حالات استخدام Jev: 7 أشياء يبنيها الناس بالفعل باستخدام نموذج القرارات من TypeSafe

يصبح Jev أسهل فهمًا عندما تتوقف عن السؤال عما يمكنه قوله، وتبدأ في السؤال عما يمكن للبرمجيات أن تترك له اتخاذ قرار بشأنه. يستخدم المطورون بالفعل نموذج القرار في TypeSafe داخل مكدسات الوكلاء، وأتمتة المتصفحات، وتحليل الإعلانات، وتقييم العملاء المحتملين، والألعاب، وتقييم المحتوى، وفرز الأبحاث.

النمط أهم من أي عرض تجريبي فردي. لا يحل Jev محل البرمجة أو نماذج اللغة الكبيرة الرائدة. بل يستهدف الطبقة الوسطى الضبابية: قرارات ذاتية بدرجة أكبر من أن تناسب قاعدة بسيطة، ومتكررة بدرجة أكبر من أن يتولاها البشر، وصغيرة بدرجة لا تبرر التوليد المكلف في كل مرة. للاطلاع على بنية النموذج الأساسي وقيوده، راجع شرحنا السابق عن نماذج القرار لوكلاء الذكاء الاصطناعي.

ما الذي يجعل حالة الاستخدام مناسبة لـ Jev؟

تشترك أقوى تطبيقات Jev المتاحة للعامة في عدة خصائص: تكون المخرجات الصحيحة معروفة قبل الاستدلال، ويتكرر الحكم نفسه، ويكون زمن الاستجابة مهمًا، ولا يضيف النص الحر قيمة كبيرة، ويمكن تصعيد الحالات غير المؤكدة إلى جهة أخرى.

اختبار مفيد بسيط: إذا كان بإمكانك تحديد نطاق الإجابات الصحيحة قبل تشغيل النموذج، فقد يكون من المفيد تقييم نموذج قرار.

يتضح هذا التمييز أكثر في المشاريع التي يبنيها الناس بالفعل.

1. OpenClaw: نموذج قرار مخصص داخل مكدس الوكيل

يُعد OpenClaw أحد أقوى المؤشرات على أن Jev يتجاوز العروض التجريبية. تفصل وثائقه الحالية لنموذج القرار بين نموذج المحادثة الأساسي ودور مخصص لنموذج القرار.

تتيح إضافة TypeSafe المضمّنة للمطورين اختيار Jev بشكل مستقل عن نموذج اللغة الكبير الرئيسي. ولا يزال بإمكان نموذج أكبر التخطيط والبرمجة والشرح واستخدام الأدوات، بينما يتولى Jev أسئلة أضيق نطاقًا، مثل تحديد الوكيل الذي ينبغي أن يتلقى مهمة، أو ما إذا كانت الأدلة تستوفي شرطًا، أو ما إذا كان ينبغي لسير العمل أن يستمر.

هذا تحول معماري مهم. فبدلًا من التعامل مع كل خطوة ملتبسة على أنها مطالبة أخرى إلى نموذج اللغة الكبير الرئيسي، يمكن للوكيل تخصيص نموذج واحد تحديدًا لإصدار أحكام محددة النطاق.

كما يحافظ OpenClaw على فصل مهم بين اتخاذ القرار والتنفيذ. فقد توفر نتيجة Jev دليلًا على أن إجراءً ما يبدو مناسبًا، لكنها لا ينبغي أن تمنح تلقائيًا إذنًا لنشر محتوى أو إرسال رسالة أو تغيير حالة دائمة. ولا تزال هذه الإجراءات بحاجة إلى اجتياز حدود ثقة منفصلة لتنفيذ الأدوات.

وهذا يجعل نموذج القرار أشبه بمكوّن بنية تحتية آخر إلى جانب نموذج الوكيل الأساسي، لا بروبوت محادثة أصغر.

2. وكلاء المتصفح: اختيار النقرة التالية بدلًا من وصف الصفحة

أتمتة المتصفح بطبيعتها تتركز على اتخاذ القرارات. ففي خطوات كثيرة، يعرف الوكيل بالفعل العناصر المتاحة ولا يحتاج إلا إلى اختيار الإجراء التالي.

نشر غريغور زونيتش تجربة لاستخدام المتصفح، إذ يوفّر المتصفح حالة DOM، ويحدد Jev الإجراء التالي، ويتولى نموذج توليدي أصغر الحالات التي تتطلب نصًا فعلًا. وفي العرض التوضيحي العام للبحث عن الرحلات الجوية، ذكر المؤلف أن التكلفة الإجمالية بلغت نحو 7 ثوانٍ و0.0039 دولار. وهذه أرقام ذكرها المطوّر وليست معيارًا مستقلًا. راجع مثال Browser Use + Jev.

ويهم هذا التمييز لأن جزءًا كبيرًا من دورة المتصفح لا يطلب من النموذج إنشاء لغة، بل يطلب منه مرارًا تحديد الإجراء الذي يحقق الهدف الحالي على أفضل وجه.

يشير ذلك إلى تصميم أكثر كفاءة لوكيل المتصفح: استخدم التوليد عندما يحتاج المتصفح فعلًا إلى نص جديد، واستخدم القرارات المحددة النطاق عندما تأتي الخطوة التالية أصلًا من مجموعة معروفة من الإجراءات.

3. تحليل الإعلانات: قيّم مجموعة البيانات بأكملها بدلًا من أخذ عينة منها

أفاد ماثيو بيرمان باستخدام Jev لتصنيف 724 إعلانًا مباشرًا من 37 علامة تجارية عبر أبعاد تشمل الخطاف، والتنسيق، والعرض، وعبارة الحث على اتخاذ إجراء، ومرحلة الوعي، وعدم التطابق مع الصفحة المقصودة. واستغرقت العملية المذكورة نحو 40 ثانية وبلغت تكلفتها قرابة 0.09 دولار. وهذه الأرقام ذكرها المؤلف، وجُمعت من حالة تحليل الإعلانات العامة.

والنتيجة الأكثر إثارة للاهتمام هي ما يحدث عندما تصبح أحكام المرور الأول رخيصة بما يكفي.

غالبًا ما يأخذ المحللون عينات لأن تقييم كل سجل مكلف للغاية. وإذا كان بإمكان نموذج لاتخاذ القرارات أن يقيّم كل إعلان بتكلفة منخفضة وفق الأبعاد نفسها، فسيتغير سير العمل. فبدلًا من استخدام الذكاء الاصطناعي لفحص عينة صغيرة فقط، يمكن أن تتلقى مجموعة البيانات الكاملة تصنيفًا أوليًا قبل أن ينظر الإنسان في المجموعات الأكثر إثارة للاهتمام.

وهذا تغيير أكبر من مجرد جعل تحليل الإعلانات أرخص: يمكن أن تتحول بعض مسائل أخذ العينات إلى مسائل تقييم شامل.

4. تقييم العملاء المحتملين: ضع القرار منخفض التكلفة قبل التوليد المكلف

يظهر نمط مشابه في تقييم العملاء المحتملين. أفاد Romàn بمعالجة 700 عميل محتمل في نحو 40 ثانية مقابل حوالي $0.09، مع تقييم الملاءمة والثقة وعدم التطابق قبل تحديد السجلات التي تستحق اهتمامًا أعمق. راجع تجربة تقييم العملاء المحتملين المنشورة.

تأتي القيمة العملية من تغيير موضع حدوث التوليد المكلف. فبدلًا من مطالبة نموذج لغوي كبير وقادر بتحليل وكتابة رسائل تواصل مخصصة لكل سجل بعمق، يمكن للنظام أولًا تحديد المجموعة الصغيرة التي تبدو قيّمة أو غير مؤكدة.

وهذا أحد أسباب اعتماد استراتيجية هجينة لتكلفة الذكاء الاصطناعي بشكل متزايد على التوجيه. لا يقتصر تحسين التكلفة على العثور على نموذج أرخص، بل يتعلق أيضًا بتحديد الطلبات التي تحتاج أصلًا إلى نموذج مكلف.

في تلك البنية، يكون Jev أكثر فائدة كمرشح أولي منه كطبقة الذكاء النهائية.

5. الألعاب في الوقت الفعلي: يغيّر تكرار اتخاذ القرارات اقتصاديات التشغيل

تبدو الألعاب في الوقت الفعلي كعروض تجريبية طريفة، لكنها تكشف سبب أهمية زمن الاستجابة.

نشر Max Blade تجربة Subway Surfers شغّل فيها Jev عبر 50 لعبة في الوقت نفسه، وأفاد المؤلف بأن إجمالي تكلفة الاستدلال كان أقل من سنت واحد. وهذه الأرقام أبلغ عنها المؤلف نفسه في العرض التجريبي العلني للعبة.

مساحة الإجراءات صغيرة: التحرك إلى اليسار، التحرك إلى اليمين، القفز، الانحناء، أو المتابعة. ولا توجد فائدة كبيرة من إنتاج وصف تفصيلي باللغة الطبيعية لكل إطار قبل اختيار أحد هذه الإجراءات.

وهذا يقدّم طريقة مفيدة لتقييم نماذج اتخاذ القرار: وتيرة اتخاذ القرار.

إن توفير بضع مئات من المللي ثانية في حكم واحد يوميًا لا يحمل قيمة عملية كبيرة. لكن توفير ذلك الزمن عبر العديد من القرارات في الثانية، وضربه في عشرات البيئات المتوازية، يغيّر كلاً من زمن الاستجابة وتكلفة الاستدلال.

ولهذا تصبح نماذج اتخاذ القرار السريعة أكثر إثارة للاهتمام كلما تكرر الحكم المحدد نفسه بوتيرة أعلى.

6. تقييم المحتوى: طرح أسئلة كثيرة حول المسودة نفسها

يوضح SuperX بُعدًا آخر من المشكلة. فبدلًا من اتخاذ القرار نفسه بوتيرة عالية، يطرح النظام العديد من الأسئلة المختلفة حول المدخل نفسه.

تقيّم التجربة العامة منشورًا على وسائل التواصل الاجتماعي استنادًا إلى 61 سؤالًا منفصلًا. ويفيد المؤلف بأن التكلفة تبلغ نحو ثانية واحدة و0.0004 دولار لكل مسودة، مع استخدام المنشورات السابقة للمساعدة في تحديد الإشارات المرتبطة بأداء أقوى. وهذه النتائج ادعاءات من صاحب المنتج وليست معايير قياس مستقلة. ويظهر المشروع في دليل حالات المحتوى والنمو.

بدلًا من طرح سؤال غامض مثل «هل هذا منشور جيد؟»، يمكن للتطبيق تفكيك المسودة إلى أحكام أكثر تحديدًا:

• هل العبارة الجاذبة محددة؟
• هل توجد فجوة تثير الفضول؟
• هل الادعاء محدد؟
• هل تبدو الصياغة ترويجية بشكل مبالغ فيه؟
• هل الدعوة إلى اتخاذ إجراء مباشرة أكثر من اللازم؟

والنتيجة ليست درجة واحدة مبهمة من الذكاء الاصطناعي، بل ملف منظم يمكن للبرمجيات استخدامه لتحديد البعد الذي يحتاج إلى إعادة صياغة، أو مقارنة مسودتين، أو تقرير ما إذا كانت المراجعة البشرية ضرورية.

وهذا يجعل تعدد أبعاد القرار متغيرًا مهمًا آخر. فقد يصبح النموذج مفيدًا ليس فقط لأن الحكم نفسه يتكرر كثيرًا، بل لأن عشرات الأحكام المحددة يمكن تطبيقها بتكلفة منخفضة على الحالة نفسها.

7. تصنيف الأبحاث: فرز كل شيء، ثم قراءة ما يهم

استخدم مشروع عام يُدعى 1kpapers أداة Jev لتصنيف 1,018 ورقة بحثية في مجال الذكاء الاصطناعي. وتُظهر الأرقام المنشورة تكلفة إجمالية تبلغ نحو 0.08 دولار وزمن استجابة وسيطًا يقارب 256 مللي ثانية من البداية إلى النهاية لكل ورقة. المشروع مُدرج في دليل المواقع المصنوعة باستخدام Jev.

قد يكون هذا أحد الأمثلة العملية الأكثر فائدة، لأن العديد من سير العمل الفعلية تبدأ بعدد كبير جدًا من السجلات: الأوراق البحثية، ورسائل البريد الإلكتروني، وتذاكر الدعم، والمراجعات، والمستندات، والسجلات، أو استعلامات البحث.

غالبًا لا يكمن الجزء المكلف في فهم عنصر واحد، بل في تحديد العناصر التي تستحق اهتمامًا أعمق.

يصبح هذا مفيدًا بشكل خاص عندما تكون بيانات المصدر خاصة. إذ يمكن لـ مساعد ذكاء اصطناعي خاص إبقاء الاسترجاع ومكتبة المستندات الخام محليين، مع إرسال الأدلة المحددة أو المشتقة فقط إلى خدمة خارجية عند الضرورة.

لا يحتاج النموذج إلى استبدال القراءة المتعمقة. يتمثل دوره في جعل القراءة المتعمقة انتقائية.

النمط الحقيقي: كثافة القرارات

تبدو الأمثلة السبعة غير مترابطة، لكنها متشابهة جدًا من الناحية الهيكلية. يبدأ كل منها بحالة فوضوية، ثم يطرح مرارًا أسئلة تكون مساحة إجاباتها محددة مسبقًا.

ومن الطرق المفيدة لوصف ذلك كثافة القرارات: عدد الأحكام المحددة التي يحتاج النظام إلى إصدارها ضمن عبء عمل معين.

هناك عاملان أكثر أهمية:

• التكرار: مدى تكرار حاجة التطبيق إلى إصدار حكم؛
• الأبعاد: عدد الأحكام التي يحتاج إلى إصدارها بشأن كل حالة.

من غير المرجح أن يبرر قرار ثنائي واحد إعادة تصميم مكدس الذكاء الاصطناعي. أما آلاف القرارات غير الواضحة، أو عشرات الأحكام بشأن كل مُدخل، فتمثل مشكلة مختلفة.

كلما زادت كثافة القرارات، أصبحت طبقة قرار متخصصة أكثر جاذبية.

قد تكون أقوى بنية هي Jev أولًا، ثم النموذج الأكبر

لا تحتاج نماذج القرار أيضًا إلى حل كل حالة. ويمكن للثقة أن تحدد متى ينبغي لنموذج أكثر قدرة أن يتولى المهمة.

توضح تجربة عامة لاكتشاف الاحتيال هذا النمط. استخدم المُنشئ أولًا Jev على 100 رسالة بريد إلكتروني، ثم أحال التنبؤات التي تقل عن عتبة ثقة تبلغ 95% إلى نموذج Kimi K3 الأكبر. وأفاد المؤلف بإجراء 31 تصعيدًا، ودقة نهائية بلغت 96 من أصل 100، وتكلفة إجمالية تقارب 0.07 دولار. تظل هذه الأرقام تجريبية ومُبلّغًا عنها ذاتيًا؛ والحالة مدرجة في دليل هندسة Jev.

هذه البنية أكثر إثارة للاهتمام من محاولة تعظيم دقة Jev المستقلة. يمكن لنموذج أقل تكلفة التعامل مع الأغلبية السهلة، بينما يتلقى نموذج أكثر تكلفة الجزء الغامض فقط.

حتى حينها، لا ينبغي أن تتحول الثقة تلقائيًا إلى سلطة. تظل أدوات الوكلاء للقراءة فقط والأذونات المحددة النطاق مهمة عندما يمكن لتصنيف ما أن يطلق في النهاية إجراءً في العالم الحقيقي.

القرارات الرخيصة لا تجعل الإشارات السيئة جيدة

لقد توسع النقاش المبكر حول Jev بالفعل ليشمل مجالات مثل الوسم الآلي والتداول. وكلاهما ينسجم مع واجهة نموذج القرار، لكن ذلك لا يجعل كل الادعاءات المحيطة بهما موثوقة بالقدر نفسه.

بالنسبة إلى وسم البيانات، لا يتمثل التصميم الأقوى على المدى القريب بالضرورة في استبدال المعلّقين البشريين. يمكن وسم الحالات عالية الثقة تلقائيًا، وإخضاع الأمثلة متوسطة الثقة لمراجعة نموذج ثانٍ، بينما تظل السجلات الغامضة من نصيب الإنسان.

وهذا يغيّر الأمثلة التي يقضي البشر وقتهم فيها بدلًا من افتراض اختفاء البشر من سير العمل.

ينطوي التداول على قيد أوضح. إن إنتاج اشترِ, بع، أو احتفظ من السهل تأطير ذلك سريعًا كقرار محدود النطاق. أما المشكلة الصعبة فهي ما إذا كانت بيانات الإدخال تحتوي على ميزة تنبؤية حقيقية.

يمكن لـ Jev جعل قرار السوق منخفض التكلفة. لكنها لا تستطيع جعل الإشارات الضعيفة تنبؤية.

ينطبق التمييز نفسه على معظم الأمثلة أعلاه. يوضح انخفاض زمن الاستجابة وانخفاض تكلفة الاستدلال أن طبقة القرار فعالة. لكنهما لا يثبتان بمفردهما أن الحكم الأساسي يحقق قيمة تجارية.

موضع Jev في وكيل ذكاء اصطناعي محلي

Jev نفسها خدمة مستضافة حاليًا وليست نقطة تفتيش عامة مستضافة ذاتيًا. وهذا ينشئ حدًا مهمًا للذكاء الاصطناعي المحلي.

قد يحتفظ وكيل محلي بالملفات والذاكرة والاسترجاع والأدوات على خادم منزلي، ولكن إذا أُرسل محتوى المستند إلى Jev لتصنيفه، فقد عبرت تلك الأدلة حدود الشبكة.

ينطبق المبدأ نفسه عند استخدام أدوات سحابية مع ملفات محلية: فوجود بيئة تشغيل محلية لا يضمن تلقائيًا بقاء مسار البيانات محليًا.

يحافظ تصميم هجين أقوى على الاسترجاع الخاص والمعالجة المسبقة وإزالة البيانات الحساسة والعمليات المحلية الروتينية بالقرب من البيانات، ثم يرسل فقط الحد الأدنى من الأدلة المطلوبة إلى نموذج اتخاذ القرار أو الاستدلال المستضاف.

ما الذي تخبرنا به إصدارات Jev الأولى فعليًا

لا تُظهر الموجة الأولى من تجارب Jev أن نموذج قرار صغيرًا يمكنه استبدال الذكاء الاصطناعي المتطور.

وهو يوضح شيئًا أكثر فائدة: تنفق العديد من تطبيقات الذكاء الاصطناعي قدرات حوسبة النماذج التوليدية على مهام لا تتطلب توليدًا.

في المتصفحات والإعلانات والعملاء المحتملين والألعاب والمحتوى والبحث وتنسيق الوكلاء، يتكرر الهيكل نفسه. تكون المدخلات فوضوية، لكن المخرجات المحتملة محددة. ويحدث الحكم مرارًا، ويمكن تصعيد الحالات غير المؤكدة.

لذلك، فإن أكثر عروض Jev فائدة ليست تلك التي تحاول إثبات قدرة Jev على فعل كل شيء.

وهي تُظهر المواضع التي لا يحتاج فيها نموذج لغوي عام الغرض إلى المشاركة على الإطلاق.

يصبح Jev أكثر فائدة عندما يحتاج البرنامج إلى آلاف القرارات الضبابية لكن المحددة - مع أقل قدر ممكن من الكلمات.