نماذج ProjectVIEW AI: SLM + LLM

يجمع DANAOS ProjectVIEW AI بين نماذج لغوية صغيرة (SLM) متخصصة في المجال ونماذج لغوية كبيرة (LLM) رائدة، ويختار النموذج المناسب لكل حالة استخدام. تتولى نماذج SLM التعرف على الأنماط والتحليل العددي لبيانات المشاريع، بينما تتولى نماذج LLM الاستدلال واللغة والتخطيط متعدد الخطوات. ويعمل كلاهما على سياق نظام ERP المسترجَع لحظة طرح السؤال، لذا لا يحتاج أي نموذج إلى إعادة تدريب على بياناتك.

بالنسبة إلى قطاع البناء وغيره من القطاعات القائمة على المشاريع، يتوافق هذا المزيج من SLM وLLM مع طبيعة العمل: أرقام دقيقة من جهة، وتفسير وتقدير من جهة أخرى.

النموذج اللغوي الكبير نموذج عام مدرَّب على نصوص واسعة النطاق، ويتميز بفهم الأسئلة والكتابة والتلخيص وتخطيط تسلسل من الخطوات. أما النموذج اللغوي الصغير فهو نموذج أصغر يركز على مجال أو مهمة أضيق. وعادةً ما يكون أسرع وأقل تكلفة في التشغيل، ويمكن ضبطه للتعرف على الأنماط في أنواع محددة من البيانات.

لا يتفوق أي منهما على الآخر بشكل عام، فالمسألة هي أيهما يناسب المهمة.

بيانات المشاريع في قطاعات البناء وبناء السفن وغيرها من القطاعات القائمة على المشاريع منظمة وعددية في معظمها: الكميات، وأسعار الوحدات، والالتزامات، والمستخلصات، والمحتجزات، واستهلاك الوقود. كما أن لها لغتها الخاصة: BoQ وWBS ورموز التكلفة والتغييرات والمطالبات.

• تحتاج الأرقام إلى تحليل متسق وقابل للتكرار، وهذا عمل نماذج SLM.
• يحتاج المدير إلى معرفة سبب تجاوز المشروع للموازنة بكلمات واضحة، وهذا عمل نماذج LLM.
• في المقابل، يحتفظ نظام ERP بالحقائق، وهذا عمل حتمي.

نظام ERP حتمي + ذكاء اصطناعي احتمالي. يحافظ ProjectVIEW ERP على دقة السجل، وتضيف النماذج الاكتشاف والتفسير والتوقعات، ويظل المستخدم مسؤولاً عن القرارات.

يوضح الجدول كيف تتوزع المهام عادةً بين أنواع النماذج. لكننا نختار النموذج الفعلي لكل حالة استخدام حسب كل عملية نشر.

على سبيل المثال، خذ سؤال أحد المديرين: «لماذا تجاوز المشروع Alpha الموازنة؟»

1. الاسترجاع. يسترجع ProjectVIEW AI موازنة المشروع Alpha والتكلفة الملتزم بها والتكلفة الفعلية ونسبة الإنجاز والتغييرات المفتوحة، ضمن صلاحيات المدير.
2. التحليل. ثم يحدد التحليل العددي عناصر WBS ورموز التكلفة المسببة للانحراف ومقدار انحراف كل منها.
3. التفسير. بعد ذلك يحوّل نموذج LLM النتيجة إلى تفسير موجز بلغة واضحة، مع الأرقام وبنود المصدر.
4. التوصية. عند الاقتضاء، يقترح ما ينبغي مراجعته بعد ذلك: تغيير غير معتمد، أو مورّد يتجاوز سعر الموازنة، أو مستخلص متأخر.

نتيجة لذلك، يحصل المدير على إجابة يمكن التحقق منها بندًا بندًا في ضبط التكاليف في ProjectVIEW. ومع ذلك، يظل القرار بيد المدير.

يتسم ProjectVIEW AI بالمرونة في اختيار النماذج: إذ نختار النموذج لكل حالة استخدام بدلاً من تثبيته للمنتج بأكمله. فالتوقع العددي والملخص التنفيذي لا يحتاجان إلى النموذج نفسه.

وتعني المرونة في اختيار النماذج أيضًا أن طبقة الذكاء الاصطناعي يمكنها اعتماد نماذج أفضل فور ظهورها، دون تغيير طريقة تنظيم بياناتك في ProjectVIEW ERP. فالهيكل في نظام ERP هو الجزء الثابت، أما النماذج من حوله فيمكن أن تتغير. كما تتوفر نماذج SLM المخصصة لكل عميل في ProjectVIEW AI v12.

يسترجع ProjectVIEW AI سياق نظام ERP وقت الاستدلال. فعندما يطرح المستخدم سؤالاً، يسترجع النظام السجلات ذات الصلة من ProjectVIEW ERP، ثم يمررها إلى النموذج مع السؤال. لذلك لا يحتاج النموذج إلى إعادة تدريب على بياناتك.

1. إجابات محدَّثة. وبالتالي يقرأ النموذج التزامات اليوم، لا لقطة تدريب من الربع الماضي.
2. احترام الصلاحيات. كما يتبع الاسترجاع دور المستخدم، فلا يرى النموذج إلا ما يحق للمستخدم رؤيته.
3. لا بيانات مدمجة في النموذج. كما لا تدخل بياناتك التجارية في أوزان النموذج.

هكذا يتعلم ProjectVIEW AI أعمالك: من خلال بيانات ERP المنظمة لديك، لا من خلال التخمين. اقرأ المزيد في كيف يعمل ProjectVIEW AI.

لا. لا تصل البيانات إلى خدمات الذكاء الاصطناعي العامة الموجهة للمستهلكين، ويعمل ProjectVIEW AI في بيئة خاصة. بالإضافة إلى ذلك، لا تستخدم Microsoft الطلبات لتدريب النماذج على Microsoft Azure. راجع أمن البيانات والحوكمة في ProjectVIEW AI والمقال التمهيدي حول الذكاء الاصطناعي المؤسسي الخاص لقطاع البناء.