سلسلة هندسة الذكاء الاصطناعي – الجزء الثاني
في الجزء الأول من هذه السلسلة، أوضحنا أهمية اختيار بنية الذكاء الاصطناعي المناسبة، لا سيما في البيئات الخاضعة للتنظيم حيث تتفاقم عواقب القرار الخاطئ بمرور الوقت. وفي هذه المرة، سنتطرق إلى المكونات الأساسية نفسها.
أنظمة الذكاء الاصطناعي الحديثة ليست أحادية البنية. فهي مكونة من طبقات متميزة، تؤدي كل منها مهمة مختلفة. وفهم الغرض من كل طبقة يجعل من الأسهل بكثير تقييم الأدوات، وطرح الأسئلة الصحيحة، وتجنب الوقوع في فخ شراء الميزات بدلاً من البنية التحتية.
الأمثلة الواردة في هذا المقال بسيطة عن قصد. والهدف هنا هو توضيح كيفية ارتباط الطبقات ببعضها البعض، وليس محاكاة سير العمل الفعلي. وفي المقال التالي، سنتناول شكل هذه البنية في الممارسة العملية، خاصةً في مجال الخدمات المالية.
الطبقة الأولى: نموذج اللغة الكبيرة (LLM)، محرك الاستدلال
يُعد النموذج اللغوي الكبير (LLM) جوهر معظم أنظمة الذكاء الاصطناعي الحديثة. فهو المكون الذي يقوم بالقراءة والكتابة والتلخيص والتحليل وتوليد الردود. وعندما يتحدث الناس عن GPT-4 أو Claude أو Gemini، فإنهم يقصدون النماذج اللغوية الكبيرة.
تخيل أن نظام اللغات الطبيعية (LLM) هو بمثابة الدماغ. فهو قادر على التفكير والتوليد عبر نطاق هائل من الموضوعات والأشكال، لكنه، بمفرده، لا يعرف بياناتك الداخلية، ولا السياق الخاص بمؤسستك، ولا المنهجية التي يتبعها فريقك. إنه ذكاء عام الغرض: قوي، لكنه غير مكرر.
أما الطبقات المتبقية، فهي موجودة لربط تلك الذكاء بالمعلومات الصحيحة وتوجيهها نحو نتائج محددة ومتسقة.
الطبقة 1 – نموذج اللغة الكبيرة (LLM) فقط
هذا النموذج يعرف الكثير
ولكن فقط ما تعلمه خلال التدريب. لا توجد بيانات حقيقية. لا يوجد سياق خاص بالشركة. ولا يوجد اتصال بالعالم الخارجي.
ما الذي لا يزال مفقودًا
لا يملك النموذج أي وسيلة للوصول إلى أي شيء يتجاوز نطاق بيانات التدريب الخاصة به. فهو لا يستطيع التحقق من المعلومات الحية، أو الاستعلام عن أنظمتك الداخلية، أو معرفة أي شيء خاص بمؤسستك. إنه ذكاء عام الغرض لا صلة له بعالمك.
الطبقة الثانية: MCPs، طبقة الاتصال
يُشار إلى MCP باختصار لـ«بروتوكول سياق النموذج» (Model Context Protocol). وهو معيار مفتوح يحدد كيفية اتصال أنظمة الذكاء الاصطناعي بمصادر البيانات والأدوات الخارجية. وقد طرحته شركة «أنثروبيك» (Anthropic) في الأصل، ويشهد اعتمادًا متزايدًا في جميع أنحاء القطاع؛ حيث يحل MCP محل مجموعة متشابكة من عمليات الدمج الفردية ببروتوكول موحد، تمامًا كما حلّ منفذ USB-C محل درج مليء بالكابلات غير المتوافقة.
في الواقع العملي، يوفر خادم MCP إمكانيات (مثل الاستعلام عن قاعدة بيانات، والقراءة من مخزن المستندات، والتحقق من موجز البيانات المباشر، وتشغيل جزء من التعليمات البرمجية) بطريقة تتيح لأنظمة الذكاء الاصطناعي اكتشافها واستخدامها بشكل متسق. وبدلاً من إنشاء تكامل مخصص لكل أداة يحتاج الذكاء الاصطناعي إلى الوصول إليها، يمكنك ربطها عبر MCP، وبذلك يمكن لأي نظام ذكاء اصطناعي يدعم هذا المعيار استخدامها.
هناك أمر واحد يستحق التأكيد عليه: يتولى MCP إدارة الوصول، وليس معالجة المعلومات. فهو يحدد المدى الذي يمكن للذكاء الاصطناعي الوصول إليه؛ أما ما يفعله بالبيانات التي يعثر عليها، فهذا الأمر يظل متروكًا للنموذج والطبقات الأعلى منه.
الطبقة الثانية – MCP
يوفر MCP للنموذج طريقة قياسية للتواصل مع العناصر الخارجية
البيانات الحية وواجهات برمجة التطبيقات والأدوات الداخلية – دون الحاجة إلى إنشاء اتصال مخصص لكل استخدام.
ما الذي لا يزال مفقودًا
يمكن للنموذج الآن الوصول إلى البيانات الخارجية — لكنه لا يملك أي فكرة عن كيفية عمل مؤسستك. فهو لا يعرف تنسيق المخرجات المفضل لديك، ولا المنهجية التي يتبعها فريقك، ولا الخبرة المتخصصة التي تميز تحليلاتك. فالبيانات المتاحة ليست هي نفسها البيانات المفيدة.
الطبقة الثالثة: المهارات، طبقة المعرفة الفنية
إذا كانت "MCP" تجيب على السؤال "ما الذي يمكن للذكاء الاصطناعي الوصول إليه؟"، فإن "المهارات " تجيب على السؤال "كيف ينبغي للذكاء الاصطناعي أن يقوم بهذا الأمر بالتحديد؟"
«المهارة» هي حزمة قابلة لإعادة الاستخدام وقابلة للنقل، تُشمل سير عمل أو منهجية أو خبرة في مجال معين. وقد تضم تعليمات وأمثلة وقوالب ومنطقًا منظمًا في شكل يمكن لنظام الذكاء الاصطناعي تحميله وتطبيقه بشكل متسق. ومثل MCP، تُصمم المهارات كمعيار مفتوح — مما يعني أن المهارة المصممة جيدًا يمكن مشاركتها وإعادة استخدامها عبر أنظمة الذكاء الاصطناعي المختلفة التي تدعم هذه المواصفات، دون أن تكون مقيدة بأي منصة بعينها.
هناك تشبيه جيد مستمد من فيلم «الماتريكس»: عندما يحتاج نيو إلى تعلم الكونغ فو، لا يكتسب هذه المعرفة من خلال سنوات من التدريب، بل يتم «تثبيتها» فيه. والأمر نفسه ينطبق على المهارات. فهي تمنح نظام الذكاء الاصطناعي قدرة قابلة لإعادة الاستخدام، تعمل على ترميز الخبرة في شكل يمكنه تطبيقه على الفور وبشكل متسق.
ويكون هذا الأمر فعالاً بشكل خاص في المؤسسات التي تتبع «أسلوباً محدداً في إنجاز الأعمال». فعلى سبيل المثال، تتبع تقارير المحللين في القطاع المالي هيكلاً معيناً. كما أن مذكرات الامتثال تخضع لمتطلبات صارمة فيما يتعلق بالشكل والأسلوب. وتخضع قرارات الشراء لمنهجية موافقة محددة مسبقاً.
بدون المهارات، سيكون عليك إعادة شرح تلك المتطلبات في كل مرة تقوم فيها بمهمة ما. أما مع المهارات، فتُبرمج المنهجية مرة واحدة وتُطبق بشكل متسق، بغض النظر عمن يديرها أو عن النموذج الأساسي الذي يعمل بها.
من الناحية العملية، المهارة ليست سوى مجموعة منظمة من الوثائق: تعليمات وأمثلة ونماذج ومواد مرجعية يقرأها النموذج ويتبعها، تمامًا مثل أدلة المنهجية أو إجراءات التشغيل القياسية التي يتبعها فريقك بالفعل. والفرق هو أنها مصممة بطريقة تسمح لنظام الذكاء الاصطناعي بتطبيقها بشكل متسق وتلقائي، بدلاً من الاعتماد على شخص ما لتذكر الخطوات الصحيحة.
ليست كل المؤسسات مستعدة لإنشاء مهارات كاملة منذ اليوم الأول. تقدم معظم المنصات الكبرى نسخة مبسطة من الفكرة نفسها من خلال «المشاريع»: وهي طريقة لتنظيم وحفظ السياق والتعليمات والملفات عبر المحادثات ، بحيث يحفظ النموذج تفضيلاتك ومعارفك دون الحاجة إلى إعادة إطلاعه في كل مرة. ورغم أن «المشاريع» أقل قوة وقابلية للنقل مقارنة بالمهارات، إلا أنها تشكل نقطة انطلاق عملية للفرق التي تسعى إلى تحقيق الاتساق دون تحمل عبء إنشاء المهارات وتوزيعها عبر المؤسسة.
النقطة التي يجب التركيز عليها: MCP = الوصول. المهارات = الطريقة.
المستوى 3 – المهارات
تحدد المهارة ما يجب أن يعرفه النموذج. أما MCP فتحدد له أين يبحث.
وبالتالي، فإن السؤال الذي كان سيحير النموذج لو كان بمفرده يحصل على إجابة دقيقة ومنظمة.
ما الذي لا يزال مفقودًا
يمكن للنموذج الوصول إلى البيانات الصحيحة وتطبيق منهجيتك — لكن سير العمل المعقد والمتعدد الخطوات لا يزال يحتاج إلى شخص ما لتنسيق كل مرحلة يدويًّا. فكلما زاد عدد الخطوات التي تتضمنها المهمة، زاد الجهد البشري المطلوب لربطها معًا.
الطبقة الرابعة: الوكلاء، طبقة التنسيق
الوكيل هو نظام يجمع بين نموذج اللغة الكبير (LLM) والأدوات والتعليمات والمنطق لتنفيذ مهام متعددة الخطوات بدرجة من الاستقلالية. ففي حين يكتفي المساعد البسيط بالإجابة على سؤال ثم يتوقف، يقوم الوكيل بالتخطيط، واسترجاع المعلومات، والتنفيذ، والتحقق من نتائجه، والتكيف عندما لا تسير الأمور كما هو متوقع.
إذا كان نظام اللغة الطبيعي (LLM) هو الدماغ، ونظام MCP هو النسيج الضام الذي يربطه بالعالم، والمهارات هي القدرات المكتسبة التي يمكنه الاستعانة بها، فإن الوكيل هو المشغل الذي يجمع كل هذه العناصر معًا لإنجاز المهام فعليًّا.
وهنا يتحول «المساعد الذكي» إلى «نظام ذكي». فالمساعد يكتفي بالرد بناءً على معرفته المحددة، أما الوكيل فيمكنه البحث عن المعلومات واتخاذ إجراءات مستقلة.
الطبقة الرابعة – الوكيل
يقوم الوكلاء بالتخطيط واتخاذ القرارات والتنفيذ
يضع LLM الأسباب، ويقوم MCPs بالربط، وتوفر المهارات المنهجية، بينما ينسق الوكيل كل ذلك لتحقيق النتيجة المرجوة.
في جميع الطبقات الأربع، هناك مبدأ واحد سائد: كل طبقة تعالج مشكلة مختلفة. يوفر نموذج اللغة الكبير (LLM) القدرة على الاستدلال. ويوفر نظام إدارة المحتوى (MCP) إمكانية الوصول. وتوفر المهارات المنهجية. بينما يوفر الوكلاء التنسيق. إن أي نظام يكون قوياً في طبقة ما ولكنه ضعيف في طبقة أخرى سوف تظهر ثغراته بسرعة عند التشغيل الفعلي: فهو يثير الإعجاب في العرض التوضيحي، لكنه غير موثوق به عند التوسع.
كيف تقوم مختبرات الذكاء الاصطناعي الكبرى بتطبيق هذه الطبقات
اتفقت مختبرات الذكاء الاصطناعي الرائدة على بنى هندسية متشابهة بشكل لافت، على الرغم من أنها تناولت المشكلة من منطلقات مختلفة.
وأبرز دليل على هذا التلاقي هو بروتوكول MCP نفسه. فما بدأ كبروتوكول مفتوح المصدر من شركة Anthropic أصبح الآن معتمدًا من قبل جميع المنصات الكبرى. فكل من OpenAI وGoogle وMicrosoft تدعم بروتوكول MCP، مما يجعله المعيار المشترك لربط أنظمة الذكاء الاصطناعي بالأدوات والبيانات الخارجية. وبالنسبة للمؤسسات التي تعمل على تطوير عمليات التكامل، فإن هذا يعني أن الاتصالات التي تستثمرون فيها اليوم أقل عرضة بكثير لأن تكون مقيدة بمورد واحد.
وبعيدًا عن طبقة الاتصال، يقوم كل مختبر بتكملة المكونات بطريقة خاصة به:
- طبقت شركة Anthropic نفس نهج «المعايير المفتوحة» عند إطلاق «Skills» — وهي طريقة قابلة للنقل لترميز المنهجيات والخبرات المتخصصة التي تعمل عبر مختلف المنصات. وتجمع حزمة «Plugins» الخاصة بـ«Claude» بين اتصالات MCP والمهارات في حزم قابلة للتثبيت، مما يجعل من السهل تزويد نظام الذكاء الاصطناعي بالوصول والمعرفة الفنية في خطوة واحدة.
- قامت OpenAI ببناء منظومة الاتصال الخاصة بها تحت مظلة "Apps"، والتي تتيح لـ ChatGPT الوصول إلى الأدوات ومصادر البيانات الخارجية.
- جعلت «مايكروسوفت» من «Copilot Studio» منصة إنشاء الوكلاء الخاصة بها، مع موصلات مدعومة بـ«MCP» وميزة «Notebooks» الجديدة للحفاظ على سياق المشروع.
- تدعم Google ميزة MCP عبر منصات المطورين والخدمات السحابية الخاصة بها، وقد أطلقت مؤخرًا ميزة "المشاريع" كوسيلة للحفاظ على السياق والتعليمات عبر المحادثات.
تختلف المصطلحات باختلاف المنصات، لكن المفاهيم الأساسية تتطابق مع الطبقات نفسها:
سلسلة "بنية الذكاء الاصطناعي" – الجزء الثاني
كيف تطبق مختبرات الذكاء الاصطناعي الكبرى الطبقات الأربع
نفس البنية، أربعة أنماط لغوية مختلفة
| أنثروبيك | OpenAI | مايكروسوفت | جوجل | |
|---|---|---|---|---|
| التطبيق الرئيسي لـ GenAI | كلود | ChatGPT | مساعد الطيار | الجوزاء |
| السياق الدائم | المشاريع | المشاريع | أجهزة الكمبيوتر المحمولة | المشاريع |
| طبقة الاتصال | الموصلات | تطبيقات | الموصلات | الملحقات؛ MCP (للمطورين/السحابة فقط) |
| قدرات الوكيل | كلود كوورك | وضع الوكيل | استوديو كوبيلوت | وكيل جيميني |
بالنسبة لأي شخص يعمل على إنشاء مسارات عمل مدعومة بالذكاء الاصطناعي في قطاع الخدمات المالية، يُعد هذا التلاقي خبراً ساراً — لكنه لا يلغي مسألة الحوكمة. فالطريقة التي تتعامل بها كل منصة مع اتصالات البيانات والمنهجية والتنسيق متعدد الخطوات هي التي تحدد ما إذا كان النظام الذي تبنيه اليوم سيصمد أمام التدقيق غداً.
الخطوة التالية: الوكلاء الفاعلون والوكلاء المتعاونون
تحتوي العديد من الأدوات التي يستخدمها الناس بالفعل على وكلاء يعملون في الخلفية. فعندما يقوم ChatGPT بكتابة الأكواد، والبحث في الويب، وتوليف الردود في جلسة واحدة، فهذا يعني أن أحد الوكلاء يؤدي مهمته. وينطبق الأمر نفسه على كلود (Claude) ومايكروسوفت كوبيلوت (Microsoft Copilot)، بالإضافة إلى عدد متزايد من المنتجات المخصصة للشركات. لكن حتى اليوم، لا يزال هؤلاء الوكلاء يعملون ضمن حدود نافذة الدردشة ومجموعة من الوصلات المحددة مسبقًا مع الأدوات. وقد بدأ هذا الوضع في التغير.
تتمثل الجبهة الأولى في الوكلاء القادرين على تشغيل بيئة حاسوبية كاملة نيابة عنك — من تصفح ومضغوطات وتنقل بين التطبيقات — بدلاً من الاقتصار على الدردشة. يمنح وضع Cowork من Anthropic ووضع Agent من OpenAI الذكاء الاصطناعي مساحة عمل خاصة به حيث يمكنه تنفيذ المهام عبر أي أدوات متاحة، بينما تتخذ المشاريع مفتوحة المصدر مثل OpenClaw نهجًا مختلفًا، حيث تسمح لوكيل الذكاء الاصطناعي بالعمل مباشرة على جهازك المحلي مع إمكانية الوصول إلى متصفحك وملفاتك وتطبيقات المراسلة.
الحدود الثانية تتمثل في الوكلاء الذين ينسقون فيما بينهم. فاليوم، إذا أردت أن يقوم نظام ذكاء اصطناعي بتحويل مهمة ما — على سبيل المثال، من وكيل أبحاث إلى وكيل للتحقق من الامتثال مبني على منصة مختلفة — يتعين على شخص ما إجراء هذا الربط يدويًّا. وقد صُمم بروتوكول A2A من Google لتغيير هذا الوضع، حيث يوفر للوكلاء لغة مشتركة لتفويض المهام عبر المنصات والموردين.
تتبع هاتان الجبهتان نفس النمط: مزيد من الاستقلالية، ووصول أوسع، ومخاطر أكبر. فالوكيل القادر على تصفح الويب وتشغيل التطبيقات نيابة عنك يتمتع بقدرات تفوق بكثير تلك التي يقتصر دورها على نافذة الدردشة، لكنه ينطوي أيضًا على مخاطر أكبر. ولا تزال الصناعة تعمل على إيجاد سبل لجعل هذه الأنظمة آمنة وقابلة للتدقيق والتحكم بدرجة كافية لتناسب البيئات الخاضعة للتنظيم. وبالنسبة لفرق الخدمات المالية، فإن هذا المجال يستحق المتابعة عن كثب، لكن يجب التعامل معه بحذر.
في العدد القادم من هذه السلسلة، سنوضح كيف تبدو هذه الطبقات الأربع عمليًا في سياق سير العمل في مجال الخدمات المالية، حيث تؤدي كل طبقة مهام محددة وقابلة للتتبع.
تابعنا على LinkedIn أو اشترك في نشرتنا الإخبارية حتى لا تفوتك أي أخبار.
ابقَ على اطلاع
معلومات المؤلف
