ملخص المحتوى الأساسي
ما أثار ضجة كبيرة مؤخرًا في دائرة الذكاء الاصطناعي يُعرف باسم “هاندس إنجينيرينغ” (Harness Engineering)، وهو في الواقع شيء كان الجميع يقومون به منذ فترة طويلة: وضع مجموعة من القواعد والأدوات وآليات التحقق على نماذج الذكاء الاصطناعي لمنعها من تكرار الأخطاء، بدلاً من تصحيحها في كل مرة بشكل عشوائي. انتشر هذا المصطلح فجأة لأنه أعطى اسمًا موحدًا لما يقوم به الجميع، كما أظهرت الأبحاث أن البيئة المحيطة بالنموذج يمكن أن تؤثر بشكل كبير على أدائه (حتى بنسبة 6 أضعاف). هذا التغيير يشير إلى أن تركيز صناعة الذكاء الاصطناعي انتقل من مجرد مقارنة قوة وأداء النماذج نفسها إلى مقارنة جودة الأنظمة المستخدمة لإدارتها، ويمكن للأشخاص العاديين أيضًا المشاركة في ذلك ببساطة، طالما يتم حل مشكلة تكرار الأخطاء في نماذج الذكاء الاصطناعي.
التفصيل
1. شرح بلغة سهلة: “هاندس إنجينيرينغ” هو وضع قواعد لنماذج الذكاء الاصطناعي لتنظيم سلوكها
كلمة “هاندس” تعني أدوات الفرس (مثل الزينة والسرج)، وفي دائرة الذكاء الاصطناعي تُستخدم للإشارة إلى مجموعة من الأنظمة التي تقيد سلوك النماذج:
- ما هو النموذج؟ يشبه حصانًا قويًا لكنه قد يتصرف بشكل عشوائي (مثل نماذج مثل GPT أو Claude)، فهو ذكي لكنه يحتاج إلى توجيهات وقواعد لتجنب الأخطاء.
- ما هو “هاندس إنجينيرينغ”؟ عبارة عن مجموعة من الإرشادات والأدوات التي تحدد للنموذج ما يمكنه فعله وما لا يمكنه فعله، بالإضافة إلى آليات لتصحيح الأخطاء تلقائيًا.
- المبدأ الأساسي: النموذج مسؤول عن “القيام بالعمل” (مثل التفكير وإنتاج المحتوى)، بينما “هاندس إنجينيرينغ” مسؤول عن “القيام بذلك بشكل صحيح” (وفقًا للقواعد المحددة).
2. كيف تميز بين حل مؤقت وحل دائم؟
الفرق بين التصحيح العشوائي والحل المستدام:
- حل غير دائم: عندما يخطئ النموذج، قد تصححه مؤقتًا أثناء التفاعل (مثل منع استخدام أقواس معينة)، لكن قد يرتكب نفس الخطأ مرة أخرى.
- حل دائم: عندما تُضاف إرشادات دائمة إلى بيئة تشغيل النموذج (مثل تعديلات في ChatGPT لاستخدام أقواس صينية)، أو عندما يتم تحميل مكتبات المعرفة التي يمكن للنموذج الرجوع إليها دائمًا، أو عندما تُضاف خطوات تحقق تلقائية.
أمثلة: كتابة أوامر مخصصة، تحميل قواعد المنتج في قاعدة بيانات، إنشاء عمليات عمل آلية، إلخ.
3. لماذا انتشر هذا المصطلح فجأة؟
هناك ثلاثة أسباب رئيسية:
① وجود اسم موحد: كان الجميع يقومون بهذه الأشياء، لكن لم يكن هناك تصنيف واضح، والآن أصبح “هاندس إنجينيرينغ” مصطلحًا شائعًا.
② انتهاء فترة التركيز على كتابة الإرشادات: في الماضي، كان التركيز على كيفية كتابة أفضل إرشادات للنماذج، لكن الآن نجاح تطبيقات الذكاء الاصطناعي المعقدة يعتمد على البيئة المحيطة بها.
③ الأبحاث: أظهرت دراسات من جامعتي ستانفورد وتسينغهوا أن نفس النموذج قد يختلف أداؤه بشكل كبير حسب نظام إدارته.
4. هل ستتغير صناعة الذكاء الاصطناعي؟
في المستقبل، لن يتم المقارنة بين قوة النماذج نفسها، بل بجودة أنظمة إدارتها.
التركيز سيتحول من “ما هو النموذج المستخدم” (مثل GPT-4 أو Claude) إلى “كيفية إدارة النموذج بشكل فعال”.
القدرة التنافسية الأساسية: لن تكون في امتلاك نماذج قوية، بل في كيفية إنشاء أنظمة إدارة فعالة وحصرية. سواء كانت شركات أو أفرادًا، من يقوم بإنشاء أنظمة إدارة جيدة سيكون قادرًا على جعل الذكاء الاصطناعي أكثر كفاءة وأقل عرضة للأخطاء.
5. كيف يمكن للأشخاص العاديين المشاركة؟
لا حاجة إلى معرفة البرمجة أو فهم مبادئ عمل النماذج. عندما يرتكب الذكاء الاصطناعي نفس الخطأ مرتين، فكر في كيفية تضمين حلول هذه المشكلة ضمن بيئته:
- إضافة قواعد إلى أوامر ChatGPT المخصصة.
- تحميل دليل المنتج في قاعدة بيانات للاستفادة منه في كل مرة.
- استخدام أدوات لإنشاء خطوات تحقق تلقائية.
المهم هو جعل الذكاء الاصطناعي يتجنب نفس الأخطاء مرارًا وتكرارًا، وتحويل خبراتك إلى قواعد تعمل له.
خلاصة
“هاندس إنجينيرينغ” ليس شيئًا جديدًا؛ إنه مجرد طريقة منظمة لمنع الذكاء الاصطناعي من تكرار الأخطاء. أكبر تحسين في عصر الذكاء الاصطناعي هو جعله يتعلم من أخطائه ويستفيد منها لتحسين أدائه.