يُطلق فريقٌ نموذجًا أوليًا لنموذج لغوي كبير في غضون أسبوع، فيصفّق الجميع. ثم يستغرق نقله إلى بيئة الإنتاج تسعة أشهر، ونصف هذه المشاريع لا يصمد أمام أول احتكاك بالمستخدمين الحقيقيين. تلك الفجوة بين العرض التجريبي وخط الإنتاج هي حيث تُدفن معظم ميزانيات الذكاء الاصطناعي في المؤسسات.
الأمر (Prompt) هو الـ10% السهلة، أما الـ90% الباقية فهي البنية التحتية والضوابط والانضباط التشغيلي الممل الذي يحوّل ميزة إكمالٍ ذكية إلى شيء تضع اسم شركتك خلفه.
العرض التجريبي كذبة، ولا بأس بذلك
العرض التجريبي يعمل مرة واحدة، على سؤالٍ منتقى، وبحضور إنسانٍ مستعدٍ لإعادة المحاولة كلما تعثّر. أما الإنتاج فيعمل عشرة آلاف مرة في اليوم، على مدخلاتٍ لم يتوقعها أحد، ودون أن يراقبه أحد. إنهما آلتان مختلفتان.
في تجربتي مع العملاء، الفرق التي تتعثّر هي التي تعدّ عبارة "لقد نجح في بيئة التجريب" دليلًا. وهي ليست دليلًا بل فرضية. وفي اللحظة التي تقبل فيها أن النموذج مكوّنٌ احتمالي داخل نظامٍ حتمي، لا النظام بأكمله، يتّضح العمل الحقيقي: كل ما يحيط بالنموذج.
الاسترجاع هو المنتج، والنموذج سلعة
معظم حالات الاستخدام في المؤسسات ليست "كن مبدعًا"، بل "أجب بدقة اعتمادًا على بياناتنا". وهذا يجعل طبقة الاسترجاع (Retrieval) هي المنتج الفعلي، والنموذج اللغوي محركًا قابلًا للاستبدال يعمل تحتها.
أتقِن الأجزاء غير البرّاقة أولًا:
- التقطيع والبيانات الوصفية (Chunking & Metadata). التقطيع السيئ يفرض سقفًا خفيًا على دقتك مهما بلغت جودة النموذج. ضَع لكل مقطعٍ وسمًا بمصدره وتاريخه ومستوى صلاحيته منذ اليوم الأول.
- حداثة البيانات والصلاحيات. إن استندت الإجابة إلى سياسةٍ أُلغيت الربع الماضي، فقد أنشأت مسؤولية قانونية. ويجب أن يراعي الاسترجاع مَن يحقّ له الاطلاع على ماذا، فالنموذج لا يعرف شيئًا عن التفويض.
- التقييم على بياناتك أنت. المعايير العامة (Benchmarks) لا تخبرك بشيءٍ يُذكر عن فواتيرك وعقودك وتذاكرك. ابنِ مجموعةً ذهبية من 100 إلى 200 سؤالٍ حقيقي بإجاباتٍ معروفة، وقِس عليها مع كل تغيير.
استبدال النموذج مجرّد تغييرٍ في الإعدادات، أما إصلاح بياناتك فهو مشروع قائم بذاته. فخطّط ميزانيتك على هذا الأساس.
الضوابط والتكلفة وضريبة زمن الاستجابة
استدعاء نموذجٍ مجرّدًا ليس ميزة. فبين المستخدم والنموذج تحتاج إلى التحقّق من المدخلات، وفحص المخرجات، وخطةٍ بديلة حين يعيد النظام هراءً بثقة. تعامل مع الهلوسة (Hallucination) بوصفها نمط فشلٍ معروفًا تصمّم حوله، لا خللًا تأمل أن يتلاشى.
راقب ثلاثة أرقام
- التكلفة لكل مهمة مُنجَزة، لا التكلفة لكل رمز (Token). فنموذجٌ رخيص يحتاج ثلاث محاولاتٍ أغلى من نموذجٍ باهظ ينجح من أول مرة.
- زمن الاستجابة عند المئين الخامس والتسعين (p95). المتوسطات تخفي الألم، والمستخدم يشعر بالذيل البطيء؛ فعرضٌ تجريبي يستغرق ثانيتين يصبح استدعاءً بإحدى عشرة ثانية في الإنتاج بعد إضافة الاسترجاع وفحوص الأمان.
- معدل التصعيد. كم مرة يُحيل النظام المهمة إلى إنسان؟ هذا الرقم هو دقّتك الحقيقية، ومكانه لوحة المؤشرات.
التخزين المؤقت (Caching)، واستخدام نماذج أصغر للمسارات السهلة، وتوجيه الحالات الصعبة إلى نماذج أكبر، كلها عادةً تقلّص فاتورتك أكثر من أي حيلةٍ في صياغة الأمر. حسِّن خط الإنتاج، لا الجملة.
امتلك دورة الحياة، لا الإطلاق وحده
النماذج تنحرف (Drift)، والمزوّدون يوقفون إصداراتٍ قديمة، ومستخدموك يبتكرون بحلول يوم الثلاثاء مدخلاتٍ لم تخطر لك على بال. ميزة النموذج اللغوي نظامٌ حيّ، وتحتاج إلى العضلة التشغيلية نفسها التي تحتاجها أي خدمة إنتاجٍ أخرى.
- سجّل كل شيء — الأمر، والسياق، والمخرَج، وردّ فعل المستخدم — لتتمكن من تشخيص العطل الذي يقع الثانية صباحًا.
- أخضِع نسخ أوامرك للإصدارات كما تفعل مع الشيفرة. فتغيير الأمر عملية نشر، تستحق مراجعةً ومسارًا للتراجع.
- أبقِ إنسانًا ضمن الحلقة حيث تكون كلفة الخطأ عالية. أتمِت الـ80% المملة، وصعِّد الـ20% المصيرية.
من أين تبدأ يوم الاثنين
اختر سير عملٍ واحدًا ضيّق النطاق، متسامحًا مع الفشل، وقابلًا للقياس في نتيجته — كالبحث في المعرفة الداخلية، أو صياغة مسودّات ردود الدعم الأولى، أو فرز التذاكر. أطلقه لمجموعةٍ صغيرة، وقِسه بدقة، واعرف ما ينكسر فعلًا قبل أن توسّع؛ فالأعطال التي تكتشفها في تجربةٍ محدودة رخيصة، أما التي تكتشفها في الإنتاج فليست كذلك.
المؤسسات الرابحة مع النماذج اللغوية ليست صاحبة أذكى الأوامر، بل تلك التي بنت خط الإنتاج حول الأمر، وعاملت النموذج بوصفه الجزء الأقل إثارةً في المسألة.
إن كانت مبادرتك في الذكاء الاصطناعي عالقةً في طور العرض التجريبي، فالسؤال ليس أيّ نموذجٍ تختار، بل أيّ جزءٍ من خط إنتاجك كنت تتجنّبه.