لفك شفرة مشاعر السوق لمئة مليون مستخدم: كيف نبني محرك ذكاء اصطناعي متعدد النماذج يستجيب في ثانية واحدة

في عالم العملات المشفرة، قد تؤدي أخبار غير دقيقة إلى تحليلات خاطئة بملايين الدولارات. نظام تحليل المشاعر القديم لدينا — وهو بنية تجمع بين نماذج مفتوحة المصدر وLLM مستضافة ذاتيًا — أصبح غير قادر على التعامل مع تدفقات الأخبار الحية بأكثر من 25 لغة حول العالم. السيناريو النموذجي لانهياره هو: عندما تتولد تفسيرات متناقضة تمامًا حول أحداث مثل “دمج إيثريوم” في مجتمعات مختلفة، إما أن يتأخر نظامنا بشكل كبير أو يصدر علامات مشاعر متناقضة. هذا دفعنا لإعادة التفكير في السؤال الأساسي: كيف نوفر للمستخدمين العالميين رؤى سوقية سريعة ودقيقة في آنٍ واحد؟ الجواب في النهاية يقود إلى بنية “توافق نماذج متعدد” مصممة بعناية.

المصدر: InterSystems

تطور الهيكل: من نموذج واحد إلى لجنة خبراء

في البداية، وقعنا في فخ البحث عن “نموذج شامل”. أثبتت الممارسة أنه لا يوجد نموذج واحد قادر على تلبية متطلبات الإنتاج من حيث السرعة والدقة متعددة اللغات ومعرفة مجال العملات المشفرة في آنٍ واحد. نموذج Claude 3 Haiku سريع الاستجابة، لكنه محدود في فهم العامية في المجتمع الصيني؛ أما نموذج Mistral الذي قمنا بضبطه، فهو ممتاز في تحليل الأوراق البيضاء للمشاريع، لكنه يعاني من عنق زجاجة في معالجة النصوص الطويلة. والأكثر صعوبة هو العبء التأسيسي الذي يفرضه استضافة هذه النماذج ذاتيًا — المنافسة على موارد GPU أثناء الذروة، وتعقيدات الصيانة المستمرة، مما يجهد الفريق. هذه التحديات دفعتنا للتحول نحو مفهوم الاتحاد بين النماذج: تمكين نماذج متخصصة من أداء مهامها، وتوحيد الذكاء الجماعي عبر آلية تحكيم ذكية.

تصميم خط أنابيب غير متزامن ذو مسارين

الجوهر في نظامنا الجديد هو خط أنابيب غير متزامن يعمل على AWS، ويهدف إلى ضمان وجود تكرار، مع التحكم الصارم في زمن الاستجابة P99 ليكون في حدود الثواني.

يبدأ النص الإخباري أولاً في مسارين متوازيين. المسار الأول هو مسار سريع، يستدعي مباشرة Claude 3 Haiku على Amazon Bedrock لإجراء تقييم أولي للمشاعر واستخراج الكيانات الرئيسية، عادة خلال 300 مللي ثانية. المسار الثاني هو مسار تحليل عميق، حيث يُرسل النص إلى نموذج Mistral 7B المدرب عبر Amazon SageMaker لتعزيز السياق المجال، مثل التمييز بين “ارتفاع رسوم الغاز” بسبب ازدحام الشبكة أو بسبب إصدار NFT شائع، ويستغرق ذلك حوالي 600 مللي ثانية.

الابتكار الحقيقي يكمن في تصميم طبقة التحكيم الخفيفة. تقوم هذه الطبقة بمقارنة نتائج المسارين في الوقت الحقيقي، وعندما تكون النتائج متطابقة بشكل كبير، يتم تفضيل نتائج المسار السريع لضمان استجابة فورية؛ وعندما تظهر خلافات، يتم اتخاذ قرار خلال 20 مللي ثانية استنادًا إلى قواعد المجال ودرجات الثقة. تضمن هذه الآلية أن يتمكن معظم الطلبات من الحصول على رؤى موثوقة تجمع بين السرعة والعمق في أقل من ثانية.

ساحة المعركة الخفية لأنابيب البيانات

بناء النموذج نفسه هو مجرد سطح لمواجهة التحديات الهندسية، أما التعقيد الحقيقي فهو في أنابيب البيانات. تدفقات البيانات من مصادر الأخبار العالمية ووسائل التواصل الاجتماعي مليئة بالضوضاء من تعدد اللغات، والرموز التعبيرية، واللغة العامية على الإنترنت، ولهذا أنشأنا نظام تصفية متعدد الطبقات — يدمج تعبيرات نمطية خاصة بكل لغة ونموذج كشف فوري يعتمد على FastText، لضمان نظافة النصوص المدخلة. تعتمد موثوقية هذه المعالجة المسبقة بشكل مباشر على دقة التحليل اللاحق.

التحدي الأكبر هو بناء نظام تقييم فعال. نحن لا نعتمد فقط على تصنيف يدوي من فريق خبراء متعدد اللغات، بل أدخلنا أيضًا ردود فعل السوق كمؤشر للتحقق الديناميكي: نربط نتائج المشاعر بالتقلبات السعرية قصيرة الأمد للأصول ذات الصلة، ونستمر في تحسين معايير التقييم. هذا حول النظام من التركيز على دقة التصنيف الثابت إلى تتبع فاعلية الإدراك السوقي الديناميكي.

مفهوم تكلفة البنية التحتية

الانتقال إلى واجهة برمجة التطبيقات Bedrock أحدث تحولًا جذريًا في نمط الصيانة. وأهم فائدة هو القضاء تمامًا على عبء البنية التحتية، مع قدرة مرنة على التوسع غير محدودة تقريبًا — عندما يؤدي خبر عاجل إلى زيادة في التدفق بنسبة 300%، يمكن للنظام الاستجابة بسلاسة دون تدخل بشري. من ناحية التكاليف، على الرغم من أن النظام يعتمد على الدفع مقابل كل Token، إلا أن استخدام التخزين المؤقت الذكي لنماذج السرد عالية التكرار وتحسين استراتيجيات التوجيه يقلل من الإنفاق الإجمالي بنسبة حوالي 35% مقارنة بمجموعات GPU المستضافة ذاتيًا. هذا التحول يحرر موارد المهندسين، ليتمكنوا من التركيز على منطق التحكيم وتحسين خطوط الأنابيب والابتكار الأساسي.

الاستنتاج واتجاهات التطور

الدروس الأساسية من هذا التطور في الهيكل هي: في أنظمة الإنتاج ذات الأداء الأقصى، “نموذج واحد موثوق” غالبًا ما يكون أقل فاعلية من “لجنة خبراء متخصصة”. من خلال دمج استجابة النماذج العامة بسرعة مع فهم عميق من النماذج المتخصصة، استطعنا بناء نظام إدراك مشاعر قادر على تحمل اختبار السوق العالمي في الوقت الحقيقي.

نطمح الآن إلى أن يتطور النظام من “تحليل المشاعر” إلى “تتبع السرد” باستخدام وكيل ذكي. التحدي الجديد هو جعل الذكاء الاصطناعي لا يقتصر على تحديد الاتجاهات العاطفية، بل يتابع تشكيل وانتشار وتراجع “التمويل اللامركزي للأصول” وغيرها من السرديات الناشئة. يتطلب ذلك بنية ذات ذاكرة أقوى وقدرة على الاستنتاج السببي، وهو ما سيدفعنا نحو استكشاف الجيل القادم من البنى التحتية المالية الذكية.