💬 NLP

Agentic coding without the cloud: evaluating open-weight large language models on longitudinal data preparation tasks

تقدم هذه الورقة إطار عمل مفتوح المصدر يثبت أن نماذج اللغات الكبيرة ذات الأوزان المفتوحة والقابلة للنشر محلياً (تحديداً النماذج التي تتراوح بارامتراتها بين 31 و35 مليار بارامتر) يمكنها أتمتة مهام إعداد البيانات الطولية بفعالية على أجهزة استهلاكية، مما يوفر بديلاً قابلاً للتطبيق ومتوافقاً مع معايير الحوكمة للذكاء الاصطناذ القائم على السحابة في الأبحاث التي تتضمن بيانات شخصية حساسة.

المؤلفون الأصليون: Mack Nixon, Liam Wright, Yevgeniya Kovalchuk, Alison Fang-Wei Wu, Martin Danka, Andy Boyd, David Bann

نُشر 2026-07-27

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mack Nixon, Liam Wright, Yevgeniya Kovalchuk, Alison Fang-Wei Wu, Martin Danka, Andy Boyd, David Bann

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك محقق تحاول حل لغز ما، ولكن قبل أن تتمكن حتى من النظر إلى الأدلة، يتعين عليك قضاء ثلاثة أشهر في تنظيم علية فوضوية مليئة بالصناديق القديمة، والملاحظات الممزقة، والملفات غير المتطابقة. في عالم العلوم -خاصة عند دراسة كيفية تغير حياة الناس بمرور الوقت- يقضي الباحثون وقتاً طويلاً جداً في القيام بهذا "التنظيف للعلية". يتعين عليهم أخذ البيانات الخام من الاستطلاعات، وإصلاح الأخطاء المطبعية، ومطابقة الإجابات من سنوات مختلفة، وتحويل الرموز المربكة إلى أرقام واضحة. إنه أمر ممل، ويستغرق وقتاً طويلاً، وإذا ارتكبت خطأً صغيراً، فقد يكون تحقيقك بأكمله خاطئاً.

مؤخراً، أصبحت برامج الكمبيوتر الذكية التي تسمى "نماذج اللغات الكبيرة" (LLMs) بارعة جداً في كتابة الأكواد للقيام بعملية التنظيف هذه تلقائياً. لكن هناك عقبة: معظم هذه البرامج فائقة الذكاء تعيش في السحابة، مثل مكتبة ضخمة بعيدة. إذا كنت تدرس معلومات حساسة عن أشخاص حقيقيين (مثل السجلات الصحية أو إجابات استطلاعات خاصة)، فإن القواعد تنص على أنه لا يمكنك إرسال تلك البيانات إلى مكتبة سحابية بعيدة. الأمر يشبه أن تكون ممنوعاً من إرسال مذكراتك بالبريد إلى شخص غريب. لذا، ظل العلماء عالقين، غير قادرين على استخدام هذه الأدوات المفيدة لأنهم لا يستطيعون مغادرة حواسيبهم المحلية الآمنة. تسأل هذه الورقة سؤالاً بسيطاً ولكنه معقد: هل يمكننا بناء "مساعد ذكي" يعيش بالكامل على حواسيبنا الخاصة، دون إرسال البيانات للخارج أبداً، ومع ذلك يقوم بالمهمة الشاقة لتنظيف بيانات الأبحاث بشكل مثالي؟

قرر مؤلفو هذه الورقة معرفة ذلك من خلال بناء "مسار اختبار" خاص لهؤلاء المساعدين الآليين المحليين. لقد أنشأوا مجموعة بيانات "الحقيقة الأرضية"، وهي تشبه مفتاحاً رئيسياً أو ورقة إجابات مثالية، استناداً إلى بيانات حقيقية من دراسة طويلة الأمد للشباب في المملكة المتحدة تسمى "الخطوات التالية" (Nexts Steps). قاموا بتفكيك المهمة الضخمة لتنظيف هذه البيانات إلى 20 مهمة محددة، مثل دمج المعلومات من سنوات مختلفة لمعرفة التاريخ الوظيفي للشخص أو حساب مؤشر كتلة الجسم (BMI). بعد ذلك، قاموا بإعداد "عميل" (Agent) — وهو روبوت ذكاء اصطناعي صغير يعمل بنماذج مفتوحة المصدر يمكن تشغيلها على حواسيب عادية للمستهلكين (مثل حاسوب ألعاب قوي أو جهاز ماك متطور) — وراقبوه وهو يحاول كتابة الكود لتنظيف البيانات.

كانت النتائج واعدة بشكل مفاجئ. فالنماذج الأكثر أداءً، وهي نماذجي كبيرة تتطلب أجهزة قوية، تمكنت من إنجاز حوالي 87.9% من المهام بشكل "صحيح تقريباً" وأكملت 75% من المهام في محاولة واحدة دون أي مساعدة بشرية. وجدت الورقة أن هذه النماذج المحلية بارعة للغاية في التعامل مع الأشياء ذات التعريفات الواضحة والشاملة، مثل حساب مؤشر كتلة الجسم أو تحديد جنس الشخص. ومع ذلك، كانت تعاني أكثر مع الألغاز المعقدة الخاصة بالاستطلاعات، مثل فهم حالات السكن المعقدة أو فئات الدخل التي تتغير بناءً على القواعد المحددة لاستطلاع ذلك العام.

الأمر الجوهري هو أن الورقة تظهر أنه بينما أصبح الذكاء الاصطناعي جيداً جداً، إلا أنه ليس مثالياً بعد. وجد الباحثون أنه حتى عندما أنتج الذكاء الاصطناعي بيانات تبدو صحيحة في الظاهر، يمكن أن تتسلل أخطاء صغيرة مخفية. على سبيل المثال، قام نموذج أضعف بالتبديل عن طريق الخطأ بين رمز "مفقود" ورمز "صفر"، مما غير نتائج دراسة عن الدخل تماماً، وقلب اتجاهاً سلبياً إلى اتجاه إيجابي. يشير هذا إلى أنه بينما يمكن استخدام أدوات الذكاء الاصطناğı المحلية هذه كـ "مساعدين برمجيين" (Coding Copilots) لتسريع العمل، إلا أنها لا تزال بحاجة إلى باحث بشري لمراجعة واجباتهم المدرسية. وتخلص الورقة إلى أننا لسنا بحاجة لإرسال بياناتنا الحساسة إلى السحابة للحصول على المساعدة؛ فمع الأجهزة المحلية المناسبة والنماذج مفتوحة المصدر، يمكننا الحفاظ على سلامة بياناتنا وخصوصيتها مع الاستمرار في استخدام الذكاء الاصطناعي للقيام بالعمل الشاق للتحضير للبيانات.

أبحاث مشابهة