مع التوسع في استخدام نماذج اتخاذ القرار بالذكاء الاصطناعي، بدأت هذه التقنية تتجاوز الاستخدامات التقليدية لتدخل مجالات جديدة، من بينها الإشراف على المحتوى المنشور على المنصات الرقمية في الوقت الفعلي.
وفي هذا السياق، كشفت شركة Musubi عن نموذج خفيف لاتخاذ القرار يحمل اسم PolicyLM-1.7B، وصمم خصيصًا لمهام الإشراف على المحتوى، مع إتاحته بأوزان مفتوحة تتيح للمطورين تشغيله وتخصيصه وفق احتياجاتهم.
تحويل سياسات المحتوى إلى قرارات فورية
تعتمد الفكرة الأساسية للنموذج على تحويل سياسة مكتوبة بلغة طبيعية إلى قواعد يمكن تطبيقها مباشرة على الرسائل والمحتوى المنشور، مع إصدار القرار خلال أقل من 50 مللي ثانية.
وتقول Musubi إن النموذج صُمم ليقترب من أنظمة تصنيف الذكاء الاصطناعي المستخدمة حاليًا في عمليات الإشراف على المحتوى لدى العديد من منصات التواصل الاجتماعي، سواء من حيث السرعة أو التكلفة.
ويتميز PolicyLM-1.7B بقدرته على التعامل مع سياسات معقدة، مستفيدًا من مرونة نماذج اللغة الحديثة، دون الحاجة إلى تدريب النموذج من جديد لكل سياسة يتم اعتمادها.
لا حاجة لإعادة تدريب النموذج عند تغيير القواعد
من أبرز مزايا PolicyLM-1.7B أن تغيير سياسة الإشراف على المحتوى لا يتطلب إعادة تدريب النموذج.
وبدلًا من ذلك، يستطيع مسؤولو المنصات تعديل السياسة نفسها، ليبدأ النموذج في تطبيق القواعد الجديدة مباشرة. ويمنح هذا الأسلوب فرق السياسات والمنتجات مرونة أكبر في اختبار قواعد مختلفة وإجراء تعديلات متكررة وفق تطورات المنصة.
ويرى فيليب يانكوفيتش، الشريك المؤسس والرئيس التنفيذي للذكاء الاصطناعي في Musubi، أن هذه التقنية يمكن أن تمنح مديري المنصات وسيلة أكثر استباقية لفهم وتصنيف المحتوى المنشور.
وأوضح أن فرق المنتجات تحتاج إلى فهم أفضل لما يحدث داخل منصاتها، خاصة مع الزيادة الكبيرة في حجم المحتوى، مشيرًا إلى أن القدرة على تصنيف هذا الكم الهائل من المحتوى بطريقة قابلة للتوسع والتخصيص تمثل ميزة مهمة.
كيف تعمل نماذج اتخاذ القرار؟
أصبحت نماذج اتخاذ القرار من الموضوعات التي تحظى باهتمام متزايد في قطاع الذكاء الاصطناعي، خصوصًا مع ظهور نماذج جديدة من شركات مختلفة.
وعلى عكس نماذج الذكاء الاصطناعي التقليدية التي تركز على إنتاج النصوص، تعمل نماذج اتخاذ القرار على تقديم احتمالات للنتائج أو إصدار قرارات محددة بناءً على البيانات التي تتلقاها.
وفي حالة PolicyLM-1.7B، يكون القرار في الأساس ثنائيًا: هل ينتمي المحتوى إلى الفئة التي تحددها السياسة أم لا؟
ومن خلال حصر مخرجات النموذج في مجموعة محددة مسبقًا من الخيارات، يمكن لهذه النماذج العمل بسرعة أكبر وبتكلفة أقل مقارنة بنماذج اللغة الكبيرة، مع الاحتفاظ في الوقت نفسه بالمرونة التي توفرها بنية Transformer.
من مراقبة وكلاء الذكاء الاصطناعي إلى مراقبة المحتوى البشري
ارتبطت بعض الاستخدامات المبكرة لنماذج اتخاذ القرار بمحاولة الحد من السلوكيات غير المرغوبة التي قد تصدر عن وكلاء الذكاء الاصطناعي.
ومن هذا المنطلق، تبدو الاستفادة من التكنولوجيا نفسها في مراقبة المحتوى الذي ينتجه المستخدمون على المنصات الرقمية امتدادًا طبيعيًا لهذا الاتجاه.
لكن يانكوفيتش يشير إلى أن اهتمامه بنماذج اتخاذ القرار لم يبدأ مع موجة الاهتمام الحالية، إذ يعود إلى مشروع سابق من عام 2024 حمل اسم GLiNER، أو النموذج العام للتعرف على الكيانات المسماة، والذي اعتمد على عدد من التقنيات المشابهة.
ولا ترى Musubi مشكلة في مقارنة نموذجها بالنماذج الحديثة في هذا المجال، بل تسعى إلى الاستفادة من الاهتمام المتزايد بتقنيات اتخاذ القرار لإبراز إمكاناتها في مجال الإشراف على المحتوى.
وتشير الشركة إلى أن المطورين والمهتمين بنماذج اتخاذ القرار يمكنهم تجربة PolicyLM-1.7B باعتباره نموذجًا من الفئة نفسها، لكنه مصمم ومدرب خصيصًا لمهام الإشراف على المحتوى، ويمكن تشغيله وتخصيصه مباشرة.
الذكاء الاصطناعي يقترب من قرارات الإشراف اليومية
يعكس إطلاق PolicyLM-1.7B اتجاهًا متزايدًا نحو استخدام نماذج الذكاء الاصطناعي ليس فقط لإنشاء المحتوى أو تحليل البيانات، ولكن أيضًا لاتخاذ قرارات محددة داخل الأنظمة الرقمية.
ومع استمرار نمو حجم المحتوى المنشور يوميًا، قد تصبح النماذج القادرة على اتخاذ قرارات سريعة وقابلة للتخصيص عنصرًا أساسيًا في أنظمة الإشراف، خاصة عندما تحتاج المنصات إلى تعديل سياساتها بصورة مستمرة دون إعادة بناء النموذج من البداية.
ويبقى التحدي الأهم هو تحقيق التوازن بين سرعة الأتمتة ودقة القرارات، خصوصًا في الحالات التي تكون فيها سياسات المحتوى معقدة أو قابلة للتفسير بأكثر من طريقة.
