قادة الفكر
نقل مشاريع التعلم الآلي من التجربة إلى التنفيذ
أضف Unite.AI إلى مصادرك المفضلة على Google
في الأشهر الأخيرة، يبدو أن الذكاء الاصطناعي القائم على الوكلاء يستأثر باهتمام الشركات. فالشركات متحمسة لاستخدامه لأتمتة المهام وتنسيق مسارات العمل والتفاعل مع الأنظمة والعملاء. لكن التعلم الآلي (ML)، الشقيق الأكبر الذي يُغفل دوره أحيانًا، يستحق الاهتمام لما يؤديه من دور حاسم في تمكين مسارات عمل وكلاء الذكاء الاصطناعي من تجاوز القواعد الثابتة.
في كثير من حالات الاستخدام المؤسسية، يوفر التعلم الآلي التنبؤات والتصنيفات والتوصيات ودرجات المخاطر التي تساعد وكلاء الذكاء الاصطناعي على تحديد الإجراء التالي. فعند استخدام وكيل للرد على استفسارات العملاء، مثلًا، قد يزوده التعلم الآلي بمؤشرات على احتمال مغادرة عميل قريبًا، فتُفعّل مسارات مراسلة مناسبة.
لكن عددًا كبيرًا من المؤسسات يواجه صعوبة في تنفيذ مشاريع تعلم آلي تُعد أساسية، وهذا التأخر يعيق نجاحها مع الذكاء الاصطناعي القائم على الوكلاء. وتختلف الأرقام، إذ تصل معدلات فشل مشاريع التعلم الآلي إلى 85% وفق بعض المعايير المرجعية في القطاع.
لا تعرف فرق كثيرة من أين تبدأ تطبيق التعلم الآلي، أو كيف تصمم تجربة يمكن نشرها على نطاق واسع، أو كيف تكسب اهتمام أصحاب المصلحة المناسبين بالمشروع. في هذا المقال، سأقدم بعض الإرشادات لإعداد مشاريع التعلم الآلي بما يمنحها أفضل فرص النجاح.
لماذا تفشل مشاريع كثيرة للتعلم الآلي في الانطلاق؟
هناك سببان رئيسيان لانخفاض نسب نجاح مشاريع التعلم الآلي: إما أن حالة الاستخدام لا تُدرس من المنظور الصحيح، وإما أن أصحاب المصلحة لا يؤيدونها فيعرقلون الفكرة.
وغالبًا ما يتلازم السببان. فالتعلم الآلي يحتاج إلى إدارة دقيقة لتحقيق نتائج جيدة. وفي الوقت نفسه، يوجد في عالم الأعمال متشككون يخشون التغيير أو لا يثقون بالتعلم الآلي أو يريدون عمومًا إبعاد مشروعك عن جدول الأولويات.
إذا لم تُعدّ المشروع التجريبي بصرامة، فلن تكسب الدعم داخل مؤسستك. فالنجاح يتطلب الخوض في التفاصيل الدقيقة والعملية.
التفاصيل تصنع الفارق
صُممت نماذج التعلم الآلي لحل مشكلات محددة ومتكررة وضيقة النطاق، مثل توقع فقدان العملاء أو كشف الاحتيال أو التنبؤ بالطلب. وهي ليست مصممة لفهم سياق واسع أو أداء مهام متعددة، لكن مشاريع كثيرة تضع طموحات ضخمة وأهدافًا فضفاضة مثل «تحسين هذا القسم».
لذلك، من الضروري إعداد حالات اختبار تجريبية مناسبة تحوّل المتشككين إلى داعمين. فالمشروع التجريبي الناجح يوفر استنتاجات تحليل البيانات اللازمة لتوجيه وكلاء الذكاء الاصطناعي والقرارات التجارية، ويثبت أيضًا القيمة للأعمال.
بالنسبة إلى معظم المؤسسات، تتمثل العقبة الرئيسية في اختيار حالة الاستخدام المناسبة للاختبار. يجب أن تكون فكرة التجربة القابلة للتنفيذ محددة ومرتبطة بأهدافك التجارية، مثل فحص المعاملات لتحديد احتمال وجود احتيال، أو تحديد مواعيد صيانة أنواع مختلفة من الآلات.
فيما يلي أربعة أسئلة تساعدك على تجاوز هذه الصعوبة واختيار حالة الاستخدام المناسبة لدفع تبني التعلم الآلي قدمًا.
ما حجم المخاطر؟
أول ما ينبغي التفكير فيه هو هامش الخطأ المتاح، لأن قدرتك على تحمل الفشل لا تقل أهمية عن أداء النموذج. تختلف تبعات أخطاء النموذج باختلاف حالة الاستخدام، وهذا يؤثر في ملاءمتها للتطبيق.
عندما تكون تكلفة الأخطاء أقل، تتسع مساحة تجربة منطق النموذج. فمثلًا، يمكن أن تكون دقة نموذج يقترح عروضًا تسويقية لفئات مختلفة أقل من دقة نموذج يوجه الرعاية الطبية اللاحقة.
من الأفضل البدء بحالات استخدام منخفضة المخاطر وعالية القيمة، في مجالات يسهل فيها تصحيح الأخطاء وتكون عواقبها محدودة. وكلما ارتفعت المخاطر التجارية أو التنظيمية أو المتعلقة بالسمعة، وجب زيادة الإشراف البشري.
هل تملك البيانات المناسبة؟
البيانات أساسية لكل مشروع تعلم آلي فعّال. تفشل تجارب بسبب نقص البيانات أكثر مما تفشل بسبب ضعف النماذج، لذا تأكد من أن بياناتك منقحة وذات صلة وموسومة جيدًا وتُجمع بطريقة متسقة. ويُعد التعاون بين فريق الأعمال وفريق البيانات أمرًا محوريًا هنا.
قد تختلف بيانات الإنتاج عن بيانات التجربة، فتفشل النماذج عند التطبيق الفعلي رغم أدائها الجيد في المشروع التجريبي. وأحيانًا تكون بيانات الواقع كثيرة الضوضاء أو متأخرة أو غير متاحة بما يكفي لدعم النموذج.
البيانات والإشارات التنبؤية ليستا الشيء نفسه. فالإشارات التنبؤية ضرورية لحل مشكلة تجارية، ولذلك يجب أن تتضمن بياناتك أنماطًا تاريخية وسمات ذات صلة حتى تتمكن من دعم تنبؤات موثوقة. وبعض المشكلات لا يمكن التنبؤ بها أصلًا، لذا أعطِ الأولوية لحالات الاستخدام التي لديها بالفعل مصادر بيانات جيدة الحوكمة ومتكررة وقابلة للوصول.
ما مقاييس النجاح؟
ستجد صعوبة في إثبات النجاح إن لم تكن تعرف كيف يبدو، لذا حدد أهدافك مسبقًا. ما تريده هو عائد استثماري للأعمال، لا مجرد نموذج عالي الدقة، ولذلك اربط أداء النموذج بأثر تجاري حقيقي. كن واضحًا بشأن أهدافك وحدد مؤشرات الأداء الرئيسية التي تثبت تحققها فعلًا.
تأكد من قدرتك على قياس مساهمة التعلم الآلي والتحقق منها. فإذا كنت تختبر مشروعًا لتقليل فقدان العملاء، مثلًا، فهل تستطيع إثبات أن زيادة الاحتفاظ بهم تعود إلى قدرة نموذجك على تحديد العملاء غير الراضين قبل وقت كافٍ من اتخاذهم قرار المغادرة، لا إلى عوامل أخرى مثل العروض العامة أو الطلب الموسمي أو تغيرات الأسعار؟
وتذكر أن الثقة والأمن غالبًا لا يقلان أهمية عن الأداء في نظر أصحاب المصلحة في مشروعك. وستحتاج إلى إثبات قابلية التفسير والسلامة، إلى جانب العائد على الاستثمار وسائر الآثار التجارية.
ما العمليات الكامنة وراء النتائج التي تريدها؟
تحقق مشاريع التعلم الآلي أفضل نجاح عندما تُدمج في عمليات الأعمال اليومية، ما يعني ضرورة فهم هذه العمليات فهمًا كاملًا. ارسم خريطة لكيفية اتخاذ القرارات في مؤسستك، وتتبّع من يتخذ القرار، والمعلومات التي يستخدمها، والقواعد التي توجهه، ومواضع التعقيد والتعطّل.
غالبًا ما تكون الاختناقات أفضل المواضع لتطبيق التعلم الآلي. ابحث عن قرارات متكررة تتبع أنماطًا أو إرشادات يمكن تمييزها، ثم فكّر في كيفية إدماج تنبؤات التعلم الآلي في هذا المسار. ينبغي أن يسهّل نموذجك خطوة من العملية أو يؤتمتها، بدلًا من العمل بمعزل عنها.
من الأفضل الاستعانة بالمسؤولين عن العمليات وخبراء المجال، فهم الأقدر على معرفة القرارات المهمة، ومتى تظهر الحالات الاستثنائية، وأين سيكون للتطبيق أكبر أثر. وهم أيضًا الأكثر احتمالًا لأن يصبحوا داعمين للمشروع عندما تدرس القيادة نقله من التجربة إلى التشغيل الفعلي.
حوّل مشاريع التعلم الآلي إلى نتائج فعلية
بناء المشروع التجريبي المناسب خطوة حاسمة للانتقال بالتعلم الآلي من التجريب إلى التنفيذ. واختيار حالات استخدام محددة ذات مقاييس نجاح واضحة، ومخاطر منخفضة، وأساس قوي من البيانات، ودور واضح ضمن عمليات الأعمال الأوسع، يساعدك على إثبات العائد على الاستثمار وكسب دعم أصحاب المصلحة وتحقيق النجاح التجاري.
