عندما أُطلق Codex، سأل أحد أعضاء الفريق عما ينبغي أن يفعله فريق FDE بعد أن أصبح Codex قادراً على تنفيذ حالات الاستخدام التي قضى الفريق شهوراً في بنائها دفعة واحدة. في OpenAI، يعكس هذا السؤال الغرض من فريق الهندسة المنتشرة إلى الأمام (Forward Deployed Engineering - FDE). يعمل المهندسون مع العملاء لفهم أصعب مشكلاتهم وبناء حلول يمكنهم الاعتماد عليها، وما يتعلمونه يغذي المنتجات ويمنح فريق الأبحاث مشكلات ملموسة لحلها. وإذا جعل الفريق نفسه غير ضروري كل بضعة أشهر، فهذا يعني أنه يؤدي عمله على النحو الصحيح.
تأسس الفريق في أوائل عام 2025 لسد ما تسميه OpenAI فجوة النشر: المسافة بين ما تبدو النماذج قادرة عليه وما يستطيع الناس استخدامه بموثوقية في أعمالهم. وأحياناً تكون القطعة الناقصة منتجاً، وأحياناً يحقق نموذج أداءً جيداً في اختبار مرجعي لكنه لا يتعامل مع المتغيرات والقيود الواقعية. حيث تستطيع النماذج أداء المهمة بالفعل، يعمل المهندسون مع فريق المنتجات والعملاء على جعل الحل قابلاً للتكرار. وحيث تقصر، يعملون مع العملاء والأبحاث على تحديد الفجوة وتحسين النماذج.
في John Deere، وهي شركة زراعية عمرها 200 عام، كان التحدي هو توسيع نطاق تقديم النصائح المخصصة للمزارعين. تستخدم تقنيتها See & Spray الكاميرات والتعلم الآلي لرش الأعشاب الضارة بدلاً من الحقول كاملة، ما يقلل استخدام المواد الكيميائية بنسبة تصل إلى 70%. غير أن تحقيق هذه الفوائد يعتمد على معرفة المزارعين بكيفية ضبط التقنية وتعديل ممارساتهم. نشرت John Deere واجهات برمجة تطبيقات OpenAI لتقديم إجابات بلغة طبيعية، وإرشادات إعداد مخصصة، وتنبيهات عندما قد لا تعمل المعدات بكامل طاقتها.
تقول OpenAI إن هذه المشكلات غالباً ما تكون مفتوحة تماماً، دون حقيقة أرضية راسخة ولا دليل إجراءات جاهز. يعمل فريق FDE وفق مبدأ أساسي: ابدأ بالنتيجة، وافعل ما يلزم للنجاح، ثم وسّع النطاق. في منتصف عام 2025، عمل نحو 15 مهندساً من FDE مع عميل كبير في صناعة أشباه الموصلات على أكثر من 10 حالات استخدام لجعل التحقق من الرقائق قائماً على الذكاء الاصطناعي، وهو مجال يمكن أن يمثل نحو 70% من جهد المشروع.
المصدر: OpenAI Blog · لخّصه HeadlinesBriefing