مساعد بيرد على عملائك من بياناتك انت، ويحوّل لك لما يحتاج

يعني إيه "متدرّب على بياناتك"

لما حد يقول عايز ChatGPT لشغلي، هو غالباً بيقصد واحدة من تلات حاجات مختلفة تماماً، والفرق بينهم بيغيّر التكلفة والمخاطر والنتيجة.

الطريقة	معناها	إمتى تكون مناسبة
Fine-tuning	تعديل أوزان الـ model باستخدام بياناتك	أسلوب كتابة أو مصطلحات متخصصة بحجم كبير. نادراً ما تكون الإجابة الصح لمعرفة الشغل
Prompt engineering	model عادي وبتحط محتواك جوه الـ system prompt	قواعد معرفة صغيرة جداً، وبتبقى هشة لما المحتوى يكبر
RAG	محتواك بيعيش في vector database، وبيتسحب منه الجزء المناسب مع كل سؤال	الإجابة الصح في حوالي 95 بالمئة من حالات مساعد الشغل

الخدمة دي بتستخدم الطريقة التالتة غالباً، يعني RAG. وهي البنية الصح لأغلب حالات "مساعد متدرّب على شغلي" للأسباب دي:

• محتواك بيتحدّث في أي وقت من غير إعادة تدريب
• المساعد بيذكر مصادره، فالمستخدم يقدر يتأكد
• نسبة اختراع الإجابات بتقل بشكل كبير لأن الرد مبني على محتواك الفعلي
• بياناتك مش بتستخدم في تدريب models مزود الخدمة
• التكلفة بتزيد مع الاستخدام بشكل متوقع، مش مع حجم المحتوى

بنية المساعد

المساعد الجاهز للإنتاج بيتكوّن من خمس أجزاء:

1. خط الاستيعاب

مصادر محتواك، من توثيق ومقالات وأسئلة شائعة وملفات PDF ومواصفات منتجات وتذاكر دعم، بتتسحب وتتنضف وتتقسم لوحدات معنى وتتحوّل لـ vectors. الخط ده بيشتغل كل ما محتواك يتحدّث، فالمساعد دايماً بيعكس الوضع الحالي.

2. الـ vector store

قاعدة بيانات متخصصة بتخزّن الأجزاء المحوّلة وبترجّع أقربها معنى لأي سؤال في أجزاء من الثانية. الاختيارات الشائعة: pgvector كامتداد لـ Postgres على سيرفرك، أو Pinecone أو Qdrant أو Weaviate كخدمة مُدارة. الاختيار بيعتمد على حجمك وتفضيلك في الاستضافة ومتطلبات خصوصية بياناتك.

3. منطق الاسترجاع

لما المستخدم يسأل، السؤال بيتحوّل لـ vector، وبيتسحب أقرب الأجزاء وبيتم ترتيبها. الاسترجاع الذكي هو الفرق بين مساعد كويس ومساعد بيغيظ المستخدم، لأن الاسترجاع الساذج بيجيب سياق شكله مظبوط لكنه غلط، فيطلع رد شكله مظبوط وهو غلط.

4. طبقة المساعد

السياق اللي اتسحب بيتبعت للـ LLM، سواء OpenAI أو Claude أو اللي يناسب متطلباتك، مع system prompt متكتوب بعناية بيحدد نبرة المساعد ونطاقه وضوابطه وتصرفه لما ما يعرفش الإجابة.

5. الربط بالقناة

المساعد بيتحط في المكان اللي المستخدمين فيه أصلاً: widget على موقعك، أو bot على Slack، أو رقم WhatsApp Business، أو شات جوه منتجك. قناة واحدة داخلة في النطاق الأساسي، والقنوات الإضافية بتتحسب فوقها.

الضوابط اللي أي مساعد إنتاجي محتاجها

المساعد الجاد مش بيولّد نصوص وبس. عنده:

• ضوابط النطاق تمنعه يرد على أسئلة بره الموضوع أو بره السياسة
• تحديد عدم اليقين: لما ثقة الاسترجاع تكون ضعيفة، بيقول إنه مش متأكد بدل ما يخترع
• ذكر المصادر: كل رد بيشير للصفحة أو المستند اللي اتبنى عليه
• التعامل مع البيانات الشخصية: لو عندك متطلبات خصوصية، بيتظبط يرفض أو يخفي حسب الحاجة
• أداة تقييم: مجموعة أسئلة تمثيلية بإجاباتها المتوقعة، عشان الجودة ما تقلّش لما الـ model أو الاسترجاع يتغير

دي مش اختيارية في مساعد إنتاجي. دي الفرق بين مساعد فريقك بيثق فيه ومساعد لازم حد يراقبه.

المساعد بيعيش فين

النطاق الأساسي بيغطي قناة واحدة. الأشهر:

• widget على الموقع: فقاعة شات أو صفحة شات كاملة على موقعك أو توثيقك أو تطبيقك
• Slack: bot بيرد جوه مساحة عمل فريقك، شائع للمساعدين الداخليين للموظفين
• WhatsApp Business: رقم عملاؤك يكلموه مباشرة، وده الأكتر استخداماً في الدعم والمبيعات في المنطقة العربية
• شات جوه المنتج: مدمج في تطبيقك أو منتج SaaS بتاعك، غالباً للمساعدة أثناء الاستخدام والتهيئة

القنوات الإضافية بتتضاف مع توسّع النطاق. طبقة الاسترجاع وطبقة المساعد مشتركة بين القنوات، اللي بيختلف هو كود الربط بكل قناة.

خصوصية البيانات: كل حاجة بتعيش فين

السؤال ده بييجي في كل مكالمة. الإجابات بوضوح:

بياناتي هتستخدم في تدريب models بتاعة OpenAI أو Anthropic؟ لأ، مش لما تتستخدم عن طريق واجهات الأعمال بالشروط القياسية.

محتواي هيتخزن فين؟ باختيارك، وفي مسارين شائعين:

• على سيرفرك: محتواك بيعيش في vector store على بنيتك، ومفيش حاجة بتخرج من بيئتك غير استدعاءات الـ LLM لكل سؤال.
• خدمة مُدارة: محتواك بيعيش في خدمة زي Pinecone. أسرع في الإعداد وأسهل في التشغيل، لكن محتواك بيقعد عند طرف تالت بشروطه.

بنختار المسار المناسب مع بعض في مكالمة البداية، حسب وضع الخصوصية عندك وطبيعة بياناتك.

تكلفة التشغيل بعد الإطلاق

بندين متوقعين:

1. تكلفة الـ LLM APIs: بتزيد مع الاستخدام، يعني عدد المحادثات وحجم كل محادثة. الشائع للمشاريع المتوسطة من 50 لـ 300 دولار شهرياً. الاستخدام الكبير بيزيد خطياً، وبنقدّره في مكالمة البداية من حجم الاستخدام المتوقع.
2. تكلفة البنية: الـ vector store وbackend صغير والاستضافة. غالباً من 20 لـ 100 دولار شهرياً للمشاريع المتوسطة، وأقل لو على بنية بتدفع تمنها أصلاً.

الإجمالي الشهري الشائع من 80 لـ 400 دولار. ومفيش رسوم مخفية لكل محادثة من التكامل نفسه.

إمتى الخدمة دي ما تكونش المنتج المناسب

• متوقع مساعد بمستوى موظف دعم بشري من أول يوم. أحسن مساعد RAG محتاج أسابيع ضبط قبل ما يتعامل كويس مع الحالات النادرة. احسب فترة الضبط دي.
• مش هتقدر أو مش عايز تشارك المحتوى المصدري. حرف الـ R في RAG مش اختياري.
• مجالك منظّم بشدة وأي إجابة مخترعة كارثة. الـ RAG بيقلل الاختراع بشكل كبير لكنه ما بيلغيهوش. لازم مراجعة بشرية في المسار.
• المعرفة عندك في دماغ الناس مش في مستندات. دي مشكلة تحليل فرص الأوتوميشن الأول.

النطاق الأساسي في فقرة واحدة

أسبوعين. قناة واحدة. مجال معرفي واحد. الكود المصدري كامل وملكية كاملة، وأسبوعين ضبط بعد الإطلاق، و60 يوم إصلاح أعطال. السعر بيبدأ من 2000 دولار ويتحدد في مكالمة البداية، والقنوات والمجالات الإضافية بتتحسب فوقه. المساعد اللي بنعمله سوا بيبقى ملكك للأبد، بما في ذلك حقك تغيّر مزود الـ LLM أو تستضيفه على بنية تانية أو تطوّره من غيري.

إجابات سريعة لأسئلة بتتكرر

الـ RAG هو نفسه الـ fine-tuning؟ لأ. الـ RAG بيخلي الـ model عام وبيغذيه بمحتواك مع كل سؤال. الـ fine-tuning بيغيّر أوزان الـ model بشكل دائم. الـ RAG أنسب في أغلب حالات مساعدي معرفة الشغل.

المساعد هيشتغل بالعربي؟ أيوة. الـ LLMs الحديثة بتتعامل مع العربي كويس، وينفع نظبّطه يرد بالعربي بس، أو بالإنجليزي بس، أو بالاتنين حسب لغة السؤال.

ينفع أشوف مساعد شغال؟ أيوة، الشات الموجود على الموقع ده نفسه مساعد متدرّب على محتوى الموقع. جرّب تسأله عن أي خدمة.

جاهز يبقى عندك مساعد AI خاص بشغلك؟

احجز مكالمة تعارف مجانية 20 دقيقة نحدد فيها النطاق المناسب لحالتك، أو ابعتلي تفاصيل مشروعك وهرد عليك خلال 24 ساعة.