تقنية تخفض تكاليف تشغيل نماذج الذكاء الاصطناعي بنسبة 97.6%

كشفت شركة CData عن نتائج اختبار جديد يوضح إمكانية تقليل استهلاك الرموز (Tokens) في تطبيقات الذكاء الاصطناعي المؤسسية بنسبة تصل إلى 97.6% باستخدام منصة Connect AI، دون التأثير على جودة الإجابات، مما قد يساعد الشركات على خفض تكاليف تشغيل نماذج الذكاء الاصطناعي.

تفاصيل الخبر

أظهرت دراسة أجرتها CData أن اختيار البنية التقنية المناسبة عند استخدام نماذج الذكاء الاصطناعي يمكن أن يؤدي إلى تخفيض كبير في تكلفة معالجة البيانات، خاصة داخل المؤسسات التي تعتمد على نماذج مثل Claude للتعامل مع مصادر بيانات متعددة.

واعتمد الاختبار على تنفيذ استعلام مؤسسي حقيقي يجمع بيانات من ثلاث منصات مختلفة هي Salesforce وSnowflake وServiceNow عبر منصة CData Connect AI، حيث تمت مقارنة الطريقة التقليدية التي تعتمد على استكشاف البيانات بشكل كامل مع أسلوب محسّن يعتمد على تنظيم الأدوات والبيانات مسبقاً.

ومن أبرز نتائج الاختبار:

انخفاض استخدام الرموز من 183,541 Token إلى 4,427 Token فقط عند استخدام Custom Tools.
انخفاض تكلفة الاستعلام الواحد من 0.596 دولار إلى 0.027 دولار.
تحقيق خفض إجمالي في استهلاك الرموز بنسبة 97.6% باستخدام التهيئة المحسنة.
إجراء الاختبارات على نموذج Claude Sonnet 4.6 عبر 56 تجربة مستقلة بدرجة حرارة تشغيل صفر لضمان دقة النتائج.
تقليل عدد استدعاءات الأدوات من 22 عملية إلى استدعاء واحد فقط في السيناريو المحسن.

وتوضح CData أن ارتفاع تكاليف نماذج الذكاء الاصطناعي داخل الشركات لا ينتج فقط عن حجم الإجابات، بل أيضاً عن العمليات الخلفية التي تسبق الوصول إلى الإجابة، مثل تعريف الأدوات، واكتشاف مصادر البيانات، وتحليل المخططات، وتكرار عمليات الاتصال بين الأنظمة المختلفة.

وتعتمد منصة Connect AI على مجموعة من الأدوات لتقليل هذا الحمل، ومنها:

Custom Tools: إنشاء أدوات مخصصة تعرض فقط البيانات المطلوبة للنموذج، مما يقلل حجم المعلومات المرسلة.
Workspaces: تحديد نطاق البيانات التي يستطيع النموذج الوصول إليها لتجنب البحث في مصادر غير ضرورية.
Derived Views: دمج البيانات من عدة مصادر مسبقاً لتقليل عمليات المعالجة والاستعلام المتكررة.
Jobs and Caching: تخزين النتائج المتكررة لتقليل الحاجة إلى إعادة جلب البيانات من المصادر الأصلية.
Toolkits: تجميع الأدوات المناسبة لكل قسم أو مهمة لتسهيل إدارة سير العمل.

الأهداف المستقبلية

تهدف هذه التقنيات إلى جعل استخدام الذكاء الاصطناعي داخل المؤسسات أكثر قابلية للتوسع والتحكم، خاصة مع تزايد اعتماد الشركات على الوكلاء الذكيين (AI Agents) للتعامل مع البيانات والعمليات اليومية.

ومن أهم الأهداف المستقبلية:

تقليل تكلفة تشغيل نماذج الذكاء الاصطناعي عند الاستخدام واسع النطاق.
تحسين سرعة استجابة الأنظمة الذكية من خلال تقليل عمليات البحث والمعالجة.
جعل ميزانيات الذكاء الاصطناعي أكثر قابلية للتوقع والإدارة.
مساعدة المؤسسات على الانتقال من مرحلة التجربة إلى الاستخدام الإنتاجي.
تحسين أمان وإدارة البيانات من خلال التحكم في مصادر المعلومات التي تصل إلى النماذج.
تطوير بنية تحتية أكثر كفاءة لتشغيل تطبيقات الذكاء الاصطناعي على مستوى الشركات.

وتشير نتائج الاختبار إلى أن مستقبل نماذج الذكاء الاصطناعي المؤسسي لن يعتمد فقط على تطوير نماذج أكثر ذكاءً، بل أيضاً على تحسين الطريقة التي تتصل بها هذه النماذج بالبيانات. فكلما أصبحت أنظمة الذكاء الاصطناعي أكثر انتشاراً، ستزداد أهمية تقنيات تقليل استهلاك الرموز وتحسين إدارة الموارد للحفاظ على انخفاض التكاليف.

كما أن هذه التطورات قد تدفع الشركات إلى إعادة التفكير في طريقة تصميم تطبيقات الذكاء الاصطناعي، حيث يصبح اختيار البنية المناسبة للبيانات عاملاً أساسياً في تحقيق أفضل أداء بأقل تكلفة ممكنة.

توضح نتائج CData أن تحسين طريقة تعامل نماذج الذكاء الاصطناعي مع البيانات يمكن أن يؤدي إلى وفورات كبيرة في التكلفة دون التضحية بجودة النتائج. ومع توسع استخدام الذكاء الاصطناعي داخل المؤسسات، ستصبح كفاءة إدارة الرموز والبيانات من أهم عوامل نجاح الحلول الذكية المستقبلية.