أصبح الذكاء الاصطناعي محركاً أساسياً للابتكار، ولكنه يُخلف أيضاً أثراً بيئياً متزايداً. ومع توسع المؤسسات في استخدام الذكاء الاصطناعي، لم يعد السؤال هو ما إذا كان ينبغي تبنيه، بل كيف يتم ذلك بمسؤولية.
يتطلب بناء نهج أكثر استدامة للذكاء الاصطناعي إعادة النظر في دورة حياة الذكاء الاصطناعي بأكملها والجهات المعنية. بالنسبة للمؤسسات التي تستخدم الذكاء الاصطناعي داخليًا وتطور حلولًا مدعومة به، يتجلى ذلك في إجراءين رئيسيين…
أولًا، يمكنها تقليل الأثر البيئي من خلال تشجيع عادات الاستخدام المسؤول. يشمل ذلك رفع مستوى الوعي بالآثار البيئية للذكاء الاصطناعي، ونشر إرشادات الاستخدام الرشيد، وتدريب الموظفين على استخدام الأدوات بكفاءة من خلال تطبيق أفضل الممارسات الهندسية. تساعد هذه التعديلات البسيطة في الحد من العمليات الحسابية غير الضرورية وتقليل نمو البنية التحتية.
ثانيًا، في مرحلة التصميم، ينبغي على الفرق دمج الاستدامة في التصميم من خلال اختيار حالات الاستخدام التي تتطلب الذكاء الاصطناعي فعليًا، واختيار نماذج ذات أحجام مناسبة، وبناء بنى فعالة، وإعطاء الأولوية للموردين ذوي الالتزامات البيئية القوية، وتفضيل البنية التحتية منخفضة الكربون أو المحلية. لهذه القرارات تأثير دائم طوال دورة حياة الحل، حيث تؤثر على التكلفة والأداء وتعقيد الصيانة والبصمة البيئية الإجمالية.
من خلال هذا المنظور الأوسع، تبرز إحدى أهم الأدوات المؤثرة للحد من تأثير الذكاء
الاصطناعي التوليدي: نماذج اللغة المصغرة (SLMs). فمن خلال إعطاء الأولوية للكفاءة والتحكم والتصميم الهادف، تُمكّن نماذج اللغة المصغرة من نشر الذكاء الاصطناعي بشكل أكثر أمانًا ومسؤولية بيئية، مما يُمثل تحولًا جوهريًا في كيفية تعامل المؤسسات مع تقنيات اللغة.
لماذا بدأ هذا القطاع ببرامج الماجستير في القانون ولماذا يشهد تحولاً؟
هيمنت نماذج اللغة الكبيرة (LLMs) على الموجة الأولى من تبني الذكاء الاصطناعي التوليدي في المؤسسات. فقد مكّنت هذه النماذج المؤسسات من تجربة حالات استخدام مختلفة بسرعة، مثل توليد المحتوى، ووكلاء المحادثة، واسترجاع المعرفة، دون الحاجة إلى وقت طويل أو خبرة متخصصة. هذه المرونة، إلى جانب الضجة الإعلامية الكبيرة التي أثيرت حولها في البداية، جعلت نماذج اللغة الكبيرة نقطة انطلاق طبيعية للعديد من مبادرات التحول الرقمي. مع ذلك، ومع انتقال المؤسسات من مرحلة التجريب إلى مرحلة النشر الفعلي، بدأت تظهر بوضوح قيود نماذج اللغة الكبيرة.
القيود العملية لبرامج إدارة التعلم في بيئات المؤسسات
تتمتع برامج الماجستير في القانون بقوة كبيرة، لكن حجمها يخلق تحديات تشغيلية كبيرة:
1. عبء حسابي مرتفع:
قد يصبح استخدام نماذج التعلم الآلي من خلال واجهات برمجة التطبيقات الخارجية مكلفًا للغاية، حيث تُحاسب كل طلبية بناءً على عدد رموز الإدخال في الطلبية ورموز الإخراج المُولَّدة. في الأنظمة المعقدة، حيث قد تكون الطلبات طويلة، أو سلاسل الاستدلال عميقة، أو حيث تتداخل استدعاءات النماذج المتعددة، يمكن أن تتصاعد هذه التكاليف بسرعة كبيرة. علاوة على ذلك، فإن الاعتماد على مزودي الذكاء الاصطناعي الخارجيين يعني أن ميزانيتك التشغيلية معرضة لتغيرات مفاجئة في الأسعار، مما يخلق تبعية مالية واستراتيجية يصعب على المؤسسات التحكم بها.
2. قيود زمن الاستجابة:
نظراً لحجمها، تواجه نماذج التعلم العميق صعوبة في تلبية متطلبات زمن الاستجابة لسير العمل المؤسسي الحساس للوقت بشكل مستمر. عندما تكون أجزاء الثانية مهمة، يصبح وزن النموذج عائقاً رئيسياً.
3. مخاطر خصوصية البيانات وسيادتها:
يتم الوصول إلى معظم أنظمة إدارة دورة حياة البيانات (LLM) عبر واجهات برمجة تطبيقات سحابية تابعة لجهات خارجية. بالنسبة لقطاعات مثل الرعاية الصحية والمالية والحكومية، يُشكل إرسال البيانات الحساسة إلى أنظمة خارجية مخاطر تتعلق بالامتثال لقواعد السرية والسيادة. بالنسبة للعديد من المؤسسات، يُعد هذا الخطر غير مقبول بتاتًا.
4. محدودية التخصص في المهام:
لا تُعدّ نماذج التعلم الآلي العامة مُحسّنة بطبيعتها للسياقات الخاصة بمجالات محددة. ويتطلب تحسينها موارد كثيرة، وقد ينتج عنه نتائج غير متسقة أو أخطاء واقعية أو حتى أوهام. وفي البيئات الخاضعة للتنظيم أو ذات المخاطر العالية، لا يُمكن التسامح مع مثل هذه الأخطاء.
نموذج اللغة المصغر (SLM) هو نموذج لغوي صغير الحجم وموجه نحو غرض محدد، مصمم لأداء مهام معينة بكفاءة، بدلاً من محاولة التعامل مع كل مهمة لغوية ممكنة كما تفعل نماذج اللغة الكبيرة (LLMs).
يمكن تصنيف نماذج اللغة المصغرة إلى ثلاث مجموعات رئيسية، كل منها مُحسَّن لتلبية احتياجات تنظيمية مختلفة:
1. النماذج المُصغّرة
: تم إنشاء هذه النماذج من خلال ضغط المعرفة من نموذج “معلم” أكبر، وهي تحتفظ بالكثير من القدرات الأصلية ولكن بحجم أصغر بكثير. وهي تُوازن بين الأداء والكفاءة.
2. نماذج خاصة بالمهام:
تم ضبط هذه النماذج بدقة عالية لمجالات ضيقة، مثل التلخيص الطبي، أو تصنيف المستندات القانونية، أو دعم العملاء الخاص بالصناعة، وهي توفر دقة عالية في الوظائف المستهدفة.
3. بنى خفيفة الوزن:
تم تصميم هذه النماذج من الصفر مع مراعاة الكفاءة، وتتضمن تحسينات معمارية لزيادة الأداء إلى أقصى حد مع تقليل الموارد.
تُغير أنظمة إدارة دورة حياة البرمجيات (SLMs) قواعد اللعبة: فبدلاً من محاولة القيام بكل شيء، فإنها تتفوق في القيام بالأشياء الصحيحة، بشكل أسرع وأرخص وبمزيد من التحكم.
قابل للتخصيص ومصمم خصيصًا للمجال
بفضل بنيتها المدمجة والمصممة خصيصًا، يسهل تخصيص نماذج التعلم المكاني (SLMs) لمجالات محددة، مما يتيح للمؤسسات دمج المصطلحات الخاصة بالصناعة، وتحسين الدقة في سير العمل المتخصص، وتقليل الهلوسات من خلال بيانات تدريب أضيق وأعلى جودة.
ومع تزايد نسبة بيانات المؤسسات التي تتم معالجتها محليًا، تُعدّ أنظمة إدارة دورة حياة البرمجيات (SLMs) خيارًا مثاليًا لأحمال العمل الطرفية.
تتيح هذه الأنظمة أنماطًا معمارية جديدة تتوافق مع أولويات المؤسسات
-في الموقع: لتحقيق أقصى قدر من التحكم في البيانات والامتثال.
-الحافة: لأحمال العمل الأولية في الوقت الفعلي ودون اتصال بالإنترنت.
-هجين: يجمع بين المعالجة المحلية للمهام الروتينية والحوسبة السحابية للتدريب على نطاق واسع أو اللجوء إلى نماذج التعلم الآلي عند الحاجة.
تتيح هذه المرونة للمؤسسات تصميم أنظمة الذكاء الاصطناعي التي توازن بين الأداء والخصوصية وقابلية التوسع والتكلفة.
الكفاءة والأداء بتكلفة أقل
تتطلب وحدات معالجة الرسومات المكانية (SLMs) قدرة حاسوبية وذاكرة أقل بكثير، مما يتيح نشرها على وحدات المعالجة المركزية القياسية، أو وحدات معالجة الرسومات المتواضعة، أو حتى الأجهزة الطرفية. وينتج عن صغر حجمها ما يلي:
سرعات استدلال أسرع، وهو أمر بالغ الأهمية للتطبيقات التي تعمل في الوقت الفعلي.
انخفاض ملحوظ في استهلاك الطاقة، مما يدعم أهداف الاستدامة.
يسهل التقييم البيئي لأن البنية التحتية معروفة وقريبة، ويمكن قياس استهلاك الطاقة. وهذا يسمح بإدارة أفضل للحد من التأثير من خلال إجراءات ملموسة.
تُظهر الأبحاث العامة باستمرار أن النماذج الأصغر حجمًا والمخصصة لمهام محددة يمكن أن تكون أكثر كفاءة في استهلاك الطاقة بشكل ملحوظ من النماذج الكبيرة متعددة المستويات. على سبيل المثال، يشير تقرير لليونسكو إلى أن: “النماذج الصغيرة المصممة خصيصًا لمهام محددة يمكن أن تقلل من استهلاك الطاقة بنسبة تصل إلى 90%. إنه نهج أكثر ذكاءً وفعالية من حيث التكلفة والموارد: حيث يتم اختيار النموذج المناسب للمهمة المناسبة، بدلاً من اللجوء إلى نظام واحد كبير متعدد الأغراض لكل شيء”.
الخصوصية والسيادة أولاً
تُمكّن أنظمة إدارة دورة حياة البرمجيات (SLMs) المؤسسات من معالجة البيانات الحساسة بأمان ضمن بنيتها التحتية الخاصة. ويُعدّ هذا الأمر بالغ الأهمية في القطاعات الخاضعة للتنظيم، وفي حالات الاستخدام التي تتضمن معلومات شخصية أو سرية.
كما يمكن لأنظمة إدارة دورة حياة البرمجيات العمل دون اتصال بالإنترنت، وهي ميزة أساسية في البيئات التي تكون فيها إمكانية الاتصال محدودة، أو حيث لا يمكن نقل البيانات عبر الشبكات الخارجية.