اونور آلب سونر، الرئيس التنفيذي والشريك المؤسس لشركة Countly – سلسلة المقابلات

اونور آلب سونر هو الشريك المؤسس والرئيس التنفيذي لشركة Countly، وهي منصة تحليلات رقمية وتفاعل تطبيقات. وهو تقني ومبتكر، قام ببناء Countly من الصفر لتقديم شركات أكثر سيطرة على كيفية فهمها وتفاعلها مع مستخدميها. تحت قيادته، نمت Countly إلى منصة موثوقة للشركات في جميع أنحاء العالم التي تريد الابتكار بسرعة مع الحفاظ على خصوصية المستخدم في مركز استراتيجيات نموها

أخذنا إلى اللحظة التي أدت إلى تأسيس Countly — ما الذي واجهته شخصياً مع أدوات التحليلات الحالية التي أقنعتك بأن نموذج ملكية البيانات معيب بشكل أساسي؟

منذ حوالي 13 عامًا، عندما بدأت التطبيقات المحمولة في الظهور، اتبعت أدوات التحليلات نموذجًا معينًا. كانت معظمها مجانية أو رخيصة الثمن، ولكن المقايضة كانت أن المنصة تجمع وتستفيد من بياناتك، غالبًا ما تغذيها إلى أنظمة الإعلان. في ذلك الوقت، كان ذلك مقبولًا على نطاق واسع على أنه الطريقة الطبيعية للعمل.

لكن ذلك لم يكن مناسبًا لنا. حتى كشركة صغيرة، فكرة تسليم جميع بيانات المستخدمين فقط لفهم أداء منتجنا لم تكن منطقية.

بدأت Countly كاستجابة لذلك. أردنا بناء تحليلات يمكن للشركات السيطرة عليها بالكامل، لذلك قمنا بإطلاقها كمنصة مفتوحة المصدر ومستضافة ذاتيًا. الفكرة كانت بسيطة: يجب أن تكون الشركات قادرة على فهم بياناتها والعمل عليها دون تسليمها.

منذ تأسيس Countly، دفع الاصطناعي ملكية البيانات من قلق فرعي إلى متطلب استراتيجي. متى أصبح واضحًا لك أن هذا المبدأ سيكون مهمًا بعيدًا عن التحليلات؟

في السنوات الأولى، كانت معظم المحادثات حول ملكية البيانات محاطة بالخصوصية أو الامتثال. كانت البنوك ومقدمي الرعاية الصحية والحكومات هي التي تهمها بشكل عميق حيث تعيش بياناتها ومن يسيطر عليها. بالنسبة للآخرين، كان التحليل مجرد أداة تقارير، لذلك لم يكن سؤال الملكية عاجلًا.

بدأت هذه المنظور تتغير عندما بدأت الشركات في الاعتماد بشكل أكبر على البيانات لتشغيل منتجاتها، وليس فقط لقياسها. عندما انتقل التحليل من التقارير إلى اتخاذ القرارات، وتغيير المنتجات، والتفاعل مع العملاء، أصبح أهمية السيطرة على تلك البيانات واضحة جدًا. كل شركة رقمية أولى، من التنقل إلى الضيافة، تنافست بشكل فعال على البيانات، وليس فقط على تجربة الواجهة الأمامية.

الاصطناعي قد زعزع هذا الإدراك بشكل كبير. يمكنك ترخيص أو بناء نموذج اصطناعي، لكنك لا تستطيع شراء البيانات السلوكية التي تعكس كيفية تفاعل عملائك مع منتجك. تلك البيانات فريدة من نوعها لكل منظمة.

يعتقد العديد من المنظمات أنها “جاهزة للذكاء الاصطناعي” لأن لديها كميات كبيرة من البيانات. ما هو ما يفتقر إليه عادة ما يظهر تحت السطح في الشركات الحقيقية؟

النقص في البيانات ليس عادةً المشكلة. القضية الحقيقية هي نقص البيانات القابلة للاستخدام. لدى العديد من المنظمات كميات هائلة من المعلومات، لكنها متفرقة عبر أدوات وفرق وأنظمة مختلفة. على سبيل المثال، قد يكون لدى التسويق مجموعة بيانات واحدة، والمنتج مجموعة أخرى، والهندسة مجموعة أخرى من التелеметري، غالبًا ما يتم تخزينها في صيغ مختلفة مع هيكل مشترك قليل.

من أجل أن يكون الذكاء الاصطناعي مفيدًا، يجب أن تكون البيانات القائمة عليه نظيفة ومتماسكة وسياقية. لا يكفي جمع الأحداث أو السجلات؛ يجب أن تفهم ما تمثل تلك الإشارات فعلاً. بدون ذلك الطبقة الدلالية، أنظمة الذكاء الاصطناعي تعمل بشكل أساسي على التخمين.

مشكلة أخرى هي الملكية. عدد كبير من الشركات لا تسيطر فعلاً على بياناتها الخاصة لأنها تقع داخل منصات خارجية. هذا يجعل من الصعب دمج مجموعات البيانات، وتنظيم كيفية استخدامها، أو تطبيق نماذج الذكاء الاصطناعي عليها بأمان.

لذلك، عندما تقول الشركات إنها “جاهزة للذكاء الاصطناعي” لأن لديها الكثير من البيانات، السؤال الحقيقي هو ما إذا كانت لديهم أساس بيانات متسق.

لماذا تخلق البيانات الأولى ميزة تنافسية دائمة في أنظمة الذكاء الاصطناعي بينما تصبح النماذج نفسها أكثر قابلية للتبادل؟

ما يخلق ميزة دائمة ليس النموذج نفسه، ولكن فهم المستخدمين الذي يأتي من البيانات الأولى. تلك البيانات تعكس كيفية تفاعل الأشخاص فعلاً مع منتجك، وهي فريدة من نوعها لكل منظمة. النماذج، من ناحية أخرى، تصبح أكثر قابلية للتبادل. يمكنك ترخيصها أو تعديلها أو التبديل بين مقدمي الخدمات بسهولة نسبية. ما لا يمكنك استبداله هو البيانات السلوكية التي تنتجها مستخدموك عند تفاعلهم مع منتجاتك مع مرور الوقت.

تلك البيانات تلتقط أنماطًا وسياقًا وإشارات تعكس كيفية سلوك العملاء فعلاً. عندما يتم هيكلتها وفهمها بشكل صحيح، تسمح للشركات ببناء أنظمة تتعلم باستمرار من الاستخدام الحقيقي بدلاً من مجموعات البيانات العامة.

أين تنهار هياكل التحليلات الحديثة بهدوء عندما يتم إعادة توجيهها لأنظمة الذكاء الاصطناعي بدلاً من التقارير واللوحات والمتغيرات الرئيسية؟

تتكسّر عادةً في النقطة التي تحتاج فيها البيانات إلى الانتقال من الملاحظة إلى العمل. كانت هياكل التحليلات التقليدية مصممة في الغالب للتقارير. تجمع البيانات وتجمعها، ثم تعرضها في لوحات تساعد الفرق على فهم ما حدث بالأمس أو الأسبوع الماضي.

然而، تعمل أنظمة الذكاء الاصطناعي بشكل مختلف. تتطلب بيانات هيكلية وسياقية ومتاحة في الوقت الفعلي بحيث يمكن أن تؤثر مباشرة على سلوك النظام. عندما يتم بناء أنابيب التحليلات حول المعالجة الدفعية والتقارير المتأخرة، ت투ّق في دعم الأنظمة التي تحتاج إلى الاستجابة على الفور.

كيف يظهر نقص الحقوق الفعلية لملكية البيانات تشغيليًا عندما تحاول الفرق نقل الذكاء الاصطناعي من التجربة إلى الإنتاج؟

يظهر عادةً كمسألة تحكم. في النهاية، إذا لم تكن تملك سيطرة على بياناتك، فلن تملك سيطرة على الذكاء الاصطناعي. يصبح هذا واضحًا بشكل خاص عندما تتحرك الفرق من التجربة إلى الإنتاج. خلال التجربة، يمكن للفرق العمل مع مجموعات بيانات صغيرة أو أنابيب مؤقتة، لكن الأنظمة الإنتاجية تتطلب وصولًا مستمرًا إلى بيانات موثوقة على مستوى المنظمة.

ثم، في العديد من الشركات، تقع البيانات الأساسية عبر منصات خارجية مختلفة، مثل أدوات التحليلات وأنظمة التسويق أو خدمات السحابة. هذا يجعل من الصعب دمج مجموعات البيانات، وتنظيم قواعد الحوكمة، أو نقل البيانات بين الأنظمة بطريقة خاضعة للرقابة. هذا هو أحد الأسباب التي تجعل العديد من مشاريع الذكاء الاصطناعي متعثرة في مراحل الاختبار. بدون بيانات منظمة وواسعة النطاق، يصبح من الصعب نشر الذكاء الاصطناعي بشكل موثوق في الإنتاج.

لماذا يؤدي هيكل البيانات الضعيف والدلالات والسياق إلى تقويض حتى أكثر نماذج الذكاء الاصطناعي قدرة؟

أفضل نماذج الذكاء الاصطناعي ليست أفضل من البيانات التي تتلقاها. إذا كانت البيانات الأساسية رديئة الهيكل أو تفتقر إلى السياق، فإن النموذج لديه فهم قليل لما تمثل تلك الإشارات فعلاً.

في العديد من الأنظمة، يتم جمع البيانات كأحداث معزولة أو سجلات بدون معنى واضح مرفق بها. قد يرى النموذج آلاف التفاعلات، لكن بدون هيكل وسياق مناسب، لا يستطيع التمييز بين ما هو مهم وما هو مجرد ضجيج.

السياق مهم بنفس القدر. تحتاج أنظمة الذكاء الاصطناعي إلى فهم كيفية علاقات قطع البيانات المختلفة ببعضها البعض مع مرور الوقت. بدون ذلك السياق، قد لا تنتج النماذج إلا مخرجات غير موثوقة لأن النظام يعمل مع معلومات غير كاملة.

ما هي العلامات التحذيرية التي تشير إلى أن شركة تتجه نحو نتائج الذكاء الاصطناعي العامة قبل أن تشعر العملاء بتلك التجارب على أنها عامة؟

العلامة التحذيرية الأكثر أساسية هي عندما تعتمد الشركات على نفس نماذج الذكاء الاصطناعي والأدوات ولكن لا تفعل الكثير لتطوير أسس بياناتها الخاصة. إذا كانت المنظمات تستخدم نفس النماذج ولكن لا تغذيها ببيانات المستخدم والسياق الخاصة بها، فإن الأنظمة تعمل أساسًا من نفس المدخلات العامة. في这种 الحالة، لا يمكن للذكاء الاصطناعي إلا إنتاج نتائج عالية المستوى أو عامة. مع مرور الوقت، يؤدي هذا إلى منتجات تشعر بالتماثل لأن الذكاء وراءها مبني على نفس المعلومات المحدودة.

علامة تحذيرية أخرى هي عندما تركز المنظمات بشكل كبير على تبني نماذج الذكاء الاصطناعي ولكنها تهمش جودة بياناتها. الذكاء الاصطناعي يضخم ما يتلقاه. إذا كانت البيانات الأساسية مشوشة أو متجزئة أو غير مهيكلة جيدًا، فإن النظام سينتج نسخة أكثر تعقيدًا من نفس المشكلة.

لمنحيات المنظمات التي تحاول بناء الذكاء الاصطناعي على بياناتها الخاصة، ما هو ما يمكّن Countly من فعله بشكل مختلف عن التحليلات التقليدية ومنصات البيانات؟

الفرق الرئيسي هو كيفية بناء التحكم في المنصة. في العديد من منتجات التحليلات، يظهر ملكية البيانات كخيار أو ميزة. مع Countly، تقع في قلب النظام. تم تصميم المنصة بحيث لا تضطر المنظمات إلى التضحية بالسيطرة على بياناتها مقابل الوظائف المتقدمة.

في الممارسة، يعني ذلك أن الشركات يمكنها تشغيل Countly في بيئتها الخاصة، والحفاظ على السيطرة الكاملة على مكدس البيانات، والوصول إلى قدرات التحليلات والتفاعل والآليّة على نطاق واسع. يصبح هذا مهمًا بشكل خاص عندما تريد المنظمات بناء الذكاء الاصطناعي على بياناتها الخاصة. تم بناء العديد من أدوات التحليلات التقليدية في الغالب للتقارير، مما يعني أن البيانات التي تجمعها غالبًا ما تبقى داخل لوحات خارجية بدلاً من أن تصبح أساسًا قابلًا للاستخدام لأنظمة أخرى. تأخذ Countly نهجًا مختلفًا من خلال معاملة التحليلات كجزء من بنية البيانات الأساسية.

كيف يجب أن يتطور تعريف الذكاء الاصطناعي الأخلاقي عندما يتم التعامل مع ملكية البيانات كعامل تصميم أساسي بدلاً من مربع سياسة؟

เมื่ يصبح ملكية البيانات مبدأ تصميم، لا يعود الذكاء الاصطناعي الأخلاقي حول تدقيق النماذج بعد الحادث — إنه حول هندسة أنظمة حيث يحتفظ المستخدمون بالوكالة على البيانات التي تدربها. يصبح الأخلاقيات البنية التحتية.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا Countly.