المشكلة التقنية
قصور النماذج العامة أمام مصطلحات قطاعات بعينها (القانون، الطب، المال، التصنيع وغيرها) أو أمام منطق العمل الخاص بالشركة؛ كما أن تشغيل النماذج العامة في بيئة الإنتاج يفرض تكاليف عالية لواجهات البرمجة والعتاد.
الخدماتI — معمارية الذكاء الاصطناعي وهندسة النماذج
تدريبنماذجاللغة
الحل المعماري
ندرّب النماذج الأساسية المتقدمة مفتوحة المصدر (Llama وMistral وغيرها) على بيانات مؤسستك باستخدام تقنيات الضبط الدقيق الموفّرة للمعاملات (PEFT) مثل LoRA وQLoRA. ونطبّق تقطير النماذج (distillation) لنقل قدرات النماذج الكبيرة إلى نماذج أصغر وأسرع. ولرفع كفاءة العتاد نكمّم النماذج (ضغطها إلى مستوى INT8/INT4) ونهيّئها على خوادم استدلال مخصّصة (vLLM وTensorRT-LLM).
الأثر التشغيلي
نموذج مخصّص يتّسق مع لغة المؤسسة ومنطق عملها، ويعمل على عتادكم دون الاعتماد على واجهة برمجية خارجية. ويُبيَّن مقدار المكسب بمقارنة ما قبل التدريب وما بعده على مجموعة التقييم نفسها — فالرقم يأتي من القياس في النهاية لا منّا في البداية.
شروط البداية
تبدأ هذه الخدمة حين يكون الناقص سلوكًا لا معرفة: حين لا يعرف النموذج مصطلحاتكم، أو يجيب عن السؤال نفسه بصيغة مختلفة في كل مرة، أو لا يتبع منطق العمل ذاته. ويجب أن يتوفّر لديكم أمران: مجموعة أمثلة حقيقية من أسئلة وأجوبة مأخوذة من العمل الفعلي، ووقت شخص قادر على الحكم بصحّة الإجابة. وبغيابهما لا يجد التدريب ما يتعلّم منه.
طريقة العمل
الخطوة الأولى ألّا ندرّب: إذا كانت الفجوة في المعرفة فالاسترجاع أرخص وأسرع، ونقول ذلك. وإن كان القرار للتدريب قُسّمت مجموعة الأمثلة قسمين، تدريب وتقييم، ولا يدخل قسم التقييم في التدريب أبدًا. ويُقاس أداء النموذج الحالي قبل التدريب؛ فقول "أفضل" لا يمكن التحقّق منه بلا نقطة بداية. ثم تدريب بـ LoRA/QLoRA، ثم المقارنة نفسها. ولا انتقال إلى الإنتاج إلا إذا جاءت المقارنة في صالحه.
خارج النطاق
التدريب ليس مصدر معرفة: النموذج لا يحفظ الوقائع الجديدة حفظًا موثوقًا، وتلك مهمّة معمارية RAG المؤسسية. كما أنه لا يصلح الخطأ في بياناتكم — فالنموذج المدرَّب على أمثلة خاطئة يتعلّم الخطأ. ولا ندرّب على بيانات لا تملكون حقّ استخدامها أو مشاركتها. وإذا كانت مجموعة الأمثلة غير كافية قلنا ذلك وتوقّفنا؛ فالتدريب على بيانات ناقصة كلفة لا يظهر فشلها إلا بعد أشهر.