ذكاؤك الاصطناعي هو "دماغ في وعاء". بنية جديدة تمنحه "يدين".

كنت في مقهى Intelligentsia Coffee في أبوت كيني، أرتشف قهوة مقطرة باهظة الثمن من مصدر واحد وأشاهد مسرحية العملية برمتها. كان الباريستا، الذي يمثل دراسة في التنفيذ المركز، يزن حبوب البن بجزء من عشرة جرام. راقب درجة حرارة الماء على وحدة تحكم رقمية PID. أجفى البن المطحون بسكب دقيق حلزوني من إبريق ذي عنق الأوزة. كان ذلك خط أنابيب بيانات مصنوعًا يدويًا ومثاليًا، يحول المدخلات الخام (البن والماء) إلى مخرجات محسنة (قهوة بطعم البرغموت والندم). استغرقت العملية بأكملها أربع دقائق.

إنه نظام جميل لكوب واحد. ولكن ماذا لو كنت بحاجة إلى اختبار 10,000 تقنية تقطير مختلفة في الساعة القادمة؟ درجات حرارة مختلفة قليلاً، أحجام طحن، أنماط سكب، أوقات إزهار - بحث شامل عن كوب مثالي عالميًا. الباريستا، على الرغم من مهارته، لا يمكنه التوسع. سير عمله أحادي الخيط بشكل أساسي. لا يمكنه تجميع حركاته أو تشغيلها على خلفية Rust متوازية.

هذه هي المشكلة الدقيقة التي تواجه كل علامة تجارية تجارية أتحدث إليها. لقد وظفت علماء البيانات. لقد منحتهم إمكانية الوصول إلى نماذج لغوية كبيرة (LLMs) قوية يمكنها العمل كوكلاء مستقلين (autonomous agents). هؤلاء الوكلاء أذكياء؛ إنهم مثل ألف باريستا ماهر، يولدون باستمرار أفكارًا جديدة للتنبؤ بتناقص العملاء، وتحسين المخزون، وتخصيص تجارب المستخدم. لكن بنيتك التحتية هي الباريستا الواحد، الذي ينفذ مهمة واحدة بدقة في كل مرة. ذكاؤك الاصطناعي هو "دماغ في وعاء" (brain in a jar)، قادر على توليد أفكار مذهلة ولكن "بدون أيادي" للقيام بالعمل على نطاق واسع.

ورقة بحث جديدة نُشرت في arXiv هذا الأسبوع، بعنوان "Stratum: A System Infrastructure for Massive Agent-Centric ML" (Stratum: بنية تحتية لنظام التعلم الآلي الضخم المرتكز على الوكلاء)، هي أول مخطط معماري حقيقي رأيته يعالج هذه الأزمة [3, 8]. لا يتعلق الأمر ببناء وكيل أذكى؛ بل يتعلق ببناء مصنع ليعمل فيه الوكلاء. إنها تُبلغ عن تسريع مذهل بمقدار 16.6 مرة لمهام التعلم الآلي المعقدة، وتقوم بذلك من خلال معالجة مشكلة الأنظمة الأساسية غير الجذابة التي يتجاهلها الجميع [10]. بالنسبة لمهندس تجاري، هذه هي أهم ورقة لهذا العام.

ما هو بحث خطوط الأنابيب الوكيلية (Agentic Pipeline Search)؟

لفهم سبب أهمية Stratum، يجب عليك أولاً فهم عبء العمل الجديد الذي صُمم من أجله: بحث خطوط الأنابيب الوكيلية (agentic pipeline search) [3]. هذا ليس نوع التعلم الآلي الذي يقوم به فريقك الآن. عمليتك الحالية على الأرجح خطية ومقيدة بالبشر. يشكل عالم البيانات فرضية، يسحب البيانات، ينظفها في دفتر Jupyter، يبني نموذجًا، يختبره، وينشره. هذه العملية يمكن أن تستغرق أسابيع، حتى شهورًا. إنها عملية التقطير الواحدة.

يختلف بحث خطوط الأنابيب الوكيلية اختلافًا جوهريًا. يصف سيناريو يقوم فيه "وكيل هندسة التعلم الآلي" (MLE Agent) المستقل أو شبه المستقل بدفع العملية بأكملها [8]. تستخدم ورقة Stratum مثال بناء نموذج لتناقص العملاء من بحيرة بيانات فوضوية مليئة بملفات CSV، وسجلات المعاملات، والنصوص غير المهيكلة، والصور - وهو سيناريو مألوف بشكل مؤلم لأي علامة تجارية مباشرة إلى المستهلك (DTC) [8, 9].

في هذا النموذج الجديد، يقوم الوكيل بإجراء بحث استكشافي ضخم، ينفذ آلاف خطوط الأنابيب بالتوازي:

1. تحديد خصائص البيانات (Data Profiling): يبدأ الوكيل بتحديد خصائص بيانات المصدر تلقائيًا. لا ينظر فقط إلى أنواع الأعمدة؛ بل يأخذ عينات من البيانات لفهم التوزيعات، والعدد الفريد للقيم (cardinalities)، وتنوع المفردات في حقول النص، والعلاقات بين مصادر البيانات التي تبدو غير ذات صلة [9].
2. توليد الفرضيات (Hypothesis Generation): مسلحًا بهذا الملف الشخصي، يبحث الوكيل (على الأرجح نموذج لغوي كبير - LLM) في الويب، والأوراق الأكاديمية، والوثائق الداخلية عن أساليب نمذجة واعدة. قد يقرر تجربة انحدار لوجستي بسيط، وشجرة معززة بالتدريج (gradient-boosted tree)، ونموذج متعدد الوسائط أكثر تعقيدًا يجمع بيانات المعاملات الجدولية مع الميزات المستخرجة من صور المنتج [3].
3. توليف خطوط الأنابيب (Pipeline Synthesis): لكل فرضية، يولد الوكيل مئات أو آلاف التباينات في خطوط الأنابيب. يكتب كود بايثون باستخدام مكتبات قياسية مثل Pandas و scikit-learn للتعامل مع هندسة الميزات، والتحجيم، وتدريب النماذج، وضبط المعلمات الفائقة (hyperparameter tuning) [9]. يحاول طرقًا مختلفة للتعامل مع القيم المفقودة، وتشفير المتغيرات الفئوية، وهيكلة عملية التحقق المتقاطع.
4. التكرار والتحسين والتجميع (Iterative Refinement & Ensembling): يقوم الوكيل بتقييم أداء هذه الآلاف من خطوط الأنابيب، ويحدد الواعدة منها، ثم يكرر العملية. قد يجمع أفضل النماذج أداءً في مجموعة (ensemble)، ويحسن نهجه باستمرار بناءً على النتائج التجريبية [8].

هذا ليس مجرد أتمتة؛ إنه بحث موجه ومتوازٍ بشكل كبير على مساحة الحلول الممكنة بأكملها. الجزء "الذكي" ليس فقط النموذج النهائي؛ بل هو عملية العثور عليه. المشكلة هي أن الأدوات التي نمنحها لعلماء البيانات لدينا مصممة لسير العمل الفردي الذي يحركه الإنسان. تشغيل برنامج بايثون واحد بطيء. تشغيل عشرة آلاف منهم أمر مستحيل. إنه يخلق عنق زجاجة في التنفيذ يخنق تمامًا الإمكانات الإبداعية لوكيل الذكاء الاصطناعي. الدماغ يحلم، لكن الجسم لا يستطيع التحرك.

تسريع 16.6x: تفكيك بنية Stratum

عبقرية ورقة Stratum ليست نموذجًا لغويًا كبيرًا (LLM) جديدًا أو خوارزمية سحرية. إنها رؤية لهندسة الأنظمة تبدو واضحة بأثر رجعي: فصل استدلال الوكيل عن تنفيذ خط الأنابيب. النموذج اللغوي الكبير جيد في التخطيط (كتابة كود بايثون) ولكنه سيء في تنفيذه بكفاءة. مترجم بايثون نفسه، خاصة لمهام البيانات، بطيء بشكل كبير مقارنة باللغات ذات المستوى الأدنى [9].

تقدم Stratum نظامًا يعمل كوسيط، مدير مصنع فائق الكفاءة لأوامر عمل الوكيل. تبدو العملية كالتالي:

دعنا نفكك ما يحدث هنا.

1. التوليد المفصول (Decoupled Generation): يقوم وكيل هندسة التعلم الآلي (MLE Agent)، والذي يمكن أن يكون نموذجًا لغويًا كبيرًا متطورًا مثل GPT-4 أو نموذجًا متخصصًا، بما يتقنه: يفكر ويكتب الكود. يولد آلاف خطوط أنابيب التعلم الآلي المحتملة كبرامج بايثون نصية باستخدام مكتبات يعرفها الجميع بالفعل، مثل Pandas و scikit-learn. لا يقوم بتنفيذها [3].

2. التجميع الدفعي إلى رسوم بيانية للتنفيذ (Batch Compilation to Execution Graphs): بدلاً من تشغيل هذه البرامج النصية واحدة تلو الأخرى، يقدمها كدفعة إلى نظام Stratum. ثم يقوم Stratum بتحليل جميع خطوط الأنابيب هذه وتجميعها في رسم بياني واحد محسن للتنفيذ. يحدد العمليات المشتركة عبر خطوط الأنابيب المختلفة (مثل تحميل نفس ملف CSV، تطبيق نفس تحويل الميزات) ويضمن أنها تعمل مرة واحدة فقط. وهذا يمثل خروجًا أساسيًا عن الطبيعة التفسيرية المعزولة لتنفيذ بايثون النموذجي [9].

3. التنفيذ الأمثل على الخلفيات المتجانسة (Optimized Execution on Heterogeneous Backends): من هنا يأتي التسريع الكبير. يتم تنفيذ الرسم البياني المجمع عبر مجموعة متنوعة من الخلفيات. قد تعمل المهام البسيطة على عمال بايثون قياسيين. ولكن للعمليات الحرجة للأداء، يمكن لـ Stratum إرسال العمل إلى بيئة تشغيل Rust جديدة وعالية الأداء مصممة خصيصًا لهذه الأنواع من مهام التعلم الآلي كثيفة البيانات [8]. وهذا يسمح للنظام بتجاوز قيود بايثون للحسابات الرقمية ومعالجة البيانات، مما يؤدي إلى تسريع بمقدار 16.6 مرة المبلغ عنه في تجاربهم الأولية [10].

المفتاح هو أن النظام يفهم عبء العمل بأكمله مقدمًا، مما يسمح بتحسينات عالمية مستحيلة عند تنفيذ البرامج النصية بشكل منفصل. إنه الفرق بين 1,000 طاهٍ كل منهم يصنع طبقًا واحدًا في مطبخه الخاص مقابل مطبخ مطعم واحد عالي الأداء حيث يتم مركزة التحضير، وتخصيص المحطات لمهام محددة.

لماذا يُعد مكدس التعلم الآلي الحالي لديك عبئًا

عند قراءة ورقة Stratum، يصبح واضحًا مدى عدم استعداد معظم مكدسات التكنولوجيا التجارية لهذا الواقع الجديد. إنها جميعها تقريبًا مصممة حول نموذج التنفيذ "للتقطير الواحد".

فكر في سير عمل التعلم الآلي للمؤسسات المتوسطة. من المحتمل أنه يتضمن مزيجًا من Airflow أو dbt للتنسيق، وبيئة Databricks أو Snowflake لتخزين البيانات، ومجموعة من دفاتر Jupyter حيث يقوم علماء البيانات بنمذجة النماذج الأولية. كل من هذه المكونات، على الرغم من قوتها لغرضها المقصود، يصبح عنق زجاجة في عالم وكيل (agentic world).

• دفاتر Jupyter (Jupyter Notebooks): الأداة الافتراضية لاستكشاف البيانات هي بيئة تفاعلية، أحادية المستخدم. إنها رائعة للنماذج الأولية ولكنها سيئة للغاية لتشغيل الآلاف من التجارب الآلية عالية الإنتاجية. إنها تشجع عملية يتواجد فيها الإنسان في الحلقة، وهو ما لا يتسع نطاقه ببساطة.
• أدوات التنسيق (مثل Airflow): تم تصميم هذه الأدوات لتشغيل رسوم بيانية حلقية موجهة (DAGs) محددة جيدًا للمهام في جدول زمني. إنها مثالية لوظائف ETL اليومية أو إعادة تدريب نموذج إنتاجي مرة واحدة في الأسبوع. إنها ليست مصممة "للسلوك الاستكشافي للغاية" و "البحث الموجه عبر الهياكل والمعلمات الفائقة" الذي يميز بحث خط الأنابيب الوكيلي [9]. سير عمل الوكيل ليس DAG ثابتًا؛ إنه شجرة ديناميكية ومتفرعة من الاحتمالات.
• Text2SQL ومحسينات العلاقات (Relational Optimizers): ركز الكثير من الأبحاث على استخدام النماذج اللغوية الكبيرة (LLMs) لتوليد استعلامات SQL (Text2SQL) [9]. على الرغم من فائدته، يحل هذا مشكلة مختلفة تمامًا. تم تحسين قواعد البيانات العلائقية للاستعلامات المنظمة، وليس لخطوط الأنابيب المعقدة متعددة المراحل التي تتضمن هندسة الميزات، وتدريب النماذج، والتحقق من صحة، والتي تحدد التعلم الآلي الحديث. وكما يشير مؤلفو Stratum، فإن التحسينات من العالم العلائقي لا تنتقل جيدًا إلى أعباء عمل التعلم الآلي [9].

تم بناء مكدسك لعالم من الوظائف المجدولة القابلة للتنبؤ. التجارة الوكيلية (agentic commerce) هي عالم من عمليات البحث الاستكشافية الضخمة وغير المتوقعة. بدون نظام مثل Stratum لسد الفجوة، فإنك تحاول استخدام جدول حافلات للمدينة للتنقل في سباق فورمولا 1. "التناقض المتزايد بين واجهات برمجة تطبيقات بايثون عالية المستوى وإمكانات التحسينات منخفضة المستوى" لم يعد قلقًا أكاديميًا نظريًا؛ إنه المسؤولية المعمارية الأساسية لأي علامة تجارية تريد التنافس بالذكاء الاصطناعي [9].

وجهاً لوجه: Stratum مقابل الوضع الراهن

يمكن فهم الرؤية المعمارية لـ Stratum بشكل أفضل من خلال مقارنتها مباشرةً بالأساليب الحالية والمنافسة. هذا ليس مجرد تحسين تدريجي؛ إنه تحول فئوي في طريقة تفكيرنا في البنية التحتية للتعلم الآلي.

هذه المقارنة توضح النقطة المركزية: Stratum هو النهج الوحيد الذي يتناول بشكل صريح البنية التحتية للأنظمة المطلوبة للتعلم الآلي الوكيلي على نطاق واسع. تركز النهج الأخرى إما على جعل الوكيل أذكى (مثل SEA-TS، وهو رائع ولكنه يحل مشكلة مختلفة) أو تركز على تحسين جزء ضيق من المشكلة (مثل Text2SQL). لم يتم بناء مكدس MLOps التقليدي ببساطة لعبء العمل هذا.

يحدد مؤلفو Stratum بشكل صحيح أن الانفجار في قدرات النماذج اللغوية الكبيرة (LLM) للسلوك الوكيلي قد خلق "تحديًا أساسيًا للأنظمة" [8]. يمكنك الحصول على أذكى وكيل تعلم آلي في العالم، ولكن إذا كانت بيئة تنفيذه تجبره على تشغيل برنامج بايثون نصي واحد في كل مرة، فإن ذكائه يضيع.

ما يعنيه هذا لعلامتك التجارية: بناء مختبر لتجربة الذكاء الاصطناعي (AI Experience Lab)

إذًا، Stratum هي ورقة بحثية تحتوي على "نموذج أولي مبكر" [10]. لا يمكنك تنزيلها ونشرها اليوم. من السهل رفض هذا على أنه تفكير أكاديمي بحت. سيكون ذلك خطأ كارثيًا. النمط المعماري الذي يصفه هو إشارة واضحة للمستقبل. العلامات التجارية التي تفهم هذا التحول وتبدأ في إعادة تصميم بنيتها الآن ستحصل على ميزة تنافسية لا يمكن التغلب عليها في غضون سنتين إلى ثلاث سنوات.

الخلاصة الفورية ليست تفكيك واستبدال مكدس بياناتك بالكامل. الخطوة القابلة للتنفيذ هي إنشاء مختبر تجربة الذكاء الاصطناعي (AI Experience Lab). هذا فريق صغير ومركّز ومتعدد الوظائف—زوج من المهندسين، عالم بيانات، شخص منتجات—وظيفته الوحيدة هي بناء بيئة تجريبية لقوتك العاملة الوكيلية المستقبلية. ولا يتمثل تفويضهم في تقديم نموذج تراجع الإنتاج في الربع القادم. يتمثل تفويضهم في بناء نسخة صغيرة النطاق من بنية Stratum وإثبات قيمتها.

مخطط مختبر تجربة الذكاء الاصطناعي الخاص بك

1. عزل حالة استخدام: ابدأ بمشكلة محدودة ولكنها قيمة. لا تحاول إنجاز كل شيء دفعة واحدة. يعد التنبؤ بالتناقص، كما في الورقة، مثاليًا. يعد التنبؤ بالطلب لفئة منتج معينة مثالًا آخر. الهدف هو مشكلة ذات بيانات فوضوية ومتعددة الوسائط يمكن أن تستفيد من التجربة المكثفة.

2. تبني مبدأ الفصل (Decoupling Principle): يجب أن يكون جوهر عمل المختبر هو بناء نظام يفصل التخطيط الوكيلي عن التنفيذ. اجعل وكيل النماذج اللغوية الكبيرة (LLM agent) يولد خطوط أنابيب بايثون كملفات نصية أو كائنات JSON. ثم، ابن خدمة منفصلة – Stratum المصغر الخاص بك – تقوم بتحليل هذه المخرجات وتشغيلها. حتى بدون خلفية Rust مخصصة، فإن مجرد التجميع والتوازي في تنفيذ هذه البرامج النصية سيحقق مكاسب كبيرة مقارنة بسير العمل القائم على دفتر الملاحظات.

3. بناء قاعدة بيانات للنتائج: بينما يقوم نظامك بتشغيل آلاف تجارب خطوط الأنابيب هذه، قم بتخزين النتائج—الكود، والمعلمات الفائقة (hyperparameters)، ومقاييس الأداء—في قاعدة بيانات منظمة. هذا يخلق حلقة تغذية راجعة. يمكن لوكيلك بعد ذلك الاستعلام عن قاعدة البيانات هذه لتوجيه دفعة التجارب التالية، مما يخلق حلقة التحسين التكرارية الموصوفة في الورقة [8]. هذه هي الطريقة التي يتعلم بها النظام ويتحسن بمرور الوقت.

4. قياس كل شيء: المختبر

• agentic commerce
• commerce AI architecture
• AI experience lab
• agentic pipeline search
• structured data for AI search
• agentic commerce architect