95% من طياري الذكاء الاصطناعي يفشلون، والبيانات السيئة هي الجاني

تُقدم أبحاث معهد ماساتشوستس للتكنولوجيا حقيقة مُحزنة لمسؤولي الشركات: 95% من مشاريع الذكاء الاصطناعي لا تصل أبدًا إلى مرحلة الإنتاج. على الرغم من الضجيج في الغرف المجاورة حول إمكانات الذكاء الاصطناعي التحويلية، فإن معظم المبادرات تفشل في توليد قيمة أعمال ذات معنى.

النظرية التقليدية تلوم النماذج الضعيفة أو الحوسبة المحدودة أو النقص في المواهب الفنية. لكن الخبرة في العمل مع مئات الشركات تحكي قصة أخرى. العائق الحقيقي ليس في الخوارزميات. إنه البيانات. البيانات السيئة أو الغير متسقة تُقوض بصمت حتى الجهود الأكثر تطورًا في الذكاء الاصطناعي، وتحول الرهانات الابتكارية إلى تكاليف غارقة.

التكلفة الخفية للبيانات السيئة

في الشركات، غالبًا ما تُقوض البيانات السيئة مشاريع الذكاء الاصطناعي قبل أن تصل إلى مرحلة الإنتاج. فكر في سيناريو مألوف: شركة من شركات فورتشن 500 تقضي أشهرًا في بناء نموذج للتنبؤ بالهجرة. يبدو النموذج التجريبي قويًا – دقيقًا و đầy وعد.

然而، في اللحظة التي يتحرك فيها نحو الإنتاج، تظهر الشقوق. أنابيب الكمبيوتر تنفجر في أسوأ الأوقات. يعمل الوظائف الحاسوبية لساعات متأخرة، متخطية نافذة التدخل. جداول البيانات تفقد صفوف بعد تغييرات غير معلنة في مجرى البيانات. بيانات اختبار النموذج التجريبي تتحول إلى تدفق من المدخلات القديمة أو غير المتسقة.

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

هذا ليس حالة معزولة. وفقًا لتقرير حالة مراقبة البيانات 2024 من Pantomath، يقول 94% من المنظمات إن مشاكل الأنابيب تُقوض الثقة في بياناتها، و 90% يستغرق ساعات أو حتى أسابيع لإصلاحها. إذا كانت استراتيجية الذكاء الاصطناعي تعتمد على بيانات غير موثوقة، ففشل ينتظر حول 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 تنهار إذا كانت البيانات التي تغذيها معيبة، مثل بناء ناطحة سحاب على أرض رملية.

فكر في سيارة سباق: الهندسة العالمية والسائق الماهر لا يعنيان شيئًا إذا كانت الوقود ملوثة. بنفس الطريقة، تفشل نماذج التعلم الآلي الأنيقة عندما تعمل بالبيانات غير الموثوقة.

أنظمة الذكاء الاصطناعي تحتاج إلى بيانات دقيقة ومتاحة في الوقت الفعلي لتكيف وتؤدي. أي انقطاع – فشل الوظائف، سجلات مفقودة، تغييرات في مخطط البيانات – يمكن أن يُقوض الدقة أو يكسر النظام كله. ربما يُخطئ محرك التوصية ويتناقص العملاء، أو نظام كشف الاحتيال يفقد التهديدات.

بدون أسس بيانات قوية، يتحول الذكاء الاصطناعي بسرعة إلى عبء كبير. هذا هو السبب في أن موثوقية البيانات والثقة والسلامة هي شرط مسبق لأي استراتيجية ناجحة للذكاء الاصطناعي.

الحالة الحالية للعمليات البيانية

ما زالت معظم الشركات تعتمد على العمليات اليدوية والاستجابة لتشغيل عمليات البيانات – نموذج لا يتناسب مع الذكاء الاصطناعي. عندما ي发生 شيء ما، يهرع المهندسون لتعقب المشاكل عبر هياكل متعددة المنصات وتصحيحها واحدًا تلو الآخر.

ينشئ هذا النهج المُستجيب ثلاث مشاكل رئيسية:

• اكتشاف متأخر: يمكن أن تستمر المشاكل لdays أو أسابيع، تاركة نماذج الذكاء الاصطناعي تعمل على بيانات معيبة.
• إصلاح غير كامل: يُعد التصحيح اليدوي غير متسق، غالبًا ما يفتقد إلى الأسباب الجذرية وترك الأنظمة عرضة للخطر.
• سعة فقدت: يقضي الموهوبون الهندسيون المزيد من الوقت في مطاردة الفشل أكثر من دفع الابتكار.

تتضاعف التعقيدات فقط تحديًا. تُشكل النظم البيانية الحديثة عشرات المنصات والاعتماديات المتشابكة التي يفهمها عدد قليل من الناس حقًا. قد يستغرق تشخيص الأسباب الجذرية أيامًا أو حتى أسابيع.

ألقِ المزيد من الناس في المشكلة: استشاريون، مقاولون، 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 والتحكم الآلي كمحفزات

الطريق الأمامي هو تحويل عمليات البيانات من مكافحة الحرائق اليدوية إلى عمليات آلية ومتقدمة مبنية على عمودين: مراقبة البيانات والتحكم الآلي.

مراقبة البيانات توفر رؤية في الوقت الفعلي للنظام البياني كله – مراقبة أداء الوظائف، وتجديد البيانات، وجودة البيانات، والاعتماديات – بحيث يتم اكتشاف المشاكل قبل وصولها إلى تطبيقات الذكاء الاصطناعي. بدلاً من انتظار فرق مجرى البيانات لتقديم تقارير عن المشاكل، تحصل الشركات على نظرة دائمة على صحة وحركة بياناتها.

يضيف التحكم الآلي السرعة والنطاق المطلوبين للعمل على هذا الرؤية. عندما تفشل وظيفة حاسوبية حرجة في الساعة 3 صباحًا، النظم الآلية يمكنها إيقاف تدفقات البيانات، وتحذير 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 تبرز كقدرة استراتيجية تدعم كل طموح للشركات في الذكاء الاصطناعي.

إغلاق الفجوة بين الطور التجريبي والطور الإنتاجي

تقع فشل العديد من مبادرات الذكاء الاصطناعي في القفزة من الطور التجريبي إلى الطور الإنتاجي. تعمل النماذج التجريبية على مجموعات بيانات ساكنة ومدروسة بعناية التي يمكن لمحترفي البيانات تنظيفها وتحديدها بدقة. بالمقابل، يتطلب الإنتاج التعامل مع تدفقات غير منقطعة من البيانات المتنوعة القادمة من جميع أنحاء الشركة.

عندما تتحول النظرية إلى ممارسة، هذا هو عندما تبدأ الشقوق في الظهور. عمليات الدفع التي تعمل في النماذج التجريبية لا تستطيع مواكبة الطلبات في الوقت الفعلي. مجموعات البيانات المُحكمة تُستبدل بالمدخلات الخام والغير متسقة. يجب أن تتفاعل البيئات المُتحكمة مع أنظمة أعمال قديمة وواجهات برمجة تطبيقات خارجية وأنظمة أعمال متغيرة باستمرار.

لهذا السبب، تستثمر الشركات التي تُغلق هذه الفجوة في بنية تحتية لموثوقية البيانات. أساس موثوقية البيانات يدعم تلك الطلبات الإنتاجية الحقيقية في العالم. تساعد موثوقية البيانات نظامك على التأهب لما سيأتي.

توصيات للشركات

المنظمات التي توسع ناجحًا في الذكاء الاصطناعي تشترك في استراتيجيات مشتركة:

• استثمر في موثوقية البيانات في وقت مبكر. اجعل الجودة شرطًا مسبقًا، ووضع المراقبة والاختبار والتحقق قبل نقل النماذج التجريبية إلى الإنتاج.
• نفذ ممارسات مراقبة البيانات. تتبع ليس فقط فشل الوظائف، ولكن أيضًا تجديد البيانات، وتغييرات الحجم، وتغييرات مخطط البيانات، ومقاييس الجودة التي تؤثر مباشرة على أداء الذكاء الاصطناعي.
• أتمتة العمليات الروتينية. استخدم الكشف الآلي والتصحيح لتقليل مكافحة الحرائق وتحرير المهندسين للعمل الاستراتيجي.
• ابنِ آليات المساءلة. عامل جودة البيانات كأولوية تجارية مع ملكية واضحة ودورات ملاحظية بين المنتجين والمستهلكين.
• صمم من أجل المرونة. بني الأنظمة لاحتواء الفشل، باستخدام نقاط التحقق لمنع انتشار البيانات السيئة.

نسبة فشل الذكاء الاصطناعي البالغة 95% ليست حتمية. إنها يمكن منعها. المشكلة ليست الذكاء الاصطناعي نفسه، ولكن نقص الأسس القوية للبيانات لدعمه. نجاح عمليات البيانات هو نجاح الذكاء الاصطناعي. إنهما شيء واحد.

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

المنظمات التي تتبنى هذا التحول سترى أكثر من مجرد معدلات نجاح أعلى للذكاء الاصطناعي. إنها تُحول كيفية استخدامها للبيانات، مما يفتح المجال لآراء جديدة في جميع أنحاء الأعمال.

لذا يمكنك الاستمرار في تمويل النماذج التجريبية التي تُقوض من قبل البيانات غير الموثوقة. أو يمكنك بناء أسس قوية تجعل الذكاء الاصطناعي ميزة مستدامة. هذا يعتمد عليك.