Compound AI Systems

أنظمة الذكاء الاصطناعي المركبة هي تطبيقات ذكاء اصطناعي مبنية من مكونات متعددة متفاعلة بدلاً من نموذج واحد. قد يجمع النظام بين النماذج، وخدمات الاسترجاع، وقواعد البيانات، والقواعد الحتمية، والأدوات الخارجية، والمراجعة البشرية في سير عمل واحد منسق. في رؤية الكمبيوتر، على سبيل المثال، قد يكتشف نموذج واحد كائنات بينما تحافظ برامج التتبع على الهويات، وتفسر قواعد العمل الأحداث، وتراقب خدمات المراقبة أداء الإنتاج. الميزة الأساسية هي التركيب: ينشأ السلوك على مستوى النظام من كيفية تبادل الأجزاء للمعلومات واتخاذ القرارات.

كيف تعمل أنظمة الذكاء الاصطناعي المركبة#

يقسم النظام المركب مهمة أكبر إلى مراحل متخصصة. تشمل المكونات النموذجية المعالجة المسبقة للبيانات، ون نموذجاً أو أكثر للذكاء الاصطناعي، التخزين، ومنطق التحقق، واجهات برمجة التطبيقات، وواجهة التنسيق. تحدد العقود الواضحة، مثل تلك الموضحة في مواصفات OpenAPI، البيانات التي تقبلها كل خدمة وترجعها.

قد يكون التحكم حتمياً، حيث يستدعي الكود التقليدي المكونات بتسلسل ثابت، أو ديناميكياً، مع طبقة تنسيق وكلاء الذكاء الاصطناعي التي تختار الأدوات والمسارات وقت التشغيل. ينسق تنسيق الذكاء الاصطناعي التبعيات، وإعادة المحاولات، والموارد، وتدفق البيانات عبر التطبيق.

تشمل الأنماط الشائعة التوليد المعزز بالاسترجاع، حيث يوفر الاسترجاع السياق لنموذج اللغة، وخطوط أنابيب دمج المستشعرات التي تجمع بين الكاميرات، أو الرادار، أو المدخلات الأخرى. التحول الأوسع من النماذج المعزولة نحو الأنظمة المتكاملة موصوف في نظرة عامة على أنظمة الذكاء الاصطناعي المركبة من أبحاث الذكاء الاصطناعي في بيركلي. (bair.berkeley.edu)

لماذا تهم الأنظمة المركبة#

يسمح التركيب للمطورين بتحسين التطبيق دون إعادة تدريب نموذج ضخم واحد. يمكن استبدال مكون متخصص، أو تحجيمه، أو تحسينه بينما يظل باقي سير العمل مستقراً. يمكن أن توفر القواعد ومراحل التحقق أيضاً تحكماً أكثر من الاعتماد كلياً على مخرجات النموذج الاحتمالي.

تقدم هذه الفوائد مفاضلات على مستوى النظام:

• انتشار الفشل: قد يؤثر الاكتشاف غير الصحيح، أو الاسترجاع الفاشل، أو واجهة برمجة التطبيقات غير المتاحة على كل قرار لاحق.
• التأخير والتكلفة: تستهلك كل استدعاء للنموذج، وطلب شبكة، ومرحلة التحقق جزءاً من ميزانية الاستجابة الإجمالية.
• انحراف واجهة الاستخدام: قد يؤدي تحديث خدمة واحدة إلى تغيير تنسيق مخرجاتها أو افتراضاتها وكسر مكون آخر بصمت.
• التقييم الصعب: المكون القوي لا يضمن نتيجة قوية من البداية إلى النهاية.

وبالتالي، يجب أن تغطي عمليات التعلم الآلي سير العمل بالكامل. توضح إرشادات المراقبة من OpenTelemetry كيف تكشف الآثار، والمقاييس، والسجلات عن ما حدث عبر الخدمات الموزعة، بينما يمكن لـ تتبع تجارب MLflow تسجيل تكوينات النموذج ونتائج التقييم. (opentelemetry.io)

المفاهيم ذات الصلة والاختلافات الرئيسية#

نظام الذكاء الاصطناعي المركب ليس مجرد اسم آخر لنموذج معقد.

يجمع تجميع النماذج التنبؤات من نماذج متعددة، غالباً من خلال التصويت، أو الحساب المتوسط، أو التراكم. يمكن أن يكون التجميع مكوناً واحداً داخل نظام مركب، لكنه عادة يفتقر إلى قواعد البيانات، والأدوات، ومنطق سير العمل، والخدمات التشغيلية.

يتيح سير العمل الموجه للنماذج اختيار الإجراءات أو الأدوات بشكل مستقل. الأنظمة المركبة أوسع: الكثير منها يستخدم خطوط أنابيب ثابتة، أو خدمات مدفوعة بالاحداث، أو موافقة بشرية بدون وكلاء مستقلين.

وبالمثل، فإن RAG هو نمط مركب معين يتضمن الاسترجاع والتوليد. يمكن للذكاء الاصطناعي المركب أيضاً تنسيق رؤية الكمبيوتر، والتنبؤ، والتحسين، والروبوتات، والبرمجيات التقليدية دون استخدام نموذج لغة.

تطبيقات العالم الحقيقي#

• الفحص البصري للتصنيع: تلتقط كاميرا المنتجات، ويكتشف نموذج Ultralytics YOLO26 العيوب، يتحقق المنطق القائم على القواعد من الخطورة والموقع، ويرفض نظام الإنتاج كل عنصر أو يوافق عليه. قد يتم توجيه الحالات غير المؤكدة إلى مفتش بشري، بينما تدعم الصور المخزنة إعادة التدريب اللاحق.

• تحليلات حركة المرور والمواقف: يحدد الاكتشاف المركبات، ويحافظ التتبع متعدد الكائنات على الهويات عبر الإطارات، ويحدد المنطق الهندسي إشغال الممر أو منطقة وقوف السيارات، وتجمع لوحات المعلومات العدد والتنبيهات. يمكن أن تتسبب الأخطاء في تكرار العدد، أو تفويت أحداث الازدحام، أو تقديرات التوافر غير الصحيحة، لذا يجب اختبار كل مرحلة معاً.

يوضح المثال المبسط التالي الإدراك الذي يغذي منطق القرار الحتمي:

from ultralytics import YOLO

# Perception component
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Policy component
person_class = next(i for i, name in result.names.items() if name == "person")
person_count = int((result.boxes.cls == person_class).sum())
decision = "review" if person_count >= 4 else "continue"

print({"people_detected": person_count, "next_step": decision})
result.save(filename="compound_system_input.jpg")

هنا، ينتج YOLO ملاحظات منظمة، بينما يحدد منطق السياسة المنفصل الإجراء التالي. يمكن لنظام الإنتاج إضافة التخزين، والإشعارات، وضوابط الوصول، أو المراجعة البشرية.

إرشادات التصميم العملي#

ابدأ بهدف قابل للقياس من البداية إلى النهاية، ثم عين لكل مكون مسؤولية واحدة واضحة. حدد المخططات ومهلات الانتظار عند كل حدود، واختبر المكونات بشكل مستقل، وقيم سير العمل الواقعي بدلاً من دقة النموذج وحدها.

استخدم الآثار لمتابعة الطلبات الفردية، وحدد ميزانيات التأخير والتكلفة، وقم بتوفير عمليات إعادة محاولة أو بدائل آمنة للخدمات غير المتاحة. توضح مجسات صحة Kubernetes كيف يمكن للخدمات المنشورة كشف إشارات الجاهزية والحيوية.

يجب أن تعالج ضوابط المخاطر النظام بأكمله، بما في ذلك الوصول إلى البيانات، والأدوات الخارجية، والتجاوزات البشرية، والعواقب اللاحقة. توفر إطار إدارة مخاطر الذكاء الاصطناعي من NIST إرشادات موجهة نحو دورة الحياة لحوكمة، وقياس، وإدارة هذه المخاطر. يمكن للفرق استخدام منصة Ultralytics لربط تعليقات مجموعات البيانات، والتدريب، والنشر، ومراقبة الإنتاج لمكونات الرؤية داخل تطبيق مركب أوسع. (nist.gov)