Skip to content
نماذج فعالة. أدلة قابلة للتكرار. قرارات أفضل.استكشف Huyawo Solutions
المدونة/الضبط الدقيق لنماذج SLM: لماذا تعيد الأسواق الإلكترونية النظر في تكلفة إثراء كتالوجاتها

الضبط الدقيق لنماذج SLM: لماذا تعيد الأسواق الإلكترونية النظر في تكلفة إثراء كتالوجاتها

ما تكشفه دراسات Amazon عن تكييف نماذج صغيرة لخفض تكلفة استخراج سمات المنتجات.

تميمة القرد من Huyawo بملابس صفراء وسوداء على خلفية صفراء

قد تعالج سوق إلكترونية ملايين المنتجات للإجابة عن سؤال يبدو بسيطا: ماذا يقدم كل منتج؟

تخيل آلة قهوة يذكر وصفها ضغطا يبلغ 15 بار. حتى يتمكن العميل من مقارنتها بغيرها، تحتاج السوق إلى تحديد هذه المعلومة وملء الحقل المقابل في الكتالوج. يبدو العمل قليلا. الآن اضرب هذه العملية في ملايين الإعلانات، مع منتجات جديدة وتعديلات يومية.

هنا يبدأ استخدام نموذج لغوي كبير عام لكل عملية استخراج بالضغط على الميزانية.

في 2026، قدمت ثلاثة أبحاث لفرق من Amazon مسارا مختلفا. حققت نماذج أصغر، جرى تكييفها للتعامل مع سمات المنتجات، تخفيضات كبيرة في تكلفة الاستدلال. وأوضحت الدراسات أيضا مواضع تراجع الجودة وكيف يمكن تجنب تحول الوفر إلى مزيد من أعمال المراجعة.

السؤال لمن يدير الكتالوج ليس أي نموذج يكتب أفضل، بل كم يكلف الحصول على سمة صحيحة وجاهزة للاستخدام.

لماذا يكلف إثراء الكتالوج كثيرا؟

كل من عمل مع بيانات المنتجات يعرف المشكلة. يصف الموردون السلع بطرق مختلفة، حتى داخل الفئة نفسها. توجد معلومات في العنوان وأخرى في الوصف، ولا تكون المصطلحات متسقة دائما.

يؤثر ذلك مباشرة في تجربة الشراء. عندما لا تملأ السمات بصورة صحيحة، تفشل المرشحات في العثور على منتجات، وتقل فائدة المقارنات، ويصعب على العميل اتخاذ القرار.

تساعد النماذج اللغوية على تحويل الأوصاف إلى حقول يستطيع النظام الاستعلام عنها. تظهر المشكلة عندما تعتمد الشركة النموذج العام نفسه لكل المهام تقريبا، بما فيها المهام التي تتكرر مع اختلاف محدود.

لنأخذ عملية استخراج ضغط آلاف آلات القهوة. المطلوب التعرف على القيمة ووحدتها، والالتزام بتنسيق الكتالوج، وعدم اختلاق معلومات غائبة. لا تتطلب المهمة قدرة النموذج على إجراء حوار مفتوح حول أي موضوع.

حتى إذا بدا الاستدلال الواحد رخيصا، فإنه يتكرر كلما كبر الكتالوج أو احتاج إلى تحديث. وقد تصبح تكلفة صغيرة لكل منتج مهمة عندما تصل العملية إلى عشرات الملايين من السجلات.

لذلك يغير الحجم القرار. كلما زاد تكرار المعالجة، أصبح البحث في نموذج متخصص أكثر منطقية.

ماذا يعني تدريب نموذج SLM للعمل مع المنتجات؟

يشير SLM إلى small language model، أي نموذج لغوي صغير. الفكرة هي استخدام نموذج بمعلمات أقل وتكييفه لمهمة محددة، مثل استخراج السمات من أوصاف المنتجات.

في الضبط الدقيق، يتلقى النموذج أمثلة للمدخلات والمخرجات المطلوبة. فيتعلم كيف ينفذ العملية، وأي حقول يملأ، ومتى يترك القيمة فارغة.

من التقنيات المستخدمة LoRA، التي تتيح تدريب عدد أقل من المعلمات بدلا من تحديث جميع أوزان النموذج. قد يقلل ذلك الذاكرة اللازمة للتدريب. لكنه لا يعني وحده أن الاستدلال سيصبح أرخص بنسبة 98%. فالتكلفة النهائية تعتمد أيضا على النموذج وطريقة تشغيله.

يمكن أيضا استخدام نموذج أكبر لإنتاج أمثلة تدريب ونقل جزء من قدرته إلى نموذج أصغر. تعرف هذه العملية بالتقطير. وبعد التدريب، ينفذ النموذج الصغير مهمة كانت تعتمد على الكبير.

عمليا، تركز الشركة عمل التكييف قبل التشغيل على نطاق واسع. وبدلا من الدفع باستمرار مقابل قدرات نادرا ما تستخدمها، تشغل نموذجا جرى إعداده للعملية.

لا تكون هذه الاستراتيجية منطقية إلا إذا ظل السلوك المتعلم مفيدا مدة تكفي لتعويض التدريب والصيانة. وتساعد نتائج 2026 على تقدير هذا الاحتمال.

ناقش هذا القرار

هل لديك عملية ذكاء اصطناعي متكررة؟ اترك بريدك وسأرد كتابة بشأن جدوى التخصص.

يُستخدم بريدك للرد على هذا الطلب فقط.

دراسة وجدت انخفاضا بنسبة 98% في تكلفة الاستدلال

في يوليو 2026، نشر Lakshman Kolasani وFatemeh Taheri Dezaki دراسة Progressive Fine-Tuning for Cost-Effective Structured Attribute Generation in E-commerce في المسار الصناعي لمؤتمر ACL.

كيف الباحثان Amazon Nova 2 Lite باستخدام LoRA لتوليد السمات عند إدراج المنتجات. وكانت المقارنة الأساسية مع Claude Sonnet 4.5، الذي قدم حينها أفضل النتائج للمهمة بين النماذج التي اختبرها الفريق.

بلغ الانخفاض المقدر في تكلفة استدلال النموذج المعدل 98%، بناء على الأسعار العامة للنماذج وقت التجارب. كما انخفض زمن الاستجابة p90 بنحو 70%. أي إن الوقت الذي تكتمل خلاله 90% من الإجابات أصبح أقصر.

لم تقتصر الدراسة على الاختبارات الداخلية. في تجربة مع مستخدمين حقيقيين، بلغت نسبة قبول اقتراحات النموذج الصغير 86.4%، مقابل 88.3% لدى Claude Sonnet 4.5.

لكن هناك تفصيلا لا يمكن تجاهله. بلغت نسبة ملء السمات المقبولة للنموذج الأصغر 59.1%، مقابل 63.0% للنموذج الأكبر. ووفقا للباحثين، كانت الفروق ذات دلالة إحصائية.

إذن لم يصاحب التوفير أداء مطابق في الإنتاج. والقرار التجاري هو تقييم ما إذا كان فرق الجودة يبرر خفض التكلفة، وكيفية التعامل مع الحقول التي يعجز النموذج عن ملئها.

وتقدم الدراسة فكرة للتدريب: اختيار أمثلة جديدة بناء على المعلومات التي لم يستخرجها النموذج رغم وجودها في الكتالوج. بدلا من توسيع بيانات التدريب بلا تمييز، ركز الفريق الجولة الثانية على الحالات التي ظهر فيها فرق أكبر بين الكتالوج والتوقعات.

بجولتين من ألف مثال لكل جولة، ارتفعت نسبة الملء الصحيح من 66.03% إلى 74.20% في التقييم غير المتصل. ظهر التحسن في مجموعة الاختبار المستخدمة، رغم بقاء الأداء في الإنتاج دون النموذج الأكبر.

الدرس للسوق الإلكترونية بسيط: يمكن لأخطاء الكتالوج نفسه أن تساعد في اختيار بيانات التدريب التالية. لكن يجب التأكد من صحة المحتوى الموجود قبل اعتباره مرجعا.

دراسة أخرى عالجت 30 مليون منتج بنحو 5 آلاف دولار

نشرت دراسة Scaling E-Commerce Attribute Extraction with Parallel Decoding، لـNikhita Vedula وزملائها، في أكتوبر 2026، وبحثت المشكلة من زاوية أخرى.

بدأ الفريق بسؤال تتجاهله عمليات كثيرة: أي السمات تساعد المشتري فعلا على التمييز بين منتجات فئة واحدة؟

يحدد نموذج أكبر السمات المهمة أولا. ثم يستخرج Qwen3-4B معدل القيم من الأوصاف. يستخدم النظام Hyper-Parallel Decoding (HPD)، الذي يولد قيم عدة سمات بالتوازي بدلا من إنتاجها جميعا بالتتابع.

اقتربت نسبة الاستخراج الصحيح من 85%، على نحو مماثل للنموذج الأكبر المرجعي. وشمل البحث تقييما بشريا لـ500 منتج وجد نسبة نجاح تقارب النسبة نفسها.

يظهر الفرق الاقتصادي عند معالجة 30 مليون منتج:

الإعداد الذي جرى تقييمه تكلفة الاستدلال المقدرة الزمن المقدر
النموذج المرجعي عبر API بالدفعات 63 ألف دولار أمريكي أكثر من 300 ساعة، دون انتظار الطوابير
Qwen3-4B بالتوليد التقليدي 46 ألف دولار أمريكي 333 ساعة
Qwen3-4B مع HPD 5 آلاف دولار أمريكي 36 ساعة

هذه القيم كما أوردها الباحثون لإعداد الدراسة، وليست أسعارا حالية للخدمات السحابية. وقدر الفريق أيضا نحو 350 دولارا لمرحلة ضبط دقيق تستخدم ثماني وحدات GPU من نوع A100، من دون أن يشمل ذلك جميع تكاليف البيانات والتطوير.

يلفت التوفير البالغ 92% مقارنة بالنموذج المرجعي الانتباه، لكن يجب التمييز بين أسبابه: لم ينتج عن الضبط الدقيق وحده. كان التشغيل باستخدام HPD حاسما. فقد كلف Qwen3-4B نفسه أكثر بكثير عند توليد السمات بالطريقة التقليدية في التجربة.

توضح المقارنة أن اختيار نموذج أصغر ليس إلا جزءا من الحل. فتشكيل المخرجات وطريقة الاستدلال قد يغيران تكلفة معالجة الكتالوج كثيرا.

استخدمت الدراسة نصوص منتجات بالإنجليزية. ويتطلب تطبيقها مباشرة على كتالوجات بالبرتغالية تقييما مستقلا، خصوصا مع الأوصاف الناقصة أو اختلاف طرق كتابة الوحدات.

ماذا يحدث عندما يخطئ النموذج الصغير؟

هنا تفقد كثير من مقترحات التوفير قدرتها على الإقناع.

قد تضر السمة الخاطئة بالمرشحات والمقارنات. وإذا احتاجت العملية إلى مراجعة عدد كبير من السجلات يدويا، انخفضت قيمة الوفر في الاستدلال.

في أكتوبر 2026، بحث مقال آخر من المسار الصناعي لمؤتمر EMNLP، When to Defer: Scope-Aware Cascades for Structured Attribute Generation in E-commerce Product Catalogs، كيفية اختيار إجابات SLM التي ينبغي قبولها.

راعى الحل ثقة النموذج والمهمة التي ينفذها معا. فقد يصيب النموذج كثيرا في سمة ويخطئ كثيرا في أخرى. ولا يعكس حد ثقة واحد للجميع هذا الفرق جيدا.

باستخدام آلية اختيار تراعي نوع المنتج والسمة، تمكن الباحثون من قبول توقعات أكثر بمقدار 11.4 نقطة مئوية مقارنة بحد عام للثقة، مع الحفاظ على دقة الإجابات المقبولة نفسها، البالغة 90.3% في نقطة التقييم تلك.

هذا لا يعني أن SLM أصبح أدق بنسبة 11.4%. بل يعني الاستفادة من إجابات أكثر من دون خفض الدقة المقاسة.

الأثر التشغيلي مهم. يمكن للنموذج الصغير معالجة معظم الحجم، بينما تحال الحالات الأعلى خطرا إلى المراجعة أو نموذج آخر. ولا يتطلب كل خطأ نموذجا أكبر: أحيانا يكون الأفضل ترك الحقل بلا إجابة حتى تتوفر معلومات كافية.

لا يلزم استخدام النموذج الأغلى مع كل المنتجات. المطلوب معرفة متى يمكن استخدام الإجابة الأرخص.

كيف تعرف إن كان الضبط الدقيق مجديا لسوقك الإلكترونية؟

ابدأ بفئة تستقبل منتجات كثيرة وتحتاج باستمرار إلى ملء الحقول أو تصحيحها. قس مهمة محددة قبل توسيع الحل إلى الكتالوج بأكمله.

افصل المنتجات إلى تدريب وتحقق واختبار. احتفظ في الاختبار بمنتجات لم يرها النموذج أثناء التكييف، وأدرج أوصافا تمثل التدفق الحالي. وإلا فقد تبدو النتيجة أفضل مما ستكون عليه في التشغيل.

قارن النظام الموجود بنموذج SLM غير معدل، ثم بالنموذج نفسه بعد الضبط الدقيق. وإذا كنت مهتما بـHPD أو تقنية استدلال أخرى، فقارنها بشكل منفصل. بذلك تميز أثر التدريب من أثر التنفيذ.

بعد ذلك، قيم النتائج لكل سمة، لا لكل منتج فقط. فقد يخفي المتوسط إخفاقات مركزة في أهم الحقول تجاريا. وقس أيضا عدد السجلات التي تحتاج إلى مراجعة وعدد السجلات غير المكتملة.

يجب أن يشمل المقياس الاقتصادي تكلفة تسليم سمة صحيحة ومعتمدة، لا سعر توليد إجابة فقط:

تكلفة السمة المعتمدة = (الاستدلال + المراجعة + التصحيح + البنية التحتية + التدريب الموزع على الاستخدام) ÷ عدد السمات المعتمدة بصورة صحيحة.

يجب أن تغطي جميع التكاليف الفترة نفسها. وتوزع تكلفة التدريب على الحجم المتوقع معالجته قبل تكييف جديد.

يمنع هذا الحساب خطأ شائعا: اعتبار النموذج أقل كلفة لأن GPU أرخص، من دون حساب العمل اللازم لتصحيح المخرجات.

مع تحديثات متكررة وحجم مرتفع، يكون SLM المعدل خيارا يستحق الاهتمام. يمكن توزيع الاستثمار الأولي على عمليات استخراج كثيرة. أما الكتالوج محدود الحجم فقد لا يوفر ما يكفي لتبرير بنية مخصصة.

معيار التوسع واضح. إذا قدم SLM السمات المطلوبة، وأبقى الأخطاء ضمن الحد التشغيلي، وخفض تكلفة السمة المعتمدة، فهناك أساس لتوسيع استخدامه.

ناقش هذا القرار

هل لديك عملية ذكاء اصطناعي متكررة؟ اترك بريدك وسأرد كتابة بشأن جدوى التخصص.

يُستخدم بريدك للرد على هذا الطلب فقط.

قد يكون مكسب الكفاءة التالي في كتالوجك، لا في نموذج LLM أكبر

تظهر دراسات 2026 أن إثراء المنتجات بنماذج صغيرة لم يعد مجرد احتمال مختبري. هناك نتائج نشر ومقارنات تكلفة وطرق لاختيار الإجابات القابلة للاستخدام.

الأرقام كبيرة: انخفاض مقدر بنسبة 98% في تكلفة الاستدلال في دراسة و92% في أخرى. تحققت في ظروف مختلفة، ولا ينبغي اعتبارها وعدا بالتوفير لأي سوق إلكترونية.

الخلاصة المهمة مختلفة. عندما تكون المهمة استخراج سمات ملايين المنتجات، فمن المنطقي البدء بتخصيص نموذج أصغر وقياس جودته وتحسين طريقة تنفيذ المهمة. الإبقاء على نموذج عام في كل المراحل قد يعني الدفع المستمر مقابل قدرات لا تستخدمها العملية.

إذا احتاجت شركتك إلى تقييم القرار ببياناتها وحجمها ومتطلبات جودتها، تعمل Huyawo Solutions على اختيار النماذج وتكييفها لمشكلات الأعمال. ويتم التواصل كتابة.

الدراسات والوثائق المستخدمة

  1. Kolasani وDezaki، Progressive Fine-Tuning for Cost-Effective Structured Attribute Generation in E-commerce، ACL Industry Track، يوليو 2026.
  2. Vedula وزملاؤها، Scaling E-Commerce Attribute Extraction with Parallel Decoding، AKBC، أكتوبر 2026.
  3. Mansoori وزملاؤه، When to Defer: Scope-Aware Cascades for Structured Attribute Generation in E-commerce Product Catalogs، EMNLP Industry Track، أكتوبر 2026.
  4. Hugging Face، وثائق LoRA في PEFT.
Antonio V. Franco
عن الكاتب:

Antonio V. Franco

مهندس ذكاء اصطناعي ومؤسس Huyawo Solutions

أنطونيو في. فرانكو مهندس ذكاء اصطناعي ومؤسس Huyawo Solutions ومنظومة Huyawo بأكملها. يركز عمله على البحث وتطوير وتحسين وكلاء الذكاء الاصطناعي ونماذجه، مع اهتمام خاص بالكفاءة والنماذج المفتوحة. ويجمع على رأس Huyawo بين الهندسة والبحث والرؤية التجارية لتطوير التقنيات وإنتاج المعرفة ومساعدة الشركات على حل تحدياتها باستخدام الذكاء الاصطناعي. كما يشارك نتائجه عبر المقالات والمشاريع مفتوحة المصدر، مساهمًا في تقدم هذا المجال.

تابع أنطونيو:
هل تواجه تحديًا في هندسة الذكاء الاصطناعي؟

صِف السياق والقيود.

Huyawo Solutions
01 / 06

كيف يمكنني مساعدتك؟

اشرح القرار الهندسي الذي تواجهه. اختر رسالة مباشرة أو وصفًا تقنيًا منظمًا.

سيصبح الإرسال الآمن متاحًا بعد التفعيل.

كيف يمكنني مساعدتك؟

اشرح القرار الهندسي الذي تواجهه. اختر رسالة مباشرة أو وصفًا تقنيًا منظمًا.

H.