من مرحلة التجارب وحتى التطبيق العملي: تيمور رشيد يتحدث عن ابتكار AWS في الذكاء الاصطناعي التوليدي
عبر مختلف القطاعات، ينتقل الذكاء الاصطناعي التوليدي من عروض تجريبية لافتة للنظر إلى التركيز على نتائج قابلة للقياس. لم يعد القادة يريدون تجارب تقتصر فاعليتها على الشرائح التقديمية دون قيمة واقعية. بل يريدون أنظمة عاملة تغيّر طريقة بناء البرمجيات، وكيفية تشغيل العمليات، وكيف تُتخذ القرارات، من دون فقدان السيطرة على المخاطر والأمن والامتثال.
هذا هو بالضبط هدف مركز الابتكار للذكاء الاصطناعي التوليدي في AWS، الذي يضم اليوم 500 مختص عبر الاستراتيجية، والعلوم التطبيقية، والهندسة. يعمل المركز جنباً إلى جنب مع العملاء من مرحلة الفكرة إلى الإنتاج، وقد أنجز أكثر من 1200 مشاركة، وصل نحو ثلثيها إلى النشر الفعلي.
خلال AWS re:Invent 2025، تحدثنا مع تيمور رشيد، المدير العام لمركز ابتكار الذكاء الاصطناعي التوليدي في AWS. وشرح كيف ينبغي على العملاء اختيار حالات الاستخدام الأولى وتخصيص النماذج، وكيف تتطور الذاكرة والبنى الوكيلية، ولماذا يعتقد أن الذكاء الاصطناعي سيعيد تشكيل ليس التطبيقات فحسب، بل بنية المؤسسات بأكملها.
أين يجب أن تبدأ الشركات والمؤسسات الصغيرة والمتوسطة مع الذكاء الاصطناعي التوليدي؟
نحن نعمل مع شركات كبرى، وشركات ناشئة، وكل ما بينهما، وإجابتي الصادقة هي أن هناك نقاط انطلاق صحيحة عديدة، طالما أن البداية مقصودة ومدروسة.
بالنسبة للمؤسسات الجديدة على الذكاء الاصطناعي التوليدي، نبدأ عادة بالتثقيف. ثم نعتمد على الأنماط المستخلصة من 1200 مشاركة نفذناها بالفعل. تتكرر حالات الاستخدام المبكرة نفسها، مثل تجارب المحادثة المدعومة بالذكاء الاصطناعي، وتلخيص المحتوى وتوليده، والمساعدين الداخليين الذين يدعمون سلاسل التوريد، أو المشتريات، أو خدمة العملاء.
ما تغيّر خلال العامين الماضيين هو كيفية تأطير تلك الخطوة الأولى. قبل عامين، ربما كنت سأقول «اذهب وجرّب». ما زلت أريد من الناس أن يجرّبوا، لكننا نبدأ الآن بسؤال أعمال واضح. ما النتيجة التي تحاول تحسينها، وكيف ستقيسها؟ قد تكون إيرادات، أو تكلفة، أو مخاطر، أو إنتاجية. عندما تعرف ذلك، يمكنك أن تقرر ما إذا كان الذكاء الاصطناعي التوليدي هو الأداة المناسبة، أو ما إذا كان نهج تعلم آلي تقليدي أفضل.
من هناك، يعتمد مسار الدخول على المهارات ودرجة الإلحاح. الفرق الغنية بالمطورين تتجه غالباً مباشرة إلى Amazon Bedrock أو SageMakerلبناء حلول مخصصة. الفرق التي تحتاج إلى مكاسب سريعة يمكنها استخدام منتجات أعلى مستوى ترتبط ببياناتها وتوفر مساعدة ذكاء اصطناعي للبحث والتحليل وإعداد التقارير. وإذا كانت الخبرة الداخلية محدودة، يمكنها الاستفادة من مركز الابتكار للذكاء الاصطناعي التوليدي أو من شركاء مدربين لبناء أول نظام إنتاجي بشكل مشترك، بدلاً من تشغيل تجارب معزولة لا تصل إلى النشر.
إلى أي مدى يمكن أن تكون نماذج الذكاء الاصطناعي ذات الذاكرة الدائمة قوية في الاستخدام الحقيقي؟
غالباً ما يستخدم الناس مصطلح «الذاكرة» للإشارة إلى مفهومين مختلفين. الأول هو مشكلة في التدريب تُعرف بالنسيان الكارثي. يحدث ذلك عندما تواصل تدريب نموذج فيقوم بالكتابة فوق ما تعلّمه سابقاً. لمعالجة ذلك بشكل صحيح، تحتاج إلى الوصول إلى أوزان النموذج ومجموعة بيانات التدريب الأصلية.
المفهوم الآخر هو الذاكرة في وقت الاستدلال، وهو في جوهره متعلق بالسياق. هنا نحن في مرحلة مبكرة جداً من شيء أكبر بكثير مما يبدو اليوم، خصوصاً عند النظر إلى البنى الوكيلية. في Amazon Bedrock، قدمنا بالفعل الذاكرة العرضية كلبنة أساسية، لكنها مجرد جزء واحد. يمكنك أن تتخيل ذاكرة طويلة الأمد، وذاكرة جلسة قصيرة الأمد، وذاكرة مشتركة بين الوكلاء، مع قواعد واضحة لما يمكن مشاركته وما يجب أن يبقى خاصاً.
ستصبح الذاكرة والسياق لبنات أساسية في الأنظمة الوكيلية. ومع تصميم بنى متعددة الوكلاء وتدفقات عمل أكثر تعقيداً، سيكون تمثيل تلك الذاكرة وتخزينها وحوكمتها مجالاً رئيسياً للابتكار في الصناعة.
هل تتوقع أن تحل الأنظمة الوكيلية محل بنى التطبيقات التقليدية، أم ستكون طبقة فوقها في الغالب؟
المستوى الأول هو إعادة تهيئة منتجات البرمجيات كخدمة القائمة. حيث ستنظر إلى بنية البرمجيات كخدمة الحالية وتسأل أين يمكن للوكلاء أن يندمجوا بشكل طبيعي، سواء في التنسيق، أو تفاعل المستخدم، أو العمل الخلفي. استكشفنا ذلك في ورقة حول إعادة التفكير في البرمجيات كخدمة باستخدام البنى الوكيلية التي ترسم نقاط الإدراج تلك.
المستوى الثاني يركز على سير العمل. تبدأ من عملية مثل الاكتتاب أو معالجة المطالبات أو الطلب إلى التحصيل، ثم تسأل أين يمكن للوكلاء تقسيم الحكم البشري إلى وحدات والاندماج في ذلك التدفق. في هذه الحالة، قد لا تعيد كتابة التطبيقات إطلاقاً، لكنك ستضيف طبقة ذكاء لتنسيق الأدوات والبيانات والإجراءات.
المستوى الثالث هو التطبيقات المولدة مع الذكاء الاصطناعي أو الوكيلية منذ البداية. هذه تُبنى من اليوم الأول مع الوكلاء والأدوات والذاكرة كلَبِنات أساسية. كثير من الشركات الناشئة تفعل ذلك بالفعل. هي لا تحاول فرض الوكلاء على بنية قديمة، بل تصمم المنتج حول المفاهيم الوكيلية من البداية.
عملياً، ستستخدم المؤسسات الأنماط الثلاثة معاً، اعتماداً على عمر النظام والمخاطر والأهمية الاستراتيجية.
بالنسبة للتطبيقات الأصغر أو الأبسط، هل يمكن للذكاء الاصطناعي أن يحل محل المطورين البشر؟
نرى بالفعل أن الذكاء الاصطناعي يقدم دفعة إنتاجية كبيرة لمطوري البرمجيات. يمكن للمهندس المتمرس استخدام المساعد للتحرك بسرعة أكبر. ويمكن للمهندس المبتدئ فجأة استكشاف أنماط ومكتبات وحلول كانت ستستغرق وقتاً أطول بكثير في السابق. الأمر يشبه إعطاء مطوري المراحل المبكرة مضاعفاً قوياً لمهاراتهم.
مع مرور الوقت، ستتحول القيمة من اقتراحات الكود البسيطة إلى فهم أعمق للبنية والأنظمة. لهذا نستثمر في وكلاء متقدمين يجسدون خبرة في مجالات مثل الأمن وعمليات المطورين ويدمجونها في حلقة التطوير. يمكنك أن تتخيل وكلاء يساعدون في تصميم بنية النظام، وكتابة الاختبارات، وتوليد الوثائق، والاستدلال حول التكامل، لا مجرد إكمال دالة تلقائياً.
في الوقت نفسه، لا أرى الهندسة الكلاسيكية تختفي. يظل البشر مسؤولين عن الشفرة التي تُنشر. تحتاج المؤسسات إلى قابلية الرصد والتقييم للتغييرات التي يولدها الذكاء الاصطناعي، لأن النماذج يمكن أن تنحرف أو تفشل بطرق غير واضحة دائماً. النمط الذي أؤمن به هو حكم بشري مدعوم بمساعدة الذكاء الاصطناعي وضوابط قوية، وهي معاً تقدم نتائج أفضل وأسرع مما يمكن لأي منهما تقديمه بمفرده.
ما الذي يميّز عمليات نشر الذكاء الاصطناعي التوليدي الناجحة عن تلك التي تتعثر؟
أولاً، تنطلق الفرق الناجحة من هدف أعمال واضح. تعرف أي مؤشر تريد تحسينه، سواء كان تكلفة، أو إيرادات، أو مخاطر، أو رضا العملاء، وتقيس الأداء بناءً عليه.
ثانياً، لديها رعاية قوية من القادة التنفيذيين. هذا الأمر مهم للأولوية وللميزانية معاً. ومن دون ذلك الدعم، غالباً ما تتوقف التجارب بين مرحلتي إثبات المفهوم والنظام الإنتاجي الحقيقي.
ثالثاً، تكون دقيقة في تحديد نوع التطبيق الذي تبنيه. حيث يمتلك مساعد داخلي للمطورين ملف مخاطر مختلف تماماً عن مستشار مالي موجه للمستهلكين. وهذا يوجّه قرارات الضوابط والاستخدام المسؤول والمراقبة.
رابعاً، تمتلك على الأقل مجموعة أساسية من الأسس. وهذا يعني منصة بيانات قابلة للعمل، ووضعاً أمنياً واضحاً، ومساراً من التطوير إلى النشر. لا يشترط أن تكون مثالية، لكن يجب أن تكون هناك قاعدة متينة تهبط عليها أنظمة الذكاء الاصطناعي.
وأخيراً، تكون الفرق نفسها مستعدة للتعلم. أفضل المشاركات تبدو كشراكة. دورنا ليس البناء فقط، بل تعليم ما رأيناه عبر صناعات عديدة. عندما تكون فرق العملاء فضولية ومنخرطة، يكون التحول إلى الإنتاج والقيمة طويلة الأمد أعلى بكثير مقارنة بالتعامل مع الذكاء الاصطناعي كتجربة لمرة واحدة.
كيف تتوقع أن تتطور هرمية وهيكل أقسام تقنية المعلومات في الشركات الصغيرة والمتوسطة؟
هذا يتجاوز تقنية المعلومات بكثير. سيتغير هيكل المؤسسات بأكملها.
القاعدة الأساسية التي أستخدمها هي أن الفرق الأصغر يمكنها إحداث تأثير أكبر بكثير. نرى ذلك بالفعل داخل AWS. حيث تحدث مات جارمان (الرئيس التنفيذي لأمازون ويب سيرفسز) مؤخراً كيف أعاد ستة أشخاص كتابة جزء مهم من برنامج خلال 76 يوماً، وهو عمل كان سيتطلب سابقاً فريقاً أكبر بكثير وجدولاً زمنياً أطول. عندما تجمع أدوات الذكاء الاصطناعي والوكلاء مع مهندسين مهرة، تنضغط دورات التطوير، ويصبح عبء التنسيق في الفرق الكبيرة غير ضروري.
ومع تبني الشركات للذكاء الاصطناعي عبر تطوير البرمجيات والعمليات والمبيعات والتسويق والمالية والشؤون القانونية، ستدرك أنها تستطيع التحرك بسرعة أكبر عبر فرق أكثر رشاقة مدعومة بالوكلاء بدلاً من طبقات من العمليات اليدوية. وهذا سيدفعها بشكل طبيعي إلى إعادة التفكير في الهياكل الهرمية التقليدية.
لن يكون هذا التحول مريحاً دائماً. التغيير لا يكون كذلك أبداً. سيتطلب قناعة بأن المستقبل سيبدو مختلفاً، واستعداداً للمرور ببعض التعديلات. أريد من المؤسسات استخدام الذكاء الاصطناعي لتمكين الناس، بحيث يتولى الوكلاء مزيداً من العمل المتكرر في الخلفية، ويركز البشر على الحكم، والإبداع، والعلاقات.
