تطرح Musubi نموذج قرار مصمم لمراقبة المحتوى

أعلنت شركة Musubi يوم الثلاثاء عن PolicyLM-1.7B، وهو نموذج قرار خفيف الحجم مصمم خصيصاً للمراقبة الفورية للمحتوى، وطُرح بأوزان مفتوحة. يأخذ النموذج سياسة محتوى مكتوبة بلغة إنجليزية مبسّطة ويطبّقها على الرسائل في أقل من 50 ميلي ثانية، بما يوازي تكلفة وسرعة أنظمة التصنيف بالذكاء الاصطناعي التي تُشغّل بالفعل عمليات المراقبة في معظم المنصات الاجتماعية. ومع ذلك، فبفضل تمتعه بمرونة نموذج لغوي كبير حديث، يمكنه تطبيق سياسات معقّدة من دون الحاجة إلى تدريب خاص لكل سياسة. والأهم أنه لا يحتاج إلى إعادة تدريب عند تغيّر السياسة، وهو ما يتيح للمسؤولين عن وضع قواعد المراقبة تعديلها بالقدر الذي يحتاجونه.

ويصف Filip Jankovic، المؤسس المشارك لشركة Musubi وكبير مسؤولي الذكاء الاصطناعي فيها، النموذج بأنه وسيلة تتيح لمديري المنصات تصنيف المحتوى بشكل استباقي بدلاً من رد الفعل. ويقول: “فرق المنتج تريد فقط فهماً أفضل لما يحدث على منصتها، خصوصاً أن حجم المحتوى يتزايد بشكل كبير جداً”، مضيفاً أن القدرة على تصنيف ذلك الحجم من المحتوى بطريقة قابلة للتوسّع والتخصيص هي ما يجعل هذا النهج مفيداً للغاية.

وقد لفتت نماذج القرار الأنظار في صناعة الذكاء الاصطناعي منذ أن طرحت شركة TypeSafe AI نموذجها Jev في سبتمبر، وتبعته بعد ذلك بوقت قصير نماذج قرار منافسة من OpenAI وAmazon. وبدلاً من توليد نص، يُخرج نموذج القرار احتمالات نتائج؛ ويُخرج PolicyLM-1.7B على وجه التحديد حكماً ثنائياً: إما أن يقع المحتوى ضمن فئة معيّنة أو لا يقع. وحصر المخرجات في مجموعة ثابتة من الخيارات يسمح لهذه النماذج بالعمل بسرعة أكبر وتكلفة أقل من نماذج اللغة ذات الغرض العام، مع الحفاظ على مرونة بنية المحوّلات (transformer) الأساسية. وكان أحد أوائل استخدامات هذه الفئة هو ضبط سوء تصرف وكلاء الذكاء الاصطناعي، وهو ما توسّعه Musubi الآن إلى ضبط التصرف البشري أيضاً.

ويقول Jankovic إن اهتمامه الشخصي بنماذج القرار سابق لنموذج Jev، ويعود إلى مشروع عام 2024 يُدعى GLiNER (Generalist Model for Named Entity Recognition) استخدم كثيراً من التقنيات نفسها. ولا تتجنب Musubi المقارنة مع Jev؛ بل تسعى الشركة إلى استخدام الاهتمام المتزايد بنماذج القرار لتسليط الضوء على مراقبة المحتوى على وجه التحديد. ويقدّم إعلان المنتج PolicyLM-1.7B على أنه النوع نفسه من النموذج الذي يُعد عليه Jev، لكنه مدرَّب خصيصاً للمراقبة ومتاح لتشغيله بنفسك.

لماذا يهم

إذا كان بإمكان سياسة المراقبة أن تتغير من دون الحاجة إلى إعادة تدريب النموذج الأساسي، فستتمكن المنصات من تعديل قواعدها بالسرعة التي تتطلبها التنظيمات أو الضغط العام، وهو ما يحوّل نماذج القرار من أداة لضبط وكلاء الذكاء الاصطناعي إلى بنية تحتية لمراقبة المحتوى البشري أيضاً.