جدول المحتويات
للحفاظ على تحديث نموذج LLM داخل المنشأة، تعاملوا معه على أنه أربعة عناصر تتقادم بوتائر مختلفة: الوثائق التي يستمد منها إجاباته، والبرمجيات التي تشغّله، وأوزان النموذج، ونموذج التضمين الذي يقوم عليه البحث. أعيدوا فهرسة الوثائق عند كل تغيير، وطبّقوا الإصلاحات وفق دورة ثابتة، ولا تغيّروا النموذج إلا عندما تُظهر مجموعة الاختبار تحسنًا.
أهم النقاط
- تتوقف المعارف الداخلية لأي نموذج عند تاريخ انتهاء بيانات تدريبه. فقد صدر Llama 3.3 70B في 6 ديسمبر 2024 ببيانات تدريب مسبق تنتهي في ديسمبر 2023 (Meta).
- مكان معارف المصنع هو فهرس الوثائق لا أوزان النموذج. والحفاظ عليها محدّثة يعني إعادة الفهرسة لا إعادة التدريب.
- تحتاج منظومة التشغيل إلى دورة إصلاحات خاصة بها. فقد شملت نشرة NVIDIA الأمنية لشهر مايو 2026 الخاصة ببرامج تشغيل GPU وحدات مراكز البيانات على Linux، وبلغت أعلى درجة خطورة فيها 8.8 (NVIDIA).
- على خوادمكم الخاصة، لا يتغير النموذج إلا إذا غيّرتموه. أما النماذج السحابية فتُسحب وفق جدول المزوّد (OpenAI).
- يمر كل تغيير عبر البوابة نفسها: مجموعة الاختبار، ثم البيئة التجريبية، ثم نشر محدود، مع طريق للتراجع.
ما الذي يتقادم فعلًا في نموذج LLM داخل المنشأة؟
عبارة «تحديث الذكاء الاصطناعي» تعني عادة واحدة من خمس مهام مختلفة. ولكل منها محفّزات ومسؤولون ومخاطر مختلفة، لذا خطّطوا لها بشكل منفصل.
| العنصر | ما الذي يتقادم | المحفّز المعتاد | طريقة التحديث | ما يجب اختباره |
|---|---|---|---|---|
| الوثائق والفهرس | مراجعات جديدة وتقارير وأوامر عمل | اعتماد وثيقة أو سحبها | إعادة فهرسة تدريجية؛ وسم المراجعات الملغاة | أسئلة عن الوثائق التي تغيّرت |
| خادم الاستدلال وبرنامج تشغيل GPU ونظام التشغيل | إصلاحات أمنية ودعم نماذج جديدة | نشرة أمنية أو نشرة من المورّد | إصلاحات وفق دورة ثابتة ومسار عاجل للثغرات الخطيرة | مجموعة الاختبار كاملة وزمن الاستجابة والذاكرة |
| أوزان LLM | تاريخ انتهاء بيانات التدريب؛ ظهور نماذج أفضل | نجاح نموذج مرشّح في مجموعة الاختبار | استبدال على مراحل مع إمكانية التراجع | مجموعة الاختبار كاملة بكل اللغات المستعملة |
| نموذج التضمين ونموذج إعادة الترتيب (reranker) | جودة الاسترجاع والتغطية اللغوية | تحسّن تُظهره اختبارات الاسترجاع | إعادة فهرسة كاملة بالتوازي ثم التبديل | معدل الاسترجاع (recall) على أسئلتكم |
| الموجّهات ومحوّلات الضبط الدقيق | مرتبطة بإصدار نموذج واحد | أي تغيير في النموذج | إعادة كتابة قوالب الموجّهات؛ إعادة تدريب المحوّلات | اختبارات خاصة بكل مهمة |
لخيارات النشر والحوكمة المحيطة بهذه العناصر، راجعوا دليلنا إلى الذكاء الاصطناعي السيادي داخل المنشأة.
لماذا لا نعيد تدريب النموذج على الوثائق الجديدة؟
لأن هذا ليس المكان الذي يجب أن تعيش فيه المعارف المحدّثة. فلكل نموذج تاريخ تنتهي عنده بيانات تدريبه، وغالبًا ما يسبق صدوره بوقت طويل: فقد صدر Llama 3.3 70B بعد عام من انتهاء بيانات تدريبه المسبق (Meta). أما إجراءاتكم فتتغير كل أسبوع.
وقد عدّت الورقة التي قدّمت التوليد المعزَّز بالاسترجاع (RAG) تحديث المعارف مشكلة بحثية مفتوحة بالنسبة إلى النماذج التي تخزّن المعرفة في أوزانها فقط (Lewis et al., 2020). ويحلّها RAG بتزويد النموذج بالمقاطع ذات الصلة لحظة طرح السؤال. ووجدت دراسات لاحقة أن الاسترجاع تفوّق باستمرار على الضبط الدقيق غير الموجَّه في إضافة المعارف (Ovadia et al., 2023)، وأن النماذج تتعلم الحقائق الجديدة ببطء عبر الضبط الدقيق، ثم تزداد هلوستها بعد تعلّمها (Gekhman et al., 2024). ونقارن بين النهجين في مقال الضبط الدقيق أم RAG.
عمليًا، يجب أن تصبح المراجعة الجديدة لإجراء العزل والإقفال (lockout) قابلة للبحث في يوم اعتمادها، دون أي تدريب على GPU ودون تغيير النموذج.
كيف يبقى فهرس الوثائق محدّثًا؟
اربطوا الفهرسة بمسار اعتماد الوثائق لديكم، لا بجدول زمني.
- مصدر واحد للحقيقة. اربطوا النظام بنظام إدارة الوثائق أو بمجلد المشاركة الذي توجد فيه المراجعات المعتمدة، لا بنسخ على حاسوب أحد الموظفين.
- الفهرسة عند الاعتماد. عندما تُعتمد مراجعة، فهرسوها ووسِموا المراجعة السابقة بأنها ملغاة في الخطوة نفسها. ويشرح دليلنا إلى RAG على أدلة الصيانة لماذا تُعد المراجعة المتجاوَزة داخل الفهرس مشكلة سلامة.
- معالجة الحذف. يجب أن تخرج الوثائق المسحوبة من الفهرس، لا أن يتوقف تحديثها فحسب.
- إعادة مزامنة الصلاحيات. تتغير صلاحيات الوصول في المصدر، ويجب أن يتبعها الفهرس، كما هو موضح في تأمين LLM داخل المنشأة.
- ترقيم إصدارات الفهرس. سجّلوا مراجعات الوثائق التي يحتويها كل بناء للفهرس، حتى يمكن ربط أي إجابة بما كان النظام يعرفه في ذلك الوقت.
كم مرة يجب ترقيع منظومة التشغيل؟
أكثر من النموذج. فخادم الاستدلال وبرنامج تشغيل GPU ومكتبات CUDA وصور الحاويات ونظام التشغيل كلها تتلقى إصلاحات أمنية.
ينشر مشروع vLLM، وهو خادم استدلال مفتوح المصدر، نشراته الأمنية على GitHub بدرجات خطورة تتراوح بين المنخفضة والعالية، ويتعلق كثير منها بطلبات قد تُعطّل الخادم أو تجمّده. ويحصي تحليلنا للبناء مقابل الشراء عدد ما صدر منها في عام واحد.
وبرامج تشغيل GPU مهمة أيضًا. فقد ذكرت نشرة NVIDIA الصادرة في 19 مايو 2026 بشأن برامج تشغيل GPU، ضمن المنتجات المتأثرة، فروع برامج تشغيل Linux R595 وR580 وR535 لوحدات مراكز البيانات Tesla، إلى جانب خطوط منتجات أخرى. وتذكر NVIDIA أن الثغرات قد تؤدي إلى حجب الخدمة، ورفع الصلاحيات، وكشف المعلومات، والعبث بالبيانات، وتنفيذ التعليمات البرمجية، وبلغت درجة أخطرها 8.8 (NVIDIA).
روتين عملي:
- ثبّتوا الإصدارات الدقيقة لكل مكوّن واحتفظوا بقائمة بها.
- راجعوا النشرات الجديدة وفق دورة ثابتة، وقرّروا لكل نشرة هل تعنيكم أم لا.
- خصّصوا مسارًا عاجلًا للثغرات الخطيرة التي تمس إعداداتكم.
- طبّقوا كل إصلاح أولًا على خادم تجريبي، ثم شغّلوا مجموعة الاختبار، لأن تحديث برنامج التشغيل أو الخادم قد يغيّر السرعة واستهلاك الذاكرة بل والإجابات أيضًا.
في الشبكات المعزولة، يعبر كل تحديث العزل عبر نقل مضبوط؛ ويشرح مقال الذكاء الاصطناعي المعزول هذه العملية.
متى يجب ترقية النموذج نفسه؟
أقل مما قد تظنون. فالنموذج المنشور داخل المنشأة يحافظ على السلوك نفسه حتى تستبدلوه، وهذه ميزة حقيقية لمسارات العمل الصناعية المعتمدة.
أما النماذج السحابية فلا تعمل بهذه الطريقة. فصفحة سحب النماذج لدى OpenAI تبيّن مثلًا أن إيقاف gpt-4.5-preview أُعلن في 14 أبريل 2025 وتم في 14 يوليو 2025، وأن إيقاف o3 أُعلن في 11 يونيو 2026 على أن يتم في 11 ديسمبر 2026 (OpenAI). وقد يتغير سلوك النموذج المستضاف أيضًا بين إصدار وآخر: فقد قاس باحثون دقة GPT-4 في التمييز بين الأعداد الأولية والأعداد المركّبة فوجدوها 84% في إصدار مارس 2023 و51% في إصدار يونيو 2023 (Chen, Zaharia and Zou, 2023).
الأسباب الوجيهة للترقية:
- حصول نموذج مرشّح على نتيجة أفضل بوضوح في مجموعة الاختبار الخاصة بكم، بما فيها الأسئلة بالعربية والفرنسية.
- حاجتكم إلى قدرة يفتقدها النموذج الحالي، مثل لغة معينة أو سياق قابل للاستعمال أطول.
- توقف صيانة النموذج الحالي أو دعمه في خادم الاستدلال.
- نجاح نموذج أصغر الآن في الاختبارات نفسها، مما يحرر ذاكرة GPU.
أما الأسباب الضعيفة فهي مرتبة في لوحة تصنيف عامة أو إعلان عن إصدار جديد. ويشرح دليلنا إلى اختيار نموذج LLM مفتوح الأوزان فحوص الترخيص والحجم واللغات، وهي فحوص يجب تكرارها مع كل إصدار جديد.
ثلاث تفاصيل عملية:
- التثبيت عبر commit. تتيح Hugging Face تنزيل النموذج عند فرع أو وسم أو hash لعملية commit محددة، وتشترط استخدام الـ hash كاملًا في الحالة الأخيرة (Hugging Face). سجّلوا هذا الـ hash مع بصمات الملفات.
- التحقق من صيغة الموجّه. قد يتوقع النموذج الجديد قالب محادثة مختلفًا، لذا عدّلوا الموجّهات قبل مقارنة الإجابات.
- إعادة تدريب المحوّلات. تُجمّد طريقة LoRA أوزان النموذج المدرَّب مسبقًا وتضيف إليها مصفوفات صغيرة قابلة للتدريب (Hu et al., 2021). لذا ينتمي المحوّل إلى النموذج الأساسي الذي دُرّب عليه، ويعني النموذج الأساسي الجديد إعادة تدريبه.
ماذا يحدث عند تغيير نموذج التضمين؟
تعيدون بناء الفهرس بالكامل. فنموذج التضمين الجديد ينتج متجهات في فضاء مختلف، ولا معنى للتشابه بين المتجهات القديمة والجديدة، لذا لا يمكن أن تتشارك فهرسًا واحدًا (Zilliz).
والنهج الآمن هو بناء الفهرس الجديد إلى جانب القديم، وإعادة حساب تضمينات كل الوثائق في الخلفية بينما يواصل الفهرس القديم الخدمة، ثم التحقق من الفهرس الجديد على مجموعة محجوزة من الاستعلامات، ثم التبديل دفعة واحدة (Zilliz). واحتفظوا بالنص المستخرج من كل وثيقة، حتى لا تعني إعادة الفهرسة إعادة التعرف الضوئي (OCR) على آلاف الوثائق الممسوحة.
كيف يُنشر التحديث بأمان خطوة بخطوة؟
أنظمة التعلم الآلي شديدة الترابط. وقد سمّى مهندسون في Google ذلك مبدأ CACE، أي «Changing Anything Changes Everything» (تغيير أي شيء يغيّر كل شيء)، وطبّقوه على المعاملات الفائقة واختيار البيانات وعمليًا على كل تعديل آخر ممكن (Sculley et al., 2015). تعاملوا مع كل تحديث بالطريقة نفسها مهما كان صغيرًا.
- تسجيل التغيير. دوّنوا ما الذي يتغير ولماذا، والإصدارات والبصمات الدقيقة، ومن وافق عليه. ويمنح سجل نماذج مثل MLflow كل تسجيل جديد لنموذج رقم الإصدار التالي، ويتيح لبيئة الإنتاج الإشارة إلى اسم مستعار مثل «champion» بدل إصدار ثابت (MLflow).
- التثبيت في البيئة التجريبية. استخدموا خادمًا يطابق بيئة الإنتاج: نوع GPU نفسه، وبرامج التشغيل نفسها، والإعدادات نفسها.
- تشغيل مجموعة الاختبار كاملة. قارنوا الإصدارين القديم والجديد على الأسئلة نفسها، بالعربية والفرنسية والإنجليزية. وأي خطأ جديد في سؤال حرج يوقف العملية. ويعرض دليلنا إلى تقييم نموذج LLM على وثائقكم المنهجية.
- التحقق من السرعة والذاكرة مع العدد المتوقع من المستخدمين المتزامنين.
- إجراء نشر تجريبي محدود (canary). يعرّف كتاب SRE Workbook من Google هذا الأسلوب بأنه نشر جزئي ومحدود زمنيًا لتغيير ما في خدمة، مع تقييمه. امنحوا الإصدار الجديد لمجموعة صغيرة، وقارنوه ببقية المستخدمين، وتحققوا أيضًا من عتبات مطلقة (Google SRE).
- التبديل مع الإبقاء على طريق التراجع. انقلوا الاسم المستعار أو مدخل الإعدادات إلى الإصدار الجديد. واحتفظوا بالنموذج والصور والفهرس السابقة على القرص.
- المراقبة في الإنتاج. يدعو إطار إدارة مخاطر الذكاء الاصطناعي الصادر عن NIST إلى مراقبة سلوك النظام في الإنتاج، وإلى خطط ما بعد النشر تشمل الاستجابة للحوادث والتعافي وإدارة التغيير (NIST AI RMF 1.0). اجمعوا بلاغات المستخدمين عن الإجابات الخاطئة وأضيفوها إلى مجموعة الاختبار.
من يتولى كل تحديث، وبأي وتيرة؟
الوتائر التالية نقطة انطلاق قابلة للتكييف، وليست معيارًا.
| التحديث | الوتيرة المقترحة | المسؤول |
|---|---|---|
| الوثائق والصلاحيات | باستمرار، عند الاعتماد أو التغيير في المصدر | مالكو الوثائق ومدير المنصة |
| النشرات الأمنية | مراجعة وفق دورة ثابتة، ومسار عاجل للثغرات الخطيرة | أمن المعلومات والبنية التحتية |
| برنامج التشغيل ونظام التشغيل | وفق دورة الإصلاحات المعتمدة لديكم | البنية التحتية لتقنية المعلومات |
| النماذج المرشّحة ونماذج التضمين | مراجعة مرة أو مرتين في السنة، أو عند ظهور حاجة | مسؤول نظام الذكاء الاصطناعي مع المهندسين المستخدمين |
| مجموعة الاختبار | بعد كل حادثة أو إجابة خاطئة يُبلَّغ عنها | المهندسون الذين يستخدمون المساعد |
ومن دون مسؤولين محددين بالاسم، تتوقف التحديثات بعد مغادرة فريق المشروع، وتتراجع الجودة بصمت.
ما الذي لاحظناه في KABAS AI
يعمل DALILE على خوادم العميل، ومن دون اتصال بالإنترنت، ويتصل بأنظمة مثل SAP وOracle وMicrosoft 365 وأنظمة LIMS وأنظمة إدارة الوثائق وقواعد بيانات SQL. ونتولى نحن الإعداد وندرّب فريق العميل. وبما أن النظام موجود داخل شبكة العميل، فإن كل تحديث يتبع مسار إدارة التغيير والأمن الخاص بالعميل، ونخطط لذلك منذ البداية.
ومن هنا تأتي التوصيات التي نقدمها:
- الاتفاق على مسار التحديث قبل التشغيل الفعلي: من يوافق على تغيير النموذج، وكيف تصل الملفات إلى الخوادم، وفي كم من الوقت تُعالَج نشرة أمنية خطيرة.
- إبقاء التطبيق مستقلًا عن أي نموذج بعينه، حتى يمكن لإصدار أفضل مفتوح الأوزان أن يحل محل النموذج الحالي بعد الاختبار، دون إعادة كتابة عمليات الربط.
- الاحتفاظ بمجموعة الاختبار وملفات النموذج وسجل التحديثات على البنية التحتية للعميل وتحت ملكيته.
- الفصل بين تحديث الوثائق وتغيير النموذج. فالأول عمل يومي لمالكي الوثائق، والثاني مشروع عرضي يخضع للاختبار.
إذا أردتم مساعدة في تصميم مسار التحديث أو مراجعة نشر قائم، يمكن لفريق الاستشارات لدينا العمل عليه مع فرقكم في تقنية المعلومات والتقنيات التشغيلية (OT) والأمن.
المصادر
- Meta, Llama 3.3 70B Instruct model card, Hugging Face
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, 2020
- Ovadia et al., Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs, 2023
- Gekhman et al., Does Fine-Tuning LLMs on New Knowledge Encourage Hallucinations?, 2024
- vLLM, GitHub security advisories
- NVIDIA, Security Bulletin: NVIDIA GPU Display Drivers, May 2026
- OpenAI, Deprecations
- Chen, Zaharia and Zou, How is ChatGPT's behavior changing over time?, 2023
- Hugging Face, Download files from the Hub
- Hu et al., LoRA: Low-Rank Adaptation of Large Language Models, 2021
- Zilliz, How do you change your embedding model without re-indexing everything?
- Sculley et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015
- MLflow, Model Registry
- Google SRE Workbook, Canarying Releases
- NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023
الأسئلة الشائعة
كم مرة يجب تحديث نموذج LLM داخل المنشأة؟
لا توجد فترة واحدة، لأن العناصر تتقادم بوتائر مختلفة. يجب إعادة فهرسة الوثائق فور اعتماد مراجعة جديدة. وتُراجَع النشرات الأمنية الخاصة بخادم الاستدلال وبرامج تشغيل GPU ونظام التشغيل وفق دورة ثابتة، مع مسار عاجل للثغرات الخطيرة. أما النموذج نفسه فلا يُغيَّر إلا عندما ينجح نموذج مرشّح في مجموعة الاختبار الخاصة بكم بتحسّن واضح.
هل يجب إعادة تدريب النموذج عندما تتغير وثائقنا؟
لا. في بنية RAG (التوليد المعزَّز بالاسترجاع) يقرأ النموذج وثائقكم لحظة طرح السؤال، فالمراجعة الجديدة لإجراء ما تُفهرَس ولا تُدرَّب. وقد وجدت الأبحاث التي قارنت بين النهجين أن الاسترجاع يتفوق على الضبط الدقيق في إضافة المعارف، وأن النماذج تتعلم الحقائق الجديدة ببطء عبر الضبط الدقيق.
هل سيعمل إصدار جديد من النموذج مع موجّهاتنا وضبطنا الدقيق الحاليين؟
ليس تلقائيًا. فقد يتوقع النموذج الجديد قالب محادثة (chat template) أو صيغة موجّه مختلفة، وقد يتعامل مع العربية والفرنسية بشكل مختلف، وقد يخضع لترخيص آخر. ومحوّل LoRA يُدرَّب فوق نموذج أساسي محدد، لذا يجب إعادة تدريبه لنموذج جديد. أعيدوا تشغيل مجموعة الاختبار كاملة قبل التبديل.
ماذا يحدث إذا لم نغيّر النموذج أبدًا؟
يحافظ النموذج المنشور داخل المنشأة على السلوك نفسه ما دمتم لم تغيّروه، وهذه إحدى مزاياه. وتبقى معارفه الداخلية متوقفة عند تاريخ انتهاء بيانات تدريبه، لكن المعارف الحديثة في نظام RAG تأتي من الوثائق. أما ما لا يمكنكم تجاوزه فهو ترقيع البرمجيات المحيطة به: فخادم الاستدلال وبرامج تشغيل GPU ونظام التشغيل تتلقى إصلاحات أمنية.
كيف نتراجع عن تحديث فاشل؟
احتفظوا على القرص بملفات النموذج السابق وصور الحاويات السابقة وفهرس الوثائق السابق إلى أن يعمل الإصدار الجديد في الإنتاج لفترة متفق عليها. واجعلوا التطبيق يشير إلى الإصدارات عبر مرجع مسمّى، مثل اسم مستعار في سجل النماذج أو مدخل في ملف الإعدادات، فيصبح التراجع مجرد إعادة هذا المرجع إلى الإصدار السابق بدل إعادة التثبيت.



