لماذا تقرر جودة البيانات نجاح أو فشل الذكاء الاصطناعي في الشركات

منذ ظهور ChatGPT من OpenAI في أواخر عام 2022، هرعت كل الشركات إلى التحرك بسرعة مع الذكاء الاصطناعي. يبيع لاعبو الأجهزة الكبيرة مثل Nvidia المزيد من وحدات معالجة الرسومات أكثر من أي وقت مضى، بينما يستمر بناؤو النماذج الكبيرة مثل OpenAI وAnthropic في بناء نماذج أكبر وأكبر.

然而، حتى مع أكثر النماذج تقدمًا والميزانيات الأكبر، لا تزال العديد من مشاريع الذكاء الاصطناعي تفشل. لقد رأينا حدوث ذلك عبر الصناعات من الرعاية الصحية إلى النقل إلى المالية وأكثر. السبب ليس بعيد المنال: الذكاء الاصطناعي جيد فقط مثل البيانات التي يتم تدريبه عليها والبيانات التي يتلقاها في الوقت الفعلي. عندما تكون هذه البيانات مخطئة أو قديمة أو غير كاملة، لا يمكن لأي نموذج تقديم نتائج متسقة أو موثوقة.

وهذا هو المشكل الكبير الذي تواجهه العديد من الشركات اليوم. يستثمرون بشكل كبير في أدوات الذكاء الاصطناعي، بينما تظل أنظمتها البيانية متفرقة وغير موثوقة. النتيجة هي وهم التقدم. بينما تنتج النماذج إجابات مثيرة للإعجاب، غالبًا ما تكون الإشارات dựa على أسس ضعيفة. الحاجز الحقيقي لنجاح الذكاء الاصطناعي ليس أداء النموذج. إنه جودة البيانات.

ماذا تعني البيانات الجيدة حقًا

البيانات عالية الجودة ليست فقط حول الدقة. إنها تعني المعلومات التي هي حديثة و كاملة و ذات صلة بالمشكلة المطروحة. تخيل عميلا يحاول إلغاء الطلب على موقع تجاري إلكتروني. يحتاج النظام إلى التحقق من تفاصيل الطلب و حالة الشحن و سجل الدفع. إذا كانت أي من هذه النقاط البيانية تعيش في أنظمة مختلفة لا تتحدث مع بعضها البعض، فإن مساعد الذكاء الاصطناعي سوف يفشل في تقديم إجابة مفيدة.

البيانات الجيدة تربط هذه النقاط على الفور. إنها تسمح للذكاء الاصطناعي برؤية صورة كاملة بدلاً من شظايا منها. البيانات الضعيفة، من ناحية أخرى، ت迫ب النموذج على التخمين. وعندما يبدأ الذكاء الاصطناعي في التخمين، يرتكب أخطاء تكلف المال وتضر الثقة. تظهر الأمثلة الحديثة مدى خطورة مثل هذه الافتراضات.

نظام الدردشة الذكي لمدينة نيويورك قدم نصائح غير قانونية لأنها استندت إلى معلومات قانونية قديمة أو غير كاملة. نظام خدمة العملاء التابع لشركة طيران كندا قدم مطالبات خاطئة بسبب عدم وجود سياق من سياسة الشركة. حتى أنظمة التوظيف الكبيرة خاطأت في تصفية المرشحين بسبب بيانات متحيزة أو مخطئة، كما هو موضح في اتفاقية الذكاء الاصطناعي الأولى للوكالة الفيدرالية للتوظيف. هذه الأخطاء ليست فنية فقط. إنها سمعة ومالية، وتنشأ من أنظمة الذكاء الاصطناعي التي تم تدريبها على بيانات غير موثوقة.

دراسات الصناعة تؤكد حجم هذه القضية. تقارير غارتنر أن 80 في المائة من مشاريع الذكاء الاصطناعي تفشل في التوسع بسبب جودة البيانات السيئة وإدارة البيانات. وبالمثل، وجدت دراسة استطلاع من معهد ماساتشوستس للتكنولوجيا أن مشاكل البيانات، وليس الخوارزميات، هي السبب الرئيسي لفشل مشاريع الذكاء الاصطناعي في الشركات.

الثقافة تهم كما تهم الرمز البرمجي

تحسين جودة البيانات ليس شيئًا يمكن إصلاحه bằng أداة أو أمر واحد. إنه يتطلب تحولًا ثقافيًا. هذا هو السبب في أن قادة الأعمال يجب أن يعاملوا البيانات كمنظومة حية تحتاج إلى الرعاية والمساءلة. هذا ليس فقط عن إعلان “نريد جعل البيانات أفضل” – هذا ليس كافياً. يجب على كل جزء من المنظمة أن يفهم كيف تتحرك المعلومات، من يملكها، وماذا يحدث عندما تتغير.

لقد رأينا كيف يحدث هذا في الأنظمة الواقعية. تعتمد العديد من تطبيقات الذكاء الاصطناعي على تحديثات البيانات الليلية. إذا كانت قاعدة البيانات الخاصة بك تُحدّث مرة واحدة في اليوم، فإن معرفة النموذج دائمًا ما تكون متأخرة عن الواقع. في البيئات السريعة التغيير، يمكن أن يعني هذا التأخير رؤى قديمة و قرارات سيئة. تحتاج الشركات إلى إعادة التفكير في تدفق البيانات بأكمله من كيفية جمع المعلومات إلى كيفية تسليمها إلى النموذج.

القيام بذلك جيدًا يمكن أن يوفر وقتًا و تكلفة هائلة. عندما يتم تصميم أنابيب البيانات بكل وضوح و غرض، يمكن لأنظمة الذكاء الاصطناعي أن تتعلم و تتصرف على المعلومات الأكثر حداثة و الأهمية. عندما لا يتم ذلك، تقضي الفرق أكثر وقتًا في تنظيف البيانات منها في استخدامها.

الخبراء في إدارة البيانات غالبًا ما يشيرون إلى أن المفتاح لجودة البيانات القوية هو حلقة обратية بين الأشخاص والعمليات والمنصات. بدون هذه الحلقة، تصبح المعلومات قديمة و تفقد النماذج الاتصال مع الظروف الواقعية – مشكلة تسمى أحيانًا انجراف البيانات.

تحقيق التوازن بين السرعة و النزاهة

غالبًا ما يكون هناك توتر بين التحرك بسرعة و الحفاظ على الدقة. تريد العديد من المنظمات نتائج فورية من استثماراتها في الذكاء الاصطناعي، لكن العجلة يمكن أن تؤدي إلى مشاكل أكبر لاحقًا. يجب أن يكون الهدف هو مرونة البيانات مع النزاهة. بعبارة أخرى، بناء أنظمة يمكنها التحرك بسرعة دون فقدان الدقة.

بهذا الصدد، يجب على كل شركة تحديد مسارات واضحة للبيانات لتتدفق من مصدرها إلى النموذج في الوقت الفعلي. كما يساعد تحديد ما نوع المعلومات المسموح بها وما يجب استبعاده. يجب ألا تصل البيانات الحساسة أو الخاصة إلى النموذج، حتى لو كان للمستخدم حق الوصول إليها تقنيًا. حماية هذه الحدود تبني الثقة وتحافظ على أنظمة الذكاء الاصطناعي من تسريب أو إساءة استخدام المعلومات.

مع تصبح الذكاء الاصطناعي أكثر استقلالية، سيظل الإشراف البشري حاسمًا. يجب ألا يكون للنموذج السيطرة الكاملة على الإجراءات التجارية. ولا ينبغي أن يتخذ القرارات أيضًا. بدلاً من ذلك، يجب أن يقدم الطلبات. وأهم من ذلك، يجب على البشر دائمًا مراجعة و الموافقة على إجراءاته لضمان مطابقتها لسياسة الشركة و اللوائح.

بناء الجودة من الأساس

الحفاظ على جودة البيانات في النطاق الواسع ليس مجرد مسألة تنظيف الأخطاء. إنه يبدأ بالهيكل. تحتاج إلى تحديد أين تعيش بياناتك الأكثر موثوقية، ثم تصميم نظام يجمعها معًا في موقع موثوق واحد. من هناك، يمكنك تتبع البيانات التي يستخدمها النموذج وأين تأتي منها.

هذا النهج يمنع الارتباك ويحافظ على النظام الشفاف. كما يساعد الفرق على تصحيح الأخطاء بسرعة عندما يحدث شيء ما. عندما تعرف بالضبط ما البيانات التي غذت إجابة النموذج وأين جاءت منها، يمكنك التحقق وتصحيح المشاكل قبل أن تنتشر.

مستقبل الذكاء الاصطناعي في الشركات سيكون للشركات التي تدمج الجودة في بنيتها التحتية افتراضيًا. نتوقع أن نرى المزيد من أنظمة الذكاء الاصطناعي الجاهزة التي تتعامل مع كل من التفكير و دمج البيانات في حزمة واحدة. قد تجعل هذه “أجهزة الذكاء الاصطناعي” من السهل على المنظمات نشر أنظمة ذكية دون فقدان السيطرة على بياناتها.

يتوقع المحللون أن الشركات القادرة على توحيد إدارة بياناتها بشكل فعال ستشهد تبنيًا أسرع و عائدًا على الاستثمار أعلى لمشاريع الذكاء الاصطناعي. يشرح تقرير حديث حول استعداد البيانات أن هذه القدرة تفصل الشركات التي تبتكر باستمرار عن تلك التي تتعثر بعد تجارب أولية مبكرة. غالبًا ما يأتي الفرق إلى ما إذا كانت أنظمة الذكاء الاصطناعي بنيت على معلومات متسقة و منظمة جيدًا.

الخط الأساسي

جودة البيانات قد لا تظهر مثيرة مقارنة بالانجازات في تصميم النموذج، لكنها هي القوة الهادئة التي تقرر ما إذا كان الذكاء الاصطناعي ينجح أو يفشل. بدون بيانات نظيفة و حديثة و متسقة، سوف تتعثر حتى الأنظمة الأكثر ذكاءً. معها، حتى مشاريع الذكاء الاصطناعي المتواضعة يمكن أن تخلق قيمة دائمة.

يجب على كل قائد يستثمر في الذكاء الاصطناعي أن يسأل سؤالاً بسيطاً: هل نثق بالبيانات التي تدفع قراراتنا؟ من ما رأيناه، الشركات التي يمكنها الإجابة بثقة “نعم” هي تلك التي تقود بالفعل سباق الذكاء الاصطناعي.