التكلفة الخفية للذكاء الاصطناعي: كيف تُقوّض نماذج “الصندوق الأسود” الثقة والميزانيات والبيئة

صناعة الذكاء الاصطناعي تواجه مشكلة في تصميم النماذج. بدأت الشركات تشعر بذلك من حيث التكلفة والأداء والموثوقية.

يمكن للذكاء الاصطناعي التحدث – لكن هل يمكنه الاستماع؟ 

الاستماع هو أكثر بكثير من مجرد معالجة الكلمات؛ إنه يتعلق بتفسير الإشارات وفهم الفروق الدقيقة لاتخاذ قرارات في الوقت الفعلي. لكن معظم نماذج “الصوت” تُبنى لتفريغ الرموز، لا لتحديد المعنى الدقيق المخفي في الحوار. وهذا يعني أنها تفتقد معلومات حيوية. 

في بيئات مثل الصوت، يكون السياق والتوقيت والمدخل المستمر ذات أهمية. مع انتقال أنظمة الذكاء الاصطناعي من العروض التجريبية إلى الاستخدام الفعلي، يتضح وجود مشكلة أعمق في طريقة بناء هذه الأنظمة، وتبدأ الشركات في الشعور بتأثير تلك الفجوات على التكلفة والأداء والموثوقية. 

النهج السائد في الذكاء الاصطناعي اليوم يفضّل النماذج الأكبر والأكثر شمولاً. ولكن مع نشر هذه النماذج على نطاق واسع، تصبح قيودها أصعب تجاهلها. فهي مكلفة لتشغيلها باستمرار، وصعب تفسيرها وثقتها، وغالبًا ما تكون غير فعّالة للمهام التي تُطبق عليها. ما يبدو كعرض تجريبي استثنائي قد ينهار عندما يُنشر على مستوى المؤسسة، حيث تحتاج الأنظمة إلى أن تكون سريعة، فعّالة، ومفهومة في آن واحد.

تخلق هذه الديناميكية مفاضلة: مزيدًا من الخيارات لما يمكن أن يفعله النموذج نظريًا، لكن على حساب الكفاءة والشفافية وفي النهاية القابلية للاستخدام. تكلفة تشغيل النماذج الضخمة على نطاق واسع في ازدياد، والبصمة الطاقية تخضع (بشكل مبرر) للتدقيق، وتصبح الأنظمة نفسها أصعب في التفسير. قبل أن نصل إلى نقطة اللاعودة، يجب أن نسأل أنفسنا: هل هذه حقًا أكثر الطرق استدامة لبناء أنظمة الذكاء الاصطناعي؟

لماذا نماذج الذكاء الاصطناعي العامة غير فعّالة بطبيعتها

دفع الصناعة نحو الذكاء الاصطناعي العام أوجد نوعًا جديدًا من عدم الكفاءة: استخدام نفس النموذج الضخم لكل مشكلة أو مهمة، بغض النظر عن التعقيد. الفكرة جذابة – نظام واحد يمكنه التعامل مع أي شيء – لكن في الواقع، هو أداة غير دقيقة.

ليس كل مهمة تحتاج إلى نموذج ضخم. في الواقع، معظمها لا تحتاج. عندما تعتمد المؤسسات على أنظمة موحدة، يدفعون تكلفة تلك التعقيدات في كل تفاعل. تُعالج القرارات البسيطة بنفس العبء الحوسبي كما تُعالج المعقدة، وتصبح الاقتصاديات غير منطقية بسرعة عند التوسع.

هذا صحيح بشكل خاص في بيئات الوقت الفعلي مثل الصوت، حيث تحتاج الأنظمة إلى معالجة تدفقات مستمرة من البيانات. تطبيق نموذج كبير وعام على كل لحظة من كل تفاعل هو أمر مكلف وغير ضروري. كلما تم نشر هذه النماذج على نطاق أوسع، زادت تلك عدم الكفاءة. ننتهي بأكثر ما في الأمر من كلا العالمين: أنظمة مكلفة جدًا لتشغيلها في كل مكان، ومحدودة جدًا لتكون فعّالة حيثما توجد. 

مثال واضح على ذلك يظهر في مراكز الاتصال. ترغب العديد من المؤسسات في تطبيق الذكاء الاصطناعي على كل تفاعل مع العملاء، لكن تكلفة تشغيل النماذج الكبيرة باستمرار تجعل ذلك غير عملي. كما تشير شركة McKinsey في المسح العالمي للذكاء الاصطناعي، لا تزال المؤسسات تكافح لتوسيع حالات استخدام الذكاء الاصطناعي على نطاق واسع بسبب التكلفة وتعقيد العمليات (للتوضيح، غالبًا ما تعالج مراكز الاتصال الكبيرة في الشركات ما بين 5,000 إلى 15,000 مكالمة يوميًا، ما يصل إلى ملايين أو حتى مليارات التفاعلات سنويًا). لإدارة هذا الحجم، يحللون فقط جزءًا من المكالمات أو يعتمدون على مراجعة ما بعد الحادث. الأثر اللاحق قابل للقياس: 39٪ من المؤسسات تُبلغ عن ارتفاع حجم المكالمات المرتبط باستفسارات الاحتيال، 34٪ تُبلغ عن زيادة أوقات المعالجة، و29٪ تُبلغ عن انخفاض إنتاجية الموظفين¹. النتيجة هي نظام قوي جدًا ولكنه غير مستغل: مكلف التشغيل لكنه غير قادر على توفير تغطية كاملة أو رؤى في الوقت الفعلي.

هنا تصبح التعميم الزائد عبئًا. عندما يُصمم النظام للقيام بكل شيء، غالبًا ما ينتهي به الأمر إلى أداء كل مهمة بشكل غير فعّال. النتيجة هي إهدار حوسبة على نطاق واسع، تشغيل نماذج مكلفة حيث يمكن أن تكون الأساليب الأبسط والأكثر استهدافًا أكثر فعالية. مع سعي المؤسسات لتطبيق الذكاء الاصطناعي على نطاق أوسع، تتراكم هذه عدم الكفاءة بسرعة، مما يجعل من الصعب تبرير الاستخدام المستمر وفي الوقت الفعلي. 

مشكلة الصندوق الأسود: عندما لا يستطيع الذكاء الاصطناعي شرح نفسه

مع ازدياد تعقيد النماذج، أصبحت أصعب في التفسير. في كثير من الحالات، يمكن لأنظمة الذكاء الاصطناعي تقديم في الغالب مخرجات دقيقة، لكنها توفر القليل من الفهم حول كيفية اتخاذ تلك القرارات، أو ما سبب الأخطاء المتبقية. هذا الإبهام يبطئ الأشخاص المسؤولين عن اتخاذ إجراءات بناءً على نتائج النموذج، مما يفقد الميزة التي تم الحصول عليها من التسريع في المقام الأول.

هذا صحيح بشكل خاص في مجالات مثل اكتشاف الاحتيال، حيث يجب اتخاذ القرارات في الوقت الفعلي. إذا أشار النظام إلى مكالمة بأنها عالية المخاطر دون أن يوضح السبب، يخلق ذلك ترددًا في اللحظة التي تكون فيها السرعة مهمة للغاية. تُجبر الفرق على الاختيار بين الثقة في نظام لا يفهمونه بالكامل أو التشكيك فيه في الوقت الفعلي. كلا الخيارين يضيفان خطرًا. مع تعمق الذكاء الاصطناعي في سير العمل التشغيلي، تصبح القدرة على فهم والاستجابة لمخرجات النموذج في الوقت الفعلي مطلبًا أساسيًا، وليس مجرد ميزة إضافية.

هنا تصبح قيود النماذج الكبيرة والعامة أكثر وضوحًا. تعقيدها يجعلها أصعب في الاستجواب، أصعب في تصحيح الأخطاء، وأصعب في التكيّف. نتيجة لذلك، لا تتعامل المؤسسات فقط مع تكاليف أعلى؛ بل تتعامل مع أنظمة أقل توافقًا مع طريقة اتخاذ القرارات فعليًا.

أين ينهار هذا: الذكاء الاصطناعي في الوقت الفعلي في العالم الحقيقي

هذه التحديات – التكلفة، عدم الكفاءة، نقص الشفافية – يمكن إدارتها في حالات الاستخدام المعزولة. لكنها تصبح أصعب بكثير لتجاهلها في الأنظمة الفورية، حيث لا يقتصر الذكاء الاصطناعي على توليد المخرجات فحسب، بل يساهم بنشاط في تشكيل القرارات أثناء حدوثها.

الصوت مثال جيد. على عكس المعالجة الدفعية أو التحليل غير المتصل، تكون تفاعلات الصوت مستمرة وحساسة للوقت. لا يمكن للأنظمة التوقف، أو إعادة المعالجة، أو تصعيد القرارات لاحقًا؛ يجب أن تعمل في اللحظة. قد يخطئ نظام الذكاء الاصطناعي في تفسير “أوه جيد، ذكاء اصطناعي آخر” على أنه إيجابي عندما يُقصد به سخرية، وهذا قد يكون الفارق بين الحفاظ على عميل أو فقدانه، ويجب اتخاذ إجراء خلال ثوانٍ، قبل أن يتدخل أي إنسان. وهذا يعني تشغيل النماذج باستمرار عبر المحادثات الكاملة مع إنتاج مخرجات يمكن للبشر اتخاذ إجراءات فورية بناءً عليها.

هنا يبدأ النموذج الحالي في الانهيار. النماذج الكبيرة والعامة مكلفة لتشغيلها على هذا النطاق، ومخرجاتها غالبًا ما تكون غامضة جدًا لدعم اتخاذ القرارات في الوقت الفعلي. نتيجة لذلك، تُجبر الشركات على تقديم تنازلات: تحليل جزء فقط من التفاعلات، تأخير القرارات حتى بعد وقوع الحدث، أو الاعتماد على حكم بشري غير كامل في مواقف تتطلب السرعة والدقة.

بعبارة أخرى، قيود نماذج اليوم ليست نظرية – فهي تظهر بوضوح في البيئات التي يُتوقع فيها أن يقدم الذكاء الاصطناعي أكبر قيمة.

مسار مختلف للمستقبل: ذكاء أكثر ذكاءً – ليس أكبر

إذا كان النهج الحالي للذكاء الاصطناعي يُعرّف بالحجم، فإن المرحلة التالية ستُعرّف بالكفاءة.

بدلاً من توجيه كل مهمة عبر نموذج واحد، يمكن للأنظمة تقسيم سير العمل إلى مراحل، وتطبيق نماذج خفيفة للقرارات الروتينية وحجز المعالجة الثقيلة للحالات المعقدة.

هذا التحول الطفيف في البنية يغيّر الاقتصاديات. عندما تستطيع الأنظمة تحديد مقدار المعالجة المطلوبة لمهمة معينة بشكل ديناميكي، فإنها تتجنب العبء الزائد لتشغيل نماذج ضخمة دون ضرورة. وهذا يجعل تطبيق الذكاء الاصطناعي بشكل مستمر أكثر عملية، بدلاً من الانتقائي. كما يخلق فرصًا لمزيد من الشفافية، إذ يمكن ربط القرارات بإشارات أو مكونات محددة داخل النظام، بدلاً من أن تنبثق من نموذج واحد غير شفاف.

بالنسبة للمؤسسات، هذا هو ما يجعل التبني الأوسع ممكنًا: القدرة على تحليل المزيد من البيانات في الوقت الفعلي دون تكلفة أو تعقيد مفرط يفتح حالات استخدام كانت غير متاحة.

حققت الصناعة تقدمًا كبيرًا من خلال توسيع النماذج – لكن لا حجم واحد يناسب الجميع. مع تعمق الذكاء الاصطناعي في الأنظمة التشغيلية، يتحول السؤال من ما يمكن أن تفعله النماذج إلى كيفية تصميمها. لن يُعرّف مستقبل الذكاء الاصطناعي بالنماذج الأكبر، بل بالأنظمة التي تستطيع تقديم الذكاء بكفاءة، شفافية، وعلى نطاق واسع.