أصبح من الممكن أتمتة جزء كبير من سير عمل البحث باستخدام أدوات الذكاء الاصطناعي مفتوحة المصدر، مع الاحتفاظ بالبيانات والملفات وسجل العمليات على أجهزة المستخدم أو خوادمه الخاصة. ويمنح هذا الأسلوب الباحثين والمطورين والمهنيين قدرًا أكبر من التحكم في طريقة معالجة المعلومات بدل الاعتماد الكامل على الخدمات السحابية المغلقة.
تعتمد أتمتة البحث بالذكاء الاصطناعي على ربط نماذج الذكاء الاصطناعي مفتوحة المصدر بأدوات لجمع المعلومات وتنظيمها وتحليلها وتلخيصها. ويمكن لهذه الأنظمة تنفيذ مهام متكررة مثل البحث في المستندات، استخراج البيانات، تصنيف المصادر وإنشاء ملخصات، مع إمكانية تخصيص سير العمل وفق احتياجات المستخدم.
الميزة الأهم هي التحكم في البيانات. فعند تشغيل الأدوات محليًا أو على خادم يملكه المستخدم، يمكن تقليل الحاجة إلى إرسال المعلومات الحساسة إلى منصات خارجية. ومع ذلك، يعتمد مستوى الخصوصية على طريقة إعداد النظام، ومكان تشغيل النموذج، والصلاحيات الممنوحة للأدوات المتصلة به.
تُعدّ خدمات الذكاء الاصطناعي عبر الإنترنت وسيلةً رائعةً للبحث في المستندات الطويلة وتحليلها، لكنها تنطوي على بعض العيوب. فبياناتك محفوظة لدى جهة أخرى، وتستهلك رصيدًا من الرموز أو تتطلب اشتراكًا للوصول إليها، كما تحتاج إلى اتصال بالإنترنت لكي تعمل. بالانتقال إلى نهج محلي فقط، أضمن عدم تسريب أي مستندات حساسة عن طريق الخطأ، ولا داعي للقلق بشأن استخدام بياناتي الخاصة لتدريب نماذج سحابية.
سير عمل بحثي محلي
جمع البيانات، وتلخيصها، وتضمينها، واسترجاعها، كل ذلك محليًا.
عندما شرعتُ في إنشاء مساعد بحثي محلي يعمل بالذكاء الاصطناعي، كان الهدف هو جمع كمية كبيرة من المعلومات، ثم استخدام الذكاء الاصطناعي لتحليلها وفرزها، بدلاً من الاعتماد على ما “يعرفه” الذكاء الاصطناعي.
بمجرد جمع مورد معين – كملف PDF مثلاً – يُنتج نموذج محلي ملخصاً مُنظماً، ويستخرج تلقائياً النقاط الرئيسية والمصادر والأسئلة ذات الصلة. بعد ذلك، تُدمج المستندات (وهي عملية تقسيمها وتحويلها إلى متجهات) بحيث يُمكن للذكاء الاصطناعي البحث بسهولة بناءً على الغرض أو المعنى الضمني، بدلاً من البحث الحرفي بالكلمات المفتاحية.
بمجرد تشغيل كل شيء، سيعمل النظام بأكمله بشكل مشابه لجهاز NotebookLM الشخصي الخاص بي.
إعدادات البرنامج: Ollama للاستدلال، ونموذج تضمين صغير، وRAG.
يتكون هذا الإعداد من ثلاثة أجزاء رئيسية: طبقة الاستدلال، ونموذج التضمين، ونموذج لغة ابتدائية (LLM) يدعم توليد البيانات المعزز بالاسترجاع (RAG).
استخدمتُ Ollama لطبقة الاستدلال لأنها تُبسط عملية إعداد ملف llama.cpp بشكل كبير. فهي تُتيح استيراد مجموعة واسعة من نماذج الذكاء الاصطناعي وتشغيلها بأمر أو أمرين فقط، كما أنها متوافقة مع معظم النماذج التي أرغب في استخدامها.
لإدارة عملية التضمين، أُجرّب حاليًا EmbeddingGemma. يتمثل القيد الرئيسي فيها في عدم قدرتها على التعامل مع الصور. إذا كنتَ بحاجة إلى التعامل مع الصور، أو إذا كنتَ ترغب فقط في تجربة شيء آخر، فإن Qwen3-VL-Embedding خيار مناسب. يوجد لكليهما إصدارات صغيرة الحجم بما يكفي لتشغيلها على أي وحدة معالجة رسومية حديثة. في الوقت الحالي، أقوم بتفعيل/إيقاف المُضمّن يدويًا، ولكنني سأُنشئ لاحقًا عملية مراقبة تعمل تلقائيًا عند إضافة أي ملف جديد.
يمكنك اختيار واجهة المستخدم التي تناسبك، فـ AnythingLLM و Open WebUI خياران سهلان وشائعان لأنهما يتوليان معظم العمليات المعقدة في الخلفية. أستخدم AnythingLLM حاليًا.
قاعدة البيانات المحلية آمنة وغير مكلفة.
توقف عن إهدار الرموز على RAG
إذا كنت تدفع مقابل خدمة ذكاء اصطناعي سحابية، سواءً باشتراك ثابت أو بنظام الدفع حسب الاستخدام، فليس من المنطقي إنفاق المال على خدمة يمكنك الحصول عليها مجانًا محليًا.
بمجرد تشغيل كل شيء، ستكون تكلفة الكهرباء هي التكلفة الوحيدة المستمرة. بالطبع، أنت مقيد أيضًا بمواصفات جهازك. إذا كان لديك معالج رسومات متوسط القوة، فسيكون الذكاء الاصطناعي المحلي سريعًا جدًا. أما إذا كنت تستخدم معالجًا مركزيًا فقط، فتوقع أن يكون أبطأ بكثير.
أنا لست مقيدًا بجهاز الكمبيوتر المكتبي أيضًا. لقد قمت بتهيئة Ollama ليكون متاحًا لأي جهاز على شبكتي، مما يعني أنه يمكنني ببساطة توصيل حاسوبي المحمول أو هاتفي. تُرسل النتائج من وإلى حاسوب الألعاب الخاص بي، والذي يُشغّل “عقل” النظام على معالج رسومات 5070 Ti.
أما مسألة الخصوصية فهي أقل أهمية.
الذكاء الاصطناعي رائع من نواحٍ عديدة، لكن لا يمكنك التعامل مع نماذج السحابة على أنها خاصة تمامًا. هناك بعض المشاكل الكبيرة.
أولاً، هناك مشكلة أساسية: عند تحميل أي ملف إلى خدمة ذكاء اصطناعي، يُخزّن على خادم ويب لفترة غير محددة. في حال حدوث أي خلل واختراق شركة الذكاء الاصطناعي، قد يُعرّض ملفك للخطر أيضاً.
ثانياً، هناك مشكلة التدريب. تتيح معظم شركات الذكاء الاصطناعي الكبرى إمكانية تعطيل تدريب الذكاء الاصطناعي الجديد على محادثاتك، ولكن من السهل ترك هذا الخيار مُفعّلاً عن طريق الخطأ. إذا كنت تعمل على ملف يتطلب القانون الحفاظ على خصوصيته، فإن هذا الاحتمال غير مقبول.
ثالثاً، هناك مشكلة المشاركة غير المقصودة. يعمل كل من ChatGPT وClaude بطريقة تسمح لمحركات البحث بفهرسة المحادثات، ما يعني أنه من الممكن نظرياً أن يصل شخص ما إلى محادثتك المشتركة عبر جوجل أو DuckDuckGo.
أما جودة وسرعة الاستدلال الخام فهي أقل قليلاً.
يكمن النقص الرئيسي في الأداء في الاستدلال. تتميز النماذج الرائدة، والتي عادةً ما تكون سحابية فقط، بقدرة أفضل على التفكير والتحليل من النماذج المحلية الصغيرة عند طرح سؤال تحليلي معقد.
لا يمكنك تزويد نظام ذكاء اصطناعي محلي بكمية كبيرة من الوثائق وتتوقع منه استخلاص استنتاجات علمية جديدة؛ فالعقبات كثيرة للغاية.
يُشغّل هذا النظام الأبحاث في جميع مشاريع الذكاء الاصطناعي الخاصة بي.
لا يزال أرشيفي في بداياته، لكنني دمجته أيضًا مع مساعدي الصوتي الذكي. هذا يعني أنه يُمكن الوصول إلى كل ما أقوم بتنزيله وإضافته من خلال التحدث إليه.
يبدو النظام بأكمله متطورًا للغاية. يُمكنني الجلوس، وسؤال روبوت Discord الخاص بي أو مساعدي المنزلي عن بحث محدد قدمته، وسيتحدثان معي عنه في الوقت الفعلي. ثم يُمكنهما الإجابة على الأسئلة المتعلقة بالمحتوى بشكل تلقائي.
يمكن للذكاء الاصطناعي مفتوح المصدر أن يحوّل سير عمل البحث من مجموعة من المهام اليدوية المتكررة إلى عملية مؤتمتة وأكثر قابلية للتخصيص. والأهم أن تشغيل الأدوات محليًا أو على خادم خاص يمنح المستخدم تحكمًا أكبر في بياناته مقارنة بالاعتماد الكامل على الخدمات الخارجية.
إذا كنت تتعامل مع معلومات حساسة أو تنفذ مهام بحث متكررة، فابدأ بأتمتة خطوة واحدة فقط، ثم وسّع سير العمل تدريجيًا مع مراجعة الصلاحيات وإعدادات الخصوصية قبل الاعتماد عليه بشكل كامل.
