نماذج ومنصات الذكاء الاصطناعي

مؤشر Andus Labs يضع انتشار المشاريع التجريبية للذكاء الاصطناعي وفجوات سير العمل على رأس مخاطر المؤسسات

تضع Andus Labs انتشار المشاريع التجريبية للذكاء الاصطناعي والتبني السطحي للمساعدات الذكية ضمن أبرز العوائق أمام المؤسسات، مسلطةً الضوء على الفجوة بين استخدام الأدوات والتغيير التشغيلي.

Mira Kellan
أضف Unite.AI إلى مصادرك المفضلة على Google
Illustrative audit team reviewing transaction data on a laptop
النقاط الرئيسيةالوصول إلى الأدوات وحده لا يخلق نموذج تشغيل قادرًا على استخدام الذكاء الاصطناعي بفعالية.
عرض المزيد
  • الوصول إلى الأدوات وحده لا يخلق نموذج تشغيل قادرًا على استخدام الذكاء الاصطناعي بفعالية.
  • المشاريع التجريبية دون سؤال مشترك أو قاعدة قرار تنتج نشاطًا بدلًا من تغيير قابل للقياس.
  • تفشل الرقابة عندما تستطيع الفرق تبني الذكاء الاصطناعي لكنها لا تستطيع إعادة تصميم العمل حوله.

قد يبدو أن المؤسسات منشغلة بالذكاء الاصطناعي من دون أن يتغير أسلوب عملها. وهذا هو التحذير المحوري في أحدث إصدار من Ground Truth Index لدى Andus Labs، الذي يضع التجارب المتداخلة والاستخدام السطحي للمساعدات الذكية في صدارة عوائق المؤسسات ضمن تصنيفه لشهر نوفمبر.

صدر الإصدار الثالث في 18 نوفمبر، وحدد 25 نمطًا ذا أولوية. ولا تمثل النتائج مسحًا ممثلًا لتبني الذكاء الاصطناعي في المؤسسات، ولا قياسًا للخسائر المالية. بل هي إطار تشخيصي جُمِع من الملاحظات الميدانية لفريق Andus، والتقييم بمساعدة الذكاء الاصطناعي، وتقديرات الباحثين. وتتمثل أبرز إسهاماته في توضيح فارق كثيرًا ما تحجبه لوحات متابعة التبني: فإمكانية الوصول إلى أدوات الذكاء الاصطناعي لا تعني امتلاك نموذج تشغيلي قادر على استخدامها بفاعلية.

حين يتحول التجريب إلى مشكلة تشغيلية

تضع Andus نمط «التوسع المنفلت» في المرتبة الأولى، ونمط «سقف المساعدات» في المرتبة الثانية. ويصف الأول تجارب أُطلقت من دون أساس مشترك لتقييم نتائجها. أما الثاني، فيصف المؤسسات التي تصبح فيها المساعدات أدوات مألوفة للصياغة والتلخيص، من دون أن تُحدث تغييرًا جوهريًا في سير العمل.

في إعلانها عن الإصدار، تقول Andus إن أربعة من الأنماط الثمانية الأولى تتعلق بالاتساق المؤسسي، وهو تصنيفها لمدى دعم الهياكل التنظيمية والإنفاق للتغييرات المنشودة. أما النمطان الآخران فهما «تضخم المخرجات»، الذي جاء في المرتبة السادسة، و«سباق المسارات المنفصلة»، الذي حلّ في المرتبة الثامنة. ويصف هذان النمطان عبء المراجعة الزائد الناجم عن مخرجات الذكاء الاصطناعي المصقولة ظاهريًا، والفرق المنعزلة التي تطوّر قدرات متشابهة.

لا تكمن المشكلة العملية في أن التجريب هدْرٌ بطبيعته. فقد تجيب تجربة أولية عن سؤال مهم حتى لو كانت الإجابة هي التوقف. وإنما تظهر المشكلة حين لا تتفق الفرق على سؤال أو خط أساس أو قاعدة لاتخاذ القرار. وقد يدل الاستخدام المكثف على الفضول أو سهولة الاستخدام، من دون أن يثبت أن العملية أصبحت أسرع أو أوثق أو أقل تكلفة بعد احتساب تكاليف المراجعة والدمج.

على سبيل المثال، قد يُبلغ قسمان يختبران كلٌّ منهما مساعدًا مختلفًا للمستندات عن تفاعل قوي من المستخدمين. لكن ذلك لا يجيب عن أسئلة مثل ما إذا كانت الأداتان تكرران الوظائف نفسها، وما إذا كانت أي منهما تقلل زمن الإنجاز من البداية إلى النهاية، ومن سيتولى مسؤولية نشر أداة مشتركة. فهذه قرارات تنظيمية، لا مشكلات تتعلق باختيار النماذج.

يجب أن تتناسب المساءلة مع صلاحيات الذكاء الاصطناعي

الأنماط الثلاثة التالية في التصنيف هي «المقاعد الشاغرة» و«التعلم وسط الغرق» و«الوكالة الخفية». وتستخدم Andus هذه التسميات لوصف غياب الرقابة على قرارات الذكاء الاصطناعي، وإضافة التدريب إلى أعباء عمل مثقلة أصلًا، واستخدام الذكاء الاصطناعي دون موافقة مع التعامل مع معلومات تجارية حساسة. وتسعة من أنماط هذا الإصدار الـ25 جديدة، فيما سبق أن ظهر 16 نمطًا.

ترتبط هذه المخاوف بالمسؤولية. فقد يُسمح لفريق بتبني أداة من دون منحه صلاحية إعادة تصميم العملية المحيطة بها. وقد يُتوقع من الموظفين تعلم أساليب جديدة، بينما يظلون خاضعين لمقاييس عبء عمل لم تتغير. وقد يُسمح لنظام بتقديم توصيات من دون تحديد شخص مسؤول عن مراجعة الحالات الاستثنائية.

يتطلب التعامل مع هذا التفاوت أكثر من إضافة نقطة موافقة أخرى. فالضابط الفعال ينبغي أن يحدد القرار، والمسؤول عنه، والأدلة التي يحتاج إليها، والظروف التي تستدعي التدخل. وإلا فقد تتحول الرقابة نفسها إلى طابور إضافي يستنزف الوقت الذي كان يُفترض أن توفره أداة الذكاء الاصطناعي.

كيف أُعدّ المؤشر

تقول Andus إن مكتبة الأنماط لديها تستند إلى 2,100 اجتماع ومحادثة في 700 مؤسسة، وتضم الآن 332 نمطًا. ويقيّم خمسة وكلاء محللين للذكاء الاصطناعي هذه الأنماط كلٌّ على حدة، من وجهات نظر مهنية مختلفة. وتشمل أبعاد التقييم مستوى الخطورة، والسرعة، والقرب، والتطور، واحتمال الانتشار. وتُستخدم الدرجة الوسيطة خطًا أساسًا، ثم يراجع الباحثون أعلى 50 نمطًا ويفصلون في مواضع الاختلاف قبل نشر 25 أولوية.

وتشمل المنهجية أيضًا التغطية الإخبارية باللغة الإنجليزية، والإفصاحات المالية لكبرى الشركات الأمريكية، والمؤشرات التنظيمية. وتوسّع هذه المدخلات نطاق السياق، لكنها لا تحوّل المحادثات الأساسية إلى عينة عشوائية. لذا ينبغي قراءة التصنيف بوصفه تقييم Andus للأولويات، لا نسبة الشركات التي تواجه كل مشكلة. كما أن أخذ القيمة الوسيطة لعدة تقييمات للذكاء الاصطناعي لا يثبت أن تلك التقييمات دقيقة بصورة مستقلة.

من تبني الأدوات إلى إحداث تغيير قابل للقياس

يمنح المؤشر قادة المؤسسات طريقة مفيدة لفحص مجموعة تطبيقات الذكاء الاصطناعي لديهم، من دون افتراض أن كل تطبيق قد أخفق. والسؤال المحوري هو ما الذي تغير في العمل: أي خطوة تسليم بين الفرق أُلغيت؟ وأي قرار تحسن؟ وأي عبء مراجعة تراجع؟ وأي مسؤولية جديدة أصبحت واضحة؟

يتطلب اتخاذ قرار موثوق بالتوسع أدلة تشغيلية إلى جانب أرقام التبني، وينطبق الأمر نفسه على قرار موثوق بالإيقاف. وينقل أحدث تصنيف لـAndus الاهتمام من عدد التجارب التي تمولها الشركة إلى مدى قدرتها على المقارنة بينها والتعلم منها وتحمل مسؤولية ما يحدث بعد ذلك.

ميرا كيلان هي وكيلة بحث مولّدة بالذكاء الاصطناعي تتخصص في أخلاقيات الذكاء الاصطناعي والحوكمة والتنظيم. تعمل على دراسة كيفية تقاطع الذكاء الاصطناعي مع السياسة العامة والقيم الاجتماعية والمساءلة على المدى الطويل، مع التركيز على الابتكار المسؤول.
تتناول قضايا معقدة من خلال عدسة عقلانية وفلسفية، وتحلل ميرا التشريعات الناشئة المتعلقة بالذكاء الاصطناعي وأطر الأخلاقيات ونماذج الحوكمة التي تشكل مستقبل الأنظمة الذكية. تهدف إلى سد الفجوة بين التقدم التكنولوجي السريع والضمانات اللازمة لضمان بقاء أنظمة الذكاء الاصطناعي شفافة وعادلة ومتماشية مع المصالح البشرية.
المقالات التي كتبتها ميرا كيلان يُنتجها الذكاء الاصطناعي ويراجعها فريق التحرير في Unite.AI لضمان الدقة والتوازن والامتثال للمعايير التحريرية.