ملاحظة المؤلف: من معايير القبول وعزل البيانات إلى المراجعة المستقلة، صمّم التحقق الخارجي لمهام الذكاء الاصطناعي العميقة عبر 5 خطوات، لتجنّب الإنجاز الزائف الناتج عن تقييم النموذج لنفسه.
يقول النموذج: «اكتملت المهمة، والنتيجة دقيقة»، لكن النتيجة لا تصمد أمام إعادة الإنتاج. هذه مشكلة يواجهها كثير من مستخدمي الذكاء الاصطناعي عند التعامل مع المهام العميقة. تعرض هذه المقالة منهجية قابلة للتشغيل المستقل لتصميم التحقق الخارجي، تساعدك على تحويل «النموذج يقول إنه أنجز العمل» إلى «الأدلة تُظهر أنه أنجزه».
في دليل عملي نشره أحد مطوري Claude، فيليكس ريزنبرغ، في أكتوبر 2026، يوصي صراحةً بعدم ترك النموذج يقيّم نفسه، وبالالتزام بالتحقق الخارجي. ويرى أن الشكل الأمثل هو أدوات يستطيع النموذج تشغيلها بنفسه والحصول على تغذية راجعة فورية. نشر InfoQ الترجمة الصينية لهذا المقال في 4 نوفمبر 2026.
هذه ليست مقالة تذكّرك بأن «تراجع مرة أخرى». فقد قدّم النص الأصلي الاتجاه، وتبني هذه المقالة عليه لتنظيم خطوات تصميم قابلة للتطبيق، تشمل اختيار وسائل التحقق، وأنماط الفشل الشائعة، وطرق المراجعة متعددة النماذج.
القيمة الأساسية: بعد قراءة هذه المقالة، ستكون قادرًا على كتابة عقد تحقق لمهام الذكاء الاصطناعي العميقة الخاصة بك، بحيث يتكرر النموذج داخل تغذية راجعة قابلة للحكم، بدلًا من أن ينتهي عند التقييم الذاتي.
النقاط الأساسية للتحقق الخارجي في مهام الذكاء الاصطناعي العميقة
النقطة الجوهرية في التحقق الخارجي ليست إضافة خطوة فحص أخرى، بل أن نجعل أساس الحكم مستقلًا عن عملية استدلال النموذج نفسه.
| النقطة | الشرح | القيمة |
|---|---|---|
| تحديد المعايير أولًا | اكتب شروط النجاح بوضوح قبل بدء العمل، واجعلها قابلة للحكم عليها قدر الإمكان | تجنّب إعادة النموذج تفسير الهدف بعد وقوع الأمر |
| عزل البيانات | اختبر النتائج ببيانات أو سيناريوهات لم يرها النموذج | التمييز بين الاكتشاف الحقيقي والملاءمة اللاحقة |
| الأدوات أولًا | أعط الأولوية للمدقّقات التي يمكن تشغيلها والحصول على تغذية راجعة فورية | تمكين النموذج من التكرار الذاتي وتقليل المراقبة اليدوية |
| حفظ الأدلة | احتفظ بنتائج التشغيل والسجلات وخطوات إعادة الإنتاج | تمكين الإنسان من مراجعة الاستنتاجات لا مجرد الثقة بها |
| المراجعة المستقلة | تحدَّ النتائج بأساليب ومواقف مختلفة | اكتشاف المشكلات التي يفوّتها مدقّق واحد |
لماذا تحتاج مهام الذكاء الاصطناعي العميقة إلى تحقق خارجي
يقصد Rieseberg بكلمة «العمق» تبنّي الأدوات والتقنيات والمعرفة التي يستخدمها كبار الخبراء في المجال، والتعمّق في البيانات الأساسية بدلًا من البقاء على سطح المهمة. وكلما كان مستوى المهمة أعمق، صار أصعب على الإنسان الحكم على صحة النتيجة بالحدس. فتحليل تسرّب العملاء المصاغ بلغة احترافية قد يبدو مقنعًا عند قراءته، لكن ذلك لا يثبت صحة الحكم السببي الوارد فيه.
ويشير أيضًا إلى ظاهرة شائعة: حين تُطلب من النموذج أن يتصرف كخبير، فإنه غالبًا يكتفي باستبدال المفردات، دون أن تتغيّر طريقة عمله فعليًا. ويصعب على التقييم الذاتي اكتشاف هذا النوع من المشكلات، لأن المُقيِّم والمنتِج يتشاركان المجموعة نفسها من الافتراضات. وإذا كان الاستدلال منحرفًا منذ البداية، فإن تقييم النموذج قد يمتد على طول الانحراف ذاته.
الأهداف الجريئة تجعل التحقق أكثر أهمية. تقترح المقالة الأصلية وضع أهداف تبدو غير معقولة، مثل تقليص زمن تحميل الموقع من 10 ثوانٍ إلى 200 مللي ثانية، ومطالبة النموذج بمواصلة المحاولة. سبب صلاحية هذه الأهداف هو أن 200 مللي ثانية يمكن قياسها. أما إذا كان الهدف طموحًا وغير قابل للتحقق في الوقت نفسه، فما سنحصل عليه على الأرجح ليس سوى تقرير يبدو أكثر ثقة بنفسه.
دليل سريع للتحقق الخارجي في مهام الذكاء الاصطناعي العميقة: منهج تصميم من 5 خطوات
الطريقة التالية لا تعتمد على نموذج أو إطار عمل محدد، ويمكنك البدء بتطبيقها على مهمة تعمل عليها حاليًا. وإذا لم تتمكن من تنفيذها بالكامل في الوقت الحالي، فمن الأفضل إنجاز الخطوات الثلاث الأولى أولًا.
الخطوة 1: أعد كتابة هدف المهمة كمعيار تحقق خارجي
“تحليل شامل” و“جودة كود عالية” ليستا قابلتين للحكم المباشر، لذا يجب إعادة صياغتهما كشروط نجاح أو فشل. مثلًا، بدلًا من “أصلح الانهيار” اكتب “عند تشغيل خطوات إعادة الإنتاج الأصلية لم يعد يحدث انهيار، وتنجح جميع الاختبارات ذات الصلة”. يجب كتابة المعايير قبل أن يبدأ النموذج العمل، وإلا فقد يعدّل تعريف النجاح بعد الانتهاء.
يمكنك أولًا كتابة عقد التحقق التالي ثم تسليمه للنموذج للتنفيذ:
| الحقل | ما يجب توضيحه | مثال |
|---|---|---|
| الهدف النهائي | النتيجة التجارية أو الهندسية المطلوبة فعليًا | يبقى التطبيق مستقرًا ولا يحدث انهيار من النوع نفسه مرة أخرى |
| المواد الأصلية | البيانات الأولية التي ينبغي أن يستخدمها النموذج مباشرة | تقرير الانهيار، والعلاقة بين الإصدار و Git commit |
| المدقق | الأداة أو البيانات التي تحكم على النتيجة | سكربت إعادة الإنتاج، والاختبارات الآلية، وبيانات التحقق المحجوزة |
| شروط النجاح | عتبة أو قاعدة حكم واضحة | تعذّر إعادة إنتاج الانهيار على أنظمة الأهداف الثلاثة |
| المحظورات | ما لا يجوز للنموذج تغييره | لا يجوز حذف الاختبارات، ولا تعديل بيانات التحقق المحجوزة |
| أدلة التسليم | نتائج التشغيل التي يجب إرفاقها | الأوامر، والسجلات، وسجلات الفشل، والنتيجة النهائية |
| شروط التوقف | متى ينتهي العمل أو يُسلّم إلى إنسان | بعد بلوغ حد التكرارات، تُقدّم أسباب التعطّل |
الخطوة 2: فصل الاستنتاجات عن بيانات التحقق
عندما يستخدم النموذج البيانات نفسها لطرح الفرضية وإثباتها، فهذا ليس تحققًا خارجيًا. يقدّم مثال تسرّب المستخدمين في النص الأصلي ممارسة جيدة: اطلب من النموذج البحث في السجلات عن أبكر إشارة على تسرّب المستخدمين، ثم استخدم بيانات لم يرها من قبل لإثبات أن هذه الإشارة تتمتع فعلًا بقدرة تنبؤية. عمليًا، يمكن تقسيم البيانات حسب الزمن، بحيث تُستخدم البيانات المبكرة للاستكشاف والبيانات اللاحقة للاختبار.
من الأفضل أن يحتفظ نص برمجي مستقل أو شخص مستقل بالبيانات المحجوزة، بحيث لا يحصل النموذج إلا على نتائج التشغيل ولا يستطيع قراءة التفاصيل مباشرة. وإذا ظلّل الخطة مرارًا بناءً على النتائج، فستبدأ البيانات المحجوزة نفسها في أن “تُتعلَّم” تدريجيًا. لذلك، يُستحسن بالاستنتاجات المهمة أن تُحجز نسخة إضافية من البيانات تُستخدم فقط عند القبول النهائي.
الخطوة 3: إعطاء الأولوية لأدوات التحقق الخارجي التي يستطيع النموذج تشغيلها بنفسه
كلما اقتربت أداة التحقق من النتيجة الحقيقية وكانت التغذية الراجعة أسرع، استطاع النموذج أن يكرّر بشكل أكثر استقلالية. ينظّم الجدول التالي عدة وسائل للتحقق الخارجي وفقًا للمهام الشائعة؛ وعند الاختيار لا يلزم السعي إلى “أقوى حل” واحد، بل يُفضّل استخدام مزيج منها حسب المخاطر.
| وسيلة التحقق | ما يمكن إثباته | سرعة التغذية الراجعة | القيود الرئيسية |
|---|---|---|---|
| الاختبارات الآلية ونصوص إعادة الإنتاج | السلوك المحدد يطابق التوقعات | سريعة | تغطي فقط السيناريوهات المكتوبة صراحةً |
| أدوات قياس الأداء | هل بلغت المؤشرات الحد المطلوب | سريعة | قد تؤثر فروق البيئة في النتائج |
| الاختبار الرجعي على البيانات المحجوزة | هل للاستنتاج قدرة تنبؤية | متوسطة | الأنماط التاريخية قد لا تستمر |
| المراجعة بأسلوب الفريق الأحمر | هل الفرضيات وسلسلة الأدلة ضعيفة | متوسطة | جودة الحكم تعتمد على أسلوب المراجعة |
| التشغيل الظلّي | هل الحل فعّال في العملية الحقيقية | بطيئة | الدورة طويلة والتكلفة التنظيمية مرتفعة نسبيًا |
| الفحص العشوائي من خبراء المجال | هل تتوافق النتائج مع الحكم المهني | بطيئة | يصعب التغطية على نطاق واسع |
الخطوة 4: إدماج التحقق الخارجي في حلقة عمل النموذج
لا تظهر فائدة أدوات التحقق في التكرار المستمر إلا إذا أُدخلت في بيئة عمل النموذج. وتُعد حالة إصلاح الانهيار الواردة في النص الأصلي مثالًا دالًا: بدأ المؤلف بتمكين Claude من الوصول بسهولة إلى تقارير الانهيار، ومعرفة أي commit في Git يقابل كل إصدار، واستخدام أجهزة تعمل بـ Windows وmacOS وLinux. وبعد توافر هذه الشروط، يستطيع النموذج إعادة إنتاج المشكلة والتحقق من الإصلاح بشكل مستقل.
ويوضح هذا أيضًا أن التحقق الخارجي غالبًا ما يتطلب تعديل سير العمل، لا مجرد تعديل الموجه. عليك إتاحة البيانات والأدوات اللازمة، مثل ربط مصادر البيانات عبر موصل MCP، مع إبقاء الصلاحيات ضمن نطاق المهمة. ويجب أن يتضمن تصميم الحلقة ثلاثة عناصر على الأقل:
- تغذية راجعة عن الفشل: إرجاع سجلات أخطاء محددة والعناصر التي لم تنجح، بدلًا من كلمة «فشل» وحدها.
- حد أقصى للتكرار: تحديد عدد مرات إعادة المحاولة والميزانية الإجمالية، لمنع النموذج من الوقوع في حلقة غير مجدية.
- عناصر محمية: جعل الاختبارات ونصوص التحقق وبيانات التحقق المحجوزة للقراءة فقط، لمنع النموذج من «النجاح» عبر تعديل المعايير.
الخطوة 5: إكمال التحقق الخارجي عبر مراجعة مستقلة وتشغيل متوازٍ
اجتياز مدقّق واحد لا يعني أن النتيجة موثوقة. تشير المقالة الأصلية إلى إمكانية الاستعانة بـ«الفريق الأحمر» المتخصص في البحث عن الأخطاء، مثل المستثمرين الذين يبيعون على المكشوف والمحاسبين القانونيين، لكن التركيز ليس على محاكاة نبرتهم، بل على استخدام أساليب البحث الحقيقية التي يعتمدون عليها. على سبيل المثال، يمكن مطالبة النموذج بتتبّع المصدر الأصلي لكل رقم رئيسي، أو البحث بنشاط عن بيانات يمكنها دحض الاستنتاج.
وبالنسبة إلى التغييرات المتعلقة بالعمليات، يمكن أيضًا اتباع أسلوب التشغيل المتوازي. تقترح المقالة الأصلية أولًا استخدام البيانات التاريخية لإثبات أن آلية المراجعة الجديدة كان يمكنها اكتشاف المشكلات في وقت أبكر، ثم تشغيلها بالتوازي مع العملية الحالية لمدة ربع سنة. بهذه الطريقة يمكن اختبار الأثر الحقيقي دون تحمّل مخاطر استبدال العملية القديمة بالكامل منذ البداية.
اقتراح للتكامل: إذا كنت بحاجة إلى أن يتولى نموذجان مختلفان مهام التنفيذ والمراجعة على التوالي، فيمكنك استدعاؤهما بشكل موحّد عبر APIYI. توفّر APIYI استدعاءات API للنماذج الواردة في هذه المقالة، وهي متوافقة مع صيغ واجهات OpenAI وAnthropic، ولا يتطلب التكامل عادةً سوى تهيئة
base_urlوapi_keyوmodelوفقًا للوثائق. رابط الوثائق: https://docs.apiyi.com
أنماط الفشل الشائعة في التحقق الخارجي لمهام الذكاء الاصطناعي العميقة
قد يتحول التحقق الخارجي أيضًا إلى إجراء شكلي. يجب التفكير في المشكلات التالية منذ مرحلة التصميم، وإلا فلن تمنح نتائج التحقق سوى شعور زائف بالأمان.
| نمط الفشل | المظهر النموذجي | طريقة التعامل |
|---|---|---|
| تعديل المعايير | حذف حالات الفشل أو تخفيف شروط التحقق | جعل المدقق للقراءة فقط، ومراجعة التغييرات ذات الصلة |
| الإفراط في ملاءمة مجموعة التحقق | تتحسن المؤشرات باستمرار، لكنها تفشل على بيانات جديدة | الاحتفاظ ببيانات قبول نهائية |
| الاستدلال الدائري | استخدام بيانات ولّدها النموذج للتحقق من استنتاجات النموذج نفسه | العودة إلى السجلات الأصلية والمواد الأولية |
| التحقق الشكلي فقط | التنسيق صحيح، لكن المحتوى خاطئ | إضافة قواعد عمل وفحص بالعينة |
| لعب الأدوار | تبدو المحادثة وكأنها من خبير، لكن النتائج لا تتحسن | طلب تنفيذ طريقة محددة وتقديم الأدلة |
ومن بين هذه الأنماط، تستحق «مراجعة النموذج الثاني» توضيحًا خاصًا. فهي أفضل من التقييم الذاتي لأنها قد تكشف一部分 من النقاط العمياء، لكنها تظل مراجعة مبنية على الحكم، ولا يمكنها أن تحل محل الاختبار أو البيانات الحقيقية. والأفضل عند المراجعة أن تُقدَّم فقط معايير المهمة والمواد الأصلية والمخرجات النهائية، دون الحوار السابق، لتقليل تأثير الاستدلال السابق على الحكم.
أمثلة على تصميم التحقق الخارجي لمهام ذكاء اصطناعي عميقة مختلفة
يمكن استخدام الأمثلة التالية كنقطة انطلاق للتصميم، أما العتبات المحددة فتحتاج إلى تحديدها وفقًا لطبيعة العمل.
| المهمة | الاعتماد على التقييم الذاتي فقط | تصميم التحقق الخارجي |
|---|---|---|
| إصلاح تعطّل التطبيق | يشرح النموذج مبدأ الإصلاح ثم يعلن الانتهاء | إعادة الإنتاج عبر الأنظمة، والتأكد من عدم تكرار المشكلة بعد الإصلاح |
| العثور على إشارات التسرّب | يقدّم النموذج تقرير إسناد معقولًا | اختبار القدرة التنبؤية باستخدام بيانات لم تُستخدم في الاستكشاف |
| فحص أسباب التسرّب | يتبنى النموذج حكم «أن تهيئة المستخدمين الجدد بها مشكلة» | البحث في البيانات الأصلية عن أدلة تدعم هذا الحكم أو تعارضه |
| تحسين سرعة التحميل | يسرد النموذج بنود التحسين ويقدّر العائد | القياس في بيئة ثابتة، والمقارنة مع العتبة المستهدفة |
| إعادة هيكلة مراجعة الأعمال | يبرهن النموذج على أن الخطة الجديدة أكثر تقدمًا | بعد اختبار خلفي تاريخي، يُشغَّل بالتوازي مع العملية الحالية لمدة ربع سنة |
وللحكم على ما إذا كانت المهمة تستحق هذا التصميم، يمكن الاستعانة بمعيار بسيط: هل تكلفة الخطأ أعلى من تكلفة التحقق؟ إذا كان الأمر مجرد إعادة صياغة رسالة بريد إلكتروني، فقد تكفي قراءة واحدة. أما إذا كانت النتيجة ستؤثر على أنظمة الإنتاج أو تخصيص الموارد، فينبغي تصميم تحقق خارجي.
الأسئلة الشائعة FAQ
س1: ما المقصود بالتحقق الخارجي في مهام الذكاء الاصطناعي العميقة؟
هو فحص النتائج اعتمادًا على أدلة مستقلة عن حكم النموذج نفسه، مثل الاختبارات الآلية وقياس الأداء والاختبار العكسي على بيانات محجوزة ومراجعة الخبراء. والشرط الجوهري فيه أن معايير الحكم لا يحددها النموذج الذي أنتج النتيجة بشكل ارتجالي في اللحظة الأخيرة.
س2: ما الفرق بين التحقق الخارجي والفحص الذاتي للنموذج؟
الفحص الذاتي قادر على اكتشاف الثغرات الواضحة بسرعة، لكن المُنتِج والمُقيِّم يتشاركان الافتراضات نفسها. أما التحقق الخارجي فيضيف مصدر أدلة مستقلًا، وهو أنسب للحكم على ما إذا كانت النتيجة صحيحة فعليًا. يمكن الجمع بين الاثنين، لكن الفحص الذاتي لا يصلح كأساس نهائي للقبول.
س3: مع تزايد قوة النماذج، هل يبقى التحقق الخارجي ضروريًا؟
يرى Rieseberg أن هذه المشكلة قد تُحل في نهاية المطاف مع ازدياد ذكاء النماذج، لكنه يوصي صراحةً بالتمسك بالتحقق الخارجي حتى أكتوبر 2026 على الأقل. وهذا حكم عملي مرتبط بالمرحلة الحالية. وإلى أن تُثبت موثوقية التقييم الذاتي للنماذج، ينبغي أن تحتفظ المهام عالية المخاطر بفحص مستقل.
س4: ما السيناريوهات الأكثر حاجة إلى التحقق الخارجي؟
تشمل أساسًا الفئات التالية من المهام:
– **الإصلاحات الهندسية**: إصلاح الأعطال، وتحسين الأداء، وترحيل البيانات.
– **أبحاث البيانات**: تحليل التسرّب، والحكم السببي، واكتشاف إشارات التنبؤ.
– **مسارات الوكلاء الذكية طويلة التشغيل**: مهام تتطلب من النموذج العمل باستمرار مع تدخل بشري محدود.
س5: كيف أبني مراجعة متقاطعة متعددة النماذج عبر API؟
يمكنك الاعتماد على APIYI للوصول الموحّد، فواجهته متوافقة مع صيغتي OpenAI وAnthropic:
1. اضبط عنوان الواجهة ومفتاح API وفق وثائق APIYI على https://docs.apiyi.com.
2. تحقق من النماذج المتاحة وتكاليفها في صفحة الأسعار https://docs.apiyi.com/models.
3. اضبط قيمة `model` مختلفة لكل من التنفيذ والمراجعة، بحيث لا يحمل طلب المراجعة محادثة مرحلة التنفيذ.
4. سجّل ملاحظات المراجعة ونتائج الاختبار بشكل منفصل، مع إعطاء الأولوية للاختبارات وأدلة البيانات.
س6: كيف تقدّر تكلفة حلقة التحقق الخارجي؟
تعتمد التكلفة الإجمالية عادةً على عدد التكرارات وطول السياق وطول المخرجات وعدد نماذج المراجعة. ويُنصح بتشغيل عدة جولات على عيّنة صغيرة، وتسجيل الاستخدام الفعلي في كل جولة، ثم تقدير الميزانية بالاستناد إلى الحد الأقصى للتكرارات. لا تورد هذه المقالة أسعارًا محددة؛ فأسعار النماذج وقواعد الفوترة وأسعار الإدخال والإخراج وأسعار التخزين المؤقت تُؤخذ جميعًا من البيانات الفعلية في صفحة أسعار APIYI على https://docs.apiyi.com/models.
س7: ما القيود التي تكتنف التحقق الخارجي؟
لا يمكن للاختبارات أن تغطي إلا السيناريوهات المحددة مسبقًا، ولا يضمن الاختبار الرجعي استمرار صلاحية الأنماط التاريخية، كما أن دورة التشغيل الظلي أطول نسبيًا. واجتياز التحقق يعني فقط أن النتائج حظيت بالدعم في ظروف محددة، ولا يعني أنها صحيحة بشكل مطلق. وعندما يتعلق الأمر بالقانون أو المالية أو قرارات الأعمال المهمة، يبقى القرار النهائي من مسؤولية الأشخاص المعنيين.
نقاط رئيسية حول التحقق الخارجي للمهام العميقة للذكاء الاصطناعي
- المبدأ الأساسي: لا تجعل التقييم الذاتي للنموذج أساسًا للقبول؛ يجب أن يأتي الحكم من أدلة مستقلة.
- تحديد المعايير مسبقًا: اكتب شروط النجاح قبل بدء العمل، لمنع إعادة تعريف النجاح بعد وقوعه.
- عزل البيانات: اختبر ما يكتشفه النموذج باستخدام بيانات لم يرها من قبل، لتجنب الاستدلال الدائري.
- الأدوات أولًا: المدققون القادرون على التشغيل وتقديم تغذية راجعة فورية هم الأكثر فائدة للتكرار الذاتي.
- تكامل البيئة: يحتاج النموذج إلى الوصول إلى البيانات والأدوات وبيئة التشغيل حتى يتمكن من التصحيح الذاتي.
- مراجعة متعددة المستويات: يُستخدم النموذج الثاني لاكتشاف النقاط العمياء، ولا يمكنه أن يحل محل الاختبارات والبيانات الحقيقية.
- تكامل مرن: يمكن استدعاء عدة نماذج بشكل موحد عبر APIYI، مما يقلل تكلفة الوصول إلى المراجعة المتقاطعة.
الخلاصة
عند تصميم التحقق الخارجي لمهام الذكاء الاصطناعي العميقة، يمكنك تذكر ثلاث نقاط:
- حوّل الهدف أولاً إلى معيار قابل للحكم: بدون شرط نجاح، لا يمكنك تحديد ما إذا كانت المهمة قد أُنجزت فعلاً.
- اجعل الأدلة مستقلة عن استدلال النموذج: اعزل البيانات، واحمِ المُدقّق، واحتفظ بسجل تشغيل كامل.
- اجمع بين وسائل التحقق وفقًا للمخاطر: توفر الأدوات ملاحظات سريعة، ويكشف التدقيق نقاط العمى، ويختبر التشغيل المتوازي التأثير الحقيقي.
خطوتك التالية: اختر إحدى المهام العميقة التي بين يديك، واكتب عقد تحقق أولاً، ثم دع النموذج يبدأ العمل. فبهذه الطريقة لا تقلل الأخطاء فحسب، بل تصبح قادرًا على طرح أهداف أكثر تحديًا، لأن النتائج — مهما كان الهدف جريئًا — ستجد دائمًا وسيلة لاختبارها وقبولها.
إذا كنت بحاجة إلى بناء سير عمل متعدد النماذج للتنفيذ والتدقيق، يمكنك إجراء اختبارات الاستدعاء عبر APIYI، وطرق التكامل متاحة على https://docs.apiyi.com. أما أسعار النماذج ومعايير الفوترة فتخضع للبيانات الفعلية على https://docs.apiyi.com/models.
📚 المراجع
- كيف تضع أهدافًا أكثر جرأة: دليل عملي لمستخدمي الذكاء الاصطناعي: ترجمة InfoQ العربية
- الرابط:
infoq.cn/article/F1ms7x7KI1p7UfocCywh -
الوصف: يتضمن منهجيات عملية في ثلاثة اتجاهات: الارتفاع والعمق والاتساع
-
How to be more ambitious: A tutorial for humans with models: النص الأصلي لـ Felix Rieseberg
- الرابط:
felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models -
الوصف: المصدر الأصلي لتوصيات التحقق الخارجي وحالات إصلاح الأعطال وفقدان المستخدمين
-
مركز توثيق APIYI: تعليمات تكامل الواجهات
- الرابط:
docs.apiyi.com -
الوصف: يُستخدم للاستعلام عن إعدادات التكامل المتوافقة مع صيغ OpenAI وAnthropic
-
صفحة النماذج والأسعار في APIYI: معلومات النماذج والفوترة
- الرابط:
docs.apiyi.com/models - الوصف: أسعار النماذج ومعايير الفوترة وأسعار التخزين المؤقت تخضع جميعها لهذه الصفحة
المؤلف: فريق تقنية APIYI
التواصل التقني: يسعدنا تواصلك معنا عبر الصفحة الرئيسية لموقع APIYI، ولمزيد من المواد يمكنك زيارة مركز توثيق docs.apiyi.com
