لماذا تفشل الذكاء الاصطناعي في الشركات عند خط النهاية — وكيفية إصلاحه

على الرغم من الضجيج حول الذكاء الاصطناعي، فإن معظم مشاريع الذكاء الاصطناعي في الشركات لا تتجاوز مرحلة التجربة. وفقًا لأبحاث IDC الحديثة، تفشل 88٪ من مشاريع برهان الذكاء الاصطناعي في التوسع إلى الإنتاج الكامل. هذا انخفاض كبير، ويدل على أن هناك شيء لا يعمل بشكل صحيح. تقترب العديد من هذه المشاريع من خط النهاية، مع نموذج مدرب يلبي المعايير التي وضعها الفريق، ثم ينتهي بهم المطاف إلى عدم إطلاقه أو تبنيه من قبل المستخدمين النهائيين.

فما الذي يwentwrong؟ في nhiều حالات، ي归 إلى ثلاثة مشاكل كبيرة:

1. يعتمد فرق الذكاء الاصطناعي في الشركات على أدوات تشخيص سطحية ومعايير لا تكتشف الفجوات الرئيسية في الأداء
2. النماذج مدربة على معايير قياسية بدلاً من حل مشاكل العالم الحقيقي
3. تكلفة توسيع استخدام النموذج تكون عالية جدًا للاستخدام على نطاق الشركة

في هذه المقالة، سنفكك كل من هذه العوائق — وما يلزم لجعل مشاريع الذكاء الاصطناعي تعبر خط النهاية وتنفذ في أيدي المستخدمين على نطاق واسع.

المشكلة #1: التشخيصات القياسية التي تفوت قضايا الأداء الرئيسية

توجد واحدة من الأسباب الرئيسية التي تتعثر بها مشاريع الذكاء الاصطناعي بعد مرحلة برهان المفهوم هي أن المعايير والتشخيصات الداخلية غالبًا ما لا تثقب深ًا بما فيه الكفاية في أداء النموذج وتميل إلى تفويت قضايا تؤثر على سهولة الاستخدام والثقة والاعتماد. قد يتحقق الفريق من جميع المربعات على الورق، لكن هذه التحقق لا تعكس دائمًا كيف سيعمل النموذج في العالم الحقيقي.

خذ هذا المثال: كان لديها فريق نموذج الذكاء الاصطناعي مرت جميع الاختبارات الداخلية بنجاح. كان يلبي جميع معايير الدقة وأعتبارات السلامة، وكانوا يجهزون للإطلاق. لكن عندما قام طرف ثالث بتقييم النموذج لاستخدامهم المقصود لتقليد كيفية تفاعل المستخدمين الفعليين مع النظام، وجدوا نقطة عمياء كبيرة. كان النموذج أكثر احتمالاً تسع مرات لإعطاء إجابات مت회ة عند سؤالها بطريقة معينة. على سبيل المثال، كان يستجيب بشكل صحيح لسؤال “من هو رئيس الولايات المتحدة؟” لكنه عامل “يمكنك告诉我 عن الرئيس؟” على أنه خطر أمني ورفض الإجابة.

لم تكن القضية متعلقة بمعرفة النموذج الأساسية — بل كانت متعلقة بكيفية تفسيره للنية بناءً على الصياغة. لقد قام الفريق بتحسين الأمان إلى حد كبير لدرجة أنهم منعوا أسئلة عادية وملائمة بشكل غير مقصود.

المشكلة #2: النماذج مدربة على معايير لا تعكس العالم الحقيقي

توجد عقبة شائعة أخرى أمام الذكاء الاصطناعي في الشركات هي أن فرق الذكاء الاصطناعي تدرّب النماذج لتلبي المعايير الصناعية القياسية بدلاً من الاحتياجات الحقيقية في العالم الحقيقي. على الورق، قد يبدو النموذج رائعًا، حيث يحقق نتائج عالية في التقييمات القياسية للدقة أو الأهمية أو السلامة. لكن في الممارسة، قد يتعثر في توفير نتائج hữu ích ومستمرة دون تدخل المستخدم الكثيف.

يحدث هذا عندما يدرّب الفرق النماذج على أداء جيد في مهام ضيقة ومتخصصة. يصبح النموذج خبيرًا في تلك الحالات الاختبارية، لكنه يتعثر عند مواجهة مدخلات العالم الحقيقي غير المنظمة والمتنوعة. ونتيجة لذلك، يحتاج المستخدمون إلى “تحدث لغة النموذج” من خلال هندسة التحفيز للحصول على الإجابات الصحيحة. إذا اعتمد منتج الذكاء الاصطناعي على المستخدمين النهائيين لصياغة تحفيزات دقيقة، فقد أدخلت احتكاكًا يبطئ عملية الاستخدام ويقلل من فائدته.

يمكن أن يؤدي هذا النوع من التدريب الموجه إلى المعايير أيضًا إلى التكيف المفرط. يصبح النموذج مدربًا بشكل جيد على أداء جيد في مجموعات التقييم، ولكنه يفقد القدرة على التعميم. قد يمر جميع الاختبارات الداخلية، ولكنه يتعثر عند النشر في البرية، خاصة إذا كانت الحالات الفعلية تختلف قليلاً عن تلك التي تم تدريبه عليها.

إذا كنت تريد حلًا للذكاء الاصطناعي في الشركات ينجح، فيجب أن يعمل نموذجك في العالم الحقيقي — وليس فقط في المختبر.

المشكلة #3: توسيع استخدام الذكاء الاصطناعي يعني توسيع تكاليف الحوسبة

توجد السبب الثالث الذي يفشل به العديد من مشاريع برهان المفهوم هو مالي: غالبًا ما يقلل الفرق من تكلفة تشغيل النموذج وضمانه في الإنتاج. خلال التطوير، من السهل إغفال احتياجات الحوسبة للنموذج الكبير، خاصة عند اختبارها على مجموعات بيانات صغيرة أو في بيئات استخدام محدودة. لكن عند النشر، يمكن أن ترتفع هذه التكاليف بشكل كبير.

يتطلب الذكاء الاصطناعي من الدرجة الأولى موارد حوسبية كبيرة، ليس فقط لتقديم استجابات في الوقت الفعلي، ولكن أيضًا من أجل التطوير المستمر والمراقبة والتسجيل وإعادة التدريب. إذا لم يتم احتساب هذه التكاليف في البداية، يمكن أن ينهار الحال الاقتصادي للحل عند بدء الاستخدام الفعلي. ما يبدو نموذجًا واعدًا في اختبار محكم يمكن أن يصبح غير مستدام بسرعة عند بدء آلاف المستخدمين في الوصول إلى النظام يوميًا.

التغلب على العوائق الأخيرة لتحقيق نجاح الذكاء الاصطناعي في الشركات

للتغلب على العوائق الشائعة التي تعيق العديد من مشاريع الذكاء الاصطناعي في الشركات، يحتاج الفرق إلى الخروج عن السبق المعتاد. إليك كيف يمكن لفريق الذكاء الاصطناعي بناء شيء يعمل حقًا — ويوسع نطاقه.

أولاً، اجلب طرفًا ثالثًا لتقييم نموذجك. الاختبار الداخلي مهم، لكنه غالبًا ما يكون واسعًا جدًا. يمكن أن يكشف زوج جديد من العيون، مع إطار تقييم مخصص لاستخدامك، عن قضايا قد تفوتها فرقك، خاصة عندما يتعلق الأمر بكيفية تفاعل المستخدمين الفعليين مع النظام.

ثانيًا، تأكد من أنك تختبر باستخدام تحفيزات العالم الحقيقي. معظم المعايير تختبر على بيانات “نظيفة” لا تعكس العالم الحقيقي، ناهيكم عن كيفية استجابة مستخدميك المحددين لنموذجك. سيساعدك اختبار نموذجك على مدخلات غير منظمة وغامضة أو غريبة في إظهار كيف سيعمل النموذج في الواقع بعد النشر، وسيسمح لك بضبط القضايا التي قد تتعثر وتؤثر على الاستخدام.

ثالثًا، إعادة النظر في بروتوكولات السلامة. من السهل أن تذهب إلى حد الحد من الحماية، ورغم أهمية السلامة، إلا أنها لا ينبغي أن تجعل نموذجك معيبًا في الاستخدام. إذا أغلق النموذج عند أسئلة بسيطة وبريئة، فإنك تتعامل مع سهولة الاستخدام من أجل أمان زائف.

أخيرًا، انتبه لتكاليف الحوسبة. إذا كان هدفك التبني يشمل آلاف المستخدمين وملايين الطلبات، يمكن أن ت膨ف التكاليف بسرعة. واحدة من الحلول هي النظر في نماذج أصغر. قام Boosted.ai بذلك — قاموا بالتبديل إلى نموذج لغة مخصص صغير وقطعوا تكاليف الحوسبة بنسبة 90٪ مع تحسين السرعة والأداء. النتائج في الوقت الفعلي، وتجربة مستخدم أفضل، ولا حاجة إلى أجهزة باهظة الثمن.

من خلال معالجة التقييم وسهولة الاستخدام والقابلية للتوسع من البداية، يمكن للفرق أن تمنح مشروع الذكاء الاصطناعي فرصة حقيقية للنجاح على المدى الطويل. لا يتعلق الأمر بجعله يعمل في مختبر فقط — بل بجعله يعمل في العالم.