يتمثل عبء العمل الذي نتناوله في مساعد مؤسسي خاضع للحوكمة مخصص للموظفين؛ إذ يجيب عن الأسئلة بالاستناد إلى وثائق داخلية، ويتعين عليه ذكر المصادر عند تقديم إجابات تتضمن حقائق. كما يجب عليه تطبيق ضوابط التحكم في الوصول لضمان ألا يسترجع المستخدم سوى الوثائق المصرح له بالاطلاع عليها.
يُنشئ عبء العمل هذا نوعين متميزين من المخاطر التي تؤثر في اختيار المنصة: يتمثل النوع الأول في مخاطر سلوك النموذج، وتشمل المخرجات غير الآمنة، وهجمات حقن الأوامر (prompt injection)، والادعاءات الناجمة عن “هلوسة” النموذج. أما النوع الثاني فيتمثل في مخاطر حدود البيانات، وتشمل الكشف غير المقصود عن محتوى حساس أثناء عمليات الاسترجاع أو التسجيل (logging). وسنُبقي هاتين الفئتين من المخاطر منفصلتين نظراً لاختلاف الضوابط والأدلة المتعلقة بكل منهما.
لنستعرض معاً حدود الثقة ومسارات البيانات التي يجب إخضاعها للحوكمة.
يحدد هذا الدرس إطاراً لاتخاذ القرار بشأن توفير مساعد مؤسسي خاضع للحوكمة باستخدام خدمات أمازون ويب (AWS). سنفاضل بين تقنيات “التوليد المعزز بالاسترجاع” (RAG)، و"الضبط الدقيق" (fine-tuning)، وخيارات الاستدلال (inference) المختلفة، وذلك بالانطلاق من مقاييس النجاح ونطاق البيانات المسموح به. وسنتعامل مع الأمان وزمن الاستجابة والتكلفة كمعايير قبول أساسية، وليس كأمور ثانوية تُؤخذ في الاعتبار لاحقاً.
تُعد Amazon Bedrock خدمة مُدارة بالكامل وتعمل بنموذج “بدون خادم” (serverless)، حيث توفر إمكانية الوصول عبر واجهة برمجة التطبيقات (API) إلى النماذج الأساسية (foundation models) المخصصة لتطبيقات الذكاء الاصطناعي التوليدي والوكلاء (agents). تقوم Bedrock بتجريد تفاصيل البنية التحتية للخدمة، مما يعني أن اختيار مثيلات الحوسبة (instances) وضبط وحدات معالجة الرسومات (GPU) ليست قرارات يتحكم فيها العميل. كما تتضمن Bedrock ميزات مُدارة لتقنية RAG، وضوابط الأمان، وتطوير الوكلاء، والتي تعمل جميعها على مستوى طبقة التطبيق.
تُعد Amazon SageMaker AI منصة مُدارة لتعلم الآلة تتيح بناء النماذج وتدريبها وتخصيصها ونشرها مع توفير تحكم أكبر في البنية التحتية وسير العمل. تتيح خدمة الاستدلال في SageMaker AI استضافة نماذج مفتوحة المصدر، أو نماذج مملوكة لجهات خارجية، أو نماذج مخصصة، وذلك من خلال اختيار أنواع المثيلات وأطر عمل الخدمة. وهذا ينقل إلينا المزيد من المسؤوليات المتعلقة بتخطيط السعة، وتكوين النشر، والموازنة بين الأداء والتكلفة.
تتمثل إحدى الطرق العملية للفصل بين المسؤوليات في تحديد الجوانب التي نريد امتلاك السيطرة عليها. فقد صُممت Bedrock خصيصاً لاستهلاك قدرات النموذج عبر واجهة برمجة تطبيقات مُدارة مع نظام قياس للاستخدام يعتمد على الرموز (tokens). في المقابل، صُممت SageMaker AI لمنح المستخدم السيطرة الكاملة على بيئة نشر النموذج، بما في ذلك الحاويات (containers)، وعائلات المثيلات، والتكلفة لكل ساعة تشغيل للمثيل. وعادةً ما يكون قرار الملكية هذا هو العامل الحاسم في النقاش اللاحق حول المفاضلة بين تقنية RAG والضبط الدقيق.
يمكننا جعل عملية الاختيار هذه قابلة للتكرار والقياس من خلال اتباع أربع خطوات. أولاً، حدِّد النتيجة المرجوة وطريقة التقييم التي ستحدد مدى قبول المساعد. ثانياً، حدِّد نطاق البيانات الخاضعة للرقابة، بما في ذلك البيانات التي يُحظر تماماً إرسالها إلى مزود النموذج. ثالثاً، حدِّد الأدلة التي يمكن جمعها أثناء مرحلة التشغيل الفعلي (الإنتاج) لإثبات التزام النظام بالسياسات المعتمدة. رابعاً، اختر بين Bedrock أو SageMaker AI أو كليهما، بناءً على طبيعة النطاق الذي يتعين عليك التحكم فيه. [المصادر][/المصادر]
لنستعرض المسار الممتد من تحديد المتطلبات وصولاً إلى اختيار خدمة يمكن تبريرها ودعمها بالحجج. [المصادر][/المصادر]