في عام 2025 ، ست出现 طيارات GenAI كتطبيق قاتل يغير الأعمال وإدارة البيانات

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

تكنولوجيا GenAI قد قطعت شوطا كبيرا 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 لجارت너 ل首席 정보 وأعضاء المجلس التكنولوجي أن معدل التحول يصل إلى 9٪ فقط من المشاركين ، مع قول 34٪ إنهم يخططون للقيام بذلك في العام المقبل. ويوضح مسح حديث من قبل مجموعة استراتيجية المؤسسة أن معدل التحول يصل إلى 30٪. ولكن جميع المسوح تصل إلى نفس الاستنتاج حول عام 2025.

التوقع 1. سوف تستخدم غالبية المؤسسات GenAI في الإنتاج بحلول نهاية عام 2025

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

• جودة البيانات الرديئة: GenAI لا يكون جيدًا إلا كما هو جيد البيانات التي يستخدمها ، والكثير من الشركات لا تزال لا تثق في بياناتها. جودة البيانات بالإضافة إلى البيانات غير المكتملة أو المنحازة كلها كانت قضايا أدت إلى نتائج رديئة.
• تكاليف GenAI: تدريب نماذج GenAI مثل ChatGPT تم بشكل رئيسي فقط من قبل أفضل فرق GenAI وأصبح يكلّف ملايين في القوة الحاسوبية. لذا فإن الناس يستخدمون تقنية تسمى توليد معزز بالاسترجاع (RAG). ولكن حتى مع RAG ، يصبح من المكلف الوصول إلى البيانات وتهيئتها وتجميع الخبراء الذين تحتاجهم للنجاح.
• محدودية المجموعات المهارية: العديد من عمليات نشر GenAI المبكرة تتطلب الكثير من البرمجة من قبل مجموعة صغيرة من الخبراء في GenAI. على الرغم من أن هذه المجموعة تتوسع ، لا يزال هناك نقص حقيقي.
• هلوسات: GenAI ليس كاملًا. يمكن أن يخدع ويعطي إجابات خاطئة عندما يعتقد أنه على حق. تحتاج إلى استراتيجية لمنع الإجابات الخاطئة من التأثير على عملك.
• أمان البيانات: GenAI قد كشف البيانات للشخص الخطأ لأنها استخدمت للتدريب أو التعدين أو RAG. تحتاج إلى تنفيذ إجراءات أمان لحماية هذه التسريبات.

لحسن الحظ ، فقد تعاملت صناعة البرمجيات مع هذه التحديات خلال السنوات القليلة الماضية. يبدو أن عام 2025 هو العام الذي سيتم فيه حل بعض هذه التحديات ، وسيصبح GenAI شائعًا.

التوقع 2. ستكون طيارات RAG الموديولار هي الاستخدام الأكثر شيوعًا ل GenAI

الأكثر شيوعًا لاستخدام GenAI هو إنشاء مساعدين أو طيارات تساعد الناس على العثور على المعلومات بشكل أسرع. عادة ما يتم بناء الطيارات باستخدام خطوط أنابيب RAG. RAG هي الطريقة. إنه الأكثر شيوعًا لاستخدام GenAI. لأن نماذج اللغة الكبيرة (LLM) هي نماذج عامة لا تحتوي على جميع البيانات أو حتى أحدث البيانات ، تحتاج إلى تعزيز الاستعلامات ، المعروفة باسم الدفعات ، للحصول على إجابة أكثر دقة.
تساعد الطيارات العمال المعرفيين على أن يكونوا أكثر إنتاجية ، وتجيب على أسئلة لم تتم الإجابة عليها من قبل ، وتقدم إرشادات خبيرة في بعض الأحيان وأداء مهام روتينية. ربما كان أكثر حالات استخدام الطيارين نجاحًا حتى الآن هو كيف يساعدون مطوري البرمجيات على كتابة الشفرة أو تحديث الشفرة القديمة.

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

• في خدمة العملاء ، يمكن للطيارات استقبال استفسار الدعم وترقية إلى إنسان للتدخل أو تقديم حل للاستفسارات البسيطة مثل إعادة تعيين كلمة المرور أو الوصول إلى الحساب ، مما يؤدي إلى زيادة درجات رضا العملاء.
• في التصنيع ، يمكن للطيارات مساعدة الفنيين في تشخيص الإجراءات المحددة أو الإصلاحات للماكينات المعقدة ، مما يقلل من وقت التوقف.
• في مجال الرعاية الصحية ، يمكن للممرضين استخدام الطيارات للوصول إلى تاريخ المريض والبحث ذات الصلة وتوجيه التشخيص والرعاية السريرية ، مما يحسن الكفاءة والنتائج السريرية.

كانت خطوط أنابيب RAG تعمل جميعها تقريبًا بنفس الطريقة. الخطوة الأولى هي تحميل قاعدة المعرفة في قاعدة بيانات متجهة. كلما سأل شخص ما سؤالًا ، تم استدعاء خط أنابيب RAG من GenAI. إعادة هندسة السؤال إلى دفعة ، استعلام قاعدة البيانات المتجهة عن طريق ترميز الدفعة للعثور على المعلومات الأكثر صلة ، استدعاء LLM مع الدفعة باستخدام المعلومات المستردة كسياق ، تقييم وتحويل النتائج ، وعرضها على المستخدم.

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

• الفهرسة بما في ذلك قطع البيانات وتنظيمها
• الاسترجاع قبل الاسترجاع بما في ذلك هندسة الدفعة وتحسينها
• الاسترجاع مع تعدين المسترجع وتقنيات أخرى
• إعادة ترتيب ما بعد الاسترجاع واختيار
• التنميط مع تعدين المولِّد ، واستخدام و比較 عدة LLMs ، والتحقق
• التوجيه الذي يدير هذه العملية ، ويجعلها تكرارية للمساعدة في الحصول على أفضل النتائج

ستحتاج إلى تنفيذ هيكل RAG الموديولار لدعم عدة طيارات.

التوقع 3. ستكون أدوات GenAI بدون كود / منخفضة الكود هي الطريقة

من المحتمل أن تدرك الآن أن RAG من GenAI معقدة جدًا وتتغير بسرعة. ليس فقط أن أفضل الممارسات الجديدة تظهر باستمرار. كل التكنولوجيا المشاركة في خطوط أنابيب GenAI تتغير بسرعة لدرجة أنك سوف تحتاج إلى استبدال بعضها أو دعمها. بالإضافة إلى ذلك ، GenAI ليس فقط حول RAG الموديولار. أصبحت تعدين دقيق معزز بالاسترجاع (RAFT) وتدريب النموذج الكامل فعالين من حيث التكلفة أيضًا. سوف تحتاج إلى أن يدعم هيكلك التغييرات كلها ويهيئها عن مهندسيك.
لحسن الحظ ، توفر أفضل أدوات GenAI بدون كود / منخفضة الكود هذا الهيكل. أنها تضيف باستمرار دعمًا لمصادر البيانات الرائدة ، وقواعد البيانات المتجهة ، و LLMS ، وتصبح من الممكن بناء RAG الموديولار أو تغذية البيانات إلى LLMs للتعدين أو التدريب. الشركات تستخدم بنجاح هذه الأدوات لتنفيذ طيارات باستخدام الموارد الداخلية.

Nexla لا تستخدم GenAI فقط لجعل التكامل أسهل. إنه يتضمن هيكلًا ل RAG الموديولار مع قطع البيانات المتقدمة ، وهندسة الدفعة ، وإعادة ترتيب واختيار ، ودعم LLM متعددة مع تصنيف النتائج واختيار ، وتوجيه ، وأكثر – كلها بدون برمجة.

التوقع 4. سوف تختفي الخطوط الفاصلة بين الطيارات والوكلاء

طيارات GenAI مثل Chatbots هي وكلاء يدعمون الناس. في النهاية ، يقرر الناس ماذا يفعلون بالنتائج المولدة. ولكن وكلاء GenAI يمكنهم تلقائيًا تنفيذ ردود بدون مشاركة الناس. غالبًا ما يشار إليها باسم وكلاء أو وكلاء ذكاء اصطناعي.

يعتبر بعض الناس هذه النهج منفصلة. ولكن الواقع أكثر تعقيدًا. الطيارات قد بدأت بالفعل في تلقيني بعض المهام الأساسية ، وخيارات للمستخدمين لتأكيد الإجراءات وتلقيني الخطوات اللازمة لإكمالها.

توقع أن تتحول الطيارات مع مرور الوقت إلى مزيج من الطيارات والوكلاء. تمامًا مثل التطبيقات التي تساعد في إعادة هندسة وتسريع العمليات التجارية ، يمكن للمساعدين البدء في استخدامها لتلقيني خطوات متوسطة للمهام التي يدعمونها. يجب أن يتضمن وكلاء GenAI أيضًا أشخاصًا لمعالجة الاستثناءات أو الموافقة على خطة مولدة باستخدام LLM.

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

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

كجزء من دورات الهوس لجارت너 لإدارة البيانات ، 2024 ، حددت جارت너 3 تقنيات فقط كتكنولوجيا تحويلية لإدارة البيانات وللمنظمات التي تعتمد على البيانات: أقمشة البيانات ، ومنتجات البيانات ، وتنسيقات الجدول المفتوح. تساعد جميعها على جعل البيانات أكثر سهولة للاستخدام مع GenAI لأنها تجعل من السهل على البيانات أن تستخدم من قبل هذه المجموعة الجديدة من أدوات GenAI.

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

على سبيل المثال ، واحدة من الشركات الكبيرة في خدمات المالية تنفذ GenAI لتعزيز إدارة المخاطر. إنهم يستخدمون Nexla لإنشاء قماش بيانات موحد. Nexla يكتشف تلقائيًا مخططًا ثم يولد موصلات ومنتجات بيانات. ثم يحدد الشركة منتجات بيانات لقياسات المخاطر الخاصة التي تجمع وتنقي وتهيئ البيانات إلى التنسيق الصحيح كمدخلات لتنفيذ وكلاء RAG للتقارير التنظيمية الديناميكية. Nexla يوفر ضوابط الحوكمة للبيانات ، بما في ذلك سلالة البيانات وسيطرة الوصول ، لضمان امتثال التنظيمي.
منصتنا للتكامل للتحليلات والعمليات والتعاملات التجارية إلى التجارية و GenAI يتم تنفيذها على هيكل قماش البيانات حيث يتم استخدام GenAI لإنشاء موصلات قابلة لإعادة الاستخدام ومنتجات بيانات وعمليات. دعم مواصفات البيانات المفتوحة مثل Apache Iceberg يجعل من السهل الوصول إلى المزيد والمزيد من البيانات.

كيفية قيادة طيارك نحو الذكاء الاصطناعي الوكيل

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 لزبائنك أو موظفيك. حدد حالة استخدام مهمة وسهلة نسبيًا حيث لديك بالفعل قاعدة المعرفة الصحيحة للنجاح.

ثانيًا ، تأكد من وجود فريق صغير من خبراء GenAI الذين يمكنهم مساعدتك في وضع الهيكل الصحيح ل RAG الموديولار ، مع أدوات التكامل الصحيحة لدعم مشاريعك الأولى. لا تخف من تقييم بائعين جدد بأدوات بدون كود / منخفضة الكود.

ثالثًا ، ابدأ في تحديد ممارسات إدارة البيانات التي ستحتاجها للنجاح. هذا لا يتضمن فقط قماش البيانات ومفاهيم مثل منتجات البيانات. تحتاج أيضًا إلى حوكمة بياناتك من أجل الذكاء الاصطناعي.

الوقت هو الآن. عام 2025 هو العام الذي سوف تنجح فيه الغالبية. لا تتراجع.