تحويل تعليقات المدير البالغة 73 إلى مجموعة بيانات: إنشاء توأم رقمي للمراجع

يكتب موظف في مؤسسة كبيرة تقارير جدوى تقنية لمشاريع الذكاء الاصطناعي، وهي مهمة قام بأتمتتها باستخدام وكيل يعتمد على نموذج لغوي كبير (LLM – Large Language Model) يجمع وثائق المشروع، ويستخرج النصوص منها، ويعبئ ملف JSON بنية منظمة، ثم يُنشئ ملف DOCX بناءً على قالب جاهز. بعد تسليم تسعة تقارير، أعاد مديره التقارير مع 73 تعليقًا، كان كثير منها مكررًا ويتعلق بغياب المصادر، وادعاءات غير مدعومة بأدلة، وتناقضات في المحتوى. استخدم الموظف لغة بايثون (Python) لاستخراج التعليقات من ملفات DOCX، ثم استعان بنموذج لغوي كبير لتصنيف التعليقات الـ73 إلى 16 نمطًا موزعة على ست فئات، شملت: الالتزام بالتوجيهات الأساسية، الدعم بالأدلة، حدود الكفاءة، الخيارات المعمارية، عمق الأسئلة، والتدرج في مراحل الاعتماد. وتبيّن له أن معظم التعليقات كانت ذات طابع معرفي (إبستمولوجي) بامتياز، إذ يطالب المدير بتوضيح حالة كل ادعاء بدقة، نظرًا لأن النموذج اللغوي يولّد نصًا بثقة متساوية في كل الأحوال، بصرف النظر عن مدى صحته أو دقته. أجرى الموظف ثلاثة تعديلات على مسار العمل (pipeline): أولًا، وضع علامة على كل ادعاء لتوضيح مصدره، إما [B] للإشارة إلى أنه مستمد من التوجيه الأساسي (brief)، أو [E] للإشارة إلى أنه تقدير من خبير، أو [D] للإشارة إلى أنه افتراض. ثانيًا، إضافة قائمة تحقق (checklist) كخطوة مستقلة ضمن مسار العمل. وثالثًا، تخزين هذه القائمة في الذاكرة الدائمة للوكيل. ونتيجة لذلك، مرت الوثائق الأربع التالية دون أي تعليقات مكررة، ولم تظهر سوى ملاحظات جوهرية جديدة فقط. ويُقر الكاتب بأن حجم العيّنة محدود، وأن جزءًا من هذا التحسن قد يكون ناتجًا عن عملية وضع علامات المصادر نفسها، مؤكدًا أن الهدف من هذه الآلية ليس تجاوز المراجع (المدير) أو الالتفاف عليه، بل صياغة معايير الجودة الضمنية التي يعتمدها المراجع بشكل رسمي وواضح.