#

النقاط الرئيسية

• التعلّم الانتقائي يعني تقليل السلوك غير المرغوب فيه من دون إفساد المخرجات المفيدة.

• تصف AWS تقنية rDPO بأنها أسلوب لتحسين التفضيلات لتحقيق هذا الهدف.

• بالنسبة للفرق المغربية، تكمن القيمة الأساسية في الحوكمة لا في الجِدّة.

• يجب اختبار أي استخدام محلي على مهام مغربية قبل الإنتاج.

• يمكن لجودة البيانات ومزيج اللغات والامتثال أن تؤثر في النتائج.

ما الذي تشير إليه AWS

نشرت AWS في 6 يوليو 2026 تدوينة تقنية حول التعلّم الانتقائي. وتقدّم التدوينة Reverse Direct Preference Optimization، أو rDPO، بوصفها التقنية وراء Amazon Nova Customizable Content Moderation Settings. وتقول AWS إن هذه الطريقة تقلل الإفراط في الرفض مع الحفاظ على جودة النموذج.

بالنسبة للقراء المغاربة، ليست أهمية اسم المنتج هي الأساس. بل نمط الحوكمة. فغالبًا ما تحتاج الفرق إلى نماذج تتوقف عن القيام بشيء غير مرغوب فيه من دون أن تفقد فائدتها العامة. وقد يظهر هذا الاحتياج في دعم العملاء، والمراجعة، والمساعدين الداخليين، وغيرها من بيئات المؤسسات.

لماذا يهم هذا في المغرب

تعمل فرق الذكاء الاصطناعي المغربية غالبًا في بيئات متعددة اللغات. وقد تحتاج إلى أنظمة تتعامل مع العربية والفرنسية وأحيانًا الإنجليزية ضمن سير العمل نفسه. وهذا يجعل التحكم في السلوك أكثر صعوبة، لأن النموذج قد يجيب جيدًا بلغة ويضعف في أخرى.

يمكن أن يساعد التعلّم الانتقائي من حيث المبدأ، لكن فقط إذا جرى التحقق منه محليًا. فالنموذج الذي يبدو أكثر أمانًا في عرض تجريبي قد يبالغ في حجب محتوى مفيد، أو يفوّت السياق، أو يتصرف بشكل غير متسق في المهام المغربية. لذلك فإن اختبارات الحوكمة لا تقل أهمية عن ضبط النموذج.

حالات استخدام عملية للفرق المغربية

يمكن لمنظمة مغربية أن تستخدم هذه الفكرة في مسارات المراجعة. على سبيل المثال، قد ترغب إحدى الفرق في تقليل حالات الرفض الخاطئ في مساعد دعم. وقد ترغب فرقة أخرى في كبح فئة ضيقة من المخرجات غير الآمنة مع الإبقاء على بقية النموذج كما هي.

وهذا مهم أيضًا للقطاعات الخاضعة للتنظيم. ففي هذه البيئات، قد تحتاج الفرق إلى تحكم أشد في ما يقوله النموذج ومتى ينبغي أن يرفض. والهدف ليس السلامة فقط، بل أيضًا الاعتمادية التشغيلية، لأن الإفراط في الرفض قد يبطئ الخدمة ويزعج المستخدمين.

ما الذي يجب اختباره قبل الإنتاج

ينبغي للفرق المغربية اختبار أي نهج للتعلّم الانتقائي على مهام محلية. وهذا يعني التحقق من كيفية تصرف النموذج على طلبات حقيقية، ومزيج حقيقي من اللغات، وحالات أعمال حقيقية. كما يعني قياس ما إذا كانت الإجابات المفيدة لا تزال متاحة بعد التغيير.

توافر البيانات هو القيد الأول. فإذا كانت الأمثلة المحلية محدودة، فقد لا ترى الفرقة النطاق الكامل للأخطاء. أما المشتريات فهي قيد آخر، لأن الفرق تحتاج إلى مسار واضح للتجريب والمراجعة والنشر. كما أن المهارات مهمة أيضًا، لأن أساليب تحسين التفضيلات تتطلب تقييمًا دقيقًا.

وقد تؤثر البنية التحتية كذلك في النتيجة. فقد لا تمتلك بعض الفرق قدرة حوسبة كافية لإجراء تجارب متكررة. وقد تحتاج فرق أخرى إلى مسارات عمل أبسط تتوافق مع الأنظمة القائمة. وفي كلتا الحالتين، يجب أن يبقى المسار عمليًا وقابلًا للتدقيق.

المخاطر والحوكمة

يبدو التعلّم الانتقائي دقيقًا، لكنه قد يخلق مخاطر جديدة. فقد يصبح النموذج شديد التحفظ. وقد يتصرف أيضًا بشكل مختلف عبر اللغات أو المجالات. لذلك ينبغي للفرق مراقبة الإفراط في الرفض، وفقدان الجودة، والآثار الجانبية غير المتوقعة.

وتهم الخصوصية والأمن السيبراني أيضًا. فإذا تضمنت بيانات التدريب مواد حساسة، تحتاج الفرق إلى ضوابط على الوصول والتخزين والمراجعة. والامتثال مهم بالقدر نفسه. ينبغي للمنظمات المغربية التأكد من أن الطريقة تتوافق مع سياساتها الداخلية وأي التزامات قانونية أو تعاقدية سارية.

ومن النهج المفيد في الحوكمة التعامل مع التعلّم على أنه تجربة مضبوطة. حدّد أولًا السلوك غير المرغوب فيه. ثم حدّد السلوك الجيد الذي يجب أن يبقى. وأخيرًا، قارن النموذج قبل التغيير وبعده باستخدام مجموعة التقييم نفسها.

السياق المغربي: أين تناسب الفكرة

بالنسبة لصناع السياسات وقادة المؤسسات في المغرب، يتجاوز الدرس ميزة واحدة من AWS. فحوكمة النماذج تصبح جزءًا أساسيًا من تبني الذكاء الاصطناعي. ومع انتقال الأنظمة إلى مسارات عمل موجهة للجمهور وخاضعة للتنظيم، تحتاج الفرق إلى طرق لتعديل السلوك من دون البدء من الصفر.

وهذا مهم بشكل خاص عندما يكون مزيج اللغات والسياق المحلي قويين. فقد يحتاج النموذج إلى رفض المحتوى الضار مع الإجابة بوضوح عن الأسئلة الروتينية. وقد يحتاج إلى أن يكون صارمًا في مجال ما ومرنًا في مجال آخر. ويمكن للتعلّم الانتقائي أن يدعم هذا التوازن، ولكن فقط مع التحقق المحلي.

ما الذي ينبغي فعله بعد ذلك

ينبغي لفرق الذكاء الاصطناعي المغربية أن تبدأ بحالة استخدام ضيقة. اختر سلوكًا غير مرغوب فيه ومسار عمل واحدًا. ثم اختبر ما إذا كان يمكن تعديل النموذج من دون الإضرار ببقية النظام.

كما ينبغي للفرق توثيق عملية التقييم. احتفظ بملاحظات حول الطلبات واللغات وحالات الفشل وقرارات المراجعة. سيساعد هذا السجل في الحوكمة الداخلية وعمليات التدقيق المستقبلية. كما سيجعل مقارنة الأساليب المختلفة أسهل.

إذا كنت تبني للمغرب، فالمسار الأكثر أمانًا هو التدرج. استخدم تدوينة AWS بوصفها إشارة إلى أن التعلّم الانتقائي أصبح موضوعًا عمليًا. ثم عدّل الفكرة بعناية، مع بيانات محلية، ومراجعة محلية، وضوابط واضحة. قد تكون الطريقة مفيدة، لكن الإثبات يجب أن يأتي من مهامك أنت.