كيفية تدريب الذكاء الاصطناعي على تصحيح مذكرات قاعدة المعرفة الشخصية باستخدام منصة no-code

كيفية تدريب الذكاء الاصطناعي باستخدام تعديلاتك لمعرفة شخصية | الذكاء الاصطناعي الجينيراتيفي إذا كنت قد حاولت سابقًا الحفاظ على قاعدة بيانات معرفية شخصية، فستدرك مدى الصعوبة التي تواجهها. إنشاء وتنظيم مدخلات المعرفة يمكن أن يخرق تركيزك، حتى لو استغرق الأمر دقيقتين فقط. وإذا حاولت تقليل هذا الوقت - مثل تخطي الوسوم والروابط للتسجيلات - ستنتهي بقاعدة بيانات فوضوية وغير قابلة للبحث. وهذا يصبح أكثر تحديًا عندما تهدف إلى بناء "دماغ ثاني" لتعزيز الإبداع. الهدف الطموح لتحويل أفكارك وأفكار الآخرين إلى "دماغ" مثالي موسوم ومترابط غالبًا ما يؤدي إلى خيبة أمل كبيرة. لكن هذا المقال ليس حول "الدماغ الثاني" أو أي من منهجيات إدارة المعرفة الشخصية الأخرى. بدلاً من ذلك، سأشارك تجربتي في بناء قاعدة بيانات معرفية بسيطة مدفوعة بالذكاء الاصطناعي تهدف إلى الإجابة السريعة على الأسئلة بدلاً من ابتكار أفكار جديدة استنادًا إلى محتوى قاعدة البيانات. 1. تعديل التسجيلات عبر البريد الإلكتروني الفوري (ماسنجر) يمكن أن تبدأ الأتمتة ببوت على تيليجرام (أو أي ماسنجر آخر). على سبيل المثال، يمكنك إرسال رسالة تحتوي على رابط يشير إلى صفحة ويب، فيديو، أو أي محتوى آخر. يتم تصنيف وتلخيص هذا المحتوى وحفظه تلقائيًا في جدول قاعدة بيانات أو ورقة جوجل. عندما تقوم الأتمتة بإنشاء تسجيل جديد من المحتوى، غالبًا ما تحدد فئة خاطئة (موضوع) أو تنشئ عنوانًا يفتقد إلى النقطة الرئيسية للمحتوى. بدلاً من فتح قاعدة البيانات لإجراء التعديلات، سنقوم ببناء نظام بسيط للتعديل مباشرة داخل الماسنجر. بعد إنشاء التسجيل، يرسل البوت على تيليجرام رسالة تحتوي على العنوان، الملخص، والموضوعات. إذا بدا أي شيء خاطئ، يمكنك الضغط على أحد الأزرار: تعديل الموضوعات: يظهر قائمة الفئات المتاحة. تختار الصحيحة وترسلها مرة أخرى. تعديل العنوان: ترسل عنوانًا مصححًا. تعديل الملخص: ترسل ملخصًا مصححًا. في منصة Make، يرسل كل زر استدعاءً فريدًا: edit_topics، edit_title، أو edit_summary. يتم التعامل مع هذه الاستدعاءات بواسطة وحدتين في السيناريو، كما هو موضح في الفرع الأول أدناه. الوحدة الأولى تخزن بيانات الاستدعاء في مخزن البيانات (Data Store) مع مفتاح الانتظار. الوحدة الثانية تطلب من المستخدم إرسال عنوان مصحح أو موضوعات. الفork القيم المخزنة في مفتاح الانتظار (wait key) يحدد الحقل الذي يجب تحديثه - الموضوعات، العنوان، أو الملخص - ويحدث السجل الأخير في قاعدة البيانات (Supabase). 2. تدريب مصنف الذكاء الاصطناعي وجهاز توليد العناوين تساعد التعديلات اليدوية للعناوين والموضوعات التي يولدها الذكاء الاصطناعي في تحسين جودة النظام مع مرور الوقت. هذه التعديلات تستخدم كعينات تدريبية للذكاء الاصطناعي، مما يسمح له بالتعلم من أخطائه وتقديم نتائج أفضل في المستقبل. علامة العينات تستخدم تعديلاتي كعينات تدريبية - ليس جميعها، بل فقط تلك التي أعتبرها قيمة للتعلم. لتحديد تعديل كعينة تدريبية، أضيف ببساطة الهاشتاج #sample إلى الرسالة التي تحتوي على العنوان أو الموضوعات المصححة. هذا يضيف علامة sample=TRUE إلى السجل المقابل في قاعدة البيانات. التحفيز القليل (Few-shot Prompt) إذا كنت على دراية بأساسيات تصميم التحفيزات، فقد سمعت عن التعلم القليل (few-shot learning). هذه التقنية تتضمن تقديم الذكاء الاصطناعي بعدة أمثلة صحيحة للناتج المطلوب لكل مدخل. في هذا السيناريو، يتكون الناتج من عنوان وقائمة موضوعات. لا يوجد حاجة لتدريب الذكاء الاصطناعي على كتابة الملخصات. تحسين الجودة عندما يعالج الذكاء الاصطناعي تسجيلات جديدة، فإنه يراجع أولًا العينات المحملة من قاعدة البيانات. لتحقيق أفضل أداء: أحمل فقط العينات من نفس نوع التسجيل إذا كان النوع معروفًا مسبقًا (مثل "صفحة ويب" أو "فيديو يوتيوب"). أقيّد عدد العينات المحملة بستة. تجربتي تشير إلى أن استخدام أكثر من ستة عينات لا يحسن الأداء وقد يقلله أحيانًا بسبب طول التحفيز المفرط. من الأفضل الحفاظ على مجموعة متنوعة من العينات تغطي مواضيع مختلفة وأنواع محتوى متنوعة. إذا كانت عيناتك مائلة نحو موضوع واحد، فقد يطور الذكاء الاصطناعي تحيزًا في التصنيف. بالالتزام بهذه التوصيات، ستلاحظ تراجعًا تدريجيًا في الحاجة إلى التعديلات اليدوية. بينما تحقيق الصفر من التعديلات غير مرجح، قد تجد أن فقط 5-10% من التسجيلات لديها عناوين أو موضوعات "ضعيفة". هذه التسجيلات ليست "مفقودة" - فهي مجرد أكثر صعوبة في العثور عليها لاحقًا، وهذا أمر مقبول. 3. الميزات الرئيسية لمنصة no-code تخزين البيانات المؤقت في عملية التعديل المذكورة أعلاه، تم استخدام وحدة تخزين البيانات (Data Store) لتخزين البيانات المؤقتة التي تستمر بين تشغيلات السيناريو المختلفة. هذا يختلف عن وحدة Set variable، حيث يتم تعريف المتغيرات فقط للعمليات ضمن التشغيل الحالي. تخزين البيانات هو جدول بعمود مفتاح. غالبًا ما يكون جدول بيانات واحد كافيًا لسيناريو واحد. يمكن تنفيذ هذا باستخدام قاعدة بيانات خارجية أو ورقة جوجل، ولكن استخدام مخزن البيانات المدمج أسرع وأسهل في الإعداد والتصحيح لأنه يحتوي على كل شيء داخل منصة no-code. التجميعات والمكررات يستخدم المثال أعلاه وحدة تجميع النص (Text Aggregator) لتجميع النص من عدة صفوف في قاعدة البيانات إلى سلسلة نصية واحدة. العملية العكسية تتم بواسطة مكررة (Iterator)، والتي تنفذ سلسلة من العمليات لكل عنصر في المصفوفة. على سبيل المثال، يمكنك استخدام المكررة لإنشاء سجل قاعدة بيانات منفصل لكل فكرة رئيسية تم تحديدها في قطعة المحتوى. معالجة الأخطاء عند تعبئة قاعدة البيانات بالروابط إلى المحتوى عبر الإنترنت، لا مفر من حدوث أخطاء. حتى لو كان الرابط صحيحًا، قد تفشل عملية استخراج المحتوى لأسباب مختلفة، بما في ذلك قيود الموقع أو تجاوز حدود الاستخدام الشهرية لخدمة الاستخراج. لذلك، تعتبر معالجة الأخطاء البسيطة ضرورية، على الأقل للوحدات مثل HTTP، ScrapeNinja، Supadata، أو حتى وثائق جوجل. عندما يحدث خطأ في وحدة، يتم تفعيل معالج الأخطاء المخصص لها. يمكن لهذا المعالج الوصول إلى رسالة الخطأ وإرسالها إلى المستخدم. أو يمكنه بدء سلسلة عمليات احتياطية، مثل محاولة طريقة مختلفة لاستخراج الصفحة. في المثال أعلاه، الوحدة الأولى هي طلب HTTP. إذا فشل، يتم تفعيل Supadata كمعالج أخطاء لتنفيذ المهمة نفسها. المعالج النهائي هو بوت تيليجرام، والذي يستخدم رسائل الأخطاء من الوحدتين HTTP وSupadata. 4. no-code: القيود والمزايا تحديات الصيانة بينما يدعي البعض أن سيناريوهات no-code أسهل في الصيانة من الكود التقليدي، غالبًا ما يختلف المطورون المحترفون. رغم وجود أدوات تصحيح جيدة في منصات no-code، يمكن أن تكون جوانب الصيانة الأخرى صعبة. من الصعب: اختبار السيناريوهات بشكل شامل. إدارة الإصدارات (version control). البحث عن العناصر. إجراء التعديلات. يمكنك محاكاة إدارة الإصدارات عبر تصدير سيناريوك إلى ملف JSON - في Make، هذا يسمى Blueprint. لمنصة n8n، يمكنك أيضًا التجربة مع n8n2git للمساعدة في إدارة الإصدارات، رغم عدم وجود مستوى مجاني. إذا لم تتخذ خطوات خاصة لتجنب تكرار تسلسلات العقد (الوحدات)، يمكن أن يصبح الحفاظ على سيناريوهات no-code صداعًا في الرأس. بدون هذا، يمكن أن تصبح التعديلات محفوفة بالمخاطر. على سبيل المثال، قد تقوم بتعديل عقدة أو اثنتين تغفل الثالث، مما يؤدي إلى خطأ صعب الكشف عنه حتى يسبب مشكلة. لذا، إذا كنت تخطط لتغيير سيناريوك بشكل متكرر، فقد لا تكون منصة no-code الخيار الأمثل. ومع ذلك، هناك حالتان حيث لا يهم هذا الاعتبار: عندما تضيف فقط وظائف جديدة إلى السيناريو بدلاً من تحسين الموجودة. عند استبدال عناصر السيناريو (أي، أنظمة محددة) دون تغيير المنطق الأساسي. سهولة تكامل واستبدال الأنظمة أكبر ميزة لمنصات no-code هي التكامل المدمج مع أي نظام يتعامل مع بياناتك أو يخزنها. ومع ذلك، إذا كان تطبيقك يتعلق بشكل أكبر بالجمالية أو تجربة المستخدم وليس البيانات، فإن حلول no-code غالبًا ما تخل بالمستوى المطلوب. فوائد تكوين no-code تكمن في سهولة استبدال الأنظمة الخارجية وغيرها من عناصر السيناريو. على سبيل المثال، يمكنك التحويل من AssemblyAI إلى OpenAI Whisper ببضع نقرات في Make.com. في المقابل، قد لا يتكيف الكود المتكامل - خاصةً ذاك الذي يكتبه الذكاء الاصطناعي - جيدًا مع استبدال الأنظمة. هذا يجعل التجربة المتكررة مع أنظمة خارجية مختلفة غير مثالية لحلول البرمجيات التقليدية، حتى مع دعم الذكاء الاصطناعي. كل استبدال يتطلب إعادة اختبار كل شيء، حيث يمكن للذكاء الاصطناعي أن يدخل أخطاء في التكاملات، خاصةً عند عدم وضوح وثائق API. التكاليف المباشرة بالإضافة إلى بساطة وسرعة التطوير والصيانة، يعتبر التكلفة عاملاً رئيسيًا عند مقارنة منصات no-code مع وكيل الذكاء الاصطناعي للكتابة. بالنسبة للتكلفة على مستوى الإنتاج، غالبًا ما يتفوق الكود، حيث تتقاضى معظم منصات no-code رسومًا لكل عملية. الاستثناء الرئيسي هو الأدوات ذات المصدر المفتوح والمضيفة ذاتيًا مثل n8n. مع ذلك، يمكن أن تكون منصات no-code أرخص في بعض الحالات مقارنةً بالتطوير التقليدي أو المدعوم بالذكاء الاصطناعي، خاصةً عند بناء نموذج أولي أو تطبيق شخصي. هذا المقال ركز على التطبيق الشخصي: يشغل سيناريو العمل الخاص بي بالكامل بشكل مجاني. يساعد المستوى المجاني لمنصة Make.com على تشغيل سيناريو العمل بشكل مجاني، حيث يشمل 2 سيناريو نشط و1,000 عملية شهريًا. يسمح هذا بعدد 50-70 تسجيلًا شهريًا لقاعدة البيانات. إذا كان هذا محدودًا بالنسبة لك، يمكنك النظر في استخدام n8n المضيفة ذاتيًا بدلاً من Make. الخلاصة في هذا المقال، استكشفنا كيفية تحسين سيناريو عمل ذكاء اصطناعي مدفوع بقاعدة بيانات المعرفة الشخصية من خلال تنفيذ وظائف التحرير وإنشاء آلية تدريب بسيطة لتحسين الفئات والعناوين المُولَدة بواسطة الذكاء الاصطناعي. كما ناقشنا كيفية استخدام منصات no-code بشكل فعال من خلال الاستفادة من الميزات الأقل وضوحًا مثل السيناريوهات الفرعية، المتغيرات، تخزين البيانات المؤقت، ومعالجات الأخطاء. رغم أن صيانة سيناريوهات no-code قد تكون أكثر صعوبة من صيانة الكود التقليدي، فإن سهولة استبدال الأنظمة الخارجية والعناصر الأخرى يجعلها مثالية للمشاريع التجريبية. يمكن أن يكون تكوين no-code مرنًا جدًا عندما لا تزال تحديد السيناريو الأمثل لقاعدة بيانات المعرفة الخاصة بك أو أي برنامج برمجي شخصي آخر. أخيرًا، عند مقارنة منصات no-code مع وكيل الذكاء الاصطناعي للكتابة، غالبًا ما يكون الكود أرخص للحلول الإنتاجية. ومع ذلك، يمكن أن تكون أدوات no-code مجانية تمامًا للمشاريع الشخصية بمستوى استخدام معتدل. تقييم الحدث من قبل المختصين يعد استخدام الذكاء الاصطناعي في إدارة قواعد البيانات المعرفية الشخصية خطوة مهمة نحو مستقبل أكثر تكنولوجيا. يرى العديد من الخبراء أن هذه الأتمتة يمكن أن تساعد في تقليل الجهد اللازم للحفاظ على قاعدة بيانات منظمة وفعالة، مما يسمح للمستخدمين بتركيز المزيد من وقتهم على الإبداع والابتكار بدلاً من المهام الروتينية. ومع ذلك، يتطلب هذا النهج بعض الجهد الأولي للإعداد والتدريب، ولكنه يوفر في النهاية قيمة مضافة كبيرة. نبذة تعريفية عن الشركة ذات الصلة Make.com هي منصة no-code تتيح للمستخدمين إنشاء تطبيقات وأتمتة سير العمل دون الحاجة إلى معرفة البرمجة. توفر العديد من الميزات المفيدة مثل تخزين البيانات المؤقت، التجميعات، والمكررات، مما يجعلها مثالية للمشاريع الشخصية والتجريبية. منصة n8n هي أيضًا أداة قوية ذات مصدر مفتوح يمكن استضافتها ذاتيًا، مما يجعلها خيارًا رائعًا للأشخاص الذين يحتاجون إلى المزيد من المرونة والتحكم في تطبيقاتهم.