موجز حول كيفية تقليل النفقات على نماذج الذكاء الاصطناعي باستخدام إطار "الساقية الذكية" (AI Waterfall) الاقتصاد في استخدام الذكاء الاصطناعي مع التطور المستمر في مجال الذكاء الاصطناعي والتعلم العميق، أصبحت هذه التقنيات جزءًا أساسيًا من تطوير البرمجيات وكتابة الكود. ومع ذلك، فإن هذا التقدم يأتي بتكلفة عالية، حيث أصبحت نفقات نماذج الذكاء الاصطناعي (LLMs) مثل GPT-4 وClaude تمثل جزءًا كبيرًا من ميزانيات الهندسة في المنظمات المختلفة. بينما تظل هذه النماذج قوية وفعالة، فإن استخدامها الاستراتيجي يمكن أن يساعد في تخفيض التكاليف بشكل كبير دون التضحية بالأداء. إطار "الساقية الذكية" (AI Waterfall) "الساقية الذكية" هي استراتيجية مشكلة تسلسليًا لحل المشكلات حيث يتم محاولة حل المهام باستخدام الأساليب الأرخص والأسرع أولاً، ثم الرقي إلى نماذج الذكاء الاصطناعي الأكثر تكلفة عندما تفشل الأساليب البسيطة. يمكن تصور هذا الإطار كسلسلة من البوابات: كل مهمة تمر عبر حلول متدرجة في التعقيد والتكلفة حتى تجد الحل المناسب. الفكرة الرئيسية هي أن العديد من المشكلات التي تبدو أنها تتطلب ذكاء اصطناعي متقدم يمكن حلها باستخدام تقنيات البرمجة التقليدية أو نماذج تعلم آلي بسيطة بأقل تكلفة وأسرع وقت. الدافع الاقتصادي قبل الغوص في التقنيات، من المهم فهم الدافع الاقتصادي وراء استخدام هذه الاستراتيجية. عند معالجة آلاف أو ملايين الطلبات، تتراكم التكاليف بشكل كبير. على سبيل المثال: - معالجة البريد الإلكتروني: بدلاً من إرسال جميع جداول البريد الإلكتروني إلى نموذج ذكاء اصطناعي غالي الثمن، يمكن استخدام قواعد RegEx البسيطة لمعالجة 60-80٪ من الرسائل الواردة، مع تصعيد الحالات الغامضة فقط إلى النموذج الأكثر تكلفة. - معالجة طلبات العملاء: في حالة استلام طلب من الدردشة الإلكترونية للدعم الفني، يمكن استخدام أساليب بسيطة مثل فئات التعلم السريع أو نماذج تعلم آلي بسيطة قبل اللجوء إلى نماذج الذكاء الاصطناعي الأكثر تكلفة. بناء نظام "الساقية الذكية" يمكن بناء نظام "الساقية الذكية" على عدة خطوات: 1. قياس التكلفة الحالية: قبل تحسين استخدام نماذج الذكاء الاصطناعي، يجب قياس التكلفة الحالية (بالدولارات أو الوقت أو عدد الحالات أو الرموز). 2. بدء التحسين من الحالات الأكثر حجمًا وتكلفة: التركيز على الحالات الأكثر تكرارًا وتكلفة، ثم تطبيق حلول الدرجة الأولى (قواعد RegEx، قواعد مخصصة، الوصول إلى قواعد البيانات). 3. قياس تخفيض التكاليف: بعد تنفيذ الحلول البسيطة، قياس التخفيض في تكاليف نماذج الذكاء الاصطناعي. 4. زيادة الطبقات تدريجيًا: زيادة الطبقات من الحلول الأكثر تعقيدًا وتكلفة تدريجيًا مع متابعة تخفيض التكاليف. 5. المراقبة المستمرة: مراقبة النظام بشكل مستمر للحصول على رؤى حول الحالات التي تصعد بشكل متكرر إلى النماذج الأكثر تكلفة، ثم تحسين الطرق الأرخص (إضافة قواعد جديدة، تعزيز قواعد البيانات). مخاطر يجب تجنبها بعد العمل مع هذا الإطار لأشهر، هناك بعض المخاطر التي ينبغي تجنبها: - تجنب الإفراط في الهندسة للطبقات الأولى: عدم إنفاق أسابيع في إنشاء قواعد RegEx معقدة للغاية أو إنشاء قواعد بيانات كبيرة جدًا لتغطية كل حالة. - عدم تجاهل الحالات الحدودية: الحالات الحدودية دائمًا موجودة ويتعين التعامل معها. في大多数情况下，更昂贵的LLM会更好地处理这些边缘情况，所以不要因为它们看起来昂贵而省略。 - 避免使用静态置信度阈值：阈值应根据每个项目的需求动态调整。 - 避免过早优化：始终从高影响、高频率的用例开始，然后转向更罕见的情况。 الخلاصة استراتيجية "الساقية الذكية" تضمن استخدام الذكاء الاصطناعي المتقدم بطريقة ذكية واقتصادية. هذا الإطار يساعد المهندسين والمصممين على دفع ثمن الخدمات المتقدمة للذكاء الاصطناعي فقط عند الحاجة إليها. في النهاية، أفضل حل للذكاء الاصطناعي هو الحل البسيط الذي يعمل بكفاءة. تقييم الحدث من قِبل المختصين يجد العديد من الخبراء في مجال الذكاء الاصطناعي وتطوير البرمجيات أن استراتيجية "الساقية الذكية" هي خطوة هامة نحو تحقيق التوازن بين الأداء والتكلفة. هذه الاستراتيجية تساعد في تحسين الكفاءة وتقليل النفقات دون التضحية بالجودة، مما يجعلها مناسبة للمنظمات الصغيرة والكبيرة على حد سواء. يمكن لهذه الطريقة أن تساهم في تطوير حلول أكثر استدامة وفعالية في مجال الذكاء الاصطناعي. نبذة عن الشركة "Growtika" هي شركة رائدة في مجال تطوير التكنولوجيا والمحتوى الرقمي. تعمل الشركة على تطبيقات تتعلق بتحسين أداء الذكاء الاصطناعي وتخفيض تكلفته، مما يجعلها واحدة من الشركات التي تساهم بشكل كبير في تطوير وتنفيذ استراتيجيات مثل "الساقية الذكية".