لماذا لا تخبرك تكاليف الرموز ما إذا كان الذكاء الاصطناعي المؤسسي يحقق نتائج

يمر الذكاء الاصطناعي المؤسسي بدورة مألوفة. في البداية، تبنّت المؤسسات التقنية بحماس كامل، واتجهت إلى أكبر النماذج وأكثرها قدرة، لأن التقنية كانت مثيرة ولم تكن الفاتورة قد وصلت بعد. وعندما وصلت، كان رد الفعل متوقعًا بالقدر نفسه: بدأت الفرق ترشيد إتاحة الوصول، والحد من التجارب، والبحث عن نماذج أقل تكلفة.

وصف علي غودسي، الشريك المؤسس والرئيس التنفيذي لشركة Databricks، المرحلة المبكرة من هذه الدورة بأنها «الإفراط في استهلاك الرموز»، حيث يُنظر إلى استهلاك مزيد من الرموز على أنه دليل على إحراز التقدم. أما المرحلة الأهم فهي «تعظيم القيمة»، أي فهم ما يحققه هذا الإنفاق وتوجيهه إلى الأعمال المهمة.

ليس هذا مجرد اسم جديد لتحسين التكاليف. فتحسين التكاليف يسأل كيف يمكن للمؤسسة أن تنفق أقل، بينما يسأل تعظيم القيمة كيف يمكنها تحقيق استفادة أكبر مما تنفقه. وسيزداد هذا التمييز أهمية مع انتقال الذكاء الاصطناعي من التجارب المنعزلة إلى العمليات اليومية للمؤسسات.

النموذج الأكبر ليس دائمًا الأنسب

بدأت مؤسسات كثيرة برامجها في مجال الذكاء الاصطناعي باستخدام أقوى نموذج متاح في كل المهام تقريبًا. وكان هذا النهج منطقيًا خلال المرحلة التجريبية المبكرة، حين كانت الفرق تحاول فهم إمكانات التقنية، وكانت قدرات النموذج أهم من القدرة على التنبؤ بأدائه.

لكن مع توسع عمليات النشر، أصبح من الصعب تبرير تكلفة استخدام نموذج متقدم لكل طلب. واستجابت بعض المؤسسات بتقييد الوصول أو مطالبة الفرق بإنجاز أعمال أقل، إلا أن القيود الواسعة قد تكبح التجارب المفيدة إلى جانب الحد من الهدر الحقيقي.

يبرز نهج أكثر نضجًا. إذ بدأت الفرق توظيف نماذج أصغر ومتخصصة في الأعمال الروتينية، مع تخصيص النماذج الأقدر للمهام التي تتطلب استدلالًا معقدًا أو التي تنطوي على تكلفة باهظة عند الإخفاق. ومع مرور الوقت، قد تنشر بعض المؤسسات النماذج أيضًا ضمن بنيتها التحتية الخاصة، لتتمكن من التحكم بدرجة أكبر في التكلفة والأداء والبيانات الحساسة.

السؤال المهم ليس أيهما أفضل، النموذج الكبير أم الصغير، بل ما إذا كان النموذج مناسبًا للعمل، وما إذا كانت النتيجة تبرر التكلفة الإجمالية لإنتاجها.

الرموز تكشف حجم النشاط، لا قيمته

تتمحور معظم لوحات معلومات الذكاء الاصطناعي المؤسسي حول الاستهلاك. فهي تعرض عدد الرموز المستخدمة، والنماذج التي عالجتها، والمبلغ الذي أنفقته المؤسسة. وهذه الأرقام ضرورية، لكنها لا تكشف ما إذا كان العمل قد أسفر عن نتيجة مفيدة.

ليس من الضروري أن يحقق فريق يستهلك ضعف عدد الرموز ضعف القيمة. فقد يكون يتعامل مع مهام أصعب، أو يستخدم نموذجًا أقوى مما يلزم، أو يعتمد على وكيل يعيد المحاولة مرارًا لتنفيذ مهام أخفق فيها. وقد يظل عبء العمل الذي ترتفع فيه تكاليف النماذج استثمارًا ممتازًا إذا حال دون انقطاعات الخدمة، أو حل مشكلات العملاء، أو أعاد إلى الموظفين ساعات من وقتهم القيّم.

المشكلة نفسها قائمة منذ سنوات في مجال قابلية الرصد، لكن بوحدة الغيغابايت بدلًا من الرموز. بدأت الفرق بجمع كل شيء، لأن أقصى درجات الرؤية بدت الاستراتيجية الأكثر أمانًا. وعندما ارتفعت فواتير التخزين والمعالجة، بدأت بأخذ عينات من البيانات، وتقليص مدة الاحتفاظ بها، وإسقاط السياق للتحكم في النفقات.

في كلتا الحالتين، كان الرد على ارتفاع التكاليف غالبًا هو تقليص العمل. لكن ما تحتاج إليه المؤسسات هو القدرة على تحديد الأنشطة ذات القيمة، والأنشطة التي تنطوي على هدر، وتلك التي يمكن جعلها أكثر كفاءة من دون التضحية بالنتيجة.

التكلفة الحقيقية تتجاوز الاستدلال

نادراً ما يشكّل استدعاء النموذج عبء عمل الذكاء الاصطناعي كاملًا. فقد يسترجع الوكيل مستندات، ويستعلم من قاعدة بيانات، ويبحث في بيانات القياس عن بُعد، ويستدعي خدمات خارجية، ويُنشئ أنشطة جديدة في التطبيقات أو البنية التحتية قبل تقديم الإجابة.

لنتأمل وكيلًا يحقق في سبب ارتفاع زمن استجابة عملية الدفع بعد نشر تحديث. قد يفحص السجلات، ويقارن المقاييس، ويفحص آثار التتبّع، ويسترجع سجلات النشر، ويحلل الخدمات اللاحقة. وإذا أخفق تفسيره الأول، فقد يعدّل النطاق الزمني، ويبحث بأسماء خدمات مختلفة، ويتتبع عدة أسباب بديلة.

وهكذا، قد يؤدي توجيه واحد من شخص إلى مئات العمليات التي تنفذها الآلات. وتستهلك هذه العمليات موارد الحوسبة، ومدخلات التخزين ومخرجاته، وسعة الشبكة، والحصص المخصصة لواجهات برمجة التطبيقات التابعة لجهات خارجية؛ وقد لا يظهر أي من ذلك في لوحة معلومات إنفاق المؤسسة على النماذج.

وهذا يعني أن نموذجًا يبدو منخفض التكلفة قد يدعم سير عمل باهظًا. وقد تكون تكلفة النموذج الأقدر أعلى لكل استدعاء، لكنه قد يصل إلى الاستنتاج الصحيح في خطوات أقل، ما يقلل الحاجة إلى إعادة المحاولة وإلى البنية التحتية المساندة. والطريقة الوحيدة لإجراء هذه المقارنة هي رصد المهمة كاملة.

اربط النشاط بالتكلفة والنتائج

يتطلب تعظيم القيمة من المؤسسات الربط بين ثلاثة أنواع من المعلومات، كثيرًا ما تُقاس كل منها على حدة.

الأول هو نشاط الذكاء الاصطناعي، بما يشمل اختيار النموذج، واستهلاك الرموز، وزمن الاستجابة، واستدعاءات الأدوات، وإعادة المحاولة، والمسارات المتوازية. والثاني هو التكلفة المالية وتكلفة البنية التحتية الناجمتان عن ذلك النشاط، بما يشمل الحوسبة والتخزين واستخدام الشبكة والحمل على قواعد البيانات ورسوم واجهات برمجة التطبيقات الخارجية. والثالث هو النتيجة، التي ينبغي أن توضح ما إذا أُنجز العمل بنجاح وما إذا وجد أحد أن النتيجة مفيدة.

لا يلزم التعبير عن كل نتيجة بمبلغ دقيق بالدولار. فقد يكفي مقياس عملي، مثل معرفة ما إذا كان قد جرى قبول إجابة، أو ما إذا اضطر شخص إلى إعادة إنجاز العمل، أو ما إذا حُلّت مشكلة بسرعة أكبر، أو ما إذا اكتمل سير عمل آلي من دون تدخل.

على سبيل المثال، قد يكون التحقيق في مشكلة، الذي يولّد مئات الاستعلامات، مجديًا إذا ساعد المهندسين على إعادة خدمة أساسية إلى العمل قبل الموعد بثلاثين دقيقة. وقد يظل سير عمل أصغر بكثير مهدِرًا للموارد إذا أنتج تقريرًا لا يقرؤه أحد. ولا يكفي استهلاك الرموز وحده للتمييز بين الحالتين.

ما إن تتمكن المؤسسات من ربط النشاط بالنتائج، حتى يصبح بوسعها اتخاذ قرارات مدروسة بشأن مواضع استخدام النماذج المتقدمة، والمواضع التي تكفي فيها النماذج الأصغر، وسير العمل الذي يحتاج إلى إعادة تصميم.

لا ينبغي أن يتطلب الاطلاع التخلي عن السيطرة

يتطلب فهم قيمة الذكاء الاصطناعي الوصول إلى سياق حساس. فقد تكون المطالبات ومخرجات النماذج والشيفرة المصدرية ومعلومات العملاء وبيانات القياس عن بُعد من بيئة الإنتاج كلها جزءًا من سير العمل نفسه.

ينبغي ألا تضطر المؤسسات إلى تصدير هذه المعلومات إلى خدمة خارجية لمجرد فهم أداء أنظمة الذكاء الاصطناعي لديها. فقد تكون المطالبات وسياق بيئة الإنتاج اللذان يجعلان القياس مفيدًا هما نفس المعلومات التي لا تستطيع فرق الأمن والخصوصية والامتثال السماح بمغادرتها بيئة المؤسسة.

لذلك، ينبغي لقادة المؤسسات أن يسألوا أين تُعالَج بيانات الذكاء الاصطناعي والرصد، ومن يمكنه الوصول إليها، ومدة الاحتفاظ بها، وما إذا كان من الممكن إجراء التحليل ضمن حدود الأمان المعمول بها لديهم. فالحوكمة الجيدة تعتمد على الاطلاع، لكن يجب ألا يؤدي هذا الاطلاع إلى مشكلة جديدة في التحكم بالبيانات.

كما أن إبقاء التحليل قريبًا من البيانات الأساسية يسهّل ربط نشاط الذكاء الاصطناعي بالتطبيقات والبنية التحتية والعمليات التجارية التي يؤثر فيها. وهذه الرؤية الشاملة هي ما يتيح للفرق فهم ليس فقط حجم ما أنفقته، بل أيضًا ما حققه ذلك الإنفاق.

حسّنوا القيمة لا الحجم

ليس بالضرورة أن تكون المؤسسات التي تنجح في المرحلة المقبلة من الذكاء الاصطناعي المؤسسي هي تلك التي تستخدم أكبر عدد من الرموز أو تنفق أقل مبلغ. بل ستكون المؤسسات القادرة على معرفة النماذج وأعباء العمل التي تحقق نتائج ملموسة، ثم الاستفادة من هذه المعرفة لتوجيه النشر.

يتطلب ذلك تجاوز لوحات معلومات تكاليف النماذج المنعزلة. تحتاج الفرق إلى رصد المسار بأكمله، بدءًا من طلب المستخدم مرورًا باستدعاءات النماذج والأدوات والبنية التحتية، وصولًا إلى النتيجة النهائية، مع إبقاء المعلومات الحساسة خاضعة للضوابط التنظيمية المناسبة.

كانت مرحلة تعظيم استهلاك الرموز مفيدة لأنها شجعت على التجريب وكشفت ما يمكن للذكاء الاصطناعي إنجازه. أما تعظيم القيمة فهو النهج المنضبط الذي ينبغي أن يليها، إذ يجمع بين الاطلاع والتكلفة والنتائج، لكي تتمكن المؤسسات من مواصلة التجريب من دون أن تفقد السيطرة على إنفاقها أو بياناتها.

ليس من الضروري أن يصبح الذكاء الاصطناعي المؤسسي أصغر لمجرد وصول الفواتير الأولى. بل ينبغي أن يصبح استخدامه أكثر تعمدًا، بحيث يتناسب الجهد مع صعوبة المهمة، والنماذج مع المهام، والإنفاق مع القيمة القابلة للقياس.