Parashar: بناء منتج ذكاء اصطناعي من خبرة المجال

الملخص التنفيذي

Parashar منتج ذكاء اصطناعي للمستهلك يطبّق تحليلًا تنبؤيًا على مجال معرفة تقليدي معقد. يعمل النظام على بيانات مواقع فلكية (Swiss Ephemeris) مع آلاف القواعد التفسيرية — مجال كثيف الحساب يتطلب مدخلات دقيقة واستدلالًا طبقيًا. تحدي المنتج كان استراتيجيًا: أي أنظمة تحليل تُأولَى، وكيف تُهندَس حلقات AI لتطبيق قواعد مترابطة بشكل صحيح، وكيف تُجعل المخرجات الكثيفة متعددة الأبعاد قابلة للاستخدام لغير الخبراء. مشروع جانبي من اهتمام فكري حقيقي — واختبار واقعي لكيف تشكل خبرة المجال تفكير منتج الذكاء الاصطناعي.

1. المشكلة

للمجال المستهدف ثلاث خصائص تجعله صعب الخدمة بالبرمجيات:

تعقيد القواعد. يعمل المجال على آلاف المتغيرات المترابطة من بيانات مواقع فلكية (عبر Swiss Ephemeris). يتطلب تحليل واحد إحالة متقاطعة لأنظمة تحليل متعددة لكل منها قواعد واستثناءات ومعدّلات سياقية. يقضي الخبراء سنوات لتعلّم التنقل في هذه التفاعلات.

كثافة الحساب. إنتاج تحليل كامل يدويًا يتطلب حساب مواقع الكواكب بدقة دقيقة القوس ثم تطبيق قواعد تفسيرية طبقية عبر عشرات النقاط. قد يقضي الخبير ساعات في قراءة واحدة. الحساب حتمي في الطبقة الفلكية لكن الطبقة التفسيرية تتطلب حكمًا سياقيًا عبر أنظمة متنافسة.

حراسة الخبرة. الوصول لتحليل جيد يتطلب ممارسًا ماهرًا. لا شهادة معيارية، والجودة تتفاوت بشدة، والمعرفة تُنقل تقليديًا بالتلمذة. معظم المستهلكين لا يميزون التحليل الصارم عن العمل السطحي.

الفرصة

إذا كانت البيانات الفلكية دقيقة (يوفرها Swiss Ephemeris) والقواعد قابلة للترميز، يمكن لنظام AI تطبيقها على نطاق واسع. أطروحة المنتج: إضفاء الديمقراطية على الوصول لتحليل بمستوى الخبراء بدمج حساب علمي دقيق مع تطبيق قواعد بالذكاء الاصطناعي واستدلال سياقي.

2. استراتيجية المنتج: ماذا نبني

تحديد نطاق النظام

للمجال أكثر من 10 أنظمة تحليل تغطي أبعادًا مختلفة. إدراجها كلها ينتج مخرجات شاملة لكنها مرهقة؛ القليل جدًا ينتج عملًا سطحيًا يرفضه الخبير.

السؤال الاستراتيجي: ما الحد الأدنى لتغطية الأنظمة الذي ينتج تحليلًا مفيدًا وموثوقًا؟ تحديد نطاق v1 كلاسيكي — نفس مشكلة كل مدير منتج.

النهج: رتّب أنظمة التحليل بثلاثة معايير:

1. التغطية — أي نسبة من أسئلة المستخدم يعالجها هذا النظام؟
2. الحتمية الحسابية — هل يمكن ترميز القواعد بموثوقية أم تحتاج حكمًا ذاتيًا؟
3. التبعية بين الأنظمة — هل يغذي مخرج هذا النظام أنظمة أخرى؟ (إن نعم فهو بنية تحتية لا اختياري)

الأنظمة عالية الدرجات على الثلاثة تُنشر أولًا. ما يحتاج حكمًا سياقيًا ثقيلًا يُعلَّم لتكرارات لاحقة.

قرار ما يجب على الذكاء الاصطناعي فعله وما لا يجب

ليس كل جزء من المجال يجب أتمتته. الإطار الاستراتيجي:

3. هندسة حلقات الذكاء الاصطناعي

التحدي الجوهري

منتجات AI القياسية تتعلم من أنماط البيانات. Parashar يحتاج تعلّم أنظمة قواعد — آلاف شروط if-then مترابطة وتجاوزات هرمية وأوزان سياقية. تُهندَس حلقات AI لـ:

1. استيعاب بيانات فلكية دقيقة — يوفر Swiss Ephemeris مواقع الكواكب والجوانب والتوقيت بدقة دقيقة القوس.
2. تطبيق تتابعات القواعد — أنظمة تحليل متعددة تعمل بالتسلسل؛ كل منها ينتج مخرجات وسيطة تغذي التالي.
3. حل التعارضات — عند تناقض نظامين يتبع إطار حل مرجّح أعراف المجال.
4. توليد مخرجات طبقية — الإشارة الأساسية أولًا، التحليل الداعم ثانيًا، الحالات الحدية والتحفظات ثالثًا.

معايير تقييم الهندسة

«الصحيح» هنا يتجاوز الدقة الإحصائية:

• دقة الموقع — الحسابات تطابق Swiss Ephemeris بدقة دقيقة القوس
• وفاء القواعد — تطبيق قواعد كل نظام كما يفعل خبير المجال
• ترجيح الأنظمة — حل التعارض يطابق إجماع الخبراء على هرمية الأنظمة
• الاكتمال — يغطي المخرج الأنظمة ذات الصلة بنوع الاستعلام دون حذف أبعاد تغيّر الخلاصة

تأتي هذه المعايير من خبرة المجال لا من مجموعات بيانات موسومة. من يعرّف «شكل الصحيح» يجب أن يكون خبير المجال — لا مهندس تعلم آلة يقارب الصحة من بيانات التدريب.

4. تجربة المستخدم: جعل التعقيد قابلًا للوصول

ينتج المجال مخرجات كثيفة متعددة الأبعاد. قد يغطي تحليل كامل أكثر من 10 أبعاد معًا. عرض كل شيء دفعة يرهق؛ القليل جدًا يجعل المنتج سطحيًا.

5. ما يبيّنه هذا عن تفكير المنتج

خبرة المجال كميزة استراتيجية

تُبنى معظم منتجات AI بفرق تتعلم ما يكفي عن المجال للشحن. Parashar يعكس ذلك — استراتيجي المنتج هو خبير المجال. ذلك يقطع خسارة الترجمة التي تضعف منتجات AI عادة:

• لا فجوة مواصفة-تنفيذ. من يحدد النطاق يفهم الحالات الحدية وتفاعلات الأنظمة وعتبة الجودة.
• معايير التقييم تعكس خبرة حقيقية. «المخرج الصحيح» يضعه من يعرف ماذا ينتج الخبير.
• أولويات UX مستندة للمجال. ماذا يُعرض أولًا، وكيف يُعالَج التعارض، وما يعنيه الإفصاح التدريجي هنا — متجذر في الممارسة.

استراتيجية منتج + هندسة AI، لا هندسة تعلم آلة

يمتد الدور عبر رؤية المنتج وهندسة حلقات AI وهندسة النظام واستراتيجية UX — لا تدريب النماذج أو البنية التحتية:

6. الوضع الحالي

مشروع جانبي نشط (2024–الآن). رؤية المنتج معرّفة، وأنظمة التحليل محددة الأولوية، وهندسة حلقات AI محددة، ومعايير التقييم قائمة، واستراتيجية UX مصممة. بُني من اهتمام فكري حقيقي بالمجال — طبقة حساب علمية مع تفسير قائم على القواعد، واختبار واقعي لاستراتيجية منتج الذكاء الاصطناعي.

7. الخلاصات الرئيسية

عن الترجمة من المجال إلى المنتج: أصعب جزء في منتج AI ليس الذكاء الاصطناعي — بل تحديد النطاق الاستراتيجي. أي قواعد تُرمَّز، وأي أنظمة تُؤجَّل، وأين يضيف AI قيمة مقابل ثقة زائفة. قرارات منتج لا قرارات هندسة.

عن هندسة حلقات AI: عندما يطبّق الذكاء الاصطناعي أنظمة قواعد (لا إيجاد أنماط) ينتقل التحدي من بيانات التدريب إلى وفاء القواعد. يجب أن تأتي معايير التقييم من خبرة المجال لا من المعايير الإحصائية وحدها.

عن جعل التعقيد قابلًا للوصول: الإفصاح التدريجي استراتيجية منتج لا نمط UX فقط. ما تدفعه للمستوى 2 أو 3 يحدد إن كان المنتج يُمكِّن أم يُرهق.

الخلاصة

نفس حكم المنتج كما في ذكاء التداول/المخاطر: اعرف ما هو حتمي وما هو تفسيري، وما تعرضه أولًا عندما لا يستطيع المستخدم تدقيق كل طبقة.