مبادرات الذكاء الاصطناعي لا تحتاج إلى بيانات مثالية: وجهة نظر عملية حول الذكاء الاصطناعي للمؤسسات

سيصل سوق الذكاء الاصطناعي للمؤسسات 204 مليار دولار بحلول 2030تخطط 90% من المؤسسات لزيادة استثماراتها في الذكاء الاصطناعي خلال السنوات الثلاث المقبلة. ومع ذلك، تُظهر أبحاث معهد ماساتشوستس للتكنولوجيا (MIT) أن XNUMX% من مشاريع الذكاء الاصطناعي تفشل في تجاوز المراحل التجريبية. والسبب الرئيسي ليس تعقيد النموذج، بل جودة البيانات.

تناقش مجالس الإدارة مسألة ChatGPT مقابل Claude. إنهم يطرحون السؤال الخاطئ. تكمن المشكلة الحقيقية في مدى جاهزية بيانات المؤسسة لأي تطبيق للذكاء الاصطناعي. تبني معظم الشركات قدرات ذكاء اصطناعي متطورة على أسس بيانات مجزأة، وغير متسقة، وفاقدة للسياق.

للأسف، يُؤدي هذا إلى إخفاقات مُكلفة. تُوظّف المؤسسات المالية روبوتات دردشة تُبالغ في تقدير أرقام الإيرادات. يُطبّق تجار التجزئة محركات توصيات تُشير إلى منتجات مُتوقفة عن الإنتاج. يستثمر المُصنّعون في تحليلات تنبؤية لا تُجيب على أسئلة تشغيلية أساسية. تنبع هذه الإخفاقات من التسرع في تطبيق نماذج مُتقدمة مع تجاهل إعداد البيانات الأساسية.

فهم تحدي تعقيد البيانات

تنقسم بيانات المؤسسة إلى ثلاث فئات، تتطلب كل منها أساليب تحضير مختلفة. ويحدد فهم هذه الاختلافات نجاح الذكاء الاصطناعي.

تبدو البيانات المنظمة مألوفة. تُحفظ المعلومات في قواعد البيانات وجداول البيانات بصفوف وأعمدة واضحة. تفترض العديد من المؤسسات أن أنظمة المعاملات المنظمة جيدًا تعني جاهزية الذكاء الاصطناعي. هذا الافتراض يُسبب مشاكل. تُواجه أنظمة الذكاء الاصطناعي صعوبات في التعامل مع البيانات المنظمة، ليس بسبب عدم التنظيم، بل بسبب فجوات السياق. عندما يواجه الذكاء الاصطناعي حقول "معرّف المنتج" عبر جداول قواعد بيانات متعددة، لا يمكنه فهم هذه العلاقات دون تعليمات صريحة. والنتيجة هي ذكاء اصطناعي يصل إلى البيانات ولكنه لا يستطيع تحليلها بشكل هادف.

بيانات غير منظمة يُقدّم تحديات وفرصًا متقابلة. تشمل هذه الفئة رسائل البريد الإلكتروني، والمستندات، والعروض التقديمية، ومقاطع الفيديو، وغيرها من المحتوى البشري، حيث توجد معظم المعرفة التنظيمية. تُعاني أدوات التحليلات التقليدية من البيانات غير المُهيكلة، بينما صُممت أنظمة الذكاء الاصطناعي الحديثة لمعالجتها. يتطلب النجاح إعدادًا منهجيًا. لا يُمكن للمؤسسات تحميل آلاف ملفات PDF وتوقع رؤى قيّمة. يتطلب التنفيذ الفعال تجزئة المحتوى، وإنشاء البيانات الوصفية، وتحسين محركات البحث.

البيانات شبه المنظمة تُشكّل بيئةً مُعقدةً. تمزج ملفات JSON وسجلات النظام والتقارير العناصر المُنظّمة مع المحتوى السردي. الخطأ الشائع هو اعتبار هذه المصادر غير مُنظّمة تمامًا، مما يُفقدها عناصر مُنظّمة قيّمة. يتطلب نجاح تطبيق الذكاء الاصطناعي تحليل العناصر المُنظّمة مع الحفاظ على الرؤى غير المُنظّمة، ثم إعادة دمجها لإجراء تحليل شامل.

يتطلب كل نوع بيانات استراتيجيات تحضير محددة. يجب تهيئة أنظمة الذكاء الاصطناعي للتعامل مع هذا التعقيد. تُنشئ المؤسسات التي تُعالج جميع البيانات بشكل موحد تطبيقات ذكاء اصطناعي تتفوق مع نوع بيانات واحد بينما تفشل مع أنواع أخرى.

فجوة السياق التي تعيق أداء الذكاء الاصطناعي

السياق هو العامل الأهم في نجاح الذكاء الاصطناعي. وهو أيضًا الأكثر إغفالًا. يُوظّف المحللون البشريون عقودًا من الخبرة التجارية في تفسير البيانات. عند مراجعة التقارير الفصلية، يدركون أن "الإيرادات" تُمثّل المبيعات الأمريكية بعد خصم الضرائب بالدولار. أما أنظمة الذكاء الاصطناعي، فلا تمتلك هذا الفهم. فبدون سياق واضح، قد يُفسّر الذكاء الاصطناعي "47%" على أنه رقم إيرادات بينما القيمة الفعلية هي 4.7 مليون دولار. وهذا يؤدي إلى توصيات تجارية خاطئة جوهريًا.

تتجاوز فجوة السياق التفسيرَ الأساسي للبيانات. فكل مؤسسة تُطوّر تعريفاتٍ فريدةً للمقاييس الشائعة. فـ"تكلفة اكتساب العملاء" تعني شيئًا مختلفًا تمامًا في الشركات الناشئة مقارنةً بالشركات القائمة. وتختلف حسابات "معدل فقدان العملاء" اختلافًا كبيرًا باختلاف القطاعات والشركات. وتتطلب أنظمة الذكاء الاصطناعي تعليماتٍ واضحةً في هذه التفاصيل التنظيمية الدقيقة لتقديم رؤىً قيّمة.

تُخفق أساليب التوثيق التقليدية في تطبيق الذكاء الاصطناعي. تظل قواميس البيانات الثابتة المُخزّنة على الخوادم غير مرئية لأنظمة الذكاء الاصطناعي، وسرعان ما تصبح قديمة. تُنشئ المؤسسات الناجحة وثائق حية يُمكن للذكاء الاصطناعي الرجوع إليها بنشاط. تُحدّث هذه الوثائق تلقائيًا مع تطور قواعد العمل.

يصبح التوازن بين الأتمتة والمدخلات البشرية بالغ الأهمية هنا. تتفوق الآلات في تحديد العلاقات التقنية، حيث تُدرك أن العمود "أ" يرتبط بالجدول "ب" عبر أنظمة قواعد البيانات. الخبرة البشرية وحدها هي التي تُوفر سياق العمل. يشرح البشر أهمية مقاييس معينة، وكيفية حسابها، وما الذي يُمثل نطاقات الأداء الطبيعية مقابل نطاقات الأداء المُقلقة. يجمع التطبيق الفعال للذكاء الاصطناعي بين الاكتشاف الآلي وإدارة المعرفة البشرية.

المخاطر المتزايدة في عصر الذكاء الاصطناعي

يُفاقم تطبيق الذكاء الاصطناعي مشاكل البيانات الحالية على نطاق وسرعة غير مسبوقين. وتُصبح تحديات حوكمة البيانات التقليدية أكثر تعقيدًا بشكل كبير عندما تتمكن أنظمة الذكاء الاصطناعي من الوصول إلى المعلومات ومعالجتها ومشاركتها عبر حدود المؤسسة.

أثبتت آليات التحكم في الوصول المصممة للمستخدمين البشريين عدم ملاءمتها لأنظمة الذكاء الاصطناعي. قد تمنح نماذج الأمان التقليدية محللي المبيعات حق الوصول إلى مجلدات محددة. لكن مساعدي الذكاء الاصطناعي قد يكشفون عن غير قصد معلومات حساسة لمستخدمين غير مصرح لهم من خلال استفسارات تبدو بريئة. قد يصل الذكاء الاصطناعي لخدمة العملاء إلى بيانات أسعار المنافسين ويشاركها في مراسلات العملاء. تحتاج المؤسسات إلى أطر أمان متطورة بما يكفي لفهم ما يمكن للذكاء الاصطناعي مشاركته وما لا يمكنه مشاركته في سياقات مختلفة.

تُصبح متطلبات الامتثال أكثر تعقيدًا بشكل ملحوظ عندما تتخذ أنظمة الذكاء الاصطناعي قرارات تؤثر على الأفراد. كان الامتثال للائحة العامة لحماية البيانات (GDPR) صعبًا عندما اتخذ البشر قرارات مبنية على البيانات. الآن، يجب على المؤسسات شرح كيفية توصل خوارزميات الذكاء الاصطناعي إلى استنتاجات محددة. ويجب عليها الاحتفاظ بسجلات تدقيق للقرارات الآلية، ويجب عليها أيضًا ضمان امتثال بيانات تدريب الذكاء الاصطناعي للوائح الخصوصية. ويكتسب "الحق في التفسير" معنى جديدًا عندما يكون صانع القرار نظامًا خوارزميًا وليس محللًا بشريًا.

يتطلب بناء الثقة مناهج جديدة للاختبار والمراقبة. ركزت أنظمة ضمان الجودة التقليدية على مدى عمل الأنظمة بشكل صحيح في ظل الظروف المتوقعة. أما أنظمة الذكاء الاصطناعي، فتتطلب مراقبة مستمرة لاكتشاف حالات الفشل، ومدى خطورتها، وأسبابها. يجب على المؤسسات تطبيق مراقبة آنية لكل قرار يتعلق بالذكاء الاصطناعي، وليس فقط مقاييس أداء النظام.

تُصبح حلقة التغذية الراجعة بالغة الأهمية للتحسين. عندما يُصحّح المستخدمون استجابات الذكاء الاصطناعي، يُمثّل هذا التصحيح بيانات تدريب قيّمة. ولكن هذا فقط إذا جمعتها المؤسسات ودمجتها بشكل منهجي. وهذا يتطلب عمليات لجمع ملاحظات المستخدمين، والتحقق من صحة التصحيحات، وتحديث سلوك الذكاء الاصطناعي وفقًا لذلك.

التنقل بين قرار البناء وقرار الشراء

تواجه المؤسسات خيارًا بين تطوير قدرات الذكاء الاصطناعي الداخلية أو الشراكة مع منصات خارجية. ولكلٍّ من النهجين مزايا وتحديات خاصة، يجب أن تتوافق مع قدرات المؤسسة وأهدافها الاستراتيجية.

يوفر بناء قدرات الذكاء الاصطناعي الداخلية أقصى قدر من التحكم والتخصيص. يمكن للمؤسسات تطوير أنظمة مصممة خصيصًا لتلبية متطلباتها الفريدة، مع الحفاظ على ملكية كاملة لبياناتها وخوارزمياتها. ومع ذلك، فإن متطلبات الموارد كبيرة. يتطلب التطوير الداخلي الناجح عادةً فرقًا من مهندسي البيانات، ومتخصصي الذكاء الاصطناعي، وخبراء المجال. يستغرق التطوير من 12 إلى 24 شهرًا. تشمل التكاليف الخفية مواكبة تقنيات الذكاء الاصطناعي سريعة التطور، وصيانة الأنظمة على مدار الساعة، وشرح تأخيرات الجدول الزمني للقيادة التنفيذية.

تُعدّ حلول المنصات أسرع في التنفيذ وأقل تكلفة تقنية. يُمكن للمؤسسات تحميل البيانات، وتكوين الإعدادات الأساسية، والبدء في توليد رؤى الذكاء الاصطناعي. ومع ذلك، يجب على المؤسسات تقييم قدرات المنصة بعناية وفقًا لمتطلباتها الخاصة. تشمل الاعتبارات الأساسية توافق تنسيقات البيانات، والفهم المُحدد للقطاع، وأمن البيانات وحماية الخصوصية، وقدرات التكامل مع الأنظمة الحالية.

غالبًا ما يكون النهج الهجين هو الأنسب للعديد من المؤسسات. فالبدء بحلول المنصات يُمكّن الشركات من إثبات قيمة الذكاء الاصطناعي بسرعة مع التعرّف على متطلباتها الخاصة. بمجرد أن تفهم المؤسسات الحلول الناجحة، يُمكنها اتخاذ قرارات مدروسة بشأن القدرات التي تستدعي التطوير الداخلي مقابل الاستمرار في استخدام المنصات.

إطار عملي للمضي قدمًا

يبدأ نجاح تطبيق الذكاء الاصطناعي بتقييم صادق، لا تخطيط طموح. ينبغي على المؤسسات البدء بحصر أصول البيانات الحالية. عادةً ما تكشف هذه العملية عن تعقيد وتناقض أكبر مما كان متوقعًا في البداية. بدلًا من محاولة تحقيق تحول شامل في الذكاء الاصطناعي، تُحدد الشركات الناجحة مشاكل محددة وقابلة للقياس، حيث يُمكن للذكاء الاصطناعي تقديم قيمة واضحة.

يتطلب العمل التأسيسي جهدًا كبيرًا، ولكنه يبقى أساسيًا. يشمل ذلك تنظيف البيانات، وتوثيق السياق، وتطبيق ضوابط الوصول، والاختبار التجريبي مع معايير نجاح محددة بوضوح. ينبغي على المؤسسات التخطيط لجداول زمنية واقعية. فكّر في الأشهر أو السنوات بدلًا من الأسابيع. طوّر القدرات تدريجيًا.

ستحقق الشركات التي تُنجز هذا العمل الأساسي، بينما يُركز منافسوها على اختيار نماذج الذكاء الاصطناعي، مزايا كبيرة. فاختيار التكنولوجيا أقل أهمية بكثير من التحضير الذي يُمكّن أي نظام ذكاء اصطناعي من النجاح.

تكلفة الانتظار

تتواصل ثورة الذكاء الاصطناعي بغض النظر عن جاهزية المؤسسات. بإمكان الشركات اختيار الاستثمار في إعداد البيانات بشكل سليم الآن، أو محاولة تحديث الحلول لاحقًا بتكلفة وتعقيد أعلى بكثير. ستدرك المؤسسات الرائدة في مجال الذكاء الاصطناعي مبكرًا أن النجاح لا يعتمد على اختيار أكثر النماذج تطورًا، بل على بناء أسس بيانات تُمكّن أي نظام ذكاء اصطناعي من تحقيق قيمة أعمال قيّمة.

السؤال الذي يواجه قادة المؤسسات ليس تحديد تقنية الذكاء الاصطناعي المناسبة، بل ما إذا كانت مؤسساتهم قد بذلت الجهد اللازم لإنجاح أي تطبيق للذكاء الاصطناعي. تتطور قدرات الذكاء الاصطناعي شهريًا. الميزة التنافسية المستدامة تعود للشركات التي تتمتع بأسس بيانات متينة بما يكفي لدعم أي تطورات تكنولوجية قد تظهر لاحقًا.