95% من مشاريع الذكاء الاصطناعي تفشل، والبيانات السيئة هي الجاني

تقدم أبحاث معهد ماساتشوستس للتكنولوجيا حقيقة مُحزنة للمسؤولين التنفيذيين في الشركات: 95% من مشاريع الذكاء الاصطناعي لا تصل أبدًا إلى مرحلة الإنتاج. على الرغم من الضجيج في الغرف التنفيذية حول إمكانيات الذكاء الاصطناعي في التحول، فإن معظم المبادرات تفشل في توليد قيمة أعمال ذات معنى.

المنطق التقليدية يلوم النماذج الضعيفة، أو الحوسبة المحدودة، أو النقص في المواهب الفنية. لكن الخبرة في العمل مع مئات الشركات تخبر قصة مختلفة. الحاجز الحقيقي ليس الخوارزميات. إنه البيانات. البيانات السيئة أو الغير متسقة تُخرب حتى الجهود الأكثر تقدمًا في الذكاء الاصطناعي، وتحول الرهانات على الابتكار إلى تكاليف غارقة.

التكلفة الخفية للبيانات السيئة

في الشركات، غالبًا ما تُخرب البيانات السيئة مشاريع الذكاء الاصطناعي قبل أن تصل إلى مرحلة الإنتاج. فكر في سيناريو مألوف: شركة من شركات فورتشن 500 تُنفق أشهرًا في بناء نموذج للتنبؤ بالهجرة. يبدو النموذج القوي — دقيقًا وواعدًا. لكن في اللحظة التي يتحرك فيها نحو الإنتاج، تظهر الشقوق.

الأنابيب تتعطل في أسوأ الأوقات. تعمل الوظائف الحاسوبية لساعات متأخرة، وتفوت نافذة التدخل. الجداول تفقد صفوفًا بعد تغييرات غير معلنة في مجرى البيانات العلوي. بيانات اعتماد واجهة برمجة التطبيقات تنتهي بدون تحذير، وقطع الإدخال الأساسي.

تكون الآثار مُدمرة. هناك تنبؤات غير موثوقة، ويخسر المساهمون الثقة. يتم إيقاف المشروع، ليس لأن الخوارزميات فشلت، ولكن لأن الأساس تهاوى. تختفي أشهر من التطوير، وملايين الاستثمار، وساعات لا حصر لها من العمل الهندسي.

هذا ليس حالة معزولة. وفقًا لتقرير حالة مراقبة البيانات 2024 من Pantomath، يقول 94% من المنظمات إن مشاكل الأنابيب تُخرب الثقة في بياناتها، و 90% تستغرق ساعات أو حتى أسابيع لإصلاحها. إذا استندت استراتيجيتك للذكاء الاصطناعي إلى بيانات غير موثوقة، فإن الفشل ينتظر فقط في الزاوية.

لماذا يحتاج الذكاء الاصطناعي إلى أسس قوية

ينتج نجاح الذكاء الاصطناعي عن جودة البيانات. كما يقول المثل، “النفايات الداخلة، النفايات الخارجة.” حتى أفضل النماذج تُنهار إذا كانت البيانات التي تغذيها معيبة، مثل بناء ناطحة سحاب على رمال متحركة.

فكر في سيارة سباق: الهندسة العالمية والمهارة القوية لا تعنيان شيئًا إذا كانت الوقود ملوثة. بنفس الطريقة، تُنهار نماذج التعلم الآلي المتقنة عندما تعمل بالبيانات غير الموثوقة.

أنظمة الذكاء الاصطناعي تحتاج إلى بيانات دقيقة ومتوفرة في الوقت الفعلي لتكيف وتؤدي. أي انقطاع — وظائف فاشلة، أو سجلات مفقودة، أو تغييرات في مخطط البيانات — يمكن أن تُخرب الدقة أو حتى تُ Cause نظامًا كاملاً. ربما يُخطئ محرك التوصية ويُغادر العملاء، أو نظام كشف الاحتيال يُغفل التهديدات.

بدون أسس بيانات قوية، يتحول الذكاء الاصطناعي بسرعة إلى عبء كبير. هذا هو السبب في أن موثوقية البيانات والثقة والسلامة هي شروط مسبقة لاستراتيجية الذكاء الاصطناعي الناجحة.

الحالة الراهنة لعمليات البيانات

ما زالت معظم الشركات تعتمد على عمليات يدوية وreactive لتشغيل عمليات البيانات — نموذج لا يتسع للذكاء الاصطناعي. عندما يحدث شيء ما، يُضطر المهندسون إلى مطاردة المشاكل عبر هياكل متعددة المنصات والاعتماديات المتشابكة وتصحيحها واحدة تلو الأخرى.

ينشأ عن هذا النهج三个 مشاكل كبيرة:

• اكتشاف متأخر: يمكن أن تستمر المشاكل لأسابيع أو أيام، تاركة نماذج الذكاء الاصطناعي تعمل على بيانات معيبة.
• إصلاحات غير كاملة: التحري اليدي المتكرر غير متسق، وغالبًا ما يفوت الأسباب الجذرية وترك الأنظمة عرضة للخطر.
• سعة فقدت: يُ spent المواهب الهندسية أكثر الوقت في مطاردة الفشل بدلاً من دفع الابتكار.

تُ复ّع التعقيد تحديًا. تُشكل البيئات الحديثة للبيانات عشرات المنصات والاعتماديات المتشابكة التي لا يفهمها أحد حقًا. قد يستغرق تشخيص الأسباب الجذرية أيامًا أو حتى أسابيع.

أضف المزيد من الأشخاص إلى المشكلة: مستشارين، مقاولين، فرق بيانات أكبر. هذا مثل حل ازدحام المرور بتوظيف更多 من ضباط المرور. المشكلة الحقيقية ليست في التمويل، إنما في غياب نظام موثوقية البيانات.

مراقبة البيانات والautomation كمحفزات

الطريق إلى الأمام هو تحويل عمليات البيانات من عمليات يدوية إلى عمليات آلية ومتقدمة بناءً على عمودين: مراقبة البيانات وAutomation.

مراقبة البيانات توفر رؤية في الوقت الفعلي للبيئة الكاملة للبيانات — مراقبة أداء الوظائف، وfreshness، وvolume، وquality، واعتماديات — بحيث يتم اكتشاف المشاكل قبل أن تصل إلى تطبيقات الذكاء الاصطناعي. بدلاً من انتظار فرق داونستريم لتقديم تقارير عن المشاكل، تحصل الشركات على رؤية دائمة في صحة وحركة بياناتها.

يضيف Automation السرعة والقدرة على التصرف على تلك الرؤية. عندما تفشل وظيفة حاسوبية حرجة في الساعة 3 صباحًا، نظم Automation يمكن أن توقف عمليات داونستريم، وتحذر الفرق الصحيحة مع السياق الكامل، و حتى إطلاق إجراءات تصحيحية.

معًا، تشير هذه القدرات إلى تحول أساسي. لم تعد موثوقية البيانات مجرد مهمة خلفية للمهندسين المتخصصين. إنها تُصبح قدرة استراتيجية تُدعم كل طموح الشركات للذكاء الاصطناعي.

إغلاق الفجوة بين الطيار والانتاج

فشل العديد من مبادرات الذكاء الاصطناعي يكمن في القفزة من الطيار إلى الإنتاج. تعمل الطيارات على مجموعات بيانات ثابتة ومدروسة التي يمكن لمحترفي البيانات تنظيفها وتحققها بدقة. الإنتاج، من ناحية أخرى، هو فوضوي. يتطلب التعامل مع تدفقات غير منتهية من البيانات المتنوعة القادمة من جميع أنحاء الشركة.

عندما يصبح النظرية ممارسة، هذا هو عندما تظهر الشقوق. عمليات Batch التي تعمل في الطيارات لا تستطيع مواكبة الطلبات في الوقت الفعلي. مجموعات البيانات المُحقق فيها تُستبدل بالمدخلات الخام والغير متسقة. البيئات المُسيطرة عليها يجب أن تتفاعل فجأة مع منصات قديمة، وواجهات برمجة تطبيقات طرف ثالث، وأنظمة أعمال متغيرة باستمرار.

لهذا السبب، الشركات التي تُغلق هذه الفجوة تستثمر في بنية تحتية لموثوقية البيانات. أساس موثوقية البيانات يدعم تلك الطلبات الفعلية الفوضوية للإنتاج. تساعد نظامك على التحضير لما سيأتي.

توصيات للشركات

المنظمات التي تُوسع ناجحة الذكاء الاصطناعي تشترك في استراتيجيات مشتركة:

• استثمر في موثوقية البيانات مبكرًا. اجعل الجودة شرطًا مسبقًا، وضمن وضع مراقبة واختبار وتحقق قبل نقل الطيارات إلى الإنتاج.
• نفذ ممارسات مراقبة البيانات. تتبع ليس فقط فشل الوظائف، ولكن أيضًا التغييرات في الطازجة، وshifts في الحجم، وتغييرات في مخطط البيانات، وأدلة الجودة التي تؤثر مباشرة على أداء الذكاء الاصطناعي.
• أوتوماتيكية العمليات الروتينية. استخدم الكشف الآلي والتصحيح لتقليل عمليات مكافحة الحرائق وتحرير المهندسين للعمل الاستراتيجي.
• ابني آليات المساءلة. عامل جودة البيانات على أنها أولوية أعمال مع ملكية واضحة ودوائر обратية بين المنتجين والمستهلكين.
• صمم من أجل المتانة. صمم الأنظمة لاحتواء الفشل، باستخدام نقاط التحقق لمنع انتشار البيانات السيئة.

نسبة فشل الذكاء الاصطناعي 95% ليست حتمية. إنها قابلة للمنع. المشكلة ليست الذكاء الاصطناعي نفسه، ولكن نقص الأسس القوية للبيانات لدعمه. النجاح في عمليات البيانات هو النجاح في الذكاء الاصطناعي. هما نفس الشيء.

هذا هو نداء استيقاظ. يجب على الشركات التحرك بعيدًا عن النهج اليدوي والreactive وتعتماد الأنظمة الآلية. لا تتوقف حتى تحصل على موثوقية حقيقية. الأدوات والممارسات لإصلاح “مشكلة البيانات السيئة” موجودة بالفعل اليوم.

المنظمات التي تُعتمد هذا التحول سترى أكثر من مجرد ارتفاع في معدلات نجاح الذكاء الاصطناعي. سوف تُغير كيفية استخدامها للبيانات، مما يفتح المجال لآراء جديدة عبر الأعمال.

يمكنك الاستمرار في تمويل الطيارات التي تُدمر بسبب البيانات غير الموثوقة. أو يمكنك بناء أسس قوية تجعل الذكاء الاصطناعي ميزة مستدامة. الأمر يعتمد عليك.