طبقة محاكاة مستعارة من المركبات الذاتية لإنقاذ وكلاء الذكاء الاصطناعي من فخاخ التشغيل
استمع لهذا المقال
بصوت ليلى (Layla)
تكتظ أسواق البرمجيات اليوم بوعود وكلاء الذكاء الاصطناعي القادرين على إدارة العمليات المعقدة، غير أن أرقام الأداء الميداني تكشف فجوة مقلقة بين العروض الترويجية والواقع المؤسسي. تظهر اختبارات منصة «لايف بنش 2.0» أن نموذجي «كلود فابل 5.2» و«شات جي بي تي-6 أسترا» ينجزان المهام بنجاح بمعدل 82.9 و75.6 مهمة فقط من أصل مئة، بينما أظهر اختبار أجرته شركة البنية التحتية «إيون» داخل بيئة مؤسسية محاكاة أن أفضل النماذج أداء، وهو «كلود أوبوس 4.8»، لم تتجاوز دقته 76.8 بالمئة. تعود هذه الإخفاقات إلى طبيعة الوكلاء كأنظمة احتمالية تعمل في بيئات غير متوقعة؛ فبمجرد تعرض الوكيل لضغط من العملاء قد يتجاهل سياسات الإنفاق في حجوزات السفر، أو يتعثر عندما يطلب منه الربط بين قواعد بيانات متعددة بدل قاعدة واحدة، أو يضل مساره نتيجة تراكم السياق في المحادثات الطويلة.
بناء العرض التوضيحي سهل، لكن بناء أداة موثوقة ومجدية اقتصاديا هو التحدي الحقيقي. من هذه القناعة، انطلق إيلان كادار وإيلاد ليفي لتأسيس شركة «بلوراي» وتطوير طبقة محاكاة تستعير منهجية اختبار المركبات ذاتية القيادة. استند المؤسسان إلى خبرتهما السابقة في شركة «نيكسار» المتخصصة في تقنيات القيادة الذاتية، إلى جانب عمل كادار مع «وايمو» في محاكاة وتقييم برمجيات القيادة القائمة على التعلم العميق. أعلنت الشركة الناشئة جمع 13 مليون دولار في جولة تمويل أولية قادها صندوق «تيم 8»، بمشاركة «يو آند آي»، و«فيلوسيتي»، و«ميرسر»، لبناء بيئة تدريب واختبار افتراضية للوكلاء البرمجيين.
تعتمد المنصة على إنشاء توأم رقمي للأنظمة الإلكترونية داخل المؤسسة، بما يشمل قواعد المعرفة والأدوات المتاحة للوكيل في بيئة الإنتاج الفعلية. ترسم المنصة بعد ذلك خريطة تفصيلية لكافة المسارات والتدفقات المحتملة للوكيل، وتستخدم هذا الرسم البياني لإنتاج بيانات اصطناعية واختبار الحالات المعقدة وتصحيحها قبل الإطلاق التجاري. تعمل هذه التقنية بالتكامل مع الأدوات البرمجية القائمة مثل «كلود كود»، و«كودكس»، و«كوبايلوت»، و«كيرسر»، محولة التحقق البرمجي من الاعتماد على التجربة المباشرة في واجهة العميل إلى فحص صارم داخل بيئة محاكاة مغلقة.
الرهان الأعمق يكمن في تدريب نماذج صغيرة ومفتوحة الأوزان بدلا من استهلاك نماذج الحدود في كل خطوة. أظهرت اختبارات أجرتها الشركة بالتعاون مع «إنفيديا» و«نيبيوس» أن النماذج الصغيرة المدربة عبر المحاكاة تفوقت على نماذج الحدود متوسطة الفئة مع خفض كلفة التشغيل بمرتبة أو مرتبتين عشريتين. تؤكد التجربة الهندسية أن النماذج العملاقة، مهما بلغت درجة ذكائها، لن تستوعب خصوصية السياسات والبيانات الداخلية لكل مؤسسة. يدعم هذا التحليل باحث «غوغل ديب مايند» ريا ميارا، الذي استثمر ملاكا في الجولة، موضحا أن نماذج الحدود الكبرى غير متطابقة إحصائيا مع البيانات الخاصة للشركات، وأن كلفة استهلاكها المرتفعة لم تعد خيارا مستداما للقيادات التقنية.
يفرض هذا التحول إعادة ترتيب أولويات الفرق البرمجية في مصارف ومؤسسات الخليج ومصر والمنطقة؛ فالاعتماد الساذج على استدعاء النماذج العامة عبر واجهات البرمجة السحابية يورث فواتير تشغيلية تصاعدية ومخاطر امتثال غير محسوبة. عندما فحصنا هذا المشهد، وجدنا أن بناء وكلاء موثوقين في قطاعات حساسة، كالتكنولوجيا المالية أو الخدمات الحكومية، يستوجب نقل المهارة الهندسية من صياغة الأوامر السطحية إلى هندسة التوائم الرقمية ورسم مسارات الفشل، وتدريب نماذج مفتوحة الأوزان مستقرة داخل مراكز البيانات السيادية تضمن دقة القرار وانخفاض تكلفة الاستدلال على المدى الطويل.