تكشف موجة جديدة من الأوراق الأكاديمية عن أطر عمل وكيلية ذاتية التطور تقوم بإنشاء الكود وتحسينه بشكل مستقل. بنية الذكاء الاصطناعي لتجارتك ليست مستعدة لذكاء اصطناعي يبني نفسه.
كنت أنتظر صديقًا في The Kettle في شوتوكوا في أحد الأيام، وأنا أشاهد الموظفين يمرون بالطقوس الشاقة لإعداد وعاء من الماتشا الاحتفالية. الغربلة، درجة حرارة الماء الدقيقة، الخفق الدائري الماهر باستخدام الهاسين—إنها خوارزمية مثالية يقودها الإنسان تُنفذ لإنتاج نتيجة محددة. كل خطوة مدروسة، ومصقولة عبر قرون من التقاليد. إنها عملية تحكم ونية خالصة.
وقد أدركت أن هذا النوع من العمليات الدقيقة، التي يضعها الإنسان، على وشك أن يصبح أثرًا في صناعتنا. بينما نركز على إتقان وصفاتنا الرقمية الخاصة—تدفقات الدفع لدينا، ومنطق التخصيص، ونماذج التنبؤ بالمخزون—يحدث تحول زلزالي في المعامل الأكاديمية. تمثل الأوراق البحثية التي وصلت إلى arXiv هذا الأسبوع حدودًا جديدة: لم نعد نبني أدوات الذكاء الاصطناعي فحسب؛ بل نقوم الآن ببناء أنظمة ذكاء اصطناعي تبني الأدوات لنا. [2, 3, 5]
النموذج الجديد لا يتعلق بالذكاء الاصطناعي الذي يساعد مطورًا بشريًا. إنه يتعلق بأطر عمل وكلاء الذكاء الاصطناعي التي تقوم بشكل مستقل بإنشاء واختبار ونقد وتحسين رموزها الخاصة لحل المشكلات المعقدة. هذه ليست مجرد نصوص إكمال تلقائي ذكية؛ إنها فرق تطوير مستقلة ناشئة. في هذا الأسبوع وحده، رأينا أوراقًا حول وكلاء يطورون خوارزميات السلاسل الزمنية الخاصة بهم (SEA-TS) [2]، وأنظمة للبحث وإنشاء خطوط أنابيب تعلم آلي كاملة (stratum) [3]، وحتى وكلاء ذكاء اصطناعي مفتوح المصدر مصممين للعيش والعمل في سطر أوامر المطور (OpenDev) [5].
بالنسبة للعلامات التجارية التجارية، هذا ليس مفهومًا بعيدًا ومجردًا. المنطق الذي يدير عملك - التنبؤ بالطلب، وتحديد الأسعار، وتخصيص تجارب المستخدم - كل هذا عبارة عن كود. وعصر كتابة هذا الكود يدويًا ينتهي. نحن ندخل عصر واجهة المتجر ذاتية التطور، حيث المصنع الذي يدير عملك يبني نفسه الآن. خوارزمية إعداد الماتشا التي صقلتها بعناية على وشك أن تحل محلها مليون تجربة فوضوية وغير خاضعة للرقابة تنتج شيئًا جديدًا وقويًا وغريبًا تمامًا. وبنيتك الحالية ليست جاهزة لذلك بأي حال من الأحوال.
هل نموذج التنبؤ الخاص بك عفا عليه الزمن بالفعل؟
لنبدأ بوظيفة حاسمة لكل عمل تجاري: التنبؤ. لسنوات، اعتمدنا على مجموعة من النماذج الإحصائية—ARIMA، Exponential Smoothing، Prophet—ومؤخرًا، مناهج التعلم العميق. فريق علم البيانات الخاص بك، إذا كان لديك واحد، على الأرجح يقضي وقته في ضبط المعاملات الفائقة (hyperparameters)، وتنظيف البيانات، وتحسين هذه النماذج المعروفة تدريجيًا. إنهم يمارسون حرفة. ولكن ماذا يحدث عندما يمكن للذكاء الاصطناعي أن يخترع خوارزميات جديدة تمامًا من الصفر؟
هذا بالضبط ما أظهره الباحثون وراء SEA-TS (الوكيل ذاتي التطور لخوارزميات السلاسل الزمنية) [2]. هذه ليست مجرد أداة تعلم آلي تلقائي (auto-ML) أخرى تحدد أفضل المعاملات لنموذج موجود. SEA-TS هو إطار عمل متعدد الوكلاء يكتب الكود الخاص به للتنبؤ. إنه يعمل مثل فريق بحث ذكاء اصطناعي صغير عالي الكفاءة.
يستخدم وكيل "مولد" (Generator) لكتابة كود بايثون جديد لخوارزميات التنبؤ. ثم يقوم وكيل "مُراجع" (Reviewer) بنقد هذا الكود، والتحقق من الأخطاء، والعيوب المنطقية، وعدم الكفاءة—وهي عملية مراجعة كود آلية لا يزال العديد من الفرق البشرية تكافح لتنفيذها بشكل متسق. يسمح مكون "الاستدلال الموجه" (Steerable Reasoning) بالتوجيه البشري، ولكن حلقة الاكتشاف الأساسية مستقلة. يستخدم النظام تقنية تسمى بحث شجرة مونت كارلو بميزة القياس (Metric-Advantage Monte Carlo Tree Search - MCTS) لاستكشاف ذكي للمساحة الشاسعة من الخوارزميات الممكنة، مطاردًا بلا هوادة المسارات التي تؤدي إلى أداء أفضل [2].
والنتائج مذهلة. في العديد من مجموعات البيانات المعيارية، لم يتفوق SEA-TS على النماذج الموجودة الأفضل في فئتها فحسب؛ بل اكتشف أنماطًا وتقنيات جديدة لم يتخيلها الخبراء البشريون. تفصّل الورقة اكتشافين من هذا القبيل: "رأس اضمحلال رتيب مستنير بالفيزياء" و "تصحيح تحيز ساعي قابل للتعلم" [2].
بالنسبة لمهندس التجارة، هذه ليست مجرد فضول أكاديمي. "رأس اضمحلال مستنير بالفيزياء" هو طريقة خوارزمية لنمذجة دورة الحياة الطبيعية لاهتمام بالمنتج. تخيل وكيلًا يمكنه صياغة نموذج بشكل مستقل يفهم أن إصدار منتج سيشهد ذروة حادة في الاهتمام متبوعة باضمحلال تدريجي يمكن التنبؤ به، ويمكنه كتابة هذا المنطق دون أن يتم تعليمه ذلك صراحةً. "تصحيح تحيز ساعي قابل للتعلم" هو وكيل يكتشف، من تلقاء نفسه، أن سلوك عملائك يختلف في الساعة 9 صباحًا يوم الثلاثاء عما هو عليه في الساعة 10 مساءً يوم السبت، ويبني آلية مخصصة للتعامل مع ذلك. هذا هو نوع المنطق التجاري العميق والحدسي الذي يستغرق فرق العمل البشري سنوات لبنائه، إن أمكن. قام SEA-TS بذلك تلقائيًا.
مصنع الذكاء الاصطناعي الذي يبني مصنع الذكاء الاصطناعي
الآثار مخيفة وعميقة. هذا يعني أن المنطق الأساسي الذي يدفع إدارة المخزون لديك، وتوقعات الإيرادات، والإنفاق التسويقي من المحتمل أن يعتمد على منهجية أدنى وعفا عليها الزمن. بينما ينشغل فريقك بضبط نموذج Prophet يدويًا، فإن نظامًا قائمًا على الوكلاء يتفوق عليك بالفعل من خلال اختراع شيء أفضل جوهريًا.
إذا كان SEA-TS هو ذكاء اصطناعي يبني أداة محددة (نموذج التنبؤ)، فإن ورقة stratum من هذا الأسبوع تظهر لنا المستوى التالي من التجريد: ذكاء اصطناعي يبني المصنع بأكمله [3]. تقترح الورقة، المعنونة "stratum: بنية تحتية نظامية للتعلم الآلي المتمركز حول الوكلاء على نطاق واسع"، نظامًا لما يسمونه "بحث خط الأنابيب الوكيل" (agentic pipeline search).
دعونا نكون واضحين بشأن ما يعنيه هذا. يتضمن خط أنابيب التعلم الآلي النموذجي مراحل متعددة: استيعاب البيانات، المعالجة المسبقة، هندسة الميزات، اختيار النموذج، التدريب، التقييم، والنشر. إن بناء واحد هو عملية معقدة ومتعددة الخطوات تتطلب خبرة بشرية كبيرة. يتصور stratum نظامًا حيث يتم تحديد هدف عالي المستوى، ووكلاء مدعومون بنماذج لغوية كبيرة (LLM) يقومون بشكل مستقل بإنشاء خط الأنابيب بأكمله والتحقق منه وتحسينه عبر مساحة واسعة من مكتبات بايثون. لا يختار الوكلاء نموذجًا فحسب؛ بل يكتبون الكود الرابط، ويتعاملون مع تحويلات البيانات، ويربطون العمليات ببعضها البعض [3].
هذا هو Equivalent المعماري لقولك لمدير المصنع إنك بحاجة إلى نوع جديد من السيارات، وأن يقوم عمال المصنع بإعادة تجهيز خط التجميع، واختراع تقنيات لحام جديدة، وبدء الإنتاج تلقائيًا بين عشية وضحاها.
أدناه رسم بياني مبسط لكيفية تغيير هذا بالأساس لعملية التطوير. المنهج التقليدي خطي ويتحكم فيه البشر. منهجية stratum هي عملية بحث متوازية بشكل كبير، تقودها الوكلاء.
تُقر ورقة stratum بأن هذا النوع من "عبء عمل الوكيل الاستكشافي" يتطلب نوعًا جديدًا من البنية التحتية [3]. لا يتعلق الأمر بتشغيل عملية واحدة يمكن التنبؤ بها. إنه يتعلق بإدارة آلاف العمليات المتزامنة، التخمينية، والتي غالبًا ما تفشل. نموذج الحوسبة مختلف، والمراقبة مختلفة، وتعريف "التطوير" نفسه مختلف. هذا ليس هندسة برمجيات كما نعرفها؛ إنه تطور حاسوبي.
مطورك القادم هو وكيل في الطرفية
قد يبدو كل هذا وكأنه من عمل مراكز بيانات سحابية ضخمة، ولكن ورقة أخرى صدرت هذا الأسبوع، OpenDev، تُقدم هذا المفهوم مباشرةً إلى سير عمل المطور [5]. OpenDev هو مشروع مفتوح المصدر لبناء وكلاء برمجة ذكاء اصطناعي يعملون مباشرةً في واجهة سطر الأوامر (terminal). هذه ليست دردشة آلية في بيئة التطوير المتكاملة (IDE) الخاصة بك؛ هذا وكيل يمكنه تنفيذ الأوامر، وقراءة الملفات، وتشغيل الاختبارات، وكتابة الشفرة كمشارك أصلي في بيئة المطور.
يركز المشروع على مكونين رئيسيين: "التأطير" (scaffolding) و "التسخير" (harnessing). يوفر التأطير للوكيل الأدوات والبيئة اللازمة ليكون فعالاً، بينما يوفر التسخير الأطر لتقييم أداء الوكيل في مهام تطوير البرامج المعقدة [5].
فكر فيما يعنيه هذا لفريقك التقني. قد يتم تكليف مطور بإصلاح خطأ في منطق التنفيذ. بدلًا من تتبع الشفرة يدويًا، يمكنهم تفويض المهمة: "@dev_agent، ابحث عن الخطأ الذي يسبب تكرار الطلبات للعملاء في كاليفورنيا وأصلحه. اكتب اختبار وحدة لتأكيد الإصلاح ثم أرسل طلب سحب." سيبدأ الوكيل بعد ذلك في العمل، باستخدام الطرفية تمامًا كما يفعل الإنسان، للعثور على الملفات، وتحليل المنطق، وكتابة التصحيح، والتحقق من عمله الخاص.
هذا ينقل دور المطور إلى مستوى تجريد أعلى. لم يعد مجرد مبرمج؛ بل هو مدير وموجه لوكلاء البرمجة. تصبح مهارته الأساسية هي تحليل المهام، وتحديد الأهداف، والتقييم. إنه عالم لا يتم فيه الحكم على المهندسين الكبار بأناقة شفراتهم، بل بفعالية وكلاء الذكاء الاصطناعي الذين يقودونهم.
الإنسان مقابل الوكيل: معادلة مواهب جديدة
تُجبرنا هذه الأطر على إعادة تقييم العملية الكاملة لإنشاء التجارب الرقمية. إن الطريقة التي بنينا بها أنظمة التجارة لسنوات طويلة تتعرض لتحدي جوهري. المقارنة صارخة:
| السمة | فريق مطوري بشري | إطار عمل وكيل (stratum/SEA-TS) |
|---|---|---|
| توليد المنطق | يدوي، تكراري، يعتمد على خبرة الفريق. | بحث متوازٍ ذاتي، على نطاق واسع عبر مساحة الإمكانيات. |
| جودة الكود | متغيرة. تعتمد على المهارة، والمزاج، ودقة مراجعة الأقران. | تصحيح ذاتي عبر وكلاء مراجعة آلية وحلقات تحقق [2]. |
| اكتشاف الجديد | تدريجي. محدد بالمعرفة البشرية والنماذج الحالية. | إمكانية عالية للحلول الجديدة، غير البديهية (مثل أنماط SEA-TS) [2]. |
| السرعة (من الفكرة إلى الإنتاج) | أسابيع أو شهور. مقيدة بتخطيط السبرنتات، والاجتماعات، والجهد اليدوي. | يحتمل أن تكون ساعات أو أيام. مقيدة بشكل أساسي بتوفر الحوسبة. |
| نموذج التكلفة | تكاليف ثابتة عالية (الرواتب، المزايا، المصاريف العامة). تتوسع خطيًا. | تكاليف متغيرة عالية (الحوسبة)، لكن الكفاءة تتحسن بشكل مضاعف. |
| قابلية التوسع | خطية. للذهاب بشكل أسرع، توظف المزيد من الأشخاص، مما يزيد من أعباء الاتصال. | تصاعدي. تشغيل آلاف الوكلاء لاستكشاف مشكلة بالتوازي [3]. |
| المخاطر الأساسية | الإرهاق، صوامع المعرفة، الخطأ البشري، مقاومة الأفكار الجديدة. | منطق الصندوق الأسود، أنماط الفشل المعقدة، الثغرات الأمنية، عدم توافق الأهداف. |
هذا ليس حكمًا؛ إنه تحول نموذجي. لم يعد عرض القيمة يتعلق بتوظيف أفضل مبرمج بايثون. إنه يتعلق ببناء بنية يمكنها تسخير أسراب من مبرمجي الذكاء الاصطناعي بأمان وفعالية.
هل بنيتك التحتية جاهزة لقوة عاملة من الذكاء الاصطناعي؟
إذن، موظفوك الجدد هم أطر عمل وكيلية مستقلة. المشكلة هي أنهم لا يستطيعون العمل مع نظامك الحالي. هؤلاء الوكلاء لا يتنقلون في الأنظمة الضخمة القديمة، ولا يفككون الشفرة المعقدة، ولا يخمنون معنى أعمدة قاعدة البيانات سيئة التسمية.
تتطلب أطر عمل الوكلاء بنية قابلة للقراءة آليًا وموجهة لواجهة برمجة التطبيقات (API-first). إنهم يحتاجون إلى عقود بيانات نظيفة، ووظائف محددة جيدًا، وقابلية مراقبة قوية. إنهم يزدهرون في بيئة من الخدمات القابلة للتركيب والمفككة، وليس في نظام متجانس فوضوي.
إليك كيف تبدو بنية التجارة المصممة لجاهزية الوكلاء مقارنة بالنموذج القديم الذي لا تزال معظم العلامات التجارية تعمل به.
البنية الجاهزة للوكلاء تقوم بنقل المنطق إلى خدمات وتتعامل مع البيانات كعنصر أساسي، يمكن الوصول إليها عبر واجهات برمجة تطبيقات نظيفة. يصبح نظام التجارة الأساسي محركًا مستقرًا للمعاملات، بينما يتم إنشاء الذكاء والتميز ديناميكيًا بواسطة أطر عمل الوكلاء التي تعمل في المحيط. يتغير دور الإنسان من "منشئ" إلى "مهندس وموجه".
ماذا يعني هذا لعلامتك التجارية
هذا الانتقال ليس اختياريًا، ولن يكون مريحًا. لكن تجاهله يعني الحكم على عملك بمستقبل من محاربة منافسين أذكياء ومتطورين بنظام ثابت يدوي. إليك كيف تبدأ الاستعداد.
إنشاء معمل تجربة الذكاء الاصطناعي (AI Experience Lab)
لا يمكنك المخاطرة بترك هؤلاء الوكلاء يعملون بشكل عشوائي ضد البنية التحتية للإنتاج لديك. الخطوة الأولى هي إنشاء مختبر تجربة الذكاء الاصطناعي تم ضبطه بشكل صحيح. هذا ليس مجرد خادم مرحلي؛ إنه بيئة مخصصة تحتوي على بيانات مكررة (مجهولة المصدر، بالطبع) وأدوات تسمح لفريقك بتجربة أطر عمل مثل OpenDev أو محاولة تكرار نتائج أوراق مثل SEA-TS و stratum. الهدف هو فهم القدرات وأنماط الفشل والمتطلبات المعمارية لهذه الأنظمة في بيئة منخفضة المخاطر. يصبح هذا المختبر الصالة الرياضية حيث يتعلم فريقك التدريب، وليس مجرد البرمجة.
بياناتك الآن منتج للآلات
لسنوات، بنينا قواعد بيانات للتطبيقات ولوحات معلومات للبشر. هذا انتهى. يجب الآن التعامل مع البنية التحتية لبياناتك كمنتج لعميل جديد: وكيل الذكاء الاصطناعي. وهذا يعني إعطاء الأولوية لإنشاء مخزن بيانات منظم مركزي (سواء كان بحيرة بيانات (data lakehouse)، أو مخزن ميزات (feature store)، أو مجموعة من مستودعات البيانات المُصانة جيدًا). ويعني أن كل جزء من البيانات - المنتجات، العملاء، الطلبات - يجب أن يكون متاحًا عبر واجهة برمجة تطبيقات (API) نظيفة، وموثقة جيدًا، ومُصدرة. إذا لم يتمكن الوكيل من الاستعلام بشكل موثوق عن سجل طلبات العميل أو مستويات مخزون المنتج، فلا يمكنه بناء أي شيء مفيد. تصبح بوابة واجهة برمجة التطبيقات الخاصة بك هي الباب الأمامي لقوى عمل الذكاء الاصطناعي الجديدة.
أعد تشكيل فريقك: من مبرمجين إلى موجهين
أكبر تغيير ثقافي. لم يعد المهندسون الأكثر قيمة هم من يستطيعون كتابة الخوارزمية الأكثر ذكاءً بشكل منفصل. بل هم من يستطيعون تعريف مشكلة العمل على أفضل وجه، وتفكيكها إلى مهام يمكن لوكيل الذكاء الاصطناعي حلها، وتقييم النتيجة بشكل نقدي. هذا تحول من التنفيذ التقني البحت إلى مزيج من التفكير المنظومي، وإدارة المنتجات، والإشراف التقني. تحتاج إلى البدء في تحديد وتمكين الأشخاص في فريقك الذين يفكرون من منظور الأنظمة والنتائج، وليس فقط الكود والتذاكر. ابدأ في تدريب فريقك على كيفية استخدام وتقييم، والأهم من ذلك، عدم الثقة في الكود الذي ينتجه الذكاء الاصطناعي. المستقبل لا يتعلق بكتابة الكود؛ بل يتعلق بتنسيق وتوجيه ناتج الأنظمة التي تفعل ذلك.
المتدربون يديرون المصحة
هناك دعابة قديمة في مجال التكنولوجيا حول إسناد المهام الأكثر خطورة للمتدربين الجدد لأنهم لا يعرفون ما يُفترض أنه مستحيل. نحن الآن نبني بشكل منهجي جيشًا من المتدربين الأذكياء، الذين لا يتعبون، والذين لا يخضعون لأي إشراف. سيحلون مشاكل كنا نعتقد أنها مستحيلة الحل. سيجدون كفاءات لم نتخيلها قط. وسيفعلون ذلك من خلال تجربة ملايين الأشياء التي لا معنى لها.
تمثل أطر العمل مثل SEA-TS و stratum و OpenDev فجر هذا الواقع الجديد [2, 3, 5]. ستعيد كتابة نماذج التنبؤ وتخصيص المحركات ومنطق التشغيل لديك. الخطر كبير. يفتقر هؤلاء الوكلاء إلى سياق العمل والحس السليم وأي مفهوم للأخلاق أو سمعة العلامة التجارية. إذا تركت بدون رقابة، يمكنهم تحسين مقياس يؤدي بعملك إلى الهاوية.
التحدي للجيل القادم من مهندسي التجارة ليس فقط بناء أنظمة تسجيل، بل بناء أنظمة تحكم. نحتاج إلى تصميم الضوابط وأدوات التدقيق وطبقات التنسيق لإدارة هذا الشكل الجديد المتفجر من الإبداع بأمان. العلامات التجارية التي تدرك ذلك لن تكون أكثر كفاءة فحسب؛ بل ستعمل على مستوى إدراكي لا يستطيع منافسوها فهمه.
تعمل CTO.LA مع العلامات التجارية التجارية لبناء بنية الذكاء الاصطناعي التجارية الأساسية لهذا الواقع الجديد. إذا كنت مستعدًا للانتقال من صياغة المنطق يدويًا إلى تنسيق الذكاء، فلنتحدث.