الذكاء الاصطناعي
#الذكاء_الاصطناعي
#Instacart
"مشكلة وصفة البراوني": كيف تعالج Instacart تحديات الذكاء الاصطناعي؟
كشف أنيربان كوندو، المدير التقني لشركة Instacart، عن تحدٍ جوهري يواجه أنظمة الطلب الفوري المعتمدة على الذكاء الاصطناعي، واصفاً إياه بـ "مشكلة وصفة البراوني". تبرز هذه المشكلة الفجوة بين قدرات الاستنتاج لدى النماذج اللغوية الكبيرة (LLMs) وحاجتها الماسة لفهم السياق الواقعي المتغير لحظة بلحظة.
ما هي "مشكلة وصفة البراوني"؟
أوضح كوندو أن الأمر لا يقتصر ببساطة على إخبار النموذج "أريد صنع البراوني". لكي يكون الذكاء الاصطناعي مساعداً حقيقياً، يجب أن يتجاوز التوجيهات البسيطة ليفهم ما هو متاح في السوق المحلي للمستخدم بناءً على تفضيلاته (مثل البيض العضوي مقابل العادي)، وعامل القابلية للتوصيل الجغرافي لضمان عدم تلف الطعام.
بالنسبة لشركة Instacart، يكمن التحدي في الموازنة بين زمن الاستجابة (Latency) وتوفير السياق الصحيح لتقديم تجربة مستخدم مثالية في أقل من ثانية واحدة. وقال كوندو في حدث حديث: "إذا استغرق الاستنتاج وحده 15 ثانية، وكان كل تفاعل بهذه البطء، فستخسر المستخدم".
المزج بين الاستنتاج والواقع والتخصيص
في عالم توصيل البقالة، هناك "عالم من الاستنتاج" و"عالم من الحالة" (ما هو متاح في العالم الحقيقي)، وكلاهما يجب أن يفهمه النموذج اللغوي جنباً إلى جنب مع تفضيلات المستخدم. ولكن، حذر كوندو من أن تحميل سجل شراء المستخدم بالكامل واهتماماته في نموذج استنتاج واحد سيجعل حجم النموذج "غير قابل للإدارة".
الحل: بنية معيارية ونماذج لغوية صغيرة (SLMs)
للتغلب على هذه العقبات، تقوم Instacart بتقسيم المعالجة إلى أجزاء:
- النموذج التأسيسي: يتم تغذية البيانات أولاً لنموذج كبير يفهم النوايا ويصنف المنتجات.
- النماذج اللغوية الصغيرة (SLMs): يتم توجيه البيانات المعالجة لنماذج مصممة خصيصاً لسياق الكتالوج (الأطعمة التي تتماشى معاً) والفهم الدلالي.
يجب أن يكون النموذج الصغير قادراً على معالجة تفاصيل متعددة، مثل البدائل المناسبة في حال عدم توفر المنتج الأصلي. وأشار كوندو إلى أن البدائل "مهمة جداً" للشركة التي تواجه حالات عدم توفر منتجات بنسب تزيد عن 10% في الأسواق المحلية.
الفهم الدلالي واللوجستيات
إذا أراد متسوق "وجبات خفيفة صحية للأطفال"، يجب أن يفهم النموذج ما هو صحي وما يناسب طفلاً في الثامنة من عمره. بالإضافة إلى ذلك، هناك العنصر اللوجستي؛ فالآيس كريم يذوب بسرعة، والخضروات المجمدة تتأثر بالحرارة، ويجب على النموذج حساب وقت التوصيل المقبول بناءً على هذه العوامل.
الابتعاد عن الأنظمة "الأحادية" والتوجه نحو الوكلاء الدقيقين
تختبر Instacart استخدام وكلاء الذكاء الاصطناعي (AI Agents)، حيث وجدت أن مزيجاً من الوكلاء يعمل بشكل أفضل من نظام "أحادي" يقوم بمهام متعددة. تتبع الشركة فلسفة Unix في استخدام أدوات أصغر ومركزة للتعامل مع أنظمة الدفع المختلفة والكتالوجات التي تختلف في موثوقيتها وفترات تحديثها.
لإدارة هؤلاء الوكلاء، دمجت Instacart بروتوكول سياق النموذج (MCP) من OpenAI، الذي يبسط ربط النماذج بأدوات مختلفة. كما تستخدم بروتوكول التجارة العالمي (UCP) المفتوح من Google، والذي يسمح لوكلاء الذكاء الاصطناعي بالتفاعل المباشر مع أنظمة التجار.
ورغم التقدم، أشار كوندو إلى أن فريقه لا يزال يقضي حوالي ثلثي وقته في إصلاح حالات الفشل ومعالجة تباين أوقات الاستجابة بين الخدمات المختلفة.
الأسئلة الشائعة
هي التحدي المتمثل في حاجة نماذج الذكاء الاصطناعي لفهم السياق الواقعي المتغير (مثل المخزون المحلي واللوجستيات) بدلاً من الاكتفاء بالاستنتاج البسيط للطلبات.
تستخدم الشركة بنية معيارية تقسم المعالجة بين نموذج تأسيسي كبير لفهم النوايا، ونماذج لغوية صغيرة (SLMs) متخصصة في سياق الكتالوج والفهم الدلالي.
تستخدم Instacart بروتوكول سياق النموذج (MCP) من OpenAI وبروتوكول التجارة العالمي (UCP) المفتوح من Google لربط النماذج بالأدوات وأنظمة التجار.
التعليقات 0
سجل دخولك لإضافة تعليق
لا توجد تعليقات بعد. كن أول من يعلق!