يشير استدعاء الأدوات إلى قدرة نماذج الذكاء الاصطناعي (AI) على التفاعل مع الأدوات أو واجهات برمجة التطبيقات (APIs) أو الأنظمة الخارجية لتعزيز وظائفها.
بدلًا من الاعتماد فقط على المعرفة المدربة مسبقًا، يمكن لنظام ذكاء اصطناعي يتمتع بإمكانيات استدعاء الأدوات الاستعلام عن قواعد البيانات، وجلب المعلومات في الوقت الفعلي، وتنفيذ الوظائف أو إجراء عمليات معقدة تتجاوز قدراته الأصلية.
يُعَد استدعاء الأدوات، والذي يُشار إليه أحيانًا باسم استدعاء الوظيفة، أحد العوامل الرئيسية التي تمكِّن الذكاء الاصطناعي الوكيل. ويُتيح للأنظمة المستقلة إنجاز مهام معقدة من خلال الوصول الديناميكي إلى الموارد الخارجية والتفاعل معها.
بدلًا من مجرد الإجابة عن الأسئلة، يمكن للنماذج اللغوية الكبيرة (LLMs) المزودة بخاصية استدعاء الأدوات أتمتة مهام سير العمل، والتفاعل مع قواعد البيانات، وتنفيذ عمليات حل المشكلات متعددة الخطوات، واتخاذ قرارات في الوقت الفعلي، وغير ذلك الكثير.
ويُسهم هذا التحوُّل في تحويل النماذج اللغوية الكبيرة من مساعدين سلبيين إلى وكلاء رقميين استباقيين قادرين على تنفيذ المهام المعقدة.
الرسالة الإخبارية الخاصة بالمجال
احصل على رؤى منسقة حول أهم أخبار الذكاء الاصطناعي وأكثرها إثارةً للاهتمام. اشترِك في خدمة رسائل Think الإخبارية الأسبوعية. راجع بيان الخصوصية لشركة IBM.
سيتم تسليم اشتراكك باللغة الإنجليزية. ستجد رابط إلغاء الاشتراك في كل رسالة إخبارية. يمكنك إدارة اشتراكاتك أو إلغاء اشتراكك هنا. راجع بيان خصوصية IBM لمزيد من المعلومات.
النماذج اللغوية الكبيرة (LLMs) تكون تقليديًا محدودة بالبيانات التي يتم تدريبها عليها، وهي عملية قد تستغرق وقتًا وموارد حاسوبية كبيرة.
على الرغم من أن النماذج اللغوية الكبيرة الرائدة مُدرَّبة على مجموعات بيانات ضخمة، إلا أن الحاجة إلى البيانات في الوقت الفعلي، والحسابات الخارجية، والتفاعل المُعزَّز أدت إلى دمج قدرات استدعاء الأدوات.
كانت النماذج اللغوية الكبيرة المبكرة، بما في ذلك GPT-2 من OpenAI، ثابتة. كان يتم إنشاء الردود فيها استنادًا إلى بيانات التدريب الخاصة بهم دون القدرة على الوصول إلى معلومات جديدة.
ورغم أدائها المميز، إلا أنها كانت تفتقر إلى الوعي بالعالم الحقيقي وتواجه صعوبةً في التعامل مع الاستعلامات الديناميكية التي تتطلب بيانات مباشرة، مثل الأحداث الجارية أو أسعار الأسهم أو الإجراءات المخصصة للمستخدم.
لمعالجة هذا القيد، بدأ المطوِّرون في دمج الإضافات الخارجية وواجهات برمجة التطبيقات وقواعد البيانات، ما أتاح للنماذج طلب المعلومات ومعالجتها في الوقت الفعلي بدلًا من الاعتماد فقط على بيانات التدريب الثابتة.
درَّب المطوِّرون نماذج LLM على التعرُّف على الحالات التي تتطلب فيها الاستعلامات مساعدة خارجية. علاوةً على ذلك، غالبًا ما تحتوي الأنظمة الخارجية على مخطط إدخال معين. تتطلب ميزة استدعاء الأدوات من النموذج تقديم ردود تتطابق مع البنية المحددة التي تعتمدها الأنظمة الخارجية.
تتضمن عملية استدعاء الأدوات عدة عناصر أساسية تعمل معًا لتيسير تفاعُل الذكاء الاصطناعي مع الأدوات الخارجية. تمتلك نماذج LLM الحديثة، بما في ذلك Claude من Anthropic وLlama 3 من Meta وMistral وIBM® Granite، قدرات على استدعاء الأدوات، لكنها تختلف قليلًا في طريقة التعامل معها.
العنصر الأول هو نموذج الذكاء الاصطناعي نفسه، والذي يستطيع التعرُّف على الحالات التي يفتقر فيها إلى المعرفة الكافية أو يحتاج فيها إلى وظيفة خارجية لإتمام الطلب.
بعد ذلك، تحدِّد آلية اختيار الأداة الموارد المناسبة للتعامل مع المهمة المحددة، سواء أكانت محرك بحث أم قاعدة بيانات أم موردًا حاسوبيًا.
عند تحديد أداة، يتم تفعيل واجهة برمجة التطبيقات، ما يسمح للذكاء الاصطناعي بإرسال استعلامات منظمة وتلقّي استجابات بتنسيق قابل للقراءة آليًا.
أخيرًا، يساعد نظام معالجة الاستجابة على تأكيد تنسيق البيانات المستردة بشكل صحيح وعرضها للمستخدم بطريقة مفهومة.
لنفترض أن مستخدمًا يسأل نموذجًا لغويًا كبيرًا: "ما حالة الطقس في سان فرانسيسكو الآن؟" يستخدم الذكاء الاصطناعي فهم اللغة الطبيعية للتعرُّف على أن بيانات الطقس في الوقت الفعلي مطلوبة، وهو ما لا يمكن استخلاصه من قاعدة معارفه الثابتة.
يتم تعيين معرّف فريد لاستدعاء الأداة تلقائيًا لطلب مقدَّم من أحد النماذج لاستخدام الأداة، والذي يعمل كرقم تتبُّع لربط الطلب بالنتائج المقابلة له.
يحدِّد الذكاء الاصطناعي أفضل أداة للمهمة، وفي هذه الحالة فحص قاعدة بيانات الطقس الحالية. تساعد هذه الخطوة على التأكد من أن المعلومات المستردة دقيقة وذات صلة.
تحتوي كل أداة على بيانات وصفية ومعلومات منظمة مثل اسم أداة فريد (أو اسم وظيفة)، ما يساعد النموذج والنظام على التعرُّف عليها بشكل صحيح. تتضمن البيانات الوصفية الأخرى وصفًا ومَعلمات الأداة وأنواع الإدخال والإخراج المطلوبة.
يقوم النموذج باختيار الأداة المناسبة بعد أن يحدِّد أن البيانات يجب الحصول عليها من بين مجموعة من الأدوات المتاحة.
القوالب هي تنسيقات موجِّهات منظمة تُخبر النموذج بالأداة التي يجب استخدامها والمعاملات (args) التي ينبغي تمريرها، ما يُتيح تفاعلًا أكثر تحكمًا وتنظيمًا مع واجهات برمجة التطبيقات.
في سياق استدعاء الأدوات، تُشير المعاملات إلى المدخلات المنظمة التي يتم تمريرها إلى أداة أو وظيفة عند تشغيلها بواسطة نموذج توليدي. هذه المعاملات تحدِّد المًعلمات التي تتطلبها الأداة للتنفيذ بشكل صحيح.
يساهم الجمع بين استدعاء الأدوات والتوليد المعزز بالاسترجاع (RAG) في تعزيز قدرات الذكاء الاصطناعي من خلال تمكين الأنظمة من استرجاع البيانات المنظمة وغير المنظمة قبل توليد مخرجات منظمة.
يُعزز هذا الأسلوب ملاءمة السياق من خلال جلب البيانات الأكثر صلة قبل توليد الاستجابة، ما يؤدي إلى نتائج أكثر دقة ووعيًا بالمحتوى.
كما يقلل من عبء واجهات برمجة التطبيقات من خلال دمج عمليات الاسترجاع المتعددة في خطوة واحدة، ما يُسهم بدوره في تقليل زمن الانتقال والتكاليف. يُعَد التوليد المعزز بالاسترجاع أكثر مرونة من أساليب استدعاء الأدوات التقليدية، إذ يُتيح للنماذج الاستفادة من مصادر متنوعة، ما يجعله قابلًا للتكيّف بدرجة عالية عبر مختلَف المجالات.
على عكس البنية الصارمة لاستخدام الأدوات التقليدية، يُتيح RAG دمجًا أكثر سلاسة للمعرفة المسترجعة مع عمليات الاستدلال والتوليد، ما يؤدي إلى ردود أكثر ديناميكية وعمقًا.
بعد ذلك، يُنشئ الذكاء الاصطناعي طلبًا مُنظمًا يمكن للأداة أو واجهة برمجة التطبيقات فهمه.
ترتبط كل أداة بمجموعة من الوظائف المحددة التي توضِّح مهامها. وتعتمد هذه الوظائف على مرجع واجهة برمجة التطبيقات، الذي يوفر توثيقًا لكيفية التفاعل مع واجهة البرمجة الخاصة بالأداة، بما يشمل عناوين نقاط النهاية، وطرق الطلب، وتنسيقات الاستجابة.
للوصول إلى واجهة برمجة تطبيقات خارجية، تتطلب العديد من الخدمات مفتاح واجهة برمجة التطبيقات (API)، وهو معرِّف فريد يمنح الإذن بإجراء الطلبات. عند تحديد الأداة وتعيين المَعلمات، يتم إجراء استدعاء واجهة برمجة التطبيقات لجلب البيانات المطلوبة. ويتم إرسال هذا الطلب عادةً عبر HTTP إلى خادم خارجي.
تُعيد الأداة الخارجية البيانات. يجب على الذكاء الاصطناعي بعد ذلك تحليل نتائج الأداة. بالنسبة إلى طلب حالة الطقس، قد تستجيب واجهة برمجة التطبيقات بكائن مخطط JSON يحتوي على درجة الحرارة والرطوبة وسرعة الرياح. يُعيد الذكاء الاصطناعي تنظيم هذه البيانات وهيكلتها لتلخيص استجابة ذات مغزى للمستخدم.
يعرض الذكاء الاصطناعي المعلومات التي تمت معالجتها بطريقة سهلة الفهم. وإذا كان الطلب يتضمن أتمتة، مثل ضبط تذكير، فسيؤكد الذكاء الاصطناعي أن الإجراء قد تمت جدولته.
إذا طلب المستخدم مزيدًا من التفاصيل أو التعديلات، يمكن للذكاء الاصطناعي تكرار العملية باستخدام استعلام معدَّل، ما يساعد على ضمان استمراره في تحسين استجابته بناءً على احتياجات المستخدم.
يُستخدم LangChain بشكل شائع في استدعاء الأدوات، حيث يوفر إطار عمل مفتوح المصدر لدمج الأدوات الخارجية وواجهات برمجة التطبيقات والوظائف مع النماذج اللغوية الكبيرة. ويساعد على إدارة تنفيذ الأدوات ومعالجة الإدخال أو الإخراج وصناعة القرار بناءً على السياق.
على سبيل المثال، يتعامل LangChain مع معاملات الوظائف باستخدام محلل لاستعلامات المستخدم، حيث يستخرج المعلمات ذات الصلة ويُنسقها بشكل صحيح لتتوافق مع الأداة. على عكس استدعاء الأداة البسيطة، يمكن لإطار LangChain تخزين واستدعاء مخرجات الأداة السابقة، ما يُتيح تفاعلات متعددة الأدوار بشكل أفضل.
يُتيح LangChain دمج عدة أدوات بشكل متسلسل، ما يمكِّن من تنفيذ سير عمل وكيل أكثر تعقيدًا. فعلى سبيل المثال، يمكنه أولًا جلب البيانات من واجهة الطقس، ثم استخدام أداة أخرى لاقتراح الملابس المناسبة بناءً على التوقعات.
يُتيح استدعاء الأدوات للنماذج اللغوية الكبيرة تنفيذ مختلَف أنواع المهام. وهناك عدد غير محدود من حالات الاستخدام لتطبيقات الذكاء الاصطناعي التي تعتمد على هذه الآلية، وفيما يلي 5 فئات شائعة تتضمن أمثلة من الواقع.
يجلب الذكاء الاصطناعي البيانات في الوقت الفعلي من الويب، أو مصادر الأخبار، أو قواعد البيانات الأكاديمية أو الأسواق المالية. على سبيل المثال، يمكن لنموذج محادثة مدعوم بالذكاء الاصطناعي استدعاء واجهة برمجة تطبيقات البحث لتوفير أحدث أسعار الأسهم أو مقالات بحثية في مجال الذكاء الاصطناعي وتقديم المعلومات من خلال روبوت محادثة.
يُتيح ذلك للذكاء الاصطناعي إجراء عمليات حسابية معقدة أو تشغيل نصوص برمجية باستخدام محركات رياضية مثل Wolfram Alpha أو بيئات تنفيذ Python. وهذا مفيد لحل المعادلات أو تشغيل المحاكاة أو تنفيذ مقتطفات صغيرة من التعليمات البرمجية.
يعمل الذكاء الاصطناعي على أتمتة مهام سير العمل مثل جدولة الاجتماعات أو إرسال البريد الإلكتروني أو إدارة قوائم المهام من خلال عمليات التكامل مع المنصات مثل تقويم Google و Zapier. يمكن أن يتفاعل وكلاء الذكاء الاصطناعي مع أدوات إدارة علاقات العملاء والتمويل والتحليلات مثل Salesforce و QuickBooks، ما يسمح للشركات بأتمتة العمليات بما في ذلك استرجاع بيانات العملاء أو إعداد التقارير المالية.
يمكن لأنظمة الذكاء الاصطناعي الوكيل مراقبة أنظمة الأتمتة المنزلية وأجهزة إنترنت الأشياء (IOT) الصناعية والتشغيل الآلي والتحكم فيها. يمكننا أن نتخيل بسهولة أنه في يوم من الأيام يتم التعامل مع مهام سير عمل كاملة وشاملة بواسطة وكلاء مستقلين.
يمكنك إنشاء مساعدين ووكلاء ذكاء اصطناعي ووكلاء أقوياء يعملون على أتمتة مهام سير العمل والعمليات باستخدام الذكاء الاصطناعي التوليدي ونشرها وإدارتها.
يمكنك بناء مستقبل عملك باستخدام حلول الذكاء الاصطناعي الجديرة بالثقة.
تساعد خدمات IBM Consulting AI في إعادة تصور طريقة عمل الشركات باستخدام حلول الذكاء الاصطناعي من أجل النهوض بأعمالها.