From Intent to AI Pipelines: A Controlled Agentic Framework for Non-AI Expert Scientists

ملخص تقني: خطوط أنابيب الذكاء الاصطناعي القابلة للتكيف والموجهة بالمجال (DDAP)

بيان المشكلة

أصبحت خطوط أنابيب الذكاء الاصطناعي (AI pipelines) ضرورية للبحوث الحديثة عبر مجالات متنوعة، بما في ذلك العلوم الطبية، والزراعة، والعلوم الاجتماعية. ومع ذلك، لا يزال تصميم وتنفيذ أنظمة الذكاء الاصطناعي الشاملة يشكل عائقاً كبيراً أمام العلماء غير المتخصصين. يتطلب تطوير حلول ذكاء اصطناعي فعالة خبرات متعددة المستويات: صياغة الأسئلة البحثية كمهام ذكاء اصطناعي، وإعداد البيانات، واختيار النماذج وتدريبها، والنشر. تقدم الحلول الحالية قيوداً محددة:

• منصات الكود المنخفض/بدون كود (Low-code/No-code): بينما تقلل من حواجز الدخول التقنية، إلا أنها غالباً ما تفتقر إلى المرونة، والقدرة على التكيف مع القيود الخاصة بالمجال، ودعم دورة حياة خط الأنابيب الكاملة.
• الاستخدام المباشر للنماذج اللغوية الكبيرة (LLMs): يواجه استخدام النماذج اللارية لتوليد الكود من الأوصاف باللغة الطبيعية تحديات تتعلق بالموثوقية (إنتاج خطوط أنابيب غير مكتملة أو غير قابلة للتكرار)، والالتزام بقيود المجال (مثل المتطلبات التنظيمية)، والعبء المعرفي العالي المطلوب من غير الخبراء للتحقق من المخرجات وتصحيحها.
• الفجوة المنهجية: لا تقوم الأدوات الحالية بتشغيل عملية الانتقال من وصف المشكلة إلى سير عمل تعلم الآلة بشكل كافٍ بطريقة يسهل الوصول إليها من قبل غير الخبراء مع الحفاظ على قابلية التكرار والشفافية.

المنهجية: إطار عمل DDAP

لمعالجة هذه التحديات، يقترح المؤلفون خطوط أنابيب الذكاء الاصطناعي القابلة للتكيف والموجهة بالمجال (DDAP)، وهو إطار عمل وكيل (agentic) محكوم يعتمد على وجود الإنسان في الحلقة (human-in-the-loop). يعامل DDAP بناء خط أنابيب الذكاء الاصطناعي كمشكلة هندسة برمجيات، حيث يقوم بتخليق سير عمل قابل للتنفيذ من مقاصد المجال عالية المستوى تحت ظروف عدم اليقين. بدلاً من الاعتماد على التوليد المستقل تماماً، يقوم DDAP بتنسيق النماذج اللغوية الكبيرة كوكلاء متخصصين ضمن سير عمل مرحلي.

يهيكل إطار العمل عملية التطوير إلى أربع مراحل متميزة، تنتج مجموعة من العناصر المهيكلة ($A = \{A_1, A_2, A_3, A_4\}$) التي يتم حفظها وإعادة استخدامها عبر المراحل:

1. تعريف المشكلة ($A_1$):

   • الهدف: استخلاص وهيكلة مهمة الذكاء الاصطناعي في تمثيل شبه رسمي.
   • الآلية: حوار مفتوح حيث يقوم النظام بتوصيف مجال الباحث ومستوى خبرته. يستخدم النظام التلقين القائم على الأدوار (role-based prompting)، والحواجز الوقائية (guardrails)، والتفكير المتسلسل (Chain-of-Thought - CoT) لتوجيه المستخدم في توضيح الأهداف، وخصائص البيانات، والقيود.
   • المخرج: عنصر تعريف مشكلة مهيكل.

2. توصيف بيئة الحوسبة ($A_2$):

   • الهدف: مواءمة متطلبات المشكلة مع الموارد الحوسبية المتاحة.
   • الآلية: يعيد المنسق (orchestrator) استخدام تعريف المشكلة لسياق التلقينات، واستخلاص التفاصيل حول موقع البيئة (في الموقع أو سحابية)، والمسرعات (GPUs/TPUs)، والتخزين، والميزانية.
   • المخرج: عنصر توصيف بيئة حوسبية.

3. توليد خط الأنابيب ($A_3$):

   • الهدف: توليد مواصفات خط أنابيب ذكاء اصطناعي مهيكلة.
   • الآلية: يتم تقسيم هذه المرحلة إلى خطوتين: (1) توليد استراتيجيات المعالجة المسبقة المرشحة و(2) توليد تصميمات كاملة لخط الأنابيب. يولد إطار العمل خمسة بدائل لخطوط الأنابيب لكل مهمة للتخفيف من الطبيعة الاحتمالية للنماذج اللغوية الكبيرة. يستخدم التوليد المعزز بالاسترجاع (RAG)، والتفكير المتسلسل (CoT)، والحواجز الوقائية لضمان توافق التصميمات مع متطلبات المجال وقيود الموارد.
   • المخرج: عدة عناصر بديلة لمواصفات خط الأنابيب مع ذكر الإيجابيات والسلبيات.

4. توليد الكود ($A_4$):

   • الهدف: ترجمة مواصفات خط الأنابيب المختارة إلى كود قابل للتنفيذ (مثل PyTorch أو TensorFlow).
   • الآلية: تُستخدم نماذج لغوية موجهة للكود (مثل Code Llama) مع تلقينات مدعومة بالعناصر المستمدة من المراحل السابقة. تتضمن العملية آلية اختيارية لـ إصلاح الكود، حيث يقوم المنسق بتغذية رسائل الخطأ مرة أخرى إلى النموذج اللغوي لتحديد وإصلاح الأخطاء النحوية أو أخطاء وقت التشغيل دون تصحيح يدوي.
   • المخرج: كود تنفيذ قابل للتنفيذ.

يعتمد إطار العمل على منسق خط الأنابيب (Pipeline Orchestrator) مركزي يدير حلقة التفاعل، مما يضمن التتبع والحفاظ على منطق التحكم طوال العملية.

المساهمات الرئيسية

يحدد البحث أربع مساهمات رئيسية:

1. الصياغة المدفوعة بالعناصر (Artifact-Driven Formulation): يقوم بنمذجة بناء خط الأنابيب كعملية تخليق مرحلية تحول المقاصد عالية المستوى إلى عناصر قابلة للتنفيذ، متجاوزاً أساليب AutoML التي تعتمد فقط على البحث في مكونات محددة مسبقاً.
2. إطار عمل وكيل محكوم (Controlled Agentic Framework): على عكس القوالب الثابتة ذات الكود المنخفض، يتكيف DDAP ديناميكياً مع سياق المجال، وخبرة المستخدم، وقيود الموارد من خلال التفاعل الموجه والتحسين المرحلي.
3. سير عمل متعدد المراحل ومنسق: يقوم بتفكيك توليد خط الأنابيب إلى مراحل منسقة مع إعادة استخدام صريح للعناصر ومنطق تحكم، مما يحسن قابلية التكرار وتحكم المستخدم مقارنة بالتلقين أحادي الخطوة للنماذج اللغوية الكبيرة.
4. التقييم التجريبي: يثبت أن DDAP يمكنه توليد خطوط أنابيب ذكاء اصطناعي تنافسية في تمريرة واحدة (دون تحسين تكراري) عبر مجالات متعددة، مع تحديد القيود بوضوح في المهام المعقدة مثل التجميع النصي (textual clustering).

النتائج التجريبية

قيم المؤلفون DDAP عبر ست تجارب شملت علوم الأحياء، والأعمال، والعلوم الصحية، مقارنين النماذج المولدة بواسطة DDAP بالنماذج المرجعية التي طورها الخبراء من الأدبيات الموجودة.

• الأداء التنافسي: في عدة مهام، حقق DDAP نتائج مماثلة أو متفوقة على نماذج الخبراء دون ضبط تكراري للمعلمات الفائقة (hyperparameters).

  • مراقبة مرض باركنسون عن بُعد (الانحدار): حقق نموذج التجميع الخاص بـ DDAP متوسط خطأ مطلق (MAE) قدره 0.30 (Motor UPDRS) و2.66 (Total UPDRS)، متفوقاً على نموذج الخبير (4.5 و6.0 على التوالي).
  • توقع سوق الأسهم (انحدار/تصنيف): حقق DDAC دقة بلغت 79.44%، متجاوزاً نموذج الخبير البالغ 68%.
  • تصنيف المنتجات (نص): حقق DDAC دقة تحقق بلغت 96.83%، متجاوزاً نموذج الخبير البالغ 95%.
  • تصنيف آفات الجوت (صورة): حقق DDAC درجة F1 قدرها 0.94، وهي أقل قليلاً من نموذج الخبير البالغ 0.97، لكنها تظهر قدرة قوية في تمريرة واحدة.
  • تصنيف مواد النفايات (صورة): حقق DDAC درجة F1 قدرها 84%، وهي منافسة لنموذج الخبير البالغ 90%.
  • تقسيم العملاء (تجميع): ولد DDAC شرائح ذات معنى بناءً على نموذج RFM مع درجة Silhouette بلغت 0.53، بما يتماشى مع التمايزات السلوكية التي حددها الخبراء.

• القيود: أظهر إطار العمل فجوات كبيرة في مهام التجميع القائمة على النصوص. ففي مهمة تجميع المنتجات، كانت أفضل درجة F1 لـ DDAC هي 0.001، وهي أقل بكثير من نموذج الخبير البالغ 0.59. ويعزو المؤلفون ذلك إلى الحاجة إلى تعلم تمثيل أكثر تقدماً واستراتيجيات تحسين تكرارية للبيانات النصية المعقدة.

الأهمية والادعاءات

يزعم البحث أن DDAP يثبت جدوى إطار العمل الوكيل المحكوم لدمقرطة تطوير الذكاء الاصطناعي. من خلال الجمع بين التفاعل الموجه، والقدرة على التكيف، وقابلية التكرار، يسمح إطار العمل لغير الخبراء بتوليد خطوط أنابيب ذكاء اصطناعي تنافسية.

تكمن أهمية العمل في قدرته على سد الفجوة بين سهولة الوصول والصرامة التقنية. هو لا يدعي استبدال تدخل الخبراء تماماً، بل يهدف إلى توفير مسار مهيكل مدفوع بالعناصر يقلل من حواجز الدخول مع الحفاظ على التوافق مع مبادئ هندسة البرمجيات (النمطية، وفصل الاهتمامات). يضع المؤلفون DDAP كتوحيد بين سهولة الوصول في الأنظمة منخفضة الكود/بدون كود، وتوليد AutoML المهيكل، وقدرة النماذج اللغوية الكبيرة على التكيف مع السياق، مما يوفر بديلاً قابلاً للتكرار للكود المولد عبر النماذج اللغوية الكبيرة الذي يكون غالباً غير مستقر وغير منظم. يُقدم إطار العمل كخطوة نحو جعل تطوير الذكاء الاصطناعي أكثر سهولة وتكيفاً وقابلية للتكرار عبر التخصصات العلمية المختلفة.