3 اعتبارات لعميل آمن وموثوق لتقنيات الذكاء الاصطناعي في الشركات

وفقًا لشركة Gartner، من المتوقع أن يتخلى عن 30٪ من مشاريع GenAI بعد إثبات المفهوم بحلول نهاية عام 2025. وكشفت الاستخدام المبكر لتقنيات GenAI أن بنية البيانات وممارسات الحوكمة في معظم الشركات لم تكن جاهزة للنشر الفعال لتقنيات الذكاء الاصطناعي. وواجهت الموجة الأولى من منتجات GenAI عقبات كبيرة، حيث كافحت العديد من المنظمات للانتقال بعيدًا عن مراحل إثبات المفهوم لتحقيق قيمة أعمال ذات معنى.

مع دخولنا الموجة الثانية من منتجات GenAI، تتضح للشركات أن النجاح في تنفيذ هذه التقنيات يتطلب أكثر من مجرد الاتصال ببيانات LLM. تكمن المفتاح لفتح إمكانيات الذكاء الاصطناعي على ثلاث ركائز أساسية: جعل البيانات في نظام وضمان جاهزيتها للدمج مع الذكاء الاصطناعي؛ إعادة هيكلة ممارسات الحوكمة للبيانات لتلبية التحديات الفريدة التي يطرحها GenAI؛ وتنفيذ وكلاء الذكاء الاصطناعي بطرق تجعل الاستخدام الآمن والموثوق به طبيعيًا و直观ًا، بحيث لا يضطر المستخدمون إلى تعلم مهارات أو أنماط استخدام دقيقة. معًا، تخلق هذه الركائز أساسًا قويًا لوكلاء الذكاء الاصطناعي الآمنين والفعالين في بيئات الشركات.

إعداد بياناتك بشكل صحيح للذكاء الاصطناعي

في حين قد تظهر البيانات المهيكلة منظمة للعين المجردة، حيث يتم ترتيبها بشكل منظم في الجداول والأعمدة، غالبًا ما يجد LLM صعوبة في فهم هذه البيانات المهيكلة وفهمها بشكل فعال. يحدث هذا لأن البيانات في معظم الشركات لا يتم تعليمها بطريقة семантиكية ذات معنى. غالبًا ما تكون البيانات ذات تسميات غامضة، على سبيل المثال “ID” بدون أي إشارة واضحة إلى ما إذا كان هذا هو معرّف للعميل أو المنتج أو المعاملة. مع البيانات المهيكلة، من الصعب أيضًا التقاط السياق الصحيح والعلاقات بين النقاط البيانية المختلفة، مثل كيفية ربط خطوات رحلة العميل ببعضها البعض. كما هو الحال مع تطبيقات الرؤية الحاسوبية، حيث كان علينا تعليم كل صورة لتمكين التفاعل المهم، يجب على المنظمات الآن أن تتولى مهمة تعليم بياناتها семантиًا وتوثيق العلاقات عبر جميع الأنظمة لتمكين التفاعلات المهمة مع الذكاء الاصطناعي.

علاوة على ذلك، يتم ت散 البيانات عبر العديد من الأماكن المختلفة – من الخوادم التقليدية إلى مختلف خدمات السحابة وتطبيقات البرامج المختلفة. يؤدي هذا التنوع في الأنظمة إلى مشاكل حاسمة في التكامل والتشغيل المتعاقب، والتي تصبح أكثر إشكالية عند تنفيذ حلول الذكاء الاصطناعي.

توجد تحدي أساسي آخر في عدم الاتساق في التعريفات التجارية عبر الأنظمة والإدارات المختلفة. على سبيل المثال، قد يحدد فريق نجاح العملاء “البيع المتكرر” بطريقة واحدة، بينما يحدد فريق المبيعاتها بطريقة أخرى. عندما تتصل بوكيل الذكاء الاصطناعي أو الدردشة بهذه الأنظمة وتبدأ في طرح الأسئلة، ستحصل على إجابات مختلفة لأن تعريفات البيانات لا يتماشى. هذه عدم الاتساق ليست ميزة صغيرة – إنها حاجز حاسم لتنفيذ حلول الذكاء الاصطناعي الموثوقة.

تؤدي جودة البيانات الرديئة إلى سيناريو كلاسيكي “القمامة الداخلة، القمامة الخارجة” الذي يصبح أكثر خطورة بشكل كبير عند نشر أدوات الذكاء الاصطناعي عبر الشركات. تؤثر البيانات الخاطئة أو غير المنظمة على أكثر من تحليل واحد – إنها تنشر معلومات خاطئة إلى جميع المستخدمين الذين يستخدمون النظام من خلال أسئلتهم وتفاعلاتهم. لتبني الثقة في أنظمة الذكاء الاصطناعي لاتخاذ قرارات أعمال حقيقية، يجب على الشركات أن تضمن أن تطبيقات الذكاء الاصطناعي لديها بيانات نظيفة ودقيقة ومتوافقة مع السياق التجاري. يمثل هذا تحولًا أساسيًا في كيفية تفكير المنظمات في أصول البيانات في عصر الذكاء الاصطناعي – حيث يصبح الجودة والاتساق والوضوح الدلالي مهمين مثل البيانات نفسها.

تعزيز نهج الحوكمة

لقد كانت حوكمة البيانات محور تركيز المنظمات في السنوات الأخيرة، وتركز بشكل رئيسي على إدارة وحماية البيانات المستخدمة في التحليلات. كانت الشركات تجتهد لتحديد المعلومات الحساسة والامتثال لمعايير الوصول والامتثال للقوانين مثل GDPR وCCPA والكشف عن البيانات الشخصية. هذه المبادرات ضرورية لإنشاء بيانات جاهزة لتنفيذ الذكاء الاصطناعي. ومع ذلك، مع إدخال وكلاء الذكاء الاصطناعي في سير العمل، يمتد تحدي الحوكمة إلى ما هو أبعد من البيانات نفسها ليشمل تجربة التفاعل الكاملة للمستخدم مع الذكاء الاصطناعي.

نواجه الآن الحاجة إلى حوكمة ليس فقط البيانات الأساسية ولكن أيضًا عملية التفاعل مع تلك البيانات من خلال وكلاء الذكاء الاصطناعي. تشدد التشريعات الحالية، مثل قانون الذكاء الاصطناعي الأوروبي، والمزيد من اللوائح في الأفق على ضرورة حوكمة عملية الإجابة على الأسئلة نفسها. هذا يعني ضمان أن يوفر وكلاء الذكاء الاصطناعي إجابات شفافة ويمكن تفسيرها وتتبعها. عندما يحصل المستخدمون على إجابات سوداء – مثل سؤال “كم عدد مرضى الإنفلونزا الذين تم إدخالهم بالأمس؟” والحصول فقط على “50” بدون سياق – من الصعب الثقة بمعلوماته لاتخاذ قرارات حرجة.

على عكس التفاعلات مع الوثائق، حيث يمكن للمستخدمين تتبع الإجابات إلى وثائق أو سياسات محددة لتحقق الدقة، غالبًا ما تفتقر التفاعلات مع البيانات المهيكلة من خلال وكلاء الذكاء الاصطناعي إلى هذا المستوى من القابلية للتعقب والفهم. للتصدي لهذه القضايا، يجب على المنظمات تنفيذ إجراءات حوكمة لا تحمي فقط البيانات الحساسة ولكن أيضًا تجعل تجربة التفاعل مع الذكاء الاصطناعي محكومة وموثوقة. هذا يشمل إنشاء ضوابط وصول قوية لضمان أن فقط الأشخاص المخولين يمكنهم الوصول إلى المعلومات المحددة، ووضع مسؤوليات ملكية واضحة وواجبات إدارة البيانات، وضمان أن يوفر وكلاء الذكاء الاصطناعي تفسيرات ومراجع لنتائجهم. من خلال إعادة هيكلة ممارسات الحوكمة لتشمل هذه الاعتبارات، يمكن للشركات استغلال قوة وكلاء الذكاء الاصطناعي بشكل آمن مع الامتثال لللوائح المتطورة والحفاظ على ثقة المستخدم.

التفكير بعيدًا عن هندسة التحفيز

مع إدخال المنظمات لوكلاء الذكاء الاصطناعي في محاولة لتحسين إمكانية الوصول إلى البيانات، ظهرت هندسة التحفيز كحاجز تقني جديد للمستخدمين التجاريين. في حين يتم الترويج لها كمسار وظيفي واعد، فإن هندسة التحفيز في الأساس هي إعادة خلق نفس الحواجز التي كنا نناضل معها في تحليل البيانات. إن إنشاء تحفيزات مثالية لا يختلف عن كتابة استفسارات SQL متخصصة أو بناء مرشحات لوحة التحكم – إنه نقل الخبرة الفنية من تنسيق إلى آخر، لا يزال يتطلب مهارات متخصصة لا يمتلكها معظم المستخدمين التجاريين ولا ينبغي لهم الحاجة إليها.

لقد حاولت الشركات لفترة طويلة حل مشكلة إمكانية الوصول إلى البيانات من خلال تدريب المستخدمين على فهم أنظمة البيانات، وإنشاء توثيق، وتنمية أدوار متخصصة. ولكن هذا النهج يعتبر عكس ما ينبغي – نطلب من المستخدمين التكيف مع البيانات بدلاً من جعل البيانات تتوافق مع المستخدمين. تهديد هندسة التحفيز بمواصلة هذا النمط من خلال إنشاء طبقة أخرى من الوسطاء الفنيين.

تتطلب الديمقراطية الحقيقية للبيانات أنظمة تفهم اللغة التجارية، وليس المستخدمين الذين يفهمون لغة البيانات. عندما يسأل التنفيذيون عن الاحتفاظ بالعملاء، لا ينبغي لهم الحاجة إلى مصطلحات أو تحفيزات مثالية. يجب على الأنظمة فهم النية والتعرف على البيانات ذات الصلة عبر تسميات مختلفة (سواء كانت “الانحراف” أو “الاحتفاظ” أو “دورة حياة العملاء”) وتقديم إجابات سياقية. هذا يسمح للمستخدمين بالتركيز على القرارات بدلاً من تعلم كيفية طرح أسئلة تقنية مثالية.

الخلاصة

سيجلب وكلاء الذكاء الاصطناعي تغييرات مهمة في كيفية عمل الشركات وصنع القرارات، ولكنها تأتي مع تحديات فريدة يجب معالجتها قبل نشرها. مع الذكاء الاصطناعي، كل خطأ يُضخم عندما يكون للمستخدمين غير التقنيين إمكانية الوصول الذاتي، مما يجعل من الحاجة إلى الحصول على الأساس الصحيح أمرًا ضروريًا.

المنظمات التي تنجح في معالجة التحديات الأساسية لجودة البيانات والتوافق الدلالي والحوكمة بينما تتجاوز حدود هندسة التحفيز ستكون في وضع يسمح لها بتحقيق الديمقراطية الآمنة للوصول إلى البيانات وصنع القرار. يعتمد النهج الأمثل على إنشاء بيئة تعاونية تسهل العمل الجماعي وتركز التفاعلات بين الإنسان والآلة وكذلك التفاعلات بين الآلة والآلة. هذا يضمن أن تكون Informationen التي يتم الحصول عليها من خلال الذكاء الاصطناعي دقيقة وأمنية وموثوقة، مما يشجع على ثقافة منظمة تحافظ على البيانات وتحميها وتعظم من قيمتها إلى أقصى حد.