الذكاء الاصطناعي متعدد الوسائط في الأعمال: عبدالله عبدالرحيم بن سنكر يشرح

موظف يقضي ساعة يطبع بيانات من صور فواتير. ثاني يكتب ملخص مكالمة من ذاكرته بعد يومين. وثالث يفتح ملف PDF من خمسين صفحة عشان يلقى بنداً واحداً. ثلاث مهام بثلاث وسائط: صورة، وصوت، ومستند. والنماذج الحديثة صارت تتعامل معها كلها، وهذا اللي يسمى الذكاء الاصطناعي متعدد الوسائط. عبدالله عبدالرحيم بن سنكر يمر هنا على كل وسيط: وش ينفع فيه فعلاً في الشغل اليومي، ووين يتعثر، ووش الحسبة اللي لازم تسويها قبل ما تبني.

وش يعني «متعدد الوسائط» عملياً؟

النموذج اللغوي التقليدي يستقبل نصاً ويرجّع نصاً. النموذج متعدد الوسائط يستقبل صورة أو مستنداً، وأحياناً صوتاً، مع النص، ويفهمها في نفس السياق. تقدر ترسل صورة رف في محلك وتسأل: «وش المنتجات اللي تبان ناقصة؟». بعض الأنظمة تسوي هذا بنموذج واحد، وبعضها يربط أكثر من نموذج: واحد يحوّل الصوت لنص، وثاني يفهم النص ويتصرف. لصاحب المشروع الفرق التقني مو مهم كثير. المهم: النتيجة، ودقتها على ملفاتك، وتكلفتها.

الصور: أكثر من قراءة نص

• قراءة الإيصالات وبطاقات العمل والنماذج المطبوعة وتحويلها لحقول منظّمة.
• فحص صور المنتجات قبل رفعها للمتجر: خلفية غير مناسبة، صورة مقصوصة، أو منتج ما يطابق وصفه.
• مطالبات العملاء: عميل يرسل صورة منتج وصله تالف، والنظام يصنّف نوع الضرر ويجهّز الطلب للموظف.
• كتابة نص بديل (Alt text) لصور الموقع، وهذا يفيد سهولة الوصول وتهيئة محركات البحث معاً.

وين يتعثر: الخط اليدوي العربي، خصوصاً المتصل والسريع. والجداول المعقدة في صورة مائلة أو مظللة. والعدّ الدقيق: سؤال «كم علبة على الرف؟» ممكن يرجّع رقماً قريباً مو دقيقاً. وأي قرار يعتمد على تفصيل صغير جداً في زاوية الصورة.

ونصيحة في التصميم: اطلب من النموذج يرجّع النتيجة في حقول محددة، ومعها خانة يقول فيها إذا الصورة غير واضحة أو ناقصة. صورة إيصال مقصوصة نصها يستاهل يرجع للعميل أو الموظف بطلب «صوّرها مرة ثانية»، بدل ما يكمل النموذج الأرقام الناقصة من تخمينه. وجودة الصورة نفسها تفرق أكثر من اختيار النموذج: إضاءة جيدة وزاوية مستقيمة ترفع الدقة بشكل ملحوظ، فإرشاد بسيط للي يصوّر قد يكون أرخص تحسين تسويه.

الصوت: من تسجيل إلى بيانات

تحويل الكلام لنص صار قوياً جداً في اللغات الواسعة الانتشار، ومع العربية تحسّن كثير. لكن اللهجات، والكلام السريع، والضجيج في الخلفية، والخلط بين العربي والإنجليزي في نفس الجملة، كلها ما زالت تسبب أخطاء. الاستخدامات اللي تستاهل التجربة:

• تفريغ الاجتماعات والمكالمات، ثم تلخيصها لقرارات ومهام بأسماء أصحابها.
• رسائل واتساب الصوتية من العملاء: تتحول لنص، وتتصنّف، وتروح للشخص المناسب.
• ملاحظات صوتية من الفريق الميداني بدل تقارير مكتوبة ما أحد يحب يكتبها.
• وفي الاتجاه المعاكس: تحويل النص لصوت لرسائل ترحيب أو محتوى تعليمي قصير.

وانتبه لجانب قانوني وأخلاقي: تسجيل مكالمة عميل وتحليلها يحتاج إنه يعرف بذلك. وتوليد صوت يشبه صوت شخص حقيقي بدون إذنه خط أحمر، مهما كان الغرض.

المستندات: العقود والتقارير والكتالوجات

النماذج اللي تقبل ملفات PDF مباشرة تقدر تلخص عقداً، وتستخرج بنوداً محددة مثل المدة وشروط الإنهاء، وتقارن نسختين وتقول وش تغيّر بينهم، وتجاوب أسئلة من كتالوج طويل. والفايدة الحقيقية مو في «لخّص لي»، في الأسئلة المحددة: «وش غرامة التأخير في هالعقد؟ واذكر رقم البند». طلب رقم البند يخلّيك تتحقق بنفسك في ثواني بدل ما تثق ثقة عمياء.

وين يتعثر: ملفات PDF الممسوحة كصور بجودة ضعيفة، والجداول اللي تمتد على أكثر من صفحة، والمستندات الطويلة جداً اللي تتجاوز سعة السياق، وهنا تحتاج تقسيماً أو استرجاعاً للأجزاء المعنية بدل إرسال الملف كاملاً.

الوجه الثاني: التكلفة والخصوصية

الصورة والتسجيل والمستند الطويل يستهلكون توكنات أكثر بكثير من سؤال نصي قصير. معالجة آلاف الإيصالات يومياً حسبتها تختلف تماماً عن عشرين. قبل ما تبني احسب: كم ملف في اليوم، وكم تكلفة الملف الواحد، وكم دقيقة يوفر. وأحياناً تصغير الصورة قبل إرسالها، أو قص الجزء المهم منها، يكفي ويقلل التكلفة بشكل واضح.

وفكّر كمان في تقسيم الشغل بين أكثر من خطوة. مثلاً في رسائل العملاء الصوتية: خطوة تحويل الصوت لنص بأداة متخصصة رخيصة نسبياً، ثم خطوة تصنيف بنموذج نصي صغير، والنموذج الأقوى ما يتدخل إلا في الرسائل الطويلة أو المعقدة. هالتقسيم غالباً أرخص من إرسال كل شي لنموذج واحد كبير، وأسهل في التتبع: لو طلع تصنيف غلط، تعرف هل الخلل في التفريغ أو في الفهم. واحفظ النص المفرّغ مع التسجيل الأصلي، عشان الموظف يرجع للصوت لما يشك في كلمة.

والخصوصية هنا أحسّ من النص: الصور فيها وجوه وهويات وأرقام، والتسجيلات فيها أصوات وأسماء، والعقود فيها أسرار تجارية. اعرف وين تُرسل الملفات، وكم تُحفظ، وامسح اللي ما تحتاجه بعد المعالجة.

من وين تبدأ؟

اختر مهمة يدوية متكررة وحدة فيها وسيط غير النص، مثل إدخال بيانات من صور. اجمع خمسين مثالاً حقيقياً فيها الواضح والصعب، وجرّب، وعدّ كم مثال طلع صحيحاً بدون تدخل. لو النتيجة مقنعة، ابنِ التدفق مع مراجعة بشرية للحالات اللي يكون فيها النموذج نفسه غير متأكد.

عبدالله عبدالرحيم بن سنكر الكندي يجرّب أدوات الذكاء الاصطناعي ويشرحها على حسابه في تيك توك @ai_lab30، والدرس العملي اللي يصلح لأي أداة: جرّبها على ملفاتك أنت، مو على أمثلة العرض التجريبي. وفي منصة أزهل الرقمية أي ميزة تعتمد على الصور أو الصوت أو المستندات تنبني بعد اختبار على عينة حقيقية من ملفات العميل.