الذكاء الاصطناعي

صعود نماذج اتخاذ القرار: هل تصبح التخصيصات المعتمدة على البيانات هي التوجه القادم؟

تشهد نماذج اتخاذ القرار (Decision Models) نمواً متسارعاً كبديل أسرع وأقل تكلفة لنماذج اللغة الكبيرة، مع بروز توجه جديد نحو تخصيص هذه النماذج باستخدام بيانات المستخدمين الخاصة.

17 نوفمبر 2026
2 دقائق قراءة
5 قراءة
certi.news Editorial Team
صعود نماذج اتخاذ القرار: هل تصبح التخصيصات المعتمدة على البيانات هي التوجه القادم؟

تشهد بيئة الذكاء الاصطناعي تحولاً لافتاً، حيث أصبحت نماذج اتخاذ القرار (Decision Models) تستحوذ على حصة كبيرة من مهام الحوسبة الذكية. وبحسب بيانات منصة Vercel، تجاوزت طلبات هذه النماذج ربع إجمالي الطلبات في أكتوبر، مما يعكس اعتماداً متزايداً على أدوات مصممة لاتخاذ خيارات سريعة بين خيارات محددة مسبقاً بدلاً من توليد نصوص طويلة.

ما هي نماذج اتخاذ القرار؟

تختلف هذه النماذج عن نماذج اللغة الكبيرة (LLMs) التقليدية في أنها لا تنتج مخرجات نصية، بل تركز على استخدام ذكائها العام لاتخاذ قرارات فورية ومنخفضة التكلفة، مع تقديم مؤشر لمستوى الثقة في القرار المتخذ. وتعد هذه الخصائص حيوية في بيئات الإنتاج التي تتطلب سرعة استجابة فائقة تتفوق على دقة النماذج الضخمة البطيئة.

المشهد التنافسي

تهيمن عائلة نماذج "Jev" من شركة TypeSafe على هذا القطاع، حيث عالجت أكثر من 1.5 مليار استعلام في أسبوع واحد فقط. ومع ذلك، دخلت كبرى شركات التقنية (Hyperscalers) السباق بقوة، حيث أعلنت مايكروسوفت عن إطلاق نموذجها الخاص Microsoft-Decision-1.1 عبر منصة Azure.

وفي الوقت نفسه، تبرز الشركات الناشئة كلاعب أساسي في هذا المجال؛ حيث أعلنت شركة Sqwish البريطانية عن جولة تمويل بقيمة 3 ملايين دولار لتطوير نموذجها kettei fat، مع التركيز على أدوات تتيح للمستخدمين تدريب النماذج باستخدام بياناتهم الخاصة لتحسين دقة الأحكام.

لماذا يهم هذا الخبر؟

تؤكد التجارب الميدانية أن الاعتماد المفرط على معايير الأداء (Benchmarks) قد يكون مضللاً في بيئات العمل الحقيقية. ويشير خبراء مثل أتشينت سريفاستافا من مايكروسوفت إلى أن التحدي الحقيقي يكمن في الموازنة بين أربعة أبعاد: الدقة، الموثوقية، السرعة، وكفاءة التكلفة.

ما الذي يتغير عملياً؟

يتحول التركيز من مجرد بناء نماذج عامة إلى تقديم أدوات تتيح للمؤسسات تخصيص النماذج ببياناتها الخاصة (Post-training tools). هذا التوجه يمنح الشركات ميزة تنافسية، حيث تصبح النماذج أكثر مهارة في المهام المحددة التي تهم المستخدم، مما يقلل من تحول هذه التقنيات إلى مجرد سلع رقمية عامة (Commodity).

ويتوقع المراقبون أن يشهد المستقبل تكاملاً بين "ذكاء النظام الأول" (نماذج اتخاذ القرار السريعة) و"ذكاء النظام الثاني" (نماذج اللغة الكبيرة المعقدة)، حيث تعمل هذه الأنظمة جنباً إلى جنب لتقديم حلول تقنية متكاملة.

مصدر الخبر
كيف أعددنا هذا الخبر؟

اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة، لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة. اقرأ سياستنا التحريرية.

c
كاتب المقال

certi.news Editorial Team

certi.news Editorial Team

The certi.news editorial team monitors technical sources and reconstructs news, verifying facts and context prior to publication.

ما الذي تحتاج معرفته

تشهد نماذج اتخاذ القرار (Decision Models) صعوداً سريعاً كبديل فعال لنماذج اللغة الكبيرة، حيث تركز على السرعة وكفاءة التكلفة مع توجه متزايد نحو تخصيص هذه النماذج باستخدام بيانات المستخدمين الخاصة.

  • نماذج اتخاذ القرار توفر خيارات فورية ومنخفضة التكلفة بدلاً من توليد نصوص طويلة.
  • تزايد الاعتماد على نماذج اتخاذ القرار في بيئات الإنتاج التي تتطلب استجابة سريعة.
  • تتجه الشركات نحو أدوات تتيح تخصيص النماذج (Post-training) باستخدام بيانات المؤسسات الخاصة.
  • المستقبل يتجه نحو تكامل ذكاء النظام الأول (النماذج السريعة) مع ذكاء النظام الثاني (نماذج اللغة الكبيرة).

أسئلة شائعة

ما الفرق بين نماذج اتخاذ القرار ونماذج اللغة الكبيرة؟

نماذج اتخاذ القرار لا تنتج مخرجات نصية، بل تستخدم ذكاءها لاتخاذ قرارات فورية بين خيارات محددة مع تقديم مؤشر لمستوى الثقة، بينما تركز نماذج اللغة الكبيرة على توليد النصوص.

لماذا يعد تخصيص النماذج ببيانات المستخدمين مهماً؟

التخصيص يمنح الشركات ميزة تنافسية من خلال جعل النماذج أكثر مهارة في مهام محددة، مما يمنع تحولها إلى مجرد سلع رقمية عامة.

استكشف هذه القصة

المواضيع والجهات المرتبطة

من نفس التصنيف

مقالات قد تهمك

عرض كل الأخبار