ما هو أحدث نهج اليوم يمكن أن يصبح بسرعة النظام القديم في الغد. وتواجه المؤسسات التي تستثمر في حلول البرمجيات كخدمة القائمة على الذكاء الاصطناعي سؤالاً حاسماً: كيف يمكننا ضمان ألا تصبح الأنظمة المطبقة اليوم ديناً تقنياً للغد؟

‍

لا تكمن الإجابة في اختيار التكنولوجيا الأكثر تقدمًا في الوقت الراهن، بل في اختيار المنصات المبنية على بنيات مرنة وقابلة للتكيف قادرة على التطور مع قدرات الذكاء الاصطناعي الناشئة. تحلل هذه المقالة التطبيقات المختلفة للبنى المعيارية في مجال الذكاء الاصطناعي، مع التركيز على الجيل المعزز للاسترجاع (RAG)، وتقارن بين الأساليب المعمارية المختلفة.

‍

المخاطر الخفية لتطبيقات الذكاء الاصطناعي الجامدة

تختار العديد من المؤسسات حلول الذكاء الاصطناعي بناءً على القدرات الحالية في المقام الأول، مع التركيز على الوظائف الفورية وإهمال البنية الأساسية التي تحدد القدرة على التكيف على المدى الطويل. يخلق هذا النهج العديد من المخاطر الكبيرة:

التقادم التكنولوجي

تستمر وتيرة ابتكار الذكاء الاصطناعي في التسارع، مع ظهور تطورات أساسية في أطر زمنية أقصر من أي وقت مضى. وغالباً ما تكافح الأنظمة الجامدة المبنية حول مناهج محددة للذكاء الاصطناعي لدمج هذه التطورات، مما يؤدي إلى وجود ثغرات في القدرات فيما يتعلق بالحلول الأحدث.

تعديل متطلبات العمل

حتى لو ظلت التكنولوجيا ثابتة (ولن تظل كذلك)، فإن متطلبات العمل سوف تتطور. غالبًا ما تكتشف المؤسسات حالات استخدام قيّمة للذكاء الاصطناعي لم تكن متوقعة أثناء التنفيذ الأولي. وغالباً ما تكافح المنصات غير المرنة من أجل تجاوز معايير تصميمها الأصلية.

تطور نظام التكامل البيئي

ستتغير التطبيقات ومصادر البيانات والأنظمة المحيطة بحل الذكاء الاصطناعي بمرور الوقت من خلال الترقيات والاستبدال والإضافات الجديدة. وغالباً ما تصبح منصات الذكاء الاصطناعي الجامدة عوائق للتكامل، مما يتطلب حلولاً مكلفة أو يحد من قيمة الاستثمارات التقنية الأخرى.

التغييرات التنظيمية والامتثال

تستمر متطلبات حوكمة الذكاء الاصطناعي في التطور على مستوى العالم، مع ظهور لوائح تنظيمية جديدة تفرض متطلبات قابلية التفسير وتقييم الإنصاف والتوثيق. غالبًا ما تعاني الأنظمة التي تفتقر إلى المرونة المعمارية في التكيف مع متطلبات الامتثال المتغيرة هذه.

‍

نموذج RAG Paradigm: دراسة حالة للهندسة المعمارية المعيارية

يمثل التوليد المعزّز للاسترجاع (RAG) مثالاً ممتازًا على البنية المعيارية التي تُحدث ثورة في طريقة تصميم أنظمة الذكاء الاصطناعي وتنفيذها. تُعرّفها AWS على أنها "عملية تحسين مخرجات نموذج لغوي كبير (LLM) يرجع إلى قاعدة معرفية موثوقة خارج مصادر بيانات التدريب الخاصة به قبل توليد استجابة".

تطبيق AWS RAG

طورت AWS بنية سحابية RAG تجسد مبادئ النمطية والمرونة. كما أشار يونجي تشين وهنري جيا في مدونة AWS Public Sector، تتألف هذه البنية من أربع وحدات متميزة:

‍

1. وحدة واجهة المستخدم: تتفاعل مع المستخدمين النهائيين عبر بوابة Amazon API Gateway
2. وحدة التنسيق: تتفاعل مع مختلف الموارد لضمان تدفق الحصول على البيانات والمطالبة وتوليد الاستجابة بسلاسة
3. وحدة التضمين: توفر إمكانية الوصول إلى نماذج الأساس المختلفة
4. وحدة تخزين المتجهات: تدير تخزين البيانات المضمنة وتنفيذ عمليات البحث عن المتجهات

يتبع تدفق المعالجة مسارين رئيسيين:

لتحميل البيانات:

1. تتم معالجة المستندات المخزنة في دلاء Amazon S3 بواسطة وظائف AWS Lambda لتقسيمها وتجزئتها
2. يتم إرسال المقاطع النصية إلى قالب التضمين ليتم تحويلها إلى متجهات
3. يتم تخزين التضمينات وفهرستها في قاعدة بيانات المتجهات المختارة

لتوليد الإجابات:

1. يرسل المستخدم مطالبة
2. يتم تسليم المطالبة إلى قالب تضمين
3. يقوم النموذج بتحويل المطالبة إلى متجه للبحث الدلالي في المستندات المؤرشفة
4. يتم إرجاع النتائج الأكثر صلة إلى LLM
5. يقوم LLM بإنشاء الاستجابة مع الأخذ في الاعتبار النتائج الأكثر تشابهًا والمطالبات الأولية
6. يتم تسليم الاستجابة التي تم إنشاؤها إلى المستخدم

مزايا هيكلية AWS RAG

تسلط AWS الضوء على العديد من المزايا الرئيسية لهذه البنية المعيارية:

• النمطية وقابلية التوسع: "إن الطبيعة المعيارية لبنية RAG واستخدام البنية التحتية كرمز (IaC) تجعل من السهل إضافة خدمات AWS أو إزالتها حسب الحاجة. وتساعد هذه البنية مع خدمات AWS المُدارة على إدارة حركة المرور وطلبات البيانات المتزايدة تلقائيًا وبكفاءة، دون الحاجة إلى التزويد المسبق."
• المرونة وخفة الحركة: "تتيح بنية RAG المعيارية تنفيذ التقنيات والخدمات الجديدة بسرعة وسهولة أكبر دون الحاجة إلى إحداث ثورة كاملة في إطار البنية السحابية. وهذا يتيح لنا أن نكون أكثر مرونة في الاستجابة لاحتياجات السوق والعملاء المتغيرة."
• التكيف مع الاتجاهات المستقبلية: "تفصل البنية المعيارية بين التنسيق ونماذج الذكاء الاصطناعي التوليدي ومخازن المتجهات. كل وحدة من هذه الوحدات الثلاث على حدة، وجميعها مجالات للبحث النشط والتحسين المستمر."

تكنولوجيا النواقل: قلب بنية RAG المعمارية

من العناصر الحاسمة في بنية RAG قاعدة بيانات المتجهات. تشير AWS إلى أنه "نظرًا لأن جميع البيانات (بما في ذلك النصوص أو الصوت أو الصور أو الفيديو) يجب تحويلها إلى متجهات مضمنة لكي تتفاعل النماذج التوليدية معها، فإن قواعد بيانات المتجهات تلعب دورًا أساسيًا في الحلول القائمة على الذكاء الاصطناعي التوليدي."

تدعم AWS هذه المرونة من خلال تقديم العديد من خيارات قواعد البيانات المتجهة:

• قواعد بيانات تقليدية مثل OpenSearch وPostgreSQL مع وظائف متجهية إضافية
• قواعد بيانات متجهات مفتوحة المصدر مخصصة مفتوحة المصدر مثل ChromaDB وMilvus
• حلول AWS الأصلية مثل أمازون كيندرا الأمازون

يمكن الاسترشاد في الاختيار بين هذه الخيارات "بالإجابات على أسئلة مثل عدد مرات إضافة البيانات الجديدة، وعدد الاستفسارات التي يتم إرسالها في الدقيقة، وما إذا كانت الاستفسارات المرسلة متشابهة إلى حد كبير."

‍

بنى الذكاء الاصطناعي المدمجة في النموذج: النهج العصبي

في حين يتم تنفيذ بنية AWS RAG كنظام موزع عبر العديد من الخدمات السحابية، فإن أنظمة الذكاء الاصطناعي الأخرى تتبع نهجًا أكثر تكاملاً، حيث توجد مبادئ النمطية ضمن بنية عصبية موحدة.

حالة مساعدي الشؤون الداخلية المتقدمين

يستخدم مساعدي الذكاء الاصطناعي المتقدمين، مثل تلك القائمة على أحدث نماذج LLM، مبادئ مماثلة لـ RAG ولكن مع بعض الاختلافات المعمارية الهامة:

1. التكامل العصبي: يتم دمج المكونات الوظيفية (فهم الاستعلام واسترجاع المعلومات وتوليد الاستجابة) ضمن البنية العصبية، بدلاً من توزيعها على خدمات منفصلة.
2. المعيارية المفاهيمية: توجد المعيارية على المستوى المفاهيمي والوظيفي، ولكن ليس بالضرورة كمكونات منفصلة ماديًا وقابلة للاستبدال.
3. التحسين الموحّد: يتم تحسين خط أنابيب المعالجة بالكامل أثناء مرحلة التدريب والتطوير، بدلاً من أن يكون قابلاً للتكوين من قِبل المستخدم النهائي.
4. التكامل العميق بين الاسترجاع والتوليد: نظام الاسترجاع مدمج بشكل أعمق في عملية التوليد، مع وجود تغذية مرتدة ثنائية الاتجاه بين المكونات، بدلاً من أن تكون عملية متسلسلة جامدة.

على الرغم من هذه الاختلافات في التنفيذ، تشترك هذه الأنظمة في المبادئ الأساسية لـ RAG: إثراء نموذج اللغة بالمعلومات الخارجية ذات الصلة لزيادة الدقة وتقليل الهلوسة من خلال إنشاء بنية تفصل (على الأقل من الناحية المفاهيمية) بين مراحل المعالجة المختلفة.

‍

مبادئ تصميم البنى المرنة للذكاء الاصطناعي المرن

وبغض النظر عن النهج المحدد، هناك مبادئ تصميم عالمية تعزز المرونة في بنى الذكاء الاصطناعي:

تصميم معياري

تستخدم منصات الذكاء الاصطناعي المرنة حقًا بنيات معيارية يمكن من خلالها ترقية المكونات أو استبدالها بشكل مستقل دون الحاجة إلى إجراء تغييرات على النظام بأكمله. ويتبع كل من نهج AWS ونهج أنظمة الذكاء الاصطناعي المتكاملة هذا المبدأ، وإن كان ذلك بتطبيقات مختلفة.

النهج النموذجي التشخيصي

تحافظ المنصات المرنة على الفصل بين منطق الأعمال والتنفيذ الأساسي للذكاء الاصطناعي، مما يسمح بتغيير مكونات الذكاء الاصطناعي الأساسية مع تطور التكنولوجيا. ويتضح ذلك بشكل خاص في بنية AWS، حيث يمكن استبدال النماذج بسهولة.

تصميم API-أولاً

تُعطي أنظمة الذكاء الاصطناعي الأكثر قابلية للتكيف الأولوية لإمكانية الوصول البرمجي من خلال واجهات برمجة التطبيقات الشاملة، بدلاً من التركيز حصرياً على واجهات المستخدم المحددة مسبقاً. في بنية AWS، يعرض كل مكوّن في بنية AWS واجهات واضحة المعالم، مما يسهل التكامل والتحديث.

البنية التحتية للتوزيع المستمر

تتطلب البنى المرنة بنية تحتية مصممة للتحديثات المتكررة دون انقطاع الخدمة. يتم تنفيذ هذا المبدأ في كل من الأنظمة الموزعة مثل بنية AWS وفي نماذج الذكاء الاصطناعي المتكاملة، وإن كان ذلك بآليات مختلفة.

إطار عمل قابلية التوسعة

توفر المنصات المرنة حقًا أطر عمل للإضافات الخاصة بالعميل دون الحاجة إلى تدخل البائع. ويتجلى ذلك بشكل أكبر في الأنظمة الموزعة، ولكن يمكن لنماذج الذكاء الاصطناعي المدمجة أن تقدم أيضاً أشكالاً من التخصيص.

التوازن بين القدرة على التكيف والاستقرار

مع التأكيد على المرونة المعمارية، من الضروري إدراك أن أنظمة الأعمال تتطلب أيضًا الاستقرار والموثوقية. ويتطلب تحقيق التوازن بين هذه المطالب التي تبدو متناقضة:

عقود الواجهة المستقرة

في حين أن التطبيقات الداخلية قد تتغير بشكل متكرر، فمن الضروري الحفاظ على ضمانات استقرار صارمة للواجهات الخارجية، مع سياسات الإصدار والدعم الرسمية.

التحسين التدريجي

يجب إدخال وظائف جديدة من خلال تغييرات إضافية بدلاً من الاستبدال كلما أمكن، مما يسمح للمؤسسات بتبني الابتكارات بالسرعة التي تناسبها.

إيقاع التحديث المتحكم فيه

يجب أن تتبع عمليات الترقية جدولاً زمنياً يمكن التنبؤ به ومضبوطاً يوازن بين الابتكار المستمر والاستقرار التشغيلي.

التقارب المستقبلي: نحو البنى الهجينة

من المرجح أن يشهد مستقبل بنيات الذكاء الاصطناعي تقارباً بين النهج الموزع الذي تجسده AWS RAG والنهج المتكامل لنماذج الذكاء الاصطناعي المتقدمة. هناك اتجاهات مهمة بدأت تظهر بالفعل:

التقارب متعدد الوسائط

ينتقل الذكاء الاصطناعي بسرعة إلى ما هو أبعد من المعالجة أحادية النمط إلى نماذج موحدة تعمل بسلاسة عبر الأنماط (النص والصورة والصوت والفيديو).

انتشار النماذج المتخصصة

بينما تستمر النماذج العامة في التقدم، هناك أيضًا زيادة في تطوير نماذج متخصصة لمجالات ومهام محددة، مما يتطلب بنى يمكنها تنسيق ودمج نماذج مختلفة.

كونتينوم إيدج-كلاود

يتم توزيع معالجة الذكاء الاصطناعي بشكل متزايد على سلسلة متصلة من السحابة إلى الحافة، مع نماذج موزعة حيث يمكن موازنة متطلبات الأداء والتكلفة والبيانات بشكل أكثر فعالية.

المواءمة التنظيمية

ومع نضوج اللوائح التنظيمية العالمية للذكاء الاصطناعي، نتوقع المزيد من المواءمة بين المتطلبات عبر الولايات القضائية، وربما يكون ذلك مصحوبًا بأطر اعتماد.

‍

الخاتمة: حتمية المستقبل

في مجال سريع التطور مثل الذكاء الاصطناعي، فإن أهم ما يميز المنصة ليس قدراتها الحالية، بل قدرتها على التكيف مع التطورات المستقبلية. غالباً ما تجد المؤسسات التي تختار الحلول التي تستند في المقام الأول إلى قدرات اليوم نفسها تحد من إمكانيات الغد.

‍

من خلال إعطاء الأولوية لمرونة البنية من خلال مبادئ مثل التصميم المعياري والنهج الحيادي للنموذج والتفكير القائم على واجهة برمجة التطبيقات أولاً والبنية التحتية للنشر المستمر وقابلية التوسعة القوية، يمكن للمؤسسات بناء قدرات ذكاء اصطناعي تتطور مع التقدم التكنولوجي واحتياجات العمل.

كما تقول AWS، "إن وتيرة تطور الذكاء الاصطناعي التوليدي غير مسبوقة"، ولا يمكن أن تضمن البنى المعيارية والمرنة حقًا إلا أن تستمر استثمارات اليوم في توليد القيمة في المشهد التكنولوجي سريع التطور في الغد.

‍

ربما لا ينتمي المستقبل فقط لأولئك الذين يستطيعون التنبؤ بما سيأتي، ولكن لأولئك الذين يبنون أنظمة يمكنها التكيف مع كل ما سيظهر.