هل تُدرَّب نماذج الذكاء الاصطناعي فعلاً على تفضيلاتنا؟ وماذا يعني ذلك لتعاملك مع الروبوت

تُعرف هذه الطريقة عمومًا باسم "التعلّم المعزَّز من التغذية الراجعة البشرية" (RLHF)، أو أساليب مشابهة لتحسين التفضيلات. والمخطط الشائع لعملها كالتالي: ينتج النموذج عدة ردود على الطلب نفسه، ثم يختار مقيّمون بشريون الرد الذي يرونه أفضل وفق معايير محدَّدة كالدقة والفائدة والوضوح والالتزام بالتعليمات والسلامة والأسلوب. تُستخدم هذه المقارنات لتدريب نظام تفضيل — يُعرف غالبًا بـ"نموذج المكافأة" — قادر على منح درجة أعلى للردود المُفضَّلة. ثم يُعاد ضبط النموذج الرئيسي لينتج هذا النوع من الردود بشكل أكثر تكرارًا. والمقارنات الثنائية من نوع "الرد أ أم الرد ب؟" مستخدمة فعلًا على نطاق واسع، لأنها غالبًا أكثر موثوقية من طلب تقييم رقمي مجرَّد من شخص واحد.

لكن بعض الصياغات الشائعة حول هذه الآلية تحتاج إلى تصحيح:
• ليس بالضرورة "آلاف الأشخاص" لكل نموذج أو كل رد؛ إذ تختلف الأنظمة المتّبعة باختلاف الشركة ومجموعات البيانات ومراحل التدريب.
• لا "يعيد" المقيّمون كتابة الردود الضعيفة بشكل منهجي في كل مرة؛ فبعض المراحل تتضمن أمثلة توضيحية أو مراجعات بشرية، لكن مراحل أخرى تعتمد أساسًا على الترتيب والتصنيف ومعايير التقييم دون إعادة صياغة فعلية.
• لا تعتمد كل النماذج فقط على التغذية الراجعة البشرية؛ فنموذج Claude، على سبيل المثال، يستخدم أيضًا نهجًا يُعرف بـ"الذكاء الاصطناعي الدستوري" (Constitutional AI)، حيث توجّه مبادئ مكتوبة عملية النقد والمراجعة وتقييم الردود بواسطة أنظمة ذكاء اصطناعي أخرى، بدلًا من الاعتماد الحصري على تقييمات بشرية.
• في محادثة عادية، لا يُعاد تدريب النموذج فعليًا بناءً على ملاحظتك المفصَّلة في الوقت الفعلي؛ بل يُحسِّن ذلك أساسًا الرد التالي ضمن سياق المحادثة نفسها، لأن النظام يستطيع تتبّع تصحيحاتك ومعاييرك الصريحة داخل تلك المحادثة تحديدًا.

بعبارة أخرى: أنت لا تُغيّر مُعامِلات النموذج فوريًا، بل تُقلِّل من الغموض حول ما تنتظره منه الآن. وهنا يكمن جوهر النصيحة العملية المفيدة: أفضل ردّ فعل ليس "أعِد الكتابة" فحسب، بل تحديد ما هو خاطئ بالضبط، وما الناقص، وما هي قيود النسخة المتوقَّعة. فبدلًا من قول "هذا الرد سيّئ، أعِد كتابته"، من الأجدى قول شيء من قبيل: "هذا الرد عام جدًا ولا يجيب عن طلبي الأساسي، ويجب أن يتضمن ثلاثة أمثلة ملموسة قابلة للتطبيق، وتمييزًا بين الحقائق المؤكدة والافتراضات، وأسلوبًا تحريريًا خاليًا من مصطلحات التسويق، وبنية بعناوين قصيرة جاهزة للنشر، من دون تكرار المقدمة." هذا النوع من الملاحظات يعمل كسلّم تقييم واضح: فهو يمنح النموذج معايير اختيار نسخة أفضل.

الفكرة التي يجدر تذكّرها بسيطة: بدلًا من تكرار طلبك كما هو، قيِّم الرد السابق بمعايير ملموسة، ثم اطلب مراجعة تلتزم بهذه المعايير. فوراء كثير من الردود الجيدة للذكاء الاصطناعي تقف تفضيلات بشرية جُمعت أثناء التدريب — لكنها في النهاية أدت إلى بناء منهج داخل النموذج نفسه، وليست تعليمات تُطبَّق حرفيًا في كل محادثة جديدة. ومعرفة هذا الفارق تجعل تعاملك اليومي مع أي مساعد ذكاء اصطناعي أكثر فعالية، لأنك تمنحه سياقًا ومعايير واضحة بدلًا من طلب عام قد يفسَّر بطرق متعددة.