نموذج أولي لتقييم صلاحية مياه الشرب بالنماذج اللغوية الكبيرة

المشكلة

حساسات جودة المياه تعطي أرقاماً، لكن صاحب الخزان أو المحطة يريد جواباً: هل الماء صالح للشرب، وما المشكلة إن لم يكن، وماذا يفعل. تحويل الأرقام إلى قرار مفهوم هو ما جربه هذا النموذج الأولي.

الحل وطريقة العمل

• التعليمات: النموذج يُعرَّف بأنه خبير ترشيح مياه، ويُطلب منه رد JSON بأربعة حقول ثابتة: drinkable و drinkability_percentage و problem و recommendations.
• أمثلة سابقة: تبدأ المحادثة بأسئلة وأجوبة قصيرة عن أثر كل من TDS و pH والعكارة والحرارة بالأرقام، ليبني النموذج حكمه على حدود واضحة (مثل pH بين 6.5 و 8.5 وعكارة أقل من 1 NTU).
• حلقة الاختبار: تولّد قراءات عشوائية ضمن مدى معقول كل 10 ثوانٍ، وترسلها، ثم تحوّل الرد إلى JSON مرتب أو تسجل فشل التحويل.
• تجربة الضبط الدقيق: محاولة منفصلة لتدريب نسخة مضبوطة من Gemini على عينة من 10,000 صف من بيانات جودة مياه عامة، بأعمدة pH و TDS والعكارة والصلاحية.

التنفيذ والتحديات

فرض شكل JSON عبر response_mime_type جعل الرد قابلاً للقراءة آلياً، لكن درجة الحرارة العالية للتوليد تعني أن الحكم قد يختلف بين طلبين متقاربين، وهذا سبب أن الحكم النهائي يجب أن يستند إلى حدود ثابتة لا إلى النموذج وحده. التجربة بقيت نموذجاً أولياً بقراءات مولّدة لا بحساسات حقيقية، ثم تطورت الفكرة نفسها (قراءات تدخل نموذجاً لغوياً ويخرج تشخيص وتوصيات) إلى مشروع التخرج للصيانة التنبؤية.

المهارات المكتسبة

هندسة التعليمات للنماذج اللغوية، فرض مخرجات JSON، التعلم من أمثلة في المحادثة، تجهيز البيانات بـ pandas، وتجربة الضبط الدقيق لنموذج لغوي.