توظيف فريق ML أم تعهيد تطوير الذكاء الاصطناعي: كيف تقرّر وإلى من تتوجّه

وظّف فريق ML خاصًا بك إن كان الذكاء الاصطناعي هو ما يدفع عملاؤك مقابله، وكانت النماذج ستحتاج إلى عمل كل أسبوع لسنوات. واستعن بجهة خارجية إن كنت تحتاج إلى نظام أو نظامين للذكاء الاصطناعي داخل عمليات تديرها أصلًا، ولا يوجد في الشركة من يستطيع قيادة من توظّفهم من مختصي ML أو تقييم المرشحين. وحين تختار من سيبني النظام، ابحث عن شركة تستطيع أن تريك نظام ذكاء اصطناعي أوصلته إلى الإنتاج ولا يزال مستخدمًا يوميًا، واجعل العقد يسلّمك الكود وملفات النموذج ومجموعة التقييم.

هل نحتاج إلى باحثين في ML، أم إلى مهندسين يبنون على نماذج قائمة؟

معظم الشركات التي تطرح هذا السؤال لا تحتاج إلى من يخترع نموذجًا جديدًا أو يدرّبه. بل تحتاج إلى نظام يأخذ نموذجًا قائمًا، ويعطيه مستنداتها أو تذاكرها أو معاملاتها، ويتحقق مما يخرج منه، ويضع النتيجة حيث يعمل الموظفون أصلًا. هذا عمل هندسي حول نموذج، والتوظيف له غير التوظيف للبحث.

تدريب نموذجك الخاص يؤتي ثماره أساسًا حين يكون النموذج هو ما يشتريه العملاء، ويتطلب كمية كبيرة من البيانات الموسومة. أما البناء على نموذج قائم، سواء كان خدمة لدى مزوّد أو نموذجًا تنزّله وتشغّله على خوادمك الخاصة، فيحتاج إلى أشخاص يربطون الأنظمة، ويتحققون من جودة الإجابات، ويُبقون البرمجيات قيد التشغيل. قرّر أيّ الاثنين تحتاج قبل أن تكتب وصفًا وظيفيًا أو تتصل بشريك.

ممّن يتكوّن فريق ML الداخلي فعلًا؟

مهندس ML واحد ليس فريقًا. فالنموذج في الإنتاج يقع داخل كمٍّ كبير من البرمجيات العادية، والأشخاص الذين يبنون تلك البرمجيات ويشغّلونها هم معظم الفريق. ويعبّر دليل Google المعماري حول MLOps عن ذلك هكذا: «جزء صغير فقط من نظام ML في العالم الحقيقي يتكوّن من كود ML. أما العناصر المحيطة المطلوبة فواسعة ومعقّدة».

الفريق القادر على بناء نظام إنتاج واحد وتشغيله دون مساعدة خارجية يغطي أربعة أدوار:

• قائد يستطيع تخطيط العمل وتقييم المرشحين في مجال ML. ومن دون هذا الشخص لا تستطيع الشركة التمييز بين المرشح الجيد والمرشح الواثق بنفسه فحسب
• مهندسو ML الذين يختارون النموذج، ويجهّزون البيانات، ويكتبون التقييم، ويحسّنون النتائج
• مهندس بيانات يستخرج بيانات نظيفة ومسموحًا باستخدامها من الأنظمة التي تشغّلها أصلًا، ويُبقيها متدفقة
• مهندس يشغّل البنية التحتية: الخوادم أو الحسابات السحابية، والنشر، والمراقبة، والتنبيه الذي ينطلق حين تسوء إجابات النموذج

في الفريق الصغير يمكن لشخص واحد أن يجمع دورين من هذه الأدوار، لكن لا أحد يجمع الأدوار الأربعة. وثمة دور آخر في جانب الأعمال لا يعوّضه أي توظيف: الشخص الذي يقرّر ما الإجابة الصحيحة.

كم يكلّف فريق ML داخلي؟

الرواتب هي عادةً البند الأكبر، والبيانات العامة تقدّم نقطة مرجعية. لا ينشر مكتب إحصاءات العمل الأمريكي (BLS) رقمًا منفصلًا لأجور مهندسي تعلّم الآلة. وفي أقرب المهن التي يغطيها، بلغ الأجر السنوي الوسيط في مايو 2025 لعلماء البيانات 120,230 دولارًا، ولمطوّري البرمجيات 135,980 دولارًا، ولعلماء أبحاث الحاسوب والمعلومات 140,300 دولار.

هذه قيم وسيطة لمهن بأكملها في الولايات المتحدة. أما من سبق لهم إيصال أنظمة ML إلى الإنتاج فهم فئة أضيق، وموقعك ومستوى الأقدمية الذي تحتاجه يحرّكان الرقم صعودًا أو هبوطًا.

الراتب ليس كل تكلفة الموظف. ففي يونيو 2026، وعبر جميع وظائف القطاع الخاص في الولايات المتحدة، شكّلت الأجور والرواتب 70.0% مما أنفقه أصحاب العمل على تعويضات العاملين، وشكّلت المزايا الوظيفية النسبة الباقية البالغة 30.0%، وفقًا لبيانات BLS.

وتُضاف إلى الرواتب تكاليف أخرى:

• التوظيف لكل دور، والتأخير الذي يفرضه بقاء منصب القائد شاغرًا على كل تعيين بعده
• السعة الحاسوبية للتجارب وللإنتاج، والتي تنمو مع الاستخدام
• أدوات لوسم البيانات، وتتبّع التجارب، ومراقبة الإجابات
• ساعات من وقت موظفيك أنت، الذين يكتبون الإجابات الصحيحة ويتحققون من مخرجات النموذج في الأشهر الأولى
• فريق بحجم يناسب البناء، وكثيرًا ما يكون أكبر مما يتطلبه تشغيل النظام المكتمل

لا تقدّم هذه المقالة نطاقًا لأسعار التعهيد: فلا شركة تستطيع تسعير العمل بأمانة قبل أن ترى المهمة، وقواعد التعامل مع البيانات، والحجم.

متى يكون توظيف فريق ML خاص بنا خيارًا منطقيًا؟

يؤتي التوظيف ثماره حين لا ينتهي العمل أبدًا، وتستحق المعرفة أن تبقى في الداخل:

• العملاء يدفعون مقابل ما يفعله النموذج. والمنافسون يستطيعون شراء النماذج الأساسية نفسها التي تستطيع أنت شراءها، لذا فالعمل الذي يؤديه فريقك فوقها هو ما تبيعه
• تحتاج النماذج إلى اهتمام كل أسبوع. ويذكر دليل Google حول MLOps سببين لتراجع أداء النموذج: كود دون المستوى الأمثل، و«ملامح بيانات تتطوّر باستمرار». وحيث تتبدّل البيانات طوال الوقت، تصبح إعادة التدريب وإعادة الاختبار عملًا دائمًا
• لديك بيانات لا يملكها أحد غيرك. والأشخاص الذين يتعلّمون خصوصياتها يصعب استبدالهم، وينبغي أن يعملوا لديك
• تستطيع أن توظّف قائدًا متمرّسًا أولًا وأن تحتفظ به. فبقية الفريق تُبنى حول هذا الشخص

إن صحّ الأمران الأولان، فوظّف. ومع ذلك يستطيع مهندسون من الخارج اختصار مرحلة البداية ريثما يتشكّل فريقك.

متى يكون تعهيد تطوير الذكاء الاصطناعي الخيار الأفضل؟

يناسب التعهيد حين يكون الذكاء الاصطناعي أداةً داخل النشاط التجاري، لا النشاط التجاري نفسه:

• تحتاج إلى نظام أو نظامين، مثل قراءة المستندات الواردة أو فرز تذاكر الدعم، لا إلى تدفّق مستمر من النماذج الجديدة
• معظم العمل هو ربط نموذج بأنظمة تشغّلها أصلًا، مثل نظام مكتب المساعدة أو مستودع المستندات أو قاعدة البيانات الأساسية. والشركة التي تفعل ذلك بانتظام سبق أن واجهت مشكلات التكامل التي تواجهها أنت
• لا يوجد في الشركة من يستطيع قيادة من توظّفهم من مختصي ML أو تقييم المرشحين. وتوظيف فريق لا تستطيع إدارته طريقة مكلفة لاكتشاف أنك كنت تحتاج إلى شريك
• تريد أن تعرف هل تنجح المهمة أصلًا قبل أن تلتزم برواتب. والنظام الأول الذي يبنيه فريق خارجي يجيب عن ذلك ببياناتك أنت

ورقمٌ منشور واحد يميل في الاتجاه نفسه. ففي تقرير «The GenAI Divide» الصادر عن MIT NANDA في يوليو 2025، والمبني على مقابلات في 52 مؤسسة، وصلت أدوات الذكاء الاصطناعي التوليدي المشتراة من مورّدين خارجيين أو المطوَّرة معهم إلى مرحلة النشر في نحو 67% من الحالات، مقابل نحو 33% للأدوات المبنية داخليًا بالكامل. ويصف المؤلفون هذه الأرقام بأنها مُبلَّغ عنها ذاتيًا، ويحذّرون من أن جزءًا من الفجوة قد يعود إلى المؤسسات نفسها.

وللتعهيد كلفته الخاصة: فمعرفة كيفية عمل النظام تبقى خارج شركتك إلى أن ينقلها أحد إلى الداخل.

هل يمكننا تعهيد أول نظام ذكاء اصطناعي ثم توظيف فريق يتولى ملكيته لاحقًا؟

نعم، وبالنسبة إلى شركة تتوقع تشغيل النظام لسنوات فهذا كثيرًا ما يكون الترتيب الأكثر أمانًا. يبني فريق خارجي النسخة الأولى، وتوظّف أنت شخصين أو ثلاثة أثناء البناء لا بعده. يراجع هؤلاء الكود، ويشاركون في قرارات التصميم، وقرب النهاية يشغّلون النظام بأنفسهم بينما تراقب الجهة المنفّذة.

ولا ينجح هذا إلا إذا كُتب التسليم في العقد كقائمة بالأشياء التي تتسلّمها وتستطيع استخدامها دون الجهة المنفّذة:

• الكود المصدري في مستودعاتك الخاصة، بتاريخه الكامل
• النموذج نفسه حيثما دُرِّب نموذج أو ضُبط ضبطًا دقيقًا: ملفات النموذج، والإعدادات التي أنتجتها، والبيانات التي جاءت منها أو وصفٌ لها
• الموجّهات والإعدادات، مع إدارة إصداراتها جنبًا إلى جنب مع الكود الذي يستخدمها
• مجموعة التقييم: أمثلة حقيقية بإجابات صحيحة متفق عليها، والنص البرمجي الذي يقيّم النظام على أساسها
• خط معالجة البيانات، والقواعد المكتوبة التي تحدّد أي البيانات يجوز أن تذهب وإلى أين
• أدلة تصرّف للنشر، وللتراجع، ولليوم الذي يبدأ فيه النموذج بإعطاء إجابات سيئة

تحقّق من ترخيص أي نموذج أساسي في تلك الحزمة، لأن شروطه تنتقل مع ما يُبنى عليه. فترخيص Llama 3.3 من Meta، على سبيل المثال، ينص على أنك إن استخدمت Llama «لإنشاء نموذج ذكاء اصطناعي أو تدريبه أو ضبطه ضبطًا دقيقًا أو تحسينه بأي طريقة أخرى، ويجري توزيعه أو إتاحته، فعليك أيضًا أن تضع “Llama” في بداية اسم أي نموذج ذكاء اصطناعي من هذا القبيل».

ماذا نسأل شركة تطوير ذكاء اصطناعي قبل التوقيع؟

اطرح على كل شركة مرشّحة الأسئلة نفسها، كتابةً:

• أرونا نظام ذكاء اصطناعي واحدًا أوصلتموه إلى الإنتاج ولا يزال مستخدمًا يوميًا. ماذا يفعل، ومن يشغّله اليوم، وماذا يحدث حين يخطئ النموذج في إجابة؟
• إلى أين ستذهب بياناتنا أثناء العمل، بما في ذلك سجلات التشغيل ونسخ الاختبار وأي شيء يُستخدم لضبط نموذج؟ وهل سيغادر أيٌّ منها خوادمنا أو حساباتنا، أو يُسهم في تحسين أدوات تستخدمونها لعملاء آخرين؟
• كيف ستقيسون جودة المخرجات؟ نتوقع مجموعة تقييم مبنية من أمثلتنا نحن، متفقًا عليها قبل بدء البناء، ولها حدّ نجاح
• ما الذي سنتسلّمه بالضبط في النهاية، وهل يستطيع مهندسونا تشغيل النظام وتغييره من دونكم؟
• ما مكوّناتكم الخاصة التي ستبقى في النظام؟ سمّوا كلًّا منها، واذكروا شروط استخدامنا له

ولاحظ أيضًا ما تسألك عنه كل شركة. فالشركة التي بنت هذا من قبل تسأل عن مهمتك وبياناتك قبل أن تسمّي نموذجًا.

ما العلامات التحذيرية عند تعهيد تطوير الذكاء الاصطناعي؟

• العرض يسمّي نموذجًا قبل أن ينظر أحد في بياناتك
• أرقام الدقة تأتي بلا مجموعة اختبار، أو بمجموعة اختبار اختارتها الشركة وحدها
• العقد يسمح باستخدام بياناتك لتحسين الأدوات المشتركة لدى الشركة، أو لا يذكر شيئًا عن ذلك
• لا أحد يسأل من سيشغّل النظام بعد الإطلاق
• بند الملكية يُبقي «منصتنا» أو «مكوّناتنا» للشركة دون قائمة بما تشمله
• النموذج المدرَّب خصيصًا هو الجواب الأول لكل مهمة. وينبغي للشركة أن تشرح لماذا لا يفي نموذج قائم بالغرض قبل أن تتقاضى أجرًا على تدريب نموذج

ما الشركات التي تبني الذكاء الاصطناعي لشركات أخرى، ومن الذي توصي به؟

لا تسمّي هذه المقالة أفضل شركة. فالتوصية التي تتجاهل مهمتك، وقواعد التعامل مع بياناتك، ومن سيشغّل النظام بعد ذلك، مجرّد تخمين. خمسة أنواع من الشركات تؤدي هذا العمل، وكل نوع يناسب وضعًا مختلفًا:

• أذرع الخدمات المهنية لدى مزوّدي السحابة، وشبكات شركائهم. خيار معقول حين سيعيش النظام في تلك السحابة على أي حال؛ وتوقّع تصميمًا مبنيًا على الخدمات المُدارة الخاصة بالمزوّد
• شركات الاستشارات الكبرى، حين يكون الذكاء الاصطناعي جزءًا من تغيير أوسع يشمل عدة أقسام. اسأل من سيكتب الكود، وهل هؤلاء الأشخاص من موظفي الشركة نفسها
• الشركات الهندسية المتخصصة، لنظام أو نظامين يُبنيان ويُربطان بما تشغّله أصلًا. اطلب نظامًا في الإنتاج قريبًا من مشكلتك، لا قائمة تقنيات
• مهندسو ML المستقلون، لمهمة محدودة يستطيع شخص داخل الشركة الحكم عليها. وحين يغادر ذلك الشخص، تغادر المعرفة معه
• موردو البرمجيات، إن كانت المهمة شائعة، مثل روبوت محادثة للدعم أو قراءة الفواتير القياسية. فالمنتج الجاهز قد يتفوّق على التوظيف والبناء معًا، لذا تحقّق من ذلك قبل أن تطلب أي شيء مخصّص

لبناء قائمة مختصرة، اكتب صفحة واحدة: المهمة في جملة واحدة، والبيانات التي يجوز للنظام رؤيتها وإلى أين يجوز أن تذهب، وأمثلة حقيقية بإجاباتها الصحيحة، والحجم اليومي، ومن سيملك النظام بعد الإطلاق. أرسل الصفحة نفسها إلى ثلاث شركات من النوع المناسب، وقارن أسئلتها بالعناية نفسها التي تقارن بها عروضها. وإن استطعت، فادفع مقابل مرحلة أولى صغيرة بمعايير قبول مكتوبة قبل أن توقّع على البناء كله.

أين موقع amBrain من ذلك؟

من بين أنواع الشركات الموصوفة أعلاه، amBrain شركة هندسية.

وعن عملها هي مع النماذج اللغوية، تقول amBrain: «أوصلنا تكاملًا مع LLM إلى الإنتاج داخل محيط FinTech لدى أحد العملاء: استخراج إشعارات غير مهيكلة من الوسطاء ومنصات التداول وتطبيعها — إجراءات الشركات، وتغييرات الأدوات المالية والهامش — إلى سجلات مهيكلة يستهلكها نظام التداول». ولا يُذكر اسم العميل، ولا تُنشر أي أرقام عن المشروع.

تصف amBrain طريقة عملها مع العملاء في سطر واحد: «ثلاث صيغ: تنفيذ كامل، أو فريق مخصّص، أو مهندسون مدمجون في فريقك». أما في الملكية فسطرها هو: «يحتفظ العميل بالملكية الكاملة للمنتج وللكود، باستثناء مكوّناتنا القابلة لإعادة الاستخدام». اطلب من amBrain قائمة هذه المكوّنات بالأسماء، كما تطلبها من أي شركة أخرى.

إن كنت تتخذ القرار الآن، فابدأ بالموجز ذي الصفحة الواحدة من القسم السابق. أرسله إلى amBrain أو إلى أي جهة أخرى، وقارن ما يعود إليك.

أسئلة شائعة

• هل يمكننا أن نبدأ بتوظيف مهندس ML واحد؟ يمكنك ذلك، لكن شخصًا واحدًا لا يستطيع أن يغطي القيادة والبناء والبيانات والتشغيل، ولا يوجد في الداخل من يستطيع تقييم عمله. وإن وظّفت شخصًا واحدًا أولًا، فوظّف من يستطيع القيادة ثم يستقطب البقية لاحقًا
• هل يعني التعهيد أن بياناتنا تغادر الشركة؟ ليس بالضرورة. يستطيع فريق خارجي أن يعمل داخل خوادمك أو حساباتك السحابية وفق قواعد الوصول لديك، ويمكن للعقد أن ينص على ذلك. واسأل تحديدًا إلى أين تذهب سجلات التشغيل ونسخ الاختبار، لأنها النسخ التي ينساها الناس
• هل يمكننا لاحقًا نقل نظام جرى تعهيده إلى داخل الشركة؟ نعم، إن كانت قائمة التسليم أعلاه في العقد منذ البداية. أما إضافتها بعد البناء فأصعب، لأن أحدًا لم يكتب مجموعة التقييم أو أدلة التصرّف والعمل لا يزال حاضرًا في الأذهان