ماذا يعني دور مهندس النشر الميداني (FDE) في OpenAI
ماذا نفعل، وكيف نعمل، وكيف نحلّ أصعب مشكلات المؤسسات لإحداث أثر حقيقي.
بقلم: كولين جارفيس، رئيس هندسة النشر الميداني في OpenAI
عندما أُطلق Codex، سألني أحد أعضاء الفريق: «ماذا نفعل عندما يصبح Codex قادرًا على إنجاز حالات الاستخدام التي قضينا الأشهر الماضية في بنائها دفعة واحدة؟»
يمسّ هذا السؤال جوهر دور مهندس النشر الميداني (FDE) في OpenAI. نعمل جنبًا إلى جنب مع العملاء لفهم أصعب مشكلاتهم وبناء حلول يمكنهم الاعتماد عليها. ويساعد ما نتعلمه في تشكيل منتجاتنا ويزوّد فريق الأبحاث بمشكلات ملموسة لحلّها.
هذا هو التقدم. إذا جعلنا دورنا غير ضروري كل بضعة أشهر، فهذا يعني أن فريق مهندسي النشر الميداني (FDE) لدينا يؤدي مهمته.
أسّست الفريق في أوائل عام 2025 لسدّ ما نسمّيه «فجوة النشر»: الفارق بين ما تبدو النماذج قادرة عليه وما يستطيع الناس استخدامه بموثوقية لإنجاز أعمالهم.
تطورت قدرات النماذج بوتيرة أسرع من الأنظمة والعمليات اللازمة لتوظيفها. أحيانًا يكون العنصر الناقص منتجًا. وأحيانًا يحقق النموذج أداءً جيدًا في اختبار معياري، لكنه يعجز عن أداء المهمة في ظل متغيرات الواقع وقيوده.
نركّز على أصعب مشكلات العملاء. حين تستطيع نماذجنا أداء المهمة اليوم، نعمل مع فريق المنتجات والعميل لجعل الحل قابلًا للتكرار. وحين تقصر قدراتها، نعمل مع العملاء وفريق الأبحاث لتحديد الفجوة وإجراء التحسينات. هدفنا أن يترك كل مشروع تعاون نقطة انطلاق أفضل للعميل التالي. فإذا رفعنا المستوى الأساسي إلى حدّ يستغني معه عملاؤنا عن مهندسي النشر الميداني (FDE) لحلّ هذا النوع من المشكلات في المرة القادمة، نكون قد أدّينا مهمتنا جيدًا.
كان التحدي أمام John Deere، وهي شركة زراعية عمرها 200 عام، هو كيفية تقديم إرشادات مخصصة للمزارعين على نطاق واسع.
ومن الأمثلة على ذلك تقنية See & Spray للمكافحة الدقيقة للأعشاب الضارة، التي تستخدم الكاميرات والتعلّم الآلي لتحديد الأعشاب ورشّها بدلًا من معالجة الحقول بأكملها، مما يقلل استخدام المواد الكيميائية بنسبة تصل إلى 70%.
لكن تحقيق هذه الفوائد يتوقف على معرفة المزارعين بكيفية إعداد التقنية، والتخطيط لموسمهم الزراعي، وتعديل ممارساتهم مع تغيّر الظروف.
استخدمت John Deere واجهات API من OpenAI للمساعدة على تقديم هذا الدعم بصورة مخصصة وقابلة للتوسع.
يستطيع الذكاء الاصطناعي الإجابة عن أسئلة المزارعين باللغة الطبيعية، وتقديم إرشادات وتوصيات مخصصة للإعداد، وتحديد الحالات التي قد لا تعمل فيها المعدات بكامل إمكاناتها، ومساعدة المزارعين على فهم القيمة التي يحققونها من التقنية.
وتتجاوز الفرصة حدود أي تفاعل منفرد، لتشمل تقديم إرشادات ملائمة طوال رحلة العميل، بما يساعد المزارعين على الاستفادة بصورة أفضل من معداتهم، مع تحسين الكفاءة والاستدامة.
هذا هو نوع التحديات التي يعمل مهندسو النشر الميداني (FDE) في OpenAI على حلّها: مساعدة المؤسسات على تحويل قدرات الذكاء الاصطناعي إلى أنظمة تحقق قيمة عملية في بيئات واقعية معقدة.
لكن المشكلات غالبًا ما تكون مفتوحة على احتمالات كثيرة، وقد لا تتوفر حقيقة مرجعية ثابتة، ولا توجد طريقة عمل جاهزة. الجميع يريد بناء شيء لم يوجد من قبل، لكن قلة تريد بذل ما يلزم للوصول إليه.
تطلّب العثور على مهندسي نشر ميداني (FDE) موهوبين، مع رفع الحد الأدنى لما نعدّه «جيدًا بما يكفي»، تجريبًا وتطبيقًا مستمرَّين.
في بداية كل جلسة لفريق مهندسي النشر الميداني (FDE)، أعرض شريحة تحمل قيمة أساسية واحدة: «ابدأ بالنتيجة، وافعل ما يلزم للنجاح، ثم وسّع النطاق».
قد يحظى عرض توضيحي مبهر باهتمام واسع قبل أن يسأل أحد عمّا إذا كان يعمل في الواقع.
مهمتنا هي حلّ مشكلة العميل بمستوى من الجودة نستطيع ضمانه في بيئة الإنتاج.
في منتصف عام 2025، كان لدينا نحو 15 مهندسًا للنشر الميداني (FDE) يعملون مع أحد عملائنا، وهو شركة كبرى لأشباه الموصلات، على أكثر من 10 حالات استخدام. كان الطموح هو جعل الذكاء الاصطناعي أساسًا لعملية التحقق لدى العميل، بما يشمل:
توليد اختبارات موجّهة
تحليل الأسباب الجذرية وتصحيح الأخطاء
مساعدًا للتصميم المعماري
قد يستحوذ التحقق على نحو 70% من الجهد المبذول في المشروع في هذا القطاع. كانت الفرصة هائلة، وكانت هناك نقاط كثيرة يمكن البدء منها.
كان بعض مهندسي النشر الميداني (FDE) قد انضموا إلى OpenAI قبل أيام فقط، ولم يسبق لهم العمل في مجال أشباه الموصلات. اندمجوا في فريق التحقق لدى العميل، ودرسوا تصميم الشرائح في أوقات فراغهم، وبنوا مع المهندسين تقييمات لاختبار قدرة الذكاء الاصطناعي على توليد اختبارات مفيدة وتشخيص أعطال الشرائح بشكل صحيح.
وبالتوازي مع هذا التعلّم، بنينا منظومات تقييم مخصصة لكل حالة استخدام. خلال الأشهر الثلاثة إلى الستة الأولى، دخلت جميعها بيئة الإنتاج وبدأ المستخدمون الأوائل في تبنّيها. وتجلّت ثمرة العمل في هذه المؤشرات:
توفير نحو 48% من الوقت بفضل توليد اختبارات موجّهة باستخدام الذكاء الاصطناعي.
تحسّن الأداء بنسبة وسيطة بلغت 22% بفضل تحسين النواة البرمجية.
اختصار أسابيع من تصحيح الأخطاء إلى ساعات
وعندما عرضنا هذه النتائج كلها، سألنا الرئيس التنفيذي للأجهزة: «هل عملتم في تصميم الشرائح قبل مجيئكم إلى هنا؟»
لا يُشترط في مهندسي النشر الميداني (FDE) لدينا الإلمام بالقطاع منذ اليوم الأول، لكن تعلّمه مسؤوليتهم.
مع تسريع مساعدي البرمجة لعملية بناء البرمجيات، تزداد أهمية فهم أعمال العميل. نبني فرقًا تجمع بين أصحاب الخبرات المتنوعة والخبراء المتخصصين.
تحتاج إلى معرفة كافية لاتخاذ قرارات سليمة، وإلى فضول كافٍ لمساءلة الافتراضات حول الوضع القائم.
في علوم الحياة مثلًا، تساعد الخلفيات العلمية لمهندسي النشر الميداني (FDE) لدينا على كسب ثقة الباحثين العاملين على مهام اكتشاف الأدوية قبل السريرية، مثل التحقق من الأهداف وترتيب أولوياتها، وتحليل التعبير الجيني، وإعادة بناء مسارات التخليق الكيميائي. وتتيح لهم هذه الخبرة تقديم آراء مستنيرة بشأن سبل تحسين مسارات العمل تلك.
كنا قد أثبتنا أن مسارات العمل هذه قادرة على تحقيق قيمة، لكن كلًا منها كان لا يزال يتطلب قدرًا كبيرًا من التكامل المخصص لنقله إلى فريق آخر. كان التحدي التالي هو الحفاظ على تلك النتائج مع تسهيل نشر البرمجيات وصيانتها.
بحلول ذلك الوقت، كانت قدرات Codex قد تطورت. جرّب أحد مهندسي النشر الميداني (FDE) إعادة بناء تطبيقه حوله، ثم عمل مع الفريق على نقل حالات الاستخدام إلى منظومة تقييم مشتركة يشكّل Codex جوهرها.
تحولت التطبيقات المخصصة إلى إضافات ومهارات مبنية على لبنات Codex الأساسية المشتركة. وأصبح Codex هو الواجهة أيضًا، مما أتاح لنا الاستغناء عن واجهات المستخدم الطرفية وواجهات سطر الأوامر المنفصلة التي كتبناها لكل حالة استخدام.
تمكّنا من إزالة نحو 90% من الشيفرة المخصصة في كل مشروع، وغيّر ذلك طريقة بنائنا لمسارات العمل هذه وصيانتها وتوسيع نطاقها:
أصبح بإمكاننا الاستفادة من التحسينات المركزية على Codex، مما قلّل شيفرة الربط المطلوبة لكل حالة استخدام
جُمعت الوظائف الرئيسية في مهارات وإضافات، مما سهّل تبادلها والتحكم فيها مركزيًا من خلال مركز التميّز في الذكاء الاصطناعي. وهذا يعني أن توسيع الحل من فريق إلى آخر قد لا يتطلب سوى استبدال الموصلات أو خوادم MCP بأخرى جديدة، وبناء تقييمات جديدة، كانت لدينا مهارة مخصصة لها أيضًا، ثم بدء التشغيل.
في أحد الأمثلة في أغسطس 2026، استغرق النشر الأولي شهرين. أما توسيع الحل ليشمل فريقًا ثانيًا فاستغرق يومًا واحدًا. كانت الفرق التالية تبدأ الاستخدام بسرعة أكبر مع توسّعنا، واستمر هذا الاتجاه؛ ففي إحدى حالات الاستخدام في أغسطس 2026، استغرق ضم الفريق الثاني يومًا واحدًا بعد أن استغرق النشر الأولي شهرين.
هذه إحدى الطرق التي نجعل بها دورنا غير ضروري. لقد حدّد العمل الذي أنجزناه للوصول إلى بيئة الإنتاج ما يهم حقًا. ومع تحسّن المنتج الأساسي، استطعنا استبدال جزء كبير من تنفيذنا المخصص مع الحفاظ على القيمة التي حققها.
لهذا يهمّ ترتيب الخطوات. تتيح لنا النماذج اللغوية الكبيرة (LLM) البناء بسرعة. استخدم هذه السرعة لوضع شيء قيّم بين أيدي المستخدمين، وتعلّم ما يثبت نجاحه عمليًا، ثم وسّع نطاق ما ينجح.
وينطبق المبدأ نفسه على جميع مشاريع التعاون.
نشأ OpenAI Presence، منتجنا لوكلاء الصوت والدردشة في المؤسسات، من عمليات نشر حقيقية للعملاء. بدأ العمل مع Swarm(يفتح في نافذة جديدة) وتطور من خلال Agents API، واليوم يعالج أحد العملاء أكثر من نصف مكالماته باستخدام الذكاء الاصطناعي.
لقد ساعدنا إدخال تلك التطبيقات في بيئة الإنتاج على فهم المشكلات التي تتطلب حلولاً مخصصة، والعناصر الأساسية التي يمكن للفرق الأخرى استخدامها. لقد قمنا بإدخال تلك اللبنات الأساسية في Presence، مما يسهل على المطورين أتمتة سير العمل المنظم دون إعادة بناء البنية التحتية الأساسية. ساهمت كل عملية نشر في تشكيل المنتج ومنحت العميل التالي نقطة انطلاق أفضل.
بالتعاون معThrive Holdings، عمل مهندسو النشر الميداني (FDEs) والباحثون لدى OpenAI جنبًا إلى جنب مع المهندسين والمحاسبين لتطوير Tax AI لصالح مكاتب المحاسبة التابعة لشركة Crete. وخلال المرحلة التجريبية، عالج Tax AI نحو 7,000 إقرار ضريبي، وأسهم في زيادة حجم العمل المنجَز بنسبة تقارب 50%.
كان أحد أصعب التحديات هو أتمتة عمليات إرجاع العقارات المؤجرة، الأمر الذي تطلب ستة أسابيع من المراجعة الهندسية والممارسة للوصول إلى دقة واستدعاء بنسبة 90٪. وقد أدى هذا العمل إلى إنشاء أنماط قابلة لإعادة الاستخدام سهّلت توسيع نطاق Tax AI ليشمل جداول ضريبية معقدة أخرى.
تطبّق الفرق الآن النهج نفسه على مسك الدفاتر والتدقيق ودعم تكنولوجيا المعلومات، فتبني أنظمة تتحسن بفضل ملاحظات الممارسين والاستخدام الفعلي.
أحيانًا يتيح لنا منتج أفضل تبسيط ما بنيناه، لكن أحيانًا أخرى يكون النموذج نفسه غير قادر بعد على أداء المهمة.
إذا اكتفينا ببناء ما تتيحه نماذج اليوم بالفعل، فلن نكتشف الثغرات في قدرات الذكاء الاصطناعي التي ينبغي لفريق الأبحاث سدّها لاحقًا. لذلك يبدأ كثير من مشاريع تعاوننا المهمة عند تلك الحدود، مع التزام العميل ومهندس النشر الميداني (FDE) وفريق الأبحاث بتجاوزها معًا.
كنا قد طوّرنا بالفعل منصة لخدمة العملاء بالتعاون مع أحد عملائنا، وهو شركة اتصالات كبرى، وأراد توسيعها لتشمل الخدمة الصوتية.
كانت المكالمات الصوتية تمثل نحو 90% من حجم تفاعلات خدمة العملاء لديه. كانت معالجة هذه الحالات آليًا دون إحالتها إلى موظف أعلى تكلفةً من الدردشة، وطرحت تحديات تقنية جديدة تتعلق باللهجات ونبرة الصوت وزمن الاستجابة والدقة، للوصول بها إلى مستوى يتيح استخدامها في بيئة الإنتاج. وكان النجاح في ذلك سيُحدث فرقًا كبيرًا في أعماله.
أثناء تحديد نطاق المشروع، حقق نموذجنا نحو 60% في التقييمات الرئيسية التي استخدمناها لقياس قدرته على أداء المهمة في بيئة الإنتاج. كنا قد بلغنا حدود قدراته. كان لا بد من تحسين استدعاء الأدوات واتباع التعليمات في سيناريوهات خدمة العملاء.
شرحنا ذلك للعميل وأشركنا فريق الأبحاث في العمل. عمل مهندس النشر الميداني (FDE) مع العميل على بناء المنصة وتحديد ما يحتاج النموذج إلى إنجازه. وعمل فريق الأبحاث على سد الثغرات في القدرات، وأتاحت لنا الإصدارات المتعاقبة من النموذج اختبار مدى التقدم في تلبية متطلبات العميل.
خلال ستة أشهر، ارتفع الأداء في التقييمات الرئيسية من نحو 60% إلى 80%، ثم إلى أكثر من 90%، ليبلغ المستويات المطلوبة للاستخدام في بيئة الإنتاج.
يدعم النموذج الصوتي الذي نتج عن هذا العمل الآن النظام المنشور لدى ذلك العميل، وأنظمة أخرى مخصصة لخدمة العملاء، وأنظمة مُدارة عبر Presence. ساعدت مشكلة واجهناها في أعمال عميل واحد على تحديد تحسينات يمكن أن تفيد كثيرين غيره.
كان لكل جزء أهميته. التزم العميل بالعمل على مشكلة لم يكن النموذج قادرًا على حلّها بعد. وحافظ مهندس النشر الميداني (FDE) على تعاون وثيق أتاح له تحديد المشكلة، وبناء المنصة، وقيادة المشروع من البداية إلى النهاية. وحسّن فريق الأبحاث قدرات النموذج الأساسية.
هذه هي الطريقة الأخرى التي نجعل بها دورنا غير ضروري: المساعدة على تحويل مشكلة تعجز نماذج اليوم عن حلّها إلى قدرة تمتلكها نماذج المستقبل. يمتد مردود عملنا إلى ما هو أبعد من الساعات التي نقضيها مع أي عميل بعينه.
انضممت إلى OpenAI للمساعدة على جعل الذكاء الاصطناعي مفيدًا في عمل الناس اليومي. ولا يزال هذا الهدف يوجّه الفريق. كثيرًا ما أقول للفريق إن مبدأ شفرة أوكام ينطبق في معظم حالات تطوير النماذج اللغوية الكبيرة (LLM): أبسط الحلول هو أفضلها. في شركة تُعرف بأبحاثها الرائدة، وفي قطاع تشوبه المبالغات، نريد بناء أنظمة تعمل بموثوقية ويستطيع العاملون في الميدان الاعتماد عليها.
الهدف هو أن يحسّن كل مشروع تعاون ما يأتي بعده: منتج أسهل في النشر، أو نموذج قادر على إنجاز مهمة أصعب، أو عمل مخصص أقل للعميل التالي.
إذا كانت لديك مشكلة صعبة تريد حلّها، فيسعدنا العمل معك. وإذا أردت المساعدة في حلّ هذه المشكلات، فيسعدنا انضمامك إلينا.
إذًا، ماذا نفعل عندما يصبح Codex قادرًا على إنجاز العمل الذي قضينا شهورًا في بنائه؟
نبحث عن المشكلة الأصعب.
