العمل بفعالية مع الذكاء الاصطناعي

جادل الجزء الأول من هذه السلسلة بأن الأعمال المهمة بمساعدة الذكاء الاصطناعي قد تستفيد من تكرار احتياطي مستقل. وجادل الجزء الثاني بأن على المستخدم اختيار النوع المناسب من الذكاء الاصطناعي قبل الحكم على ما يستطيع الذكاء الاصطناعي فعله.

لنفترض الآن أن الشرطين قد تحققا.

اخترت نموذجاً قادراً. ووفرت مسار مراجعة مستقلاً للعمل المهم. ومع ذلك بقيت النتيجة ضعيفة.

عندها يستحق سؤال أصعب أن يُطرح:

ماذا لو لم يكن الذكاء الاصطناعي هو المشكلة؟ ماذا لو كان المستخدم هو المشكلة؟

هذا ليس هجوماً على المستخدم. إنه سؤال يتعلق بالنظام. إذا كان الإنسان هو من يحدد الهدف، ويوفر السياق، ويختار تسلسل العمل، ويوافق على النتائج الوسيطة، ويقرر متى تُعد المهمة منتهية، فالإنسان ليس خارج سير عمل الذكاء الاصطناعي. إنه أحد مكوناته.

المستخدم جزء من النظام

كثيراً ما نتحدث عن أداء الذكاء الاصطناعي كما لو أن النموذج يعمل بمعزل عن كل شيء. في العمل الحقيقي، نادراً ما يكون الأمر كذلك.

المستخدم هو من يحدد المشكلة. وهو من يقرر المعلومات التي سيقدمها. وهو من يحدد ما يجب ألا يتغير. وهو من يقرر إن كانت النتيجة الأولى مقبولة، وإن كان التصحيح ضرورياً، وإن كان العمل سيستمر.

كل قرار من هذه القرارات يمكن أن يحسن النتيجة. وكل واحد منها يمكن أيضاً أن يفسدها.

يمكن للنموذج أن يفشل. ويمكن للبرمجيات أن تفشل. ويمكن للبيانات أن تفشل. ويمكن للافتراضات أن تفشل. ويمكن للمستخدم أن يفشل أيضاً.

الاعتراف بذلك ليس انتقاصاً من الإنسان. إنه ضبط جودة أساسي.

النموذج الأفضل لا ينقذ سير عمل سيئاً

هناك ميل للتعامل مع الذكاء الاصطناعي كما لو كان آلة بيع: أدخل أمراً، استلم منتجاً نهائياً، وإذا كانت النتيجة خاطئة فالمشكلة في الآلة.

قد تنجح هذه الطريقة مع طلب بسيط. لكنها تصبح هشة عندما تحتوي المهمة على عشرات المتطلبات والاعتماديات والاستثناءات والملفات واللغات والقيود التقنية ومعايير القبول.

قد يتحمل نموذج أقوى سير عمل سيئاً مدة أطول. وقد يستنتج المقصود بصورة أفضل. وقد يتعافى من الغموض بسهولة أكبر. لكن لا ينبغي توقع أن يعوض أي نموذج إلى ما لا نهاية عن هدف لم يُحدد بوضوح من الأصل.

الأداة الأفضل تزيد القدرة. لكنها لا تلغي الحاجة إلى إدارة العمل.

هندسة الأوامر ليست سحراً

قد يوحي مصطلح «هندسة الأوامر» بأن هناك في مكان ما جملة مثالية تفتح باب النتائج المثالية.

في الأعمال المعقدة، غالباً ما يكون هذا التصور خاطئاً.

الأمر الجيد مهم. واللغة الواضحة مهمة. والأمثلة الجيدة مهمة. لكن المهارة الأكبر هي إدارة التفاعل عبر الزمن.

ما الهدف؟ ما السياق المهم؟ ما القيود غير القابلة للتفاوض؟ ما التفضيلات الاختيارية؟ ما الخطوة الأولى؟ ما الذي ينبغي التحقق منه قبل الانتقال؟ وما الدليل الذي يثبت أن المهمة اكتملت؟

تعليمة قصيرة في اللحظة الصحيحة داخل سير عمل منضبط قد تكون أكثر فعالية من فقرة متقنة تحتوي على عشرين متطلباً.

حدد الهدف قبل أن تكتب التعليمة

كثيراً ما يعرف المستخدم ما يريد عندما يراه، لكنه لم يحدد ما الذي يعنيه النجاح فعلياً.

وهذا الفرق مهم.

عبارة «حسّن هذا الموقع» ليست معيار قبول. أما «غيّر الصور الثلاث المحددة فقط واترك كل الملفات الأخرى دون تغيير» فهي أقرب بكثير إلى معيار واضح. وعبارة «حسّن الترجمة» غامضة. أما «حافظ على المعنى والمصطلحات التقنية والنبرة والأسماء والتسلسل، مع إنتاج فرنسية وعربية طبيعية ومهنية» فتعطي العمل حدوداً واضحة.

يجب أن يحدد الهدف ما ينبغي تغييره وما ينبغي حمايته من التغيير في الوقت نفسه.

بلغة الهندسة، يحتاج الذكاء الاصطناعي إلى حالة مستهدفة وقيود.

قسّم العمل قبل أن ينهار العمل

من أبسط طرق تحسين العمل بمساعدة الذكاء الاصطناعي التوقف عن طلب كل شيء دفعة واحدة.

ينبغي غالباً تقسيم العمل المعقد إلى مراحل مضبوطة: تثبيت خط الأساس، تحديد فئة واحدة من التغييرات، تنفيذها، فحصها، التحقق من أن العناصر غير المعنية بقيت سليمة، ثم المتابعة.

هذه ليست قاعدة خاصة اختُرعت للذكاء الاصطناعي. إنها من أساسيات استكشاف الأعطال.

إذا نُفذت عشرة تغييرات غير مرتبطة في خطوة واحدة ثم تعطل النظام، يصبح تحديد السبب صعباً. وإذا نُفذ تغيير واحد مضبوط ثم جرى التحقق منه، تصبح مساحة الفشل أصغر.

يزيد الذكاء الاصطناعي من قيمة هذا الانضباط لأنه يفسر التعليمات. كل متطلب إضافي يزيد فرصة انتقال سوء فهم إلى الخطوات التالية.

احتفظ بخط أساس معروف وسليم

قبل تعديل نظام يعمل، اعرف ماذا يعني «يعمل» واحتفظ بنسخة تثبت ذلك.

خط الأساس المعروف والسليم ليس نسخة احتياطية فقط. إنه دليل.

عندما تكون النتيجة الجديدة خاطئة، يستطيع المستخدم مقارنتها بآخر حالة معتمدة بدلاً من محاولة تذكر ما كان ينبغي ألا يتغير.

وهذا مهم خصوصاً في عمليات النشر بمساعدة الذكاء الاصطناعي، حيث قد تبدو الصفحة الظاهرة صحيحة بينما تغيرت في الخلفية مكونات مشتركة أو مسارات أو أنماط أو أصول أو إعدادات.

يحوّل خط الأساس عبارة «أظن أن شيئاً تغير» إلى «هذا الملف تغير ولم يكن ذلك مصرحاً به».

تحقق من كل خطوة قبل المتابعة

من أنماط الفشل الشائعة قبول نتيجة وسيطة لأنها تبدو قريبة بما يكفي، ثم بناء خمس خطوات إضافية فوقها.

وعندما يُكتشف الخطأ الأصلي لاحقاً، يكون العمل اللاحق قد أصبح معتمداً عليه.

لذلك ينبغي أن يحدث التحقق عندما يكون التصحيح ما يزال رخيصاً.

إذا عدّل الذكاء الاصطناعي ملفاً، افحص الملف. وإذا غيّر مساراً، اختبر المسار. وإذا ترجم صفحة، قارن المعنى والبنية. وإذا ولّد شيفرة، نفّذ الاختبارات المناسبة. وإذا قال إنه غيّر منطقة واحدة فقط، فقارن المخرج المسلّم بخط الأساس.

لا تدع الشرح المقنع يحل محل الدليل.

توقف عن البناء فوق نتيجة سيئة

خطأ شائع آخر هو الاستمرار في إصلاح محادثة كان ينبغي التخلي عنها قبل عدة تعليمات.

تحتوي النتيجة الأولى على خطأ. يُضاف تصحيح. يُدخل التصحيح مشكلة أخرى. تُضاف تعليمة جديدة. ثم استثناء. ثم توضيح. ثم تعليمة تشرح أي تعليمة سابقة لم تعد صالحة.

وفي النهاية تصبح المحادثة كومة من الرقع بدلاً من وصف نظيف للنتيجة المطلوبة.

عند هذه النقطة قد تكون المتابعة أسوأ من البدء من جديد.

ارجع إلى آخر حالة معروفة وسليمة. أعد صياغة الهدف الحالي. احذف التصحيحات والافتراضات التي لم تعد صالحة. وابدأ من خط أساس نظيف.

المهندسون يرجعون عن شيفرة مكسورة. والفنيون يعيدون المعدات إلى إعدادات معروفة وسليمة. وسير العمل مع الذكاء الاصطناعي يستحق الانضباط نفسه.

البدء من جديد ليس فشلاً. أحياناً يكون استعادة مضبوطة.

راجع المخرج الفعلي، لا شرحه

قد يقول الذكاء الاصطناعي بصدق إنه غيّر فقط ما طُلب منه، ومع ذلك يكون مخطئاً.

الشرح صادر عن النظام نفسه الذي نفذ العمل. ولذلك فهو ليس دليلاً مستقلاً على صحة التنفيذ.

في البرمجيات، افحص الملفات والمسارات والإعدادات والاختبارات والفروقات. وفي البحث، افحص الأدلة. وفي الحسابات، أعد حساب القيم الحرجة. وفي الوثائق، تحقق من الحقائق والبنية والمصادر. وفي الترجمة، قارن المعنى لا السلاسة وحدها.

كلما اقتربت المراجعة من المخرج الحقيقي أصبحت أكثر فائدة.

إذا لم تستطع التعرف على الإجابة الخاطئة فأنت لا تشرف على النظام

يستطيع الذكاء الاصطناعي إنتاج مخرجات مصقولة بسرعة كبيرة. وهذه الجودة السطحية تصنع أحد أكبر فخاخ العمل بمساعدته.

قد تبدو شيفرة خاطئة احترافية. وقد يبدو تحليل ضعيف واثقاً وسلطوياً. وقد يُعرض افتراض خاطئ بثقة. وقد تكون الترجمة سلسة لكنها تغيّر المعنى.

لذلك يحتاج المستخدم إلى فهم كافٍ للهدف كي يتعرف على النتيجة غير المقبولة.

هذا لا يعني أن على المستخدم معرفة كل تفصيل أفضل من الذكاء الاصطناعي. بل يعني أن يعرف ما الأدلة التي يجب طلبها، وما القيود المهمة، ومتى يحتاج إلى مراجعة متخصصة، وأي قرارات لا يمكن ببساطة إعادتها إلى النموذج ليحسمها.

إذا لم تكن لدى المستخدم طريقة لتمييز الإجابة الصحيحة من الإجابة الخاطئة المقنعة، فالنظام لم يعد تحت الإشراف. بل أصبح موضع ثقة عمياء.

وهذان أمران مختلفان.

التغذية الراجعة الأفضل تنتج تصحيحاً أفضل

كلمة «خطأ» تغذية راجعة، لكنها ضعيفة.

التصحيح المفيد يحدد العيب، ويشير إلى الحالة المتوقعة، ويحد نطاق الإصلاح.

بدلاً من «أصلح الموقع»، يمكن لتعليمة أقوى أن تحدد الصفحة والعنصر وخط الأساس المعتمد والقاعدة التي تقول إن لا شيء آخر يجب أن يتغير.

وبدلاً من إعادة كتابة وثيقة كاملة مراراً لأن فقرة واحدة ضعيفة، اعزل الفقرة وحدد ما ينقصها.

الهدف ليس الحديث إلى الذكاء الاصطناعي بلغة خاصة. الهدف هو تقليل الغموض.

الذكاء الاصطناعي نفسه قد يبدو عبقرياً أو ضعيفاً بحسب من يستخدمه

تخيل شخصين يستخدمان النموذج نفسه تماماً.

يعطي الأول تعليمة غامضة، ويقبل الإجابة الأولى، ويواصل إضافة التصحيحات من دون فحص النتائج الوسيطة، ويبني فوق مخرجات تزداد هشاشة. وفي النهاية يفشل المشروع. الاستنتاج: الذكاء الاصطناعي عديم الفائدة.

أما الثاني فيحدد الهدف، ويوفر السياق المناسب، ويصرح بما يجب ألا يتغير، ويقسّم العمل إلى مراحل، ويتحقق من كل مرحلة، ويقارن النتائج المهمة بالأدلة، ويبدأ من جديد عندما يصبح التفاعل مشوشاً.

يمكن للنموذج نفسه أن يبدو أكثر قدرة بصورة كبيرة.

قد لا يكون الفرق في ذكاء النموذج. قد يكون في جودة سير العمل.

ولهذا لا ينبغي فصل تقييم الذكاء الاصطناعي عن طريقة تشغيله.

الحكم البشري هو طبقة التكرار الاحتياطي الأخيرة

قدّم الجزء الأول ذكاءً اصطناعياً ثانياً بوصفه طبقة مراجعة مستقلة. وأضاف الجزء الثاني الاختيار المقصود للأداة. لكن أياً منهما لا يلغي الحاجة إلى جهة نهائية تقبل النتيجة أو ترفضها.

يمكن لذكاء اصطناعي مراجعة ذكاء اصطناعي آخر. ويمكن للاختبارات الآلية التحقق من بعض المخرجات. ويمكن للنماذج أن تتحدى بعضها. ويمكن للمتخصصين فحص المناطق عالية المخاطر.

لكن في مرحلة ما، يبقى على إنسان أن يقرر ما إذا كانت النتيجة المسلّمة تخدم الغرض المقصود فعلاً، وما إذا كان الدليل المتاح كافياً لاعتمادها.

هذا القرار البشري هو طبقة التكرار الاحتياطي الأخيرة.

العمل بفعالية مع الذكاء الاصطناعي يعني تحمّل مسؤولية التفاعل

أحياناً يكون النموذج فعلاً هو المشكلة.

النماذج تسيء فهم التعليمات. وقد تقدم ادعاءات غير مدعومة. وقد تغيّر أشياء طُلب منها صراحة الحفاظ عليها. وقد تنتج نتائج خاطئة بثقة. هذه الإخفاقات حقيقية ولا ينبغي إنكارها.

لكن الاستخدام الجاد للذكاء الاصطناعي يفرض سؤالاً ثانياً كلما حدث خلل: ماذا كان يمكنني أن أفعل بصورة مختلفة؟

هل كان الهدف واضحاً؟ هل قدمت السياق الصحيح؟ هل كانت المهمة كبيرة أكثر مما ينبغي؟ هل تحققت من الخطوة السابقة؟ هل واصلت ترقيع محادثة مكسورة بدلاً من البدء من جديد؟ هل قبلت إجابة فقط لأنها بدت مقنعة؟ هل فوّضت قراراً كان ينبغي أن أمارس فيه حكمي الخاص؟

أحياناً ستبقى الإجابة: النموذج هو الذي فشل.

وأحياناً لن تكون كذلك.

تعلم التمييز بين الحالتين جزء من العمل بفعالية مع الذكاء الاصطناعي.

لن تكون الأفضلية فقط لمن يملك أقوى نموذج. ستكون أيضاً لمن يعرف كيف يحدد العمل، ويشرف عليه، ويتحقق منه، ويتحمل مسؤولية جودة التفاعل.

لأن الذكاء الاصطناعي يكون أحياناً هو المشكلة فعلاً.

وأحياناً، قد يكون المستخدم هو المشكلة.