روبوت المحادثة نظام، وليس مجرد نموذج
أبسط نموذج ذهني مفيد هو اعتباره تطبيقًا يتمحور حول المحادثة.
ترى مربعًا للرسائل وتدفّقًا من الردود. وخلف هذه الواجهة، تعمل عدة أجزاء معًا:
Your message
↓
Chat application loads instructions and conversation state
↓
AI model interprets the request or drafts a response
↓
Application may retrieve data or use another service
↓
Rules and safety checks run
↓
Reply appears and selected state is savedإنَّ LLM الذي تستخدمه العديد من روبوتات المحادثة الحديثة هو أحد مكونات هذا المسار. فهو يولّد اللغة أو يفسّرها. أما روبوت المحادثة فهو المنتج الأكبر الذي يقرر ما يراه النموذج، ويربطه بالمعلومات، ويعرض مخرجاته، ويتعامل مع الحالات التي لا يستطيع فيها النموذج إكمال الطلب بأمان.
لا تستخدم كل روبوتات المحادثة بالذكاء الاصطناعي نموذجَ LLM. إذ يمكن لروبوت محادثة يركّز على مهمة محددة أن يستخدم تعلّم الآلة لتصنيف ما يريده الشخص واستخراج التفاصيل من الرسالة. أما روبوت المحادثة القائم على LLM فيمكنه توليد رد جديد استنادًا إلى التعليمات والسياق. وتجمع العديد من روبوتات المحادثة المستخدمة في الإنتاج بين اللغة المولّدة والقواعد الثابتة للمهام التي تتطلب سلوكًا يمكن التنبؤ به.
كيف يعمل روبوت المحادثة بالذكاء الاصطناعي
تبدأ كل رسالة بدور جديد في المحادثة. ويتكوّن الدور المعتاد من ست مراحل.
1. استلام الرسالة
قد تكون القناة موقعًا إلكترونيًا أو تطبيقًا للهواتف المحمولة أو خدمة مراسلة أو واجهة صوتية. وإذا تحدث الشخص، يحوّل برنامج التعرّف على الكلام الصوت أولًا إلى نص.
2. تحميل حالة المحادثة
يحمّل التطبيق المعلومات التي اختار الاحتفاظ بها. وقد تشمل الرسائل الحديثة، أو ملخصًا قصيرًا للرسائل الأقدم، أو حالة حساب المستخدم، أو التقدم المحرز في مهمة ما.
هكذا يبدو أن روبوت المحادثة يتذكر. فالنموذج لا يحتفظ تلقائيًا بذاكرة خاصة لكل استدعاء سابق. بل يجب على التطبيق أو خدمة النموذج تخزين الحالة ذات الصلة وتزويده بها مرة أخرى في دور لاحق.
3. تفسير الطلب
يربط روبوت المحادثة القائم على النوايا الرسالة بهدف معروف، مثل track_order، ويستخرج التفاصيل المطلوبة، مثل رقم الطلب. وإذا كانت هناك تفاصيل مطلوبة مفقودة، فإنه يتبع قاعدة حوار ويسأل عنها.
يتلقى روبوت المحادثة القائم على LLM حزمة من المدخلات قد تتضمن تعليمات المنتج، ورسالة المستخدم، وسجلًا مختارًا للمحادثة، والسجلات ذات الصلة. ثم يولّد الرد التالي. والتطبيق، لا مربع الدردشة الذي يراه المستخدم، هو الذي يجمع هذه الحزمة.
4. الحصول على المعلومات أو تنفيذ إجراء محدد النطاق
قد يبحث روبوت المحادثة في قاعدة معرفية معتمدة، أو يستعلم عن طلب، أو ينشئ تذكرة دعم، أو يستدعي خدمة أخرى. هذه الاتصالات قدرات منفصلة. ولا يحصل نموذج اللغة على إمكانية الوصول إلى قاعدة بيانات لمجرد أن روبوت المحادثة يستطيع مناقشة محتوياتها.
ينبغي للبرنامج المحيط أن يتحقق من هوية المستخدم وما يُسمح له بفعله قبل كشف البيانات أو تغيير أي شيء.
5. التحقق من الرد وإعادته
يمكن للتطبيق رفض الطلبات غير الآمنة، أو إزالة المحتوى غير المدعوم، أو طلب تأكيد محدد مسبقًا، أو توجيه المحادثة إلى شخص. تكتب بعض الردود بواسطة نموذج، بينما تكون ردود أخرى قوالب تُملأ ببيانات تم التحقق منها. ويمكن لمحادثة واحدة أن تستخدم كلا النوعين.
6. حفظ ما يحتاج إليه الدور التالي
يحفظ روبوت المحادثة رسائل محددة، أو التقدم في مهمة، أو ملخصًا لاستخدامه لاحقًا. وقد يسجل أيضًا مؤشرات الجودة للمراجعة. إن حفظ محادثة بهدف تحسين محتمل في المستقبل ليس هو نفسه إعادة تدريب النموذج أثناء المحادثة.
مثال عملي: تغيير عنوان التسليم
لنفترض أنك كتبت:
أنت: أين يوجد الطلب 4821؟
روبوت المحادثة: جرى تجهيز الطلب، لكنه لم يُشحن بعد.
ربما تحقّق روبوت المحادثة من حسابك، واستخرج 4821، واسترجع سجل الطلب، وحوّل الحالة التي تم التحقق منها إلى رد قصير.
ثم تكتب:
أنت: هل يمكنني تغيير عنوان تسليمه؟
لا يكون للضمير «ـه» معنى واضح إلا بفضل الدور السابق. يزوّد تطبيق روبوت المحادثة الحالة ذات الصلة: الطلب الحالي هو 4821، كما يسترجع القاعدة التي تنص على أن العنوان لا يمكن تغييره إلا قبل الشحن.
يمتلك النظام الآن الطلب وحالته، لكنه لا يمتلك العنوان الجديد. ولا يخمّن روبوت المحادثة المصمم جيدًا أو يدّعي نجاح العملية، بل يطلب المعلومات المفقودة:
روبوت المحادثة: نعم. لم يُشحن الطلب 4821، لذا لا يزال بإمكانك تغيير عنوانه. ما العنوان الذي تريدني أن أستخدمه؟
بعد أن تقدم العنوان، يمكن للتطبيق التحقق من صحته وعرض تأكيد نهائي قبل إرسال التحديث. وإذا كان الطلب قد شُحن بالفعل، فيمكنه توضيح القيد أو تحويل المحادثة إلى فريق الدعم.
يبدو هذا التبادل وكأنه محادثة واحدة متواصلة. لكنه في البرنامج عبارة عن سلسلة من الأدوار المنفصلة التي تربط بينها حالة مخزنة، وعمليات بحث عن البيانات، وقواعد العمل، ومسارات فشل محددة صراحةً.
لماذا تهم روبوتات المحادثة بالذكاء الاصطناعي؟
يحوّل روبوت المحادثة الواجهة الجامدة إلى واجهة مرنة تعتمد على اللغة. فبدلًا من البحث عن القائمة أو النموذج أو عبارة البحث المناسبة، يمكنك وصف ما تحتاج إليه بكلماتك الخاصة. وتتيح لك الرسائل اللاحقة تنقيح الطلب دون البدء من جديد.
وتفيد هذه المرونة في الدعم، واسترجاع المعلومات، وجمع البيانات الأولية، والمهام الموجّهة. لكنها تنطوي أيضًا على مخاطر. فقد تبدو اللغة المولّدة واثقة عندما تكون خاطئة. وقد يسيء روبوت المحادثة فهم مرجع ضمير ما، أو يسترجع السجل الخطأ، أو يحاول التعامل مع طلب خارج النطاق المسموح له.
لذلك تعتمد جودة روبوت المحادثة على أكثر من النموذج. فهي تعتمد على المعلومات التي يمكنه الوصول إليها، وكيفية إدارة الحالة، والإجراءات المسموح بها، وكيفية التعامل مع عدم اليقين، ووجود مسار واضح للوصول إلى شخص.
مفاهيم شائعة خاطئة
«روبوت المحادثة هو LLM»
يمكن لـ LLM إنتاج نص من مدخلات. أما روبوت المحادثة فيضيف واجهة المحادثة، والتعليمات، والحالة، واتصالات البيانات، والأذونات، وعمليات التحقق، وسلوك المنتج. وقد يؤدي تغيير النموذج إلى تغيير أداء روبوت المحادثة دون استبدال روبوت المحادثة بأكمله.
«إنه يتذكر كل ما قلته»
لا يتذكر روبوت المحادثة إلا ما تحفظه سياسة تصميمه وبياناته وتعيد تقديمه إليه. فقد يتلقى السجل الكامل، أو ملخصًا مختصرًا، أو حقائق محددة، أو لا يتلقى أي سياق سابق على الإطلاق. وقد تتصرف جلسة جديدة بطريقة مختلفة عن جلسة مستمرة.
«إنه يتعلم من كل محادثة»
عادةً لا يحدّث النموذج أثناء محادثتك. فقد يراجع المشغّلون السجلات، ويجمعون التقييمات، ويغيرون التعليمات، ويحدّثون المواد المصدرية، أو يدرّبون نموذجًا لاحقًا. وهذه عمليات منفصلة.
«الإجابة الطبيعية هي إجابة تم التحقق منها»
الطلاقة خاصية من خصائص الصياغة، وليست دليلًا على صحة الادعاء. فقد يولّد روبوت المحادثة عبارة تبدو معقولة دون التحقق من مصدر. وفي الإجابات المهمة أو الخاصة بالحسابات، تشمل الأدلة المفيدة الاستشهادات، والسجلات التي تم التحقق منها، والتأكيدات، والحدود الواضحة.
«كل روبوت محادثة بالذكاء الاصطناعي هو وكيل ذكاء اصطناعي»
تتداخل التسميات، ويستخدمها المورّدون بطرق مختلفة. يُعرَّف روبوت المحادثة أساسًا بالمحادثة. أما الوكيل فعادةً ما يُتوقع منه اختيار خطوات متعددة وتنفيذها لتحقيق هدف بدرجة أكبر من الاستقلالية. ويمكن لروبوت المحادثة تنفيذ إجراء محدد النطاق دون أن يصبح وكيلًا مستقلًا.
كيف يندرج روبوت المحادثة ضمن نظام ذكاء اصطناعي أوسع؟
النموذج هو محرك اللغة. وروبوت المحادثة هو المنتج الحواري المحيط به. ويتولى نظام التنسيق إدارة التعليمات والحالة والبيانات واستدعاءات النموذج والإجراءات المسموح بها. وقد يستخدم الوكيل الأجزاء نفسها مع اتخاذ مبادرة أكبر في مهمة متعددة الخطوات.
هذه طبقات وليست تسميات متنافية للمنتجات. فقد يعرض منتج واحد واجهة روبوت محادثة، ويستخدم LLM كنموذج له، ويعتمد على نظام تنسيق لإدارة كل دور، ويتيح بعض الإجراءات الشبيهة بإجراءات الوكلاء. والسؤال المفيد ليس ما تسميه صفحة التسويق، بل أين توجد الحالة، وما البيانات التي يستطيع النظام الوصول إليها، وما الإجراءات التي يستطيع تنفيذها، وأي القرارات تتطلب تأكيدًا.
إلى أين تذهب بعد ذلك؟
اقرأ «ما هو LLM؟» للتعرّف إلى نموذج اللغة المستخدم داخل العديد من روبوتات المحادثة الحالية. واقرأ «ما هو نظام تنسيق الذكاء الاصطناعي؟» للتعرّف إلى طبقة البرمجيات التي تدير السياق والأدوات وعناصر التحكم المحيطة بهذا النموذج. ثم استخدم «نموذج الذكاء الاصطناعي مقابل روبوت المحادثة مقابل نظام التنسيق مقابل الوكيل» للتمييز بين الطبقات التي تخلط الأوصاف الخاصة بالمنتجات بينها غالبًا.What Is an LLM? for the language model used inside many current chatbots. Read What Is an AI Harness? for the software layer that manages context, tools, and controls around that model. Then use AI Model vs. Chatbot vs. Harness vs. Agent to separate the layers that product descriptions often blend together.