كثيرًا ما يتعذّر على مقدمي الرعاية الصحية والجهات الحكومية والمؤسسات المالية إرسال المستندات إلى واجهات النماذج العامة؛ فقواعد إقامة البيانات وأنظمة القطاعات والالتزامات التعاقدية ومتطلبات السيادة الوطنية ترسم حدودًا صارمة لمكان معالجة البيانات. ولهذه المؤسسات، كثيرًا ما يُستبعد الذكاء الاصطناعي في السحابة العامة، ويكون الذكاء الاصطناعي المحلي أو في سحابة خاصة هو المسار العملي.
تستضيف مسارات عمل الذكاء الاصطناعي المحلي النماذجَ داخل شبكتك أو في سحابة خاصة تتحكم بها، وتنظّم انتقال المستندات عبر خطوات المعالجة، وتحتفظ بمسار تدقيق كامل. يعمل الاستدلال على عتاد تديره أنت، ولا يُرسَل أي مستند إلى خوادم أطراف ثالثة لتشغيل النماذج.
ماذا يعني «محلي»
ليس «المحلي» شكلًا واحدًا للنشر، فبحسب السياسات والميزانية قد يكون:
- خوادم داخل المنشأة في مركز بياناتك الخاص، معزولة تمامًا عن الإنترنت إن لزم الأمر.
- سحابة خاصة أو بيئة مخصصة في منطقة تستوفي قواعد إقامة البيانات لديك، مع عزل للشبكة ومفاتيح تشفير تتحكم بها.
- بنية هجينة، تعمل فيها الخطوات الحساسة محليًا، وتستخدم المهام غير الحساسة خدمات مُدارة معتمدة.
والخيار الصحيح ينبع من تمرين لتصنيف البيانات، لا من تفضيل تقني. ابدأ بحصر أنواع المستندات الموجودة، ومدى حساسية كل منها، والقواعد التي تنطبق عليها.
الطبقة الأولى: استضافة النماذج
جعلت النماذج مفتوحة الأوزان النشرَ المحلي واقعيًا لكثير من مهام المستندات: التلخيص والتصنيف والاستخراج والصياغة والإجابة عن الأسئلة من المستندات الداخلية. ونوصي بما يلي:
- اختر النماذج وفق المهمة واللغة. اختبر النماذج المرشحة على مستنداتك أنت، بما فيها العربية إن كان عملك ثنائي اللغة، بدل الاعتماد على المقارنات المعيارية العامة.
- استخدم خادم استدلال مخصصًا للإنتاج مثل vLLM أو SGLang لتشغيل النماذج على وحدات GPU، بواجهة برمجية متوافقة مع OpenAI كي لا ترتبط التطبيقات بمحرك واحد. أما الأدوات الأخف مثل Ollama أو llama.cpp فمفيدة للنماذج الأولية وعمليات النشر الصغيرة.
- حدّد حجم العتاد وفق أحمال العمل الحقيقية. فذاكرة GPU ومستوى التكميم وطول السياق وعدد المستخدمين المتزامنين تتفاعل جميعها. والتكميم يقلل الحاجة إلى الذاكرة لكنه قد يؤثر في الجودة، فقِس أثره على مهامك أنت.
- افصل أحمال العمل الدفعية عن التفاعلية. فمعالجة المستندات الليلية والمساعد المباشر لهما متطلبات مختلفة جدًا من حيث زمن الاستجابة، ولا ينبغي أن يتنافسا على وحدات GPU نفسها دون حدود.
- ثبّت إصدارات النماذج ووثّقها. سجّل بدقة أي نموذج وأي إصدار أنتج كل مخرج، وتعامل مع ترقيات النماذج كأي تغيير آخر: تُقيَّم وتُعتمد ويمكن التراجع عنها.
وراجع أيضًا ترخيص كل نموذج في ضوء الاستخدام المقصود قبل نشره.
الطبقة الثانية: تنسيق سير العمل
في البيئات المنظمة، لا تأتي معظم القيمة من نافذة محادثة، بل من مسارات العمل. فمسار المستندات النموذجي يربط عدة خطوات متتالية: الإدخال، والتصنيف، واستخراج الحقول، والتحقق وفق القواعد، والتوجيه إلى الفريق المناسب، وصياغة الرد.
والتنسيق الجيد يجعل كل خطوة صريحة وقابلة للمراقبة:
- لكل خطوة مدخلات ومخرجات محددة، ومخطط للنتائج المنظمة.
- تتولى القواعد الحتمية ما يمكن للقواعد التعامل معه، ويُستخدم النموذج حيث يلزم فهم اللغة فعلًا.
- تحدد عتبات الثقة ما إذا كانت النتيجة تمضي آليًا أو تُحال إلى شخص.
- يُعاد تنفيذ الخطوات الفاشلة أو تُصعَّد، ولا تُهمل بصمت أبدًا.
وبالجمع مع التوليد المعزز بالاسترجاع (RAG)، يستطيع الموظفون الاستعلام في أدلة السياسات، أو تلخيص ملفات القضايا، أو تصنيف المراسلات الواردة، مع استشهاد كل إجابة بالمصدر الداخلي الذي جاءت منه.
الطبقة الثالثة: المراجعة البشرية
في العمل المنظم، ينبغي أن يدعم الذكاء الاصطناعي القرارات لا أن يتخذها وحده. لذلك صمّم المراجعة ضمن سير العمل منذ البداية:
- بوابات موافقة للإجراءات ذات العواقب القانونية أو السريرية أو المالية.
- شاشات مراجعة تعرض مخرجات النموذج بجانب المستند المصدر، ليتحقق المراجعون من العمل بدل إعادته من الصفر.
- التقاط الملاحظات، بتسجيل الحالات التي يصحح فيها المراجعون المخرجات أو يرفضونها، لتحسين التعليمات والقواعد ومجموعات التقييم مع الوقت.
والمساءلة الواضحة مهمة: يجب أن يُظهر السجل الشخص الذي اعتمد كل قرار، لا النموذج الذي اقترحه فحسب.
الطبقة الرابعة: التدقيق والحوكمة
تسجّل طبقة التدقيق كل مدخل ومخرج واستدعاء نموذج وإصدار تعليمات وإجراء مراجعة وطابع زمني. وتتيح هذه السجلات لفرق الامتثال معرفة ما الذي عولج، وبأي نموذج، ومن اعتمد النتيجة. احمِها بالضوابط نفسها المطبقة على البيانات المصدر، وطبّق عليها قواعد الاحتفاظ، وقيّد من يستطيع قراءتها.
وتشمل الحوكمة أيضًا ضبط الوصول. طبّق على ميزات الذكاء الاصطناعي الصلاحيات القائمة على الأدوار نفسها المطبقة على بقية أنظمتك، بحيث لا يستطيع المستخدم السؤال إلا عن المستندات المسموح له بالاطلاع عليها أصلًا.
التشغيل في بيئة الإنتاج
تفاصيل النشر هي ما يحدد إن كان نظام الذكاء الاصطناعي المحلي سيصمد أمام الاستخدام اليومي. خطّط لمراقبة استخدام وحدات GPU وأطوال الطوابير، والتعافي عند تعطل إحدى العقد، والسعة اللازمة لفترات الذروة، وتحديثات الأمان لمنظومة الاستدلال، وعملية مُختبَرة لطرح إصدارات النماذج الجديدة.
في إبلا لابز نصمم هذه الأنظمة للمشغّلين لا للعروض التجريبية. والهدف مسار عمل ذكاء اصطناعي يجتاز مراجعة الأمان وتدقيق الامتثال، ويعمل بموثوقية تحت أحمال العمل الحقيقية، ويُبقي بيانات مؤسستك في عهدتها من البداية إلى النهاية.
