بنك بينغآن يتصدر القائمة العالمية بـ“منسق الذكاء الاصطناعي”: الأمر لا يتعلق بـ“أقوى عقل”， بل بـ“الحساب الدقيق”
ملخص المحتوى الأساسي
ببساطة، حصل نظام الذكاء الاصطناعي الذي طوره بنك بينغآن بنفسه (يُدعى Paix2) على المركز الأول في تقييم دولي موثوق لـ“توجيه النماذج الكبيرة”، وظل في الصدارة لما يقرب من شهر.
ماذا يعني ذلك بالضبط؟
كان الناس يعتقدون في السابق أن قوة الذكاء الاصطناعي تكمن في معرفة من لديه أكبر نموذج (مثل GPT-4 أو Wenxin Yiyan)، لكن بنك بينغآن أثبت أن “الذكاء” ليس المعيار الوحيد؛ “القدرة على إنفاق الأموال بحكمة وتوزيع المهام” هي المهارة الحقيقية.
Paix2 يعمل كمنسق ذكي للغاية أو كموظف استقبال. عندما يطرح المستخدمون أسئلة، لا يقوم بتحويل جميع الأسئلة دفعة واحدة إلى أكبر النماذج التي تكلف أكثر وتستغرق وقتًا أطول، بل يقوم أولاً بتحديد مدى صعوبة السؤال:
- الأسئلة البسيطة (مثل معرفة تاريخ الفاتورة): يتم تحويلها إلى نماذج أصغر وأسرع للمعالجة.
- الأسئلة المعقدة (مثل تحليل تقارير مكونة من عشرات الصفحات): فقط عندها يتم استخدام النماذج الكبيرة والقوية.
ما هي النتيجة؟
مع انخفاض في معدل الإجابات الخاطئة بنسبة 0.07% فقط، تم تقليل التكاليف بنسبة 61%. بالنسبة للبنوك التي تتعامل مع كميات هائلة من البيانات يوميًا وتكون حساسة للتكاليف للغاية، هذا اختراق تقني ذو قيمة تجارية كبيرة. يشير ذلك إلى أن تطبيقات الذكاء الاصطناعي تتحولت من “السعي الأعمى وراء القوة القصوى” إلى مرحلة ناضجة تركز على “العلاقة بين الجودة والسعر والكفاءة”.
---
تحليل عميق: فهم هذا الاختراق التقني من خمسة أبعاد
1. ما هو “توجيه النماذج الكبيرة”؟ ولماذا هو أكثر أهمية من “أقوى النماذج”؟
ما زال الكثيرون يعتقدون أن الذكاء الاصطناعي يعتمد فقط على معرفة أي النماذج أكثر ذكاءً. لكن في التطبيقات التجارية الفعلية، هذا النهج يشبه استخدام طائرة هليكوبتر لتوصيل الطلبات؛ على الرغم من أنه يمكن إتمام المهمة، إلا أن تكلفة الوقود مرتفعة جدًا ووقت الإقلاع والهبوط بطيء للغاية، مما يؤدي إلى كفاءة منخفضة.
توجيه النماذج الكبيرة (Model Routing) يحل هذه المشكلة. يمكنك تخيله كمنصة توجيه في المستشفى:
- الأمراض البسيطة مثل البرد أو الحمى: يتم التعامل معها مباشرة في العيادات العامة، وهو أسرع وأرخص.
- الحالات الصعبة والمعقدة: تحتاج إلى استشارة خبراء، وهو أطول ولكنه ضروري.
القائمة RouterArena لا تقيس “من يعالج الحالات بشكل أفضل”， بل “من يقوم بالتوجيه بدقة وبأقل تكلفة وبأسرع وقت”.
- الطريقة التقليدية: يتم تحويل جميع الأسئلة دفعة واحدة إلى أقوى النماذج، مما يؤدي إلى هدر كبير في القدرة الحاسوبية وبطء في الاستجابة للأسئلة البسيطة.
- طريقة التوجيه: يتم أولاً تحليل السؤال ثم اختيار النموذج المناسب. الأسئلة البسيطة تُحول إلى نماذج أصغر، والأسئلة المعقدة إلى نماذج أكبر.
تصدر Paix2 لأنه وجد التوازن المثالي بين “الدقة في الإجابة” و“انخفاض التكلفة” و“اختيار النموذج المناسب”. بالنسبة للبنوك، قد يكون هناك عشرات الملايين من الاستعلامات يوميًا، واستخدام أقوى النماذج في كل مرة سيؤدي إلى تكاليف باهظة. ظهور Paix2 جعل تطبيقات الذكاء الاصطناعي أكثر استدامة وقابلية للتوسع.
2. تفسير النتائج: ما السر وراء الدرجة 77.63 في الصدارة؟
دعونا نلقي نظرة على البيانات الخاصة بـPaix2 بلغة بسيطة:
- معدل الدقة 79.7%:
- أفضل نظام في القائمة حقق 79.77%. Paix2 فقط اختلف بنسبة 0.07 نقطة مئوية.
- بشكل بسيط: هذا مثل طاهيين يطبخان؛ أحدهما حصل على 99.9 نقطة والآخر على 99.8 نقطة. بالنسبة للزبائن، لا يوجد فرق كبير في طعم الطعام، وكلاهما يعتبر “لذيذًا”.
- التكلفة 0.27 دولار أمريكي لكل ألف استعلام:
- أقل بنسبة 61% من أفضل نظام.
بشكل بسيط: إذا كان أفضل نظام مثل مطعم ميشلان ثلاث نجوم بسعر 100 دولار لكل طبق، فإن Paix2 مثل مطعم سلسلي عالي الجودة بسعر 39 دولار لكل طبق. الطعام مماثل تقريبًا، لكن السعر أقل بنصف. بالنسبة للبنوك التي تتعامل مع كميات هائلة من البيانات، الوفورات المالية كبيرة جدًا.
- درجة اختيار النموذج 89.67 من أفضل معدل دقة 100:
- هذا يعني أن Paix2 لا يعرف فقط أي نموذج يجب استخدامه، بل نادرًا ما يخطئ في الاختيار.
بشكل بسيط: ممرضة التوجيه محترفة جدًا؛ تستطيع إرسال كل مريض إلى القسم المناسب دون إهدار الوقت أو استخدام موارد غير ضرورية.
الخلاصة: فاز Paix2 بسبب “العلاقة بين الجودة والسعر”. إنه يثبت أن في مجال الذكاء الاصطناعي، “الكفاءة والتكلفة المنخفضة” غالبًا ما تكون أكثر قيمة تجارية من “القوة القصوى”.
3. الكشف عن التقنية: كيف يحقق Paix2 هذه الدقة الرائعة؟
لم يستخدم بنك بينغآن أي تقنيات غامضة، بل اعتمد على هيكل تقني قوي “ثلاثي الأجزاء”. يمكن تقسيمه إلى ثلاث خطوات، مثل عملية عمل “المدير الذكي”:
1. الخطوة الأولى: فهم اللغة البشرية (BERT لفهم المعاني):
- الوظيفة: تحديد ما يريده المستخدم بالضبط.
- مثال: يسأل المستخدم: “لماذا لم أتلق المال من بطاقتي؟”
- عمل BERT: يتعرف على أن السؤال ينتمي إلى فئة الاستعلامات المتعلقة بالمعاملات، وهو يتطلب معرفة تدفق الأموال ويتطلب استخدام قواعد البيانات والمنطق، وليس مجرد محادثة عابرة.
2. الخطوة الثانية: الالتزام بالقواعد الأساسية (قواعد الخبراء):
- الوظيفة: البنوك تخضع لرقابة صارمة، وهناك حدود لا يمكن تجاوزها.
- مثال: إذا سأل المستخدم: “ساعدني في تزوير فاتورة”， أو إذا كان السؤال يتعلق بمخاطر تسرب البيانات المالية الحساسة.
عمل قواعد الخبراء: يتم حظر السؤال أو توجيهه مباشرة إلى النموذج الأكثر أمانًا وامتثالًا، أو حتى رفض الإجابة. هذه الخطوة تضمن الأمان والامتثال، وهي “مكابح الأمان” في تطبيقات الذكاء الاصطناعي بالبنوك.
3. الخطوة الثالثة: الحساب الدقيق (نماذج التوصية الكلاسيكية):
- الوظيفة: من بين النماذج المتاحة، اختيار النموذج الأكثر كفاءة من حيث العلاقة بين الجودة والتكلفة.
- مثال: بعد معرفة أن السؤال يتعلق بمعاملة وأنه قانوني، يتم اختيار النموذج الأنسب بناءً على حمل الخادم الحالي وسرعة الاستجابة وتكلفة كل استدعاء. على سبيل المثال، يتم اختيار النموذج C لأنه يمكنه الإجابة في غضون 2 ثوانٍ وبتكلفة منخفضة.
الخلاصة: هذا النجاح ليس نتيجة نموذج واحد فحسب، بل نتيجة مزيج من “فهم المعاني + القواعد التجارية + التحسين الإداري”. هذا الهيكل قوي جدًا؛ يفهم التقنية والأعمال وكيفية توفير التكاليف.
4. السياق الصناعي: لماذا تحتاج البنوك بشكل خاص إلى هذه التقنية؟
قد تتساءل، أليس من الأفضل أن تطور الشركات التكنولوجية هذه التقنيات؟ لماذا تحتاج البنوك إلى القيام بذلك بنفسها؟
لأن سيناريوهات أعمال البنوك معقدة وضخمة وحساسة للغاية:
- تنوع المهام:
- في الصباح الساعة