العامة. وعند الوصول إلى المقترح رقم 1000، لن يحتاج تقريبًا إلى أي تحرير. وبهذا تبني المؤسسة ملكية فكرية حصرية لا يمكن الحصول عليها بمجرد التحميل.
أشار ناديلا في مذكرة ذات صلة إلى أنه لا ينبغي التنافس على اختيار النماذج، لأن جميع المؤسسات يمكنها استخدام نماذج مثل Claude وGPT وGemini. يجب أن تنشأ الميزة التنافسية من الأنظمة المبنية حول النموذج، وليس من قوة الحوسبة للنموذج نفسه. تكمن مصلحة مايكروسوفت في رغبتها في أن تبني المؤسسات هذه الحلقات على منصتها Azure، بما في ذلك إجراء الضبط الدقيق وتخزين البيانات الخاصة وتحمل التكاليف التي تجعل التحول إلى منصة أخرى أمرًا صعبًا. يحول هذا الإطار محور المنافسة من "من يمتلك أفضل نموذج" إلى "من يبني النظام الأكثر ذكاءً".
توجد آراء مختلفة في الصناعة حول نظرية حلقة التعلم. تدعم OpenAI حاليًا مجموعة واسعة من أساليب الضبط الدقيق، لكن استراتيجيتها الأكبر هي تحسين النموذج الأساسي باستمرار ليكون قويًا بما يكفي بحيث لا يحتاج إلى حلقات معقدة. تميل Anthropic إلى الحوكمة من خلال المشاريع وسير عمل الاسترجاع والذكاء الاصطناعي الدستوري، ويقتصر ضبطها الدقيق بشكل أساسي على نماذج Claude الأقدم، مع تركيز أكبر على التحكم والسلامة والحوكمة. يوفر المسار مفتوح المصدر الاستقلالية من خلال طرق مثل LoRA والضبط الدقيق الفعال للمعلمات على نماذج مثل Llama، لكنه ينقل عبء التشغيل إلى المستخدم. هناك أيضًا من يتبنى نهجًا عمليًا يرى أن استدعاء واجهة برمجة التطبيقات والترقية التلقائية قد يكون خيارًا أبسط.
يتطلب بناء حلقة تعلم معالجة ثلاثة مستويات من التحديات في وقت واحد: على مستوى البنية التحتية، يلزم بناء خط أنابيب لالتقاط بيانات التدريب من الاستخدام الفعلي، وإجراء الضبط الدقيق، والنشر، ومراقبة النتائج. على مستوى حوكمة البيانات، يجب تحويل الحوارات وسير العمل الخاصة إلى بيانات تدريب نظيفة ومتوافقة وقابلة للقراءة آليًا. على مستوى الانضباط، يتطلب الأمر تقييمًا مستمرًا للتأكد من أن النموذج يحسن النتائج بالفعل. وقد وثق المستشار المؤسسي كومار جوراو هذا النمط عدة مرات: بعد أن تسارع الفرق في إجراء الضبط الدقيق واستئجار وحدات معالجة رسومية باهظة الثمن، اكتشفوا أن كتابة تعليمات أفضل يمكن أن تحل المشكلة في وقت أقل. كما تزيد الرقابة من التعقيد. اقترح داريو أمودي من Anthropic مؤخرًا إجراء عمليات تدقيق مستقلة للنماذج المتطورة على غرار تنظيم الطيران، قبل النشر. هذا الأمر قد يكون ممكنًا للمؤسسات الكبيرة التي لديها فرق امتثال، لكنه أكثر صعوبة للمؤسسات المتوسطة التي تقوم بضبط دقيق مستمر على بياناتها الخاصة.
على الرغم من هذه التحديات، تظل الفكرة الأساسية لناديلا جديرة بالاهتمام: الشركات التي تبني حلقات تعلم خاصة بها في وقت مبكر يمكنها الحصول على ميزة يصعب تكرارها. لا تنشأ هذه الميزة من التكنولوجيا نفسها، بل لأن الحلقة تقوم بتشفير المعرفة المؤسسية في نظام يتحسن مع كل استخدام. وهذا يشكل بناء أصل، وليس مجرد شراء حق الوصول إلى نماذج أكثر ذكاءً. السؤال الحقيقي هو: هل تمتلك المؤسسة القدرة على تحمل تكاليف البنية التحتية والحوكمة والانضباط اللازمة لبناء الحلقة، أم يجب عليها انتظار أن تصبح النماذج نفسها قوية بما يكفي بحيث لا تحتاج إلى حلقات معقدة؟ هذا خيار استراتيجي يتعلق بتحديد موقع المؤسسة.
تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com
