الذكاء الاصطناعي المناسب: مفيد للأنشطة التجارية والمستخدمين وكوكبنا

Rachel Lee Nabors

تاريخ النشر: 10 نوفمبر 2025

عند إنشاء مواقع إلكترونية وتطبيقات ويب باستخدام الذكاء الاصطناعي، ربما تكون قد أنشأت نموذجًا أوليًا باستخدام نموذج لغوي كبير (LLM)، مثل ChatGPT أو Gemini أو Claude، ثم نشرت هذا النموذج في مرحلة الإنتاج. النماذج اللغوية الكبيرة هي نوع من النماذج الأساسية، وهي نماذج كبيرة جدًا ومدرَّبة مسبقًا، وتتطلّب الكثير من الموارد، كما أنّها مكلفة، وغالبًا ما تكون غير مناسبة للمهمة المطلوبة. تستهلك النماذج الأصغر حجمًا والمحلية والمخصّصة لمهام معيّنة موارد أقل، وغالبًا ما تقدّم ردودًا أفضل وأسرع بتكلفة أقل من النماذج الأساسية "المناسبة للجميع".

عند اختيار نموذج أفضل، أنت تختار نهجًا أكثر استدامة، وهو ما سنسمّيه الذكاء الاصطناعي المناسب. يوفّر الذكاء الاصطناعي المناسب ما يلي:

  • وقت استجابة أقل للمستخدمين عند تشغيل النماذج على الجهاز بدلاً من إرسالها إلى خوادم بعيدة ثم تلقّي الردود منها
  • انخفاض تكاليف واجهة برمجة التطبيقات عندما لا تدفع مقابل الإمكانات غير المستخدَمة
  • إمكانية الوصول إلى التطبيقات بلا إنترنت إلى النماذج من جهة العميل على الجهاز، ما يتيح تجارب أكثر موثوقية

على الرغم من أنّ النماذج الأساسية تتفوّق في الاستدلال العام والمحادثة، فإنّ استخدامها لتنفيذ مهام محدّدة (مثل تصنيف النصوص أو استخراج البيانات) يشبه استخدام سيارة سباق من الفئة الأولى للوصول إلى مطعم ماكدونالدز. من الممكن تقنيًا إجراء ذلك، ولكنّه سيكون غير فعّال (ومزعجًا للركاب). بدلاً من ذلك، يجب أن تتوافق عملية التنفيذ مع احتياجاتك الفعلية.

إنّ ممارسات الذكاء الاصطناعي المستدامة وتجارب المستخدمين المثالية ليستا أولويتين متنافسَتين. وهي تعبّر عن الأولوية نفسها بطريقة مختلفة.

إحدى طرق تقييم التأثير البيئي للذكاء الاصطناعي هي:

  • التدريب: يتطلّب التدريب الأوّلي للنموذج موارد كبيرة. يتولّى مقدّم النموذج إدارة عملية التحسين و "التعلم" هذه.
  • الاستدلال: يمكنك إجراء الاستدلال عندما تقدّم إلى نموذج مُدرَّب إدخالاً جديدًا (طلبًا) لإنشاء ناتج (نص الردّ). مقارنةً بالتدريب، تستخدم الاستدلال موارد أقل بكثير.

التدريب هو تكلفة ثابتة، ولكن تكلفة الاستدلال تتناسب مع معدل الاستخدام، ما يجعل اختيار النموذج عاملاً أساسيًا يمكنك التحكّم فيه. يمكنك اتّخاذ خيارات مدروسة لحالة الاستخدام الخاصة بك ولصالح كوكبنا، ما يساهم في تطوير الذكاء الاصطناعي بشكل مسؤول.

تنفيذ الذكاء الاصطناعي الذي يركّز على المستخدم

بدلاً من إنشاء الذكاء الاصطناعي الذي يركّز على النموذج، يمكنك إنشاء الذكاء الاصطناعي الذي يركّز على المستخدم. فكِّر في المهام التي يمكن أن تؤديها الذكاء الاصطناعي والتي ستسهّل استخدام تطبيقك أو تقلّل من عبء العمل على المستخدمين أو عدد المرات التي عليهم فيها التبديل بين السياقات.

على سبيل المثال، لنفترض أنّك تدير نشاطًا تجاريًا باسم Rewarding Eats يمنح نقاطًا للمستخدمين مقابل تناول الطعام في مطاعم معيّنة. يمكنك استخدام الذكاء الاصطناعي لفحص صورة إيصال بحثًا عن اسم المطعم وإجمالي المبلغ المدفوع، بدلاً من أن تطلب من عملائك إدخال هذه المعلومات يدويًا. من المحتمل أن تعمل هذه الميزة على تحسين تجربة المستخدم في تطبيقك.

عند إنشاء الذكاء الاصطناعي الذي يركّز على المستخدم:

  1. تحديد متطلبات المهمة ما هي المهام التي يجب أن ينفّذها الذكاء الاصطناعي؟ هل هي تستند إلى النصوص فقط أم تتضمّن عناصر صوتية أو مرئية؟
  2. اختيار النموذج المناسب تكون النماذج المختلفة أكثر كفاءة في مهام مختلفة، وغالبًا ما تكون ذات حجم أصغر.
  3. التعرّف على قيود النشر أين يكون من المنطقي أن يتم تخزين النموذج؟ أين سيتم تخزين البيانات؟ هل سيكون لدى المستخدم اتصال موثوق؟
  4. استخدِم ميزة "التحسين التدريجي" للحصول على تجربة المستخدم الأسرع والأكثر أمانًا.

تحديد متطلبات مهمتك

بدلاً من البحث عن "أماكن لاستخدام الذكاء الاصطناعي" أو "ميزات الذكاء الاصطناعي التي يجب إضافتها"، عليك أن تسأل: "كيف يمكن تقديم تجربة سلسة؟". استنادًا إلى حجم شركتك، يجب إجراء هذه المحادثة مع مدراء المنتجات.

لنأخذ تطبيقنا المثالي، Rewarding Eats. أول سؤال يجب طرحه هو: "هل نحتاج إلى الذكاء الاصطناعي لتحقيق ذلك؟"

يمكن لنموذج أساسي إنشاء مسودة لنفقات من إيصال، وذلك من خلال تقديم بعض الطلبات. ولكنّ الطريقة الأكثر فعالية للتعامل مع هذه المشكلة لا تتطلّب نموذجًا كبيرًا على الإطلاق. استخدِم تقنية التعرّف البصري على الأحرف (OCR) لتحليل النص من الصورة ونقله إلى نموذج مخصّص لمهمة معيّنة، مثل نموذج تصنيف النصوص، لتحديد العناصر والتكاليف من النص الذي تم تحليله. ويمكن إجراء ذلك على جهاز المستخدم بدون إرسال أي بيانات إلى الخوادم.

في معظم الحالات، إذا كنت تعتقد أنّك بحاجة إلى نموذج أساسي، من المحتمل أنّك بحاجة إلى تقسيم المشكلة إلى مهام منفصلة.

اختيار النموذج المناسب

بعد معرفة المهام التي تحاول إكمالها، يمكنك اختيار نوع النموذج والنموذج المناسبَين للمهمة. على الرغم من سهولة استخدام النماذج الأساسية، إلا أنّ النماذج الأصغر حجمًا تنجز المهمة بشكل أسرع وبتكلفة أقل. عندما تفهم مهمتك، يمكنك اختيار النموذج الصغير المناسب والمخصّص للمهمة لتنفيذ العمل.

تتوفّر أنواع ونماذج مختلفة، لذا ننصحك بقراءة المقال المفصّل حول اختيار النماذج لتحديد الخيار المناسب لمشروعك.

اختيار الموقع الجغرافي المناسب للنموذج

على الرغم من أنّ النماذج الأساسية كبيرة جدًا بحيث لا يمكن تشغيلها حتى على أقوى أجهزة الكمبيوتر المكتبي، يمكن تشغيل النماذج اللغوية الكبيرة الأصغر والنماذج اللغوية الصغيرة والنماذج الخاصة بمهام معيّنة على العديد من الأجهزة.

سمة غير مقترَحة سمة غير مقترَحة مقترَح
النماذج اللغوية الصغيرة (SLM) مقترَح مقترَح مقترَح
النماذج الأساسية سمة غير مقترَحة سمة غير مقترَحة مقترَح

تُعدّ SLM مريحة ولكنها غير شائعة. هناك مليارات الهواتف الجوّالة، ولا يمكن تشغيل نماذج لغوية صغيرة محلية إلا على الطُرز الأحدث والأكثر تكلفة. هذه نسبة صغيرة من السوق.

استخدِم هذه المصفوفة لتحديد أفضل موقع لنموذجك:

المقياس من جهة العميل / محلي من جهة الخادم / عن بُعد
الاتصال بالإنترنت الوضع بلا إنترنت مطلوب، وشبكات متقطّعة، ومرافق آمنة البيئات التي تتطلّب الاتصال بالإنترنت دائمًا
موقع البيانات معالجة صور المستخدمين والنصوص التي يدخلونها والملفات الشخصية العمل مع المستندات وقواعد البيانات من جهة الخادم
نمط الاستخدام المكالمات المتكرّرة (ترجمة المحادثات، والتحليل في الوقت الفعلي) المهام المعقّدة العرضية
معدّل نقل البيانات مستخدمو الأجهزة الجوّالة والمناطق الريفية ونواتج الملفات الكبيرة نطاق ترددي واسع غير محدود، ردود صغيرة
الخصوصية والأمان البيانات الخاضعة للرقابة (الرعاية الصحية، الشؤون المالية)، الالتزام الصارم بيانات النشاط التجاري العادية، وبنية أمان أساسية مُدمَجة
التأثير على البطارية تطبيقات أجهزة الكمبيوتر المكتبي وحالات الاستخدام التي لا تتطلب طاقة كبيرة تطبيقات الأجهزة الجوّالة التي تستهلك قدرًا محدودًا من البطارية

الاستدلال من جهة العميل والتحسين التدريجي والتصميم المختلط

باستخدام مكتبات مثل TensorFlow.js وTransformers.js وONNX.js، يمكن لتطبيقاتك إجراء استدلال من جهة العميل باستخدام بيانات المستخدمين. يمكنك تحويل النموذج إلى التنسيق المناسب، ثم استضافته عن بُعد أو تضمينه مباشرةً في تطبيقك. وتوفّر أفضل تجربة للمستخدم مزيجًا سلسًا من النماذج المحمَّلة مسبقًا والقابلة للتنزيل والنماذج عن بُعد، ما يتيح للمستخدمين إنجاز العمل بدون أي تنازلات.

حتى إذا كان استخدام نموذج مستضاف على السحابة الإلكترونية عن بُعد هو الخيار المفضّل لأسباب تتعلّق بالأمان (أو حجم الملفات)، يمكن توفير تجربة مرنة من خلال إتاحة نماذج محلية كافية عند انقطاع الاتصال بالشبكة.

في النهاية، هناك ثلاث طرق لتنفيذ النماذج. اختَر الخيار الأنسب لاحتياجاتك.

  • التطبيق الذي يركّز على البيانات المحلية: يتضمّن التطبيق متطلبات بلا إنترنت، ويتم استخدامه بشكل متكرّر، ويتضمّن بيانات حساسة.
  • الاستخدام عن بُعد: الاستدلال المعقّد، والنماذج الكبيرة، والاستخدام غير المتكرّر
  • النهج المختلط: تنزيل نماذج صغيرة أثناء استخدام واجهات برمجة التطبيقات، والتبديل عند الاستعداد

خطواتك التالية

غالبًا ما تتبع التكنولوجيا عملية التنفيذ. أفضل طريقة يمكن للمطوّرين من خلالها التأثير في توجّه المجال، وذلك بهدف تقديم تجربة أفضل للمستخدمين وتحقيق نتائج أفضل في العالم، هي:

  • اختيار الأداة المناسبة للمهمة: تستهلك النماذج الأصغر حجمًا موارد أقل، وغالبًا ما يكون أداؤها جيدًا مثل النماذج الكبيرة، وذلك بمساعدة هندسة الطلبات. تتضمّن هذه الأجهزة زمن انتقال منخفضًا.
  • فرض الشفافية في تكلفة الاستدلال والتدريب: يجب أن تدعو شركتك إلى إعطاء الأولوية للنماذج التي تفصح عن هذه الأرقام.
  • ضَع النموذج بالقرب من البيانات لخفض تكلفة الرحلات المتكررة إلى الخادم.
  • استخدام ما هو متاح: إذا كانت هناك نماذج على الجهاز، يجب استخدامها أولاً.

الموارد

إذا أردت الاطّلاع على مزيد من التفاصيل حول هذه المواضيع، استندتُ إلى المراجع التالية في كتابة هذه المقالة. وهي توفّر تجربة قراءة ممتازة.

أداء النموذج والأبحاث

أدوات التنفيذ والتطوير