Michael Johnsonفي 22 أكتوبر، نشرت OpenAI وصفًا لعمل فريق FDE، أي فريق هندسة النشر المتقدم الذي يتعاون مع العملاء من الشركات لتكييف الذكاء الاصطناعي مع عمليات محددة. ويشرح كولن جارفيس، رئيس هذا المجال، كيف يدرس المهندسون عمل العميل، ويتفقون على معايير الجودة، ويحولون الحلول الفردية إلى مكونات قابلة لإعادة الاستخدام.
وتصف الشركة الفجوة بين أداء النموذج في طلب اختباري وقدرة النظام على تنفيذ مهمة بموثوقية في بيئة العمل الفعلية. فإذا كانت العقبة مرتبطة بالمنتج أو التكامل، يطوّر الفريق الحل بالتعاون مع العميل؛ أما إذا عجز النموذج عن تلبية متطلبات المهمة، فيشارك باحثو OpenAI في العمل.
من مهمة العميل إلى نتيجة قابلة للقياس
في أحد الأمثلة العائدة إلى منتصف عام 2025، عمل نحو 15 مهندسًا من OpenAI مع شركة كبرى لتصنيع أشباه الموصلات على أكثر من عشرة سيناريوهات، منها إنشاء اختبارات موجّهة، والبحث عن أسباب الإخفاقات، والمساعدة في التصميم. وتقول الشركة إن هذه السيناريوهات دخلت مرحلة الإنتاج والاستخدام المبكر خلال الأشهر الثلاثة إلى الستة الأولى. وتذكر OpenAI توفير نحو 48% من الوقت اللازم لإنشاء الاختبارات، وتقليص مدة تصحيح الأخطاء من أسابيع إلى ساعات.
تخص هذه الأرقام العمليات التي وصفتها OpenAI لدى عميل بعينه. أما منهج التنفيذ المهم فهو الاتفاق مسبقًا مع الممارسين على معايير النجاح، وجمع حالات واقعية، وقياس نتائج سير العمل بأكمله، بما في ذلك المراجعة البشرية.
إعادة الاستخدام بدلًا من عمليات التكامل المنفردة
تطلبت الحلول الأولية للشركة المصنّعة قدرًا كبيرًا من الشيفرات المخصصة. وتكتب OpenAI أنه عند إعادة بناء التطبيقات حول Codex، استُبدلت الواجهات المنفردة بأدوات وملحقات ومهارات مشتركة. وتقدّر الشركة أن ذلك قلّص الشيفرات المخصصة للمستخدم بنحو 90% في كل مشروع موصوف. وفي مثال من أغسطس 2026، استغرق التنفيذ الأول شهرين، بينما لم يستغرق ربط فريق ثانٍ سوى يوم واحد.
من المفيد عند تنفيذ تجربة أولية خاصة بكم احتساب الجهد اللازم للتنفيذ الأول بصورة منفصلة عن الجهد المطلوب لضم الوحدة التالية. وإذا أمكن إعادة استخدام الموصلات والتعليمات وفحوص الجودة، فقد يتطلب نقل الحل قدرًا أقل من التطوير المخصص. وتصف المدد التي ذكرتها OpenAI مثالها المحدد، ولا تمثل وتيرة مضمونة لكل مشروع.
من تجربة العميل إلى منتج ضريبي
ومن أمثلة OpenAI الأخرى Tax AI، وهو منتج لشركات المحاسبة التابعة لشركة Crete، طُوّر بالتعاون مع Thrive Holdings. ووفقًا لما ذكرته الشركة، عالج النظام خلال التجربة الأولية 7,000 إقرار ضريبي، وارتفعت الطاقة الاستيعابية بنحو 50%. وكان إعداد إقرارات دخل تأجير العقارات من السيناريوهات الصعبة؛ إذ استلزم ستة أسابيع من العمل الهندسي ومراجعة المتخصصين للوصول إلى دقة واكتمال بنسبة 90% في الاستخراج.
وتكتب OpenAI أن الأنماط التي جرى التوصل إليها ساعدت لاحقًا على توسيع Tax AI ليشمل جداول ضريبية معقدة أخرى. ولتقييم تجربة مماثلة عمليًا، ينبغي ألا تقتصر المتابعة على نسبة النتائج الصحيحة، بل أن تشمل أيضًا حجم المراجعة اليدوية وسرعة المعالجة والعمل اللازم لنقل الحل إلى نوع آخر من المستندات.
متى ينبغي تغيير التكامل ومتى ينبغي تغيير النموذج؟
في مشروع منفصل آخر مع شركة كبرى لتشغيل الاتصالات، طوّر الفريق خدمة دعم صوتية. ووفقًا لبيانات OpenAI، بلغت النتيجة في البداية نحو 60% في اختبارات داخلية أساسية تقيس مدى جاهزية النظام لسيناريو الاستخدام في الإنتاج. وارتفعت إلى 80% بعد ستة أشهر، ثم تجاوزت 90% عقب العمل المشترك بين مهندسي النشر والعميل وفريق الأبحاث. وتعزو OpenAI التحسن إلى اختبار التعرّف على الكلام واتباع التعليمات واستدعاء الوظائف في سيناريوهات خدمة العملاء.
يساعد هذا النهج على تحديد موضع العمل المطلوب: هل هو في التكامل والواجهة أم في قدرة النموذج على أداء الوظيفة المحددة؟ وتصف OpenAI تقييمات داخلية ومشروعات لعملائها؛ وتوضح هذه النتائج كيفية تنظيمها لعملية التنفيذ، لكنها لا تشكل توقعًا عامًا لنتائج العملاء الآخرين.
ما الذي ينبغي فحصه في تجربتكم الأولية؟
قبل توسيع نطاق التنفيذ، وثّقوا طريقة إنجاز المهمة حاليًا، وحجم المراجعة اليدوية، ومعايير القبول. واختبروا النظام على حالات واقعية، بما فيها الأخطاء النادرة، وقيسوا الوقت اللازم للوصول إلى نتيجة مقبولة، ونسبة التصحيحات، وكلفة دعم التكامل. وعند نقله إلى فريق آخر، قارنوا المؤشرات نفسها، واحسبوا على نحو منفصل كلفة ربط مصادر البيانات وإعداد صلاحيات الوصول.
تقدم رواية OpenAI مؤشرًا عمليًا: ابدأوا بمهمة قابلة للقياس، واختبروا الحل في ظروف العمل الحقيقية، وصمموا المكونات بحيث يستند التنفيذ التالي إلى نتائج التنفيذ السابق. وهذا ما يصل بين التجربة الأولية المنفردة والتنفيذ القابل للتكرار.