الذكاء الاصطناعي التمييزي: نماذج اتخاذ القرار وأمثلتها واستخداماتها
تعرّف على كيفية استخدام الذكاء الاصطناعي التمييزي ونماذج اتخاذ القرار لتصنيف المدخلات وتوجيهها وتقييمها، واكتشف أوجه اختلافها عن الذكاء الاصطناعي التوليدي ومجالات استخدامها لدى المطورين.
يصل طلب إلى فريق الدعم: «تم تحصيل المبلغ مني مرتين وأحتاج إلى استرداد أموالي». لا يحتاج تطبيقك بالضرورة إلى فقرة مكتوبة بواسطة نموذج ذكاء اصطناعي، بل قد يحتاج أولًا إلى اتخاذ قرار: هل يجب توجيه هذه التذكرة إلى قسم الفواتير أم الدعم الفني أم المبيعات؟
الذكاء الاصطناعي التمييزي (Discriminative AI) مصمم للتنبؤ بتصنيف أو درجة أو هدف آخر انطلاقًا من مدخل معين. وتقدم مجموعة أحدث من نماذج اتخاذ القرار هذه الفكرة ضمن واجهات برمجة التطبيقات المخصصة للمطورين: زوّد النموذج بالسياق وسؤال محدد، وسيعيد قرارًا منظمًا أو احتمالات يمكن للبرمجيات استخدامها. يشرح هذا الدليل آلية عمل هذه النماذج، وموقعها إلى جانب الذكاء الاصطناعي التوليدي، وطرق تقييمها.
ما الذكاء الاصطناعي التمييزي؟
يتنبأ الذكاء الاصطناعي التمييزي بصفة أو نتيجة مرتبطة بمدخل معين. يتنبأ مرشح الرسائل المزعجة بما إذا كانت رسالة البريد الإلكتروني غير مرغوب فيها، ويصنف نموذج التصنيف تذكرة الدعم ضمن فريق معين، ويقدّر نموذج المخاطر احتمالية وقوع نتيجة محددة.
في مجال التعلم الآلي، تتعلم النماذج التمييزية عادةً ربط المدخل x بالهدف y، أو تقدير الاحتمال الشرطي P(y | x). وقد يكون الهدف فئة أو قيمة رقمية أو مخرجًا منظمًا آخر. ومن أمثلة الأساليب التمييزية الانحدار اللوجستي وآلات المتجهات الداعمة والعديد من نماذج التصنيف العصبية. لا تُرجع جميع النماذج التمييزية احتمالًا، كما أن الدرجات الرقمية ليست كلها معايرة بدقة.
تعود الفكرة الأساسية إلى ما قبل ظهور مساعدي الذكاء الاصطناعي الحاليين. أما التطور الأحدث فيتمثل في توفر واجهات برمجة تطبيقات عامة لاتخاذ القرار، تقبل أوصاف المهام وخيارات الإجابة باللغة الطبيعية، ما يتيح للمطورين استخدام الواجهة نفسها في العديد من مهام التصنيف أو التقييم.
ما نموذج اتخاذ القرار بالذكاء الاصطناعي؟
في مشهد واجهات برمجة التطبيقات الحالي، يشير مصطلح نموذج اتخاذ القرار (Decision Model) إلى نموذج أو خدمة مصممة للإجابة عن أسئلة محددة النطاق حول مدخلات مقدمة إليها. وبدلًا من إنشاء إجابة حرة الصياغة، يعيد النموذج نتيجة ذات نوع محدد، مثل:
- احتمالية نعم/لا: ما احتمال احتواء هذه الرسالة على طلب لاسترداد الأموال؟
- اختيار: أي قسم يجب أن يتلقى هذه التذكرة؟
- درجة: ما موقع هذه الإجابة على مقياس جودة محدد؟
على سبيل المثال، قد يعيد نموذج اتخاذ القرار تصنيفًا يشير إلى قسم الفواتير، إلى جانب تقديرات احتمالية لكل قسم. ويمكن لتطبيقك استخدام هذه النتائج لتوجيه التذكرة أو طلب معلومات إضافية أو إحالتها إلى مراجع بشري.
تطلق TypeSafe على عائلة نماذج Jev اسم «System One». وتصف Liquid AI نموذجها لاتخاذ القرار d1 بأنه يقبل النصوص والصور ويعيد احتمالات دون إنشاء رموز إخراج. كما يوضح دليل Google Codelab حول النماذج التمييزية كيفية استخدام نموذج لاتخاذ القرار إلى جانب نموذج توليدي ضمن أحد التطبيقات.
المصطلحان مترابطان، لكنهما ليسا مترادفين. النمذجة التمييزية مفهوم واسع في التعلم الآلي، بينما نموذج اتخاذ القرار منتج أو واجهة مخصصة للقرارات محددة النطاق. ويمكن للنموذج التوليدي أيضًا تصنيف النصوص عند توجيه مطالبة إليه، رغم اختلاف آلية التوليد الأساسية وتنسيق الاستجابة.
الذكاء الاصطناعي التمييزي مقابل الذكاء الاصطناعي التوليدي
| الذكاء الاصطناعي التمييزي | الذكاء الاصطناعي التوليدي | |
|---|---|---|
| السؤال المعتاد | «ما الفئة المناسبة لهذا المدخل؟» | «ما الاستجابة أو المحتوى المطلوب إنتاجه؟» |
| المخرجات الشائعة | تصنيف أو تنبؤ أو درجة أو احتمال | نص أو شيفرة أو صورة أو صوت أو محتوى آخر مولّد |
| مثال على المهمة | توجيه تذكرة أحد العملاء | صياغة رد للعميل |
| نقاط القوة التي تستحق التقييم | القرارات المحددة والمتسقة والدرجات القابلة للاستخدام | التركيب المرن والتفسيرات وإنشاء المحتوى |
| محور التقييم الأساسي | أخطاء التصنيف والمعايرة والعتبات | الدقة واتباع التعليمات والسلامة والفائدة |
لا يعني هذا الحد الفاصل أن كل نموذج قادر على تنفيذ مهمة واحدة فقط. يستطيع نموذج اللغة الكبير (LLM) إرجاع تصنيفات بصيغة JSON، كما يمكن لنظام اتخاذ القرار استخدام نموذج توليدي ضمن سير عمل أكبر. ويتمثل الفرق العملي في الوظيفة التي صُمم كل مكون لتنفيذها والتي تتيح واجهته استخدامها. ولا تثبت الاستجابة المنظمة عبر واجهة برمجة التطبيقات وحدها أن احتمالاتها معايرة بدقة أو أن النموذج الأساسي تمييزي.
لنفترض وجود تذكرة استرداد الأموال. يستطيع نموذج اتخاذ القرار تحديد المشكلة باعتبارها مسألة تتعلق بالفواتير وتقدير درجة الاستعجال. بعد ذلك، يمكن لنموذج توليدي صياغة رد يتسم بالتعاطف ويستند إلى سياسة استرداد الأموال ذات الصلة. ومع ذلك، ينبغي للتطبيق التحقق من السياسات والأذونات وأي موافقة بشرية مطلوبة قبل تنفيذ الإجراء.
كيف تعمل نماذج اتخاذ القرار داخل التطبيقات؟
يختلف المخطط الدقيق حسب مزود الخدمة، لكن طلب اتخاذ القرار المعتاد يتضمن ثلاثة عناصر:
- الحالة (State): المعلومات المطلوب تقييمها، مثل نص التذكرة أو صورة.
- السؤال والمعايير: القرار المطلوب اتخاذه وأوصاف الإجابات المسموح بها أو مستويات التقييم.
- الاستجابة محددة النوع (Typed Response): تصنيف أو درجة أو توزيع احتمالي يعيده النموذج ليتمكن التطبيق من تفسيره.
على سبيل المثال:
State: "I was charged twice for my subscription."
Question: Which team should handle this request?
Options: billing, technical support, sales
Illustrative result: billing
هذا مثال توضيحي مفاهيمي، وليس استجابة فعلية من واجهة برمجة التطبيقات. وقد يقدم النموذج أيضًا مستوى ثقة أو احتمالات، حسب نقطة النهاية (Endpoint). اتبع وثائق النموذج وواجهة برمجة التطبيقات المحددة، ولا تفترض أن جميع مزودي الخدمة يستخدمون تنسيق الطلب نفسه أو يدعمون أنواع الإدخال نفسها.
ماذا تعني درجات الاحتمالية؟
لا تكون الاحتمالية المتوقعة مفيدة إلا عند فهم مدى موثوقيتها. إذا أسند النظام درجة 0.8 إلى مجموعة من التنبؤات المتشابهة، فينبغي أن يحقق النظام ذو المعايرة الجيدة نسبة صحة تبلغ نحو 80% ضمن تلك المجموعة. لكن درجة 0.8 واحدة لا تضمن صحة قرار فردي.
تحقق من المعايرة باستخدام بياناتك، خاصة بعد تغيير النماذج أو التصنيفات أو اللغات أو مصادر المدخلات. يمكنك استخدام العتبات لإحالة الحالات ذات مستويات الثقة المنخفضة إلى المراجعة، لكن حدد هذه العتبات وفقًا لتكلفة النتائج الإيجابية الكاذبة والنتائج السلبية الكاذبة. فقائمة مراجعة الاحتيال تحتاج إلى قواعد تختلف عن تلك المستخدمة في توصية محتوى غير ضار.
أمثلة الذكاء الاصطناعي التمييزي وحالات استخدامه
تصنيف تذاكر الدعم وتوجيهها
يمكن لنموذج اتخاذ القرار تصنيف الرسائل الواردة ضمن أقسام الفواتير أو الدعم الفني أو إدارة الحسابات. أضف مسارًا باسم «أخرى» أو «تحتاج إلى مراجعة» للطلبات غير الواضحة، واختبر الرسائل التي تتضمن مشكلات متعددة. قيّم معدل الخطأ لكل فئة، وليس الدقة الإجمالية فقط؛ فقد يبدو أداء نموذج يفوّت شكاوى الفواتير العاجلة جيدًا عند اختباره على مجموعة بيانات تهيمن عليها الأسئلة الروتينية.
الإشراف على المحتوى
يمكن لسير عمل الإشراف أن يطلب من النموذج تحديد ما إذا كان المحتوى يندرج ضمن فئة محددة في السياسة. زوّد النموذج بمعايير وأمثلة واضحة، وقيّم الحالات الحدية، وأحل الحالات غير المؤكدة أو ذات العواقب المهمة إلى مراجعين مدربين. درجة اتخاذ القرار مدخل ضمن عملية تطبيق السياسة، وليست دليلًا على انتهاك المحتوى لإحدى القواعد.
توجيه نماذج اللغة الكبيرة والوكلاء
قبل استدعاء نموذج لغة كبير، يستطيع التطبيق تصنيف الطلب حسب الموضوع أو مستوى التعقيد أو نوع الوسائط المطلوبة. ويمكن لمكون التوجيه اختيار سير العمل المناسب أو طلب معلومات إضافية. اختبر التوجيه مع النظام الذي يستقبل الطلبات بعده؛ فالخطوة الأولية منخفضة التكلفة لا تحقق فائدة إذا كانت تحيل الطلبات الصعبة إلى مسار غير مناسب.
فرز المستندات والصور
يمكن لنموذج اتخاذ القرار متعدد الوسائط تصنيف ما إذا كانت صورة أو وثيقة تنتمي إلى فئة محددة مسبقًا، مثل فاتورة أو إيصال أو لقطة شاشة لطلب دعم. تحقق من أن نقطة النهاية المحددة تدعم تنسيق الإدخال ومعالجة الصور المطلوبين. يختلف التصنيف عن استخراج جميع الحقول من مستند؛ لذا تحقق مما إذا كان النموذج وواجهة برمجة التطبيقات المختاران يدعمان المهمتين.
التقييم وفق معايير محددة
يمكن للنموذج وضع إجابة ضمن مقياس متدرج باستخدام أوصاف مثل «أدلة أساسية مفقودة» و«مدعوم جزئيًا» و«مدعوم بالكامل». اختبر مدى اتفاق المراجعين مع التصنيفات، وما إذا كان النموذج يعامل الإجابات المتشابهة بصورة متسقة. تجنب عرض درجات التقييم باعتبارها قياسات موضوعية دون إجراء تحقق.
نماذج اتخاذ القرار المتاحة في كتالوج نماذج Felo
يتضمن كتالوج نماذج Felo عامل تصفية للمخرجات باسم Decisions. ووفقًا للقائمة المنشورة في 2 نوفمبر 2026، تشمل الأمثلة:
| النموذج المدرج في الكتالوج | الاستخدام الموصوف | المدخلات المعروضة في الكتالوج |
|---|---|---|
| TypeSafe Jev 1.14 | التوجيه والتصنيف والإشراف على المحتوى | النص والصورة؛ وتصف القائمة دعم الصور بأنه تجريبي |
| LiquidAI d1.1 | قرارات نعم/لا والاختيار والتقييم | النص والصورة |
| Baseten Joey 1 | التصنيف والتوجيه | النص والصورة |
| Perplexity Decider Flash V1.2 | التصنيف والتوجيه والتقييم | النص والصورة |
تعكس هذه الأوصاف محتوى الكتالوج، ولا تمثل اختبارات أداء مستقلة أو توصية بأن أحد النماذج هو الأفضل. قد يتغير التوفر ودعم الميزات وحدود السياق والتسعير. تحقق من القائمة الحالية ووثائق نقطة النهاية قبل بدء التطوير، خاصة عند استخدام الميزات التجريبية أو متعددة الوسائط. كما أن إدراج نموذج في الكتالوج لا يثبت بحد ذاته أن جميع ميزات واجهة برمجة التطبيقات الأصلية لمزود الخدمة متاحة عبر كل منصة.
كيفية تقييم نموذج اتخاذ القرار بالذكاء الاصطناعي
ابدأ بمهمة قرار محددة ومجموعة من الأمثلة التمثيلية ذات التصنيفات الموثوقة. أدرج الحالات الصعبة والفئات الأقل تمثيلًا والسياقات الناقصة والأمثلة التي تتطلب تدخلًا بشريًا. بعد ذلك، قارن النموذج بخط أساس بسيط أو نموذج تصنيف موجود أو نموذج لغة كبير يستخدم مخرجات منظمة.
لا تكتفِ بقياس الدقة:
- الدقة الإيجابية والاستدعاء (Precision and Recall): ما الأخطاء المهمة، وكم مرة تحدث في كل فئة؟
- المعايرة (Calibration): هل تتوافق الاحتمالات المتوقعة مع النتائج المرصودة عبر مجموعات الحالات؟
- التغطية (Coverage): ما نسبة الطلبات التي يمكن التعامل معها آليًا عند عتبة الثقة المحددة؟
- زمن الاستجابة والموثوقية (Latency and Reliability): هل يستوفي استدعاء واجهة برمجة التطبيقات بالكامل متطلبات بيئة الإنتاج؟
- التكلفة (Cost): ما تكلفة كل قرار مفيد، بما يشمل إعادة المحاولات والأسئلة المتعددة ومعالجة الصور والمراجعة البشرية؟
- المتانة (Robustness): هل يستمر الأداء عبر اللغات والتنسيقات والأمثلة غير المألوفة وتغير حركة الاستخدام؟
استخدم مجموعة اختبار منفصلة بعد ضبط التصنيفات والعتبات. وفي بيئة الإنتاج، سجّل النتائج عند الاقتضاء، وراجع حالات الاختلاف، وأعد التقييم عند تغيير إصدار النموذج أو السياسة أو توزيع المدخلات. وبالنسبة إلى القرارات ذات العواقب المهمة، صمّم آليات رقابة بشرية فعالة وتحقق من المتطلبات المعمول بها.
الأسئلة الشائعة
هل الذكاء الاصطناعي التمييزي هو نفسه نموذج اتخاذ القرار؟
ليس تمامًا. يشير الذكاء الاصطناعي التمييزي إلى نهج واسع للتنبؤ بهدف انطلاقًا من مدخل. أما نماذج اتخاذ القرار فهي فئة منتجات أحدث تركز على المخرجات محددة النطاق، مثل الاختيارات والدرجات والاحتمالات. تستخدم بعض نماذج اتخاذ القرار تقنيات تمييزية، لكن المصطلحين لا يصفان المفهوم نفسه.
هل يستطيع نموذج اللغة الكبير تصنيف المحتوى أو اتخاذ القرارات؟
نعم. يمكن توجيه نموذج لغة كبير توليدي لتصنيف المحتوى أو إرجاع مخرجات منظمة. ويتوقف تفوق نموذج متخصص في اتخاذ القرار من حيث الأداء أو السرعة أو التكلفة على المهمة والنموذج ومزود الخدمة وطريقة التقييم. اختبر كلا النوعين باستخدام أمثلتك الخاصة.
هل تكون احتمالات نماذج اتخاذ القرار دقيقة دائمًا؟
لا. قد ينتج النموذج احتمالات ضعيفة المعايرة على مجموعة بيانات أو فئة فرعية معينة. قِس المعايرة وعواقب الأخطاء قبل استخدام العتبات لأتمتة سير العمل.
متى ينبغي استخدام الذكاء الاصطناعي التوليدي بدلًا من ذلك؟
استخدم نموذجًا توليديًا عندما تتطلب المهمة صياغة محتوى أو شرحه أو تركيبه أو إنتاج محتوى مفتوح النهاية. في العديد من التطبيقات، يعمل نموذج اتخاذ القرار والنموذج التوليدي معًا: يتولى الأول التوجيه أو التصنيف، بينما ينشئ الثاني الاستجابة.
يمنح الذكاء الاصطناعي التمييزي المطورين وسيلة لإدراج قرارات صريحة وقابلة للقياس ضمن سير العمل. ابدأ بمهمة واحدة محددة، واختبر الأخطاء المهمة، وحدد مستوى الأتمتة الذي تدعمه الأدلة.
استكشف نماذج اتخاذ القرار في كتالوج Felo ←
تتوفر هذه المقالة أيضًا باللغات التالية: English, 简体中文, 日本語, 한국어, 繁體中文, हिन्दी, Français, Русский, اردو, Bahasa Indonesia, Deutsch, Tiếng Việt, Türkçe, Italiano, ไทย, Español, বাংলা and Português.