مساعدو الذكاء الاصطناعي متعددة الوسائط والعوامل: مستقبل الأعمال المدعوم بـ AWS

“`html

بزوغ مساعدي الذكاء الاصطناعي المتعددي الوسائط وعوامل الذكاء الاصطناعي

تسبح المؤسسات الحديثة في بحر من البيانات المتنوعة، بدءًا من مستندات النصوص التقليدية وملفات PDF، وصولًا إلى شرائح العروض التقديمية الديناميكية والصور المعقدة والتسجيلات الصوتية الحاسمة. إن رؤية مساعد ذكاء اصطناعي قادر على استيعاب مكالمة أرباح الشركة الفصلية – ليس فقط قراءة النص المكتوب، بل أيضًا استخلاص رؤى من رسوم العرض التقديمي وفهم ملاحظات الرئيس التنفيذي المنطوقة – تتحقق بسرعة. يتوقع محللو الصناعة طفرة كبيرة في حلول الذكاء الاصطناعي التوليدي متعدد الوسائط، حيث يُتوقع ارتفاعها من 1% فقط في عام 2023 إلى 40% بحلول عام 2027. ويؤكد هذا التحول على الأهمية القصوى للفهم متعدد الوسائط لتطبيقات الأعمال المتطورة. يتطلب تحقيق ذلك مساعد ذكاء اصطناعي توليدي يمكنه دمج وتفسير أنواع مختلفة من البيانات بسلاسة. علاوة على ذلك، فإنه يتطلب بنية عاملية، تمكّن الذكاء الاصطناعي من استرجاع المعلومات بشكل استباقي، وتخطيط المهام، واتخاذ قرارات ذكية بشأن استخدام الأدوات، بدلاً من مجرد تقديم استجابات سلبية.

يتعمق هذا المقال في حل مبتكر مصمم لتلبية هذه المتطلبات المتطورة. من خلال الاستفادة من Amazon Nova Pro، نموذج اللغة الكبير متعدد الوسائط المتطور من AWS كمنسق مركزي، جنبًا إلى جنب مع الميزات الجديدة القوية مثل Amazon Bedrock Data Automation لمعالجة البيانات متعددة الوسائط الشاملة، نستكشف كيف يمكن للمؤسسات بناء مساعدي ذكاء اصطناعي ذوي ذكاء عالٍ. سنوضح كيف تمكّن أنماط سير عمل العوامل المتقدمة مثل التوليد المعزز بالاسترجاع (RAG)، والتنسيق المعقد للأدوات المتعددة، والتوجيه الشرطي، الذي غالبًا ما يتم تسهيله بواسطة أطر عمل مثل LangGraph، حلول قوية من طرف إلى طرف. يوفر هذا النهج مخططًا للمطورين والمهندسين المعماريين في مجال الذكاء الاصطناعي وتعلم الآلة (AI/ML) لاعتماده وتخصيصه. سنوضح ذلك بمثال لمساعد إدارة مالية بالذكاء الاصطناعي، قادر على تقديم أبحاث كمية ومشورة مالية موثوقة من خلال تحليل صوت مكالمات الأرباح وشرائح العروض التقديمية، مع استكمالها بتدفقات بيانات مالية في الوقت الفعلي. الأنماط التي تمت مناقشتها قابلة للتطبيق على نطاق واسع عبر قطاعات متنوعة بما في ذلك التمويل والرعاية الصحية والتصنيع.

فك رموز نمط سير عمل العوامل

يكمن جوهر النمط العاملي في دورة اتخاذ القرار التكرارية، التي تعكس حل المشكلات البشرية. تتكون هذه الدورة الأساسية من أربع مراحل مميزة:

• التفكير – يقوم عامل الذكاء الاصطناعي، عادةً نموذج لغوي كبير، بتحليل طلب المستخدم بدقة، مع مراعاة السياق الحالي والحالة الراهنة. ثم يحدد الإجراء الأمثل التالي، سواء كان صياغة إجابة مباشرة أو استدعاء أداة أو مهمة فرعية محددة للحصول على معلومات إضافية.
• التنفيذ – بعد تفكيره، ينفذ العامل الخطوة المختارة. قد يشمل ذلك استدعاء أداة أو وظيفة متخصصة، مثل إجراء بحث على الويب، أو تنفيذ استعلام قاعدة بيانات، أو إجراء تحليل مستند معمق باستخدام خدمات مثل Amazon Bedrock Data Automation.
• الملاحظة – يقوم العامل بعد ذلك بمعالجة نتيجة إجراءه. على سبيل المثال، يقرأ النص المسترجع أو يحلل البيانات التي أعادتها الأداة.
• التكرار – مسلحًا بمعلومات جديدة، يعود العامل إلى مرحلة التفكير، ويقيم ما إذا كانت المهمة مكتملة أو إذا كانت هناك حاجة إلى خطوات إضافية. تستمر هذه الدورة المستمرة حتى يكون العامل واثقًا من قدرته على تقديم إجابة نهائية للمستخدم.

تُمكّن هذه العملية الديناميكية والتكرارية العوامل من معالجة الطلبات المعقدة التي تتجاوز نطاق استجابة واحدة. ومع ذلك، فإن تنفيذ الأنظمة العاملية يمثل مجموعة من التحديات الخاصة به، وبشكل أساسي زيادة التعقيد في تدفق التحكم. يمكن للعوامل الساذجة أن تكون غير فعالة، وتقوم باستدعاءات أدوات غير ضرورية أو تدخل في حلقات زائدة عن الحاجة، ويمكن أن تصبح صعبة الإدارة على نطاق واسع. هذا هو المكان الذي تصبح فيه أطر العمل المنظمة مثل LangGraph لا تقدر بثمن. تتيح LangGraph تعريف رسم بياني موجه أو آلة حالة للإجراءات المحتملة، جنبًا إلى جنب مع عقد محددة جيدًا (مثل “كاتب تقرير”، “استعلام قاعدة المعرفة”) وحواف (تمثل انتقالات مسموح بها). في حين أن التفكير الداخلي للعامل لا يزال يملي المسار، تضمن LangGraph بقاء العملية الشاملة منظمة، وقابلة للإدارة، وشفافة. تمنح هذه المرونة المتحكم فيها مساعد الذكاء الاصطناعي الاستقلالية اللازمة للتعامل مع المهام المتنوعة مع الحفاظ على استقرار سير العمل وإمكانية التنبؤ به.

هندسة الحل: مساعد ذكاء اصطناعي متعدد الوسائط

تم تصميم مساعد الإدارة المالية المقترح بالذكاء الاصطناعي لتمكين المحللين من الاستعلام عن المحافظ، وإجراء تحليلات الشركات، وإنشاء تقارير ثاقبة. في صميم هذا الحل يكمن Amazon Nova، وهو نموذج لغوي كبير ذكي يعمل كمحرك استدلال. يعالج Amazon Nova النصوص والصور والمستندات (مثل شرائح مكالمات الأرباح) ببراعة، ويتخذ قرارات ديناميكية بشأن الأدوات التي يجب استخدامها لتلبية الطلبات. تم تحسين Amazon Nova لمهام المؤسسات المتطلبة، ويدعم استدعاء الوظائف، مما يتيح للنموذج تخطيط الإجراءات واستدعاء الأدوات بطريقة منظمة. تسمح نافذة السياق الواسعة الخاصة به (تصل إلى 300,000 رمز في Amazon Nova Lite و Pro) بإدارة فعالة للمستندات الطويلة وسجلات المحادثات المكثفة أثناء عمليات التفكير المعقدة.

يتكامل سير العمل مع العديد من المكونات الرئيسية:

استرجاع قاعدة المعرفة

يتم معالجة ملفات الصوت لمكالمات الأرباح والعروض التقديمية لبرنامج PowerPoint بدقة بواسطة Amazon Bedrock Data Automation. تستخرج هذه الخدمة المدارة بكفاءة النصوص، وتسجل المحتوى الصوتي والمرئي، وتجهز البيانات للتحليل المعمق. بالنسبة لملفات PowerPoint، يقوم النظام بتحويل كل شريحة إلى صورة (PNG) لتسهيل البحث والتحليل الفعال، وهي تقنية مستوحاة من تطبيقات الذكاء الاصطناعي التوليدي المتقدمة. في الأساس، يعمل Amazon Bedrock Data Automation كخط أنابيب ذكاء اصطناعي متعدد الوسائط جاهز للاستخدام، يسد الفجوة بين البيانات الخام وسير عمل العوامل. يتم بعد ذلك تحويل أجزاء البيانات المستخرجة إلى تضمينات متجهة بواسطة Amazon Bedrock Knowledge Bases، باستخدام Amazon Titan Text Embeddings V2، وتخزينها في قاعدة بيانات Amazon OpenSearch Serverless.

عامل الموجه

عندما يبدأ المستخدم في الاستعلام، مثل “لخص المخاطر الرئيسية في تقرير أرباح الربع الثالث هذا”، يقوم Amazon Nova، الذي يعمل كعامل موجه، أولاً بتحديد ما إذا كانت المهمة تتطلب استرجاع بيانات أو معالجة ملفات أو إنشاء استجابة مباشرة. يحتفظ بذكاء بذاكرة الحوار، ويفسر نية المستخدم، ويضع خطة عمل. تشير وحدة “الذاكرة والتخطيط” الموضحة في هندسة الحل إلى قدرة عامل الموجه على الاستفادة من سجل المحادثات واستخدام تقنية “التفكير المتسلسل” (CoT) لتحديد الخطوة التالية المثلى. والأهم من ذلك، يقرر هذا العامل ما إذا كان يمكن حل الاستعلام باستخدام بيانات الشركة الداخلية أو إذا كان يتطلب معلومات وأدوات خارجية.

عامل RAG متعدد الوسائط

بالنسبة للاستعلامات التي تتضمن معلومات صوتية أو مرئية، يستخدم Amazon Bedrock Data Automation واجهة برمجة تطبيقات موحدة لاستخلاص الرؤى من البيانات متعددة الوسائط، والتي يتم تخزينها بعد ذلك في Amazon Bedrock Knowledge Bases. يستخدم Amazon Nova قواعد المعرفة هذه لاسترجاع إجابات واقعية من خلال البحث الدلالي. هذا يضمن أن الاستجابات تستند إلى بيانات حقيقية، مما يقلل بشكل كبير من احتمالية الهلوسة. إذا قام Amazon Nova بإنشاء إجابة، فإن فحص هلوسة ثانوي يقوم بالتحقق الصارم من صحة الاستجابة مقابل مصادر موثوقة لتحديد أي ادعاءات غير مدعومة.

فحص الهلوسة (بوابة الجودة)

لتعزيز الموثوقية بشكل أكبر، يتضمن سير العمل خطوة ما بعد المعالجة التي يمكنها استخدام نموذج أساسي مختلف (FM) خارج عائلة Amazon Nova، مثل Claude من Anthropic، أو Mistral، أو Llama من Meta، لتقييم مدى دقة الإجابة. على سبيل المثال، بعد أن يقوم Amazon Nova بإنشاء استجابة، يمكن لنموذج أو وظيفة مخصصة للكشف عن الهلوسة مقارنة الإجابة بالمصادر المسترجعة أو الحقائق المعروفة. إذا تم اكتشاف هلوسة محتملة (مما يعني أن الإجابة تفتقر إلى الدعم من بيانات مرجعية)، يمكن للعامل اختيار استرجاع إضافي، أو تحسين الإجابة، أو تصعيد الاستعلام إلى مشغل بشري.

التعاون متعدد الأدوات

تتيح هذه الميزة المحورية للذكاء الاصطناعي ليس فقط العثور على المعلومات، بل أيضًا تنفيذ إجراءات قبل صياغة الإجابة النهائية. هذا يقدم طيفًا من خيارات الأدوات المتعددة. قد يبدأ عامل مشرف أو ينسق عوامل متعددة خاصة بالأدوات – على سبيل المثال، عامل بحث على الويب للمعلومات العامة، أو عامل بحث عن الأسهم لبيانات السوق، أو عوامل متخصصة للمقاييس المالية للشركات أو أخبار الصناعة. ينفذ كل عامل مهمة مركزة (مثل استدعاء واجهة برمجة تطبيقات أو الاستعلام عن الإنترنت) ويرسل نتائجه مرة أخرى إلى عامل المشرف. تتيح قدرات التفكير القوية في Amazon Nova Pro لعامل المشرف دمج هذه النتائج المتباينة بسلاسة. يلتزم هذا النهج متعدد العوامل بمبدأ تقسيم المهام المعقدة بين عوامل متخصصة، مما يعزز الكفاءة والموثوقية للاستعلامات المعقدة.

عامل إنشاء التقارير

ميزة بارزة في هذه الهندسة هي استخدام Amazon Nova Canvas لإنشاء المخرجات. في حين أن Amazon Nova Canvas هو في المقام الأول نموذج لتوليد الصور ضمن عائلة Amazon Nova، في هذا السياق، يتم تطبيق مفهوم “القماش” بشكل مجازي لتمثيل قالب أو تنسيق منظم للمحتوى المُنشأ. على سبيل المثال، يمكن لمساعد إكمال قالب محدد مسبقًا لـ “تقرير المستثمر”، يتكون من أقسام مثل “أبرز النقاط الرئيسية” (نقاط نقطية)، “ملخص مالي” (جدول بالأرقام)، و “اقتباسات بارزة”. يمكن للعامل توجيه Amazon Nova لملء مثل هذا القالب عن طريق تقديم طلب نظام بالتنسيق المطلوب (يشبه الاستدعاء بلقطات قليلة حيث يتم توفير التخطيط). النتيجة هي مساعد لا يجيب على الأسئلة المخصصة فحسب، بل يمكنه أيضًا إنتاج تقارير شاملة واحترافية المظهر، تجمع بين النصوص والصور والإشارات إلى العناصر المرئية، كما لو تم إعدادها بواسطة محلل بشري.

يتم تنسيق هذه المكونات بدقة ضمن سير عمل عاملي. بدلاً من اتباع نص برمجي صارم، يستخدم الحل رسمًا بيانيًا ديناميكيًا لاتخاذ القرارات (مُنفذًا باستخدام مكتبة LangGraph مفتوحة المصدر في حل الدفتر الملاحظات المقدم) لتوجيه التنقل بذكاء بين الخطوات. النتيجة هي مساعد ذكاء اصطناعي يتصرف بشكل أقل مثل روبوت محادثة تقليدي وأكثر مثل محلل تعاوني – قادر على تحليل صوت مكالمات الأرباح، أو تقييم مجموعات الشرائح، أو صياغة مذكرات المستثمرين بأقل تدخل بشري.

مثال: التعاون متعدد الأدوات قيد التنفيذ

لتوضيح سير عمل عامل التعاون متعدد الأدوات، دعنا نتتبع تفاعلًا نموذجيًا بين السؤال والإجابة ضمن نظامنا المُنفذ:

• استعلام المستخدم – يسأل مستخدم نهائي في واجهة الدردشة: “ما هو أداء سهم XXX هذا العام، وكيف يقارن بأقرانه في صناعة النقل المشترك؟”
• الاستجابة الأولية للعامل – يتلقى العامل (منسق Amazon Nova FM) السؤال ويستجيب بـ: “تم استلام سؤالك. جاري التوجيه إلى محرك التفكير…”
• التخطيط واختيار الأدوات – يحدد العامل المعلومات الدقيقة المطلوبة:
  • رمز السهم للشركة (XXX).
  • سعر السهم في الوقت الفعلي وتغييرات نهاية العام حتى تاريخه (YTD).
  • المقاييس المالية الرئيسية (الإيرادات، صافي الدخل، نسبة السعر إلى الأرباح).
  • معايير الصناعة (أداء الأقران منذ بداية العام، متوسط نمو الإيرادات).
• تنفيذ التخطيط باستخدام استدعاءات الأدوات – يقوم العامل بعد ذلك باستدعاء أدوات مختلفة بشكل منهجي لأداء الإجراءات اللازمة:
  • البحث عن رمز السهم: العامل → WebSearchTool.lookupTicker(“XXX Inc”)
    WebSearchTool → العامل: يعيد “XXX”
  • جلب أداء السهم في الوقت الفعلي: العامل → StockAnalysisTool.getPerformance(symbol=”XXX”, period=”YTD”)
    StockAnalysisTool → العامل: {currentPrice: [قيمة]، ytdChange: [قيمة]، 52wkRange: [قيمة]، volume: [قيمة]}
  • استرجاع المقاييس المالية للشركة: العامل → CompanyFinancialAnalysisTool.getMetrics(“UBER”)
    CompanyFinancialAnalysisTool → العامل: {revenueQ4_2024: xxx مليار، netIncomeQ4_2024: xxx مليون، peRatio: xxx}
  • جمع بيانات معايير الصناعة: العامل → IndustryAnalysisTool.comparePeers(symbol=”XXX”, sector=”Rideshare”)
    IndustryAnalysisTool → العامل: {avgPeerYTD: [قيمة]، avgRevenueGrowth: [قيمة]}
• حلقة التحقق – ينفذ العامل خطوة تحقق حاسمة: العامل: validate()
  • هل جميع نقاط البيانات الأربع موجودة؟
  • رمز السهم: ✔
  • أداء السهم: ✔
  • المقاييس المالية: ✔
  • معيار الصناعة: ✔
  • كل شيء جاهز – لا حاجة لإعادة المحاولة.

  إذا كانت أي بيانات مفقودة أو واجهت أداة خطأ، يقوم منسق FM بتشغيل معالج خطأ (مع ما يصل إلى ثلاث محاولات) ثم يستأنف الخطة من الخطوة الفاشلة.

• التوليف والإجابة النهائية – يستخدم العامل Amazon Nova Pro لتوليف جميع نقاط البيانات المجمعة وإنشاء إجابة شاملة وموثوقة نهائية.

مزايا Amazon Bedrock لتدفقات عمل الذكاء الاصطناعي التوليدي القابلة للتوسع

يزدهر هذا الحل المتطور على النظام البيئي المتكامل لـ Amazon Bedrock، مما يوفر مزايا لا مثيل لها لبناء هذه الحلول المتقدمة وتوسيع نطاقها:

• نماذج أساسية مُدارة: يوفر Amazon Bedrock الوصول إلى أفضل نماذج FM مثل Amazon Nova، كاملة مع بنية تحتية مُدارة. هذا يلغي الحاجة إلى توفير خوادم GPU أو التعامل مع تعقيدات التوسع.
• معالجة بيانات متعددة الوسائط جاهزة للاستخدام: يمثل Amazon Bedrock Data Automation حلاً جاهزًا للاستخدام لمعالجة أنواع البيانات المتنوعة – المستندات والصور والصوت والفيديو – إلى رؤى قابلة للتنفيذ. يمكنه تحويل شرائح العرض التقديمي إلى صور، وتسجيل الصوت، وإجراء التعرف الضوئي على الحروف (OCR)، وإنشاء ملخصات نصية أو تسميات توضيحية، وكل ذلك مفهرس بسلاسة في قاعدة معرفة Amazon Bedrock.
• قواعد معرفة قوية: تخزن قواعد معرفة Amazon Bedrock بفعالية التضمينات من البيانات غير المنظمة وتدعم عمليات الاسترجاع المتقدمة عبر البحث عن التشابه، مما يضمن أن تكون الاستجابات واقعية وموثوقة.
• تنسيق مرن للعوامل: بالإضافة إلى LangGraph (الموضحة في هذا الحل)، يمكن للمطورين أيضًا الاستفادة من Amazon Bedrock Agents لبناء تدفقات عمل عاملية. تبسّط Amazon Bedrock Agents تكوين تدفقات الأدوات ومجموعات الإجراءات، مما يتيح الإدارة التعريفية للعمليات العاملية.
• تكامل AWS سلس: يمكن للتطبيقات المطورة بأطر عمل مفتوحة المصدر مثل LangGraph (امتداد لـ LangChain) أن تعمل وتتوسع بسهولة على بنية تحتية لـ AWS، بما في ذلك Amazon Elastic Compute Cloud (Amazon EC2) أو مثيلات Amazon SageMaker. هذا يسهل تعريف الرسوم البيانية الموجهة لتنسيق العوامل، مما يجعل التفكير متعدد الخطوات وتسلسل الأدوات أمرًا سهلاً.

توفر AWS شبكة متكاملة حقًا لتدفقات عمل الذكاء الاصطناعي التوليدي، مما يلغي الحاجة إلى تجميع عشرات الأنظمة المتباينة.

اعتبارات للتخصيص والاستعداد للإنتاج

توضح الهندسة الموصوفة مرونة استثنائية من خلال تصميمها المعياري. في جوهرها، يستخدم النظام نماذج Amazon Nova FM، والتي يمكن اختيارها بدقة بناءً على تعقيد المهمة. يتعامل Amazon Nova Micro بكفاءة مع المهام البسيطة مثل التصنيف بأقل زمن استجابة. يدير Amazon Nova Lite العمليات المعقدة بشكل معتدل مع أداء متوازن، بينما يتفوق Amazon Nova Pro في المهام المعقدة التي تتطلب تفكيرًا متقدمًا أو إنشاء استجابات شاملة.

تعني المعيارية المتأصلة للحل – التي تشمل Amazon Nova والأدوات المختلفة وقواعد المعرفة و Amazon Bedrock Data Automation – أنه يمكن استبدال كل مكون أو تعديله بشكل مستقل دون الحاجة إلى تعديل النظام بالكامل. يمكن لمهندسي الحلول الاستفادة من هذه الهندسة المرجعية كأساس قوي، وتنفيذ تكاملات مخصصة حسب الحاجة. يمكن دمج القدرات الجديدة بسلاسة من خلال وظائف AWS Lambda للعمليات المتخصصة، ويسمح تنسيق LangGraph بالاختيار الديناميكي للنماذج ومنطق التوجيه المعقد. يضمن هذا النهج المعماري أن النظام يمكن أن يتطور بشكل طبيعي مع الحفاظ على الكفاءة التشغيلية القصوى والفعالية من حيث التكلفة.

يتطلب الانتقال إلى الإنتاج تصميمًا دقيقًا، لكن AWS توفر قابلية توسع وأمان وموثوقية جوهرية. تشمل الاعتبارات الهامة تأمين محتوى قاعدة المعرفة باستخدام التشفير والتحكم القوي في الوصول، ودمج العامل مع AWS Identity and Access Management (IAM) لضمان أنه ينفذ فقط الإجراءات المعتمدة (على سبيل المثال، التحقق من أذونات المستخدم للوصول إلى البيانات المالية الحساسة)، ومراقبة التكاليف بدقة (تتبع أسعار Amazon Bedrock واستخدام الأدوات، وربما استخدام الإنتاجية المخصصة للاستخدام عالي الحجم المتسق). علاوة على ذلك، تتيح AWS انتقالًا سلسًا من تجربة دفتر ملاحظات إلى نشر إنتاج كامل، باستخدام نفس اللبنات الأساسية، مدمجة مع بنية تحتية مناسبة لـ AWS مثل Amazon API Gateway أو Lambda عند نشرها كخدمة.

التأثير التحويلي: تطبيقات الصناعة العمودية

تمتلك الهندسة المتنوعة التي تمت مناقشتها القدرة على دفع قيمة كبيرة عبر مختلف الصناعات:

الخدمات المالية

في مجال التمويل، يدمج الحل وسائط RAG المتعددة لتوحيد النصوص المكتوبة لمكالمات الأرباح وشرائح العروض التقديمية (المحولة إلى صور قابلة للبحث) وتدفقات السوق في الوقت الفعلي في إطار تحليلي متماسك. يمكّن التعاون متعدد العوامل Amazon Nova من تنسيق أدوات مثل Amazon Bedrock Data Automation لاستخراج نصوص الشرائح، والبحث الدلالي لتقديم الملفات التنظيمية، وواجهات برمجة تطبيقات البيانات الحية لاكتشاف الاتجاهات. هذا يمكّن النظام من إنشاء رؤى قابلة للتنفيذ – مثل تحديد مخاطر المحفظة أو التوصية بإعادة توازن القطاع – مع أتمتة إنشاء المحتوى لتقارير المستثمرين أو الموافقات على التداول (بإشراف بشري). من خلال محاكاة قدرة المحلل على التحقق من صحة أنواع البيانات المتنوعة، يحول مساعد الذكاء الاصطناعي المدخلات المجزأة إلى استراتيجيات متماسكة.

الرعاية الصحية

تستفيد تدفقات عمل الرعاية الصحية من وسائط RAG المتعددة لمعالجة الملاحظات السريرية وملفات PDF للمختبر والأشعة السينية، مما يرسخ الاستجابات في الأدبيات التي استعرضها الأقران ومقابلات المرضى الصوتية. يتفوق التعاون متعدد العوامل في سيناريوهات مثل الفرز: يفسر Amazon Nova وصف الأعراض، ويستخرج Amazon Bedrock Data Automation النصوص من المستندات الممسوحة ضوئيًا، وتتحقق واجهات برمجة التطبيقات المدمجة من تفاعلات الأدوية، كل ذلك مع التحقق الدقيق من المخرجات مقابل مصادر موثوقة. يتراوح إنشاء المحتوى من ملخصات موجزة للمرضى (“الالتهاب الرئوي الحاد، تم علاجه بالليفوفلوكساسين”) إلى إجابات قائمة على الأدلة للاستعلامات المعقدة، مثل تلخيص إرشادات مرض السكري. تعتبر فحوصات الهلوسة الصارمة للمحكّم والاستشهادات بالمصادر ذات الأهمية الحاسمة للحفاظ على الثقة في اتخاذ القرارات الطبية.

التصنيع

يمكن لفرق الصناعة استخدام وسائط RAG المتعددة لفهرسة أدلة المعدات وسجلات أجهزة الاستشعار ومحادثات العمال الصوتية والمخططات التفصيلية المعقدة، مما يسهل استكشاف الأخطاء وإصلاحها بسرعة. يسمح التعاون متعدد العوامل لـ Amazon Nova بربط شذوذات أجهزة الاستشعار بمقتطفات الدليل، ويسلط Amazon Bedrock Data Automation الضوء على الأجزاء المعيبة في الرسومات الفنية. يمكن للنظام إنشاء أدلة إصلاح دقيقة (مثل “استبدال الصمام الجزء 4 في المخطط”) أو وضع سياق لبيانات الصيانة التاريخية، وسد فجوة المعرفة بين المحاربين القدامى المتمرسين والفنيين الجدد. من خلال توحيد النصوص والصور والبيانات الزمنية في محتوى قابل للتنفيذ، يقلل المساعد بشكل كبير من وقت التوقف عن العمل ويحافظ على المعرفة المؤسسية التي لا تقدر بثمن – مما يثبت أنه حتى في المجالات التي تركز على الأجهزة، يمكن للرؤى المدعومة بالذكاء الاصطناعي تحسين الكفاءة بشكل كبير.

تؤكد هذه الأمثلة نمطًا شائعًا وقويًا: تلاقي أتمتة البيانات المتقدمة والنماذج متعددة الوسائط القوية والتنسيق العاملي الذكي يبلغ ذروته في حلول تحاكي عن كثب مساعدة خبير بشري. يتحقق مساعد الذكاء الاصطناعي المالي من الأرقام والتفسيرات بدقة المحلل؛ ويربط مساعد الذكاء الاصطناعي السريري الصور والملاحظات بشمول طبيب دقيق؛ ويستدعي مساعد الذكاء الاصطناعي الصناعي المخططات والسجلات بدقة مهندس مخضرم. كل هذا مدعوم بالهندسة المعمارية المبتكرة التي استكشفناها.

خاتمة

إن عصر نماذج الذكاء الاصطناعي المعزولة، والمقتصرة على التعامل مع نوع واحد من المدخلات، يقترب بسرعة من نهايته. كما هو موضح، فإن تقارب الذكاء الاصطناعي متعدد الوسائط مع سير عمل عاملي يطلق مستوى غير مسبوق من القدرة لتطبيقات المؤسسات. يوضح هذا المقال كيفية بناء سير عمل معقد كهذا باستخدام خدمات AWS:

• يعمل Amazon Nova كمنسق مركزي للذكاء الاصطناعي، حيث يقدم قدراته القوية متعددة الوسائط والمناسبة للعوامل.
• Amazon Bedrock Data Automation يقوم بأتمتة استيعاب وفهرسة البيانات المعقدة (المستندات والشرائح والصوت) في Amazon Bedrock Knowledge Bases.
• مفهوم رسم بياني لسير عمل عاملي للتفكير والمنطق الشرطي (باستخدام أطر عمل مثل LangChain أو LangGraph) ينسق التفكير متعدد الخطوات والاستخدام الدقيق للأدوات.

النتيجة النهائية هي مساعد ذكاء اصطناعي يعمل بدقة محلل متمرس: يجري الأبحاث، ويتحقق بدقة من مصادر متعددة، ويقدم رؤى عميقة – ولكن بسرعة وآلة وعلى نطاق واسع. يوضح هذا الحل بشكل لا لبس فيه أن بناء نظام عاملي ذكي متطور لم يعد طموحًا أكاديميًا؛ بل هو عملي وقابل للتحقيق تمامًا باستخدام تقنيات AWS اليوم. من خلال الاستفادة من Amazon Nova كنموذج لغوي كبير متعدد الوسائط قوي و Amazon Bedrock Data Automation لمعالجة البيانات متعددة الوسائط الشاملة، جنبًا إلى جنب مع أطر عمل لتنسيق الأدوات مثل LangGraph (أو Amazon Bedrock Agents)، يكتسب المطورون بداية كبيرة. العديد من التحديات المشتركة، مثل التعرف الضوئي على الحروف، أو تحليل المستندات المعقدة، أو تنسيق المحادثات المعقدة، يتم التعامل معها بفعالية بواسطة هذه الخدمات أو المكتبات المُدارة، مما يسمح للمطورين بتركيز جهودهم على منطق الأعمال الأساسي واحتياجات المجال المحددة.

يعد دفتر الملاحظات النموذجي، BDA_nova_agentic، نقطة انطلاق ممتازة لتجربة هذه الأفكار التحويلية. نشجعك على استكشافه وتوسيع وظائفه وتخصيصه لتلبية المتطلبات الفريدة لمؤسستك. تمثل التقنيات التي تمت مناقشتها هنا جزءًا صغيرًا فقط من الإمكانيات الهائلة التي تم فتحها عند الجمع بين الوسائط المتنوعة والعوامل الذكية.
“`