الجمع بين النماذج اللغوية الكبيرة وأدوات الحل الصورية لاتخاذ قرارات ذكاء اصطناعي موثوقة

أحرزت النماذج اللغوية الكبيرة (LLM) تقدمًا استثنائيًا في فهم اللغة الطبيعية، وتوليد ردود سلسة، وتقديم تجارب جديدة كليًا للعملاء والموظفين. لكن بما أن النماذج اللغوية الكبيرة (LLM) احتمالية بطبيعتها، فإن استخدامها في الاستدلال العددي أو المنطقي المعقد لا يقدم سوى ضمانات محدودة لامتثال مخرجاتها أو أمثليتها. على سبيل المثال:

• يقول مدير لمساعد تخطيط يعمل بالذكاء الاصطناعي: “Ship as much as possible next week while keeping costs low,” فيقدم النظام خطة جريئة تبدو فعالة، لكنها تتجاوز سعة المستودع دون تنبيه وتخلّ بضمانات التسليم.

• يقول منسق لمساعد يعمل بالذكاء الاصطناعي: “Reassign crews to reduce overnight stays and minimize disruption,” فينتج النموذج جدولًا أقل تكلفة يبدو مثاليًا، لكنه يخالف القيود الإلزامية لساعات العمل أو الراحة.

• يتعين على مساعد ذكاء اصطناعي للعمليات المالية اعتماد المعاملات وفق قيود إقليمية وضوابط مخاطر صارمة، لكنه يجيز معاملة مشبوهة باختلاق مبرر يبدو ممتثلًا بينما يخالف السياسة الداخلية.

في البيئات ذات المتطلبات التشغيلية الصارمة، يساعد الجمع بين النماذج اللغوية الكبيرة (LLM) وأدوات الحل الصورية في إبقاء القرارات المستندة إلى اللغة الطبيعية ضمن الحدود المحددة وتجنب النتائج غير القابلة للتنفيذ أو دون المثلى أو غير الممتثلة.

يدرس فريق البحث والتطوير لدينا نهجًا هجينًا يجمع إبداع النماذج اللغوية الكبيرة (LLM) ومرونتها مع صرامة أدوات الحل الرياضية الصورية وضماناتها وشفافيتها، مثل Z3 وPyomo وOR-Tools. كما نطوّر محرك ذكاء اصطناعي صوريًا قابلًا لإعادة الاستخدام، لجعل هذه القدرة جزءًا أساسيًا من المنظومة التقنية للمؤسسات. ستمكّن المنصة المؤسسات من استيعاب قواعد الأعمال مباشرة من أنظمتها الحالية، والتحقق المستمر من القرارات وفق تلك القواعد، ونشر وكلاء الذكاء الاصطناعي بأمان ضمن حدود واضحة.

تتمثل رؤيتنا في خفض المخاطر التشغيلية وتسريع اتخاذ القرار على نطاق واسع. يحصل القادة على قرارات أسرع ومتوافقة مع السياسات انطلاقًا من مدخلات اللغة الطبيعية، فيما تستطيع المؤسسات أتمتة التغييرات المخصصة في الجدولة، وتخصيص موارد سلسلة الإمداد، والعمليات المالية، والتحقق من السياسات، وحتى تصميم الفيديو أو النماذج ثلاثية الأبعاد. تمنع الضمانات المدمجة وصول النتائج غير القابلة للتنفيذ أو غير الممتثلة أو غير الآمنة إلى بيئة الإنتاج.

في تجارب مضبوطة شملت مسائل تحسين شبيهة بالخدمات اللوجستية وثلاثة معايير عامة، أظهر نهجنا الهجين باستمرار:

• دقة أعلى

• قابلية أكبر للتفسير والتدقيق

يقلب نهجنا النموذج المعتاد القائل إن «النموذج اللغوي الكبير يفعل كل شيء»، ويتبع بدلًا منه التصميم الآتي:

يفصل هذا النهج المسؤوليات بوضوح: تستخرج النماذج اللغوية الكبيرة (LLM) القواعد والقيود من اللغة الطبيعية، بينما تتولى أدوات الحل الحتمية، مثل OR-Tools وZ3 وPyomo، التحسين والتحقق. وتجمع النتيجة مزايا النهجين:

بدأنا بتحدٍ يواجه بعض عملائنا:

تحويل طلبات اللغة الطبيعية إلى قرارات مثلى وفورية بشأن الموارد، مع التطبيق الصارم للقيود التشغيلية وقيود السياسات والتكلفة.

يقع هذا التحدي في صميم الخدمات اللوجستية وسلاسل الإمداد الحديثة، بما يشمل جدولة القوى العاملة وتخصيص الأصول والتوجيه وتخطيط تنفيذ الطلبات وإدارة السعة. وهذا أيضًا مجال يستلزم تعاون النماذج اللغوية الكبيرة (LLM) وأدوات الحل الصورية لإنتاج أنظمة جديرة بالثقة. أنشأنا للتقييم سيناريوهات اختبار ومصادر بيانات وقيودًا مضبوطة، إلى جانب 240 استعلامًا اصطناعيًا. من الأمثلة:

• Please revise the existing schedule following a cancellation. The target facility must be fully supplied by 24 December 2025. When possible, source inventory from a nearby warehouse and route it through a specific consolidation point. The earliest allowable start date is 14 December 2025.

• Last-minute request: a VIP will arrive at location A in three hours. We need the required staff on site within two hours. Please adjust staff allocations while minimizing changes to the existing schedule.

يتضح من الاستعلامات أن على النظام استخراج القيود الصارمة والمرنة من طلبات اللغة الطبيعية مباشرة وتطبيقها بموثوقية:

• القيود الصارمة غير قابلة للتفاوض، ومنها أبكر تواريخ البدء والشروط التعاقدية والحدود القصوى للسعة. ويؤدي انتهاك أي منها إلى إبطال الحل.

• القيود المرنة تعبّر عن التفضيلات، مثل تقليل التأخير وخفض التكاليف والحد من التغييرات. الهدف هو تحقيق الأمثلية دون تجاوز الحدود الصارمة.

لا يمكن تحديد بعض جوانب مسائل التحسين هذه مسبقًا بالكامل. بل يجب تركيبها ديناميكيًا بالاستناد إلى القيود والأهداف المحددة مسبقًا في منطق الأعمال المنظم والوثائق الداخلية والبيانات التشغيلية، وكذلك إلى طلب المستخدم.

لفهم أداء التقنيات المختلفة في هذا السياق، نفّذنا ثلاثة مناهج وقارنّا بينها.

1. نموذج لغوي كبير صرف: يمرر أبسط نهج جميع البيانات ذات الصلة وطلب المستخدم بلغة طبيعية إلى مطالبة واحدة لنموذج لغوي كبير، ويطلب منه إنتاج خطة أو تخصيص أمثل. قد ينجح ذلك في المسائل الصغيرة أو ذات القيود المحدودة، لكنه ينهار مع تزايد التعقيد. قد يتجاهل النموذج القيود أو يعطي الأولوية لهدف خاطئ أو ينتج خططًا تبدو معقولة لكنها غير قابلة للتنفيذ، من دون وسيلة موثوقة لاكتشاف الإخفاقات أو منعها.

2. نموذج لغوي كبير + منفّذ التعليمات البرمجية: في هذا النهج، يفسر النموذج اللغوي الكبير الطلب ويستخدم الأدوات للوصول إلى مصادر البيانات وتوليد تعليمات برمجية قابلة للتنفيذ للتحسين. يضيف ذلك مرونة وقابلية للمراقبة، لكن الموثوقية تظل مشكلة. يظل على النموذج اللغوي الكبير تحويل القيود إلى تعليمات برمجية صحيحة، وقد تنتج أخطاء صغيرة في الاستدلال أو البرمجة نتائج غير صالحة أو دون المثلى، خصوصًا مع تزايد القيود.

3. هجين: نموذج لغوي كبير ← قيود منظمة ← أداة حل حتمية: يفصل النهج الثالث المسؤوليات. لا «يقرر» النموذج اللغوي الكبير النتيجة مطلقًا، بل يساعد على صياغة المتغيرات والقيود والأهداف صوريًا. تفرض أداة حل مثبتة للتحسين القيود، وتضمن قابلية التنفيذ، وتنتج نتائج يمكن التحقق منها وتدقيقها. يقتصر دور النموذج اللغوي الكبير على تحويل طلبات اللغة الطبيعية إلى قيود صريحة ومنظمة باستخدام مخططات محددة مسبقًا. تُحوّل تلك القيود تلقائيًا إلى تعليمات برمجية لأداة حل، مثل OR-Tools، التي تحسب حلًا قابلًا للتنفيذ وأمثل بصورة حتمية.

اختبرنا الأساليب باستخدام عدة نماذج لغوية كبيرة، منها GPT-5 وGPT-5.1 وGPT-5.2. كما توقعنا، تفوق النهج الهجين على البدائل:

يحقق نهجنا الهجين زيادة كبيرة في الدقة وكفاءة أعلى بأكثر من 4 أضعاف في استخدام الرموز وانخفاضًا في زمن الاستجابة بمقدار رتبة عشرية.

خطوتنا التالية هي إنشاء واجهة قابلة للتعميم وإعادة الاستخدام، تحوّل اللغة الطبيعية إلى تمثيلات دلالية منظمة يمكن لنظامنا الخلفي تحويلها إلى تعليمات برمجية جاهزة لأداة الحل. ركزنا في هذه التجربة على مسائل التحسين الخطي، وقيّمنا النهج باستخدام ثلاث مجموعات بيانات عامة (NLP4LP وNL4OPT وIndustryOR).

1. نموذج لغوي كبير مستقل

2. الأسلوب الهجين (نموذج لغوي كبير ← قواعد منظمة ← أداة حل ← مخرجات متحقق منها)

• استخدام نموذج لغوي كبير لاستخراج المتغيرات والقيود والأهداف من المدخلات وصياغة مسألة تحسين منظمة.

• تمرير المسألة المنظمة والطلب الأصلي إلى نموذج لغوي كبير للتحقق الذاتي.

• تحويل المسألة المنظمة إلى تعليمات OR-Tools البرمجية لحساب التخصيص الأمثل.

قيّمنا هذا النهج باستخدام نماذج رائدة مملوكة، منها GPT-5.1 وGPT-5 mini وGPT-5.1-Codex-Max وGPT-5.2، إلى جانب نماذج مفتوحة المصدر مثل Kimi K2 ونماذج GPT-OSS وMiniMax M2. تلخّص المخططات الصندوقية نتائج كل أسلوب.

ينتج النهج الهجين باستمرار نتائج أدق وأكثر استقرارًا وقابلية للتحقق مقارنة بخط أساس يعتمد نموذجًا لغويًا كبيرًا مستقلًا، وذلك عبر جميع النماذج اللغوية الأساسية التي قيّمناها تقريبًا. مع أن الأداء المطلق يختلف بين النماذج، تظل المكاسب النسبية للنهج الهجين متسقة. يشير ذلك إلى أن التحسينات ناتجة عن فصل فهم اللغة الطبيعية عن التحسين الصوري، بدل الاعتماد على قدرة أي نموذج منفرد على الاستدلال.

الدقة

في NLP4LP وNL4OPT، اللتين تتألفان أساسًا من مسائل البرمجة الخطية، يحقق الأسلوب الهجين دقة تقترب من الحد الأقصى ويتفوق على مطالبة نموذج لغوي كبير مستقل. بدل إنتاج استدلال «صحيح تقريبًا»، يولّد النظام الهجين صيغًا رياضية صالحة ومحكمة بصورة أكثر اتساقًا. في مجموعة بيانات IndustryOR الأكثر صعوبة، تنخفض دقة الأسلوبين، ولكن لأسباب مختلفة. تنطوي مسائل كثيرة في IndustryOR على بنى توافقية، مثل توجيه المركبات وتسلسل المهام وتخصيص القوى العاملة، وتتجاوز قدرات التحسين الخطي التي يدعمها حاليًا نظام أداة الحل الخلفي لدينا.

يوضح تحليل أنماط الإخفاق أن النماذج اللغوية الكبيرة المستقلة كثيرًا ما تنتهك القيود المطلوبة، كما هو موضح أدناه:

المثال الأول:

1"A bodybuilder buys prepared meals: a turkey dinner and a tuna salad sandwich. The turkey dinner contains 20 grams of protein, 30 grams of carbohydrates, and 12 grams of fat. The tuna salad sandwich contains 18 grams of protein, 25 grams of carbohydrates, and 8 grams of fat. The bodybuilder needs at least 150 grams of protein and 200 grams of carbohydrates. Because turkey dinners are expensive, no more than 40% of the meals should be turkey dinners. How many of each meal should the bodybuilder eat to minimize total fat intake?"

ينتج النموذج اللغوي الكبير المستقل حلًا بإجمالي دهون أقل، لكنه يخالف شرط ألا تتجاوز وجبات الديك الرومي 40٪ من الوجبات. يفرض النهج الهجين هذا القيد الصارم بصورة صحيحة ويعيد إجابة صالحة.

المثال الثاني:

1"A hospitalized patient can take two pills: Pill 1 and Pill 2. Each Pill 1 provides 0.2 units of pain medication and 0.3 units of anxiety medication. Each Pill 2 provides 0.6 units of pain medication and 0.2 units of anxiety medication. Pill 1 causes 0.3 units of discharge, while Pill 2 causes 0.1 units. At most 6 units of pain medication may be provided, and at least 3 units of anxiety medication must be provided. How many of each pill should the patient receive to minimize total discharge?"

ينتج النموذج اللغوي الكبير المستقل مجددًا حلًا بتصريف أقل، لكنه يتجاوز الحد الأقصى المسموح به لمسكنات الألم. يفرض النهج الهجين ذلك القيد الصارم بصورة صحيحة ويعيد إجابة صالحة.

زمن الاستجابة واستخدام الرموز

تكشف بيانات زمن الاستجابة واستخدام الرموز عن فرق مهم. يسجل النهج الهجين متوسطًا أعلى لزمن الاستجابة واستخدام الرموز مقارنة بمطالبة واحدة لنموذج لغوي كبير، لكن ذلك يعكس خيارات معمارية لا ضعفًا في الكفاءة.

يتضمن المسار الهجين:

1. استدعاءً واحدًا أو أكثر لنموذج لغوي كبير لاستخراج المتغيرات والقيود والأهداف المنظمة.

2. خطوة تحقق ذاتي لاكتشاف أوجه عدم الاتساق الداخلية.

مع أن هذه الخطوات تضيف عبئًا مقارنة بمطالبة واحدة، يظل زمن الاستجابة محدودًا ومتوقعًا، ويكون تنفيذ أداة الحل سريعًا عادة بعد صياغة المسألة جيدًا. ينتج عن هذا العمل الإضافي تمثيلات وسيطة صريحة وقابلة لإعادة الاستخدام والتدقيق. في المقابل، تضغط مناهج النماذج اللغوية الكبيرة المستقلة الاستدلال في عملية توليد واحدة مبهمة، وتنقل التكاليف إلى إعادة المحاولة والفحوص اليدوية والإخفاقات اللاحقة. يمكن للإصدارات المستقبلية خفض هذا العبء عبر:

• تخزين المخططات المستخرجة مؤقتًا.

• تحديث القيود تدريجيًا.

• تحسين تنسيق المطالبات والاستدعاءات.

الشفافية وقابلية التدقيق

وأخيرًا، حتى عندما يفشل الأسلوبان، تختلف طبيعة الإخفاق نفسه اختلافًا جوهريًا.

• مع نموذج لغوي كبير مستقل، غالبًا ما تمر الإخفاقات بصمت، إذ قد يعيد النموذج نتيجة تنطوي على خطأ دقيق.

• أما في النهج الهجين، فتجعل الصياغة الصريحة للمسألة الإخفاقات واضحة وتساعد الفرق على تحديد الجزء الذي تسبب في الخطأ.

يمكن للإصدارات المستقبلية عرض هذه الصياغات في واجهة، بما يتيح للمستخدمين تدقيقها أو التحقق منها قبل تشغيل أداة الحل. تحسن هذه الشفافية الدقة المقاسة، وتسهّل تصحيح أخطاء النظام وتنقيحه، وهو أمر أساسي للنشر في العالم الواقعي.

الخلاصة الرئيسية

عبر جميع المعايير ومعظم النماذج الأساسية المختبرة، تؤكد النتائج استنتاجًا محوريًا لعملنا:

تتفوق النماذج اللغوية الكبيرة (LLM) في فهم المقاصد وترجمتها، لكن أدوات الحل الحتمية ضرورية لضمان الصحة.

يحوّل النهج الهجين اللغة الطبيعية من مصدر للغموض إلى واجهة موثوقة لاتخاذ قرارات سليمة رياضيًا، ويقرّب ذكاء المؤسسات الاصطناعي خطوة من أنظمة لا تتسم بالذكاء فحسب، بل تستحق الثقة أيضًا.

نادرًا ما توجد قيود المؤسسات في مخططات مرتبة أو مطالبات مصاغة بإتقان. فهي موزعة بين قواعد البيانات وجداول البيانات والسياسات الداخلية والعقود. وقد تكون طلبات المستخدمين ناقصة أو غامضة أو غير متسقة مع قواعد الأعمال. ولتطبيق هذا النهج على نطاق واسع، نطوّر محركًا خلفيًا قابلًا لإعادة الاستخدام يحوّل هذا التعقيد إلى قدرة مؤسسية موثوقة.

يعمل هذا المحرك في جوهره عمودًا فقريًا صوريًا لأنظمة اتخاذ القرار المدعومة بالذكاء الاصطناعي، ويوفر:

• قاعدة معرفة رمزية مزودة بموائمات تستوعب قواعد الأعمال والقيود والمتغيرات والأهداف.

• طبقة ترجمة تحوّل المخططات إلى تعليمات برمجية لأداة الحل.

• واجهات تتيح للفرق فحص القيود وتدقيقها وتعديلها.

مع أن هذه التجارب تركز حاليًا على التحسين، يمكن تطبيق الأسلوب نفسه على التحقق المنطقي. تشمل تطبيقات الأعمال المحتملة:

• إجراء الجدولة والتوجيه وتخصيص الموارد ديناميكيًا وحسب الحاجة، مع فرض جميع القيود التشغيلية.

• توليد إجابات وتوصيات تلتزم دائمًا بقواعد الأعمال.

• تصميم عناصر ثلاثية الأبعاد ومقاطع فيديو وبنى معقدة والتحقق منها، مع اكتشاف التصاميم غير القابلة للتنفيذ قبل الإنتاج.

الذكاء الاصطناعي قوي اليوم، لكن المؤسسات تحتاج إلى أكثر من القوة؛ فهي تحتاج إلى الصحة والاتساق والتحكم. يمثل نظامنا الهجين، الذي يجمع نموذجًا لغويًا كبيرًا وأداة حل، خطوة نحو عالم:

• لا يختلق فيه الوكلاء قواعد أو قيودًا.

• يكون فيه الاستنباط المنطقي والتحسين سليمين رياضيًا.

• تكون فيه اللغة الطبيعية الواجهة العامة للأنظمة الحتمية.