في جملة واحدة
تقنية GEPA من Databricks تعد بمكاسب ملموسة عبر توجيهات أذكى، مع خفض محتمل لتكاليف تقديم نماذج الذكاء الاصطناعي (serving) والتفوق على الضبط الدقيق (fine-tuning). وتضيف الشراكة مع OpenAI وصولاً أصيلاً إلى GPT-5، ما يعزّز نهجاً متعدد النماذج يرتكز على التحسين أولاً للمؤسسات.
كشفت Databricks عن بحث جديد حول جيبا (GEPA: Generative Evolutionary Prompt Adaptation)، وهي تقنية تعيد صياغة التوجيهات تلقائياً للحصول على نتائج أفضل من نماذج الذكاء الاصطناعي. وبدل الضبط الدقيق لأوزان النموذج (fine-tuning)، تستعين GEPA بما يُعرَف بحلقة النقد الذاتي (self-critique loop) — انعكاس باللغة الطبيعية — لتحسين صياغة الأسئلة تدريجياً. تقول Databricks إن GEPA ترفع أداء المهام بمقدار 4–7 نقاط مئوية عبر مجالات متعددة، وتمكّن النماذج الأصغر والأقل كلفة من بلوغ مستوى الجودة المطلوب. وعلى نطاق واسع، تشير الشركة إلى أن نموذجاً مفتوح المصدر جرى تحسينه عبر GEPA يمكنه التفوق على بدائل مدفوعة متميزة بكلفة جزء بسيط، مع خفض تكاليف تقديم النماذج (serving) بما يصل إلى 90 مرة مقارنةً بـ Claude Opus 4.1 عند 100,000 طلب، وخفضٍ بنحو 20% مقارنةً بالضبط الدقيق تحت الإشراف (supervised fine-tuning)، فضلاً عن تقليص وقت هندسة التوجيهات اليدوية (prompt engineering).
إلى جانب البحث، أعلنت Databricks عن شراكة مع OpenAI بعوائد متوقعة قدرها 100 مليون دولار، تتيح وصولاً أصيلاً إلى GPT-5 داخل منصة Databricks — من دون الحاجة إلى عقد منفصل مع المورِّد أو مفتاح واجهة برمجة التطبيقات (API key). ويمكن للفرق استدعاء GPT-5 مباشرةً من SQL. وتكمل هذه الخطوة تكاملات Anthropic وGoogle Gemini القائمة ضمن استراتيجية متعددة النماذج لدى Databricks. رسالة الشركة للمؤسسات واضحة: استثمروا أولاً في التقييم (evaluation) وتحسين التوجيهات (prompt optimization) — عبر Agent Bricks وGEPA — قبل الافتراض بأن الحل هو الضبط الدقيق (fine-tuning)، وأعيدوا النظر في اقتناء النماذج في ضوء أن التحسين بعد النشر (post-deployment optimization) بات قادراً على تقديم أداء بمستوى متميز دون بطاقات أسعار متميزة.
النقاط الرئيسية
- تحسّن GEPA التوجيهات تلقائياً عبر حلقة نقد ذاتي (self-critique loop)، ما يرفع جودة أداء المهام الواقعية بمقدار 4–7 نقاط مئوية.
- تزعم Databricks أن GEPA يمكن أن تجعل تقديم النماذج أقل تكلفة بما يصل إلى 90 مرة على نطاق واسع، وأن تخفّض التكاليف بنحو 20% مقارنةً بالضبط الدقيق تحت الإشراف (supervised fine-tuning).
- يمكن للتحسين رفع النماذج الأصغر والأقل كلفة إلى مستوى الجودة المطلوب، موفّراً الموارد الحاسوبية ووقت الهندسة.
- شراكة OpenAI تجلب وصولاً أصيلاً إلى GPT-5 داخل Databricks (بما في ذلك الاستدعاء من SQL)، إلى جانب تكاملات Anthropic وGoogle Gemini.
- دليل للمؤسسات: ابنوا تقييمات قوية خاصة بالمهام، قارِنوا بين تحسين التوجيهات والضبط الدقيق، وأعيدوا النظر في افتراضات اقتناء النماذج.
المصادر: 1