في عالم تتسارع فيه الابتكارات التقنية، تُعتبر نماذج اللغات الضخمة (Large Language Models) حجر الزاوية في العديد من التطبيقات، وخاصة في دعم العملاء ضمن قطاع الاتصالات. ومع تطور هذه النماذج، يظل تقييمها وتكييفها وفقًا للمتطلبات المحددة في هذا المجال محدودًا. في دراستنا، نقدم تحليلًا منهجيًا يُظهر كيفية استخدام تقنية ضبط المعلمات بكفاءة (Parameter-Efficient Fine-Tuning) عبر تكيف منخفض الرتبة (Low-Rank Adaptation - LoRA) لتطوير مساعد محادثة مخصص للقطاع.

قمنا بتطبيق تقنية LoRA على نموذج Qwen2.5-3B، مستخدمين نهجًا مبتكرًا لتوليد البيانات الاصطناعية يعتمد على قاموس يحتوي على 52 مصطلحًا صناعيًا، مما أدى إلى إنتاج حوالي 30,000 مثال تدريبي عبر 1,560 سيناريو مختلف. كان من اللافت أن تحليلنا اشتمل على 16 تكوينًا مختلفًا لتقنية LoRA، حيث قمنا بتعديل الفرضيات والوحدات المستهدفة، مما أتاح لنا تجربة تقييم شاملة تتجاوز المقاييس التقليدية.

لم يقتصر تقييمنا على الأداء الكمي فقط، بل شمل أيضًا تحليل استهلاك الطاقة وتقييم نوعي باستخدام إطار عمل يعتمد على نموذج اللغات الضخمة كحكم، مثل GPT-5.2 وClaude 4.5 Sonnet. وكانت النتائج مثيرة للاهتمام، حيث أظهرت تباينًا واضحًا بين الأداء الكمي والنوعي: النماذج التي حققت أدنى فقدان تحقق في التقييم لم تكن بالضرورة الأفضل وفقًا لتقييم البشر.

على سبيل المثال، حصل أفضل فقدان تحقق (0.5024) على المركز السادس أو السابع في التقييم النوعي، في حين حصل أسوأ فقدان (0.6807) على المركز الأول بناءً على تقييم الحكام. يساهم عملنا في عدة نقاط هامة:
1. تقديم طريقة تركيبية لبناء مجموعات بيانات اصطناعية.
2. توفير رؤى حول تأثير اختيار الوحدات المستهدفة لتطبيق LoRA.
3. إثبات أن فقدان التحقق وحده غير كافٍ لاختيار تكوينات الضبط في الذكاء الاصطناعي المحادثي.
4. إجراء تحليل لتجارة الطاقة والأداء لضمان نشر نماذج اللغات الضخمة بشكل مستدام.

هذه الدراسة تمثل خطوة مهمة نحو تحسين استخدام الذكاء الاصطناعي في البيئات الحساسة مثل دعم العملاء، مما يفتح الباب لمزيد من الأبحاث والتطوير في هذا field.