ملخص المحتوى الأساسي
الانتقال من استخدام تقنيات الذكاء الاصطناعي في العروض التوضيحية (Demos) إلى تطبيقها بشكل فعلي في الأنظمة الإنتاجية لا يتعلق فقط بجعل الذكاء الاصطناعي يعمل، بل يتطلب حل مجموعة معقدة من المشكلات الهندسية النظامية. يتعين تحويل الذكاء الاصطناعي، الذي يتسم بالعشوائية وعدم اليقين والقدرة على اتخاذ قرارات مستقلة، إلى مكون يمكن التحكم فيه وتفسير أدائه وإلزامه بتحمل المسؤولية داخل بيئة العمليات التجارية للشركة. تكشف هذه المقالة عن الفروق الجوهرية بين العروض التوضيحية والأنظمة الإنتاجية من خلال 9 مراحل رئيسية: السيناريوهات، البيانات، النماذج، الصلاحيات، التنفيذ، المشكلات غير المتوقعة، التدخل اليدوي، الأدلة، والتعديلات الضرورية. في العروض التوضيحية، يكفي إثبات قدرة الذكاء الاصطناعي على العمل بشكل ناجح مرة واحدة، بينما في الأنظمة الإنتاجية يجب التأكد من أن الشركة تعرف كيف تتعامل مع أي فشل.
التفسير المفصل
1. **اختيار السيناريوهات**: لا يجب استخدام تقنيات الذكاء الاصطناعي فقط لمجرد استخدامها، بل يجب اختيار الحالات التي يكون فيها استخدامه ضروريًا حقًا
عندما تسعى الشركات إلى تطبيق تقنيات الذكاء الاصطناعي، غالبًا ما يكون أول سؤالها “أين يمكن تطبيقه؟” قد تبدو خدمة العملاء، المبيعات، والمالية كخيارات مناسبة. لكن المشكلة هي أن الذكاء الاصطناعي ليس حلاً شاملاً؛ ففي بعض الحالات، قد يؤدي استخدامه إلى تعقيد الأمور بدلاً من تبسيطها.
على سبيل المثال، حساب الرواتب هو عملية واضحة المعايير (إدخال بيانات الحضور، حساب الراتب وفقًا للصيغة، إظهار النتائج)، ولا يؤدي استخدام الذكاء الاصطناعي (مثل النماذج الاحتمالية) إلى زيادة كفاءة العملية بل قد يزيد من تعقيدها (مثل احتمال حدوث أخطاء في الحسابات). القيمة الحقيقية للذكاء الاصطناعي تكمن في حل المشكلات التي لا يمكن للبرامج التقليدية أو العمالة البشرية حلها، مثل:
- معالجة المعلومات غير المنظمة: مثل استخراج البنود الرئيسية من 100 عقد بسرعة (قد يستغرق الأمر أيامًا بالنسبة للعمالة، بينما يمكن للذكاء الاصطناعي إنجاز ذلك في دقائق)؛
- المشكلات التي لا يمكن تحديدها بشكل كامل: مثل التعامل مع أسئلة العملاء المتنوعة (لا توجد إجابات ثابتة، ويحتاج الذكاء الاصطناعي إلى فهم السياق)؛
- التكاليف البشرية المرتفعة: مثل تقييم المخاطر (يتطلب تحليل عدد كبير من المتغيرات، والعمالة البشرية غير فعالة وعرضة للأخطاء).
لذا، يجب أن يكون اختيار السيناريوهات مبنيًا على سؤال “لماذا لم تتم أتمتة هذه المهام من قبل؟” فقط عندما لا تكون الحلول التقليدية كافية، يصبح استخدام الذكاء الاصطناعي مجديًا.
2. **البيانات**: العالم في نظر الذكاء الاصطناعي هو ما تقدمه له من بيانات، وأي خطأ قد يؤدي إلى فوضى
لا يرى الذكاء الاصطناعي العالم الحقيقي مباشرةً؛ إن فهمه يعتمد على البيانات التي تقدمها الشركة. على سبيل المثال:
- إذا أظهر نظام المخزون وجود 100 منتج، قد يعتقد الذكاء الاصطناعي أن هناك فعلاً 100 منتج في المستودع (حتى لو كان العدد الفعلي أقل)؛
- إذا كانت بيانات نظام المعرفة تشير إلى نظام تم إلغاؤه منذ 3 أشهر، قد يستمر الذكاء الاصطناعي في التعامل وفقًا لذلك النظام (لأنه لا يعرف أنه غير ساري المفعول).
الخطر الأكبر ليس خطأ الذكاء الاصطناعي في تفسير البيانات، بل تنفيذه لبيانات خاطئة. على سبيل المثال، إذا قرر الذكاء الاصطناعي منح قرضًا استنادًا إلى بيانات ائتمانية خاطئة، فإن الشركة هي التي ستتحمل العواقب.
لذلك، يجب أن تكون عملية إدارة البيانات أكثر دقة:
- التأكد من أن البيانات حديثة (غير منتهية الصلاحية)؛
- عدم وجود تعارض بين البيانات المخزنة في الأقسام المختلفة (مثل معلومات العملاء في قسمي المبيعات والمخزون)؛
- توفير آلية تسمح للنظام بإعلان “لا أعرف” عند وجود مشاكل في البيانات (بدلاً من التخمين العشوائي).
3. **الصلاحيات والتنفيذ**: قدرة الذكاء الاصطناعي على “الرؤية” و“القيام بشيء ما” أمران مختلفان، لا يجب منحه صلاحيات كبيرة جدًا
في الماضي، كانت الصلاحيات في البرمجيات مخصصة للبشر فقط، لكن العديد من الشركات بدأت الآن في منح الذكاء الاصطناعي صلاحيات مثل قراءة قواعد البيانات وتعديل الطلبات واستدعاء واجهات الدفع… لكن هناك مخاطر كبيرة:
- إذا أصدر الذكاء الاصطناعي اقتراحًا بالدفع، يمكن تصحيحه؛
- لكن إذا قام الذكاء الاصطناعي مباشرة بإجراء عملية الدفع، فقد يتسبب ذلك في خسائر حقيقية.
المسألة الأساسية ليست ما يراه الذكاء الاصطناعي، بل ما يمكنه فعله بناءً على تلك المعلومات. لذلك، يجب فصل “الاقتراحات” و“القرارات” و“التنفيذ” في الأنظمة الإنتاجية:
- يقدم الذكاء الاصطناعي اقتراحات (مثل “يجب دفع مليون لهذا المورد”)؛
- تقوم أنظمة الشركة بمراجعة تلك الاقتراحات وفقًا للقواعد (مثل فحص العقود والتحقق من السجلات الائتمانية)؛
- في النهاية، يتم التنفيذ إما يدويًا أو بواسطة نظام مصرح به.
لا يجب السماح للذكاء الاصطناعي بالتصرف بشكل مستقل، وإلا قد يؤدي خطأ واحد إلى خسائر كبيرة للشركة.
4. **آليات التعامل مع الأخطاء**: في العروض التوضيحية، كل شيء يبدو مثاليًا (توافر واجهات برمجة التطبيقات، بيانات كاملة، نتائج صحيحة من النماذج)، لكن في البيئة الإنتاجية قد يحدث أي شيء:
- قد تنقطع الشبكة ولا يتمكن الذكاء الاصطناعي من الوصول إلى قاعدة البيانات؛
- قد يفشل النموذج في إرجاع النتائج؛
- قد تتغير ظروف الأعمال (مثل إلغاء العميل للطلب أثناء معالجته بواسطة الذكاء الاصطناعي).
الأمر المهم هو تصميم آليات للتعامل مع هذه الحالات:
- التعامل مع المشكلات غير المتوقعة: يجب أن يتوقف الذكاء الاصطناعي عن التنفيذ عندما لا يكون متأكدًا من صحة البيانات؛
- التدخل اليدوي: ليس من الضروري مراجعة كل خطوة، بل يجب التدخل عندما تكون المخاطر عالية (مثل إذا تجاوزت قيمة الصفقة مليونًا أو كانت درجة ثقة النموذج منخفضة)؛
- القدرة على التعديل: إذا فشل الذكاء الاصطناعي، يجب العودة إلى نظام شبه أوتوماتيكي (مثل تقديم اقتراحات من قبل الذكاء الاصطناعي ومراجعتها يدويًا) أو استخدام إجراءات بشرية… لضمان عدم توقف الأعمال بسبب أعطال الذكاء الاصطناعي.
5. **المسؤولية والأدلة**: يجب تتبع كل خطوة يقوم بها الذكاء الاصطناعي لتحديد المسؤولية وتوضيح الأسباب
عند حدوث مشكلة، يجب أن تكون هناك أدلة واضحة على ما فعله الذكاء الاصطناعي: لماذا تم استدعاء هذه الواجهة؟ ما هي البيانات المستخدمة؟ من منح الصلاحيات؟
في الماضي، كانت السجلات مخصصة لأغراض التصحيح فقط، لكن الآن أصبحت ضرورية للتدقيق والامتثال للوائح وتحديد المسؤوليات. على سبيل المثال، إذا قام الذكاء الاصطناعي بتحويل مبلغ مالي، يجب أن يكون من الممكن تتبع كامل العملية:
- طلبات المستخدمين → فهم الذكاء الاصطناعي للمشكلة → إعداد خطة → استدعاء الأدوات اللازمة → تعديل الخطة → تنفيذ عملية التحويل.
هذا ضروري حتى تتمكن الشركة من معرفة سبب المشكلة وإثبات أنها لم تتصرف بشكل غير قانوني أو غير فعال.
خلاصة
التحدي الحقيقي في استخدام تقنيات الذكاء الاصطناعي ليس جعل النماذج أكثر ذكاءً، بل دمجها في أنظمة إنتاجية قادرة على تحمل المسؤولية… وهذا هو العائق الأساسي في الانتقال من مرحلة العروض التوضيحية إلى المرحلة الإنتاجية الفعلية.