معظم المؤسسات اليوم خاضت تجربةً واحدة على الأقل في الذكاء الاصطناعي، لكنّ قلّةً منها حوّلت تلك التجربة إلى عائدٍ مؤسسيٍّ ملموس على الاستثمار — والسبب، في تجربتي، يتعلّق بالبيانات أكثر مما يتعلّق بالنموذج. وقد بات هذا النمط ظاهرًا في الأبحاث: ففي دراسةٍ حديثة لماكنزي، جرّب نحو ثلثي المؤسسات وكلاء الذكاء الاصطناعي، لكن أقلّ من واحدةٍ من كل عشر وسّعت نطاقها لتحقيق قيمةٍ ملموسة — وأشار ثمانٍ من كل عشر إلى العائق نفسه: بياناتها.
خلفيتي في عالم البيانات: سنواتٌ في إدارة البيانات وحوكمتها، ثم مؤخّرًا في استراتيجية الذكاء الاصطناعي التي تُبنى فوقها. ومن هذا الموقع، فإن المسافة بين تجربةٍ مُقنِعة ونظام إنتاجٍ يولّد القيمة هي في الغالب مسافة بيانات. فالتجربة تُبنى عادةً على شريحةٍ من البيانات أُعِدّت بعناية، أمّا الإنتاج فيعتمد على الواقع الأوسع والأكثر فوضى — بياناتٌ موزّعة عبر الأنظمة، بجودةٍ وملكيةٍ وأوجه استخدامٍ مسموحة متفاوتة. وقطع هذه المسافة عملٌ حقيقي، وغالبًا ما يكون أفضل حين يُخطَّط له وتُرصَد له الموارد عن قصد، بدل اكتشافه متأخّرًا.
العائد تُشكّله المُدخلات
من المفيد أن نتصوّر النموذج كمُضاعِف. فإذا وُجّه إلى بياناتٍ محوكَمة وجديرة بالثقة، ضاعَف القيمة؛ وإذا وُجّه إلى بياناتٍ غير موثوقة أو غير محوكَمة كما ينبغي، ضاعَف العكس — إعادة العمل، والتعارض، والمخاطر. وتؤكّد الأرقام ذلك: ففي دراسةٍ لـ PwC شملت أكثر من 1200 شركة، حقّقت الشركات الأكثر جاهزيةً للذكاء الاصطناعي — وهي الأقوى أساسًا، ومن ذلك البيانات والتقنية — نحو سبعة أضعاف الأداء المالي المدفوع بالذكاء الاصطناعي مقارنةً بنظيراتها، واستحوذ خُمس الشركات على ما يقارب ثلاثة أرباع العوائد. وعليه فإن العائد على الاستثمار في الذكاء الاصطناعي تُشكّله جودة المُدخلات وحوكمتها بقدر ما تُشكّله درجة تطوّر النموذج نفسه، إن لم يكن أكثر.
نمطٌ مألوف
يوضّح مثالٌ تمثيليّ هذه الفكرة. يبني فريقٌ نموذجًا للتنبّؤ بتسرّب العملاء، فيؤدّي أداءً جيدًا في التجربة بعد تدريبه على مستخرَجٍ نظيفٍ أُعِدّ يدويًا. وعند الانتقال نحو الإنتاج، يتبيّن أن العميل نفسه مُمثَّلٌ بصورةٍ مختلفة بين نظام إدارة علاقات العملاء، ونظام الفوترة، ومنصّة الدعم — بلا مُعرِّفٍ موحَّد، وبتعريفاتٍ غير متّسقة لما يُعَدّ حسابًا «نشطًا». فتتراجع الدقّة، لا لأن الخوارزمية تغيّرت، بل لأن بيانات الإنتاج لم تَعُد تطابق الظروف التي افترضتها التجربة.
والعلاج هنا ليس نموذجًا أفضل، بل حلّ مسائل الهوية والجودة والملكية عبر تلك المصادر. وهذا عملٌ يَسهُل التخطيط له مبكرًا نسبيًا، ويكون أكثر كلفةً بكثير حين يُضاف لاحقًا بعد انطلاق المبادرة. تختلف التفاصيل، لكن شكل النمط ثابتٌ عبر مختلف حالات الاستخدام.
التخطيط للأساس بالتوازي مع الذكاء الاصطناعي
الاستنتاج البديهي هو أنه ينبغي إصلاح البيانات أولًا، قبل أي ذكاء اصطناعي. لكنّ هذا في الواقع كثيرًا ما يُعطّل الاثنين معًا: إذ يتحوّل برنامج البيانات إلى متطلَّبٍ مسبقٍ مفتوح الأمد، وينتظر عمل الذكاء الاصطناعي خلفه.
والنهج الأجدى هو الدفع بهما معًا. فحالات استخدام الذكاء الاصطناعي تُوضّح أيّ البيانات يهمّ فعلًا، فيتركّز جهد الحوكمة حيث ستُستخدَم بدل تشتيته على كل شيء. وتحسين تلك البيانات يرفع بدوره أداء الذكاء الاصطناعي وجدارته بالثقة. كلٌّ منهما يغذّي الآخر، والأفضل أن يُعامَل أساس البيانات كجزءٍ من الجدوى الاقتصادية للذكاء الاصطناعي لا كبندٍ منفصلٍ من الكلفة.
عمليًا
على الفِرق التي تُقدّر قيمة الذكاء الاصطناعي أن تُقيّم جاهزية البيانات من البداية — جاهزية البيانات التي سيعتمد عليها النظام، لا النموذج وحده. وحيثما توجد فجوة، فإن أساس البيانات تخصّصٌ قائمٌ بذاته؛ وممارستي في إدارة البيانات وحوكمتها، Green Data، تركّز على بناء قاعدة البيانات المحوكَمة التي يعتمد عليها الذكاء الاصطناعي المؤسسي، وهي مُصمَّمة لتعمل بالتوازي مع استراتيجية الذكاء الاصطناعي لا قبلها. (يمكنكم معرفة المزيد عن تحديد نطاق هذه القاعدة في صفحة جاهزية الذكاء الاصطناعي والبيانات.)
وباختصار: العائد على الاستثمار في الذكاء الاصطناعي المؤسسي محكومٌ بسقف أساس البيانات الذي يقوم عليه. موِّل الأساس، تُموِّل العائد.
أنا سامي الطياره، مؤسِّس Green Data ومديرها، أعمل على اقتصاد الذكاء الاصطناعي المؤسسي عبر Aiconomica. وإذا كانت مؤسستكم تخطو من مرحلة التجارب إلى تحقيق عائدٍ ملموس من الذكاء الاصطناعي، فإنني أرحّب بإجراء محادثةٍ حول ذلك — للتواصل أو عبر LinkedIn.