تخطيط وبرهنة مفهوم وانتاج حلول مؤسسية ناجحة مدفوعة بالذكاء الاصطناعي

تتسارع المؤسسات في تعزيز مبادرات الذكاء الاصطناعي (AI) بسرعة. أظهرت دراسة conducted by Algorithmia أن 76 في المائة من مسؤولي المعلومات يعتبرون ويزيدون من ميزانيات تكنولوجيا المعلومات لزيادة التركيز على حلول الذكاء الاصطناعي وتعلم الآلة (ML). وتدرك المنظمات أيضًا أهمية البيانات، ومعظمها يدرك أن 80 في المائة من بيانات المؤسسة غير منظمين بالطبيعة.

تنتج البيانات غير المنظمة وتزداد بسرعة في حزمة المؤسسة. وقد تحولت وحدة القياس من التيرابايت إلى البيتابايت. ونتيجة لذلك، يجب على المحترفين في تكنولوجيا المعلومات ومديري البيانات ومسؤولي المعلومات التعامل مع بعض التحديات الجديدة لتلبية الطلب المتزايد على البيانات القابلة للاستخدام والرؤى القابلة للتنفيذ. على الرغم من أن الذكاء الاصطناعي له إمكانيات هائلة لتحويل أي صناعة، إلا أن 15 في المائة فقط من حلول الذكاء الاصطناعي التي تم نشرها في نهاية عام 2022 سوف تكون ناجحة، وأقل من ذلك سوف تولد عائدًا إيجابيًا على الاستثمار.

أعظم مشكلة هي أن معظم حلول الذكاء الاصطناعي للمؤسسات لا ترى النور بسبب عدم انسجام التوقعات. لا يزال هناك مفاهيم خاطئة حول إمكانيات الذكاء الاصطناعي، ويتم استمرار المشاريع على نماذج مدفوعة بالهجاء. معظم المنتجات أو النماذج بعيدة عن الواقع الفعلي لعمليات المؤسسة اليومية. وتشمل العوامل المحركة الأخرى لانخفاض معدلات النجاح زيادة التكاليف، وعدم وجود مراكز ممتازة للذكاء الاصطناعي (CoE)، وعدم وجود مواهب غير متمرسة، وعدم توافر البيانات، والسياسات القديمة، وغيرها.

تخطيط يفتح الطريق للنجاح المؤسسي للذكاء الاصطناعي

البيانات غير المنظمة هي بيانات تفتقر إلى نموذج بيانات محدد مسبقًا وتشمل كل شيء من المستندات الكثيرة النصوص والمواقع الإلكترونية إلى الصور وملفات الفيديو وبرامج الدردشة والملفات الصوتية ومنشورات وسائل التواصل الاجتماعي. مع زيادة كمية البيانات غير المنظمة في هندسة المؤسسة، من المهم أن يكون هناك خطة فعالة ومتدرجة تتوافق مع أهداف جميع أصحاب المصلحة المؤسسية. يمكن أن تشمل الأهداف النموذجية على مستوى المنظمة ما يلي: تقليل التكاليف، وتحسين كفاءة العمليات، وتحسين تجربة العملاء، وتحسين الأمان، وزيادة المبيعات، وغيرها. في حين يمكن تحقيق بعض هذه الأهداف بفعالية، بسبب الطبيعة المنظمة للبيانات، يمكن أن يكون التخطيط حول البيانات غير المنظمة تحديًا.

عادة ما يبدأ التخطيط بتحديد مجالات الفرص داخل المنظمة. في حين يمكن أن يكون هناك رؤية عظيمة للذكاء الاصطناعي على مستوى الإدارة التنفيذية، من المهم تحديد منطقة لها تأثير كبير ومخاطر منخفضة ونمو مستمر في البيانات. مثال جيد على مثل هذا الحالة سيكون وظيفة معالجة القروض في صناعة البنوك والمالية. يحتوي إصدار القرض من الخدمة على عمليات يدوية حيث يتم إدخال المعلومات يدويًا إلى الأنظمة بطريقة متكررة. يتطلب التدقيق الدقيق لطلبات القروض تقديم وثائق كبيرة، مما يطرح مخاطر عديدة. ومع ذلك، يمكن تطبيق الذكاء الاصطناعي في عدة مجالات من تدفق العمل، بما في ذلك معالجة الوثائق واكتشاف الاحتيال. هذا هو أيضًا مجال حيث هناك نمو مستمر على مدار السنوات في البيانات.

تشمل الخطوات الحرجة الأخرى التي يجب مراعاتها خلال هذه المرحلة التخطيطية تعريف معايير نجاح قابلة للقياس، ووضع استراتيجية بيانات متسقة، وتدريب مستمر ومراجعة، وتقييم تجربة المستخدم، والتنقل، والبنية التحتية.

تعريف معايير نجاح قابلة للقياس (وتجنب لحظة وضع العربة قبل الحصان!)

يعزى نجاح جوجل المبكر إلى مؤسسة الأهداف الرئيسية والنتائج (OKRs). في حين يمكن تطبيق هذا النهج على أي جانب من جوانب الأعمال أو الأهداف الشخصية، يمكن أن يؤدي تطبيق هذا النهج المثبت على استراتيجية الذكاء الاصطناعي إلى بعض النتائج الواعدة. ومع ذلك، عندما يتعلق الأمر بالبيانات غير المنظمة، فهو مشكلة متطورة التي تحاول الصناعة على نطاق واسع حلها. بالنظر إلى التحديات، يجب على قادة الأعمال طرح أسئلة مختلفة لتحديد “ما” و “لماذا”. على سبيل المثال، إذا كانت زيادة الإنتاجية هي الهدف الرئيسي، يمكن الإجابة على أسئلة مثل:

• هل يجب عليّ التخطيط لتحسين الإنتاجية من خلال التأتمتة؟
• هل يجب عليّ حل 80 في المائة من المشكلة لجميع الحالات المقدّمة؟

تؤدي الإجابة على هذه الأسئلة إلى رحلات تنفيذ مختلفة ومن المهم تحديد أي منها مناسب لمؤسستك.

مع البيانات غير المنظمة، فإن مجال القياس الغامض الآخر هو الدقة. في مثال معالجة القروض، هناك تباين كبير في الوثائق المقدمة من العملاء، ومن المهم لمسؤولي الأعمال والتكنولوجيا أن يتوصلوا إلى إجماع على كيفية قياس دقة حل الذكاء الاصطناعي. إذا كانت الإنتاجية واحدة من أهداف مؤسسة حل الذكاء الاصطناعي، فمن الضروري تحديد مجالات أخرى تؤثر على الإنتاجية. يمكن تحقيق ذلك من خلال النظر بعناية إلى العملية الحالية وكذلك تخيل العملية مع التأتمتة بالذكاء الاصطناعي. غالبًا ما يؤدي التأتمتة الجديد إلى خطوات جديدة في العملية مثل إدارة الاستثناءات اليدوية، والتعليقات، والتدريب، وغيرها. مع هذه الخطوات في مكانها، سيكون من الأسهل تحديد كيفية قياس الدقة.

البيانات هي العصب الحياتي لجميع المؤسسات

البيانات غير المنظمة لها درجة عالية من التباين في كيفية هيكلة المعلومات وتقديمها. تعاني المؤسسات من المعلومات المقدمة في المستندات، التي تتميز بطبيعتها بتركيبات معقدة تتكون من الفقرات والجمل، وأهم من ذلك الهياكل الجدولية متعددة الأبعاد. بالإضافة إلى المستندات، تستثمر المنظمات بشكل متزايد في برامج الدردشة ومراقبة بيانات وسائل التواصل الاجتماعي وأشكال أخرى من البيانات غير المنظمة مثل الأخبار والصور والفيديوهات.

غالبًا ما تقلل المنظمات من شأن كمية البيانات المتاحة والقابلة للوصول. في كثير من الأحيان يكون التحدي بسيطًا مثل التغلب على قيود الامتثال ومشاركة البيانات داخل المنظمة. ومع ذلك، فإن وجود بيانات نظيفة ومتغيرة بشكل كبير يسمح بتقييم أفضل للمشكلة وتصميم حل مثالي.

عامل آخر مهم يجب مراعاته هو النتيجة المتوقعة من هذه البيانات غير المنظمة. هذا sẽ يضمن حقيقة دقيقة ومدربة واختبار البيانات. العودة إلى مثال معالجة القروض، إذا كانت نتيجة حل الذكاء الاصطناعي هي تحديد رصيد يومي متوسط للمتقدمين، يمكن أن تكون البيانات الحقيقية والتدريبية مركزة حول كشوف الحسابات البنكية. ومع ذلك، إذا كان التركيز هو تحديد المتقدمين المخادعين من خلال كشوف الحسابات المقدمة، فمن الضروري الوصول إلى مجموعة أوسع من الوثائق للحصول على البيانات الحقيقية والتدريبية اللازمة.

الانتقال من برهنة المفهوم إلى الإنتاج

البدء في برهنة مفهوم قابلة للقياس يضمن أن جميع أصحاب المصلحة يفهمون التحديات والنتائج وقيمة حل الذكاء الاصطناعي. ومع ذلك، برهنة المفهوم ليست هي نفسها حل إنتاج جاهز. برهنة المفهوم تمكن المنظمة من تحديد الفجوات وتنبيه التفكير التصميمي لحل الإنتاج وتبسيط الأهداف والنتائج التي يجب تحقيقها. من أجل الانتقال من برهنة المفهوم إلى حل قابل للتوسيع، يجب على المنظمات التخطيط لسيناريوهات بيانات معقدة تشمل تغييرات بيانات مستمرة وعدم توافر بيانات تمييز ودرجة عالية من التباين في الشكل والتنسيق. ومن المهم أيضًا إعادة تخيل تدفق العمل وإعادة تدريب القوى العاملة وتحديد البنية التحتية الصحيحة والتكاليف والأداء وهيكل البيانات وأمان المعلومات واتفاقات مستوى الخدمة (SLAs).

من المهم جدًا تقييم تدفق العمل والعملية التجارية بأكملها لتحقيق أفضل النتائج من أي حل للذكاء الاصطناعي. أخذ إشارة من الاقتصاد السلوكي، من المهم مقارنة النتيجة بنقطة مرجعية موجودة (المعروفة باسم “اعتماد المرجعية”)، حيث يمكن توقع كفاءات أفضل مقدمًا من الإنتاج من خلال التفكير التصميمي وإعادة خريطة العملية.

يتفترض هذا السيناريو أن كلا القادة التجاريين والتكنولوجيين قد اتفقوا على نهج الذكاء الاصطناعي أو التعلم العميق بناءً على برهنة المفهوم. قد تكون بعض العبارات مشكلة قابلة للحل بالنهج الإحصائي، في حين قد تتطلب تحديات أخرى مزيجًا من نهج الذكاء الاصطناعي والنهج القائم على الشبكات العصبية لتحقيق النتائج المرغوبة.

يتطلب بعض حلول الذكاء الاصطناعي دمج معالجة اللغة الطبيعية (NLP). في حين أن نماذج اللغة العامة تخدم كخطوة أساسية، فإن معظم النماذج لا تتماشى مع احتياجات فريدة لكل بيان مشكلة مؤسسية وستتطلب ضبط دقيق. في نفس الوقت، من المحتمل أن يثير مسؤولو التنفيذ حماسًا حول نماذج كبيرة مثل GPT3، والتي تطلب قدرة حسابية كبيرة ويمكن أن يكون لها تأثير مباشر على عائد الاستثمار للمؤسسة. هذه النماذج ليست مناسبة لمؤسستك.

برهنة مفهوم الذكاء الاصطناعي الخاص بك هي فقط بداية عملية طويلة، لذا احرص على ما يلي:

• لا تختار مشكلة معقدة لحلها في مرحلة برهنة المفهوم
• طبق التفكير التصميمي ومراجعة عملية النهاية إلى النهاية؛ توقع وتدير المخاطر في وقت مبكر
• الدقة ليست هي فقط القياس؛ صمم وخطط لبناء حل قائم على القيمة مقابل تحقيق دقة 100 في المائة
• تقييم نهج الذكاء الاصطناعي؛ لا تخطط على نماذج مدفوعة بالهجاء، بل اختر النهج الأكثر ملاءمة الذي هو معماري
• إدارة التوقعات عبر جميع أصحاب المصلحة لضمان النتيجة الأكثر نجاحًا
• صمم حلك وهيكله للتوسع مع نمو بياناتك لأفضل عائد على الاستثمار

أفضل الممارسات لحلول مدفوعة بالذكاء الاصطناعي

اليوم، تقوم معظم الشركات بمشروع أو أكثر للذكاء الاصطناعي. على الرغم من النيات الممتازة والعمل الجاد، فإن العديد من برامج الذكاء الاصطناعي للمؤسسات تقل عن التوقعات، ولا تتوسع، ولا تولد العائد المرغوب عليه على الاستثمار. سوف يستغرق الأمر وقتًا لدمج الذكاء الاصطناعي كعنصر أساسي للأعمال، ومع ذلك، فإن بعض أفضل الممارسات التي يتبعها المنظمات الناجحة تشمل:

• ابداً مع مركز ممتاز للذكاء الاصطناعي: قامت العديد من الشركات الكبيرة، حتى غير التكنولوجية، بإنشاء مراكز ممتازة للذكاء الاصطناعي لزيادة فرص نجاحها. يجمع مركز ممتاز للذكاء الاصطناعي الخبرة والموارد والأشخاص اللازمين لمبادرات تحول الذكاء الاصطناعي. الفوائد الرئيسية تشمل:
• توحيد تعلم الذكاء الاصطناعي والموارد والموهبة في مكان واحد
• تنمية رؤية و استراتيجية أعمال موحدة للذكاء الاصطناعي
• توحيد نهج و منصات وعمليات الذكاء الاصطناعي
• تحديد فرص إيرادات جديدة للذكاء الاصطناعي والابتكار
• توسيع جهود العلوم البيانية من خلال جعل الذكاء الاصطناعي متاحًا لجميع وظائف الأعمال
• موافقة التنفيذية: استراتيجية الذكاء الاصطناعي الأكثر نجاحًا هي من خلال نهج من أعلى إلى أسفل. يتطلب توسيع نماذج تجريبية بنجاح في جميع أنحاء المنظمة موافقة القيادة، والمهارات اللازمة والبيانات، وإنشاء هيكل تنظيمي يضمن أن النماذج تبقى دقيقة مع مرور الوقت.
• توافر البيانات: معظم المنظمات لديها بيانات منفصلة لأسباب الامتثال. ومع ذلك، البيانات هي العصب الحياتي لأي حل للذكاء الاصطناعي، وتنظيم هذه البيانات أمر بالغ الأهمية. بالإضافة إلى التنظيم، تصنيف وتنظيف البيانات ضروريان. يمكن أن يجعل تطوير بيانات حقيقية ومدربة حل الذكاء الاصطناعي أو كسره.
• الهيكل: استخدام الذكاء الاصطناعي هو تحول في نمط للشركة، والذي يتطلب طرقًا جديدة للتفكير والتخطيط. تصميم هيكل تقني وعملياتي مثالي يزيد من فرص النجاح. هذا يشمل وجود وظائف جديدة مثل عمليات التعلم الآلي وعمليات البيانات والتدريب التكراري والتعليقات، وغيرها.
• التنظيم والمرنة: حلول الذكاء الاصطناعي لا تزال في مراحلها الأولى، خاصةً عندما تتعامل المنظمات مع بيانات غير منظمة ثقيلة. من المهم تصميم وبناء حل معماري ومرن يمكن أن يتوسع مع الأعمال وتحدياتها المتزايدة.

إنشاء استراتيجية للذكاء الاصطناعي وبدء تنفيذها له إمكانات كبيرة للمنظمات، والاستخدامات لا حصر لها. حلول التعلم العميق والذكاء الاصطناعي تلمس كل جانب من جوانب المنظمة، من المبيعات والتسويق إلى العمليات اليومية. ومع ذلك، مثل بناء صاروخ أو اختراع جهاز جديد، لن تتحقق النجاح على الفور. يجب أن تُقبل حلول الذكاء الاصطناعي بالمراحل وتبنى على انتصارات صغيرة مع مرور الوقت.