الذكاء الاصطناعي من الصفر - 02
الحوار التاسع: ما نافذة السياق (Context Window)؟ وكيف تساعد النموذج على متابعة المحادثة؟
👨‍🎓: تعلمنا أن النموذج يستقبل رموز الإدخال ويولّد رموز الإخراج. لكن كيف يستطيع متابعة الحديث عندما أطرح عليه عدة أسئلة متتابعة؟
🤖: لأنه يستطيع الاستفادة من المعلومات التي تصله مع السؤال الجديد، بما فيها أجزاء من المحادثة السابقة. وهذه المعلومات تساعده على فهم ما تتحدث عنه دون أن تضطر إلى إعادة كل شيء.
________________________________________
👨‍🎓: هل تستطيع إعطائي مثالًا بسيطًا؟
🤖: تخيّل أنك قلت للنموذج: «أريد إعداد بحث عن الذكاء الاصطناعي في التعليم».
ثم كتبت في الرسالة التالية: «اقترح لي ثلاثة عناوين مناسبة».
إذا وصلته المعلومة السابقة مع سؤالك الجديد، فسيعرف أن العناوين المطلوبة تتعلق بالذكاء الاصطناعي في التعليم.
________________________________________
👨‍🎓: وإذا لم تصله الرسالة السابقة، ماذا يحدث؟
🤖: قد لا يعرف موضوع العناوين المطلوبة، وربما يطلب منك تحديد المجال مرة أخرى. فالنموذج يحتاج إلى المعلومات المناسبة حتى يفهم المقصود من السؤال الجديد.
________________________________________
👨‍🎓: وأين توضع هذه المعلومات أثناء معالجة الطلب؟
🤖: توضع ضمن ما نسميه «السياق» (Context)، وهو مجموع المعلومات التي يتاح للنموذج استخدامها عند معالجة الطلب، مثل السؤال الحالي والتعليمات والرسائل السابقة المرسلة إليه.
________________________________________
👨‍🎓: وما الفرق بين السياق ونافذة السياق؟
🤖: السياق هو المعلومات التي يتعامل معها النموذج، أما «نافذة السياق» (Context Window) فهي الحد الأقصى لكمية المعلومات الممثلة بالرموز التي يستطيع النموذج التعامل معها ضمن عملية المعالجة، وفق إمكاناته وحدود الخدمة.
________________________________________
👨‍🎓: لم أفهم معنى النافذة جيدًا. هل تستطيع تقريب الفكرة؟
🤖: تخيّل أن أمامك مكتبًا تضع عليه الكتب والأوراق التي تحتاج إليها لإنجاز واجبك.
المكتب له مساحة محدودة. تستطيع وضع مجموعة من الأوراق عليه، لكن إذا ازدادت الأوراق فقد تحتاج إلى إزالة بعضها أو تلخيص المعلومات الموجودة فيها.
نافذة السياق تشبه مساحة هذا المكتب، أما المعلومات التي تضعها عليه فتشبه السياق.
________________________________________
👨‍🎓: هل يعني ذلك أن نافذة السياق تُقاس بالرموز التي تعلمناها؟
🤖: نعم. فمثلًا، إذا كانت نافذة السياق تسمح نظريًا بمعالجة 10,000 رمز، فهذا يعني أن المعلومات التي تشغلها يجب أن تبقى ضمن هذا الحد، مع مراعاة المساحة المطلوبة لتوليد الإجابة وحدود التشغيل.
________________________________________
👨‍🎓: أعطني مثالًا بالأرقام حتى أفهم ذلك جيدًا.
🤖: لنفترض أن لدينا نموذجًا افتراضيًا بسعة سياق تبلغ 10,000 رمز.
وأن المعلومات المرسلة إليه تشغل 6,000 رمز.
في هذه الحالة تكون المساحة غير المشغولة:
10000 - 6000= 4000 رمز.
لكن هذه المساحة ليست ضمانًا بأن النموذج يستطيع توليد 4000 رمز إخراج؛ فقد توجد حدود أخرى تحدد مقدار الإخراج المسموح.
________________________________________
👨‍🎓: إذن السعة الكاملة شيء، والمقدار المستخدم منها شيء آخر؟
🤖: صحيح. سعة النافذة هي الحد المتاح، أما إشغال السياق فهو عدد الرموز التي تشغل جزءًا من هذه السعة.
________________________________________
👨‍🎓: وهل تختلف سعة نافذة السياق من نموذج إلى آخر؟
🤖: نعم. فقد تدعم بعض النماذج نوافذ سياق أكبر من غيرها. كما قد تفرض الخدمة المستخدمة حدودًا أقل من القدرة المعلنة للنموذج.
________________________________________
👨‍🎓: هل النموذج الذي يمتلك نافذة سياق أكبر يقدم إجابات أفضل دائمًا؟
🤖: ليس بالضرورة. فوجود مساحة أكبر يسمح بالتعامل مع معلومات أكثر، لكنه لا يضمن أن النموذج سيستخدم جميع هذه المعلومات بدقة أو ينتج إجابة أفضل.
________________________________________
👨‍🎓: وماذا يحدث إذا كانت المعلومات التي أريد إرسالها أكبر من نافذة السياق؟
🤖: يعتمد الأمر على طريقة تشغيل النموذج والمنصة. فقد يُرفض الطلب بسبب تجاوز الحد، أو تُستبعد بعض المعلومات، أو يُختصر السياق قبل إرساله، إذا كانت المنصة مجهزة لذلك.
________________________________________
👨‍🎓: وهل حذف جزء من المحادثة القديمة قد يجعل النموذج ينسى ما قلته؟
🤖: قد يفقد بعض المعلومات إذا لم تعد موجودة ضمن السياق المرسل إليه. ولهذا يجب التمييز بين الرسائل التي يمكن الاستغناء عنها والمعلومات الضرورية لاستكمال المهمة.
________________________________________
👨‍🎓: أعطني مثالًا من البحث العلمي.
🤖: لنفترض أنك أخبرت النموذج بأن عنوان بحثك هو «أثر استخدام الذكاء الاصطناعي في تنمية مهارات التعلم الذاتي لدى طلاب المرحلة الثانوية».
ثم استمرت المحادثة طويلًا، وأصبح النموذج لا يتلقى هذه المعلومة ضمن السياق الجديد.
إذا طلبت منه بعد ذلك «اقترح أسئلة مناسبة لبحثي»، فقد يحتاج إلى معرفة عنوان البحث مرة أخرى حتى يقدم اقتراحات مرتبطة بموضوعك.
________________________________________
👨‍🎓: هل يمكن الاحتفاظ بعنوان البحث دون إرسال جميع الرسائل القديمة؟
🤖: نعم. يمكن الاحتفاظ بالمعلومات الأساسية في ملخص مناسب أو في بيانات منظمة تُرسل عند الحاجة، بدل إعادة إرسال المحادثة القديمة كاملة.
________________________________________
👨‍🎓: وهل معنى وجود نافذة سياق كبيرة أن جميع المعلومات الموجودة فيها مجانية؟
🤖: لا. نافذة السياق تحدد مقدار المعلومات الذي يمكن معالجته، لكنها لا تحدد وحدها التكلفة. فقد تُحاسَب الرموز التي يعالجها النموذج وفق أسعار المزوّد، مع اختلاف قواعد المحاسبة بحسب الخدمة.
________________________________________
👨‍🎓: إذن هناك فرق بين سعة نافذة السياق وعدد الرموز التي استهلكتها بالفعل؟
🤖: بالضبط. تخيّل أن لديك خزان ماء سعته ألف لتر، لكنك استخدمت مئة لتر فقط. سعة الخزان ليست هي كمية الماء التي استهلكتها.
وكذلك نافذة السياق؛ فقد تكون سعتها كبيرة، بينما يشغل الطلب جزءًا صغيرًا منها.
________________________________________
👨‍🎓: وكيف سأستفيد من معرفة ذلك في دليل الرموز؟
🤖: ستتعلم قراءة سعة نافذة السياق، وعدد الرموز المشغولة، والمساحة المتبقية، ومعرفة أي المكونات يشغل مساحة أكبر.
ثم يمكنك إجراء محاكاة لتغيير بعض القيم وملاحظة أثرها، دون افتراض أن إشغال السياق يساوي بالضرورة الاستهلاك المحاسبي لطلب حقيقي.
________________________________________
👨‍🎓: دعني ألخص ما فهمته: السياق هو المعلومات التي تصل إلى النموذج، ونافذة السياق هي المساحة المحدودة التي يستطيع التعامل معها؟
🤖: صحيح. وكلما فهمت الفرق بين المعلومات المستخدمة والسعة المتاحة، أصبحت أقدر على تفسير ما يحدث عندما تطول المحادثة أو تكثر الملفات والتعليمات.
________________________________________
💡 المعلومة الراسخة: نافذة السياق (Context Window) هي السعة المحددة بالرموز التي يستطيع النموذج التعامل معها أثناء معالجة الطلب، وفق حدود النموذج والخدمة. أما السياق فهو المعلومات التي تشغل هذه السعة. ولا تعني السعة الكبيرة استهلاكًا ماليًا أكبر تلقائيًا، ولا تضمن جودة أفضل؛ فالعبرة بحجم المعلومات المستخدمة وملاءمتها للمهمة.
________________________________________
________________________________________
________________________________________
الحوار العاشر: لماذا لا يستطيع الذكاء الاصطناعي قراءة معلومات بلا حدود؟ وما أسباب محدودية نافذة السياق؟
👨‍🎓: تعلمت أن نافذة السياق تحدد كمية المعلومات التي يستطيع النموذج التعامل معها في الطلب الواحد. لكن لماذا توجد هذه الحدود أصلًا؟ لماذا لا نجعل النافذة كبيرة بلا نهاية؟
🤖: لأن معالجة المعلومات تحتاج إلى موارد حاسوبية، مثل الذاكرة والقدرة على إجراء العمليات الحسابية. وهذه الموارد ليست غير محدودة. كما أن زيادة كمية المعلومات قد تؤثر في التكلفة وسرعة الاستجابة وجودتها.
________________________________________
👨‍🎓: هل تقصد أن النموذج لا يستطيع استقبال معلومات كثيرة لأنه ضعيف؟
🤖: ليس بهذه البساطة. فالنماذج تختلف في قدراتها وبنيتها التقنية، وتستطيع بعض النماذج التعامل مع معلومات أكثر من غيرها. لكن لكل نموذج وخدمة حدود تشغيلية، ولا تعني زيادة السعة أن المعلومات يمكن أن تستمر بلا نهاية.
________________________________________
👨‍🎓: وما الأسباب التي تجعل نافذة السياق محدودة؟
🤖: توجد أربعة أسباب رئيسية تساعدنا على فهم ذلك: القدرة الحاسوبية، والتكلفة المالية، وسرعة الاستجابة، وجودة التعامل مع المعلومات.
وسنتعرف على كل سبب على حدة.
________________________________________
👨‍🎓: لنبدأ بالسبب الأول. ما المقصود بالقدرة الحاسوبية؟
🤖: القدرة الحاسوبية هي الموارد التي يستخدمها الحاسوب لتنفيذ العمل، مثل إجراء الحسابات وتخزين المعلومات اللازمة أثناء المعالجة.
تخيّل أنك تحل مسألة على ورقة صغيرة، ثم طُلب منك تحليل مئات الصفحات في الوقت نفسه. ستحتاج إلى مساحة وأدوات وجهد أكبر.
وبطريقة مشابهة، تحتاج معالجة سياق أطول عادةً إلى موارد حاسوبية إضافية.
________________________________________
👨‍🎓: لكن المعلومات مجرد كلمات، فلماذا تحتاج إلى كل هذه الحسابات؟
🤖: لأن النموذج لا يتعامل مع الكلمات كما نقرؤها نحن فقط. فهو يحول النص إلى رموز وتمثيلات رقمية، ثم يجري عمليات رياضية كثيرة لمعالجة العلاقات بينها وإنتاج الاستجابة.
ولذلك فإن إضافة المعلومات قد تزيد حجم العمل الحسابي المطلوب.
________________________________________
👨‍🎓: وهل إذا تضاعف عدد الرموز تتضاعف العمليات الحسابية بالضرورة؟
🤖: ليس دائمًا. فالعلاقة تعتمد على البنية التقنية للنموذج وطريقة معالجة السياق.
في بعض البنى، مثل آليات الانتباه الكامل التقليدية، قد تنمو بعض الحسابات بسرعة أكبر من نمو عدد الرموز. وتوجد أيضًا تقنيات حديثة تحاول جعل معالجة السياقات الطويلة أكثر كفاءة.
________________________________________
👨‍🎓: ذكرت الذاكرة أكثر من مرة. هل تقصد أن النموذج يحتاج إلى حفظ كل ما أكتبه كما أحفظ ملفًا في جهاز الحاسوب؟
🤖: ليس بالمعنى نفسه. فهناك ذاكرة حاسوبية يستخدمها النظام مؤقتًا أثناء المعالجة للاحتفاظ بالبيانات والتمثيلات اللازمة للحساب.
وهذه تختلف عن حفظ سجل المحادثة في المنصة أو تخزين ملف على القرص للرجوع إليه لاحقًا.
________________________________________
👨‍🎓: فهمت السبب الأول. وما السبب الثاني؟
🤖: السبب الثاني هو التكلفة المالية. فالموارد الحاسوبية المستخدمة في تشغيل النماذج لها تكلفة، ولذلك تكون معالجة كميات أكبر من المعلومات أكثر استهلاكًا للموارد في العادة.
لكن مقدار التكلفة الفعلية يعتمد على النموذج والمزوّد وطريقة التسعير.
________________________________________
👨‍🎓: هل معنى ذلك أن معالجة مليون رمز أغلى دائمًا من معالجة عشرة آلاف رمز؟
🤖: إذا قارنا استخدام النموذج نفسه، وبالشروط المحاسبية نفسها، فإن معالجة عدد أكبر من الرموز تؤدي عادةً إلى تكلفة استخدام أعلى.
لكن يجب الانتباه إلى أن بعض الرموز قد تُحاسَب بأسعار مختلفة، مثل الرموز المخزنة مؤقتًا. كما أن تكلفة التشغيل الحاسوبية لا ترتفع بالضرورة بالنسبة نفسها التي يرتفع بها عدد الرموز.
________________________________________
👨‍🎓: هل تستطيع أن تعطيني مثالًا قريبًا من الواقع؟
🤖: تخيّل أنك طلبت من موظف قراءة عشر صفحات وتلخيصها، ثم طلبت منه قراءة ألف صفحة.
المهمة الثانية تتضمن معلومات أكثر وتحتاج عادةً إلى موارد وجهد إضافيين. ويشبه ذلك الفرق بين معالجة سياق صغير وسياق كبير، وإن كانت طريقة عمل النموذج مختلفة عن طريقة عمل الإنسان.
________________________________________
👨‍🎓: وما السبب الثالث لمحدودية نافذة السياق؟
🤖: سرعة الاستجابة. فكلما زادت كمية المعلومات التي يحتاج النموذج إلى معالجتها، قد يزداد الوقت اللازم لإعداد الإجابة.
ولهذا قد تؤثر السياقات الطويلة في سرعة الخدمة، خاصةً إذا كانت الموارد محدودة أو كان الطلب معقدًا.
________________________________________
👨‍🎓: وهل يعني ذلك أن السؤال الذي يحتوي على ألف رمز سيكون أسرع دائمًا من سؤال يحتوي على عشرة آلاف رمز؟
🤖: لا يمكن ضمان ذلك. فالسرعة تتأثر أيضًا بالنموذج، وطول الإجابة، وطبيعة المهمة، وحالة الخدمة، ومدى الاستفادة من المعالجة المخزنة مؤقتًا.
لكن إذا ثبتت بقية العوامل، فإن تقليل المعلومات غير الضرورية قد يساعد على تخفيف عبء المعالجة.
________________________________________
👨‍🎓: بقي السبب الرابع. ما علاقة كثرة المعلومات بجودة الإجابة؟
🤖: كثرة المعلومات لا تعني بالضرورة أن الإجابة ستكون أفضل.
فإذا أرسلت إلى النموذج معلومات طويلة تضم تفاصيل متكررة أو متعارضة أو غير مرتبطة بالسؤال، فقد يصبح تحديد الأجزاء المهمة واستخدامها بدقة أكثر صعوبة.
________________________________________
👨‍🎓: لكن أليست المعلومات الكثيرة أفضل من المعلومات القليلة؟
🤖: الأفضل هو المعلومات الكافية والمرتبطة بالمهمة، لا أكبر كمية ممكنة من المعلومات.
تخيّل أنك تبحث عن معلومة في كتاب من عشر صفحات، ثم تبحث عنها وسط ألف صفحة من موضوعات مختلفة. زيادة الصفحات لا تضمن سهولة العثور على المعلومة الصحيحة.
________________________________________
👨‍🎓: وهل يستطيع النموذج أن يهمل معلومة مهمة رغم وجودها داخل نافذة السياق؟
🤖: نعم، قد يحدث ذلك. فوجود المعلومة ضمن السياق لا يضمن أن النموذج سيستخدمها بالطريقة الصحيحة.
وقد يتأثر الأداء بمكان المعلومة بين النصوص، وطول السياق، وطبيعة المهمة، وقدرة النموذج على الربط بين المعلومات المتباعدة.
________________________________________
👨‍🎓: إذن إذا امتلك نموذج نافذة سياق كبيرة جدًا، فهذا لا يعني أنه سيفهم كل ما أرسله بدقة كاملة؟
🤖: صحيح. سعة النافذة تحدد مقدار المحتوى الذي يمكن للنموذج التعامل معه، أما جودة الفهم والاستدلال فتحتاج إلى تقييم مستقل.
ولهذا نفرّق بين القدرة على استقبال المعلومات والقدرة على الاستفادة منها بصورة صحيحة.
________________________________________
👨‍🎓: الآن فهمت الأسباب الأربعة. لكن لماذا لا نطور نموذجًا يستطيع استقبال جميع معلومات العالم مرة واحدة؟
🤖: لأن جمع جميع المعلومات ومعالجتها مباشرة في طلب واحد ليس حلًا عمليًا. فالمعلومات ضخمة ومتجددة، والموارد الحاسوبية محدودة، كما أن وجود المعلومات كلها لا يضمن اختيار ما يحتاج إليه السؤال.
لذلك تسعى الأنظمة إلى جعل المعلومات المهمة متاحة للنموذج عند الحاجة، بدل إدخال كل شيء في السياق دفعة واحدة.
________________________________________
👨‍🎓: وكيف يمكن للنموذج الاستفادة من معلومات ليست موجودة أصلًا داخل نافذة السياق؟
🤖: يمكن أن يستخدم النظام وسائل خارجية لحفظ المعلومات أو البحث عنها، ثم يرسل إلى النموذج الأجزاء المناسبة للمهمة الحالية.
وبذلك يستطيع النموذج الاستفادة من مصادر معلومات كبيرة دون أن يحتاج إلى استقبالها كاملة في كل طلب.
________________________________________
👨‍🎓: وما اسم هذه الوسائل؟
🤖: من أهمها الذاكرة الخارجية، والاسترجاع الانتقائي للمعلومات، والتوليد المعزز بالاسترجاع (RAG)، وتلخيص السياق، وبعض أشكال الذاكرة المستمرة.
وهي وسائل مختلفة، لكنها تساعد على تنظيم الوصول إلى المعلومات وتقليل الحاجة إلى وضعها كلها في الطلب الواحد.
________________________________________
👨‍🎓: ما المقصود بالذاكرة الخارجية؟
🤖: هي مكان أو نظام تُحفظ فيه معلومات خارج سياق النموذج الحالي، مثل قاعدة بيانات أو مستودع مستندات.
وعندما يحتاج النظام إلى معلومة محفوظة، يمكن استرجاعها وإرسال الجزء المناسب منها إلى النموذج.
________________________________________
👨‍🎓: وهل الذاكرة الخارجية تعني أن النموذج يستطيع قراءة جميع الملفات المحفوظة فيها تلقائيًا؟
🤖: لا. فالمعلومات المحفوظة خارج النموذج لا تصبح جزءًا من سياقه تلقائيًا.
يحتاج النظام إلى وسيلة للوصول إليها، واختيار الأجزاء المطلوبة، وإرسالها إلى النموذج ضمن الحدود المتاحة.
________________________________________
👨‍🎓: وما المقصود بالاسترجاع الانتقائي؟
🤖: يعني البحث عن المعلومات الأكثر ارتباطًا بالسؤال، واختيارها من بين معلومات كثيرة.
فمثلًا، إذا كان لديك ألف بحث علمي، وسألت عن موضوع محدد، فلا يلزم إرسال الأبحاث كلها. يمكن البحث عن الأجزاء الأكثر صلة بالسؤال وإرسالها للنموذج.
________________________________________
👨‍🎓: وهل هذا ما يُسمّى RAG؟
🤖: التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation)، واختصاره RAG، هو أسلوب يجمع بين استرجاع معلومات من مصادر خارجية واستخدامها لمساعدة النموذج على توليد إجابة.
والاسترجاع الانتقائي جزء مهم من هذا الأسلوب، لكنه ليس العملية كاملة؛ فهناك أيضًا تجهيز المعلومات المسترجعة واستخدامها في إنتاج الاستجابة.
________________________________________
👨‍🎓: هل تستطيع توضيح RAG بمثال من منصة سمارت مودلز؟
🤖: لنفترض أن باحثًا يريد سؤال مهارة بحثية عن معلومات موجودة في مجموعة كبيرة من الدراسات التي رفعها إلى المنصة.
إذا كانت هناك منظومة استرجاع مناسبة ومصرح لها بالوصول إلى تلك الدراسات، فيمكنها البحث عن المقاطع المرتبطة بسؤال الباحث، ثم إرسالها إلى النموذج لمساعدته على الإجابة.
________________________________________
👨‍🎓: وهل يضمن استخدام RAG أن الإجابة ستكون صحيحة؟
🤖: لا. فقد يسترجع النظام معلومات غير مناسبة، أو تكون المصادر نفسها ضعيفة، أو يفسر النموذج النصوص بطريقة غير دقيقة.
ولهذا ينبغي فحص جودة المصادر والمقاطع المسترجعة، والتحقق من صحة الإجابة، خاصةً في الأعمال العلمية.
________________________________________
👨‍🎓: تعلمنا سابقًا تلخيص السياق. هل هو أحد الحلول أيضًا؟
🤖: نعم. فبدل إعادة إرسال محادثة طويلة، يمكن إعداد ملخص يحتفظ بالمعلومات المهمة.
لكن التلخيص يختلف عن الاسترجاع؛ فالتلخيص يضغط معلومات موجودة في نص أقصر، أما الاسترجاع فيختار معلومات مناسبة من مصدر محفوظ.
________________________________________
👨‍🎓: وماذا تعني الذاكرة المستمرة؟
🤖: يُقصد بها عادةً آلية تسمح للنظام بالاحتفاظ بمعلومات مفيدة عبر محادثات أو جلسات مختلفة، ثم استحضارها عندما تكون مناسبة ومسموحًا باستخدامها.
لكنها لا تعني أن النموذج يحتفظ بكل شيء دون حدود، ولا أن كل معلومة محفوظة تصبح متاحة له تلقائيًا.
________________________________________
👨‍🎓: هل يمكن استخدام هذه الوسائل مجتمعة؟
🤖: نعم، إذا صُمم النظام لذلك.
فقد يحتفظ بملخص للمحادثة، ويسترجع مقاطع من الملفات عند الحاجة، ويضيف معلومات أساسية محفوظة في ذاكرة خارجية، ثم يرسل الأجزاء المناسبة إلى النموذج.
لكن يجب تنظيم هذه العملية حتى لا تتحول المعلومات المضافة نفسها إلى عبء جديد على نافذة السياق.
________________________________________
👨‍🎓: هل تستطيع أن تلخص الفرق بين هذه الوسائل بمثال واحد؟
🤖: تخيّل أنك باحث تمتلك مكتبة كبيرة:
الذاكرة الخارجية تشبه المكتبة التي تحفظ كتبك.
الاسترجاع الانتقائي يشبه البحث عن الصفحات المرتبطة بسؤالك.
RAG يشبه الاستفادة من الصفحات التي عثرت عليها لإعداد إجابة.
تلخيص السياق يشبه إعداد ورقة قصيرة تتضمن أهم ما توصلت إليه.
أما الذاكرة المستمرة فتشبه الاحتفاظ بمعلومات أساسية تساعدك على استكمال عملك في جلسات لاحقة.
________________________________________
👨‍🎓: هل تعني هذه الوسائل أننا تجاوزنا حدود نافذة السياق نهائيًا؟
🤖: لا. فالنافذة تظل محدودة، لكن هذه الوسائل تساعدنا على الاستفادة من معلومات أكبر من سعتها دون إرسال جميع المعلومات في وقت واحد.
والفرق مهم بين جعل المعلومات قابلة للوصول، وجعلها كلها موجودة داخل السياق في اللحظة نفسها.
________________________________________
👨‍🎓: وما علاقة هذا الموضوع بدليل الرموز؟
🤖: يساعدنا دليل الرموز على فهم أثر حجم المعلومات المرسلة في استهلاك الرموز والتكلفة التقديرية.
فإذا استبدلنا نصًا طويلًا بمعلومات مختارة أو بملخص أقصر، يمكننا دراسة الفرق في رموز الإدخال. لكن قياس جودة الاسترجاع أو التلخيص يحتاج إلى اختبار مستقل، وليس إلى حساب الرموز وحده.
________________________________________
👨‍🎓: هل يمكن أن تكون معالجة المعلومات خارج نافذة السياق مكلفة أيضًا؟
🤖: نعم. فقد يتطلب البحث في الملفات أو إعداد الملخصات أو تشغيل أدوات الاسترجاع عمليات إضافية، وقد تكون لها تكلفة مستقلة.
ولذلك يجب النظر إلى تكلفة العملية كاملة، لا إلى عدد الرموز الذي يصل إلى النموذج فقط.
________________________________________
👨‍🎓: إذن لا نستطيع القول إن استخدام RAG أو التلخيص يجعل النظام أسرع وأرخص دائمًا؟
🤖: صحيح. قد تتحقق فوائد مهمة، لكن النتيجة تعتمد على تصميم النظام، وحجم البيانات، وطبيعة المهمة، وجودة الاسترجاع، وتكلفة العمليات الإضافية.
ولهذا نحتاج إلى المقارنة والاختبار قبل اعتماد أي طريقة بوصفها الأفضل.
________________________________________
👨‍🎓: دعني أراجع ما تعلمته. نافذة السياق محدودة بسبب الموارد الحاسوبية والتكلفة والسرعة ومتطلبات جودة المعالجة، ويمكن استخدام وسائل خارجية للاستفادة من معلومات أكثر دون إدخالها كلها في الطلب؟
🤖: ممتاز. والأهم أنك أصبحت تميز بين أمرين: زيادة سعة النافذة نفسها، وتحسين طريقة اختيار المعلومات التي نضعها داخلها.
وقد تكون الطريقة الثانية أنسب لكثير من المهام، لأنها تركز على إيصال المعلومات الضرورية بدل إرسال كل ما هو متاح.
________________________________________
💡 المعلومة الراسخة: نافذة السياق محدودة لأسباب تتعلق بالبنية الحاسوبية والذاكرة والتكلفة وسرعة المعالجة، كما أن توسيعها لا يضمن تحسن جودة الاستدلال. ويمكن الاستفادة من معلومات أكبر من سعتها باستخدام الذاكرة الخارجية والاسترجاع الانتقائي وRAG وتلخيص السياق والذاكرة المستمرة. لكن هذه الوسائل لا تجعل نافذة السياق غير محدودة؛ بل تساعد على اختيار المعلومات المناسبة وإتاحتها للنموذج عند الحاجة، مع ضرورة التحقق من جودة النتائج والتكلفة الفعلية.
________________________________________
________________________________________
________________________________________
الحوار الحادي عشر: ما سجل المحادثة (Chat History)؟ ولماذا قد يزيد استهلاك الرموز كلما طال الحديث؟
👨‍🎓: تعلمت أن نافذة السياق هي المساحة التي يستطيع النموذج التعامل مع المعلومات داخلها. لكن عندما أواصل الحديث معه، أين تذهب أسئلتي وإجاباته السابقة؟
🤖: قد تحتفظ المنصة بالرسائل السابقة ضمن ما يُسمّى «سجل المحادثة» (Chat History)، حتى تتمكن من عرض المحادثة ومتابعتها لاحقًا، بحسب إعدادات الحفظ المعتمدة فيها.
________________________________________
👨‍🎓: وما المقصود بسجل المحادثة بطريقة أبسط؟
🤖: تخيّل دفترًا تكتب فيه أسئلتك، وتحت كل سؤال تكتب الإجابة التي حصلت عليها. وبعد عدة أسئلة، يصبح لديك دفتر يضم الحوار كاملًا. هذا يشبه سجل المحادثة.
________________________________________
👨‍🎓: وهل يشمل السجل أسئلتي فقط أم إجابات النموذج أيضًا؟
🤖: يشمل عادةً رسائلك وإجابات النموذج، وقد يحتوي على معلومات أخرى مرتبطة بالمحادثة، بحسب طريقة عمل المنصة.
________________________________________
👨‍🎓: وهل يستطيع النموذج قراءة جميع الرسائل المحفوظة في هذا السجل؟
🤖: ليس بالضرورة. فوجود الرسائل محفوظة في المنصة لا يعني أن النموذج يستقبلها جميعًا عند كل سؤال. المهم هو الرسائل التي تختار المنصة إرسالها إليه ضمن الطلب الحالي.
________________________________________
👨‍🎓: لم أفهم الفرق بين حفظ المحادثة وإرسالها إلى النموذج!
🤖: تخيّل أن لديك دفترًا يحتوي على خمسين صفحة، لكنك أعطيت المعلم عشر صفحات فقط ليقرأها.
الدفتر يحتفظ بالخمسين صفحة، أما المعلم فقد استقبل عشرًا منها فقط.
وكذلك قد تحتفظ المنصة بمحادثة طويلة، بينما ترسل إلى النموذج جزءًا منها.
________________________________________
👨‍🎓: ولماذا لا ترسل المنصة جميع الرسائل في كل مرة؟
🤖: لأن إرسال الرسائل جميعها قد يزيد حجم الطلب واستهلاك الرموز، وقد يجعل السياق يتجاوز السعة المسموحة. لذلك قد تستخدم المنصة عددًا محددًا من الرسائل أو طريقة أخرى لاختيار المعلومات اللازمة.
________________________________________
👨‍🎓: هل معنى ذلك أن كل سؤال جديد يستهلك رموز سؤالي الجديد فقط؟
🤖: لا. فإذا أرسلت المنصة مع سؤالك عشر رسائل سابقة، فإن رموز هذه الرسائل تدخل أيضًا ضمن المدخلات، حتى لو كنت قد كتبتها في وقت سابق.
________________________________________
👨‍🎓: وهل هذا يعني أن الرسالة القديمة قد تُحسب أكثر من مرة؟
🤖: نعم. إذا أُعيد إرسالها في طلبات متعددة، فقد تدخل ضمن حساب الاستخدام في كل طلب أُرسلت فيه. وقد تختلف تكلفتها الفعلية إذا كانت الخدمة تطبق تسعيرًا خاصًا للرموز المخزنة مؤقتًا.
________________________________________
👨‍🎓: هل تستطيع توضيح ذلك بمثال حسابي صغير؟
🤖: لنفترض أن المنصة أرسلت مع سؤالك خمس رسائل قديمة، ومتوسط كل رسالة 100 رمز.
إذن حجم الرسائل السابقة المرسلة:
5 × 100 =500 رمز.
وإذا كان سؤالك الجديد يحتوي على 50 رمزًا، فإن المجموع المبسط لهذين الجزأين يصبح:
500 + 50= 550 رمز إدخال.
ولم نضف في هذا المثال أي تعليمات أو معلومات أخرى.
________________________________________
👨‍🎓: وماذا إذا أصبحت الرسائل السابقة عشرًا بدلًا من خمس؟
🤖: إذا بقي متوسط كل رسالة 100 رمز، يصبح حجم الرسائل السابقة 1000 رمز.
ومع السؤال الجديد الذي يحتوي على 50 رمزًا، يصبح المجموع:
1000 + 50= 1050 رمز إدخال.
إذن زاد الاستهلاك الافتراضي لأن كمية المحادثة السابقة المرسلة ازدادت.
________________________________________
👨‍🎓: هل يعني ذلك أن المحادثة الأطول تكون دائمًا أعلى تكلفة؟
🤖: ليس دائمًا. فالتكلفة تعتمد على ما يُرسل فعليًا إلى النموذج، وما يولّده، وأسعار الخدمة.
قد تكون المحادثة المحفوظة طويلة، لكن المنصة ترسل منها جزءًا صغيرًا فقط.
________________________________________
👨‍🎓: وإذا أردت مواصلة بحث علمي بدأته قبل يومين، هل من الأفضل حذف المحادثات السابقة لتقليل التكلفة؟
🤖: لا تتعجل حذفها. فقد تحتوي على عنوان البحث وأهدافه والقرارات التي توصلت إليها. حذف المعلومات الضرورية قد يجعل النموذج يقدم إجابات غير مرتبطة بما أنجزته.
________________________________________
👨‍🎓: وكيف يمكن تقليل الرسائل المرسلة دون فقد المعلومات المهمة؟
🤖: إحدى الطرق هي تلخيص المحادثة السابقة في نص قصير يحافظ على المعلومات الأساسية، مثل موضوع البحث وأهدافه وما تم الاتفاق عليه، ثم استخدام هذا الملخص عند الحاجة.
________________________________________
👨‍🎓: وهل الملخص يساوي المحادثة الأصلية في جميع التفاصيل؟
🤖: لا. الملخص يحتفظ بالمعلومات المختارة، لكنه قد يفقد بعض التفاصيل. ولذلك يجب التأكد من أنه يتضمن المعلومات التي يحتاج إليها النموذج قبل الاعتماد عليه.
________________________________________
👨‍🎓: وهل يمكن لمنصة سمارت مودلز أن تختصر المحادثات بهذه الطريقة تلقائيًا؟
🤖: يمكن تنفيذ ذلك تقنيًا بتجهيز آلي مناسب.
________________________________________
👨‍🎓: وما علاقة هذا الموضوع بدليل الرموز؟
🤖: يساعدك دليل الرموز على دراسة أثر عدد الرسائل السابقة ومتوسط حجمها في استهلاك رموز الإدخال. ومن خلال تغيير القيم الافتراضية، تستطيع مقارنة ما يحدث عندما يُرسل سجل طويل أو جزء مختصر منه.
________________________________________
👨‍🎓: دعني أتأكد من فهمي: سجل المحادثة هو الرسائل المحفوظة، لكن النموذج قد يستقبل بعضها فقط. وإذا أُعيد إرسال الرسائل القديمة، فقد تدخل في استهلاك الرموز مرة أخرى؟
🤖: صحيح تمامًا. وهذا يوضح لماذا يجب التمييز بين طول المحادثة المحفوظة وحجم المحادثة الذي يُرسل فعليًا مع كل طلب.
________________________________________
💡 المعلومة الراسخة: سجل المحادثة (Chat History) هو الرسائل السابقة المحفوظة في النظام، أما سياق الطلب فهو المعلومات التي تصل فعليًا إلى النموذج. وقد تؤدي إعادة إرسال الرسائل السابقة إلى زيادة رموز الإدخال والتكلفة، ولذلك يمكن التحكم في الاستهلاك باختيار المعلومات الضرورية أو تلخيصها، دون التضحية بجودة الإجابة.
________________________________________
________________________________________
________________________________________
الحوار الثاني عشر: ما الحد الأقصى لرسائل المحادثة (Chat History Limit)؟ وكيف نحدد الرسائل التي يحتاج إليها النموذج؟
👨‍🎓: تعلمنا أن تلخيص المحادثة الطويلة قد يساعد على تقليل استهلاك الرموز. لكن هل توجد طريقة أخرى للتحكم في عدد الرسائل التي تصل إلى النموذج؟
🤖: نعم. يمكن تحديد عدد معين من الرسائل السابقة التي تُرسل مع السؤال الجديد. ويُسمّى هذا الإعداد عادةً «الحد الأقصى لرسائل المحادثة» (Chat History Limit).
________________________________________
👨‍🎓: ماذا تعني كلمة «الحد الأقصى» هنا؟
🤖: تعني أكبر عدد مسموح بإرساله من الرسائل السابقة وفق هذا الإعداد. فإذا حددنا الحد الأقصى بعشر رسائل، فلن نرسل أكثر من عشر رسائل سابقة في الجزء الذي يتحكم فيه هذا الإعداد.
________________________________________
👨‍🎓: هل تستطيع توضيح ذلك بمثال من حياتنا اليومية؟
🤖: تخيّل أنك تتابع مسلسلًا طويلًا، وطلب منك صديقك أن تخبره بما حدث في الحلقات السابقة.
بدل أن تحكي له جميع الحلقات منذ البداية، يمكنك أن تشرح له أحداث الحلقات الخمس الأخيرة حتى يفهم ما يجري الآن.
وهذه الفكرة تشبه اختيار عدد محدد من الرسائل السابقة لمساعدة النموذج على متابعة المحادثة.
________________________________________
👨‍🎓: إذا كانت المحادثة تحتوي على خمسين رسالة، وحددنا الحد الأقصى بعشر رسائل، فماذا يحدث؟
🤖: في الطريقة البسيطة التي تختار أحدث الرسائل، تُرسل عشر رسائل سابقة فقط مع الطلب الجديد، بينما تبقى الرسائل الأخرى محفوظة إذا كانت المنصة تحتفظ بها.
لكن طريقة اختيار الرسائل قد تختلف بحسب تصميم النظام.
________________________________________
👨‍🎓: وهل الرسالة تعني سؤالًا من المستخدم وإجابة من النموذج معًا؟
🤖: ليس بالضرورة. فكثير من الأنظمة تعدّ سؤال المستخدم رسالة مستقلة، وإجابة النموذج رسالة أخرى.
فإذا كتب المستخدم خمسة أسئلة وتلقى خمس إجابات، فقد يكون لدينا عشر رسائل، لا خمس.
________________________________________
👨‍🎓: هذه نقطة مهمة! إذن عندما نحدد عشر رسائل، فقد نعني خمسة أسئلة وخمس إجابات؟
🤖: صحيح في هذا المثال، إذا كان النظام يحسب كل سؤال وكل إجابة رسالة مستقلة. أما بعض الأنظمة فقد تستخدم تعريفًا مختلفًا، لذلك يجب معرفة طريقة العدّ قبل تفسير الإعداد.
________________________________________
👨‍🎓: وهل تحديد عشر رسائل يعني أن النموذج سيستهلك عشرة رموز فقط؟
🤖: لا. الرسالة قد تحتوي على كلمة واحدة أو مئات الكلمات. لذلك يجب التمييز بين عدد الرسائل وعدد الرموز الموجودة داخلها.
________________________________________
👨‍🎓: هل يمكن أن تكون خمس رسائل أطول من عشرين رسالة؟
🤖: بالتأكيد. تخيّل خمس رسائل، تحتوي كل واحدة منها على شرح طويل، مقابل عشرين رسالة قصيرة مثل «نعم» و«وضح أكثر».
عدد الرسائل وحده لا يخبرنا بحجم النص الذي سيعالجه النموذج.
________________________________________
👨‍🎓: أريد مثالًا حسابيًا بسيطًا يوضح العلاقة بين الرسائل والرموز.
🤖: لنفترض أن متوسط طول الرسالة الواحدة هو 150 رمزًا.
إذا أرسلنا عشر رسائل سابقة، فسيكون الحجم التقديري:
10 × 150= 1500 رمز.
وإذا أرسلنا عشرين رسالة بالمتوسط نفسه:
20 × 150= 3000 رمز.
إذن تقليل العدد من عشرين إلى عشر رسائل خفّض هذا الجزء من المدخلات بمقدار 1500 رمز في المثال الافتراضي.
________________________________________
👨‍🎓: هل يعني ذلك أن الحد الأقصى لعشر رسائل أفضل من عشرين رسالة؟
🤖: ليس دائمًا. فقد تكفي عشر رسائل لمحادثة بسيطة، بينما تحتاج مهمة بحثية طويلة إلى معلومات وردت في رسائل أقدم.
الأفضل هو اختيار عدد مناسب لطبيعة المهمة، لا اعتماد رقم واحد لجميع المحادثات.
________________________________________
👨‍🎓: وماذا لو كانت الرسالة الحادية عشرة تحتوي على معلومة مهمة عن بحثي؟
🤖: إذا كان النظام يختار أحدث عشر رسائل فقط، فقد لا تصل هذه المعلومة إلى النموذج.
ولذلك يمكن الاحتفاظ بالمعلومات المهمة في ملخص أو تعليمات مخصصة للمهمة، بدل الاعتماد على بقائها ضمن أحدث الرسائل.
________________________________________
👨‍🎓: وما الفرق إذن بين تحديد عدد الرسائل وتلخيص السياق الذي تعلمناه سابقًا؟
🤖: تحديد عدد الرسائل يضع حدًا لكمية الرسائل السابقة المختارة للإرسال.
أما تلخيص السياق فيحوّل معلومات من المحادثة إلى نص أقصر يحتفظ بأهم معانيها.
فالأول يتحكم في عدد الرسائل، والثاني يتحكم في مقدار المعلومات وطريقة اختصارها.
________________________________________
👨‍🎓: وهل يمكن استخدام الطريقتين معًا؟
🤖: نعم. فقد يحتفظ النظام بملخص للمعلومات المهمة، ويرسل معه عددًا محدودًا من أحدث الرسائل.
وبذلك يستطيع النموذج الاستفادة من المعلومات الأساسية والأحداث القريبة في المحادثة دون الحاجة إلى استقبال السجل الكامل.
________________________________________
👨‍🎓: وهل تحديد عدد الرسائل يضمن عدم تجاوز نافذة السياق؟
🤖: لا. فقد تكون الرسائل القليلة طويلة جدًا، كما قد تُرسل معها تعليمات وملفات ومعلومات إضافية.
لذلك يجب مراعاة عدد الرموز أيضًا، وليس عدد الرسائل وحده.
________________________________________
👨‍🎓: إذن هل يوجد فرق بين الحد الأقصى للرسائل والحد الأقصى للرموز؟
🤖: نعم. الحد الأقصى للرسائل يحدد عدد الرسائل التي يمكن اختيارها، أما الحد الأقصى للرموز فيحدد كمية المحتوى وفق وحدات الرموز.
وقد يستخدم النظام الحدين معًا للتحكم في حجم السياق.
________________________________________
👨‍🎓: وإذا خفضت عدد الرسائل في دليل الرموز، فهل يتغير إعداد منصة سمارت مودلز الحقيقية؟
🤖: لا. تغيير الرقم داخل المحاكاة يساعدك على فهم أثره المتوقع، لكنه لا يغيّر إعدادات المنصة الفعلية.
وأي تعديل حقيقي في طريقة إرسال سجل المحادثة يحتاج إلى تنفيذ داخل النظام والتحقق من نتائجه.
________________________________________
👨‍🎓: وكيف أعرف أن تقليل الرسائل لم يؤثر في جودة الإجابة؟
🤖: نجرب المهمة نفسها مع إعدادات مختلفة، ثم نقارن الإجابات. فإذا استطاع النموذج الاستفادة من المعلومات الضرورية وإكمال المهمة بصورة صحيحة، فقد يكون الإعداد الأقل مناسبًا.
أما إذا فقد معلومات مهمة أو أخطأ في متابعة الحوار، فيجب مراجعة الإعداد.
________________________________________
👨‍🎓: هل أستطيع الآن وضع عدد مثالي من الرسائل لجميع مهارات منصة سمارت مودلز؟
🤖: لا يوجد عدد مثالي واحد يصلح لجميع المهارات. فقد تحتاج مهارة تقدم إجابة سريعة إلى سياق قصير، بينما تحتاج مهارة تدعم بحثًا طويلًا إلى معلومات أكثر.
ويعتمد الاختيار على طبيعة المهمة، وطول الرسائل، وجودة الاستجابة، والتكلفة.
________________________________________
👨‍🎓: دعني أراجع ما تعلمته. عدد الرسائل ليس هو عدد الرموز، وتحديد حد أقصى للرسائل قد يقلل الاستهلاك، لكنه قد يستبعد معلومات ضرورية؟
🤖: صحيح. والأهم أنك أصبحت تعرف الفرق بين ثلاثة أمور: حفظ المحادثة كاملة، واختيار عدد محدد من رسائلها، وتلخيص المعلومات المهمة منها.
وهذه المعرفة تساعدك على فهم كيفية إدارة سياق المحادثة دون الخلط بين تقليل الاستهلاك والمحافظة على جودة الإجابة.
________________________________________
💡 المعلومة الراسخة: الحد الأقصى لرسائل المحادثة (Chat History Limit) هو إعداد يحدد عدد الرسائل السابقة التي يمكن إرسالها إلى النموذج وفق طريقة تشغيل النظام. وقد يساعد تقليل هذا العدد على خفض رموز الإدخال، لكنه لا يضمن وحده انخفاض الاستهلاك أو الحفاظ على المعلومات الضرورية. لذلك يجب مراعاة طول الرسائل، وطبيعة المهمة، وجودة الإجابة، مع التمييز بين تحديد عدد الرسائل وتلخيص السياق.
________________________________________
________________________________________
________________________________________
الحوار الثالث عشر: ما الرموز المخزنة مؤقتًا (Cached Tokens)؟ وكيف يمكن أن تساعد على خفض التكلفة؟
👨‍🎓: تعلمنا أن المنصة قد ترسل بعض الرسائل والتعليمات إلى النموذج أكثر من مرة. لكن هل يجب أن ندفع التكلفة نفسها في كل مرة تُرسل فيها المعلومات؟
🤖: ليس بالضرورة. فبعض مزوّدي نماذج الذكاء الاصطناعي يقدمون ميزة تسمى «التخزين المؤقت للطلبات» (Prompt Caching)، وقد تسمح باحتساب بعض رموز الإدخال المتكررة بسعر أقل، وفق شروط المزوّد.
________________________________________
👨‍🎓: ماذا يعني التخزين المؤقت؟ وهل تستطيع أن تشرحه دون مصطلحات تقنية؟
🤖: تخيّل أنك تعمل على كتاب كبير، وتحتاج إلى الرجوع إلى مقدمته مرات كثيرة.
بدل أن تبدأ قراءة المقدمة وتحليلها من الصفر في كل مرة، تحتفظ بمعلومات سبق تجهيزها لتستفيد منها مجددًا.
هذه الفكرة تقرّب معنى التخزين المؤقت، مع اختلاف طريقة تنفيذها داخل أنظمة الذكاء الاصطناعي.
________________________________________
👨‍🎓: وهل يعني ذلك أن النموذج يحتفظ بنسخة من محادثاتي إلى الأبد؟
🤖: لا. التخزين المؤقت ليس ذاكرة دائمة. وهو آلية تقنية قد تحتفظ بمعلومات معالجة قابلة لإعادة الاستخدام لمدة وشروط محددة، بحسب المزوّد. ولا يعني بالضرورة حفظ المحادثة الكاملة أو إتاحتها للنموذج في جميع الأوقات.
________________________________________
👨‍🎓: وما الفرق بين التخزين المؤقت وسجل المحادثة الذي تعلمناه سابقًا؟
🤖: سجل المحادثة يتعلق بالرسائل التي يحتفظ بها التطبيق لعرضها أو استخدامها لاحقًا.
أما التخزين المؤقت للطلبات فيتعلق بإعادة استخدام أجزاء من المعالجة السابقة داخل خدمة النموذج، عندما تتحقق شروط ذلك.
ولهذا قد تكون المحادثة محفوظة دون أن تكون رموزها مؤهلة للتخزين المؤقت.
________________________________________
👨‍🎓: أعطني مثالًا من منصة سمارت مودلز.
🤖: تخيّل أن إحدى المهارات البحثية تحتوي على تعليمات ثابتة تُرسل في طلبات متتابعة، مثل تحديد وظيفة المهارة وحدودها وطريقة إخراج النتائج.
إذا كان النموذج والمزوّد يدعمان التخزين المؤقت، وكانت التعليمات المتكررة مستوفية للشروط، فقد تستفيد بعض الطلبات اللاحقة من معالجة تلك التعليمات سابقًا.
________________________________________
👨‍🎓: هل يعني ذلك أن جميع تعليمات المهارة ستصبح مجانية بعد إرسالها أول مرة؟
🤖: لا. فقد تُحسب الرموز المخزنة مؤقتًا بسعر مخفّض، وليس بالضرورة مجانًا. كما أن بعض المزوّدين يفرضون شروطًا أو رسومًا خاصة بإنشاء التخزين المؤقت والاحتفاظ به.
________________________________________
👨‍🎓: وهل كل معلومة تتكرر تُحسب تلقائيًا من الرموز المخزنة مؤقتًا؟
🤖: لا. يعتمد ذلك على النموذج والمزوّد وطريقة ترتيب الطلبات ومدى تطابق الأجزاء القابلة لإعادة الاستخدام، إلى جانب شروط أخرى قد تختلف من خدمة إلى أخرى.
________________________________________
👨‍🎓: وما أهمية ترتيب المعلومات داخل الطلب؟
🤖: في بعض أنظمة التخزين المؤقت، تساعد المحافظة على مقدمة ثابتة للطلب على إعادة استخدام معالجتها.
فمثلًا، يمكن أن تبقى تعليمات المهارة الثابتة في بداية الطلب، بينما تتغير أسئلة المستخدم بعدها. لكن نجاح هذه الطريقة يعتمد على آلية التخزين التي يدعمها المزوّد.
________________________________________
👨‍🎓: هل تستطيع توضيح الفرق بين الرموز العادية والرموز المخزنة مؤقتًا؟
🤖: لنفترض أن طلبًا يحتوي على 1000 رمز إدخال.
وبحسب بيانات الاستخدام الافتراضية، صُنّف منها:
600 رمز إدخال عادي.
400 رمز إدخال مخزّن مؤقتًا.
فيكون المجموع:
600 + 400= 1000 رمز إدخال.
إذن التخزين المؤقت لم يُلغِ هذه الرموز من عدد المدخلات، لكنه قد يغيّر طريقة احتساب تكلفتها.
________________________________________
👨‍🎓: إذن عدد رموز الإدخال بقي ألفًا، لكن التكلفة قد تنخفض؟
🤖: صحيح. وهذه نقطة أساسية: تخفيض تكلفة الرموز ليس هو نفسه تقليل عدد الرموز.
فقد يعالج النظام طلبًا بعدد الرموز نفسه، لكن يُحاسَب جزء منها بسعر أقل عند تحقق شروط التخزين المؤقت.
________________________________________
👨‍🎓: أريد أن أفهم التوفير بالأرقام، هل يمكن ذلك؟
🤖: نعم. لنفترض لأغراض التعليم فقط أن سعر ألف رمز إدخال عادي يساوي 0.010 دولار، وسعر ألف رمز إدخال مخزّن مؤقتًا يساوي 0.002 دولار.
إذا كانت جميع الرموز الألف عادية، فستكون تكلفتها الافتراضية 0.010 دولار.
أما إذا كانت 600 رمز عادية و400 رمز مخزنة مؤقتًا، فسنحسب:
تكلفة الرموز العادية = 0.006 دولار.
تكلفة الرموز المخزنة مؤقتًا = 0.0008 دولار.
المجموع = 0.0068 دولار.
إذن انخفضت التكلفة الافتراضية من 0.010 إلى 0.0068 دولار، أي بنسبة 32%.
وهذه أسعار مفترضة للشرح، وليست أسعار نموذج أو مزوّد بعينه.
________________________________________
👨‍🎓: هل يعني ذلك أن نسبة التوفير ستكون دائمًا 32 %؟
🤖: لا. فقد تختلف النسبة بحسب سعر النموذج، وحجم الجزء المؤهل للتخزين المؤقت، ونوع الخدمة، والرسوم التي قد تنطبق عليها.
________________________________________
👨‍🎓: وهل يستفيد المستخدم من التخزين المؤقت إذا كان يرسل سؤالًا جديدًا مختلفًا تمامًا في كل مرة؟
🤖: قد يستفيد إذا كان جزء مناسب من الطلب ثابتًا ومتكررًا، مثل تعليمات المهارة. لكن إذا تغيرت الأجزاء المطلوبة للتطابق، أو لم تتحقق شروط المزوّد، فقد لا تحدث استفادة من التخزين المؤقت.
________________________________________
👨‍🎓: وهل توجد علاقة بين التخزين المؤقت وتلخيص السياق الذي درسناه؟
🤖: نعم، لكنهما طريقتان مختلفتان.
تلخيص السياق يهدف إلى تقليل مقدار المعلومات التي نحتاج إلى إرسالها.
أما التخزين المؤقت فيهدف إلى الاستفادة من معالجة معلومات متكررة، وقد يخفض تكلفتها دون تقليل عدد رموزها.
ولهذا لا ينبغي الخلط بينهما.
________________________________________
👨‍🎓: وهل يمكن الجمع بين الطريقتين؟
🤖: نعم، عندما تسمح طريقة التشغيل بذلك. فقد نستخدم ملخصًا مناسبًا بدل محادثة طويلة، ونحافظ في الوقت نفسه على أجزاء ثابتة من التعليمات يمكن أن تستفيد من التخزين المؤقت.
لكن نجاح الجمع بينهما يجب التحقق منه عمليًا، لأن تغيير النص أو ترتيبه قد يؤثر في الاستفادة من التخزين المؤقت.
________________________________________
👨‍🎓: وهل يمكنني معرفة عدد الرموز المخزنة مؤقتًا من مجرد قراءة السؤال والإجابة؟
🤖: لا. نحتاج إلى بيانات الاستخدام التي يوفرها المزوّد، إذا كانت تتضمن تفاصيل الرموز المخزنة مؤقتًا، أو إلى سجلات فنية موثوقة تعرض هذه المعلومات.
________________________________________
👨‍🎓: وهل أستطيع افتراض أن منصة سمارت مودلز تستخدم التخزين المؤقت فعلًا؟
🤖: لا. فالاستفادة منه تعتمد على النماذج والمزوّدين وطريقة إرسال الطلبات وإعدادات التشغيل. ويجب فحص هذه الجوانب قبل الجزم بأنه مفعّل أو يحقق توفيرًا حقيقيًا.
________________________________________
👨‍🎓: وكيف يساعدني دليل الرموز على فهم هذه الميزة؟
🤖: يمكن أن نستخدم الدليل لمحاكاة توزيع رموز الإدخال بين رموز عادية ورموز مخزنة مؤقتًا، ثم مقارنة التكلفة التقديرية في الحالتين.
أما إثبات أن المنصة حصلت فعلًا على خصم التخزين المؤقت، فيحتاج إلى بيانات استخدام حقيقية.
________________________________________
👨‍🎓: دعني ألخص ما فهمته. التخزين المؤقت لا يعني حذف الرموز، وإنما قد يجعل بعض الرموز المتكررة أقل تكلفة إذا كانت الخدمة تدعم ذلك؟
🤖: صحيح تمامًا. وأصبحت الآن تستطيع التمييز بين ثلاث وسائل مهمة:
تقليل الرسائل يحد من عدد الرسائل السابقة المرسلة.
تلخيص السياق يقلل حجم المعلومات اللازمة لمتابعة العمل.
التخزين المؤقت قد يقلل تكلفة معالجة أجزاء متكررة من المدخلات.
وكل وسيلة لها وظيفة وشروط مختلفة.
________________________________________
💡 المعلومة الراسخة: الرموز المخزنة مؤقتًا (Cached Tokens) هي رموز إدخال يمكن أن تستفيد من إعادة استخدام معالجة سابقة وفق آلية المزوّد وشروطه. وقد يؤدي ذلك إلى خفض التكلفة دون خفض العدد الإجمالي للرموز. ولا تُفترض الاستفادة منها لمجرد تكرار النص؛ بل ينبغي التحقق من دعم النموذج وبيانات الاستخدام الفعلية، والتمييز بين التخزين المؤقت وتقليل الرسائل وتلخيص السياق.
________________________________________
________________________________________
________________________________________
الحوار الرابع عشر: كيف تُحسب تكلفة الرموز (Token Cost)؟ ولماذا تختلف من نموذج إلى آخر؟
👨‍🎓: تعلمت أن رموز الإدخال قد تكون عادية أو مخزنة مؤقتًا، وأن لكل نوع سعرًا مختلفًا. لكن كيف نعرف المبلغ الذي ندفعه مقابل استخدام النموذج؟
🤖: نحتاج إلى معرفة أمرين أساسيين: عدد الرموز التي استخدمها النموذج، وسعر هذه الرموز لدى المزوّد. ومن خلالهما نستطيع حساب التكلفة.
________________________________________
👨‍🎓: هل تقصد أن كل رمز له سعر محدد؟
🤖: نعم، في الخدمات التي تعتمد على تسعير الرموز. لكن المزوّد لا يعرض السعر عادةً لرمز واحد، بل يحدده لكل مليون رمز مثلًا؛ لأن تكلفة الرمز الواحد قد تكون صغيرة جدًا.
________________________________________
👨‍🎓: ما معنى «السعر لكل مليون رمز»؟
🤖: تخيّل أنك تشتري الورق، وكان المتجر يعرض سعر ألف ورقة بدلًا من سعر الورقة الواحدة.
وبطريقة مشابهة، قد يعلن مزوّد النموذج أن معالجة مليون رمز إدخال تكلف مبلغًا معينًا، وأن توليد مليون رمز إخراج يكلف مبلغًا آخر.
________________________________________
👨‍🎓: لكنني لا أستخدم مليون رمز في كل سؤال. هل يجب أن أدفع ثمن المليون كاملًا؟
🤖: لا. في نظام المحاسبة بحسب الاستخدام، تُحسب التكلفة وفق عدد الرموز الذي استُخدم بالفعل، وليس بالضرورة وفق مليون رمز كامل.
فالمليون هنا وحدة لعرض السعر، وليس شرطًا أن تستهلكها جميعًا.
________________________________________
👨‍🎓: هل يمكن أن تعطيني مثالًا بسيطًا لسعر نموذج؟
🤖: لنفترض أن لدينا نموذجًا افتراضيًا أسعاره:
سعر مليون رمز إدخال: دولار واحد.
سعر مليون رمز إخراج: أربعة دولارات.
إذن الإخراج في هذا المثال أغلى من الإدخال، لكن هذه الأسعار وضعت للتعليم فقط، ولا تخص نموذجًا حقيقيًا.
________________________________________
👨‍🎓: إذا استخدمت ألف رمز إدخال، فكيف أحسب تكلفتها؟
🤖: نبدأ بقسمة عدد الرموز على مليون، ثم نضرب الناتج في سعر المليون.
في مثالنا:
1,000 ÷ 1,000,000 × 1= 0.001 دولار.
أي أن تكلفة ألف رمز إدخال تساوي عُشر سنت أمريكي.
________________________________________
👨‍🎓: وماذا إذا ولّد النموذج ألف رمز إخراج أيضًا؟
🤖: نحسبها بالطريقة نفسها، لكن باستخدام سعر الإخراج، وهو أربعة دولارات لكل مليون رمز:
1,000 ÷ 1,000,000 × 4= 0.004 دولار.
إذن تكلفة ألف رمز إخراج تساوي أربعة أعشار السنت.
________________________________________
👨‍🎓: وكيف أعرف تكلفة السؤال كاملًا؟
🤖: نجمع تكلفة الإدخال وتكلفة الإخراج:
0.001 + 0.004= 0.005 دولار.
وهذه هي تكلفة الاستخدام التقديرية في مثالنا المبسط، دون رسوم أو أنواع استهلاك أخرى.
________________________________________
👨‍🎓: لحظة! عدد رموز الإدخال والإخراج متساوٍ، ومع ذلك كانت تكلفة الإخراج أعلى؟
🤖: صحيح. لأن سعر مليون رمز إخراج في المثال أربعة أضعاف سعر مليون رمز إدخال.
وهنا نفهم لماذا لا يكفي جمع عدد الرموز وحده لمعرفة التكلفة.
________________________________________
👨‍🎓: وهل تختلف الأسعار من نموذج إلى آخر داخل منصة سمارت مودلز؟
🤖: قد تختلف، لأن المنصة يمكن أن تتيح نماذج من مزوّدين مختلفين أو نماذج ذات أسعار متفاوتة. أما النماذج المتاحة فعليًا وأسعارها الحالية فتحتاج إلى مراجعة إعدادات المنصة وبيانات مزوّديها.
________________________________________
👨‍🎓: لماذا يكون نموذج أغلى من نموذج آخر؟
🤖: تختلف النماذج في قدراتها ومتطلبات تشغيلها وخصائصها، كما تختلف السياسات التجارية للمزوّدين. لذلك قد نجد نموذجًا منخفض التكلفة وآخر مرتفع التكلفة، دون أن يعني السعر وحده أن أحدهما الأفضل لجميع المهام.
________________________________________
👨‍🎓: هل يمكن أن ينجز النموذج الأقل تكلفة مهمتي بصورة جيدة؟
🤖: نعم. فقد يكون مناسبًا للتلخيص البسيط أو إعادة الصياغة أو بعض المهام المباشرة، بينما تحتاج مهام أكثر تعقيدًا إلى نموذج آخر.
لكن تحديد النموذج المناسب يحتاج إلى مقارنة جودة النتائج والتكلفة والقدرات المطلوبة.
________________________________________
👨‍🎓: إذن لماذا لا نختار النموذج الأرخص دائمًا؟
🤖: لأن النموذج الأرخص قد لا ينجز بعض المهام بالجودة المطلوبة، وربما نحتاج إلى إعادة السؤال أو تصحيح الإجابة عدة مرات.
لذلك يجب أن ننظر إلى تكلفة إنجاز المهمة بنجاح، وليس سعر الطلب الواحد فقط.
________________________________________
👨‍🎓: وهل التخزين المؤقت الذي تعلمناه يدخل في حساب التكلفة؟
🤖: نعم، إذا دعمه المزوّد وظهرت رموز مؤهلة له. عندئذ قد نحتاج إلى حساب ثلاثة أجزاء بدلًا من جزأين:
رموز الإدخال العادية بسعرها.
رموز الإدخال المخزنة مؤقتًا بسعرها.
رموز الإخراج بسعرها.
ثم نجمع تكاليف هذه الأجزاء وفق قواعد التسعير المطبقة.
________________________________________
👨‍🎓: هل تستطيع إعطائي مثالًا يجمع الأنواع الثلاثة؟
🤖: لنفترض أن لدينا نموذجًا افتراضيًا بالأسعار التالية لكل مليون رمز:
الإدخال العادي: 1 دولار.
الإدخال المخزن مؤقتًا: 0.20 دولار.
الإخراج: 4 دولارات.
وفي طلب واحد استخدمنا:
2,000 رمز إدخال عادي.
3,000 رمز إدخال مخزن مؤقتًا.
1,000 رمز إخراج.
________________________________________
👨‍🎓: وكيف نحسب التكلفة في هذه الحالة؟
🤖: نحسب كل جزء على حدة:
تكلفة الإدخال العادي:
2,000 ÷ 1,000,000 × 1= 0.002 دولار.
تكلفة الإدخال المخزن مؤقتًا:
3,000 ÷ 1,000,000 × 0.20= 0.0006 دولار.
تكلفة الإخراج:
1,000 ÷ 1,000,000 × 4= 0.004 دولار.
ثم نجمع:
0.002 + 0.0006 + 0.004= 0.0066 دولار.
إذن التكلفة الافتراضية لهذا الطلب هي 0.0066 دولار، وفق الأسعار المفترضة ودون أي رسوم إضافية.
________________________________________
👨‍🎓: وهل هذا المبلغ هو ما سيدفعه المستخدم بالضرورة داخل منصة سمارت مودلز؟
🤖: لا. فهذا المثال يحسب تكلفة استخدام النموذج وفق أسعار افتراضية فقط.
أما المبلغ الذي يدفعه مستخدم المنصة فقد يرتبط بخطة الاشتراك أو الرصيد الداخلي أو سياسة التسعير المعتمدة، وقد يختلف عن تكلفة المزوّد التي تتحملها المؤسسة.
________________________________________
👨‍🎓: لم أفهم الفرق بين تكلفة المزوّد والمبلغ الذي يدفعه المستخدم!
🤖: تخيّل متجرًا يشتري منتجًا من المورّد بمبلغ معين، ثم يبيعه للعميل وفق سعر يحدده المتجر.
وبطريقة مشابهة، قد تدفع منصة سمارت مودلز للمزوّد مقابل استخدام النموذج، بينما تحاسب المستخدم وفق نظام اشتراكات أو رصيد أو أسعار خاصة بها.
فهما مستويان مختلفان من التكلفة والتسعير.
________________________________________
👨‍🎓: وهل تستطيع المنصة معرفة مقدار ما دفعته للمزوّد عن كل طلب؟
🤖: يمكن حساب ذلك إذا كانت بيانات الاستخدام وأسعار النموذج الفعلية متاحة وموثوقة، وكانت الطلبات مرتبطة بسجلات واضحة.
________________________________________
👨‍🎓: وكيف سيساعدني دليل الرموز في هذا الموضوع؟
🤖: يمكننا إدخال أسعار افتراضية وعدد رموز الإدخال والإخراج والرموز المخزنة مؤقتًا، ثم حساب التكلفة التقديرية ومقارنة النتائج بين النماذج.
وبذلك نفهم كيف يؤثر تغير السعر أو عدد الرموز في التكلفة، دون الخلط بين التقدير والفاتورة الفعلية.
________________________________________
👨‍🎓: وهل يكفي أن أعرف أسعار الرموز حتى أختار النموذج المناسب؟
🤖: لا. نحتاج أيضًا إلى معرفة جودة أدائه في المهمة، وسرعته، وقدرته على التعامل مع حجم المعلومات المطلوب، ومدى الحاجة إلى إعادة المحاولة.
فالنموذج الاقتصادي هو الذي يحقق النتيجة المطلوبة بتكلفة مناسبة، وليس بالضرورة النموذج صاحب السعر الأقل.
________________________________________
👨‍🎓: دعني أتأكد من فهمي: نحسب تكلفة الإدخال وتكلفة الإخراج كلًّا على حدة، ونضيف تكلفة الرموز المخزنة مؤقتًا إن وجدت، ثم نجمع النتائج؟
🤖: صحيح. وأصبح بإمكانك الآن فهم الأساس الذي تقوم عليه حسابات تكلفة الرموز، والتمييز بين تكلفة تشغيل النموذج لدى المزوّد والمبلغ الذي قد تدفعه للمنصة.
________________________________________
💡 المعلومة الراسخة: تُحسب تكلفة استخدام النموذج في نظام التسعير بحسب الرموز من خلال ضرب عدد رموز كل نوع في سعره النسبي، ثم جمع التكاليف. وقد تختلف أسعار الإدخال والإخراج والتخزين المؤقت، كما تختلف الأسعار بين النماذج والمزوّدين. ويجب التمييز بين تكلفة المزوّد وتسعير المنصة للمستخدم، وعدم اعتبار الأرقام الافتراضية فاتورة حقيقية. والاختيار الاقتصادي الصحيح يوازن بين جودة النتيجة والتكلفة الفعلية لإنجاز المهمة.
________________________________________
________________________________________
________________________________________
الحوار الخامس عشر: كيف نختار النموذج الذكي الأنسب؟ وما الفرق بين النموذج القوي والنموذج الاقتصادي؟
👨‍🎓: تعلمنا كيف تُحسب تكلفة الرموز، وأن أسعار النماذج تختلف. لكن لدي سؤال: هل النموذج الأغلى هو الأفضل دائمًا؟
🤖: لا. فالنموذج الأعلى تكلفة ليس بالضرورة الأفضل لكل مهمة. قد تحتاج بعض الأعمال إلى قدرات متقدمة، بينما يستطيع نموذج أقل تكلفة إنجاز أعمال أخرى بجودة مناسبة.
________________________________________
👨‍🎓: لم أفهم كيف يكون النموذج الأرخص مناسبًا إذا كان هناك نموذج أقوى منه!
🤖: تخيّل أنك تريد الذهاب إلى متجر قريب من منزلك. يمكنك استخدام سيارة فاخرة أو سيارة اقتصادية، وقد توصلك الاثنتان إلى المكان نفسه.
لكن إذا كنت تحتاج إلى نقل حمولة كبيرة، فقد تحتاج إلى مركبة ذات قدرات مختلفة.
وكذلك النماذج؛ نختار ما يناسب المهمة، وليس ما يحمل أعلى سعر.
________________________________________
👨‍🎓: وما المقصود بالنموذج القوي؟
🤖: نقصد به عادةً النموذج الذي يقدم قدرات متقدمة في مهام معينة، مثل معالجة المسائل المعقدة، أو فهم تعليمات متعددة، أو التعامل مع أنواع مختلفة من المعلومات.
لكن القوة ليست صفة واحدة؛ فقد يتفوق نموذج في مهمة، ويتفوق نموذج آخر في مهمة مختلفة.
________________________________________
👨‍🎓: وما المقصود بالنموذج الاقتصادي؟
🤖: هو النموذج الذي يساعدنا على إنجاز المهمة بالجودة المطلوبة وبتكلفة مناسبة.
فقد يكون منخفض السعر، أو سريعًا، أو يحتاج إلى عدد أقل من المحاولات للحصول على نتيجة مقبولة.
________________________________________
👨‍🎓: إذن النموذج الاقتصادي ليس بالضرورة النموذج الأرخص؟
🤖: صحيح. فقد يكون نموذج قليل السعر ضعيفًا في مهمة معينة، فنضطر إلى إعادة الطلب عدة مرات.
بينما قد ينجز نموذج أعلى سعرًا المهمة من المحاولة الأولى، فتكون تكلفة الإنجاز النهائي أقل.
________________________________________
👨‍🎓: هل تستطيع توضيح ذلك بمثال حسابي بسيط؟
🤖: لنفترض أن لدينا نموذجين افتراضيين:
النموذج الأول: تكلفة المحاولة الواحدة 0.01 دولار.
النموذج الثاني: تكلفة المحاولة الواحدة 0.03 دولار.
إذا احتجنا إلى أربع محاولات بالنموذج الأول للحصول على نتيجة مقبولة، فستكون التكلفة:
4 × 0.01 = 0.04 دولار.
أما إذا نجح النموذج الثاني من المحاولة الأولى، فستكون التكلفة:
1 × 0.03 = 0.03 دولار.
في هذه الحالة كان النموذج الأعلى سعرًا للمحاولة أقل تكلفة لإنجاز المهمة.
________________________________________
👨‍🎓: وهل يعني هذا أن النموذج الأقوى ينجح دائمًا من أول محاولة؟
🤖: لا. هذه أرقام افتراضية لتوضيح الفكرة فقط. فقد يحتاج أي نموذج إلى إعادة المحاولة، كما تتأثر النتيجة بجودة الطلب وطبيعة المهمة والمعلومات المتاحة.
________________________________________
👨‍🎓: وكيف نعرف أي النموذجين أفضل قبل استخدامه؟
🤖: نبدأ بتحديد المهمة المطلوبة ومعيار نجاحها، ثم نجرب النماذج المرشحة على أمثلة مناسبة، ونقارن النتائج من حيث الدقة والجودة والسرعة والتكلفة.
________________________________________
👨‍🎓: وما المقصود بمعيار النجاح؟
🤖: هو الشرط الذي نستخدمه للحكم على أن النموذج أنجز المهمة بصورة صحيحة.
مثلًا، إذا كانت المهمة تلخيص نص علمي، فقد نشترط المحافظة على الأفكار الأساسية، وعدم إضافة معلومات غير موجودة، ووضوح الصياغة.
________________________________________
👨‍🎓: أعطني مثالًا من مهارات منصة سمارت مودلز.
🤖: لنفترض أننا نريد اختيار نموذج لمهارة اقتراح العناوين البحثية.
يمكننا اختبار نموذجين باستخدام الموضوع البحثي نفسه، ثم فحص العناوين المقترحة من حيث ارتباطها بالتخصص، ووضوحها، وقابليتها للدراسة، وعدم خروجها عن طلب الباحث.
بعد ذلك نقارن التكلفة والسرعة إلى جانب جودة النتائج.
________________________________________
👨‍🎓: وهل يمكن اختيار نموذج مختلف لمهارة أخرى؟
🤖: نعم. فقد تحتاج مهارة التدقيق اللغوي إلى قدرات تختلف عن مهارة تحليل البيانات أو مراجعة المنهجية البحثية.
ولذلك قد يكون من المناسب استخدام نماذج مختلفة بحسب طبيعة المهارات ومتطلبات كل مهمة.
________________________________________
👨‍🎓: وهل يجب أن أستخدم النموذج الأقوى في بداية كل محادثة؟
🤖: ليس بالضرورة. يمكن البدء بنموذج مناسب للمهمة، ثم الانتقال إلى نموذج آخر عندما تظهر حاجة فعلية إلى قدرات إضافية.
لكن هذا الانتقال ينبغي أن يكون مبنيًا على معايير واضحة، لا على افتراض أن كل نموذج أغلى سيقدم نتيجة أفضل.
________________________________________
👨‍🎓: هل تقصد أنه يمكن استخدام نموذج اقتصادي للمهام السهلة، ونموذج أقوى للمهام المعقدة؟
🤖: نعم، بوصفها استراتيجية يمكن اختبارها.
فمثلًا، قد نستخدم نموذجًا مناسبًا لإعادة الصياغة البسيطة، ونموذجًا ذا قدرات أكثر ملاءمة لتحليل مشكلة بحثية معقدة.
لكن يجب التحقق من أداء كل نموذج في المهمة قبل اعتماد هذا التوزيع.
________________________________________
👨‍🎓: وهل يؤثر طول السياق في اختيار النموذج؟
🤖: بالتأكيد. فإذا كانت المهمة تتطلب معالجة ملف طويل أو معلومات كثيرة، فينبغي التأكد من أن النموذج يدعم حجم السياق المطلوب، وأن قدرته على التعامل مع هذه المعلومات مناسبة.
________________________________________
👨‍🎓: وماذا عن سرعة الإجابة؟ هل تدخل ضمن المقارنة؟
🤖: نعم. فالسرعة مهمة خصوصًا في المهام التفاعلية التي ينتظر فيها المستخدم إجابة مباشرة.
وقد يكون النموذج السريع مناسبًا لبعض الخدمات، حتى لو كان نموذج آخر يقدم تفصيلًا أكبر لا تحتاج إليه تلك الخدمة.
________________________________________
👨‍🎓: وهل توجد علاقة بين طول الإجابة واختيار النموذج؟
🤖: نعم. فقد تختلف حدود الإخراج بين النماذج، كما تختلف أسعار رموز الإخراج.
ولهذا ينبغي مراعاة حجم الاستجابة المطلوبة عند مقارنة التكلفة، خاصةً في المهام التي تنتج تقارير أو تحليلات طويلة.
________________________________________
👨‍🎓: إذا أردنا مقارنة نموذجين بعدل، فهل يكفي أن نرسل سؤالًا واحدًا لكل منهما؟
🤖: لا. فقد ينجح نموذج في سؤال ويخفق في سؤال آخر.
لذلك من الأفضل اختبار مجموعة من المهام الممثلة للاستخدام الحقيقي، وتكرار بعض الاختبارات عند الحاجة، ثم مقارنة النتائج وفق المعايير نفسها.
________________________________________
👨‍🎓: وماذا إذا اختلفت إجابات النموذجين، وكانت كل إجابة تبدو مقنعة؟
🤖: لا نعتمد على جمال الصياغة وحده. بل نفحص مدى صحة المعلومات والتزامها بالمطلوب، ونرجع إلى الأدلة والمصادر عند الحاجة، خاصةً في المهام العلمية.
________________________________________
👨‍🎓: وهل يمكن أن يكون أحد النماذج أكثر دقة، لكنه يستهلك رموزًا أكثر؟
🤖: نعم. قد تختلف النماذج في طول الاستجابة وطريقة المعالجة وعدد الرموز المحاسبية، حتى عندما تتعامل مع مهمة متشابهة.
ولهذا ينبغي مقارنة بيانات الاستخدام الفعلية، وليس عدد الكلمات الظاهرة في الإجابة فقط.
________________________________________
👨‍🎓: وكيف أستفيد من دليل الرموز عند مقارنة النماذج؟
🤖: يمكنك استخدامه لدراسة أثر أسعار الإدخال والإخراج، وحجم الرموز المتوقع، في التكلفة التقديرية لكل نموذج.
لكن الدليل لا يستطيع وحده إثبات أن نموذجًا أكثر دقة أو أسرع أو أكثر ملاءمة لمهمة معينة؛ فهذا يحتاج إلى اختبارات أداء فعلية.
________________________________________
👨‍🎓: وهل يمكنني الاعتماد على الأسعار الموجودة في الدليل لاتخاذ قرار نهائي؟
🤖: إذا كانت الأسعار افتراضية، فهي مناسبة للتعلم فقط. أما القرار الفعلي فيحتاج إلى أسعار محدثة وبيانات استخدام موثوقة، إلى جانب نتائج اختبارات الجودة.
________________________________________
👨‍🎓: دعني ألخص ما فهمته: لا أختار النموذج لأنه الأغلى أو الأرخص، بل أختاره لأنه ينجز المهمة المطلوبة بالجودة المناسبة والتكلفة المعقولة؟
🤖: صحيح تمامًا. والأهم أن تكون المقارنة مبنية على مهمة واضحة ومعايير قابلة للفحص، حتى لا ندفع تكلفة إضافية دون فائدة، ولا نوفر المال على حساب جودة العمل.
________________________________________
💡 المعلومة الراسخة: النموذج الاقتصادي ليس بالضرورة الأرخص في سعر الرموز، كما أن النموذج الأعلى تكلفة ليس الأفضل لجميع المهام. ويعتمد الاختيار الصحيح على ملاءمة قدرات النموذج للمهمة، وجودة مخرجاته، وسرعته، وحدود السياق، وتكلفة إنجاز المهمة بنجاح. ويساعد دليل الرموز على مقارنة التكلفة التقديرية، بينما تتطلب مقارنة الجودة اختبارات فعلية بمعايير واضحة.
________________________________________
________________________________________
________________________________________
الحوار السادس عشر: ما توجيه الطلبات بين النماذج (Model Routing)؟ وكيف تختار المنصة النموذج المناسب لكل مهمة؟
👨‍🎓: تعلمنا في الحوار السابق أن النموذج الأغلى ليس الأفضل دائمًا، وأن اختيار النموذج يعتمد على طبيعة المهمة. لكن هل يجب أن أختار النموذج بنفسي في كل مرة؟
🤖: ليس بالضرورة. فبعض المنصات تتيح للمستخدم اختيار النموذج، بينما تستطيع منصات أخرى اختيار نموذج مناسب بصورة آلية، وفق قواعد وإعدادات محددة.
________________________________________
👨‍🎓: وما اسم هذه الطريقة؟
🤖: تُسمّى «توجيه الطلبات بين النماذج» (Model Routing). وتعني تحديد النموذج الذي سيتولى معالجة الطلب، بناءً على معايير مثل نوع المهمة، وقدرات النموذج، والتكلفة، والسرعة.
________________________________________
👨‍🎓: هل تستطيع شرح الفكرة بمثال من حياتنا اليومية؟
🤖: تخيّل أنك دخلت مستشفى ووصفت مشكلتك لموظف الاستقبال. إذا كنت تحتاج إلى فحص النظر، فسيوجهك إلى العيادة المناسبة، وإذا كنت تحتاج إلى فحص الأسنان، فسيوجهك إلى طبيب الأسنان.
وبطريقة مشابهة، يستطيع نظام توجيه الطلبات اختيار النموذج المناسب للمهمة بدل إرسال جميع الطلبات إلى نموذج واحد.
________________________________________
👨‍🎓: وهل يعني ذلك أن كل نموذج متخصص في موضوع واحد فقط؟
🤖: لا. فالنموذج الواحد قد يؤدي مهام متنوعة، لكن مستوى أدائه وسرعته وتكلفته قد يختلف بحسب المهمة. لذلك نختار النموذج الذي يحقق متطلبات العمل بصورة مناسبة.
________________________________________
👨‍🎓: أعطني مثالًا من منصة سمارت مودلز.
🤖: تخيّل أن المنصة تقدم مهارة للتدقيق اللغوي، وأخرى لتحليل المشكلات البحثية المعقدة.
يمكن تصميم نظام يوجه طلبات التدقيق البسيطة إلى نموذج اقتصادي أثبت كفاءته فيها، بينما يوجه المهام البحثية الأكثر تعقيدًا إلى نموذج أظهرت الاختبارات أنه أنسب لها.
هذا مثال لطريقة تشغيل ممكنة، وليس تأكيدًا بأن التوجيه الآلي مفعّل حاليًا في المنصة.
________________________________________
👨‍🎓: ومن الذي يقرر أن هذه المهمة بسيطة وتلك معقدة؟
🤖: يمكن للنظام الاعتماد على قواعد محددة مسبقًا، مثل المهارة المختارة، ونوع الملف، وحجم المعلومات، أو طبيعة العملية المطلوبة.
وفي بعض الأنظمة يمكن استخدام آلية تصنيف لتحليل الطلب قبل اختيار النموذج.
________________________________________
👨‍🎓: وما المقصود بتصنيف الطلب؟
🤖: يعني التعرف على نوع العمل المطلوب.
مثلًا، إذا كتبت «صحح الأخطاء الإملائية في هذه الفقرة»، فقد يصنف النظام المهمة على أنها تدقيق لغوي.
أما إذا كتبت «حلل أسباب اختلاف نتائج ثلاث دراسات علمية»، فقد يصنفها على أنها تحليل بحثي.
________________________________________
👨‍🎓: وهل يستطيع النظام أن يخطئ في تصنيف طلبي؟
🤖: نعم. فقد يكون الطلب غامضًا أو يجمع بين أكثر من مهمة. ولذلك ينبغي أن تكون هناك قواعد للتعامل مع الحالات غير الواضحة، مثل طلب توضيح أو اختيار نموذج مناسب وفق حدود محددة.
________________________________________
👨‍🎓: وهل اختيار نموذج معين يعني أن الطلب سيصل إليه دائمًا دون مشكلات؟
🤖: لا. فقد يكون النموذج غير متاح مؤقتًا، أو توجد مشكلة في الاتصال بالمزوّد، أو يصل الطلب إلى حد لا يستطيع النموذج التعامل معه.
ولهذا قد تحتاج المنصة إلى خطة بديلة.
________________________________________
👨‍🎓: وما المقصود بالخطة البديلة؟
🤖: هي طريقة محددة للتعامل مع تعذر استخدام النموذج المختار، مثل تجربة نموذج آخر مناسب للمهمة، إذا كان النظام يسمح بذلك.
ويُسمّى الانتقال إلى بديل عند التعذر أحيانًا «التحويل الاحتياطي» (Fallback).
________________________________________
👨‍🎓: هل يمكن أن تعطيني مثالًا؟
🤖: لنفترض أن المنصة اختارت النموذج «أ» لتلخيص نص، لكنه أصبح غير متاح.
إذا كانت هناك خطة بديلة معتمدة، يمكن للنظام محاولة تنفيذ المهمة باستخدام النموذج «ب»، بشرط أن يكون قادرًا على تنفيذها وأن تتوافق عملية الانتقال مع متطلبات الخدمة.
________________________________________
👨‍🎓: وهل التحويل الاحتياطي هو نفسه توجيه الطلبات؟
🤖: بينهما فرق.
توجيه الطلبات يحدد النموذج المناسب قبل تنفيذ المهمة.
أما التحويل الاحتياطي فيحدد ما يمكن فعله عندما يتعذر استخدام النموذج المختار أو تفشل المحاولة.
وقد تعمل الطريقتان معًا داخل المنصة.
________________________________________
👨‍🎓: وهل الانتقال إلى نموذج بديل يقلل التكلفة دائمًا؟
🤖: لا. فقد يكون النموذج البديل أغلى، وقد تكون المحاولة الأولى قد استهلكت رموزًا بالفعل قبل فشلها.
لذلك يجب النظر إلى تكلفة جميع المحاولات، وليس تكلفة الإجابة النهائية وحدها.
________________________________________
👨‍🎓: كيف يمكن أن تُحسب تكلفة محاولة فاشلة؟
🤖: يعتمد ذلك على ما حدث فعلًا قبل الفشل، وعلى سياسة المزوّد.
فإذا عالج النموذج جزءًا من الطلب أو بدأ توليد الاستجابة، فقد تُسجّل تكلفة استخدام. أما إذا رُفض الطلب قبل المعالجة، فقد تختلف النتيجة.
ولا نستطيع اعتبار كل محاولة فاشلة مجانية أو مدفوعة دون الرجوع إلى بيانات الاستخدام.
________________________________________
👨‍🎓: أريد مثالًا حسابيًا بسيطًا.
🤖: لنفترض أن لدينا طلبًا واحدًا:
المحاولة الأولى باستخدام النموذج «أ» فشلت بعد استهلاك بلغت تكلفته الافتراضية 0.01 دولار.
المحاولة الثانية باستخدام النموذج «ب» نجحت بتكلفة 0.03 دولار.
إذا كانت المحاولتان قابلتين للمحاسبة بهذه القيم، فإن إجمالي تكلفة إنجاز الطلب هو:
0.01 + 0.03 = 0.04 دولار.
إذن تكلفة الإجابة الناجحة وحدها لا تمثل بالضرورة تكلفة جميع المحاولات.
________________________________________
👨‍🎓: وهل يمكن أن يجعل التوجيه الآلي تجربة المستخدم أسهل؟
🤖: نعم، إذا صُمم بصورة جيدة واختُبر على مهام واقعية. فقد لا يحتاج المستخدم عندئذ إلى معرفة أسماء النماذج أو مقارنة أسعارها قبل كل سؤال.
لكن يجب أن تظل جودة الإجابة ووضوح التكلفة وحدود الاستخدام تحت المراقبة.
________________________________________
👨‍🎓: وهل من الأفضل إخفاء اختيار النموذج عن المستخدم تمامًا؟
🤖: لا توجد إجابة واحدة تناسب جميع المنصات. فقد يكون الاختيار الآلي مناسبًا للمبتدئ، بينما يفضل الباحث المتقدم معرفة النموذج المستخدم أو اختياره بنفسه.
ويمكن تصميم واجهة تجمع بين سهولة الاختيار الآلي وإتاحة قدر مناسب من التحكم والشفافية.
________________________________________
👨‍🎓: وهل يمكن أن تستفيد المهارة الواحدة من أكثر من نموذج؟
🤖: نعم، إذا كانت المنصة مجهزة لذلك. فقد تستخدم نموذجًا لتنفيذ المهمة الأساسية، أو تنتقل إلى نموذج آخر وفق قواعد محددة.
لكن استخدام أكثر من نموذج قد يزيد العمليات والتكاليف، ولذلك يجب أن تكون له فائدة واضحة وقابلة للقياس.
________________________________________
👨‍🎓: وكيف نعرف أن نظام التوجيه يعمل بصورة صحيحة؟
🤖: نختبره باستخدام مهام مختلفة، ونتحقق من أنه يختار نموذجًا مناسبًا، وأن النتائج تستوفي معايير الجودة، وأن التكلفة والسرعة تقعان ضمن الحدود المحددة.
كما نختبر الحالات التي يكون فيها الطلب غامضًا أو النموذج المختار غير متاح.
________________________________________
👨‍🎓: وما علاقة توجيه الطلبات بدليل الرموز؟
🤖: يساعدنا دليل الرموز على تقدير تكلفة استخدام نماذج مختلفة عندما نعرف أسعارها وعدد الرموز المتوقع لكل منها.
أما التحقق من صحة قرار التوجيه أو التحويل الاحتياطي فيحتاج إلى اختبار طريقة عمل النظام نفسه، ولا تكفي المحاكاة الحسابية وحدها.
________________________________________
👨‍🎓: إذن هل يمكننا القول إن الهدف هو إرسال كل مهمة إلى النموذج الأنسب دون زيادة غير ضرورية في التكلفة؟
🤖: نعم، بشرط ألا يكون تقليل التكلفة على حساب الجودة أو متطلبات الأمان أو قدرة النموذج على تنفيذ المهمة.
فالهدف هو تحقيق نتيجة مناسبة للمستخدم بموارد معقولة، مع التعامل الصحيح مع حالات التعذر.
________________________________________
👨‍🎓: دعني ألخص ما فهمته: توجيه الطلبات يختار النموذج المناسب، والتحويل الاحتياطي يوفر بديلًا عند التعذر، وقد تؤثر المحاولات المتعددة في التكلفة النهائية؟
🤖: صحيح. وقد أصبحت الآن قادرًا على التمييز بين اختيار النموذج، وتنفيذ الطلب، ومعالجة فشل التنفيذ. وهذه خطوة مهمة لفهم كيفية بناء منصة تجمع بين جودة الخدمة وكفاءة الإنفاق.
________________________________________
💡 المعلومة الراسخة: توجيه الطلبات بين النماذج (Model Routing) هو اختيار النموذج المناسب للمهمة وفق معايير محددة، مثل القدرات والجودة والتكلفة والسرعة. أما التحويل الاحتياطي (Fallback) فهو استخدام بديل عند تعذر التنفيذ وفق سياسة معتمدة. وقد تحقق هذه الآليات كفاءة أعلى، لكنها لا تضمن التوفير أو النجاح تلقائيًا؛ إذ ينبغي اختبار جودة النتائج، ورصد تكلفة المحاولات، والتحقق من سلوك النظام الفعلي.
________________________________________
________________________________________
________________________________________
3
0 comments
Abdulrahman Alzarraei
7
الذكاء الاصطناعي من الصفر - 02
powered by
سمارت مودلز | النماذج الذكية
حوّل الذكاء الاصطناعي إلى أداة نمو حقيقية لمشروعك.
في «سمارت مودلز» ستجد نماذج وبوتات ذكية مخصّصة تساعد أصحاب المشاريع على تطوير أعمالهم وتسريعها.
Build your own community
Bring people together around your passion and get paid.
Powered by