خلفية المشروع والنطاق الرقمي

تعتبر uniopen منصة تواصل وتبيان رقمية أطلقتها مجموعة Uni-President Enterprises Group في تايوان، حيث تربط العملاء بالتجارة الإلكترونية ومزايا العضوية وغيرها من التجارب عبر الويب والأجهزة اللوحية والهواتف المحمولة. وعبر هذه القنوات، تطبق المنصة سياسة إشراف تصنف التفاعلات على محورين رئيسيين هما السلوك الحاصل والموضوع المرتبط به. ويمكن الرجوع إلى AWS Machine Learning Blog للاطلاع على التفاصيل الأصلية للمصدر.

تتطلب سياسة الإشراف الخاصة بالمنصة دقة عالية في تصنيف السلوكيات ضمن تسع فئات مختلفة، إلى جانب تحديد ما إذا كان الموضوع يتعلق بالعلامة التجارية أو عناصر أخرى أو محتوى محظور. هذه المتطلبات الدقيقة لا يمكن للنماذج العامة تلبيتها بشكل مباشر دون تعديل مخصص يناسب طبيعة قطاع التجزئة الرقمية. ويمكن الرجوع إلى Artificial Intelligence للاطلاع على التفاصيل الأصلية للمصدر.

الضبط المخصص والهندسة التقنية

لتحقيق هذه المتطلبات، لجأ الفريق الهندسي إلى تكيف نموذج Amazon Nova 2 Lite باستخدام تقنيات الضبط المُشرف عليه والتحسين النهائي لمستوى التوجيه. وقد أتاح هذا النهج التقني ضبط السلوكيات الخاصة بالمجال التجاري بدقة عالية، مع الحفاظ على سير عمل متكامل لإدارة بيانات التصحيح والتدريب والتقييم.

تفصل البنية التقنية للمشروع بين مسار إنتاج الإشراف الفعلي وبين مسارات التصحيح والتدريب. ويتولى النموذج معالجة طلبات الإشراف الأساسية، بينما تدعم نماذج أخرى توليد مقترحات التصحيح للأخطاء المُبلغ عنها، شريطة أن يخضع كل تعديل لمراجعة بشرية صارمة قبل إضافته إلى مجموعة بيانات التدريب.

إدارة البيانات والبنية السحابية

تعتمد البنية التحتية للنظام على مكونات سحابية متقدمة لتخزين البيانات وتتبع تهيئة النماذج النشطة. يتم تخزين مجموعات التصحيح والتدريب الموثقة باستخدام خدمات التخزين السحابي، بينما تُتتبع التهيئات عبر قواعد بيانات موزعة، وتتولى أدوات التنسيق على منصات الحاويات إدارة عمليات التحسين والتقييم.

تساعد هذه البيئة السحابية المنظمة في الحفاظ على تدفق بيانات مرن وآمن، حيث يتم إرسال إشعارات فورية للمشغلين عند حدوث أي فشل في بوابات الفحص أو عند ظهور حالات تستدعي تدخلاً بشرياً إضافياً لضمان استمرارية الجودة.

بوابات التقييم وآليات الرقابة

تخضع النماذج المرشحة للنشر لاختبارات دقيقة تعتمد على نوعين من البوابات الفاصلة: البوابات الصارمة وهي اختبارات تراجع إلزامية النجاح، والبوابات المرنة التي تعمل كمؤشرات تحذيرية مثل انخفاض درجات الثقة في التصنيف لبعض الفئات المحددة.

في حال فشل النموذج في اجتياز البوابات الصارمة، يتوقف سير العمل ويتم إطلاق تنبيه للمشغلين. أما النماذج التي تتجاوز تلك الاختبارات فتخضع للمراقبة المرنة، حيث يتم نشرها تلقائياً إذا لم تُسجل أي تحذيرات، أو تُترك معلقة لمزيد من المراجعة الإدارية البشرية.

نتائج التقييم ومستويات الأداء

أظهرت مقارنة الأداء بين النموذج الأساسي والنموذج المعدل تفوقاً ملحوظاً للنماذج المُخصصة. فقبل الضبط، سجل النموذج الأساسي مستويات أدنى في تصنيف سلوكيات الإشراف، بينما أدى استخدام الضبط المُشرف عليه إلى ارتفاع كبير في مقاييس الأداء عبر مجموعات الاختبار الثابتة.

ساعدت هذه التحسينات في تقليل الفجوة بين قدرات النموذج العامة ومتطلبات قطاع التجزئة الخاص بالمنصة، مما جعل النظام قادراً على التعامل بدقة مع مختلف فئات المحتوى والسياسات المعقدة في بيئة العمل الإنتاجية الفعليّة.

المصادر

• AWS Machine Learning BlogHow uniopen customized Amazon Nova to their retail moderation policies for production deployment