فريق البحث العميق: الشكل الأمثل للوكلاء

وكيل OpenAI الثاني

قبل ثلاثة أسابيع، قدمت OpenAI فريق البحث العميق (Deep Research)، وهو وكيلها الثاني. يمكن لهذا الوكيل البحث في مواقع ويب متعددة وإكمال بحث شامل عبر الإنترنت في غضون 5-30 دقيقة، وتجميع المعلومات وتقديم تقارير مفصلة مع الاستشهادات.

تجمع هذه المقالة وتنظم مقابلة أجرتها Sequoia Capital مع Isa Fulford و Josh Tobin، قائدي فريق البحث العميق في OpenAI. يشارك العضوان بالتفصيل التفاصيل التقنية والتفكير في المنتج وراء Deep Research، إلى جانب حالات الاستخدام التي يلاحظونها حاليًا.

نشأ Deep Research من استكشاف OpenAI الداخلي لقدرة النموذج على التعامل مع المهام طويلة الأمد. الهدف طويل المدى للفريق هو تزويد المستخدمين بالوكيل النهائي في المستقبل: حل شامل طبيعي للبحث على الويب، أو استخدام الكمبيوتر، أو أي مهام أخرى يريدون من الوكيل إكمالها.

تم أيضًا تحسين Deep Research خصيصًا على مستوى المنتج. على سبيل المثال، كما ذكر في تحليل DeepSeek الخاص بنا، يعزز Deep Research ثقة المستخدم من خلال الاستشهادات الواضحة وسلسلة الفكر (CoT). صمم الفريق أيضًا تدفق توضيح لضمان فهم متسق للمهمة. يتفوق Deep Research على البحث بالذكاء الاصطناعي و ChatGPT في استرجاع المعلومات وتنظيمها. ومع ذلك، في هذه المرحلة، لا يكون Deep Research فعالًا في استخراج رؤى جديدة من المعلومات الموجودة ولا يمكنه حتى الآن إجراء اكتشافات علمية جديدة.

النقاط الرئيسية:

• أطلقت OpenAI وكيلها الثاني، Deep Research، القادر على إجراء تحقيقات شاملة عبر الإنترنت.
• تنبع قدرات الوكيل من التدريب الشامل للنموذج.
• يتفوق Deep Research في تجميع المعلومات وإيجاد الحقائق الغامضة.
• تشمل حالات الاستخدام العمل المهني والحياة الشخصية والبرمجة والتعليم.
• يتوقع الفريق تطورات كبيرة للوكلاء في عام 2025.

تنبع قدرات الوكيل من تدريب النموذج الشامل

Deep Research هو وكيل قادر على البحث في مواقع ويب متعددة عبر الإنترنت وإنشاء تقارير شاملة، وإكمال العديد من المهام التي قد تستغرق ساعات من البشر. يعمل داخل ChatGPT، ويجيب على الأسئلة في حوالي 5-30 دقيقة، مما يتيح إجراء بحث أعمق وتقديم إجابات أكثر تفصيلاً وتحديدًا من ChatGPT القياسي. أطلقت OpenAI سابقًا Operator، و Deep Research هو وكيلها الثاني، مع المزيد في المستقبل.

الأصول

منذ حوالي عام، بدأت OpenAI في تبني نموذج تفكير داخليًا، بهدف تدريب النماذج على التفكير قبل الإجابة. أثبت هذا النهج نجاحًا كبيرًا.

في البداية، ركزت OpenAI على الرياضيات والعلوم. ومع ذلك، اكتشفوا أن بنية نموذج التفكير الجديدة هذه فتحت أيضًا القدرة على التعامل مع المهام طويلة الأجل، والتي تنطوي على قدرات الوكيل.

في الوقت نفسه، أدركت OpenAI أن العديد من المهام تتطلب بحثًا مكثفًا عبر الإنترنت أو سياقًا خارجيًا، وقدرات تفكير قوية، وتمييز مصادر المعلومات، ودرجة من الإبداع. في النهاية، طورت OpenAI طرق تدريب نموذجية قادرة على التعامل مع هذه المهام. قرروا تدريب النماذج على أداء مهام التصفح، باستخدام نفس الأساليب المستخدمة لتدريب نماذج التفكير ولكن تم تطبيقها على مهام أكثر واقعية.

بدأ مشروع Deep Research بعرض توضيحي أصلي بواسطة Isa Fulford و Yash Patil. انضم Josh Tobin مرة أخرى إلى OpenAI منذ حوالي ستة أشهر بعد العمل في شركة ناشئة، وأصبح مهتمًا للغاية بالعمل التأسيسي، وانضم إلى مشروع Deep Research.

الأفراد الرئيسيون:

• Isa Fulford: باحثة في الذكاء الاصطناعي في فريق ما بعد التدريب في OpenAI، وهي مساهم رئيسي في ChatGPT Retrieval Plugin.
• Yash Patil: عضو في فريق النموذج الأساسي في فريق ما بعد التدريب في OpenAI، بعد أن ترك جامعة ستانفورد.
• Josh Tobin: كان سابقًا عالم أبحاث في OpenAI، ثم أسس Gantry (منتج لتحسين التعلم الآلي من خلال التحليل والتنبيهات والتعليقات البشرية). انضم مرة أخرى إلى OpenAI ويقود حاليًا فريق أبحاث منتجات الوكلاء.

تدفق التوضيح

يتميز Deep Research بتصميم فريد: تدفق التوضيح. قبل بدء البحث، يطرح نموذج Deep Research أسئلة على المستخدم. عادةً، يطرح ChatGPT أسئلة متابعة فقط في نهاية الإجابة أو يستفسر عما إذا كانت الإجابة مرضية، على عكس Deep Research، الذي يشارك في هذا السلوك مقدمًا.

كان هذا اختيارًا تصميميًا متعمدًا من قبل الفريق. يتلقى المستخدمون أفضل الردود من نموذج Deep Research فقط عندما تكون مطالباتهم واضحة ومفصلة للغاية. ومع ذلك، غالبًا لا يقدم المستخدمون جميع المعلومات في مطالبتهم الأولية. لذلك، أرادت OpenAI التأكد من أنه بعد الانتظار لمدة 5 أو 30 دقيقة، سيتلقى المستخدمون إجابة مفصلة ومرضية بدرجة كافية. تمت إضافة هذه الخطوة الإضافية للتأكد من أن المستخدمين يقدمون جميع التفاصيل اللازمة للنموذج.

ذكر العديد من المستخدمين على X التفاعل مع o1 أو o1 Pro أولاً لتحسين مطالباتهم. بمجرد الرضا، يرسلون المطالبة إلى Deep Research.

الشكل النهائي للوكلاء

على مدى الأشهر القليلة الماضية، أطلقت OpenAI ثلاثة إصدارات مختلفة من Deep Research، وكلها تسمى Deep Research. يعتقد Josh Tobin أنه في حين أن كل منتج له نقاط قوته وضعفه، فإن الاختلافات في الجودة بينها واضحة. في النهاية، يرجع هذا إلى كيفية بناء النماذج، والجهد المستثمر في بناء مجموعات البيانات، واستخدام نماذج سلسلة O كمحرك. يتيح ذلك تحسين نماذج Deep Research، وإنشاء أدوات ذكية وعالية الجودة.

حاليًا، Deep Research و O3 و Operator مستقلة نسبيًا. ومع ذلك، تهدف OpenAI إلى أن يكون لدى المستخدمين في النهاية وكيل واحد نهائي يمكنه إجراء عمليات بحث على الويب، أو استخدام أجهزة الكمبيوتر، أو إكمال مهام أخرى مرغوبة، ودمج كل هذه الوظائف بطريقة طبيعية أكثر.

التدريب الشامل هو السبب الأساسي لقوة النموذج

النموذج الأساسي لـ Deep Research هو إصدار مضبوط بدقة من O3. O3 هو نموذج التفكير الأكثر تقدمًا في OpenAI، ويأتي جزء كبير من قدرة Deep Research التحليلية منه. قامت OpenAI بتدريب نموذج Deep Research خصيصًا على مهام التصفح المعقدة ومهام التفكير الأخرى. لذلك، يمكن لـ Deep Research أيضًا استخدام أدوات التصفح وأدوات Python. من خلال التدريب الشامل على هذه المهام، تعلم Deep Research استراتيجيات للتعامل معها، مما جعل النموذج في النهاية يتفوق في تحليل البحث عبر الإنترنت.

بشكل حدسي، يقدم المستخدم طلبًا، ويفكر النموذج أولاً بعناية فيه. ثم يبحث عن المعلومات ذات الصلة، ويستخرجها، ويقرأها. بعد فهم كيفية ارتباط هذه المعلومات بالطلب، يقرر النموذج ما الذي يجب البحث عنه بعد ذلك للاقتراب من الإجابة النهائية التي يريدها المستخدم. يمكن لـ Deep Research دمج كل هذه المعلومات في تقرير أنيق، مع الاستشهادات التي تشير إلى المصادر الأصلية.

يكمن الابتكار الذي يمنح Deep Research قدراته كوكيل في تدريب OpenAI الشامل للنموذج. هذا يعني أن العديد من العمليات أثناء عملية البحث لا يمكن التنبؤ بها مسبقًا. من المستحيل تحقيق المرونة التي يكتسبها النموذج من خلال التدريب عن طريق كتابة نموذج لغة أو برنامج أو نص. من خلال التدريب، تعلم نموذج Deep Research كيفية التفاعل مع معلومات الويب في الوقت الفعلي وضبط الاستراتيجيات على الفور بناءً على ما يراه. لذلك، يقوم نموذج Deep Research بالفعل بإجراء عمليات بحث إبداعية للغاية. يمكن للمستخدمين رؤية مدى ذكاء النموذج في تحديد ما يجب البحث عنه بعد ذلك أو كيفية التحايل على مشكلات معينة من خلال قراءة ملخصات CoT.

الاختلافات بين Deep Research والبحث بالذكاء الاصطناعي

فيما يتعلق بسؤال John Collison حول مقدار قدرة Deep Research التي تأتي من الوصول في الوقت الفعلي إلى محتوى الويب ومقدارها من CoT، يعتقد الباحثان في OpenAI أن قدرة Deep Research المتميزة هي نتيجة الجمع بين الاثنين.

لا يتم تدريب منتجات البحث الأخرى بالذكاء الاصطناعي بشكل شامل، لذا فهي ليست مرنة في الاستجابة للمعلومات مثل Deep Research، وليست مبدعة في حل مشكلات معينة.

قبل الانضمام إلى OpenAI، عمل Josh Tobin في شركة ناشئة وحاول بناء وكلاء بالطريقة التي يصفها معظم الناس ببنائها، وبناء رسم بياني للعمليات بشكل أساسي مع تدخل LLMs في بعض العقد. بينما يمكن لـ LLM أن يقرر ما يجب فعله بعد ذلك، فإن منطق التسلسل الكامل للخطوات يتم تحديده بواسطة البشر.

وجد Josh Tobin أن هذه طريقة قوية للنماذج الأولية السريعة، لكنها واجهت مشاكل بسرعة في العالم الحقيقي. من الصعب التنبؤ بجميع المواقف التي قد يواجهها النموذج والنظر في جميع الفروع المختلفة للمسارات التي قد يرغب في اتخاذها. علاوة على ذلك، نظرًا لأن هذه النماذج لم يتم تدريبها خصيصًا لاتخاذ القرارات، فهي غالبًا ليست أفضل صانعي القرار في العقد؛ يتم تدريبهم على القيام بشيء مشابه لاتخاذ القرار.

هذا يؤكد أن القوة الحقيقية لنموذج Deep Research تأتي من التدريب المباشر الشامل، بهدف حل المهام التي يحتاج المستخدمون بالفعل إلى حلها. لذلك، ليست هناك حاجة لإعداد رسم بياني للعمليات أو اتخاذ قرارات العقدة في البنية الخلفية؛ كل شيء مدفوع بالنموذج نفسه.

علاوة على ذلك، إذا كان لدى المستخدم سير عمل محدد للغاية ويمكن التنبؤ به، فإن القيام بذلك بالطريقة التي وصفها Josh Tobin أعلاه أمر ذو قيمة. ولكن إذا كانت هناك حاجة إلى معالجة مرنة للغاية، فقد يكون النهج المشابه لـ Deep Research هو الخيار الأفضل.

يقترح Josh Tobin أنه لا ينبغي ترميز بعض القواعد الصارمة في النموذج. إذا كانت هناك حاجة مثل ‘عدم الرغبة في أن يصل النموذج إلى قاعدة بيانات معينة’، فمن الأفضل تنفيذها بمنطق مكتوب يدويًا. غالبًا ما يعتقد الناس أنهم يمكن أن يكونوا أذكى من النموذج عن طريق كتابة التعليمات البرمجية، ولكن في الواقع، مع تطور المجال، عادةً ما تتوصل النماذج إلى حلول أفضل من البشر.

أحد أهم دروس التعلم الآلي هو أن النتائج التي تحصل عليها تعتمد على ما تقوم بتحسينه. لذلك، إذا تمكن المستخدمون من إعداد نظام للتحسين المباشر للنتيجة المرجوة، فسيكون ذلك أفضل بكثير من محاولة تجميع نماذج لا تناسب المهمة بأكملها. لذلك، قد يصبح ضبط RL على أساس النموذج العام جزءًا رئيسيًا من بناء أقوى الوكلاء.

البيانات عالية الجودة هي أحد العوامل الرئيسية لنجاح النموذج

أحد العوامل الرئيسية لنجاح نموذج Deep Research هو وجود مجموعة بيانات عالية الجودة. من المحتمل أن تكون جودة البيانات التي يتم إدخالها في النموذج هي العامل الرئيسي الذي يحدد جودة النموذج. في مشروع Deep Research، يقوم Edward Sun بتحسين جميع مجموعات البيانات.

مزايا Deep Research

تكمن قوة Deep Research في قدرته على تقديم أفضل الإجابات عندما يكون لدى المستخدمين وصف تفصيلي لاحتياجاتهم. ومع ذلك، حتى إذا كان سؤال المستخدم غامضًا، يمكن لـ Deep Research توضيح المعلومات المطلوبة. إنه أقوى عندما يبحث المستخدمون عن مجموعة محددة من المعلومات.

لا يقتصر Deep Research على جمع كل المعلومات حول مصدر ما على نطاق واسع فحسب، بل يتفوق أيضًا في العثور على حقائق غامضة للغاية، مثل المحتوى الطويل الذي لن يظهر في الصفحات القليلة الأولى في بحث تقليدي، وتفاصيل حلقة معينة من برنامج تلفزيوني غامض، وما إلى ذلك. في سؤال حول جنرال نمساوي، قدم ChatGPT ذات مرة إجابة خاطئة، بينما نجح Deep Research في العثور على الإجابة الصحيحة.

Deep Research جيد جدًا في تجميع المعلومات، خاصة في العثور على معلومات محددة يصعب العثور عليها. ومع ذلك، لا يكون Deep Research فعالًا في استخراج رؤى جديدة من المعلومات الموجودة ولا يمكنه حتى الآن إجراء اكتشافات علمية جديدة.

حالات استخدام Deep Research

المستخدمون المستهدفون

تم تصميم Deep Research لأي شخص يشارك في العمل المعرفي في عمله اليومي أو حياته، وخاصة أولئك الذين يحتاجون إلى جمع كميات كبيرة من المعلومات وتحليل البيانات واتخاذ القرارات. يطبق العديد من المستخدمين Deep Research على عملهم، مثل البحث، لفهم الوضع في مجالات مثل الأسواق والشركات والعقارات.

حالات الاستخدام

تأمل OpenAI أن يتمكن Deep Research من خدمة سيناريوهات العمل والحياة الشخصية، لأنه في الواقع قدرة متعددة الاستخدامات للغاية تنطبق على كل من العمل والحياة الشخصية. تكمن جاذبية Deep Research في قدرته على توفير الكثير من الوقت. يمكن الآن الإجابة على بعض المهام التي ربما استغرقت ساعات أو حتى أيام بنسبة 90٪ باستخدام Deep Research. تعتقد OpenAI أنه سيكون هناك المزيد من المهام المماثلة في سيناريوهات العمل، ولكن Deep Research سيصبح أيضًا جزءًا من حياة الناس الشخصية.

لا يتعلق Deep Research باستبدال القوى العاملة. بالنسبة للعمل المعرفي، وخاصة المهام التي تتطلب الكثير من الوقت للعثور على المعلومات واستخلاص النتائج، سيمكن Deep Research الأشخاص من الحصول على قوى خارقة، مما يتيح إكمال المهام التي ربما استغرقت 4 أو 8 ساعات في 5 دقائق، مما يسمح للمستخدمين بتحقيق المزيد.

ذكرت المقابلة حالات استخدام بما في ذلك: السيناريوهات الطبية والاستثمارية وغيرها من الأعمال المهنية؛ التسوق والسفر وسيناريوهات عائلية أخرى؛ البرمجة والتعليم الشخصي.

• السيناريوهات الطبية والاستثمارية وغيرها من الأعمال المهنية

  في الطب، يمكن أن يساعد Deep Research في العثور على جميع المؤلفات أو الحالات الحديثة لمرض معين، وبالتالي توفير الوقت.

  في الاستثمار، بمساعدة Deep Research، يمكن للمستثمرين اختيار البحث في كل شركة ناشئة محتملة قد يستثمرون فيها، وليس فقط الشركات التي لديهم وقت للقاء بها.

  في عمليات الشركة، كان المستخدم الذي يفكر في بدء شركة سلع استهلاكية يستخدم Deep Research على نطاق واسع لتحديد ما إذا كانت أسماء تجارية معينة قد تم تسجيلها بالفعل، وما إذا كانت أسماء النطاقات مشغولة، وحجم السوق، ومعلومات أخرى مختلفة.

• التسوق والسفر وسيناريوهات عائلية أخرى

  أراد مستخدم يفكر في شراء سيارة جديدة معرفة موعد إصدار الطراز التالي. كان هناك العديد من المقالات التخمينية على الإنترنت، لذلك طلب المستخدم من Deep Research تجميع كل الشائعات ذات الصلة. أنتج Deep Research تقريرًا ممتازًا، يخبر المستخدم أنه قد يتم إصدار سيارة جديدة في الأشهر القليلة المقبلة.

  عندما تم إطلاق Deep Research في اليابان، وجد المستخدمون أنه مفيد جدًا في العثور على المطاعم التي تلبي متطلبات معينة ويمكن أن يساعد المستخدمين أيضًا في اكتشاف أشياء ربما لم يجدوها بطريقة أخرى.

  عندما يحتاج المستخدمون إلى شراء عنصر باهظ الثمن، أو التخطيط لرحلة خاصة، أو قضاء الكثير من الوقت في التفكير في مشكلة ما، فقد يقضون ساعات على الإنترنت في البحث عن المعلومات ذات الصلة، وتصفح جميع المراجعات، وما إلى ذلك. يمكن لـ Deep Research تنظيم هذه المعلومات بسرعة، وإنشاء تقرير موجز، وتقديم مشورة مفصلة وشخصية.

  غالبًا ما لا يكون لدى الأمهات العاملات المشغولات وقت للتخطيط لحفلات أعياد ميلاد أطفالهن، ولكن يمكنهن الآن القيام بذلك بسرعة بمساعدة Deep Research.

  Deep Research ممتاز أيضًا في اتباع التعليمات. إذا كان المستخدمون لا يريدون فقط معرفة منتج ما ولكنهم يريدون أيضًا مقارنته بجميع المنتجات الأخرى، أو حتى يريدون رؤية مراجعات من مواقع ويب مثل Reddit، فيمكنهم تقديم العديد من الطلبات المختلفة إلى Deep Research، وسيكمل هذه المهام كلها مرة واحدة. يمكن للمستخدمين أيضًا أن يطلبوا من Deep Research وضع المعلومات في جدول.

• البرمجة

  يستخدم الكثير من الأشخاص Deep Research للبرمجة. لم يتم النظر في هذا السيناريو في البداية بواسطة OpenAI، ولكن العديد من الأشخاص يستخدمونه لكتابة التعليمات البرمجية، والبحث عن التعليمات البرمجية، وحتى العثور على أحدث الوثائق لحزمة، أو كتابة البرامج النصية، بنتائج مبهرة.

• التعليم

  التعليم الشخصي هو سيناريو تطبيق مثير للاهتمام للغاية. إذا كان لدى المستخدمين موضوع يريدون تعلمه، مثل مراجعة علم الأحياء أو فهم الأحداث الجارية، فإنهم يحتاجون فقط إلى توفير الأجزاء التي لا يفهمونها أو المعلومات التي يريدون التعمق فيها، ويمكن لـ Deep Research تجميع تقرير مفصل. ربما في المستقبل، سيكون من الممكن توفير تعليم شخصي بناءً على ما يتعلمه Deep Research عن المستخدم.

سيظهر الوكلاء في عام 2025

اتجاهات التطوير المستقبلية لـ Deep Research

فيما يتعلق بشكل المنتج، تأمل OpenAI أن يتمكن Deep Research من تضمين الصور في المستقبل، والعثور على صور للمنتجات، وإنشاء مخططات، وتضمين هذه المخططات في الإجابات.

فيما يتعلق بمصادر المعلومات، تأمل OpenAI في توسيع مصادر البيانات التي يمكن للنموذج الوصول إليها. إنهم يأملون أن يتمكن النموذج من البحث في البيانات الخاصة في المستقبل. ستعمل OpenAI على تعزيز قدرات النموذج، مما يجعله أفضل في التصفح والتحليل.

فيما يتعلق بدقة المعلومات، لتمكين المستخدمين من الوثوق بمخرجات Deep Research، يمكن للمستخدمين رؤية مصادر المعلومات التي يستشهد بها النموذج. أثناء عملية تدريب النموذج، تسعى OpenAI أيضًا إلى ضمان صحة الاستشهادات، ولكن قد يظل النموذج يرتكب أخطاء، أو يهذي، أو حتى يثق في مصدر قد لا يكون الأكثر مصداقية. لذلك، هذا مجال تأمل OpenAI في مواصلة تحسينه.

للتكامل على نطاق أوسع في خارطة طريق OpenAI Agent، تأمل OpenAI أن يتم توسيع Deep Research ليشمل العديد من سيناريوهات التطبيقات المختلفة، والجمع بين نماذج التفكير الأكثر تقدمًا والأدوات التي يمكن للبشر استخدامها لإكمال مهام العمل أو الحياة اليومية، ثم تحسين النموذج مباشرةً لتحقيق النتائج التي يريد المستخدمون أن يحققها الوكيل.

في هذه المرحلة، لا يوجد في الواقع ما يمنع Deep Research من التوسع ليشمل سيناريوهات مهام أكثر تعقيدًا. AGI هي الآن مشكلة تشغيلية، وسيكون هناك العديد من التطورات المثيرة التي نتطلع إليها في المستقبل.

يعتقد Sam Altman أن المهام التي يمكن لـ Deep Research إكمالها ستمثل نسبة قليلة بالمائة من جميع المهام القابلة للتطبيق اقتصاديًا في العالم. يعتقد Josh Tobin أن Deep Research لا يمكنه القيام بكل العمل للمستخدمين، ولكنه يمكن أن يوفر على المستخدمين عدة ساعات أو حتى أيام. تأمل OpenAI أن يكون الهدف القريب نسبيًا هو أن يوفر Deep Research والوكلاء الذين تم إنشاؤهم بعد ذلك، بالإضافة إلى الوكلاء الآخرين الذين تم إنشاؤهم على هذا الأساس، للمستخدمين 1٪ أو 5٪ أو 10٪ أو 25٪ من وقتهم، اعتمادًا على نوع العمل الذي يقومون به.

الوكيل و RL

يتفق Isa Fulford و Josh Tobin على أن الوكلاء سيظهرون هذا العام.

شهد RL ذروة، ثم بدا وكأنه يعاني من انخفاض طفيف، ويتلقى الآن الاهتمام مرة أخرى. كان لدى Yann LeCun ذات مرة تشبيه: إذا كان الناس يصنعون كعكة، فإن معظمها سيكون كعكة، وسيكون هناك القليل من الزينة، وأخيرًا بعض الكرز في الأعلى. التعلم غير الخاضع للإشراف يشبه الكعكة، والتعلم الخاضع للإشراف هو الزينة، و RL هو الكرز.

يعتقد Josh Tobin أنه عند القيام بـ RL في 2015-2016، باستخدام تشبيه الكعكة، ربما كان يحاول إضافة الكرز بدون الكعكة. ولكن الآن، هناك نماذج لغوية مدربة مسبقًا على كميات كبيرة من البيانات، وهذه النماذج قوية جدًا، ونحن نعرف كيفية إجراء ضبط دقيق خاضع للإشراف على هذه النماذج اللغوية لجعلها جيدة في تنفيذ التعليمات والقيام بما يريده الناس. الآن كل شيء يعمل بشكل جيد للغاية، وهو مناسب جدًا لضبط هذه النماذج وفقًا لوظائف المكافأة المحددة من قبل المستخدم لأي حالة استخدام.