لا تجعل منتجك المعتمد على الذكاء الاصطناعي رهين نموذج واحد

منتجك المعتمد على الذكاء الاصطناعي يحتاج إلى خطة مجرّبة عندما يتعذر الوصول إلى النموذج الأساسي. إضافة اسم نموذج بديل في الإعدادات لا تكفي.

حدّد المهام التي يمكن نقلها إلى البديل، والمهام التي تحتاج إلى مراجعة بشرية، وتلك التي يجب إيقافها مؤقتاً. اختبر هذه القرارات قبل أن يعتمد المستخدمون على الميزة.

ماذا تعلّمنا من تعليق الوصول في 2026؟

في 12 يونيو 2026، أعلنت Anthropic تعليق وصول العملاء إلى Fable 5 وMythos 5 امتثالاً لتوجيه حكومي أمريكي، مع استمرار إتاحة نماذجها الأخرى. ثم أعلنت إعادة إتاحة النموذجين في 1 يوليو. راجع بيان التعليق وتحديثات الإصدار.

عاد الوصول، لكن السؤال الهندسي ما زال قائماً: كيف كان منتجك سيعمل خلال فترة الانقطاع؟

قد تتغير إتاحة الخدمة بسبب عطل أو قرار تجاري أو متطلب تنظيمي. صمّم منتجك على هذا الأساس، ولا تفترض أن أي مزوّد سيقدم الخدمة نفسها دائماً.

ست خطوات لتجهيز البدائل

1. افصل المهمة عن مزوّد النموذج

حدّد ما يحتاج المنتج إلى إنجازه: تلخيص مستند، أو استخراج بيانات، أو صياغة رد، أو مراجعة إجابة.

اجمع طلبات الاتصال الخاصة بكل مزوّد خلف واجهة برمجية موحّدة. بذلك يستطيع الفريق تغيير المزوّد دون إعادة كتابة سير العمل بالكامل.

2. حدّد المسار المناسب لكل مهمة

تلخيص نص قصير واتخاذ قرار توظيف حساس لا يحتاجان إلى المعالجة نفسها. ضع متطلبات واضحة للدقة وسرعة الاستجابة والتكلفة والتعامل مع البيانات.

استخدم هذه المتطلبات لتحديد ما إذا كانت المهمة ستذهب إلى النموذج الأساسي أو البديل أو إلى شخص يراجعها. انخفاض التكلفة مفيد فقط عندما يلبّي المسار متطلبات المهمة.

3. اختبر البديل قبل أن تحتاج إليه

جرّب النموذج الاحتياطي على مهام تمثّل الاستخدام الفعلي. سجّل الحالات التي ينجح فيها والحالات التي لا يحقق فيها المستوى المطلوب.

راجع أيضاً ترتيبات الوصول إليه، وقدرته على استيعاب حجم العمل، وشروط التعامل مع البيانات. البديل الذي لا يمكنه معالجة البيانات المعنية أو تحمّل حجم الطلبات لن ينفعك عند الحاجة.

مثال توضيحي: قد تنتقل ميزة تلخيص المستندات إلى مزوّد آخر بعد اجتياز اختبارات الدقة نفسها. أما التوصية ذات الأثر الكبير، فقد تحتاج إلى التوقف لحين مراجعتها بشرياً. هذه قرارات تصميم يجب اختبارها، وليست ضماناً بأن كل نموذج يستطيع تنفيذ المهمتين.

4. عرّف الجودة المقبولة

احتفظ بمجموعة أمثلة لها نتائج متوقعة، تشمل الحالات الصعبة. افحص صحة المعلومات، وما قد يغيب منها، والتنسيق، والمخاطر الخاصة بالمهمة.

حدّد مستوى القبول قبل مقارنة النماذج. وأعد الاختبارات عند تغيير النموذج أو التعليمات أو سير العمل. وصول الإجابة بنجاح لا يعني أنها صحيحة.

5. قدّم للمستخدم بديلاً واضحاً

عندما تتعطل الميزة المعتادة، وضّح للمستخدم خطوته التالية. بحسب المهمة، قد ينتظر المعالجة، أو يستخدم ميزة أبسط، أو يطلب مراجعة يدوية.

لا تعرض نتيجة أقل جودة وكأنها مماثلة للنتيجة المعتادة. إذا تعذّر إنجاز المهمة بالدقة المطلوبة، قل ذلك بوضوح واحفظ عمل المستخدم متى كانت هذه الإمكانية متاحة في المنتج.

6. حدّد المسؤول عن التعامل مع الانقطاع

عيّن من يقرر الانتقال إلى البديل أو إيقاف الميزة أو استعادتها. جهّز رسائل المستخدمين ومساراً داخلياً لتصعيد المشكلات.

راقب جودة الإجابات إلى جانب استمرارية الخدمة. قد يظل النظام متصلاً، بينما تنتج عنه إجابات لم تعد تحقق معاييرك.

احتفظ بالمعرفة الأساسية داخل فريقك

ينبغي أن يحتفظ الفريق بتعريفات المهام، وأمثلة التقييم، ومعايير الجودة، وقرارات التشغيل. حدّث هذه المواد وأتحها لمن يتولى صيانة المنتج.

هذا لا يعني أن على كل شركة تدريب نموذج خاص بها. المقصود أن يستطيع الفريق تقييم أي بديل بأدلته ومعاييره، دون البدء من الصفر كلما تغيّر المزوّد.

ماذا يعني ذلك في التوظيف؟

عند توظيف شخص للعمل على منتج ذكاء اصطناعي، اطلب منه شرح طريقة التعامل مع انقطاع النموذج أو تراجع جودة الإجابات. ابحث عن قرارات واضحة تخص الاختبار والخصوصية والتواصل مع المستخدم والمراجعة البشرية.

وللمرشحين: اعرض في ملف أعمالك مثالاً يوضح المهمة والاختبارات وما حدث عند تعطل النموذج المفضّل. هذا يبيّن قدراتك أكثر من مجرد إتقان أداة واحدة.

وإذا كان مسار التوظيف يعتمد على مقابلة فيديو آلية، اقرأ لماذا قد لا تعكس مقابلة الفيديو حقيقة المرشح.

قبل الإصدار القادم

دوّن إجابات أربعة أسئلة:

• ما الذي سيتوقف إذا تعذر الوصول إلى النموذج الأساسي؟
• أي بديل اجتاز اختباراتنا، ولأي مهام تحديداً؟
• ماذا سيرى المستخدم وماذا سيفعل خلال الانقطاع؟
• من يملك قرار الانتقال إلى البديل أو الإيقاف أو الاستعادة؟

إذا غابت إجابة، حوّلها إلى مهمة محددة قبل الاعتماد على الميزة في التشغيل الفعلي.