ما هي أنظمة الذكاء الاصطناعي المركبة؟

في حين يتم التركيز بشكل كبير على النماذج اللغوية الكبيرة (LLMs)، فإن هذه النماذج الضخمة للتعلم الآلي (ML) تواجه قيودًا. فهي مكلفة في التشغيل والتطوير، وبطيئة في التشغيل. كما تفتقر إلى الخبرة المتخصصة بالمجالات ولا تكون دائمًا فعالة في التعامل مع المهام المعقدة التي تتطلب عدة خطوات عبر أنظمة مختلفة.

وبسبب هذه القيود، وجد الباحثون أن استكمال النماذج الأحادية بنماذج وأدوات أخرى، يكون كل منها مُحسّنًا لدور محدد، يمكن أن يجعل النهج أكثر فعالية.

كان منشور مدونة من مختبر Berkeley Artificial Intelligence Research (BAIR) عام 2024 (محتوى الرابط موجود خارج موقع ibm.com) بمثابة رؤية مبكرة واضحة حول شكل أنظمة الذكاء الاصطناعي المركبة. اقترح المنشور أن بناء أنظمة ذكاء اصطناعي مركّبة قد يحقق نتائج أفضل، وأن مستقبل الذكاء الاصطناعي سيشمل قيام المنظمات بدمج النماذج اللغوية الكبيرة (LLMs)، وأنظمة الاسترجاع، ووكلاء الذكاء الاصطناعي، والأدوات الخارجية، بحيث يكون كل منها مُحسَّنًا لمهام محددة.

هناك العديد من الفوائد في تنسيق النماذج الفردية المتعددة والعناصر التفاعلية.

الفاعلية

من خلال تقسيم المهام بين نماذج متخصصة، تقلل الأنظمة المركّبة من العبء المعرفي على المكونات الفردية للذكاء الاصطناعي. على سبيل المثال، قد يركز أحد النماذج على تحليل البيانات المنظمة، بينما يقوم نموذج آخر بتفسير البيانات غير المنظمة، مثل الصور أو النصوص. يؤدي هذا التقسيم في العمل إلى تحسين الأداء وزيادة الدقة مقارنةً بالأنظمة التي تعتمد على نموذج واحد فقط.

تُعد النماذج اللغوية الكبيرة (LLMs) مثيرة للإعجاب، وتزداد كفاءتها عند تزويدها بموارد حسابية أكبر، لكنها تواجه قصورًا في الأداء وعوائد متناقصة بسبب قوانين القابلية للتوسع. في بعض الحالات، بدلاً من زيادة القدرات الحسابية لنموذج LLM، قد يكون من الأفضل تفويض بعض المهام إلى نموذج آخر أو وكيل ذكاء اصطناعي (AI Agent) أو أداة أقل استهلاكًا للموارد.

السرعة

يمكن أن يكون دمج نماذج متعددة لأداء مهمة معينة أسرع في بعض الأحيان من تدريب نموذج لغوي كبير (LLM) واحد لتنفيذها. علاوة على ذلك، تستطيع الأنظمة المركّبة معالجة أنواع مختلفة من البيانات في الوقت نفسه، مما يُمكّنها من اتخاذ قرارات في الوقت الحقيقي. يُعد هذا أمرًا بالغ الأهمية في تطبيقات الذكاء الاصطناعي مثل الكشف عن الغش، حيث تكون الاستجابة السريعة ضرورية، أو في التطبيقات الطرفية، حيث يجب تقليل زمن الانتقال إلى الحد الأدنى.

تعدد الاستخدامات

تتميز الأنظمة المركّبة بقدر كبير من المرونة، مما يجعلها قابلة للتطبيق في مجموعة واسعة من حالات الاستخدام. وتُعد هذه المرونة سببًا رئيسيًا في كون أنظمة الذكاء الاصطناعي المركّبة خيارًا مفضلًا للشركات التي تسعى إلى تحسين عملياتها عبر مجالات متعددة.

يمكن للمنظمات الاستفادة من تصميمات الأنظمة التي تجمع بين العناصر المدربة مسبقا والحلول مفتوحة المصدر والوحدات المخصصة. يمكن تحديث كل عنصر أو استبداله بشكل مستقل مع تطور التقنية دون الحاجة إلى إعادة بناء النظام بالكامل. من خلال توزيع المهام عبر نماذج متعددة، تستفيد الأنظمة المركبة من القدرة على التكيف والمرونة في مواجهة إخفاقات العناصر الفردية.

تعمل الأساليب المركبة بما في ذلك التوليد المعزز للاسترجاع (RAG) على توسيع قدرات النماذج اللغوية الكبيرة (LLMs) من خلال تمكينها من الوصول إلى مصادر البيانات خارج مجموعات بيانات التدريب الأولية الخاصة بتدريبها. يتيح الجمع بين نماذج مختلفة للمطورين تحسين الأداء لتحقيق أهداف محددة، مثل السرعة أو التخصص في مجال معين.

الضبط

يمكن أن تكون النماذج اللغوية الكبيرة (LLMs) صعبة التعامل، وعرضة للهلوسة، كما قد تتخذ قرارات يصعب تفسيرها أحيانًا. يمكن لحل الذكاء الاصطناعي المركب أن يساعد في التحكم في المدخلات وتصفية المخرجات، مما يؤدي إلى سلوك أكثر تحكمًا يعزز الثقة.

تُستخدم أنظمة الذكاء الاصطناعي المركّبة بالفعل في حالات استخدام واقعية، مثل:

روبوتات المحادثة

بُنيت بعض إصدارات روبوتات المحادثة، مثل ChatGPT من OpenAI وCopilot من Microsoft، على بنى مركبة. على سبيل المثال، يعزز ChatGPT فائدته من خلال العديد من الأدوات وواجهات برمجة التطبيقات لتنفيذ مهام محددة.

يجمع هذا النظام بين نموذج لغوي كبير (LLM)، ومولد الصور DALL-E، ومكوّن إضافي لمفسر الأكواد. كما يُستخدم التوليد المعزز بالاسترجاع (RAG) للوصول إلى مصادر البيانات الخارجية وقواعد المعرفة ديناميكيًا. بالإضافة إلى ذلك، يتم استخدام نماذج ذكاء اصطناعي منفصلة لاكتشاف المحتوى الضار أو غير المناسب وتصفيته قبل تقديم الاستجابة.

السيارات ذاتية القيادة

على الرغم من أن هذه التقنية لم تصل بعد إلى المجال العام، فإن أنظمة المركبات الذاتية القيادة تستخدم نماذج رؤية الكمبيوتر لاكتشاف الأجسام الموجودة في محيط السيارة والتعرف عليها. تجمع خوارزميات دمج أجهزة الاستشعار البيانات من الكاميرات وأجهزة الاستشعار بالرادار وتقنية LiDAR والموجات فوق الصوتية لإنشاء خريطة شاملة ثلاثية الأبعاد للبيئة المحيطة، مما يعزز الإدراك الظرفي.

تتولى نماذج التعلُّم المعزز عملية اتخاذ القرار، مثل تحديد وقت تغيير المسارات، أو تعديل السرعة، أو التوقف عند إشارة المرور، بناءً على الظروف الفعلية في الوقت الحقيقي.

كما أن معالجة اللغة الطبيعية (NLP) تمكن السيارة من فهم الأوامر الصوتية الصادرة عن الركاب والاستجابة لها. تعمل هذه العناصر معًا بسلاسة لمعالجة كميات هائلة من البيانات، واتخاذ قرارات ذكية فورية، وتوفير تجربة مستخدم سلسة وبسيطة.

دعم العملاء

يستخدم نظام الذكاء الاصطناعي المركب في دعم العملاء عدة تقنيات ذكاء اصطناعي لتقديم خدمة فعالة، ومخصصة، وسريعة الاستجابة. على سبيل المثال، تقوم نماذج معالجة اللغة الطبيعية (NLP) بتحليل استفسارات العملاء لاستخراج مقصد العميل والتفاصيل الأساسية، مما يُمكِّن النظام من فهم المشكلة بدقة.

بعد تحديد القصد، يقوم روبوت محادثة مدعوم بالذكاء الاصطناعي التوليدي بالتفاعل مع العميل بأسلوب حواري، حيث يُقدّم مساعدة فورية أو يوضّح المزيد من التفاصيل. في الوقت نفسه، يقترح نظام التوصيات حلولًا ذات صلة، مثل خطوات استكشاف الأخطاء وإصلاحها، أو مقالات الأسئلة الشائعة، أو تقديم توصيات بمنتجات مصممة خصيصًا لتناسب احتياجات العميل.

لتحسين التجربة، يقوم نموذج تحليل المشاعر بتقييم نبرة العميل وحالته العاطفية، مما يساعد في إعطاء الأولوية للحالات العاجلة أو غير الراضية لتدخل بشري عند الحاجة. يتيح هذا التكامل بين العناصر تقديم دعم عملاء سريع وذكي ومتعاطف، مما يُقلل من وقت حل المشكلات مع الحفاظ على مستويات عالية من رضا العملاء.

إدارة سلسلة التوريد

يستخدم نظام الذكاء الاصطناعي المركب في سلسلة التوريد مكونات متعددة للذكاء الاصطناعي لتحسين الخدمات اللوجستية وإدارة المخزون والكفاءة العامة. على سبيل المثال، تقوم نماذج التحليلات التنبؤية بتوقع الطلب من خلال تحليل بيانات المبيعات التاريخية، والاتجاهات الموسمية، والمتغيرات السوقية، مما يسمح بالتخطيط الدقيق للمخزون.

تراقب رؤية الكمبيوتر العمليات، وتحدد أوجه القصور أو الأخطاء في الوقت الحقيقي، مثل العناصر الموضوعة في غير أماكنها أو البضائع التالفة. وفي الوقت نفسه، تعمل خوارزميات تحسين المسارات على تحديد طرق التسليم الأكثر كفاءة، مع مراعاة عوامل مثل حركة المرور، والطقس، واستهلاك الوقود.

بالإضافة إلى ذلك، تُمكِّن معالجة اللغة الطبيعية (NLP) من إدارة الاتصالات بين الموردين والعملاء بطريقة مؤتمتة، مثل معالجة أوامر الشراء أو الرد على الاستفسارات. من خلال دمج هذه العناصر، يُحسِّن النظام استجابة سلسلة التوريد، ويُقلل الهدر، ويساعد في ضمان التسليم في الوقت المناسب، مع التكيف ديناميكيًا مع تغييرات الطلب والظروف الخارجية.

يتضمن تصميم أنظمة الذكاء الاصطناعي المركبة دمج نماذج وعناصر ذكاء اصطناعي متعددة ضمن أطر عمل متماسكة قادرة على معالجة المهام المعقدة. توفّر هذه الأطر بنية تحتية متكاملة تجمع بين النماذج المختلفة، مما يضمن تواصلًا سلسًا وفعالًا بينها.

في نظام الذكاء الاصطناعي المركب، قد تعتمد آلية التحكم المبرمجة على نموذج معين، أو قد يكون النموذج اللغوي الكبير (LLM) هو المسؤول، وذلك وفقًا لأهداف النظام.

يتميّز كل نهج بمزاياه الخاصة، كما أن طرق التعاون بين النماذج والمكونات الأخرى داخل نظام الذكاء الاصطناعي لا حصر لها. لذا، يجب على المصممين التفكير بعناية في نهجهم وأن يكونوا منفتحين على التجربة مع مختلف البنى المعمارية ومجموعات العناصر.

تصبح عمليات التعلم الآلي (MLOps) أكثر صعوبة مع مهام سير العمل المركبة. على سبيل المثال، قد يكون من الصعب تطبيق مقاييس موحدة عبر أنواع مختلفة من الأدوات والنماذج. يشير باحثو BAIRD إلى أن التحوّل نحو الأنظمة المركبة يواكبه ظهور مرحلة جديدة من تطوير الذكاء الاصطناعي، تهدف إلى التعامل مع التحديات المتعلقة بالمراقبة، وتصحيح الأخطاء، والجوانب التشغيلية الأخرى.