Large Action Models (LAM)

نماذج الإجراءات الكبيرة (LAM) هي فئة متقدمة من الذكاء الاصطناعي التوليدي المصممة لتتجاوز مجرد توليد النصوص من خلال تنفيذ المهام والتفاعل مع البيئات الرقمية بشكل مستقل. على عكس النماذج التقليدية التي تكتفي بمعالجة وإنتاج النصوص، تعمل LAMs كمحرك معرفي أساسي لـ وكلاء الذكاء الاصطناعي، حيث تترجم نوايا البشر إلى إجراءات ملموسة ومتعددة الخطوات. ومن خلال سد الفجوة بين فهم اللغة الطبيعية والتنفيذ في العالم الحقيقي، تمثل هذه النماذج قفزة كبيرة نحو الذكاء الاصطناعي العام (AGI) والأنظمة عالية الاستقلالية.

Link to this sectionكيفية عمل نماذج الإجراءات الكبيرة#

تعتمد LAMs على البنية التأسيسية لـ النماذج الأساسية التقليدية، لكنها مدربة خصيصاً للتفاعل مع البرمجيات وواجهات برمجة التطبيقات (APIs) وبيئات الويب. باستخدام تقنيات مثل التعلم التعزيزي واستدعاء الدوال، يمكن لنموذج LAM تقسيم طلب المستخدم المعقد إلى خطوات منطقية، والتنقل في واجهات المستخدم الرسومية، وتنفيذ نقاط نهاية واجهة برمجة التطبيقات. على سبيل المثال، توضح التطورات الأخيرة من استخدام الحاسوب في Claude 3.5 من Anthropic و عائلة xLAM من Salesforce كيف يمكن لهذه الأنظمة النقر على الأزرار، وملء النماذج، وإدارة سير العمل بشكل مستقل تماماً كما يفعل المشغل البشري.

عند اقترانها بأنظمة الرؤية الحاسوبية، تصبح LAMs أكثر قوة. يمكن معالجة المدخلات البصرية بواسطة نماذج عالية الكفاءة مثل Ultralytics YOLO26، مما يسمح لـ LAM بـ "رؤية" بيئتها، وتفسير السياق البصري، وتحفيز إجراءات برمجية محددة بناءً على ما تكتشفه.

Link to this sectionتطبيقات العالم الحقيقي#

تُحدث LAMs تحولاً في كيفية تعامل الصناعات مع أتمتة المهام، حيث تنتقل من المساعدة السلبية إلى التنفيذ النشط.

• الذكاء الاصطناعي في التجزئة ودعم العملاء: بدلاً من مجرد الإجابة على أسئلة العملاء، يمكن لنموذج LAM معالجة إرجاع المنتج بشكل مستقل. إذا طلب مستخدم إلغاء طلب، يمكن للنموذج التنقل في برنامج الفواتير الخاص بالشركة، والتحقق من السياسة، وإصدار المبلغ المسترد، وتحديث قاعدة بيانات المخزون دون تدخل بشري.
• الذكاء الاصطناعي في الرعاية الصحية والإدارة: في البيئات السريرية، تقوم LAMs بتنسيق سير العمل المعقد. فهي قادرة على استخراج طلبات المرضى، ومطابقتها مع توافر الأطباء، وتحديث السجلات الصحية الإلكترونية (EHR) تلقائياً من خلال البرامج الطبية الداخلية، وإتمام جدولة المواعيد.

Link to this sectionأتمتة سير عمل الرؤية باستخدام الكود#

غالباً ما يتم دمج LAMs مع نماذج الرؤية لأتمتة عمليات الفحص البصري. يوضح مثال Python التالي كيف يمكن لسير عمل LAM افتراضي الاستفادة من ultralytics لمسح صورة وتحفيز إجراء تلقائي للمخزون بناءً على نتائج اكتشاف الكائنات.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model for an agentic vision task
model = YOLO("yolo26n.pt")

# The LAM commands the model to scan a warehouse shelf image
results = model.predict("inventory_shelf.jpg")

# The LAM extracts actionable data to autonomously trigger a supply reorder
for result in results:
    detected_items = len(result.boxes)
    if detected_items < 10:
        print(f"Low inventory ({detected_items} items). Action triggered: Reordering supplies via API.")

يمكن للمستخدمين نشر ومراقبة هذه الأنواع من تدفقات العمل البصرية-الإجرائية المتكاملة بسلاسة باستخدام منصة Ultralytics، التي توفر بنية تحتية سحابية قوية لحلول الذكاء الاصطناعي الحديثة.

Link to this sectionالتمييز بين المفاهيم ذات الصلة#

لفهم مشهد الذكاء الاصطناعي الحديث بشكل كامل، من المفيد التمييز بين LAMs والمصطلحات الأخرى ذات الصلة:

• LAM مقابل نموذج اللغة الكبير (LLM): صُمم LLM بدقة لمعالجة اللغة وتلخيصها وتوليدها، تماماً مثل متنبئ نصوص متقدم جداً. يدمج LAM هذا الفهم اللغوي ولكنه مصمم خصيصاً للتفاعل مع الأدوات الخارجية وإكمال الإجراءات الرقمية.
• LAM مقابل الذكاء الاصطناعي الوكيل (Agentic AI): يصف "الذكاء الاصطناعي الوكيل" النظام الشامل أو الكيان البرمجي الذي يعمل بشكل مستقل. نموذج الإجراءات الكبير هو الشبكة العصبية الأساسية - "الدماغ" - التي تمنح الوكيل قدرته على التخطيط لتلك الإجراءات وتنفيذها.
• LAM مقابل RAG الوكيل (Agentic RAG): يركز RAG الوكيل على استرجاع المعلومات الخارجية وتوليفها بشكل مستقل لتحسين دقة الإجابة المولدة. بينما يركز LAM على معالجة الأنظمة وتغيير الحالات (مثل حجز رحلة طيران أو نقل ملفات) بدلاً من مجرد استرجاع البيانات.