أمضت تقنيات الذكاء الاصطناعي المؤسسي سنوات في السعي نحو التوسع. وأصبحت النماذج الأكبر حجماً، والمعايير الأكثر، ومجموعات البيانات الأضخم، وقوة الحوسبة الأكبر، مرادفات للتقدم. لكن الشركات بدأت تطرح سؤالاً أكثر عملية: هل تحتاج كل مهمة ذكاء اصطناعي حقاً إلى أكبر نموذج متاح؟
في كثير من الأحيان، لا يحدث ذلك.
تفتح نماذج اللغة المصغرة (SLMs) آفاقًا جديدة. فهي مصممة بمعايير أقل، وغالبًا ما تكون مُحسّنة لمهام أو مجالات محددة، ما يُقرّب الذكاء الاصطناعي من التطبيقات والأجهزة وبيئات المؤسسات الخاصة. بالنسبة للمؤسسات التي تُطوّر حلول برمجيات الذكاء الاصطناعي، قد يُغيّر ذلك النقاش من "ما مدى قوة النموذج؟" إلى "ما مدى كفاءته في حل مشكلة العمل؟"
قد لا تحتاج حلول برامج الذكاء الاصطناعي إلى أقصى درجات الذكاء في كل مكان
نادراً ما تتطلب عمليات سير العمل المؤسسية نموذجاً واحداً لمعرفة كل شيء. فمعظمها يحتاج إلى الذكاء الاصطناعي لأداء مهمة محددة بشكل موثوق وسريع وفي حدود القيود التشغيلية.
يُتيح هذا التمييز المجال لنماذج أصغر حجماً.
يمكن للذكاء المتخصص أن يتفوق على النطاق العام
تخيل نظام ذكاء اصطناعي يصنف طلبات الدعم، ويستخرج المعلومات من الفواتير، ويلخص الوثائق الداخلية، ويساعد الفنيين، أو يجيب على أسئلة حول سياسات الشركة. تعمل هذه المهام ضمن نطاق ضيق نسبياً.
بدلاً من نشر نموذج ضخم متعدد الأغراض، يمكن للمؤسسات تدريب نماذج أصغر حجماً، أو ضبطها بدقة، أو تطويرها لتناسب مصطلحات محددة، وسير عمل، ومجموعات بيانات معينة. لا يحتاج نظام إدارة دورة حياة البرمجيات المصمم جيداً إلى معرفة موسوعية إذا كانت مهمته الأساسية هي فهم منتجات أو عمليات مؤسسة معينة.
وبالتالي، قد يتحول سباق الذكاء الاصطناعي في المؤسسات من إيجاد النموذج الأكثر ذكاءً إلى إيجاد الذكاء المناسب لكل سير عمل.
بدأ اقتصاد الذكاء الاصطناعي يتخذ شكلاً مختلفاً
إن تكلفة الذكاء الاصطناعي تتجاوز بكثير مجرد الحصول على نموذج. فكل عملية استدلال تستهلك موارد حاسوبية. وعندما يتعامل تطبيق ما مع آلاف أو ملايين التفاعلات، فإن الاختلافات التي تبدو طفيفة في المتطلبات الحسابية قد تصبح اعتبارات تشغيلية مهمة.
قد تتطلب أنظمة إدارة دورة حياة البرمجيات (SLMs) موارد حاسوبية وذاكرة أقل، مما يجعلها جذابة لأحمال العمل المؤسسية ذات الحجم الكبير أو المتكررة.
يُعدّ هذا الأمر بالغ الأهمية عندما ترغب الشركات في دمج الذكاء الاصطناعي في خدمة العملاء، والعمليات، والمالية، والموارد البشرية، والهندسة، وغيرها من الوظائف. فإذا تطلّب كل تفاعل بنية تحتية ضخمة، فقد يصبح توسيع نطاق حلول برمجيات الذكاء الاصطناعي صعبًا من الناحيتين المالية والتشغيلية.
يمكن للنماذج الأصغر أن تمنح المهندسين المعماريين خيارًا آخر: تخصيص النماذج الأكبر للاستدلال المعقد مع توجيه المهام الأبسط إلى أنظمة أكثر كفاءة.
قد يكون المستقبل عبارة عن مجموعة من النماذج
يؤدي ذلك إلى بنية مؤسسية مختلفة. فبدلاً من الاختيار بين "نموذج إدارة دورة حياة المنتج" و"نموذج إدارة دورة حياة الخدمة"، يمكن للشركات تنسيق عدة نماذج وفقًا للمهمة.
قد يقوم نموذج أصغر بتصنيف الطلب الوارد. بينما يقوم نموذج متخصص آخر باسترجاع معلومات المؤسسة. أما النموذج الأكبر، فيمكنه التعامل مع الاستدلال المعقد عند الضرورة فقط. وتحدد القواعد وطبقات الحوكمة أي نموذج يتلقى أي عبء عمل.
يتعامل هذا النهج مع نماذج الذكاء الاصطناعي كموارد يجب تنسيقها بدلاً من كونها منصات يتم توحيدها بشكل أعمى.
قد تدفع الخصوصية الذكاء إلى الاقتراب أكثر من الأعمال التجارية
بعض بيانات المؤسسة لا ينبغي أن تنتقل بحرية بين الأنظمة. فالسجلات المالية، والملكية الفكرية، ومعلومات العملاء، والبيانات التشغيلية، والاتصالات الداخلية قد تتطلب ضوابط أكثر صرامة. وقد توفر النماذج الأصغر حجماً مرونة أكبر للنشر ضمن بيئات السحابة الخاصة، أو البنية التحتية المحلية، أو حتى الأجهزة الطرفية.
يُمكن أن يُساعد ذلك المؤسسات على إبقاء بعض أحمال العمل أقرب إلى مصدر البيانات. بالنسبة للقطاعات التي لديها متطلبات صارمة فيما يتعلق بالأمان أو زمن الاستجابة أو الاتصال، قد تُصبح مرونة النشر هذه بنفس أهمية أداء النموذج.
السرعة مهمة حيث يلتقي الذكاء الاصطناعي بالعمل الحقيقي
يتزايد استخدام الذكاء الاصطناعي المؤسسي داخل سير العمل حيث يتوقع المستخدمون استجابات فورية.
قد لا تتحمل أنظمة التصنيع وتطبيقات الخدمة الميدانية والأجهزة المحمولة والأنظمة المدمجة والأدوات الموجهة للعملاء أي تأخير غير ضروري.
نظراً لأن النماذج الأصغر حجماً تتطلب موارد حاسوبية أقل، فإنها تدعم سيناريوهات يكون فيها الاستدلال الأسرع أمراً بالغ الأهمية. كما أن النشر على الحافة يقلل الاعتماد على الاتصال المستمر بالسحابة في بعض حالات الاستخدام.
والنتيجة هي ذكاء اصطناعي يبدو أقل كوجهة منفصلة وأكثر كطبقة غير مرئية داخل البرامج اليومية.
لا يعني الحجم الصغير بالضرورة أنه أفضل
لا تزال نماذج التعلم الاجتماعي تنطوي على مفاضلات. فالمسائل المعقدة، ومهام المعرفة الواسعة، وتوليد المحتوى المتطور، والمشاكل الغامضة قد تتطلب نماذج أكبر. كما تحتاج النماذج الأصغر إلى بيانات تدريب مناسبة، وتقييم، وضوابط أمنية، ومراقبة، وحوكمة.
الهدف ليس استبدال نماذج اللغة الكبيرة، بل التوقف عن استخدامها بشكل افتراضي.
اقرأ أيضاً: 7 معوقات في التعلم الآلي يمكن للتعلم الآلي الآلي القضاء عليها
قد يصبح الذكاء الاصطناعي ذو الحجم المناسب ميزة تنافسية للمؤسسات
قد لا تتمحور المرحلة التالية من الذكاء الاصطناعي المؤسسي حول بناء نماذج أكبر حجماً، بل قد تتمحور حول تخصيص الذكاء المناسب لعبء العمل المناسب.
بالنسبة لحلول برامج الذكاء الاصطناعي، توفر حلول إدارة دورة حياة البرمجيات فرصًا لتحسين الكفاءة، وتخصيص النماذج حول مجالات الأعمال، وتعزيز التحكم في النشر، وتقريب الذكاء الاصطناعي من سير العمليات التشغيلية.
ستظل النماذج الكبيرة ضرورية للعديد من المهام المعقدة. لكن المؤسسات التي تتعلم كيفية دمج النماذج الكبيرة والصغيرة بذكاء قد تجني ما هو أثمن من قوة الذكاء الاصطناعي الخام: اقتصاديات الذكاء الاصطناعي المستدامة.
في مجال تكنولوجيا المؤسسات، قد لا يكون النموذج الفائز هو الأكبر حجماً دائماً، بل قد يكون ببساطة النموذج الذي يؤدي الغرض المطلوب تماماً.
