قادة الفكر
المسار الحرج لأتمتة تطوير النماذج

النقاط الرئيسيةيتطلب أتمتة تطوير النماذج حل الغموض الدلالي في معنى البيانات التنظيمية أولاً.
عرض المزيد
- يتطلب أتمتة تطوير النماذج حل الغموض الدلالي في معنى البيانات التنظيمية أولاً.
- تزيد النماذج الأساسية من تحديات إدارة البيانات بسبب مصادر التدريب شديدة التنوع والتعقيد.
- تحتاج الأتمتة الحقيقية للتعلم الآلي إلى ذاكرة مؤسسية لتجنب إعادة اكتشاف الإخفاقات والرؤى السابقة بشكل متكرر.
المرحلة التالية المهمة في أبحاث الذكاء الاصطناعي هي أتمتة تطوير النماذج. كل تقدم في الاستدلال واللغة والإدراك هو، في بعض المعاني، خطوة نحو هذا الهدف. ومع ذلك، فإن المسار نحو أتمتة تطوير النماذج يتطلب حل مجموعة من التحديات الأساسية التي يجب حلها أولاً.
الجسر إلى هذا الهدف يمر مباشرة عبر هندسة التعلم الآلي. هناك مفهوم خاطئ يعتقد أن التعلم الآلي هو تقنية سابقة للذكاء الاصطناعي الحديث وأن نماذج الأساس قد استبدلتها. وهذا فهم خاطئ للعلاقة. كتخصص أكاديمي، يشمل التعلم الآلي جميع جوانب تدريب النماذج، بما في ذلك تدريب نماذج الأساس في مركز لحظة الذكاء الاصطناعي الحالية. ومع ذلك، هناك فرق مهم في الحجم وتعقيد البيانات.
نماذج التعلم الآلي التقليدية عادة ما يتم تدريبها على مجموعات بيانات محددة بعناية، ومحددة النطاق، تحتوي على آلاف أو ملايين الأمثلة. نماذج الأساس، من ناحية أخرى، يتم تدريبها على آلاف مجموعات بيانات في وقت واحد، مستمدة من مصادر مختلفة بشكل كبير مع تنسيقات وأصل البيانات و جودة غير متسقة. هذا الفرق في قياس البيانات وتنوعها هو سبب أساسي لماذا تصبح إدارة البيانات أكثر صعوبة وأهمية مع نمو النماذج قوة.
هذا يجعل فهم البيانات عنق زجاجة رئيسيًا في أتمتة تطوير النماذج. نظام ذكاء اصطناعي يمكنه تفسير البيانات غير المتجانسة وتحسين الأنابيب المبنية حولها يمكن، من حيث المبدأ، تحسين عملية تدريبه الخاصة ومساعدة بناء نماذج أفضل. بمجرد أن يتمكن الذكاء الاصطناعي من تحسين العملية التي يتم من خلالها تدريبه، تتدفق التحسينات إلى أسفل إلى كل مجال يتم تطبيقه فيه.
ثلاثة عوائق تقف في الطريق
العائق الأول هو تجزئة السياق. في كل منظمة تقريبًا، الإشارات والتجارب و تعريفات الميزات و المعرفة المؤسسية المتعلقة بأي مشكلة نمذجة معينة تنتشر عبر مستودعات البيانات و المذكرات و الأنابيب التي لم يتم تصميمها أبداً للتواصل مع بعضها البعض. تأمل في نظام صحي يبني نموذجًا للكشف عن الإنتان. المعايير السريرية المهمة لهذه المشكلة، مثل الحدود الفاصلة للعلامات الحيوية و قيم المختبر و معايير التوثيق، قد توجد في وحدات منفصلة تماماً من نظام السجل الصحي الإلكتروني.
العائق الثاني هو الغموض الدلالي. المعنى ليس متأصلاً في البيانات ولكن هو سياقي و مؤسسي. نفس اسم الحقل في قواعد بيانات مختلفتين قد يشير إلى أشياء مختلفة بشكل دقيق. مفاهيم مثل الإيراد و المستخدم النشط و معدل تسرب العملاء تملك عادة تعريفات متعددة صالحة داخل شركة واحدة. حتى مفهوم يبدو واضحاً مثل “الإيراد” يمكن أن يسبب مشاكل. فريق المبيعات قد يعرّف الإيراد على أنه القيمة الإجمالية للعقود الموقعة هذا الربع، بينما يعرّف فريق المالية الإيراد على أنه النقود الفعلية المستلمة. فريق المنتج لديه فهم آخر، حيث يعرف الإيراد على أنه إيراد معترف به موزع على مدة الاشتراك. كل هذه الفرق تسحب من حقول حرفياً تسمى “الإيراد” في أنظمتها، لكن تقريرًا يجمع هذه البيانات عبر الفرق سيمزج دون تنبيه ثلاثة أرقام غير متوافقة.
العائق الثالث والأكثر شمولاً هو غياب الذاكرة المؤسسية الموثقة. تتبع أصل البيانات و حل التناقضات و الحفاظ على إشارات الجودة عبر تلك المصادر هو مشكلة لم تحل بعد حتى للفرق البشرية. بدون ذاكرة مؤسسية لما تم تجربته و مدى نجاح هذه النهج، أي آلية لأتمتة تطوير النماذج سوف تكتشف نفس الطرق المسدودة، و تهدر الوقت و الموارد.
تأمل في فريق علوم البيانات في شركة لتجارة التجزئة يبني نموذجًا لتوقع الطلب. على مدى ثلاث سنوات، اكتشف اثنا عشر محللاً بشكل مستقل أن البيانات الجوية الخام تدهور أداء النموذج خلال أسابيع العطلات، و أن تغذية مخزون مورد معين تحتوي على تأخير منهجي، و أن النهج القياسي لمعالجة الأحداث الترويجية يسبب تسرب الهدف. عندما غادر المحللون الأصليون الفرق أو تركوا الشركة، غادرت المعرفة معهم. بدون سجل مؤسسي لما تم تجربته و ما فشل و لماذا، آلية لأتمتة تطوير النماذج لا تستطيع البناء على الخبرة المتراكمة. إنها ببساطة تبدأ من الصفر، مرة بعد مرة، و تهدر الوقت بلا داع.
ما يتطلبه حل حقيقي
تاريخ أتمتة التعلم الآلي هو تاريخ حلول جزئية. حل AutoML المشكلة المحددة المتمثلة في ضبط المعلمات الفائقة، لكنه لم يكن قادراً على التعامل مع عدم مطابقة الأهداف أو التفكير في النية المؤسسية. جعلت أدوات MLOps أنابيب الإنتاج أكثر متانة وسهولة في المراقبة، لكن أدوات MLOps تنفذ استراتيجية بدلاً من تعريفها. وكلاء الترميز الأخيرون يمثلون خطوة حقيقية إلى الأمام، لكنهم ورثوا نفس النقطة العمياء. إنهم يولدون الشفرة جيداً بينما يعملون بدون سياق مؤسسي أو ذاكرة مؤسسية.
نظام قادر على هندسة التعلم الآلي المستقلة حقاً سوف يحتاج إلى قدرات لا توفرها أي أداة موجودة بالتركيبة. سوف يحتاج إلى ربط الأهداف التجارية بأهداف النموذج، وهو ترجمة لا يمكن استنتاجها من البيانات وحدها. سوف يحتاج إلى اكتشاف البيانات ذات الصلة عبر الأنظمة المنقسمة ذات المخططات غير المتسقة، مع الالتزام التلقائي بقيود الامتثال والحوكمة والأمان، بدلاً من أن يتطلب من البشر إدارتها كعملية منفصلة. سوف يحتاج إلى ذاكرة مؤسسية لإبراز العمل الموجود، و فهم لماذا تم التخلي عن التجارب السابقة، و البناء على ما يعرفه الزملاء بالفعل.
سوف تحتاج مسارات التدقيق الصارمة التي تتبع أصل البيانات عبر إصدارات البيانات و تعريفات الميزات و عمليات إيداع تغييرات الشفرة إلى أن تكون آلية أساسية لتأصيل النظام في ما حدث بالفعل. و سوف يحتاج أي نظام من هذا القبيل إلى تصميم مدروس يُشرك الإنسان في عملية اتخاذ القرار. ليس اختيار ثنائي بين الأتمتة الكاملة و التحكم اليدوي الكامل، ولكن دعم لمستويات تفاعل مختلفة اعتماداً على المهمة و المخاطر و ثقة النظام عند كل نقطة اتخاذ القرار. الأتمتة التي تتجاوز الحكم البشري في اللحظات الحاسمة ليست ميزة من ميزات الذكاء الاصطناعي المصمم جيداً؛ بل هي نمط إخفاق.
ما لم يحله أي مختبر بعد هو كيفية إنشاء فهم دلالي للبيانات المؤسسية يفهم ما تعنيه البيانات في سياق مؤسسي محدد. MCP يحل مشكلة الاتصال. لكنه لا يحل مشكلة المعنى بعد. ويظل ذلك جبهة بحثية مفتوحة.
ما يصبح ممكناً
الآثار الاقتصادية لحل هذه المشاكل هامة. يتطلب تطوير النماذج المخصصة اليوم ممارسين متخصصين و أسابيع من التكرار، حتى لمشاكل محددة جيداً. نظام يمكنه التنقل في كامل تدفق العمل تلقائياً من تعريف المشكلة إلى اكتشاف البيانات و تطوير النموذج و تقييم النموذج سوف يغير هذه المعادلة بشكل كبير، ويقلّص المدد الزمنية و يفتح حالات استخدام قيمة عالية التي لا يمكن ملاحقتها حالياً بسبب كونها تستنزف الموارد. المشاريع التي كانت تتطلب فرقاً من خبراء التعلم الآلي يعملون لأسابيع يمكن الآن إكمالها في أيام دون الحاجة إلى استنزاف وقت خبراء التعلم الآلي النادرين.
التحديات المتعلقة بتجزئة السياق و الغموض الدلالي و الذاكرة المؤسسية المفقودة ليست فريدة من نوعها لتطوير النماذج في الشركات. تظهر تحت قيود مختلفة في بناء أنابيب تدريب نماذج الأساس، حيث يجب دمج آلاف مجموعات بيانات غير متجانسة و تصفيتها و تحسينها بشكل متكرر. بينما تختلف الإعدادات في الهيكل و الهدف، كلاهما مقيد بعنق زجاجة أساسي: غياب أنظمة يمكنها استعادة السياق و تتبع أصل البيانات و البناء على العمل السابق عبر التكرارات. و بالتالي، فإن أتمتة تطوير النماذج في الشركات هو خطوة حاسمة على طريق الذكاء الاصطناعي القادر على تحسين نفسه.













