تلقيت مكالمة الأسبوع الماضي من شركة إنشاءات في العين. كان نظام إدارة علاقات العملاء (CRM) القديم الخاص بهم يعاني من مشاكل في التعامل مع ملفات PDF باللغة العربية من المقاولين - جداول بتنسيقات غريبة، وتواريخ غير متناسقة، وإدخال يدوي مطلوب لما يقرب من 1,200 فاتورة شهريًا. قمت بإصلاح ذلك باستخدام نص Python وأداة Document Intelligence من Azure. وفرت لهم 65 ساعة من العمل الإداري شهريًا. هذا ما يبدو عليه دمج الذكاء الاصطناعي في تطوير الويب عندما يكون مهمًا حقًا - ليس عروضًا تجريبية براقة، بل مجرد إنجاز المهام بشكل أسرع.
الكود الذي يكتب نفسه (نوعًا ما)
سأكون صريحًا: اعتدت أن أكره بناء النماذج. يريد العملاء دائمًا "حقلًا إضافيًا واحدًا فقط" بعد تجهيز الواجهة الأمامية. ثم بدأت في العبث بـ API الخاص بـ OpenAI عبر Langchain لمشاريع Laravel.
إليك كيف يعمل:
- يرسل العميل لقطة شاشة لنموذجه الورقي القديم
- أقوم بتحويل الصورة إلى نص باستخدام Tesseract OCR
- يطلب موجه من GPT-4 إنشاء مخطط JSON بناءً على النص المستخرج
- يتم إدخال الناتج في مكون إنشاء نموذج ديناميكي في React
نعم، إنه يهلوس أحيانًا. ذات مرة، حول حقل "تاريخ الميلاد" إلى منتقي ألوان. (كان علي كتابة تصحيح التحقق من الصحة باستخدام regex لتنسيقات التاريخ.) ولكن الآن عندما أرادت عيادة مقرها دبي رقمنة نماذج استقبال المرضى الخاصة بهم، قمت بإنشاء نموذج أولي لـ 70٪ من الحقول في 15 دقيقة. انخفض إجمالي وقت التطوير من 4 أيام إلى 9 ساعات.
توطين المحتوى الديناميكي
المتحدثون باللغة العربية في الشارقة مقابل الرياض مقابل الدوحة لديهم تفضيلات مختلفة للمفردات. لا يلتقط Google Translate ذلك. لذلك بالنسبة لعميل تجارة إلكترونية كويتي في وقت سابق من هذا العام، قمت ببناء برنامج وسيط يقوم بتوجيه المحتوى العربي من خلال نموذج ذكاء اصطناعي تم ضبطه بدقة باستخدام اللهجات الإقليمية من سجلات خدمة العملاء التاريخية الخاصة بهم.
الإعداد:
- •Node.js backend مع Firebase
- •Supabase كقاعدة بيانات للمحتوى
- •خادم Python FastAPI يقوم بتشغيل نموذج BERT تم تدريبه على أكثر من 50 ألف تذكرة دعم باللغة العربية
في كل مرة يصل فيها المستخدم إلى صفحة منتج، يكتشف الخادم موقعه (GeoIP) ويقدم نصًا معدلاً لمتغيره. قفزت معدلات النقر إلى الظهور على الصفحات المترجمة بنسبة 22٪. ليس سحرًا - مجرد تدريب النموذج الصحيح بالبيانات الصحيحة.
وسط فوضوي
كانت هناك مرة في الدوحة حيث ظل نموذج الترجمة يشوه عبارة حول "صيانة المكيفات" إلى شيء يتعلق بمكيفات الهواء للمقاهي. استغرق الأمر ثلاثة أيام لإدراك أن البيانات الأصلية كانت تحتوي على 40٪ من الإدخالات المصنفة بشكل خاطئ من قبل المتدربين لدى العميل. لا تزال جودة البيانات هي الجزء الأصعب في هذه المشاريع - لا يمكن لأي ذكاء اصطناعي إصلاح ما هو خاطئ في البداية.
الكشف الأسرع عن الأخطاء من خلال تحليل الأنماط
سأستخدم مثالًا فعليًا من Greeny Corner، تطبيق العناية بالنباتات الخاص بي في App Store. ظل المستخدمون يعطلون ميزة تذكير الري. أظهر Sentry 400 خطأ أسبوعيًا، ولكن لم يكن هناك نمط واضح.
لذلك قمت بسحب السجلات إلى TensorFlow.js وقمت بتدريب نموذج لتحديد تسلسلات إجراءات المستخدم التي أدت إلى الأعطال. اتضح أن 68٪ من المشكلات جاءت من أشخاص يقومون بتعيين جداول ري مخصصة يوم الخميس. (ليست مزحة. الخميس في الإمارات العربية المتحدة هو يوم الانتقال إلى عطلة نهاية الأسبوع - يعبث الناس بالإعدادات عندما يكون لديهم متسع من الوقت.)
الإصلاح: تمت إضافة وظيفة debounce إلى منتقي التاريخ، وتدريب فريق ضمان الجودة على الاختبار بشكل مكثف يوم الخميس (على الرغم من أن دورات الاختبار عادة ما تجري من الأحد إلى الأربعاء). انخفض معدل الأعطال من 3.1٪ إلى 0.4٪ في ستة أسابيع.
توقعات العملاء في عام 2026 جنونية
تريد الشركات الإماراتية ذكاءً اصطناعيًا يبدو ذكيًا ولكنه يعمل كما لو كان موجودًا إلى الأبد. عرضت على عميل فندق في رأس الخيمة بعض معالجة اللغة الطبيعية (NLP) الرائعة لدردشة الضيوف الخاصة بهم - قالوا "ولكن هل سيفهم الرسائل الصوتية لجدتي؟" انتهى بنا الأمر بإعادة تدريب نموذج Whisper بـ 1,200 عينة صوتية من كبار السن من سكان الإمارات العربية المتحدة. يتعامل الآن مع كل من اللهجات السميكة والتبديل العرضي بين اللغة العربية / الإنجليزية.
لا تجعلني أبدأ في الحديث عن العقارات. كان علي بناء فلتر بحث عن عقار لـ Reach Home Properties يفسر المصطلحات الغامضة مثل "بالقرب من المركز التجاري" أو "حديقة كبيرة". تم تحويل استعلامات نص الموقع إلى فلاتر جغرافية مكانية باستخدام spaCy’s named entity recognition + بعض بيانات gazetteer المخصصة من البلديات في الإمارات العربية المتحدة. استغرق وقتًا أطول مما كنت أتوقع، لكن العملاء هنا يتوقعون أن تتصرف التطبيقات مثل البشر منذ التفاعل الأول.
ما الذي لا يزال يبدو معطلاً
لقد استخدمت Vercel AI SDK مؤخرًا لبناء مولد صفحات هبوط Next.js للشركات الصغيرة. كانت الفكرة هي السماح للعملاء بكتابة "اصنع لي صفحة لخدمة غسيل السيارات في الفجيرة" واحصل على نسخة مخصصة. بدا المحتوى مثاليًا ولكنه ظل يتعطل عند نشره - HTML الذي تم إنشاؤه بواسطة الذكاء الاصطناعي لم يكن يطابق هيكل المكون الخاص بنا 1: 1. انتهى بي الأمر بكتابة برنامج نصي للمعالجة اللاحقة لإزالة العلامات غير المدعومة. شعرت وكأنه تصميم WordPress لعام 2018 مرة أخرى.
من الذي يجب أن يفعل هذا حتى
انظر، الذكاء الاصطناعي لا يحل محل المطورين. لكن تجاهله يعني القيام بضعف العمل يدويًا بينما يقوم الآخرون بأتمتة. إذا كنت تعمل في تطوير الويب في الإمارات العربية المتحدة ولم تكن على الأقل تجرب عمليات تكامل LangChain أو تضبط LLMs أصغر حجمًا على بيانات العميل الخاصة بك، فأنت تقضي ساعات أكثر مما ينبغي في المهام المتكررة.
لقد قمت ببناء نظام الكشف عن الاحتيال الخاص بـ Tawasul Limo في 3 أسابيع باستخدام Firebase ML وأنماط الحجز التاريخية. قبل ذلك، قال المطور الذي تعامل معه full-stack أن الأمر استغرق أكثر من 6 أسابيع لترميز هذه القواعد. لم يكتب الذكاء الاصطناعي كل شيء - لكنه كتب الأجزاء المملة حتى أتمكن من التركيز على منطق الأمان الفعلي.
وجدتني أتحدث بتلعثم عن حالات استخدام الذكاء الاصطناعي الحقيقية التي تهم. هل تريد أن تنفذ شيئًا ما بالفعل دون جحيم الكلمات الطنانة؟ تواصل معي.