هل يمكن للذكاء الاصطناعي العثور على الحلقة التلفزيونية المناسبة؟ ليس بشكل موثوق.

أصبح العالم أكثر تفاعلاً من الناحية الحوارية، وتساعد تقنية الذكاء الاصطناعي من الجيل الجديد (GenAI) الناس على التعامل مع عالم يزداد تعقيدًا. وفي عالم الترفيه، يستخدم مشاهدو التلفزيون البحث الصوتي للتغلب على الازدحام الذي يشهده المشهد المتنامي لمحتوى الفيديو، والذي يستمر في التشتت عبر القنوات والخدمات المختلفة.

على الرغم من انتشار وظائف الصوت عبر الأجهزة، فإن فائدة هذه التكنولوجيا تعتمد على البيانات — أي المعلومات الواقعية والآنية التي يستخدمها^{نموذج اللغة الكبير (LLM1)} للتحقق من صحة الردود التي يقدمها على استفسارات المستخدمين وتزويدها بالمعلومات وتصحيحها. وفي مجال البث المباشر، يعتبر هذا الأمر بالغ الأهمية بشكل خاص بالنسبة للمحتوى المسلسل.

لا يقتصر الأمر على أن كمية المحتوى التلفزيوني تفوق عدد الأفلام المتاحة بكثير فحسب، بل إن الجمهور يبحث عن حلقات المسلسلات بطريقة تختلف عن طريقة بحثه عن الأفلام. نادرًا ما يعرف المشاهدون الموسم أو الحلقة المحددة التي يرغبون في مشاهدتها، خاصةً في الحالات التي تكون فيها المسلسلات قد استمرت لفترة طويلة مثل المسلسلات الشهيرة مثل NCIS وGrey’s Anatomy وThe Simpsons. لذا، عند البحث، يستخدمون استفسارات سياقية مثل «أرني حلقات عيد الميلاد من مسلسل The Office»و«ما هي حلقات مسلسل Friends التي يظهر فيها بروس ويليس كضيف شرف؟»

في هذه الحالات، عادةً ما تكون إجابات نماذج اللغة الكبيرة (LLM) غير صحيحة. ويرجع ذلك إلى أنها تبني إجاباتها على الاحتمالات باستخدام أرقام المواسم والحلقات. وبالنسبة لمقدمي الخدمة، فإن تجربة المستخدم السيئة المرتبطة بالإجابات غير الصحيحة ستزيد من الإحباط الناجم عن تزايد تجزئة المحتوى. ويلعب المحتوى المسلسل دورًا كبيرًا في ازدحام المحتوى، حيث تشكل حلقات المسلسلات التلفزيونية 85% من المحتوى الذي توزعه شركات خدمات الفيديو حسب الطلب (SVOD) العالمية الست التي يتم تتبعها في Gracenote Data Hub.

مع تزايد حجم مكتبات الفيديو، ستصبح تقنية الذكاء الاصطناعي من الجيل الجديد (GenAI) أكثر فائدة للمشاهدين الباحثين عن محتوى لمشاهدته. فعلى سبيل المثال، في غضون عام ونصف فقط، زاد عدد حلقات المسلسلات التلفزيونية المتاحة للجمهور بأكثر من 21%.

من خلال تقديم ميزات مثل البحث التفاعلي، والصور المخصصة للبرامج، والتوصيات المخصصة، وأبرز أحداث المباريات الرياضية في الوقت الفعلي، ستُحدث تقنية الذكاء الاصطناعي العام (GenAI) تحولاً جذرياً في طريقة تفاعل المشاهدين مع المحتوى المرئي.

ولتوفير هذه الإمكانات — وتقديمها بطرق ملائمة ومخصصة — تحتاج نماذج اللغة الكبيرة (LLMs) التي تدعم عمليات البحث والاكتشاف إلى الوصول إلى بيانات ترفيهية دقيقة وشاملة. وينطبق هذا بشكل خاص على 50% من الأمريكيين الذين أفادوا بأنهم سيفكرون في إلغاء اشتراكهم في خدمة ما إذا لم توفر محتوى يثير^{اهتمامهم2}.

يُعد الاتصال بالبيانات المُثبتة في الوقت الفعلي أمرًا بالغ الأهمية، حيث إن نماذج اللغة الكبيرة (LLM) التي يتم نشرها للاستخدام المؤسسي لا تستند إلى أي مصادر معلومات خارجية. وعلى عكس روبوتات الدردشة الشائعة (مثل ChatGPT وGemini)، فإنها لا تعرف سوى ما توفره بيانات تدريبها. وفي هذا السياق، غالبًا ما تقع المعلومات المتعلقة بالبرامج الجديدة خارج نطاق بيانات تدريب نماذج اللغة الكبيرة، مما يحرمها من القدرة على مساعدة المشاهدين في العثور على ما يبحثون عنه. فمثلاً، فيلم «روستر» الكوميدي الذي يقوم ببطولته ستيف كاريل، هو فيلم حديث جدًّا بحيث لا يمكن لنموذج اللغة الكبير الذي تم إصداره في عام 2025 أن يمتلك أي معلومات عنه.

ردود نماذج اللغة الكبيرة (LLM) غير المبررة وتجربة المستخدم 

كما هو موضح بالتفصيل في تقريرنا الأخير «ثغرات في الذكاء الاصطناعي»، تواجه نماذج اللغة الكبيرة (LLMs) غير المدعمة ببيانات صعوبة في تقديم إجابات دقيقة عند سؤالها عن السمات الأساسية في المسلسلات التلفزيونية والأفلام الشهيرة. وعندما يتعلق الأمر بالمحتوى المكون من حلقات، فإن هذا القصور يكون أكثر وضوحًا بكثير. ويرجع ذلك إلى أن سمات البيانات الوصفية تكون أكثر تميزًا على مستوى الحلقة مقارنةً بمستوى عنوان البرنامج. 

إن التخمين الدلالي، والاحتمالات التنبؤية، ونقص قدرات الفهرسة، كلها عوامل تسهم في زيادة احتمالية حدوث «هلوسة» لدى نماذج اللغة الكبيرة (LLM) غير المرتبطة ببيانات محددة، عندما يكون كل ما تتوفر لها للعمل عليه هو عنوان البرنامج ورقم الموسم ورقم الحلقة. والأهم من ذلك، أن المشاهدين نادرًا ما يبحثون عن حلقة ما باستخدام عنوانها.

لفهم أهمية الربط بالواقع في عمليات البحث والاكتشاف على مستوى الحلقات بشكل أفضل، قمنا مؤخرًا بتقييم جودة الردود غير المرتبطة بالواقع التي قدمتها النماذج اللغوية الكبيرة (LLM) على أسئلة أساسية حول حلقات تلفزيونية محددة. ورغم أن المستخدمين لا يجرون عمليات البحث بهذه الطريقة، فقد استخدمنا أرقام المواسم والحلقات في استفساراتنا لتقييم دقة البيانات الوصفية المرتبطة بها. وشملت الدراسة 100 حلقة شهيرة من 13 دولة (1,300 حلقة إجمالًا).

بشكل عام، كانت دقة المعلومات الواردة في الردود المتعلقة بالحلقات أقل بكثير مما كانت عليه بالنسبة للمسلسلات التلفزيونية والأفلام. فعلى سبيل المثال، من بين أفضل 100 حلقة في الولايات المتحدة، لم تتجاوز^{نسبة دقة} أوصاف البرامج، في المتوسط، 27٪^²، مقارنة بمتوسط بلغ 69٪ لأوصاف أفضل 100 مسلسل تلفزيوني وأفضل 100 فيلم.

لم تكن الدقة هي السمة الوحيدة التي واجهت النموذج اللغوي الكبير (LLM) غير المُدرَّب صعوبة في التعامل معها عبر 1,300 حلقة (100 حلقة لكل بلد) في الدراسة. بل كان الافتقار إلى المعلومات مشكلة أكبر، حيث لم يكن لديه أي معلومات (العنوان، الوصف، الممثلون، النوع) عن 604 حلقات (46.5% من الإجمالي). وكان هذا أكثر وضوحًا في السويد، حيث لم تُقدَّم أي معلومات عن 73 حلقة من أصل 100 حلقة. أما في الولايات المتحدة، فلم يقدم نموذج اللغة الكبير غير المرتبط بأي بيانات أي معلومات عن 31 حلقة.

الذي يحتوي على قصة خاطئة

وعندما لم تكن نماذج اللغة الكبيرة (LLM) غير المُدرجة تُرجع ردودًا فارغة، كانت تقدم في كثير من الأحيان أوصافًا غير صحيحة للحلقات — وهو نتيجة ثانوية للتخمين الدلالي، والاحتمالات التنبؤية، ونقص الفهرسة. وفي حين أنه من غير المرجح أن يبحث المشاهدون عن حلقة ما باستخدام رقم المسلسل ورقم الحلقة فقط، فإن خدمات البث تستخدم هذه السمات لتحويل عناوين الحلقات الناتجة إلى روابط عميقة أو سجل مرتبط بها في بحيرة البيانات الخاصة بها. وهنا، يُعد تنسيق البيانات في الخلفية وفهرستها أمرًا بالغ الأهمية لضمان قدرة الخدمة على عرض المحتوى الصحيح بدقة لكل مشاهد على حدة. 

ونظرًا لوجود رقم المسلسل ورقم الحلقة فقط في كل استفسار، غالبًا ما قدم نموذج اللغة الكبير غير المرتبط بالسياق (LLM) أوصافًا تحدد تفاصيل حلقات مختلفة تمامًا عن تلك التي تم الاستفسار عنها. وفي الأمثلة أدناه، فإن العناوين والأوصاف التي قدمها نموذج اللغة الكبير غير المرتبط بالسياق (LLM) غير صحيحة.

يُعد التوصيل بالأرض أمرًا بالغ الأهمية لتجارب المحتوى من الجيل التالي

إن الطريقة التي يبحث بها المستهلكون عن المعلومات والأدوات التي يستخدمونها آخذة في التغير. ويُعد استخدام الذكاء الاصطناعي العام (GenAI) ركيزة أساسية بين جيل الرقمية، كما أن انتشار استخدامه آخذ في التوسع بسرعة.

أصبح مجال المحتوى اليوم واسعًا للغاية بحيث يتعذر تصفحه باستخدام وظائف البحث التقليدية — حتى داخل المنصات والخدمات الفردية. ويُعد استخدام الذكاء الاصطناعي من الجيل الجديد (GenAI) في البحث عن المحتوى واكتشافه تحولًا جذريًّا في تجربة المستخدم، وهو ما ينطوي على إمكانية الحد بشكل كبير من المشاعر السلبية لدى المشاهدين مع تزايد ازدحام المحتوى. 

ولكن عند سؤاله عن الحلقة S02E06 من مسلسل «Stranger Things»، جمعت إجابة نموذج اللغة الكبير (LLM) غير المرتكز على مصدر موثوق معلومات من عدة حلقات مختلفة. وفي هذه الحالة، سيصل المشاهد في النهاية إلى عدم الثقة في الخدمة، وهو أمر شائع بالفعل بين مستخدمي روبوتات الدردشة حالياً: حيث يقول 75% منهم إنهم يتحققون من صحة النتائج التي تقدمها روبوتات الدردشة التي تعمل بالذكاء الاصطناعي خوفاً من أن تكون^{غير صحيحة3}.

والنتيجة النهائية في هذا السيناريو هي تجربة مستخدم سيئة — وهي تجربة قد تدفع المشاهد إلى البحث في مكان آخر عن شيء يشاهده.

للحصول على رؤى إضافية حول استخدام نماذج اللغة الكبيرة (LLMs) غير المربوطة ببيانات محددة في تجارب البحث عن المحتوى واكتشافه، قم بتنزيل تقرير "ثغرات في الذكاء الاصطناعي".

الملاحظات

1. تعد نماذج اللغة الكبيرة (LLMs) نوعًا من الذكاء الاصطناعي التوليدي الذي يتم تدريبه على كميات هائلة من البيانات لفهم اللغة وتوليدها بطريقة تشبه اللغة البشرية.
2. عند مقارنتها ببيانات التثبيت.
3. Gracenote دراسة استخدام GenAI لعام 2026