قادة الفكر

تنظيف بياناتنا المُضطربة: كيف يُغير الذكاء الاصطناعي اللعبة

Gabrielle Degeorge
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةتكلف جودة البيانات الرديئة الشركات ملايين الدولارات سنوياً وتؤدي إلى أخطاء حرجة في…
عرض المزيد
  • تكلف جودة البيانات الرديئة الشركات ملايين الدولارات سنوياً وتؤدي إلى أخطاء حرجة في قطاعات مثل الرعاية الصحية.
  • تؤتمت منصات الذكاء الاصطناعي مثل كلاريتايبي تنظيف البيانات وتوحيدها من القوائم المنعزلة للإجابة على الأسئلة التجارية الملحة.
  • تتطلب حوكمة البيانات الفعالة الموازنة بين أتمتة الذكاء الاصطناعي والإشراف البشري لمنع التخمينات المكلفة.

نغرق في البيانات. كل منصة وساعة ذكية وهاتف ذكي يجزّئ حياتنا إلى أجزاء قابلة للقياس، ومع ذلك فإن معظمها يبقى غير متناسق وغير قابل للاستخدام.

تعرف الشركات ذلك، وهذا هو السبب في أن شركة ميتا للتكنولوجيا استثمرت 14 مليار دولار أمريكي في الصيف الماضي للاستحواذ على حصة 49٪ في شركة Scale AI الناشئة لوسم البيانات، في خطوة محسوبة واستراتيجية لتأمين بيانات تدريب عالية الجودة لنمذجة الذكاء الاصطناعي.

تعتمد موثوقية نماذج اللغة الكبيرة بالكامل على جودة البيانات التي يتم تغذيتها – باختصار، “النفايات الداخلة، النفايات الخارجة”. اليوم، ومع ذلك، فإن التحدي الحقيقي الذي تواجهه الشركات هو تحويل فيضان المعلومات الخام إلى بيانات قابلة للتنفيذ.

قد يكون الحل أمام أعيننا: يمكن للذكاء الاصطناعي نفسه المساعدة بتوليد استراتيجيات لتجاوز مهمة وسم مجموعات البيانات الضخمة أو تمشيط جداول البيانات التي لا تنتهي، وتحويل الفوضى إلى ذكاء بشري قابل للاستخدام.

متى تصبح البيانات مُضطربة: التكاليف الخفية للشركات

وفقًا لأبحاث جارتنر من عام 2020، تكلفت جودة البيانات الرديئة الشركات بمبلغ لا يقل عن 12.9 مليون دولار أمريكي سنويًا، مما يؤثر على الإنتاجية ويؤدي إلى قرارات تستند إلى معلومات غير كافية وتقارير غير دقيقة.

تظهر عواقب البيانات المُضطربة بشكل واضح في قطاعات مثل الرعاية الصحية. السجلات الصحية غير المكتملة وبيانات الفواتير وبيانات غير متطابقة عبر الأنظمة يمكن أن تؤدي إلى تشخيصات خاطئة وأخطاء علاجية وتخصيص غير كفء للموارد. في المدى الطويل، هذا يزيد من التكاليف ويؤدي إلى تآكل الثقة في هذه الأنظمة.

في غضون ذلك، في مجال اللوجستيات، يمكن أن يؤدي عدم تطابق البيانات بين الموردين والموزعين إلى تأخيرات أو نقص في المخزون. يمكن أن يؤدي عنوان التسليم غير الصحيح أو سجل المخزون القديم إلى تأثيرات متسلسلة في سائر سلسلة التوريد، مما يؤدي إلى تفويت المواعيد النهائية وعدم رضا العملاء.

“من خلال القدرة على توقع أو فهم ما يمكن أن يحدث [على طول المسار] – بناءً على بيانات مجمعة وسابقة – يمكنك تقليص هذه اللاكفاءة بشكل كبير،” أسباروه كويف، الرئيس التنفيذي لشركة Transmetrics للذكاء الاصطناعي اللوجستي، لاحظ أثناء محادثته مع Unite AI.

بمعنى أكثر عمق، تكون البيانات المُضطربة مكلفة. قاعدة 1-10-100 توضح ذلك: تكلفت التحقق من البيانات أثناء إدخالها 1 دولار، وتنظيفها لاحقًا 10 دولارات، وعدم القيام بأي شيء 100 دولار.

ما الذي تقدمه المنصات المدعومة بالذكاء الاصطناعي

نظرًا لأن الشركات تكافح مع كميات متزايدة من البيانات غير النقية، فإنها تتحول إلى الذكاء الاصطناعي للحصول على حلول. تؤتمت المنصات الناشئة المدعومة بالذكاء الاصطناعي الآن عملية تنظيف البيانات، مما يضمن الفعالية من حيث التكلفة وتحسين الدقة.

روبرت جاردينا، مؤسس Claritype، أحد هذه المنصات، أوضح عملية الذكاء الاصطناعي:

“تتحد البيانات في شكل موحد: جزء من العملية هو تحويل كل بيانات إلى شكل موحد يتناسب مع الأعمال.”

تجاوزت Claritype ببساطة معايير التوحيد. تتيح آلية الإصلاح الخاضع للإشراف في المنصة للشركات بالتجاوز عبر حدود الأنظمة في سعيها للإجابة على أسئلتها الأكثر إلحاحًا، مما يؤدي إلى كسر الحواجز.

“الأنظمة التي كانت منفصلة في السابق تحتفظ كل منها بجزء من الإجابة على الأسئلة التي تشمل جميع أجزاء الأعمال،” قال جاردينا لUnite AI.

على سبيل المثال، إذا تأثر مورد رئيسي بتأخير في الشحن، فإن الشركة لا يمكنها تحديد العملاء الرئيسيين الذين يجب إخطارهم أولاً عن التأخير إلا من خلال ربط الموردين بالطلبات وتاريخ العملاء.

“الهدف النهائي لنا هو تمديد هذا التفكير المتصل لتوحيد كل شظية من البيانات في المؤسسة حتى نتمكن من جعل كل سؤال سهلًا وفوريًا للإجابة،” قال جاردينا.

يمثل هذا النوع من التفكير المتصل التغيير الأوسع في العقلية الذي يحدث في الشركات اليوم، حيث تنتقل من تنظيف البيانات بشكل عفوي إلى حوكمة البيانات النظامية. بدلاً من معاملة جودة البيانات كإصلاح يُجرى مرة واحدة، فإن الشركات تطور عمليات منظمة لضمان الاتساق والموثوقية عبر جميع أنظمتها.

تُعتبر حوكمة البيانات الآن عملية أعمال قيمة، وليس مجرد مهمة تكنولوجية. من خلال دمج إدارة البيانات في استراتيجياتها العامة، يمكن للشركات اتخاذ قرارات أفضل واكتساب رؤى أكثر معنى من بياناتها.

كيف ينظف الذكاء الاصطناعي البيانات وما التحديات التي يواجهها

الاعتماد المفرط على الذكاء الاصطناعي يمكن أن يكون خطيرًا. لجاردينا، “التحويلات التلقائية للمعلومات التي تذهب أبعد من التوحيد إلى التخمين هي التي تثير القلق.”

على سبيل المثال، يمكن أن يُفسَر الاختصار بسهولة بشكل خاطئ. “International Business Machines (IBM ), Inc.” أو “I.B.M.” عادةً ما تُحول إلى “IBM”، ولكن إذا كانت التحويل تلقائيًا و”I.B.” قد تم تحويلها بشكل غير صحيح إلى “IBM”، يمكن أن يسبب ذلك مشاكل كبيرة لكلا الشركتين.

البيانات المفقودة والبيانات غير دقيقة هما من أكثر المشاكل شيوعًا، والاعتماد فقط على الذكاء الاصطناعي لملء الفجوات وفقًا للسياق يمكن أن يؤدي إلى عواقب سلبية بسهولة. كما يشير جاردينا، “عندما تكون الآثار بأي شكل من الأشكال كبيرة، نحن بحاجة إلى موافقة إنسان على كل تخمين.”

الموازنة بين الأتمتة والرؤية البشرية

تُبرز البيانات المُضطربة عيوبًا عميقة في طريقة تعامل المنظمات مع المعلومات. للتقدم وتحسين اتخاذ القرارات، يجب على الأعمال أن تتوقف عن النظر إلى البيانات كمسألة فنية بحتة وتنتقل نحو نماذج الحوكمة التي تجمع بين الخبرة البشرية والوعي الأخلاقي والرؤية الاستراتيجية الطويلة الأمد.

تُخلق بيانات أكثر نظافة أدوات ذكاء اصطناعي أكثر فعالية، والتي بدورها تساعد على تحسين جودة البيانات؛ هذه الدورة التي يعزز كل طرف فيها الآخر يعد واعدًا، ولكنه يُذكرنا بأن الأتمتة وحدها لن يحل مشكلة بياناتنا المُضطربة. يمكن تحقيق هذا الإمكان فقط من خلال الجمع بين الدقة الخوارزمية مع الحكم البشري والوعي بالانحيازات التي يمكن أن يُدخلها، مما يضمن الشفافية والمزيد من الثقة في الأنظمة التي نبنيها.

أليكس ساندوال، الرئيس التنفيذي لشركة Allie AI للذكاء الاصطناعي في مجال ذكاء التصنيع، أكد أيضًا أن مساعدي الذكاء الاصطناعي التوليدي لا يعملون بالخوارزميات وحدها، بل يعتمدون على الإلمام البشري بمنطق المصنع.

“أنجح عمليات النشر اليوم لا تقتصر على تغذية النماذج بكميات هائلة من بيانات وحدات التحكم المنطقي القابلة للبرمجة (PLC)، وملاحظات المشغلين، وبروتوكولات الامتثال. إنها تعتمد على نوع جديد من العاملين في الخطوط الأمامية: من يستطيع الترجمة بين سلوك الآلة والحدس الرقمي،” اختتم.

غابرييل دي جورج هي صحفية وخبيرة اتصالات متعددة اللغات مقرها روما، إيطاليا. وهي حاصلة على ماجستير في الترجمة المتخصصة من جامعة جنيف، ويركز عملها على كيفية عمل الذكاء الاصطناعي مع البشر لتحسين الصناعات والمجتمعات.