في تدوينة قصيرة على منصة إكس، شاركت كات وو - إحدى قياديات المنتج في أنثروبيك - ملاحظة تقنية لافتة عن نموذج كلود فيبل 5: أثناء إجرائها تحليلًا لبيانات الاحتفاظ بالمستخدمين، اختار النموذج من تلقاء نفسه استخدام أسلوب «مطابقة درجة الميل الإحصائي» (Propensity Score Matching) - وهي تقنية تُستخدم لمقارنة مجموعات متشابهة في سلوكها لتفادي استنتاجات مضلِّلة - دون أن تطلب منه ذلك صراحة.
ما أهمية هذا التفصيل الصغير؟
الفرق بين نموذج ينفّذ الأوامر حرفيًا ونموذج يفهم لماذا طريقة تحليل معينة أنسب من غيرها هو جوهر ما يُسمّى في أبحاث الذكاء الاصطناعي «الحكم» (judgment) - أي القدرة على اختيار الأداة الصحيحة للمهمة الصحيحة، لا فقط تنفيذ ما يُملى عليه. اختيار «مطابقة درجة الميل» تحديدًا ليس تفصيلًا عشوائيًا؛ فهذه التقنية تُستخدم لتفادي خطأ إحصائي شائع، وهو مقارنة مجموعتين مختلفتين جوهريًا وكأنهما متكافئتان.
أين يظهر هذا التحسّن عمليًا؟
تشير وو إلى أن هذا التحسّن في الحكم لا يقتصر على تحليل البيانات، بل يمتد - بحسب تجربتها - إلى مهام أخرى، مثل كتابة الرسائل والمستندات داخل أداة Cowork، وتصحيح الأخطاء البرمجية المعقدة داخل Claude Code. أي أن القيمة المضافة ليست ميزة منفصلة يُعلَن عنها في قائمة تحديثات، بل تحسّن أفقي يظهر في جودة القرارات الصغيرة عبر كل استخدام للنموذج.
أحيانًا لا تكون أهم مؤشرات تقدّم الذكاء الاصطناعي في الأرقام الكبيرة التي تُعلن في المؤتمرات، بل في ملاحظة عابرة من مستخدمة لاحظت أن النموذج «فهم» ما تحتاجه دون أن تشرح له بالتفصيل.
الكلمات المفتاحية: كلود فيبل 5، أنثروبيك، مطابقة درجة الميل الإحصائي، الحكم في الذكاء الاصطناعي، Claude Code، Cowork، جودة النماذج
No comments yet