Databricks Mosaic AI

تُعد Databricks Mosaic AI حزمة منتجات الذكاء الاصطناعي المدمجة داخل منصة Databricks Data Intelligence Platform، وهي تستهدف فرق هندسة البيانات والتعلم الآلي في المؤسسات التي تحتاج إلى تحكم شامل من البداية إلى النهاية في كيفية بناء نماذج الذكاء الاصطناعي وضبطها ونشرها وحوكمتها. إنها ليست منتجاً مستقلاً للذكاء الاصطناعي: بل هي طبقة متكاملة بعمق فوق Databricks Lakehouse، مصممة للمؤسسات التي تقوم بالفعل بتشغيل البنية التحتية للبيانات على Databricks وترغب في توسيع هذا الاستثمار ليشمل الذكاء الاصطناعي في بيئة الإنتاج. استمدت العلامة التجارية Mosaic AI اسمها من MosaicML، وهي شركة ناشئة متخصصة في الذكاء الاصطناعي التوليدي استحوذت عليها Databricks في يوليو 2023 مقابل 1.3 مليار دولار، والتي جلب فريقها تدريب النماذج اللغوية الكبيرة (LLM) الفعالة على وحدات معالجة الرسومات (GPU) وعائلة نماذج MPT إلى منظومة Databricks.

تغطي المنصة ستة مجالات رئيسية للقدرات: Mosaic AI Agent Framework لبناء تطبيقات RAG والتطبيقات القائمة على الوكلاء؛ وMosaic AI Agent Evaluation مع حكام ذكاء اصطناعي آليين لقياس الجودة؛ وMosaic AI Vector Search، وهي قاعدة بيانات متجهات مُدارة تتزامن تلقائياً من جداول Delta؛ وMosaic AI Model Serving لنشر الوكلاء والنماذج اللغوية الكبيرة (LLMs) على نطاق واسع؛ وMosaic AI Model Training للضبط الدقيق أو التدريب المسبق للنماذج مفتوحة المصدر على البيانات المملوكة؛ وManaged MLflow لتتبع التجارب وعمليات التعلم الآلي (MLOps). في يونيو 2025، أضافت Databricks كلاً من Unity AI Gateway (طبقة حوكمة مركزية لجميع النماذج اللغوية الكبيرة وخوادم MCP) وAgent Bricks (أداة آلية لبناء الوكلاء) في قمة Data + AI Summit. تدعم المنصة نماذج الجهات الخارجية بما في ذلك GPT-4 وMeta Llama وAnthropic Claude وMistral إلى جانب نموذج DBRX الخاص بشركة Databricks.

ما الذي تقدمه Databricks Mosaic AI فعلياً في مايو 2026

تتمحور Mosaic AI حول دورة الحياة الكاملة لتطوير الذكاء الاصطناعي في المؤسسات، بدءاً من البيانات الخام وصولاً إلى وكلاء الإنتاج. انطلاقاً من جدول Delta Lake، يمكن لفريق البيانات إنشاء فهرس متجهات في Mosaic AI Vector Search يظل متزامناً تلقائياً مع تغير بيانات المصدر. يغذي فهرس المتجهات هذا مسار RAG تم بناؤه باستخدام Agent Framework SDK، والذي يتولى تنسيق الاسترجاع، وبناء التلقين (prompt)، ومنطق استخدام الأدوات. يتم نشر الوكيل المكتمل من خلال Model Serving، والذي يدعم اعتباراً من منتصف عام 2025 أكثر من 250,000 استعلام في الثانية ويتضمن محرك استدلال (inference) خاص للنماذج اللغوية الكبيرة مفتوحة المصدر تدعي Databricks أنه يعمل أسرع بما يصل إلى 1.5 مرة من إعداد vLLM القياسي.

تمنح أداة Agent Evaluation الفِرق حكام ذكاء اصطناعي يقومون بتقييم الاستجابات بناءً على الصحة، والموثوقية (اكتشاف الهلوسة)، وصلة الاسترجاع، وصلة الإجابة، والسلامة. تتيح واجهة المراجعة البشرية للخبراء المتخصصين تقديم ملاحظات إضافية دون الحاجة إلى خبرة في التعلم الآلي. تُغذى هذه التقييمات مباشرة في MLflow لمقارنة التجارب والتحكم في النشر. تمت إعادة تصميم MLflow 3.0، الذي تم إصداره في يونيو 2025، من الصفر للذكاء الاصطناعي التوليدي، وهو يتتبع الآن الوكلاء المنشورين خارج Databricks، بما في ذلك على أنظمة AWS وGCP والأنظمة المحلية (on-premise).

بالنسبة للفرق التي تحتاج إلى نماذج مخصصة بدلاً من استدلال النماذج الأساسية المستضافة، تتولى أداة Model Training عملية الضبط الدقيق على مجموعات وحدات معالجة الرسومات (GPU) المُدارة دون الحاجة إلى إدارة البنية التحتية. أدت إعادة كتابة Storage-Optimized Vector Search في يونيو 2025 إلى خفض التكلفة بمقدار 7 أضعاف (حسب الادعاءات) مع التوسع إلى مليارات المتجهات عن طريق فصل طبقات الحوسبة والتخزين. توفر AI Gateway، المتاحة أيضاً بشكل عام منذ يونيو 2025، تجاوز الفشل التلقائي لمزود الخدمة، وحواجز حماية معلومات التعريف الشخصية (PII) والسلامة، وتحديد معدل الاستخدام، وتسجيل الاستخدام عبر المؤسسة، مع إمكانية التوجيه إلى أي نموذج لغوي كبير (LLM) أو خادم MCP.

تتخذ أداة Agent Bricks، التي لا تزال في المرحلة التجريبية (beta) اعتباراً من منتصف عام 2025، نهجاً أعلى مستوى: يصف المستخدم مهمة (استخراج منظم، أو مساعدة معرفية، أو تحويل نص، أو تنسيق متعدد الوكلاء)، ويربط بيانات المؤسسة، ويقوم النظام بإنشاء التقييمات وضبط الوكيل تلقائياً. تشمل بنيات الوكلاء المدعومة الاسترجاع بخطوة واحدة، وسلاسل الاستدلال متعددة القفزات، ووكلاء استدعاء الأدوات. أبلغت FactSet عن تحسن بنسبة 44% في الدقة بعد نشر وكيل عبر هذه الحزمة؛ وأبلغت Block عن مكاسب إنتاجية بقيمة 10 ملايين دولار؛ وأبلغت Intercontinental Exchange عن دقة استجابة بلغت 96%.

"لقد أتاحت لنا Mosaic AI Agent Framework تجربة النماذج اللغوية الكبيرة المعززة بسرعة، مع الاطمئنان إلى أن أي بيانات خاصة تظل تحت سيطرتنا. يضمن التكامل السلس مع MLflow وModel Serving قدرة فريق هندسة التعلم الآلي لدينا على التوسع من إثبات المفهوم (POC) إلى الإنتاج بأقل قدر من التعقيد." - مدير التحليلات، Burberry، مدونة Databricks، يوليو 2024

"لقد كانت Mosaic AI Agent Framework بمثابة نقطة تحول بالنسبة لنا لأنها أتاحت لنا تقييم نتائج تطبيقات الذكاء الاصطناعي التوليدي الخاصة بنا وإثبات دقة مخرجاتنا مع الحفاظ على التحكم الكامل في مصادر بياناتنا." - نائب رئيس البيانات والذكاء الاصطناعي، Lippert، مدونة Databricks، يوليو 2024

موقع Mosaic AI مقارنةً بـ AWS Bedrock وSnowflake Cortex

منصات الذكاء الاصطناعي المؤسسية الثلاث المهيمنة اعتباراً من مايو 2026 هي Databricks Mosaic AI وAWS Bedrock وSnowflake Cortex، وهي تختلف معمارياً بطرق تهم أكثر من مجرد قوائم الميزات السطحية.

تُعد AWS Bedrock بوابة استدلال مُدارة على البنية التحتية لشركة Amazon. وهي توفر الوصول إلى Claude وLlama وTitan وMistral ونماذج أخرى من جهات خارجية عبر واجهة برمجة تطبيقات (API) واحدة، وتتولى Bedrock Knowledge Bases التعامل مع RAG المدعوم من Amazon S3 وOpenSearch Serverless. ما لا تفعله Bedrock هو منح الفرق التحكم في التدريب: يقتصر الضبط الدقيق على Bedrock على نماذج محددة مع وصول مقيد للمعلمات الفائقة (hyperparameters)، وطبقة التخزين هي S3، والتي تفتقر إلى ضمانات معاملات ACID وفرض المخطط (schema) الموجودة في Delta Lake. النموذج التشغيلي لـ Bedrock أبسط: لا تحتاج الفرق إلى خبرة في Spark، وتتم الفوترة لكل رمز مميز (token) لواجهة برمجة التطبيقات. المقابل هو مرونة أقل للفرق التي تحتاج إلى الجمع بين الضبط الدقيق وRAG على نفس مسار البيانات، أو التي ترغب في إجراء عمليات تدريب كاملة على بنيات نماذج مملوكة. تدعم Mosaic AI جميع أنماط الذكاء الاصطناعي الرئيسية الأربعة (هندسة التلقين، وRAG، والضبط الدقيق، والتدريب المسبق) في منصة موحدة؛ بينما تتفوق Bedrock في مجالات الاستدلال المُدار وRAG.

تتخذ Snowflake Cortex نهجاً مختلفاً تماماً: الذكاء الاصطناعي كوظائف SQL. تتيح Cortex النماذج اللغوية الكبيرة بما في ذلك Llama وMistral ونموذج Arctic الخاص بشركة Snowflake من خلال استدعاءات SQL القياسية عبر Snowpark، مما يسمح للمحللين الذين ليس لديهم خبرة في Python أو التعلم الآلي بتشغيل الاستدلال داخل استعلامات مستودع البيانات. لا تتيح Cortex تدريب النماذج، أو الضبط الدقيق، أو التنسيق المخصص للوكلاء: طبقة النموذج مُدارة بالكامل بواسطة Snowflake. تدعي Databricks نفسها أن وظائف الذكاء الاصطناعي في SQL تعمل أسرع بما يصل إلى 3 مرات وبتكلفة أقل بـ 4 مرات من "الموردين الآخرين في أعباء العمل واسعة النطاق" اعتباراً من يونيو 2025، وهو معيار يبدو أنه يشير إلى Cortex. ميزة Cortex هي سهولة الوصول: يمكن لمحلل SQL استدعاء نموذج لغوي كبير دون كتابة سطر واحد من كود Python. بينما ميزة Mosaic AI هي العمق: فهي تتعامل مع الحزمة بأكملها للفرق التي تحتاج إلى امتلاك النموذج، وليس مجرد استدعائه.

بالنسبة للفرق التي تقارن Mosaic AI مع Vertex AI، يكمن الاختلاف الهيكلي في طبقة البيانات: ترتبط Vertex AI ارتباطاً وثيقاً بـ BigQuery وVertex AI Feature Store، بينما تعمل Mosaic AI على Delta Lake وUnity Catalog. تدعم كلتا المنصتين الضبط الدقيق للنماذج مفتوحة المصدر والخدمة المُدارة، لكن Mosaic AI تغطي نطاقاً أوسع من سيناريوهات التدريب بما في ذلك التدريب المسبق الكامل.

كيف يبدو واقع سير العمل في Mosaic AI

من الناحية العملية، يتطلب بناء وكلاء الإنتاج على Mosaic AI فريقاً يتمتع بخبرات متداخلة: Python أو Scala لهندسة البيانات، وSQL لإدارة جداول Delta، ومفاهيم التعلم الآلي للتقييم والضبط الدقيق، وضبط Spark للتحكم في التكاليف. لا تخفي المنصة هذا التعقيد؛ بل تديره. بالنسبة لفريق يمتلك هذه المهارات بالفعل، فإن التكامل حقيقي: حيث ينتقل تحديث جدول Delta تلقائياً إلى فهرس متجهات حي دون المساس بالوكيل المنشور، وهو ما يمثل ميزة تشغيلية حقيقية مقارنة بالحزم التي تكون فيها مسارات البيانات وخدمة الذكاء الاصطناعي أنظمة منفصلة.

تبدأ عملية الإعداد بتكوين حوكمة Unity Catalog، والتي تقر وثائق Databricks نفسها بأنها "يمكن أن تستغرق بسهولة أشهراً من التخطيط الدقيق". يُعد إعداد أذونات البيانات، وسياسات المجموعات (clusters)، ونقاط نهاية خدمة النماذج قبل كتابة أي منطق للذكاء الاصطناعي تكلفة زمنية حقيقية. غالباً ما تجد الفرق التي تتخطى هذه الخطوة نفسها مضطرة إلى تعديل الحوكمة بأثر رجعي عند ظهور متطلبات الامتثال أو المتطلبات القانونية، وهو أمر أكثر تكلفة من بنائها منذ البداية.

يُعد تكامل MLflow نقطة قوة حقيقية. جعل الإصدار 3.0 من تتبع الوكلاء وإصدارات التلقين ميزات من الدرجة الأولى، والقدرة على تتبع الوكلاء المنشورين في أي مكان (وليس فقط على Databricks) تجعله مفيداً كطبقة مراقبة عبر حزمة هجينة. الفرق التي تستخدم أيضاً Weights and Biases لتتبع التجارب تقوم أحياناً بتشغيل كلا النظامين بالتوازي أثناء الضبط الدقيق، مما يضيف تعقيداً ولكنه يحافظ على التصورات المرئية الأكثر ثراءً في W&B والتي لا يكررها MLflow بعد في عمليات التدريب.

لمن تم بناء Mosaic AI

تناسب Mosaic AI المؤسسات التي استثمرت بالفعل في Databricks Lakehouse وتحتاج إلى توسيع تلك المنصة لتشمل الذكاء الاصطناعي في بيئة الإنتاج دون تجميع مجموعة منفصلة من الأدوات. يقضي التكامل الأصلي للبيانات (المزامنة التلقائية لـ Delta Lake مع فهارس المتجهات، وحوكمة Unity Catalog عبر أصول الذكاء الاصطناعي والبيانات، وتتبع MLflow من التدريب إلى النشر) على "ضريبة الموصلات" التي تدفعها الفرق عند إدارة أنظمة منفصلة للبيانات والتعلم الآلي والخدمة.

تشمل الصناعات التي تتبنى المنصة باستمرار الخدمات المالية (حيث تجعل متطلبات الحوكمة وإقامة البيانات طبقة Unity Catalog قيّمة)، وتحليلات الرعاية الصحية، والتجارة الإلكترونية والتصنيع على نطاق واسع (Burberry وLippert وFordDirect وICE جميعهم مستخدمون موثقون في بيئة الإنتاج). الفرق التي تحتاج إلى الجمع بين الضبط الدقيق وRAG في مسار واحد، بدلاً من الاختيار بينهما، هي الأكثر استفادة من هذا النهج الموحد.

ما لا تقدمه Mosaic AI

لا تُعد Mosaic AI مناسبة للفرق الصغيرة أو المتوسطة التي لا تمتلك مهندسي تعلم آلي متخصصين وخبراء معتمدين في Spark من Databricks ضمن طاقمها. منحنى التعلم حاد لدرجة أن مراجعة منصة eesel.ai تصفه بأنه "منحدر قاسي" للفرق التي تفتقر إلى خبرة فنية عميقة عبر جميع المجالات الثلاثة المطلوبة في وقت واحد.

إنها ليست منصة للنماذج الأولية السريعة. تفيد الفرق بأن التنفيذ يستغرق أشهراً قبل أن يصبح نظام الإنتاج جاهزاً، ويمكن أن يستهلك إعداد الامتثال والحوكمة وحده أسابيع من وقت الهندسة قبل كتابة أي منطق للذكاء الاصطناعي. إذا كان الهدف هو نشر روبوت محادثة موجه للعملاء في غضون أسبوعين، فإن Bedrock أو Cortex ستحقق ذلك بشكل أسرع.

كما أن نموذج التكلفة غير مناسب للفرق ذات الميزانيات المحدودة أو غير المتوقعة للذكاء الاصطناعي. تفرض Databricks رسوم DBU بالإضافة إلى تكاليف البنية التحتية السحابية، ويبلغ المستخدمون باستمرار أن مهام Spark غير المضبوطة بشكل صحيح تؤدي إلى مفاجآت في الفواتير. وجد تحليل واسع الانتشار على Reddit أن رسوم DBU تمثل زيادة بنسبة 600% على تكاليف الخوادم السحابية الخام. يمكن أن تكلف مسارات عمل وكلاء الذكاء الاصطناعي في بيئة الإنتاج التي تتطلب مجموعات GPU مخصصة ما بين 5,000 إلى 15,000 دولار شهرياً في الحوسبة الأساسية قبل أي رسوم لواجهة برمجة التطبيقات (API) القائمة على الرموز المميزة.

أخيراً، تحمل Mosaic AI مخاطر قانونية نشطة: لا تزال دعوى حقوق الطبع والنشر الجارية (In re Mosaic LLM Litigation) التي تزعم أن بيانات التدريب مستمدة من حوالي 196,000 عنوان كتاب مقرصن عبر مجموعة بيانات RedPajama/Books3 قائمة اعتباراً من أبريل 2026، بعد أن رفض القاضي تشارلز براير طلب Databricks بالرفض. لا يُعد هذا عاملاً مؤثراً في الاستخدام اليومي للمنصة، ولكن يجب أن تكون فرق المشتريات في المؤسسات الخاضعة للتنظيم على دراية به.