في عام 2025 ، سي出现 مساعدو GenAI كتطبيق قاتل يغير الأعمال وإدارة البيانات

كل ثورة تكنولوجية لها لحظة حاسمة عندما يدفع استخدام معين التكنولوجيا إلى انتشار واسع. لقد حان الوقت لذلك مع الذكاء الاصطناعي التوليدي (GenAI) مع انتشار سريع للمساعدات.

تكنولوجيا GenAI قد قطعت خطوات كبيرة في السنوات القليلة الماضية. ومع ذلك ، على الرغم من جميع العناوين والضجة ، فإن اعتمادها من قبل الشركات لا يزال في المراحل الأولى. ويوضح مسح 2024 لجارتнер لمديري المعلومات والتكنولوجيا أن نسبة الاستخدام تبلغ 9٪ فقط من المشاركين ، مع قول 34٪ إنهم يخططون للقيام بذلك في العام المقبل. مسح حديث من قبل مجموعة استراتيجية المؤسسة يضع نسبة استخدام GenAI عند 30٪. لكن جميع المسوح تصل إلى نفس الاستنتاج حول عام 2025.

التنبؤ 1. سوف يستخدم معظم المؤسسات GenAI في الإنتاج نهاية عام 2025

يُعتبر اعتماد GenAI حاسمًا لتحسين الإنتاجية والربحية وأصبح من الأولويات العليا لأغلب الأعمال. لكنه يعني أن الشركات يجب أن تتغلب على التحديات التي واجهوها حتى الآن في مشاريع GenAI ، بما في ذلك:

• جودة البيانات الرديئة: ينتهي GenAI إلى أن يكون جيدًا مثل البيانات التي يستخدمها ، والكثير من الشركات لا تزال لا تثق في بياناتها. جودة البيانات جنبًا إلى جنب مع البيانات غير كاملة أو متحيزة كانت جميعها مشاكل أدت إلى نتائج سيئة.
• تكلفة GenAI: تدريب نماذج GenAI مثل ChatGPT تم بشكل رئيسي فقط من قبل أفضل فرق GenAI وأكثرها خبرة وتكلف ملايين الدولارات في القوة الحاسوبية. لذا فإن الناس يستخدمون تقنية تسمى توليد معزز بالاسترجاع (RAG). لكن حتى مع RAG ، يصبح من السريع أن يصبح مكلفًا للوصول إلى البيانات والتحضير لها وتجميع الخبراء الذين تحتاجهم للنجاح.
• مجموعات مهارات محدودة: العديد من عمليات نشر GenAI المبكرة تتطلب الكثير من البرمجة من قبل مجموعة صغيرة من الخبراء في GenAI. بينما يتزايد هذا المجموعة ، لا يزال هناك نقص حقيقي.
• هلوسات: GenAI ليس كاملاً. يمكن أن يهلوس ، ويعطي إجابات خاطئة عندما يعتقد أنه على حق. تحتاج إلى استراتيجية لمنع الإجابات الخاطئة من التأثير على عملك.
• أمان البيانات: GenAI قد كشف البيانات للناس الخاطئين لأنها استخدمت للتدريب أو التعدين أو RAG. تحتاج إلى تنفيذ إجراءات أمان لحماية هذه التسريبات.

لحسن الحظ ، تعاملت صناعة البرمجيات مع هذه التحديات خلال السنوات القليلة الماضية. يبدو أن عام 2025 هو العام الذي يبدأ فيه بعض هذه التحديات في الحل ، ويتحول GenAI إلى شيء شائع.

التنبؤ 2. سوف يصبح مساعدو RAG الموديولار الأكثر شيوعًا لاستخدام GenAI

الأكثر شيوعًا لاستخدام GenAI هو إنشاء مساعدين أو مساعدات ، تساعد الناس على العثور على المعلومات بشكل أسرع. عادة ما يتم بناء المساعدات باستخدام خطوط أنابيب RAG. RAG هو الطريق. إنه الأكثر شيوعًا لاستخدام GenAI. لأن نماذج اللغة الكبيرة (LLM) هي نماذج عامة الغرض لا تحتوي على جميع البيانات أو حتى أحدث البيانات ، تحتاج إلى تعزيز الاستفسارات ، أو ما يُعرف بالتحفيز ، للحصول على إجابة أكثر دقة.
تساعد المساعدات العمال المعرفيين على أن يكونوا أكثر إنتاجية ، وتناول أسئلة لم تتم الإجابة عليها من قبل ، وتقديم إرشادات خبيرة في بعض الأحيان أثناء تنفيذ مهام روتينية. ربما كان أكثر حالات استخدام المساعدات نجاحًا حتى الآن هو كيف يساعدون مبرمجي البرمجيات على كتابة الشفرة أو تحديث الشفرة القديمة.

ولكن من المتوقع أن يكون للمساعدات تأثير أكبر عند استخدامها خارج قسم تكنولوجيا المعلومات. ومن الأمثلة على ذلك:

• في خدمة العملاء ، يمكن للمساعدات استلام استفسار الدعم ورفعه إلى إنسان للتدخل أو تقديم حل للاستفسارات البسيطة مثل إعادة تعيين كلمة المرور أو الوصول إلى الحساب ، مما يؤدي إلى درجات رضا العملاء الأعلى.
• في التصنيع ، يمكن للمساعدات مساعدة الفنيين في تشخيص الإجراءات أو إصلاح الماكينات المعقدة ، مما يقلل من وقت التوقف.
• في الرعاية الصحية ، يمكن للمساعدات استخدامها من قبل العاملين في مجال الرعاية الصحية للوصول إلى تاريخ المرضى والبحوث ذات الصلة وتوجيه التشخيص والرعاية السريرية ، مما يحسن الكفاءة والنتائج السريرية.

عملت خطوط أنابيب RAG معظمها بنفس الطريقة. الخطوة الأولى هي تحميل قاعدة معرفة إلى قاعدة بيانات متجهة. كلما سأل شخص ما سؤالًا ، يتم استدعاء خط أنابيب RAG من GenAI. إعادة هندسة السؤال إلى تحفيز ، استفسار قاعدة البيانات المتجهة عن طريق ترميز التحفيز للعثور على المعلومات الأكثر صلة ، استدعاء LLM مع التحفيز باستخدام المعلومات المستعادة كسياق ، تقييم وتحويل النتائج ، وعرضها على المستخدم.

ولكن يبدو أنك لا تستطيع دعم جميع المساعدات بشكل جيد مع خط أنابيب RAG واحد. لذا تطور RAG إلى هيكل معماري أكثر تعقيدًا يسمى RAG الموديولار حيث يمكنك استخدام وحدات مختلفة لكل من الخطوات العديدة المشاركة:

• الفهرسة بما في ذلك قطع البيانات وتنظيمها
• ما قبل الاسترجاع بما في ذلك هندسة الاستفسار وتحسينه
• الاسترجاع مع تقنيات تعدين المحفزات وغيرها
• إعادة ترتيب ما بعد الاسترجاع واختيار
• التوليد مع تعدين المحفزات ، واستخدام ومقارنة عدة LLMs ، والتحقق
• التوجيه الذي يدير هذه العملية ، ويجعلها تكرارية لمساعدتك في الحصول على أفضل النتائج

ستحتاج إلى تنفيذ هيكل معماري RAG الموديولار لدعم عدة مساعدات.

التنبؤ 3. سوف تصبح أدوات GenAI بدون كود / منخفضة الكود هي الطريقة

من المحتمل أن تدرك الآن أن خطوط أنابيب GenAI RAG معقدة للغاية وتتغير بسرعة. لا يهم فقط أن أفضل الممارسات الجديدة تظهر باستمرار. جميع التكنولوجيا المشاركة في خطوط أنابيب GenAI تتغير بسرعة لدرجة أنك سوف تحتاج إلى استبدال بعضها أو دعم عدة منها. كما أن GenAI ليس فقط حول RAG الموديولار. أصبحت تعدين دقيق معزز بالاسترجاع (RAFT) وتدريب النماذج الكاملة فعالين من حيث التكلفة أيضًا. سوف تحتاج هيكل معماري يدعم كل هذه التغييرات ويهيئ التعقيد من مهندسيك.
لحسن الحظ ، توفر أفضل أدوات GenAI بدون كود / منخفضة الكود هذا الهيكل. إنهم يضيفون دائمًا دعمًا لمصادر البيانات الرائدة ، وقواعد البيانات المتجهة ، و LLMs ، ويجعلون من الممكن بناء RAG الموديولار أو تغذية البيانات إلى LLMs للتعدين أو التدريب. الشركات تستخدم بنجاح هذه الأدوات لنشر المساعدات باستخدام الموارد الداخلية.

Nexla لا يستخدم فقط GenAI لجعل التكامل أسهل. إنه يتضمن هيكل معماري لخط أنابيب RAG الموديولار مع تقطيع البيانات المتقدم ، وهندسة الاستفسار ، وإعادة ترتيب واختيار ، ودعم LLMs المتعددة مع تصنيف النتائج واختيار ، وتوجيه ، وأكثر – كل ذلك بدون برمجة.

التنبؤ 4. سوف يصبح خط الفصل بين المساعدات والوكلاء غير واضح

مساعدو GenAI مثل Chatbots هم وكلاء يدعمون الناس. في النهاية ، يقرر الأشخاص ماذا يفعلون بالنسبة للنتائج المولدة. لكن وكلاء GenAI يمكنهم توفير استجابات كاملة دون إشراك الأشخاص. غالبًا ما يشار إليها باسم وكلاء أو وكلاء ذكاء اصطناعي.

يرى بعض الناس هذه كنهج منفصل. لكن الواقع أكثر تعقيدًا. المساعدات بدأت بالفعل في توفير بعض المهام الأساسية ، واختياريًا يسمح للمستخدمين بالتأكيد على الإجراءات وتوفير الخطوات اللازمة لإكمالها.

توقع أن تتطور المساعدات مع مرور الوقت إلى مزيج من المساعدات والوكلاء. تمامًا مثل التطبيقات التي تساعد في إعادة هندسة وتسريع العمليات التجارية ، يمكن للمساعدات أن تستخدم أيضًا لتوفير خطوات متوسطة للمهام التي تدعمها. يجب أن يتضمن وكلاء GenAI أيضًا أشخاصًا للتعامل مع الاستثناءات أو الموافقة على خطة تم إنشاؤها باستخدام LLM.

التنبؤ 5. سوف يدفع GenAI إلى اعتماد أقمشة البيانات ، ومنتجات البيانات ، ومواصفات البيانات المفتوحة

من المتوقع أن يكون GenAI أكبر محرك للتغيير في تكنولوجيا المعلومات خلال السنوات القليلة القادمة لأن تكنولوجيا المعلومات سوف تحتاج إلى التكيف لتمكين الشركات من تحقيق الفوائد الكاملة من GenAI.

كجزء من دورات الهوس لجارت너 لإدارة البيانات ، 2024 ، حددت جارت너 3 تقنيات فقط كتكنولوجيا تحولية لإدارة البيانات وللمؤسسات التي تعتمد على البيانات: أقمشة البيانات ، ومنتجات البيانات ، وتنسيقات الجداول المفتوحة. تساعد جميعها جيدًا في جعل البيانات أكثر سهولة للاستخدام مع GenAI لأنها تجعل من السهل على هذه المجموعة الجديدة من أدوات GenAI استخدامها.

نفذت Nexla هيكلًا معماريًا لمنتج البيانات مبنيًا على قماش البيانات لهذا السبب. يوفر قماش البيانات طبقة موحدة لإدارة جميع البيانات بنفس الطريقة بغض النظر عن الاختلافات في التنسيقات أو السرعات أو بروتوكولات الوصول. ثم يتم إنشاء منتجات البيانات لدعم احتياجات البيانات المحددة ، مثل RAG.

على سبيل المثال ، تقوم واحدة من الشركات الكبيرة في خدمات المالية بتعزيز إدارة المخاطر باستخدام GenAI. إنهم يستخدمون Nexla لإنشاء قماش بيانات موحد. يكتشف Nexla تلقائيًا مخططًا وينشئ موصلات ومنتجات بيانات. ثم يحدد الشركة منتجات بيانات لمقاييس المخاطر المحددة التي تجمع وتنقي وتنقل البيانات إلى التنسيق الصحيح كمدخلات لتنفيذ وكلاء RAG للتقرير التنظيمي الديناميكي. يوفر Nexla ضوابط الحوكمة للبيانات ، بما في ذلك سلالة البيانات وضوابط الوصول ، لضمان الامتثال التنظيمي.

منصتنا للتكامل للتحليلات والعمليات و B2B و GenAI يتم تنفيذها على هيكل معماري لقماش البيانات حيث يتم استخدام GenAI لإنشاء موصلات قابلة لإعادة الاستخدام ومنتجات بيانات وعمليات عمل. يدعم مواصفات البيانات المفتوحة مثل Apache Iceberg جعل الوصول إلى المزيد والمزيد من البيانات أسهل.

كيفية قيادة طريقة المساعدات نحو وكلاء ذكاء اصطناعي

لذلك ، كيف يجب أن تستعد لجعل GenAI شائعًا في شركتك بناءً على هذه التنبؤات؟
أولاً ، إذا لم تفعل ذلك بعد ، ابدأ في إنشاء مساعد GenAI RAG الأول لك لعملائك أو موظفيك. حدد حالة استخدام مهمة وسهلة نسبيًا حيث لديك بالفعل قاعدة المعرفة الصحيحة للنجاح.

ثانيًا ، تأكد من أن لديك فريقًا صغيرًا من خبراء GenAI الذين يمكنهم مساعدتك في وضع هيكل معماري RAG الموديولار مع أدوات التكامل المناسبة لدعم مشاريعك الأولى. لا تخف من تقييم موردو البرمجيات الجديدة بأدوات بدون كود / منخفضة الكود.

ثالثًا ، ابدأ في تحديد أفضل ممارسات إدارة البيانات التي سوف تحتاجها للنجاح. وهذا يشمل ليس فقط قماش البيانات ومفاهيم مثل منتجات البيانات ، ولكنك تحتاج أيضًا إلى حوكمة البيانات من أجل الذكاء الاصطناعي.

الوقت هو الآن. عام 2025 هو العام الذي سوف ينجح فيه معظمهم. لا تتراجع.