لماذا تحتاج جميع الشركات إلى مخطط معرفي في عصر الذكاء الاصطناعي

لقد تسارع تطوير البرمجيات بشكل أساسي بسبب الذكاء الاصطناعي، ومع ذلك لم يتغير كيفية عمل منظمات البرمجيات بشكل كبير. هذا الخلاف يصبح تدريجياً أكبر عائق أمام الذكاء الاصطناعي في الشركات.

لمدة سنوات، كانت فرق الهندسة تحتاج إلى المزيد من الموارد للبقاء على اتصال مع الطلب. اليوم، تستخدم فرق صغيرة الذكاء الاصطناعي لتوليد الشفرة، واختبارها، وتسريع المسار من الفكرة إلى التنفيذ. من الواضح أن المطورين يرسلون الشفرة بسرعة أكبر، ولكن ما إذا كان هذا يترجم بشكل مستمر إلى نتائج أفضل لا يزال غير واضح.

تخلق هذه السرعة حواجز جديدة: ضرائب التنسيق. لقد تسارع الذكاء الاصطناعي التنفيذ بسرعة أكبر بكثير من تحسين كيفية تنسيق المنظمات لعملها. مشاركة السياق، وتحديد الأولويات، وصنع القرار التشغيلي، وتقارير الحالة، والتنسيق العرضي لا يزال يعتمد بشكل كبير على العمليات اليدوية، حتى مع تسارع التطوير.

تقدر أتلاسيان أن الفجوة الناتجة عن هذا Costs شركات فورتشن 500 حوالي 161 مليار دولار سنوياً. وجدت نفس البحث أن 89% من المدراء التنفيذيين يعتقدون أن الذكاء الاصطناعي قد تسارع العمل، ولكن فقط 6% يمكن أن يشيروا إلى نتائج قابلة للقياس على مستوى المنظمة.

لا تُنشئ الإخراجات الأسرع تلقائياً منظمة أكثر ذكاء. ي同意 فقط 17% من المستخدمين على أن الوكلاء قد حسّنوا التعاون داخل فريقهم، مما يجعله أقل تأثيرًا بمargin واسع، تاركاً حلقة التنسيق غير متصلة.

إعادة بناء السياق في كل استعلام هو ضرائب ضخمة

في حين أن العرض التوضيحي يزدهر باستخدام مصادر بيانات نظيفة ومنظمة، فإن بيئات الإنتاج تطرح تحدياً: معلومات غامضة، قديمة، ومتناقضة منتشرة عبر أنظمة غير متصلة. عندما يواجهها نظام لغة كبير، يفعل ما تم تصميمه من أجله: يتنبأ بالإجابة الأكثر احتمالاً. ما بدا وكأنه استدلال في عرض توضيحي خاضع للرقابة يصبح تخميناً واثقاً مع بيانات الإنتاج الحقيقية.

بدأت الصناعة في إعطاء هذا المشكل اسمًا. “هندسة السياق” ظهرت كفرع يركز على تصميم المعلومات، والعلاقات، والحوكمة، والجودة التي تحدد ما إذا كان الذكاء الاصطناعي في الشركات ناجحًا. العامل المحدد غالباً ما يكون ليس النموذج نفسه، ولكن جودة السياق المحيط به.

كل مرة يُجبر نظام الذكاء الاصطناعي على إعادة بناء السياق من الصفر، يدفع ضرائب. الإجابات تكون بطيئة، وتزداد تكاليف الرموز، ويتآكل الثقة لأن الإجابات تختلف حسب القطع من المعرفة المنظمة التي يتم استرجاعها. يمكن لوكلاء الذكاء الاصطناعي الإجابة على نفس السؤال بشكل مختلف لأن كل واحد منها يجمّع السياق من شريحة مختلفة من المعرفة المنظمة.

معظم المنظمات تملك بالفعل المعرفة التي يحتاجها نظام الذكاء الاصطناعي. المشكلة هي أن هذه المعرفة منتشرة عبر تذاكر، ومستودعات، ووثائق، ومحادثات، وأدوات التخطيط. ونتيجة لذلك، كل互одействة تبدأ بإعادة بناء السياق المنظمي قبل أن يتمكن النموذج من البدء في الاستدلال، متكرراً نفس العملية المكلفة مع كل سؤال جديد.

الوصول ليس هو نفسه المعرفة

سؤال شائع هو ما إذا كانت نوافذ السياق الأكبر، أو البحث الأفضل، أو الاسترجاع المحسّن سوف يحل هذا المشكل.

بروتوكولات سياق النموذج تحدّي حقيقي لدمج الوكلاء مع طريقة معيارية للوصول إلى الأنظمة التي تعيش فيها المعلومات المنظمة. ولكن الوصول ليس هو نفسه الفهم. منح وكيل الوصول إلى عشرات الأنظمة لا يشرح أي قرار يفوق الآخر، أو لماذا تغيرت متطلبات، أو ما إذا كانت الوثيقة لا تزال سارية، أو كيف أثرت محادثة العملاء في النهاية على ما تم شحنه. بدون طبقة منطقية منظمة وموثوقة، هذا يوفر فقط فرصاً أكثر للتعامل مع التفاصيل المتناقضة.

ما زالت معظم أنظمة الذكاء الاصطناعي في الشركات تفترض أن السياق يجب أن يتم تجميعها من الصفر في كل مرة يُطلب فيها سؤال. هذا النهج قد ي回答 أسئلة معزولة، ولكنه يجد صعوبة في دعم الاستدلال المستمر المطلوب لتشغيل الأعمال. القيادات لا تزال تقضي ساعات كل أسبوع في تجميع الإجابات على الأسئلة التي يجب أن تكون موجودة بالفعل داخل المنظمة:

• ماذا تغير؟
• لماذا تحولت هذه الأولوية؟
• هل خطة الطريق لا تزال دقيقة؟
• هل ما زلنا نحل المشكلة الصحيحة؟

هنا يأتي مخطط المعرفة ليحتل مكانه. مخطط يخزن الكيانات والعلاقات بينها، مما يوفر أساساً للحفاظ على ذاكرة المنظمة. في منظمة برمجيات، قد تتضمن هذه الكيانات العملاء، والميزات، والمتطلبات، والقرارات، والتذاكر، والمستودعات، وطلبات السحب، والإصدارات، والأشخاص.

بدلاً من استرجاع مجموعة من المقاطع التي تحتوي على كلمات مشابهة، يمكن لوكيل أن يتبع الاتصالات من قرار إلى المتطلب الذي دفعه، والتذكرة التي نفذته، وطلب السحب الذي غيره، والتعليقات التي تحدّت لاحقاً.

تذهب مخططات المعرفة أبعد من كونها مجرد طريقة لتنظيم البيانات. بدلاً من إعادة بناء السياق من الأنظمة غير المتصلة بشكل متكرر، يمكن للذكاء الاصطناعي أن يستدل من فهم متطور بشكل مستمر لطريقة عمل المنظمة.

النتيجة هي ذكاء اصطناعي يمكنه الاستدلال من القرارات، والمحادثات، والأدلة، بدلاً من إعادة بناء هذا الفهم من الصفر مع كل سؤال جديد.

التركيب وحده لا يكفي

بناء المخطط مرة واحدة هو صعب، والحفاظ على دقته أكثر صعوبة. في منظمة سريعة التحرك، تتغير التذاكر، وتتغير الخطط، وتنشر الشفرة، وتتحرك المسؤوليات، وتغير ملاحظات العملاء الأولويات. هذا يعني أن ذاكرة المنظمة يجب أن تتطور مع تغير الواقع وتعيد ربط كل تغيير إلى مصدره.

في حين يبلغ 82% من المطورين أن الذكاء الاصطناعي يساعدهم على كتابة الشفرة بشكل أسرع، ويقول 71% إنها تحسّن قدرتهم على التعامل مع المشكلات المعقدة، تأتي هذه السرعة مع شرط: 96% من المطورين يفتقرون إلى الثقة الكاملة في أن الشفرة الناتجة صحيحة وظيفياً.

كل حقيقة يخبرك بها وكيل يجب أن ترجع إلى مصدرها: الالتزام، والتذكرة، والخيط. إذا أخبر نظام الذكاء الاصطناعي قائدًا أن الإصدار على المسار الصحيح ولكن لا يستطيع أن يُظهر الإشارات وراء هذه الاستنتاج، يجب على قائد ذي خبرة أن يتردد في اتخاذ إجراء.

لقد رأيت فرقاً تتخلى عن أدوات لأنتجت إجابات معقولة لأن المستخدمين لم يتمكنوا من التحقق من كيفية الوصول إلى تلك الإجابات. لقد رأيت أيضاً فرقاً تستمر في استخدام أنظمة أقل تطوراً لأن تلك الأنظمة أظهرت عملهم. ملخص واثق بدون إيصالات هو مجرد وسيلة أسرع للخطأ، ومرة واحدة تحرق أداة قائداً بإجابة غير مصدرة، لا تُستعاد الثقة. ربط كل ادعاء بمصدره يتحول “ثق بي” إلى “هنا السبب”.

يهم الدقة لنفس السبب. عندما يتابع نظام مستمر العلاقة بين الخطة والواقع، يصبح الفجوة بين ما قرر الفريق وما تم شحنه بشكل فعلي تياراً مرئياً بدلاً من أن يتم امتصاصه بشكل هادئ في إجابة واثقة ولكن قديمة. هذا ليس قلقاً هامشياً. Thoughtworks قد أشار إلى انزلاق الشفرة كخطر محدد للوكلاء الذكاء الاصطناعي. يؤكد على الحاجة إلى حلقات التحقق وآليات التغذية الراجعة التي تساعد الأنظمة على اكتشاف وتصحيح الانحرافات مع تطور العمل. الانزلاق الذي يمكن للمنظمة رؤيته هو معلومات مفيدة. الانزلاق الذي يبقى مخفياً هو كيف يبدأ نظام الذكاء الاصطناعي في خداع الأشخاص الذين وثقوا به.

ماذا تسأل قبل مشروع وكيلك التالي

عند تقييم مبادرة وكيل الشركات، سأبدأ بأربعة أسئلة:

• هل النظام يحتفظ بممثلة محسّنة للسياق مع مرور الوقت، أو يُ 제공 فقط وصولاً إلى مصادر البيانات الحالية؟
• هل كل إجابة تُرجع إلى مصدر محدد، مثل التذكرة أو الوثيقة؟
• هل النظام يُحدّث تلقائياً مع تغير معلومات المنظمة؟
• هل الوكيل يفهم العلاقات بين النقاط البيانية بدلاً من مجرد الوصول إليها؟

ستستمر نماذج الأساس في التحسين. ستصبح قدرات الاستدلال أقوى، وستنمو نوافذ السياق، وستصبح هذه التطورات متاحة بشكل متزايد للجميع. ما لن يتم تداوله هو الفهم المنظمي.

أكثر من نصف الرؤساء التنفيذيين يبلغون عن رؤية القليل من الفوائد الإيرادية أو التكلفة من الذكاء الاصطناعي على مدار العام الماضي. سأراهن أن معظمهم يفتقرون إلى طبقة السياق التي تمكن تلك النماذج من الاستدلال على ما تعرفه المنظمة بالفعل.

随ما يصبح تطوير البرمجيات أكثر سهولة بشكل دراماتيكي، يصبح الفهم المواردة النادرة. أولئك الذين يخلقون القيمة الأكثر من الذكاء الاصطناعي أفضل في الحفاظ على المعرفة المنظمة، والتواصل معها، والتعلم المستمر منها. هذا هو الفرق بين الذكاء الاصطناعي الذي يخمن والذكاء الاصطناعي الذي يعرف.