Compound AI Systems

أنظمة الذكاء الاصطناعي المركّبة هي تطبيقات ذكاء اصطناعي مبنية من مكوّنات متعددة متفاعلة، وليست نموذجًا واحدًا. قد يجمع النظام بين النماذج، وخدمات الاسترجاع، وقواعد البيانات، والقواعد الحتمية، والأدوات الخارجية، والمراجعة البشرية ضمن سير عمل واحد منسّق. في الرؤية الحاسوبية، على سبيل المثال، قد يكتشف أحد النماذج الكائنات، بينما تحافظ برمجيات التتبّع على الهويات، وتفسّر قواعد الأعمال الأحداث، وتراقب خدمات الرصد أداء النظام في بيئة الإنتاج. وتتمثل السمة المميّزة في التركيب؛ إذ ينشأ السلوك على مستوى النظام من طريقة تبادل الأجزاء للمعلومات واتخاذها للقرارات.

كيفية عمل أنظمة الذكاء الاصطناعي المركّبة#

يقسّم النظام المركّب مهمة أكبر إلى مراحل متخصصة. وتشمل المكوّنات النموذجية المعالجة المسبقة للبيانات، ونموذجًا واحدًا أو أكثر من نماذج الذكاء الاصطناعي، والتخزين، ومنطق التحقق، وواجهات برمجة التطبيقات، وطبقة تنسيق. وتحدّد العقود الواضحة، مثل تلك الموضّحة في مواصفة OpenAPI، البيانات التي تقبلها كل خدمة وتُرجعها.

قد تكون آلية التحكم حتمية، بحيث تستدعي الشفرة التقليدية المكوّنات بترتيب ثابت، أو ديناميكية، بحيث تختار طبقة تنسيق وكلاء الذكاء الاصطناعي الأدوات والمسارات أثناء التشغيل. وينسّق تنسيق الذكاء الاصطناعي التبعيات، وإعادة المحاولات، والموارد، وتدفق البيانات عبر التطبيق.

تشمل الأنماط الشائعة التوليد المعزّز بالاسترجاع، حيث يوفّر الاسترجاع سياقًا لنموذج لغوي، وخطوط معالجة دمج المستشعرات التي تجمع بين الكاميرات والرادار أو المدخلات الأخرى. ويصف الاستعراض العام لأنظمة الذكاء الاصطناعي المركّبة من Berkeley AI Research التحول الأوسع من النماذج المعزولة إلى الأنظمة المتكاملة. (bair.berkeley.edu)

أهمية الأنظمة المركّبة#

يتيح التركيب للمطورين تحسين التطبيق دون إعادة تدريب نموذج واحد ضخم. ويمكن استبدال مكوّن متخصص أو توسيع نطاقه أو تحسينه، مع بقاء بقية سير العمل مستقرًا. كما يمكن لمراحل القواعد والتحقق أن توفر تحكمًا أكبر من الاعتماد الكامل على مخرجات النماذج الاحتمالية.

تُدخل هذه الفوائد مفاضلات على مستوى النظام:

• انتشار الأعطال: يمكن أن يؤثر اكتشاف غير صحيح، أو فشل في الاسترجاع، أو واجهة برمجة تطبيقات غير متاحة في كل قرار لاحق.
• زمن الاستجابة والتكلفة: تستهلك كل استدعاءات النماذج، وطلبات الشبكة، ومراحل التحقق جزءًا من إجمالي ميزانية الاستجابة.
• انجراف الواجهات: قد يؤدي تحديث إحدى الخدمات إلى تغيير تنسيق مخرجاتها أو افتراضاتها، مما يعطّل مكوّنًا آخر بصمت.
• صعوبة التقييم: لا يضمن وجود مكوّن قوي الحصول على نتيجة قوية من البداية إلى النهاية.

وبناءً على ذلك، يجب أن تغطي عمليات تعلّم الآلة سير العمل بأكمله. توضّح إرشادات قابلية الرصد من OpenTelemetry كيف تكشف آثار التتبّع، والمقاييس، والسجلات ما حدث عبر الخدمات الموزعة، بينما يمكن لـ تتبّع التجارب باستخدام MLflow تسجيل إعدادات النماذج ونتائج التقييم. (opentelemetry.io)

المفاهيم ذات الصلة والفروق الرئيسية#

نظام الذكاء الاصطناعي المركّب ليس مجرد اسم آخر لنموذج معقّد.

يجمع تجميع النماذج التنبؤات الصادرة عن نماذج متعددة، غالبًا من خلال التصويت أو حساب المتوسط أو التكديس. ويمكن أن يكون التجميع مكوّنًا واحدًا داخل نظام مركّب، لكنه يفتقر عادةً إلى قواعد البيانات، والأدوات، ومنطق سير العمل، والخدمات التشغيلية.

يتيح سير العمل القائم على الوكلاء للنماذج اختيار الإجراءات أو الأدوات بصورة مستقلة. أما الأنظمة المركّبة فهي أوسع نطاقًا؛ إذ يستخدم كثير منها خطوط معالجة ثابتة، أو خدمات مدفوعة بالأحداث، أو موافقة بشرية دون وكلاء مستقلين.

وبالمثل، يُعد RAG نمطًا مركّبًا محددًا يتضمن الاسترجاع والتوليد. ويمكن للذكاء الاصطناعي المركّب أيضًا تنسيق الرؤية الحاسوبية، والتنبؤ، والتحسين، والروبوتات، والبرمجيات التقليدية دون استخدام نموذج لغوي.

التطبيقات الواقعية#

• الفحص البصري في التصنيع: تلتقط كاميرا صور المنتجات، ويكتشف نموذج Ultralytics YOLO26 العيوب، ويتحقق المنطق القائم على القواعد من شدتها وموقعها، ثم يرفض نظام الإنتاج كل عنصر أو يوافق عليه. وقد تُحال الحالات غير المؤكدة إلى مفتش بشري، بينما تدعم الصور المخزّنة إعادة التدريب لاحقًا.

• تحليلات حركة المرور ومواقف السيارات: يحدد الاكتشاف المركبات، ويحافظ تتبّع الكائنات المتعددة على الهويات عبر الإطارات، ويحدد المنطق الهندسي إشغال المسار أو منطقة الانتظار، وتجمع لوحات المعلومات الأعداد والتنبيهات. وقد تتسبب الأخطاء في عدّ مزدوج، أو عدم رصد أحداث الازدحام، أو تقديرات غير صحيحة للتوافر؛ لذلك يجب اختبار كل مرحلة مع المراحل الأخرى.

يوضح المثال المبسّط التالي كيف تغذي عملية الإدراك منطقَ اتخاذ 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")

ينتج YOLO هنا ملاحظات منظّمة، بينما يحدد منطق السياسات المنفصل الإجراء التالي. ويمكن لنظام الإنتاج إضافة التخزين، والإشعارات، وضوابط الوصول، أو المراجعة البشرية.

إرشادات التصميم العملية#

ابدأ بهدف قابل للقياس من البداية إلى النهاية، ثم أسند إلى كل مكوّن مسؤولية واضحة واحدة. حدّد المخططات الزمنية والمهلات عند كل حد فاصل، واختبر المكوّنات بصورة مستقلة، وقيّم مسارات العمل الواقعية بدلًا من الاقتصار على دقة النموذج.

استخدم آثار التتبّع لمتابعة الطلبات الفردية، وحدد ميزانيات لزمن الاستجابة والتكلفة، ووفر آليات لإعادة المحاولة أو بدائل آمنة للخدمات غير المتاحة. وتوضح اختبارات الصحة في Kubernetes كيف يمكن للخدمات المنشورة كشف إشارات الجاهزية والحيوية.

ينبغي لضوابط المخاطر معالجة النظام بأكمله، بما في ذلك الوصول إلى البيانات، والأدوات الخارجية، والتجاوزات البشرية، والعواقب اللاحقة. ويوفر إطار NIST لإدارة مخاطر الذكاء الاصطناعي إرشادات موجهة نحو دورة الحياة لحوكمة هذه المخاطر وقياسها وإدارتها. ويمكن للفرق استخدام Ultralytics Platform لربط وسم مجموعات البيانات، والتدريب، والنشر، ومراقبة الإنتاج لمكوّنات الرؤية ضمن تطبيق مركّب أوسع. (nist.gov)