أمازون تتيح بناء وكلاء ذكاء اصطناعي اقتصاديين عبر تقطير المعرفة
تواجه تطبيقات الوكلاء الذكية تحدياً مالياً بسبب تكرار استدعاء النماذج المتقدمة. تقدم أمازون حلاً تقنياً يقلل التكاليف مع الحفاظ على الجودة.
رضوان عبدالهاديمحرر وكاتب تقني
التحدي: تكلفة الوكلاء الذكية على النطاق الإنتاجي
تعمل المساعدات الوكيلة المبنية على النماذج المتقدمة (Frontier Models) عبر حلقات متعددة الخطوات تتضمن البحث، وقراءة النتائج، والتحقق، واتخاذ القرار. كل خطوة من هذه الخطوات تمثل استدعاءً منفصلاً للنموذج، مما يؤدي إلى تراكم التكاليف بشكل كبير عند التعامل مع عدد ضخم من المستخدمين. هذا التكرار يجعل استدامة المشروع مالياً صعبة، حيث تتآكل العائدات الاستثمارية بسرعة إذا استمر الاعتماد على النماذج باهظة الثمن لكل تفاعل. ويمكن الرجوع إلى AWS Machine Learning Blog للاطلاع على التفاصيل الأصلية للمصدر.
الحل البديهي هو استخدام نماذج أصغر حجماً، فهي أسرع وأقل تكلفة في الاستضافة. لكن المشكلة الأساسية تكمن في الجودة؛ فالنماذج الصغيرة عادةً ما تنقصها القدرة على معالجة المهام المعقدة التي تتطلبها الوكلاء الذكية. هنا يأتي دور تقطير المعرفة (Knowledge Distillation) لسد هذه الفجوة، من خلال نقل سلوك النموذج الكبير (المعلم) إلى نموذج أصغر (الطالب)، مما يحافظ على مستوى الجودة مع الاستفادة من سرعة وكفاءة النموذج الصغير.
آلية تقطير المعرفة التسلسلي (SeqKD)
يعتمد النهج المقدم في هذا السياق على تقطير المعرفة على مستوى التسلسل (SeqKD). هذه الطريقة تستخدم نموذج المعلم لتوليد استجابات عالية الجودة، ثم يتم تدريب نموذج الطالب على هذه الاستجابات عبر الضبط الدقيق الإشرافي (SFT). الميزة الرئيسية لهذا النهج هي أنه لا يتطلب الوصول إلى الأوزان الداخلية أو القيم الاحتمالية (Logits) للمعلم، مما يجعله قابلاً للتطبيق حتى مع النماذج المغلقة أو تلك المتاحة فقط عبر واجهات برمجة التطبيقات (API).
في سياق الوكلاء، التسلسل الذي ينتجه المعلم ليس مجرد نص، بل هو مسار (Trajectory) منظم يتكون من خطوات الاستدلال، واستدعاءات الأدوات، والملاحظات المرتجعة. تدريب الطالب على هذا المسار الكامل يعلمه منطق اتخاذ القرار متعدد الخطوات، وليس مجرد إجابة نصية واحدة. هذا يجعل مهمة الوكيل مثالاً مثالياً لتطبيق تقطير المعرفة التسلسلي، حيث أن السلوك نفسه هو ما يتم نسخه.
تجاوز قيود النماذج المغلقة
غالباً ما تكون النماذج المتقدمة متاحة فقط عبر واجهات برمجة التطبيقات، مما يمنع المطورين من الوصول إلى أوزانها أو قيمها الاحتمالية. هذا الاستبعاد يقضي على أساليب التقطير التقليدية التي تعتمد على الوصول الداخلي. في هذه الحالة، يمثل تقطير المعرفة التسلسلي الخيار الوحيد الفعال، حيث يعتمد حصرياً على النصوص التي يولدها المعلم. هذا يتيح للمطورين التوقف عن دفع أسعار النماذج المتقدمة لكل طلب بعد أن يبدأ النموذج الطالب في تولي المهام.
تُعد هذه التقنية أساسية في بناء نماذج الاستدلال الصغيرة القوية. على سبيل المثال، اعتمدت نماذج DeepSeek-R1 المستخلصة بشكل كبير على هذه المنهجية، حيث تم نقل قدرات الاستدلال من معلم كبير إلى طلاب أصغر من خلال تدريبهم على مسارات الاستدلال التي تولدها المعلمة. هذا يؤكد فعالية النهج في نقل القدرات المعقدة عندما تكون الظروف التقنية مناسبة.
متطلبات التنفيذ والبنية التحتية
لتطبيق هذا الحل، يتطلب الأمر حساباً في أمازون سحابياً مع دور IAM يمنح صلاحيات القراءة والكتابة على مخازن البيانات، بالإضافة إلى إذن لاستدعاء نموذج المعلم. كما يتطلب الوصول إلى خدمات تخصيص النماذج في Amazon SageMaker AI في منطقة AWS مدعومة. يجب توفر بيئة تطوير مثل Amazon SageMaker Studio أو بيئة محلية مهيأة مع أدوات البرمجة اللازمة.
من الناحية التقنية، يُنصح باستخدام بيئة Python 3.12 أو أحدث، مع تثبيت مكتبات SDK الخاصة بـ SageMaker. لضمان كفاءة خطوات إعداد البيانات والتقييم المحلي، يُوصى باستخدام وحدة معالجة سحابية من نوع ml.m5.4xlarge على الأقل. كما يتطلب الأمر معرفة مسبقة بلغة بايثون وتقنيات الضبط الدقيق، بالإضافة إلى مجموعة بيانات مهام مجهزة بمقياس تقييم برمجي (Programmatic Scorer) للتحقق من صحة المسارات المولدة.
دراسة حالة: تحسين وكيل التسوق
يوضح المقال عملية تطبيقية كاملة تبدأ باستخدام نموذج GLM-5.3 المتاح عبر Amazon Bedrock كمعلم. يعمل هذا النموذج كوكيل تسوق على مجموعة اختبار ShoppingBench لتوليد مسارات حل للمهام. يقوم مقياس التقييم الخاص بالمجموعة بالاحتفاظ فقط بالمسارات التي تحل المهمة بنجاح، وتُستخدم هذه المسارات الناجحة لضبط نموذج الطالب Qwen3.5-4B.
بعد التدريب، يتم تقييم النموذج المستخلص على مجموعة بيانات منفصلة (Held-out split) من نفس المعيار للتأكد من قدرته على التعميم. النتيجة هي وكيل تسوق يعمل بكفاءة عالية وتكلفة أقل بكثير من النموذج الأصلي، مما يثبت جدوى استخدام تقطير المعرفة التسلسلي لتحسين الأداء الاقتصادي للوكلاء الذكيين في البيئات الإنتاجية.
المصادر
- AWS Machine Learning BlogBuild efficient agents with knowledge distillation on Amazon SageMaker AI
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
أمازون تطلق نظام استرجاع وكيلي مدعوم بالذكاء الاصطناعي عبر CDK
تقدّم أمازون ويب سيرفيسز حلاً جديداً لبناء أنظمة استرجاع الوكلاء على قاعدة معرفة Bedrock المدارة، باستخدام AWS CDK، مع ميزات مراقبة وتقييم متقدمة.
أمازون تطلق بنية ذكاء اصطناعي للتحليل التفاعلي للفيديو
تقدّم أمازون ويب سيرفيسز حلاً جديداً يعتمد على الوكلاء الذكيين للتحليل التفاعلي للفيديو، مما يتيح للمستخدمين طرح أسئلة بلغة طبيعية والحصول على إجابات فورية من مقاطع فيديو طويلة.
هجرة وكلاء الذكاء الاصطناعي متعدد النماذج إلى Amazon Bedrock AgentCore
تقدم AWS نمطاً تقنياً لنقل وكلاء الذكاء الاصطناعي متعدد النماذج من بنية ذاتية الإدارة إلى Amazon Bedrock AgentCore runtime مع الحفاظ على تنسيق النماذج وتقليل العبء التشغيلي.
أمازون تتيح نماذج GPT-6 عبر Bedrock في خمس مناطق آسيوية
تتيح أمازون ويب سيرفيسز الوصول إلى نماذج GPT-6 من OpenAI عبر Amazon Bedrock باستخدام الاستدلال عبر المناطق، مما يوسع نطاق التغطية في سنغافورة، ماليزيا، تايلاند، إندونيسيا، وتايوان.
