الذكاء الاصطناعي في القطاع العام يتجه نحو نماذج أصغر وأكثر إحكامًا بُنيت للسيطرة

للذكاء الاصطناعي الحكومي مجموعة مختلفة من المشكلات

غالبًا ما يفترض سباق نشر الذكاء الاصطناعي ظروف التشغيل الخاصة بالقطاع الخاص: اتصالًا سحابيًا دائمًا، وبنية تحتية مركزية، وحرية واسعة لنقل البيانات، وقدرًا من التسامح مع محدودية شفافية النموذج. ووفقًا لتقرير جديد من MIT Technology Review Insights أُنتج بالشراكة مع Elastic، فإن هذه الافتراضات تنهار سريعًا في البيئات الحكومية.

يؤكد التقرير أن مؤسسات القطاع العام تواجه مزيجًا مميزًا من قيود الأمن والحوكمة والتشغيل، ما يجعل النماذج اللغوية الصغيرة، أو SLMs، خيارًا عمليًا أكثر من مجرد استيراد دليل النماذج الكبيرة التقليدي. الفكرة ليست أن الحكومات غير مهتمة بالذكاء الاصطناعي، بل أن لديها هامشًا أقل للفشل، ومرونة أقل في التعامل مع البيانات، وأسبابًا أكثر للمطالبة بالسيطرة على أماكن تشغيل الأنظمة وسلوكها.

لماذا تزداد جاذبية النماذج الأصغر

أحد أبرز الضغوط هو أمن البيانات. ويستشهد النص الأصلي بدراسة أجرتها Capgemini وجدت أن 79% من مسؤولي القطاع العام عالميًا يبدون حذرًا بشأن أمن بيانات الذكاء الاصطناعي. وهذا القلق ليس مفاجئًا في الوكالات التي تتعامل مع سجلات حساسة، والتزامات قانونية، وأنظمة بالغة الأهمية للمهام. ففي مثل هذه البيئات، قد يكون إرسال المعلومات بحرية عبر الشبكات أو إلى خدمات خارجية أمرًا غير ممكن أو غير مقبول.

ينقل التقرير عن نائب رئيس الذكاء الاصطناعي في Elastic، هان شياو، قوله إن الوكالات الحكومية يجب أن تكون شديدة التقييد بشأن البيانات التي ترسلها إلى الشبكة. هذا القيد يغيّر معادلة النشر. فالأنظمة الكبيرة المعتمدة على السحابة قد تكون قوية، لكن إذا كانت تتطلب افتراضات لا تستطيع المؤسسة قبولها، فإنها تصبح صعبة الثقة من الناحية التشغيلية.

تُطرح النماذج اللغوية الصغيرة بوصفها إجابة لأنها يمكن أن تكون أكثر إحكامًا في السيطرة، وأضيق نطاقًا في الغرض، وربما أسهل في التشغيل داخل البيئات المقيدة. وجاذبيتها ليست في الكفاءة فقط، بل في الملاءمة. فالنموذج الأصغر المصمم حول مهمة حكومية محددة قد يكون أسهل في الحوكمة من نظام عام الغرض صُمم للاستخدام المفتوح.

التحدي التشغيلي أكبر من تحدي العرض التجريبي

يؤكد التقرير أيضًا نقطة كثيرًا ما تُغفل في نقاشات الذكاء الاصطناعي: نشر نموذج داخل مؤسسة حقيقية يختلف كثيرًا عن إثبات أنه يعمل في تجربة أولية. تحتاج الوكالات الحكومية إلى أنظمة قادرة على الأداء بشكل موثوق عبر أنواع مختلفة من البيانات، والتوسع دون تعطل تشغيلي، والاستمرار في العمل حتى عندما يكون اتصال الإنترنت محدودًا أو غير موثوق أو غير متاح.

يقول شياو في النص الأصلي إن كثيرين يقللون من شأن التحدي التشغيلي للذكاء الاصطناعي. وهذه الملاحظة مهمة بشكل خاص في المؤسسات العامة، حيث تكتسب استمرارية العمليات أهمية لا تقل عن القدرة الخام. فالنموذج المثير للإعجاب الذي يفشل في ظروف الميدان، أو لا يمكن التحقق منه، أو يعتمد على عتاد غير متاح، ليس حلًا قابلًا للتطبيق في القطاع العام.

وقيد البنية التحتية لا يقل أهمية. ويشير التقرير إلى أن المؤسسات الحكومية قد تجد صعوبة في الحصول على وحدات GPU المستخدمة لتدريب نماذج الذكاء الاصطناعي الأكثر تعقيدًا والوصول إليها. وهذا يجعل الأنظمة الأصغر والأكثر استهدافًا أكثر جاذبية، ليس فقط لأسباب سياسية، بل أيضًا لأسباب تتعلق بالمشتريات والقدرة الحاسوبية.

من التجريب إلى التشغيل الفعلي

وجد استطلاع أجرته Elastic واستشهد به النص الأصلي أن 65% من قادة القطاع العام يواجهون صعوبة في استخدام البيانات بشكل مستمر وفي الوقت الحقيقي وعلى نطاق واسع. وتساعد هذه النسبة في تفسير سبب تعثر كثير من جهود الذكاء الاصطناعي الحكومية بعد مراحل التجربة الأولية. فالتحدي لا يقتصر على اتخاذ قرار باستخدام الذكاء الاصطناعي، بل يتمثل في دمجه داخل سير عمل يجب أن يظل آمنًا وقابلًا للتدقيق ومرنًا.

وهنا يصبح الحجة لصالح SLMs أقوى. فإذا كانت الوكالة تحتاج إلى نماذج قادرة على العمل في بيئات خاضعة للسيطرة، والاندماج مع أنظمة مقيدة، وإبقاء البيانات تحت سيطرة المؤسسة، فإن الأنظمة الأضيق نطاقًا قد تكون أقدر على التحول إلى تشغيل فعلي من النماذج العامة الكبيرة.

هذا لا يعني أن الأصغر أفضل تلقائيًا. بل يعني أن هدف التحسين مختلف. ففي كثير من البيئات الحكومية، قد يكون النظام الفائز هو الأكثر قابلية للحوكمة والأكثر موثوقية، لا النظام الذي يحقق أعلى نتيجة معيارية.

إشارة أوسع إلى الذكاء الاصطناعي المؤسسي

كما أن تركيز التقرير على القطاع العام يشير إلى تحول أوسع في التفكير حول الذكاء الاصطناعي المؤسسي. فبالنسبة للمؤسسات عالية التنظيم أو الحساسة أمنيًا، فإن الحديث عن النماذج الحدودية ليس سوى جزء من القصة. والجزء الآخر هو معمارية النشر: أين يعمل النموذج، وما البيانات التي يمكنه الوصول إليها، وكيف تُتحقق القرارات، وهل تستمر العمليات عندما تختفي الظروف المثالية.

تمثل الوكالات الحكومية حالة متطرفة لهذه الضغوط، لكنها ليست حالة فريدة. ومن المرجح أن تواجه قطاعات أخرى ذات متطلبات عالية للامتثال والاستمرارية مقايضات مشابهة. وهذا يجعل القطاع العام حالة اختبار مفيدة لاتجاه أوسع نحو حزم ذكاء اصطناعي أكثر تخصصًا.

ما الذي يقوله التقرير حقًا

الادعاء المركزي لا يتعلق بالحجم بحد ذاته بقدر ما يتعلق بالواقعية التشغيلية. فإذا كان يُتوقع من المؤسسات العامة نقل الذكاء الاصطناعي من مرحلة التجربة إلى الاستخدام اليومي، فهي تحتاج إلى أنظمة متوافقة مع البيئات التي تعمل فيها فعليًا. إن حدود الأمان، والاتصال المحدود، والبنية التحتية المقيدة، والحوكمة الصارمة ليست حالات هامشية في الحكومة. إنها القاعدة.

وفي هذا السياق، تُطرح النماذج اللغوية الصغيرة المصممة خصيصًا كمسار عملي للمضي قدمًا. قد تفتقر إلى الاستعراض الذي توفره الأنظمة الأكبر، لكن حجة التقرير هي أن العملية والسيطرة والاستمرارية هي ما سيحدد ما إذا كان الذكاء الاصطناعي سيصبح قابلًا للاستخدام فعلًا في القطاع العام.

هذه المقالة مبنية على تقرير من MIT Technology Review. اقرأ المقال الأصلي.