ميزات ذكاء اصطناعي تصمد خارج العرض التجريبي
بناء نموذج أولي يبهر الحاضرين في عرض تجريبي أمر سهل. أما الميزة التي تجيب إجابات صحيحة على بياناتك الحقيقية، بسرعة وتكلفة مقبولتين، فهي عمل هندسي. تشمل هذه الخدمة اختيار النموذج، وتصميم التعليمات والسياق، والاسترجاع من مستنداتك، والوكلاء القادرين على استخدام الأدوات، والتقييم، وضوابط الحماية، والتطبيق الذي يحيط بهذه المكونات، ونبني ذلك كله بلغة Python أو TypeScript، مع نماذج من OpenAI أو Anthropic أو Google أو نماذج مفتوحة المصدر.
تناسبك هذه الخدمة حين تكون اللغة أو المستندات أو البيانات غير المنظمة في صميم المهمة، وحين تفيدك إجابة صحيحة في معظمها يراجعها شخص. أما إذا كانت القواعد الثابتة أو البرمجيات التقليدية تكفي لأداء المهمة، فننصحك بها بدلاً من الذكاء الاصطناعي. نبدأ بمجموعة صغيرة من الأمثلة الحقيقية وطريقة لتقييم المخرجات بالدرجات، ثم نحسّن النظام قياساً على هذه الدرجات.
دمج ميزات النماذج اللغوية الكبيرة (LLM)
نضيف إلى منتجك التلخيص وصياغة المسودات والتصنيف واستخراج البيانات والمحادثة، عبر واجهات برمجة (API) تبث الإجابة أثناء توليدها، مع مخرجات منظمة نتحقق من مطابقتها لمخطط بيانات محدد قبل أن تستخدمها شيفرتك.
التوليد المعزّز بالاسترجاع (RAG)
نستورد مستنداتك ونقسّمها إلى مقاطع ونحوّلها إلى متجهات رقمية، ثم نجمع بين البحث بالمتجهات والبحث بالكلمات المفتاحية، ونعيد ترتيب النتائج، فيجيب النموذج من المقاطع المسترجعة مع إحالات إلى مصادرها يستطيع المستخدم مراجعتها.
الوكلاء واستخدام الأدوات
نبني الوكلاء باستخدام LangGraph، فيستدعون واجهات البرمجة لديك، ويستعلمون من قواعد البيانات، وينجزون مهام من عدة خطوات، ضمن صلاحيات محدودة النطاق وحد أقصى لعدد الخطوات، مع موافقة بشرية قبل أي إجراء مؤثر.
التقييم والاختبار
مجموعة اختبار مأخوذة من حالات حقيقية، وتقييم آلي للنتائج، واختبارات تُعاد مع كل تغيير في التعليمات أو النموذج، فتعرف قبل الإصدار هل ارتفعت الجودة أم تراجعت.
ضوابط الحماية والأمان
تصفية المدخلات، والحماية من حقن التعليمات، والتحقق من المخرجات، وإخفاء البيانات الشخصية، وقواعد تحدد ما يرفضه النظام، كلها تحدّ مما يستطيع مستخدم سيّئ النية أن يدفع النظام إلى قوله أو فعله.
ضبط التكلفة وزمن الاستجابة
نُبقي الاستجابة سريعة والإنفاق متوقعاً بتوجيه كل طلب إلى النموذج المناسب، والتخزين المؤقت للتعليمات، والمعالجة على دفعات، وبث الإجابات، ووضع سقف لعدد الرموز. ويكشف التتبّع عبر Langfuse أين يستهلك كل طلب وقته ورموزه.
ما تتسلّمه منّا
- ميزة أو منتج ذكاء اصطناعي يعمل في بيئة الإنتاج
- تعليمات النموذج وإعداداته بإصدارات مرقّمة
- فهرس الاسترجاع ومسار إدخال المستندات
- مجموعة بيانات التقييم وبرامج احتساب الدرجات
- قواعد الحماية ونتائج اختبارات الفريق الأحمر
- لوحة لتتبّع الطلبات ومراقبة التكلفة
- الشيفرة المصدرية وتوثيق البنية التقنية
- تقرير يقارن بين النماذج ومزوّديها
طريقة عملنا
- 01
تحديد حالة الاستخدام
نحدد المهمة والمستخدم، وشكل الإجابة الجيدة، وما يكلّفه الخطأ، ونجمع أمثلة حقيقية، ثم نتحقق من إمكانية التنفيذ بتجربة تقنية سريعة قبل أن نلتزم بأي تصميم.
- 02
خط الأساس والتقييم
نبني المسار الأول بأبسط طريقة يمكن أن تنجح، ومعه مجموعة للتقييم وطريقة لاحتساب الدرجات، فيصبح لكل تغيير لاحق رقم عليه أن يتجاوزه.
- 03
تحسين الجودة خطوة بخطوة
نحسّن الاسترجاع والتعليمات واختيار النموذج وتصميم الأدوات بخطوات نقيس أثر كل منها، ونراجع الإخفاقات مع خبراء المجال لديك، حتى تبلغ النتائج حد القبول الذي نحدده معك.
- 04
التشغيل الفعلي والمراقبة
ندمج الميزة في منتجك مع ضوابط الحماية، وحدود لمعدل الطلبات، وبدائل احتياطية، وتتبّع للطلبات، ونطلقها لشريحة محدودة من المستخدمين أولاً، ثم نراقب جودتها وزمن استجابتها وتكلفتها وآراء المستخدمين فيها.
التقنيات التي نستخدمها
| المجال | التقنيات |
|---|---|
| النماذج | OpenAI، Anthropic Claude، Google Gemini، Amazon Bedrock، Llama |
| أدوات التطوير | LangChain، LangGraph، LlamaIndex، Vercel AI SDK، Langfuse |
| الاسترجاع | pgvector، Pinecone، Weaviate، Elasticsearch |
| التطبيق | Python، FastAPI، Next.js، TypeScript، PostgreSQL |
فريقك يقضي يومه في القراءة والبحث والكتابة
يقضي موظفوك أو عملاؤك ساعات في البحث عن إجابات داخل المستندات، أو في كتابة نصوص متشابهة، أو في نقل المعلومات من صيغة إلى أخرى. وتتوقع أن يحمل نموذج لغوي عنهم جزءاً كبيراً من هذا العبء، وتحتاج إلى من يثبت ذلك على بياناتك، ثم يبنيه بمعايير التشغيل الفعلي.
- مساعدات ذكية للدعم وقواعد المعرفة
- استخراج البيانات من العقود والمستندات
- مساعدات ذكية داخل منصات البرمجيات كخدمة (SaaS)
- بحث داخلي في بيانات الشركة كلها
- مسارات عمل صوتية وتحويل الكلام إلى نص
- وكلاء يؤتمتون المهام الإدارية الداخلية
أسئلة شائعة
على أي نموذج ذكاء اصطناعي ينبغي أن نبني منتجنا؟
نختار بالاختبار لا بالسمعة. نشغّل النماذج المرشحة من OpenAI وAnthropic وGoogle والنماذج المفتوحة المصدر على مجموعة التقييم الخاصة بك، ونقارن بينها في الجودة وزمن الاستجابة والتكلفة وطول السياق وشروط التعامل مع البيانات. وكثيراً ما يتولى نموذج أصغر الطلبات المعتادة، ويتولى نموذج أقوى الحالات الصعبة. ونضع النموذج خلف طبقة وسيطة، فتستطيع تغيير المزوّد كلما تغيرت الأسعار والقدرات.
هل نحتاج إلى التوليد المعزّز بالاسترجاع (RAG)، أم إلى الضبط الدقيق للنموذج، أم تكفي تعليمات أفضل؟
ابدأ بالتعليمات، لأن تعديلها هو الأقل تكلفة. وأضف الاسترجاع حين يحتاج النموذج إلى معلومات لم يتدرب عليها، مثل مستنداتك أو سياساتك أو بيانات منتجاتك، أو حين يجب أن تذكر الإجابات مصادرها. أما الضبط الدقيق فتلجأ إليه حين تحتاج إلى أسلوب أو صيغة ثابتة، أو إلى مهمة تصنيف محددة، أو إلى نموذج أصغر وأسرع يعالج أحجاماً كبيرة. وفي الواقع العملي، تغطي التعليمات الجيدة مع الاسترجاع معظم حالات الاستخدام في الأعمال.
كيف تحدّون من الهلوسة والإجابات الخاطئة؟
لا يستطيع أحد أن يقضي عليها تماماً، لذلك نصمم النظام على افتراض أنها ستقع. تستند الإجابات إلى مصادر مسترجعة وتُعرض مع إحالات إليها، ونوجّه النموذج ونختبره ليقول صراحة إنه لا يعرف حين لا يعرف. أما المخرجات التي تغذي أنظمة أخرى فنتحقق منها وفق مخططات البيانات وقواعد العمل. وتتابع مجموعة التقييم الدقة من إصدار إلى آخر، وفي القرارات عالية المخاطر يراجع شخص النتيجة قبل اتخاذ أي إجراء بناءً عليها.
هل تبقى بياناتنا آمنة حين تستخدمون نماذج ذكاء اصطناعي من أطراف خارجية؟
نقرر معك طريقة التعامل مع البيانات قبل أن نبني أي ربط. نختار من خدمات المزوّدين ما تستبعد شروطه التدريب على بيانات العملاء، مثل Amazon Bedrock أو Azure OpenAI، ونراجع هذه الشروط معك، ويمكننا اختيار الاستضافة في منطقة جغرافية محددة. كما يمكن إخفاء الحقول الحساسة قبل أن يغادر الطلب أنظمتك. وحيث لا يجوز أن تخرج البيانات من بيئتك، ننشر نماذج مفتوحة المصدر على بنية تحتية تتحكم فيها أنت.
كيف تُبقون تكلفة تشغيل ميزات الذكاء الاصطناعي تحت السيطرة؟
التكلفة شيء نصممه مسبقاً، لا شيء نكتشفه في الفاتورة. نقدّر عدد الرموز في كل طلب أثناء تحديد النطاق، ثم نخفضه بسياق أكثر إيجازاً، وبالتخزين المؤقت للتعليمات، وباسترجاع لا يرسل إلا المقاطع ذات الصلة. تذهب الطلبات البسيطة إلى نماذج أقل تكلفة، وتُحفظ إجابات الطلبات المتكررة مؤقتاً، ويُعالَج العمل غير العاجل على دفعات. وتمنع الحدود الموضوعة لكل مستخدم ولكل حساب عميل أي استهلاك منفلت، وتعرض لوحة التحكم الإنفاق لكل ميزة، فتستند قرارات التسعير إلى أرقام حقيقية.