انتهت فرق البيانات، عاشت فرق البيانات

نعم، العنوان مثير للفت الانتباه ومثير للاستفزاز، ولكن بصفتي مديرًا تقنيًا ذا خبرة طويلة في مجال البيانات، فقد شهدتُ تحولًا يبرر الدراما. "فريق البيانات" فريق العمل الإداري الذي يُعنى بمعالجة التقارير ولوحات المعلومات قد انتهى فعليًا. وحلّ محله فريق بيانات جديد ناشئ: فريق قوي يُركّز على الذكاء الاصطناعي، مُوجّه نحو المنتج، وله تأثير مباشر على الإيرادات. لم يعد هذا الفريق مركز تكلفة، بل مجموعة مُولّدة للربح.

الرحلة من ذكاء الأعمال إلى التعلم الآلي

لم يمض وقت طويل قبل أن تصبح فرق البيانات مرادفة لـ ذكاء الأعمال (BI)كنا مؤرخي بيانات الشركة، نعيش في SQL وجداول البيانات، ومكلفين بالإجابة على سؤال "ماذا حدث في الربع الأخير؟" مع ظهور تقنيات البيانات الضخمة مثل Hadoop ومصطلح "عالم بيانات" أصبحت الوظيفة الجديدة الجذابة، وتطورت فرق البيانات. وبحلول منتصف العقد الأول من القرن الحادي والعشرين، كنا نقوم بأكثر من مجرد إعداد التقارير؛ فقد غامرنا في عرض مرئي للمعلومات والتحليلات التفاعلية، وإنتاج لوحات معلومات ديناميكية لكل قسم. كانت المهمة تتمحور حول معالجة البيانات، ودمج مجموعات البيانات من مصادر وأشكال مختلفة، ومحاولة فهم المعرفة في مختلف المجالات.

ثم جلبت أواخر العقد الأول من القرن الحادي والعشرين عصر التعلم الآليبدأت فرق البيانات بتوظيف علماء بيانات لبناء نماذج تنبؤية واكتشاف رؤى ثاقبة في مجموعات بيانات ضخمة. انتقلنا من وصف الماضي إلى التنبؤ بالمستقبل: نماذج تحويل العملاء، ومحركات التوصية، وتوقعات الطلب - سمها ما شئت. ولكن حتى في ذلك الوقت، كانت مخرجاتنا عبارة عن عروض تقديمية ورؤى ثاقبة، وليست منتجات فعلية. عملنا كمكتب خدمات داخلي، نقدم الاستشارات للشركة من خلال التحليل. بمعنى آخر، كنا مراكز التكلفة - قيمة، نعم، ولكنها بعيدة خطوة واحدة عن المنتج الأساسي والإيرادات.

في أفضل الأحوال، كانت فرق التعلم الآلي موزعة على وحدات منفصلة أو مُدمجة ضمن مجموعات منتجات، بحيث يُمكن دمج نماذجها واستنتاجاتها بشكل كامل في المنصات. وقد أدى هذا الانقسام الكبير إلى فشل العديد من المشاريع، وهدر الاستثمارات، وضياع الفرص.

GenAI: من وظيفة الدعم إلى مركز الربح

ثم ظهرت تقنية GenAI وتغير كل شيء. أدى إصدار نماذج لغوية قوية وواسعة النطاق، مثل عائلة GPT ومتغيرات مفتوحة المصدر مثل Llama، إلى تغيير المشهد تمامًا بين عشية وضحاها. فجأة، لم تعد فرق البيانات تُحلل الأعمال فحسب، بل أصبحت جزءًا لا يتجزأ من بناء منتجات وتجارب الذكاء الاصطناعي. عندما تُدمج بنجاح برنامج ماجستير في إدارة الأعمال (LLM) في تطبيق مُوجه للعملاء أو سير عمل داخلي، فإنك لم تعد تُقدم معلومات للشركة فحسب؛ بل تُديرها. يُمكن لنظام GenAI المُطبق جيدًا أتمتة دعم العملاء، وإنشاء محتوى تسويقي، وتخصيص تجارب المستخدم، أو حتى توفير البيانات اللازمة لإعلام أنظمة الذكاء الاصطناعي الوكيل الناشئة وتدريبها. تؤثر هذه القدرات بشكل مباشر على تدفقات الإيرادات. في الواقع، تحول منتج عمل فريق البيانات من شرائح PowerPoint إلى تطبيقات حية مُدعمة بالذكاء الاصطناعي.

بدأت فرق GenAI بمجموعات ابتكار، حيث قدمت أدلة مفاهيمية أثارت إعجاب الجميع. وسرعان ما أصبح الجميع مهندسي ذكاء اصطناعي، ينشرون تكنولوجيا المعلومات الخفية في جميع المؤسسات.

سرعان ما وجدت فرق البيانات نفسها أمام سؤال جديد: "متى ستصبح مركز ربح؟" مع بدء مهندسي الذكاء الاصطناعي في ابتكار أدوات مذهلة، أصبح من الواضح أن الوقت قد حان لدمج فريقين: فريق يتحكم في البيانات وفريق يطور التطبيقات.

لنفترض أن شركة تجزئة تستخدم روبوت محادثة GenAI للتعامل مع استفسارات المبيعات، أو بنكًا يُطلق مستشارًا استثماريًا شخصيًا يعتمد على الذكاء الاصطناعي. هذه ليست مشاريع تقليدية لتكنولوجيا المعلومات، بل هي منتجات رقمية تُحقق قيمة للعملاء وتُدرّ إيرادات. مع ذلك، ولإنشاء هذه الأنظمة على نطاق واسع، يجب أن تتمكن فرق هندسة الذكاء الاصطناعي من الوصول إلى البيانات التي أعدتها الفرق التقليدية وتشغيلها.

لاحظ المدراء التنفيذيون ذلك. أصبحت توقعات فرق البيانات عالية جدًا الآن، حيث يتطلع إلينا مجالس الإدارة والرؤساء التنفيذيون لتقديم نموذج النمو التالي المدعوم بالذكاء الاصطناعي. لقد انتقلنا من كوننا محللين خلف الكواليس إلى المبتكرون في الخطوط الأماميةإنه منصب مثير للاهتمام، ولكنه يأتي مع ضغوط شديدة لتحقيق النتائج على نطاق واسع.

من الاستكشاف إلى المنتج – باب ذو اتجاه واحد

التحول من التحليل الاستكشافي إلى الذكاء الاصطناعي المرتكز على المنتج هو عميق ولا رجعة فيهلماذا لا رجعة فيه؟ لأن تأثير GenAI على الأعمال أثبت أنه كبير جدًا بحيث لا يمكن حصره في البحث والتطوير. وفقًا لدراسة عالمية حديثة، 96% من قادة تكنولوجيا المعلومات قاموا الآن بدمج الذكاء الاصطناعي في عملياتهم الأساسية - ارتفاعًا من 88% قبل عام واحد فقط. بمعنى آخر، انتقلت جميع المؤسسات تقريبًا من تجربة الذكاء الاصطناعي إلى دمجه في سير العمل بالغة الأهمية. بمجرد تجاوز عتبة تقديم الذكاء الاصطناعي للقيمة في الإنتاج، لا مجال للتراجع.

يُغيّر هذا التركيز الجديد المُوجّه بالذكاء الاصطناعي وتيرةَ وعقليةَ فرق البيانات. في الماضي، كنا نتمتّع برفاهية مشاريع الاستكشاف الطويلة والتحليلات المفتوحة. أما اليوم، فإذا كنا نُطوّر ميزةً للذكاء الاصطناعي، فيجب أن تكون جاهزةً للإنتاج، ومتوافقةً مع المعايير، وموثوقةً - كأي منتجٍ يُقدّم للعملاء مباشرةً. لقد دخلنا ما يُسمّيه البعض "العصر المستقل" لعلم البيانات. لم يعد السؤال الذي يُوجّه عملنا هو "ما هي الرؤى التي يُمكننا اكتشافها؟"، بل "ما هو النظام الذكي الذي يُمكننا بناؤه والذي يعمل بناءً على الرؤى آنيًا؟"

أنظمة الذكاء الاصطناعي من الجيل الجديد لا تجيب على الأسئلة فحسب، بل بدأت باتخاذ القرارات. إنه باب ذو اتجاه واحد: فبعد تجربة هذا النوع من الاستقلالية والتأثير، لن تكتفي الشركات بالتقارير الثابتة واتخاذ القرارات يدويًا. الآن، وأكثر من أي وقت مضى، تحتاج فرق البيانات إلى التركيز على أصحاب المصلحة والمنتجات.

الحقيقة المؤلمة: لماذا تفشل معظم مبادرات GenAI

في خضم كل هذه الإثارة، هناك حقيقة واقعية: تفشل معظم مبادرات GenAIلقد اتضح أن نشر GenAI بنجاح يمثل تحديًا كبيرًا. دراسة حديثة أجراها معهد ماساتشوستس للتكنولوجيا وجدت أن مذهلا 95% من مشاريع GenAI التجريبية للمؤسسات لا تحقق عائد استثمار قابل للقياسيحقق حوالي 5% فقط من رواد الذكاء الاصطناعي مكاسب سريعة في الإيرادات أو تأثيرًا ملموسًا في الأعمال. ولا يعود ذلك إلى نقص الإمكانات، بل إلى تعقيد تطبيق الذكاء الاصطناعي بشكل صحيح.

بالتعمق في أسباب الفشل، يرسم بحث معهد ماساتشوستس للتكنولوجيا صورة واضحة. تتعثر العديد من المشاريع بسبب "الضجة الإعلامية على العمل الجاد" - إذ تسعى الفرق وراء حالات استخدام تجريبية براقة بدلاً من الاستثمار في أساسيات التكامل والتحقق والمراقبة المملة. بينما تفشل مشاريع أخرى بسبب "التقليدية"القمامة في ، القمامة خارجمتلازمة "جودة البيانات المتدنية وقنوات البيانات المنعزلة تُنهي المشروع قبل أن يبدأ الذكاء الاصطناعي في أداء وظيفته. في كثير من الأحيان، لا يكون نموذج الذكاء الاصطناعي هو العيب، بل البيئة المحيطة به. وكما أوضح الباحثون، لا يفشل الذكاء الاصطناعي في المختبر؛ بل يفشل في المؤسسة عندما يصطدم بأهداف غامضة، وبيانات ضعيفة، وجمود تنظيمي. عمليًا، تتعثر معظم مشاريع الذكاء الاصطناعي التجريبية في مرحلة إثبات المفهوم ولا تصل أبدًا إلى مرحلة النشر الكامل.

هذا الواقع درسٌ قيّم. فهو يُخبرنا أنه على الرغم من أن فرق البيانات أصبحت الآن في دائرة الضوء، إلا أن غالبيتها تُكافح لتلبية التوقعات المتزايدة. لكي ينجح الجيل الجديد من الذكاء الاصطناعي على نطاق واسع، يجب أن نتجاوز مرحلةً حاسمةً. شريط أعلى مما فعلناه في أيام BI القديمة.

ما وراء المحفزات الذكية: البيانات والحوكمة والبنية التحتية مهمة

ما الذي يميز مشاريع الذكاء الاصطناعي التي تنجح بنسبة 5% عن تلك التي تتعثر بنسبة 95%؟ من تجربتي (وكما تؤكد الأبحاث)، يركز الفائزون على: القدرات الأساسية البيانات، والحوكمة، والبنية التحتية. الذكاء الاصطناعي ليس سحرًا؛ إنه مبني على البيانات. فبدون قنوات بيانات عالية الجودة ومحكمة الإدارة تُغذي نماذجك، حتى أفضل الذكاء الاصطناعي سيُنتج نتائج غير منتظمة. شركاء القمة لقد وضعتها بشكل جيد في تحليل حديث: "إن نجاح أي نظام أو عملية تستخدم الذكاء الاصطناعي يعتمد على جودة البيانات وبنيتها وإمكانية الوصول إليها."

عمليًا، يعني هذا أن على المؤسسات التركيز على هندسة البيانات وحوكمتها عند تبنيها لتقنيات GenAI. هل لديكم مخازن بيانات موحدة وسهلة الوصول يمكن لذكائكم الاستفادة منها (وأعني جميع مخازن البيانات، بما في ذلك مراكز البيانات، وأنظمة الحوسبة السحابية الضخمة، وأنظمة SaaS التابعة لجهات خارجية، وغيرها)؟ هل هذه البيانات مُنظّفة ومنقّحة ومتوافقة مع اللوائح؟ هل هناك تسلسل واضح للبيانات وقابلية للتدقيق (بما يسمح بالثقة في مخرجات الذكاء الاصطناعي ومعرفة كيفية ظهورها)؟ هذه الأسئلة الآن في صدارة الاهتمام.

تجبر شركة GenAI الشركات على ترتيب بياناتها أخيرًا.

اكتسبت الحوكمة أيضًا أهمية جديدة. فعندما يُحتمل أن يُنتج نموذج الذكاء الاصطناعي إجابة خاطئة (أو مُسيئة)، فإن الحوكمة القوية ليست اختيارية، بل إلزامية. وتُعدّ ضوابط مثل إدارة الإصدارات، والتحقق من التحيز، والمراجعة البشرية، وتدابير الأمن الصارمة حول مُدخلات البيانات الحساسة، أساسية. فبدون حوكمة سليمة، وتدريب، وأهداف واضحة، حتى أداة الذكاء الاصطناعي القوية ستواجه صعوبة في تحقيق نجاح في قطاع الأعمال.

ودعونا لا ننسى البنية التحتية. يتطلب نشر GenAI على نطاق واسع قوة حوسبة هائلة وهندسة دقيقة. يجب تقديم النماذج في الوقت الفعلي، عبر ملايين الاستعلامات تقريبًا مع زمن انتقال منخفض. غالبًا ما تتطلب وحدات معالجة رسومية أو أجهزة متخصصة، بالإضافة إلى المراقبة المستمرة والاحتفاظ بالبيانات وإدارة دورة الحياة. باختصار، أنت بحاجة إلى بنية تحتية للذكاء الاصطناعي على مستوى صناعي، آمنة وقابلة للتطوير ومرنة. وهنا يكمن مفهوم... منظمة العفو الدولية الخاصة يُمثّل الذكاء الاصطناعي الخاص الإطار الذي يجمع البنية التحتية مع البيانات والحوكمة. يشير الذكاء الاصطناعي الخاص إلى تطوير الذكاء الاصطناعي ضمن بيئة مُراقبة وآمنة، مما يضمن أمن البيانات والامتثال.

والخلاصة هي أن نجاح GenAI يعتمد على الانسجام بين ثلاثة ركائز: البيانات, الحكمو بنية التحتيةبدونها، فإنك تخاطر بالانضمام إلى 95% من المشاريع التي لا تتوسع أبدًا إلى ما بعد مرحلة العرض التوضيحي.

لماذا لا يستطيع مهندسو الذكاء الاصطناعي القيام بذلك بمفردهم

بالنظر إلى هذه المتطلبات، من الواضح أن مجرد توظيف عدد قليل من مهندسي الذكاء الاصطناعي الموهوبين ليس حلاً سحريًا. لقد تعلمنا هذا الدرس على مدار السنوات القليلة الماضية في قطاع البيانات. في الأيام الأولى لازدهار علم البيانات، حاولت الشركات العثور على علماء بيانات "أحاديي القرن" قادرين على القيام بكل شيء - بناء النماذج، وكتابة الأكواد البرمجية، ومعالجة البيانات، والنشر. لكن هذه الأسطورة تبددت منذ ذلك الحين. وكما قال أحد علماء البيانات المخضرمين مازحًا: "النموذج الذي يجلس في دفتر ملاحظات لا يفعل في الواقع أي شيء للأعمال." يجب عليك تضمين هذا النموذج في تطبيق أو عملية لخلق قيمة. ويتطلب ذلك جهد فريق التي تشمل مجموعات متعددة من المهارات.

في أواخر العقد الأول من القرن الحادي والعشرين، شهدنا تنويع فرق البيانات لتشمل أدوارًا مميزة: حيث بدأ مهندسو البيانات في بناء خطوط أنابيب قوية، وركز مهندسو التعلم الآلي على إنتاج النماذج، وتولى مهندسو التحليلات إدارة طبقة التحليلات، وما إلى ذلك.

اليوم، ترفع GenAI سقف التوقعات. صحيح أنك تحتاج إلى متخصصين في الذكاء الاصطناعي (مهندسي استجابة، وخبراء ضبط دقيقين في مجال ماجستير القانون، إلخ)، لكن هؤلاء المتخصصين سيواجهون صعوبة بالغة إذا لم تكن لديهم قنوات بيانات متطورة، وأطر حوكمة، ومنصات آمنة للعمل عليها. يستطيع مهندس الذكاء الاصطناعي إنشاء نموذج أولي لنموذج لغوي ممتاز في بيئة تجريبية، لكن تحويله إلى منتج يستخدمه الآلاف أو الملايين يتطلب تعاونًا مع فرق الأمن، ومسؤولي الامتثال، ومهندسي البيانات، ومهندسي موثوقية المواقع، وغيرهم.

الذكاء الاصطناعي هو رياضة جماعية. من المغري الاعتقاد بأنه يمكنك دمج نموذج عمل متطور في عملك والحصول فجأة على مؤسسة تعتمد على الذكاء الاصطناعي. الشركات الناجحة في مجال الذكاء الاصطناعي هي تلك التي بنت فرقًا متعددة الوظائف، أو ما يُعرف بـ"مصانع الذكاء الاصطناعي"، تجمع كل هذه العناصر معًا. وقد تطورت فرق البيانات لديها بفعالية لتصبح فرق منتجات الذكاء الاصطناعي الكاملةيدمجون البيانات والنمذجة والهندسة وخبرة العمليات. يبنون وينشرون أدواتهم بطريقة تعتمد على البيانات وتركز على المنتج، مع دمج توليد القيمة في كل مؤشر أداء رئيسي.

الجيل القادم من فرق البيانات

إذن، ما الذي يحمله المستقبل لـ"فريق البيانات" الجديد؟ إليكم لمحة عما ينتظر هذه الفرق في السنوات القليلة القادمة:

• أقل استخدامًا للـ ETL/ELT اليدوي: سيقلّ تعقيد معالجة البيانات. مع ازدياد أتمتة خطوط البيانات والتكامل بمساعدة الذكاء الاصطناعي، لن تُضيّع الفرق نصف وقتها في تنظيف البيانات ونقلها. ستُوكل المهام الشاقة لإعداد البيانات بشكل متزايد إلى أنظمة ذكية، مما يسمح للبشر بالتركيز على التصميم عالي الجودة ومراقبة الجودة.
• لوحات معلومات أقل: إن عصر تعديل فلاتر لوحات المعلومات باستمرار آخذ في الانحسار. سيُمكّن الذكاء الاصطناعي من استعلامات أكثر طبيعية وتقديم رؤى ديناميكية. بدلاً من لوحات معلومات مُعدّة مسبقًا لكل سؤال، سيحصل المستخدمون على إجابات تفاعلية من الذكاء الاصطناعي (مع إرفاق بيانات المصدر). ستقضي فرق البيانات وقتًا أقل في تطوير التقارير الثابتة، ووقتًا أطول في تدريب الذكاء الاصطناعي على توليد رؤى فورية.
• مزيد من تطوير المنتجات المعتمدة على الذكاء الاصطناعي: ستكون فرق البيانات جوهر ابتكار المنتجات. سواءً كان الأمر يتعلق بتطوير ميزة ذكاء اصطناعي جديدة تُخاطب العملاء أو أداة ذكاء اصطناعي داخلية تُحسّن العمليات، ستعمل هذه الفرق كفرق منتجات. ستُوظّف ممارسات تطوير البرمجيات، والنماذج الأولية السريعة، واختبارات A/B، وتصميم تجربة المستخدم - وليس فقط تحليل البيانات. سيصبح كل فريق بيانات، في الواقع، فريق منتج الذكاء الاصطناعي تقديم قيمة تجارية مباشرة.
• الوكلاء المستقلون في ازدياد: في المستقبل غير البعيد، سوف تقوم فرق البيانات بنشر وكلاء الذكاء الاصطناعي المستقلين للتعامل مع القرارات والمهام الروتينية. بدلاً من مجرد توقع النتائج، سيتم تفويض هذه الوكلاء باتخاذ إجراءات محددة (بإشراف). تخيّل وكيل عمليات ذكاء اصطناعي يمكنه اكتشاف أي خلل وفتح طلب معالجة تلقائيًا، أو وكيل مبيعات ذكاء اصطناعي يضبط أسعار التجارة الإلكترونية آنيًا. ستكون فرق البيانات مسؤولة عن بناء وإدارة هذه الوكلاء، مما يوسع آفاق ما يمكن أن تحققه الأتمتة.

في ضوء هذه التغييرات، قد يقول المرء إن "فرق البيانات كما عرفناها قد اندثرت". لقد أفسح فرسان جداول البيانات وخبراء لوحات المعلومات المجال لشيء جديد: فرق الذكاء الاصطناعي أولاً الذين يجيدون البيانات والبرمجة واستراتيجيات الأعمال. لكن هذا ليس رثاءً، بل احتفال. الجيل الجديد من فرق البيانات بدأ للتو، وهم أكثر قيمة من أي وقت مضى.

لذا تذكر، لقد مات مهندس البيانات، فليحيا مهندس البيانات! لقد اختفت فرق البيانات كما عرفناها، لكن فلتحيا فرق البيانات الجديدة - أتمنى أن تحكم هذا العالم الذي تحركه الذكاء الاصطناعي بالبصيرة والمسؤولية والجرأة.