الذكاء الاصطناعي التوليدي السيادي للقطاع العام: دروس من DILA

ماذا يعني الذكاء الاصطناعي التوليدي السيادي للجهات العامة؟

في سياق الخدمة العامة، يعني السيادي أن المؤسسة تبقى مسيطرة على مكان وجود بياناتها ومن يستطيع الوصول إليها وكيفية تأمين النظام وإمكانية ردّ كل إجابة إلى مصدرها. إنه مسألة سيطرة ومساءلة، لا مسألة جنسية التقنية. وبعبارة أخرى، السؤال الذي تطرحه الجهة على نفسها هو: هل أستطيع أن أشرح لمواطن أو لمدقق أين ذهبت البيانات ولماذا أعطى النظام هذه الإجابة؟

وفي DILA، التابعة لمصالح رئيس الوزراء، شكّلت هذه المتطلبات المنصة منذ اليوم الأول بدل أن تُضاف في النهاية.

لماذا يصعب نشر الذكاء الاصطناعي التوليدي في القطاع العام؟

تحتاج المؤسسات العامة إلى نشر الذكاء الاصطناعي التوليدي مع الالتزام بمتطلبات صارمة للسيادة على البيانات والأمن وقابلية التتبع والامتثال التنظيمي. وتنطبق هذه المتطلبات على كل تطبيق، وهنا تحديدًا تبدأ المشكلة.

حين يُبنى كل تطبيق على حدة، يُعاد بناء استيعاب الوثائق والتضمينات والاسترجاع والتنسيق وضوابط الأمن والتقييم والمراقبة لكل مشروع. والازدواجية مكلفة، لكن الخطر الأكبر هو التفاوت: كل نسخة من طبقة الأمن عنصر مستقل يجب تدقيقه، وينتهي كل مشروع بتصوره الخاص عن معنى الجودة، فيصعب على أي مراجع أن يقارن بين التطبيقات أو أن يضمن أن القواعد طُبّقت بالطريقة نفسها في كل مكان.

ولهذا أرى أن السؤال أمام الجهة العامة نادرًا ما يكون أي نموذج تختار. إنه كيف تتجنب حل مشكلة الامتثال نفسها للمرة الخامسة.

وهناك كلفة بشرية أيضًا. فالفرق التي تعيد بناء البنية نفسها لكل مشروع تقضي وقتها في الأعمال التحتية بدل الخدمة التي سيستعملها المواطن فعلًا، ويواجه من يوافقون على كل نظام تصميمًا مختلفًا في كل مرة.

ما التحدي الذي سعت DILA إلى حله؟

كان الهدف تجاوز النماذج الأولية المعزولة وإرساء أساس ذكاء اصطناعي سيادي وقابل لإعادة الاستخدام، قادر على تسريع تطوير تطبيقات RAG والتطبيقات الوكيلة الجاهزة للإنتاج. وRAG، أي التوليد المعزَّز بالاسترجاع، يعني أن النموذج يجيب انطلاقًا من وثائق المؤسسة لا من ذاكرته وحدها.

وكانت مساهمتي قيادة فريق من 9 أشخاص في منهج المنتج والتنفيذ للمنصة، مع تركيز قوي على البنية المعيارية وإعادة استخدام المكونات وتسليم ذكاء اصطناعي قابل للتوسع. ولا أصف دوري إلا بقدر ما تفعل دراسة الحالة: فالمنصة ثمرة عمل الفريق كله. وقد جعل هذا التوجه المعياري من كل مكوّن وحدة يمكن تحسينها وتدقيقها وإعادة استخدامها دون المساس بالباقي، وهو ما يلائم جهة عامة تتغير فيها الأولويات وتبقى فيها المسؤولية قائمة.

كيف يغيّر نهج المنصة طريقة تسليم الذكاء الاصطناعي؟

كان التحول من بناء كل تطبيق على حدة إلى تجميع مكونات ذكاء اصطناعي موحَّدة وخاضعة للحوكمة. وجمع النهج عدة عناصر، يجيب كل منها عن كلفة مكررة ذُكرت أعلاه.

• بنية سيادية تتوافق مع متطلبات صارمة للاستضافة والأمن والسيادة على البيانات، بما فيها اعتبارات SecNumCloud.
• لبنات قابلة لإعادة الاستخدام: استيعاب الوثائق وتقطيعها والتضمينات والاسترجاع الهجين وإعادة الترتيب وإدارة التعليمات وربط نماذج اللغة الكبيرة.
• تنسيق وكيل: سير عمل قابلة لإعادة الاستخدام لاستدعاء الأدوات والاستدلال متعدد الخطوات وتنفيذ المهام عبر الوكلاء.
• مصنع RAG: مساعدات معتمدة على الوثائق تُنشأ من مسارات استرجاع قابلة للتهيئة بدل تنفيذات خاصة بكل مشروع.
• إطار تقييم يقيس جودة RAG بصورة منهجية.
• حوكمة منذ التصميم: إدارة الوصول وقابلية التتبع والتدقيق ومتطلبات السيادة مدمجة في المكونات نفسها.
• أنماط تنفيذ قابلة للتكرار تقلل جهد التطوير وتحسّن الاتساق بين المشاريع.

كيف تتحول متطلبات السيادة إلى خصائص في المنصة؟

الجدول التالي قراءتي لكيفية ترجمة كل متطلب ورد في دراسة الحالة إلى سلوك في المنصة. هو إطار للنقاش لا وصف للتصميم الداخلي الذي لا أفصّله هنا.

كيف جرى تقييم جودة الإجابات؟

لا تستطيع جهة عامة إطلاق مساعد اعتمادًا على عرض توضيحي جيد. فقد أدخلت المنصة قياسات منهجية لجودة RAG، منحت كل تطبيق المعيار نفسه.

وهناك أربعة مقاييس يجدر معرفتها لأنها ما يبحث عنه الناس. تسأل الأمانة هل الإجابة مدعومة بالوثائق المسترجعة. وتسأل ملاءمة الإجابة هل تعالج السؤال. وتسأل دقة السياق هل كانت المقاطع المسترجعة هي الصحيحة، ويسأل استرجاع السياق هل عُثر على المقاطع الصحيحة أصلًا.

وكانت النتائج المعلنة 0.94 للأمانة، و0.91 لملاءمة الإجابة، و0.89 لدقة السياق، و0.92 لاسترجاع السياق. وغطّى التقييم 85% من سيناريوهات RAG ذات الأولوية. وأورد هذه الأرقام كما وردت لتلك المنصة، لا كمرجع لسياقات أخرى.

والأهم في الخدمة العامة ليس درجة بعينها بقدر ما هو الانضباط الذي يقف خلفها. فحين تُطبَّق المقاييس الأربعة نفسها على كل مساعد، يمكن الحكم على أي تغيير بأنه تحسّن أو تراجع، ويستطيع المراجع أن يطلب دليلًا بدل أن يكتفي بعرض تقديمي.

وهذا الانضباط هو ما يحوّل الجودة من انطباع شخصي إلى التزام يمكن فحصه ومساءلة المسؤول عنه، وهو شرط ضروري لأي جهة تُسأل عن قراراتها أمام الجمهور وأمام جهات الرقابة.

ما الذي غيّرته المنصة عمليًا؟

أمكن لتطبيقات RAG الجديدة إعادة استخدام القدرات المشتركة في معالجة الوثائق والاسترجاع والتقييم والأمن، وأمكن للتطبيقات الوكيلة البناء على أنماط تنسيق وتكاملات أدوات قائمة. فقلّ العمل الهندسي المكرر، وتسارعت التجربة وتقلّصت الحاجة إلى مراجعات متكررة للأمر نفسه، وترسخ نهج أكثر اتساقًا للجودة والحوكمة. ويعني ذلك أن الجهد الذي كان يُصرف في إعادة بناء الأساسيات صار متاحًا لما يهم المستخدم النهائي، أي تحسين الخدمة نفسها وتجريب حالات استخدام جديدة بثقة أكبر وبمخاطر أقل. والنتائج المعلنة:

• أصبح إنشاء المحتوى أسرع بنسبة 70%.
• انخفض زمن تسليم تطبيق RAG بنسبة 60%، من 10 أسابيع إلى 4.
• أُعيد استخدام 75% من القدرات التقنية المشتركة.
• انخفضت كلفة كل طلب ذكاء اصطناعي بنسبة 30% عبر تحسين المسارات وإعادة الاستخدام.
• انخفض زمن تنفيذ النماذج الأولية لمسارات العمل الوكيلة بنسبة 50%.

ماذا تستفيد الجهات العامة الأخرى من تجربة DILA؟

تصوغ صفحة دراسة الحالة الدرس ببساطة: قيمة منصة الذكاء الاصطناعي في المؤسسة ليست الذكاء الذي تقدمه فحسب، بل سرعة وموثوقية تمكينها المؤسسة من بناء تطبيقها التالي. وهذه النقاط التي أنقلها إلى أي جهة عامة أخرى، وهي تصلح نقطة انطلاق عملية لمن يبدأ رحلته مع الذكاء الاصطناعي التوليدي، ولا تعتمد أيٌّ منها على نموذج بعينه أو مزوّد بعينه، ما يجعلها صالحة حتى لو تغيّرت الأدوات مع مرور الوقت.

• التعامل مع مسارات RAG وسير العمل الوكيل والتقييم والحوكمة كقدرات منصة لا كميزات مشروع واحد.
• كتابة متطلبات السيادة والأمن داخل المكونات القابلة لإعادة الاستخدام، فيُورَّث الامتثال بدل أن يتكرر.
• الاتفاق على مقاييس الجودة قبل الإصدار الأول، والإبقاء عليها نفسها لكل التطبيقات.
• قياس المنصة بسرعة بناء التطبيق التالي، لا بمدى إبهار التطبيق الأول.
• إبقاء الفريق صغيرًا والمكونات مشتركة: فريق من 9 أشخاص لا يخدم عدة تطبيقات إلا إذا لم يبدأ كل منها من الصفر.