Compound AI Systems

نظام الذكاء الاصطناعي المركّب تطبيق يحل مهمة باستخدام عدة مكونات متفاعلة، مثل استدعاءات متعددة للنماذج، وأدوات استرجاع، وأدوات خارجية، وقواعد، ومراجعة بشرية، بدلًا من استدعاء نموذج واحد مرة واحدة. أطلق Matei Zaharia وزملاؤه من Berkeley وStanford وDatabricks ومجموعات أخرى اسمًا على هذا التوجه في منشور لأبحاث الذكاء الاصطناعي في Berkeley في فبراير 2024، مشيرين إلى أن النتائج المتقدمة باتت تأتي على نحو متزايد من الأنظمة لا من النماذج أحادية البنية. ومن أمثلتهم AlphaCode 2، الذي يولّد ما يصل إلى مليون برنامج مرشح باستخدام نماذج اللغة الكبيرة (LLMs) ثم يرشحها ويقيّمها؛ وAlphaGeometry، الذي يجمع LLM مع محرك استنتاج رمزي لحل مسائل الهندسة الأولمبية؛ وChatGPT، الذي يقرر نموذجه متى يتصفح الويب أو يشغّل Python أو ينشئ صورة. ويستشهد المنشور نفسه ببيانات Databricks التي تظهر أن 60% من تطبيقات LLM تستخدم شكلًا من التوليد المعزز بالاسترجاع (RAG)، وأن 30% تستخدم سلاسل متعددة الخطوات.

لماذا نبني أنظمة بدلًا من نماذج أكبر؟#

• تحسين الجودة بتكلفة أقل: يمكن لأخذ العينات والتصويت والتحقق رفع الدقة بتكلفة أقل من تدريب نموذج أكبر. أفادت Google بأن Gemini Ultra حقق 90.04% على معيار MMLU باستخدام CoT@32، الذي يأخذ عينات من 32 إجابة لسلسلة التفكير ويعيد الإجابة الأغلبية عندما تتفق إجابات كافية، مقابل 86.4% لـGPT-4 باستخدام توجيه بخمس أمثلة.
• البيانات الحديثة: تتوقف معارف النموذج عند تاريخ انقطاع بيانات تدريبه، بينما يوفّر مسترجع أو قاعدة بيانات متجهية معلومات حديثة أو خاصة أو خاضعة لضوابط الوصول وقت الاستعلام.
• التحكم والثقة: تجعل المرشحات وضوابط أمان الذكاء الاصطناعي والاستشهادات وخطوات التحقق تقييد السلوك أسهل من توجيه نموذج واحد والأمل في امتثاله.
• أهداف التكلفة: يوزّع توجيه النماذج الطلبات السهلة على النماذج الصغيرة والطلبات الصعبة على النماذج الكبيرة، ما يتيح لكل تطبيق اختيار الموازنة التي تناسبه بين الجودة وزمن الاستجابة والسعر.

يمكن لمسار طلب واحد الجمع بين الأفكار الأربع كلها:

الأنظمة المركّبة في الرؤية الحاسوبية#

تكون تطبيقات الرؤية في بيئة الإنتاج مركّبة افتراضيًا تقريبًا: إذ يكشف الكاشف الأجسام، ويتعقبها متعقب عبر الإطارات، وتحول القواعد الهندسية المواقع إلى أحداث، ثم يتعامل التخزين والتنبيهات مع تلك الأحداث. تجمع حلول Ultralytics عدة أنظمة من هذا النوع حول نموذج YOLO26: إذ يجمع عدّ الأجسام بين الكشف وتتبع الأجسام المتعددة واختبار خط أو منطقة يعدّ كل معرّف مسار مرة واحدة عند دخوله أو خروجه، بينما يرسل نظام الإنذار الأمني إطارًا بالبريد الإلكتروني عند بلوغ عدد الاكتشافات الظاهرة حدًا معينًا. وتتبع خطوط المعالجة الأصغر النمط نفسه، إذ ينتج النموذج ملاحظات منظّمة تتعامل معها منطقية منفصلة:

from ultralytics import YOLO

# ⁨مكوّن الإدراك: يحوّل الكاشف وحدات البكسل إلى ملاحظات منظّمة⁩
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
detections = results[0].summary()

# ⁨مكوّن السياسة: تقبل القواعد الحتمية الاكتشافات الواثقة وتعلّم على غير المؤكدة⁩
accepted = [d["name"] for d in detections if d["confidence"] >= 0.5]
uncertain = [d["name"] for d in detections if d["confidence"] < 0.5]

# ⁨مكوّن التوجيه: تُحال النتائج غير المؤكدة إلى شخص بدلًا من الأتمتة اللاحقة⁩
action = "human review" if uncertain else "auto-approve"
print({"accepted": accepted, "uncertain": uncertain, "action": action})

يصدر القرار المطبوع عن قواعد يستطيع المراجع قراءتها وتغييرها دون إعادة تدريب النموذج، كما أن تسمية الصور غير المؤكدة التي يوجّهها إلى الأشخاص تضيف بيانات تدريب للنموذج التالي في حلقة التعلم النشط.

بناء الأنظمة المركّبة وتشغيلها#

تتضاعف الأخطاء بين المكونات: فثلاث مراحل تبلغ دقة كل منها 90% تنتج نتيجة صحيحة من البداية إلى النهاية في نحو 73% من الحالات فقط؛ لذا تقيس الفرق النظام كاملًا على مجموعة مهام ثابتة بدلًا من قياس كل جزء وحده. وتحتاج المكونات التي لا يمكن تدريبها باستخدام التدرجات، مثل محركات البحث والقواعد، إلى أدوات تحسين أخرى؛ إذ تضبط أطر مثل DSPy كل توجيه في خط المعالجة وفق مقياس واحد شامل من البداية إلى النهاية. وفي بيئة الإنتاج، تتبع آثار قابلية الرصد كل طلب خلال كل استدعاء نموذج وأداة، وتُطبّق ممارسات عمليات التعلم الآلي (MLOps) مثل تعيين الإصدارات ومراقبة النماذج على كل مكوّن، لأن تحديث أحدها قد يغيّر مدخلات المكوّن التالي دون أن يُلاحظ ذلك.

الذكاء الاصطناعي المركّب والمصطلحات ذات الصلة#

• تجميع النماذج: يجمع تنبؤات عدة نماذج للمدخل نفسه في مخرج واحد، ما يجعل التجميع أحد الأنماط التي قد يتضمنها النظام المركّب.
• سير العمل الوكيلي: أنظمة مركّبة يقرر فيها النموذج تدفق التحكم وقت التشغيل، باختيار الأدوات والخطوات. تستخدم أنظمة مركّبة كثيرة خطوط معالجة ثابتة لا تتضمن مثل هذه القرارات.
• مزيج الخبراء (MoE): يوجّه الرموز بين شبكات فرعية خبيرة داخل نموذج واحد تُدرَّب أجزاؤه معًا. أما الأنظمة المركّبة فتوجّه الطلبات بين مكونات بُنيت ونُشرت كلٌّ على حدة.