المبادئ المعمارية الثلاثة للذكاء الاصطناعي المُدار: لماذا تفشل مشاريع الذكاء الاصطناعي الكلاسيكية وما الذي يميزها عن عمليات التنفيذ السريعة

أي شخص لا يزال ينتظر مستودع البيانات المثالي قد تخلف عن الركب منذ زمن طويل

من شهور إلى أسابيع: كيف تُحدث بنى الذكاء الاصطناعي المعيارية ثورة في السوق

لقد خلق الذكاء الاصطناعي وضعًا متناقضًا للشركات. فمن جهة، تستثمر المؤسسات حول العالم مليارات الدولارات في مبادرات الذكاء الاصطناعي، بينما تشير الدراسات الاستقصائية إلى أن ما يصل إلى 88% من هذه المشاريع تفشل في المرحلة التجريبية. وتوقعت شركة غارتنر أن 30% على الأقل من مشاريع الذكاء الاصطناعي التوليدي تُهمل بعد مرحلة إثبات المفهوم، نظرًا لتكاليفها التي تتراوح بين 5 و20 مليون دولار أمريكي للمشروع الواحد، وضعف العائد على الاستثمار. وتؤكد دراسة أجرتها شركة فايفتران هذه الصورة، حيث أفادت 42% من الشركات أن أكثر من نصف مشاريع الذكاء الاصطناعي لديها إما تأخرت، أو فشلت في تحقيق النتائج المرجوة، أو فشلت تمامًا بسبب مشاكل في توفر البيانات. ولا تكمن الأسباب في أداء النماذج نفسها بقدر ما تكمن في النهج المعماري المتبع. ويعالج الذكاء الاصطناعي المُدار هذه الثغرات الهيكلية تحديدًا من خلال ثلاثة مبادئ تصميم أساسية تُحدث الفرق بين نشر سريع للذكاء الاصطناعي يُحقق قيمة مضافة، وتنفيذ طويل الأمد ومُستهلك للموارد.

ذو صلة بهذا الموضوع:

• الذكاء الاصطناعي المؤسسي بدون تنفيذ مطوّل: كيف يمكن للشركات الانتقال من مرحلة التأسيس إلى مرحلة الإنتاج في غضون أسابيع

يبدأ الفشل في غرفة محرك البيانات

قبل الخوض في تفاصيل المبادئ المعمارية الثلاثة للذكاء الاصطناعي المُدار، يجدر بنا إلقاء نظرة فاحصة على أسباب فشل مشاريع الذكاء الاصطناعي التقليدية في كثير من الأحيان. يسود الاعتقاد بأن نماذج الذكاء الاصطناعي لا تُجدي نفعًا إلا إذا جُمعت جميع البيانات ونُظفت ووُفقت في نظام مركزي. إلا أن هذا النهج نفسه يُثبت أنه يُمثل عائقًا. إذ تُخصص 67% من الشركات التي تُدير بياناتها مركزيًا أكثر من 80% من موارد هندسة البيانات لديها لصيانة مسارات البيانات فقط. وهذا يعني أن غالبية الموارد التقنية لا تُستثمر في الابتكار، بل في صيانة البنية التحتية.

علاوة على ذلك، تدير 74% من الشركات أو تخطط لإدارة أكثر من 500 مصدر بيانات، مما يزيد تعقيد عملية التكامل بشكل كبير. وتُعرف مشاريع ترحيل البيانات بكثرة أخطائها، حيث تفشل ما بين 30% و83% منها في تحقيق أهدافها، ويتراوح متوسط ​​تجاوز الميزانية بين 14% و30%، بينما يتراوح متوسط ​​التأخير في الجدول الزمني بين 30% و41%. وتُكلّف مشاكل جودة البيانات الشركات الألمانية ما متوسطه 4.3 مليون يورو سنويًا، ويتفاقم هذا الضرر في مشاريع الذكاء الاصطناعي لأن النماذج قد تُضخّم مشاكل البيانات القائمة من عشرة إلى مئة ضعف.

يكمن جوهر المشكلة في أن الفشل لا يكمن في التكنولوجيا نفسها، بل في بنية النظام. فـ 37% من حالات فشل مشاريع الذكاء الاصطناعي تعود إلى غياب تعريفات واضحة للعائد على الاستثمار، و28% إلى مشاكل جودة البيانات، و21% إلى تعقيد التكامل. وتمثل هذه الأسباب الثلاثة مجتمعةً أكثر من 85% من إجمالي حالات الفشل، مما يشير إلى وجود مشكلة هيكلية لا يمكن حلها بتحسين الخوارزميات، بل فقط من خلال فلسفة معمارية مختلفة جذريًا.

المبدأ الأول: استخدم البيانات في مكان وجودها، بدلاً من نقلها أولاً

يُخالف المبدأ المعماري الأول للذكاء الاصطناعي المُدار المفهوم السائد منذ عقود لتوحيد البيانات. فبدلاً من نقل جميع بيانات الشركة إلى مستودع بيانات مركزي ضخم وإنشاء مسارات ETL معقدة، تتصل طبقة الذكاء الاصطناعي مباشرةً بأنظمة المصدر الحالية عبر موصلات وواجهات برمجة تطبيقات موحدة. أنظمة إدارة علاقات العملاء، وتخطيط موارد المؤسسات، وإدارة المستندات، وأنظمة التذاكر: تبقى البيانات في مكانها الأصلي وتُدار من قِبل الأقسام المعنية.

لا يُعدّ هذا النهج للوصول الموحّد إلى البيانات عمليًا فحسب، بل يُعترف به على نحو متزايد كأفضل ممارسة معمارية. تُسلّط غارتنر الضوء على التحليلات الموحّدة كنمط يُتيح قابلية التشغيل البيني وتبادل المعلومات عبر نطاقات البيانات شبه المستقلة، مما يدعم الحوكمة اللامركزية وملكية النطاق دون المساس بالمعايير المؤسسية الشاملة. وقد أوضحت MindsDB في أوائل عام 2026 كيف يُمكن للوصول الموحّد إلى البيانات أن يعمل عبر بروتوكول سياق النموذج، مما يسمح لتطبيقات الذكاء الاصطناعي بتنفيذ استعلامات موحّدة على البيانات المخزّنة في قواعد بيانات مختلفة دون نقل البيانات.

تُعدّ المزايا الاقتصادية لهذا المبدأ كبيرة. إذ يُلغي إلى حد كبير أكبر مُضيّع للوقت في مشاريع الذكاء الاصطناعي، ألا وهو نقل البيانات وتطوير البنية التحتية. وتُشير الشركات التي لا تُركّز سوى أقل من نصف بياناتها إلى خسائر في الإيرادات تصل إلى 68% نتيجةً لفشل مشاريع الذكاء الاصطناعي أو تأخيرها. يُعالج النموذج الموحد هذه المشكلة مباشرةً لأنه يُلغي الحاجة إلى المركزية كشرط أساسي للذكاء الاصطناعي. ويُحافظ على سيادة البيانات، ويُسهّل تلبية متطلبات الامتثال لعدم الحاجة إلى نقل البيانات الحساسة إلى أنظمة جديدة، مع الحفاظ على الحوكمة المحلية. بالنسبة للشركات العاملة دوليًا والتي يجب عليها في الوقت نفسه الامتثال للائحة العامة لحماية البيانات (GDPR) واللوائح الخاصة بالقطاع وسياسات حماية البيانات الداخلية، يُقلّل هذا بشكل كبير من المخاطر. وليس من قبيل المصادفة أن 59% من الشركات تُشير إلى الامتثال باعتباره التحدي الأكبر في إدارة البيانات للذكاء الاصطناعي.

المبدأ الثاني: استخدام لبنات بناء مجربة بدلاً من التطوير الداخلي من الصفر

يُحوّل مبدأ التصميم الثاني للذكاء الاصطناعي المُدار التركيز من البرمجة إلى التكوين. فبدلاً من تطوير الوظائف الأساسية كالبحث الدلالي، واستخراج البيانات، والاستدلال المنطقي، أو أتمتة العمليات من الصفر، تُستخدم وحدات جاهزة ومُجرّبة ميدانياً. يُغيّر هذا جذرياً عملية التنفيذ: من تطوير داخلي متكامل يستغرق شهوراً أو سنوات، إلى تكامل معياري جاهز للإنتاج في غضون أسابيع أو حتى أيام.

يُعدّ توليد البيانات المُعزز بالاسترجاع (RAG) أبرز مثال على هذا النهج. تجمع هذه التقنية بين استرجاع وفهم معارف المؤسسة وقوة التوليد التي توفرها نماذج اللغة الكبيرة. يتغلب RAG على أحد أبرز نقاط ضعف نماذج اللغة البحتة: افتقارها إلى فهم المصطلحات وسير العمل والاستراتيجيات الخاصة بالمؤسسة. فبدلاً من إعادة تدريب النموذج بشكل مُرهق باستخدام بيانات خاصة، وهو ما قد يُكلّف ما بين 5 و20 مليون دولار، يتم إثراء النموذج أثناء التشغيل بمعلومات ذات صلة مُسترجعة من مصادر داخلية. لا يُقلّل هذا من الأخطاء فحسب، بل يُخفّض التكاليف الإجمالية أيضًا، إذ يُلغى الضبط الدقيق المُكلف، كما يُمكن للنماذج الأصغر حجمًا، بالاشتراك مع أنظمة الاسترجاع، تقديم أداء على مستوى المؤسسات.

يؤكد التوجه نحو بنى الذكاء الاصطناعي التركيبية والوحداتية هذا المبدأ بشكل عام. تتجه الشركات نحو التخلي عن المنصات المتجانسة والتحول إلى بنى ذكاء اصطناعي قابلة للتركيب تدعم التكامل السريع والتجريب ومرونة الموردين. عمليًا، يعني هذا إمكانية تطوير مكون البحث الدلالي واختباره واستبداله بشكل مستقل عن وحدة الأتمتة. يمكن لكل وحدة بناء استخدام نماذج مختلفة حسب المهمة، كما يمكن توسيع البنية العامة تدريجيًا دون التأثير على استقرار النظام الحالي. تُعد سرعة التنفيذ الناتجة ميزة حاسمة في بيئة تنافسية حيث يركز 54% من قادة تكنولوجيا المعلومات ميزانيات الذكاء الاصطناعي على المشاريع ذات العائد الاستثماري المُثبت. تُمكّن وحدات البناء الجاهزة من إطلاق نماذج تجريبية أولية في غضون ستة إلى اثني عشر أسبوعًا، بينما تتطلب عمليات التطوير الداخلية بالكامل عادةً من تسعة إلى ثمانية عشر شهرًا للوصول إلى أول نموذج إنتاجي.

المبدأ الثالث: التفكير من منظور حالة الاستخدام المحددة بدلاً من فرض نموذج عالمي

يتناول المبدأ المعماري الثالث للذكاء الاصطناعي المُدار أحد أكثر الأخطاء الاستراتيجية تكلفةً وشيوعًا في مشاريع الذكاء الاصطناعي: محاولة تصميم نموذج بيانات شامل على مستوى المؤسسة مسبقًا. تبدو هذه المناهج الشاملة جذابةً من الناحية النظرية، لكنها غالبًا ما تفشل في الواقع العملي. فهي تتطلب توحيد المصطلحات ومنطق العمليات وهياكل البيانات بين الأقسام، مما يؤدي إلى جولات لا تنتهي من التنسيق، وبيروقراطية المشاريع، وفي النهاية، إلى الركود. يؤكد أكثر من 69% من قادة البيانات والذكاء الاصطناعي أن مشاريعهم في مجال الذكاء الاصطناعي لا تتجاوز المرحلة التجريبية. ومن الأسباب الشائعة لذلك البيانات غير المتناسقة، أو سيئة التصنيف، أو التي تفتقر إلى السياق الذي يحتاجه الذكاء الاصطناعي للتفسير.

يُغيّر الذكاء الاصطناعي المُدار هذا النهج، إذ يُصمّم فقط السياق اللازم لحالة استخدام مُحددة. سواءً أكان الأمر يتعلق بتحليل العقود، أو أتمتة خدمة العملاء، أو البحث في الوثائق التقنية، فإن كل حالة استخدام تحصل على نموذج سياق مُخصّص يُحدّد بدقة مصادر البيانات ذات الصلة، وقواعد العمل، والعلاقات الدلالية. ثم ينمو النظام بشكل طبيعي مع كل حالة استخدام إضافية.

يتميز هذا النهج المُصمم خصيصًا لحالات الاستخدام بعدة مزايا أساسية. أولًا، يُتيح إثبات القيمة بسرعة. فبدلًا من قضاء شهور في تطوير نموذج نظري شامل، يُمكن إنشاء نظام عملي يُحقق فوائد ملموسة في وقت قصير. وهذا أمر بالغ الأهمية، إذ تُشير غارتنر إلى أن المديرين التنفيذيين يُصبحون أكثر نفاد صبرًا لرؤية عوائد استثماراتهم في الذكاء الاصطناعي. ثانيًا، يُقلل هذا النهج من التعقيد إلى مستوى يُمكن إدارته. فالنموذج السياقي لتحليل العقود لا يحتاج إلى التعامل مع متطلبات بيانات تخطيط الإنتاج، والعكس صحيح. ثالثًا، يُعكس هذا النهج آليات عمل الذكاء الاصطناعي المؤسسي الحديث. وتُشير مجلة هارفارد بزنس ريفيو إلى أن السياق يُصبح الميزة التنافسية الحاسمة عندما تُتاح لجميع الشركات إمكانية الوصول إلى نماذج الذكاء الاصطناعي نفسها. فالشركات التي تُجيد ترجمة عملياتها التجارية الخاصة، وبيانات عملائها، ومنطق صناعتها إلى سياق الذكاء الاصطناعي هي التي تفوز في سباق التميز التشغيلي.

تُظهر التجارب أن هندسة السياق، أي الإعداد المنهجي وهيكلة البيانات السياقية لأنظمة الذكاء الاصطناعي، تُرسّخ مكانتها كعلم مستقل. لا يكمن الهدف في تزويد النموذج بأكبر قدر ممكن من البيانات، بل في تزويده بالبيانات الصحيحة تحديدًا. في بيئات الإنتاج حيث تكون بيانات القياس عن بُعد مشوشة، والأنظمة مجزأة، والمخاطر عالية، تنهار معظم أنظمة الذكاء الاصطناعي تحت الضغط نتيجةً لنقص فهم السياق. لا يكمن الحل في نماذج أكبر حجمًا، بل في نماذج سياقية أكثر دقة تُلبّي بدقة احتياجات المعلومات المحددة لحالة استخدام معينة.

منصة الذكاء الاصطناعي المُدارة - الصورة: Xpert.Digital

ستتعلم هنا كيف يمكن لشركتك تطبيق حلول الذكاء الاصطناعي المخصصة بسرعة وأمان ودون عوائق دخول عالية.

تُعدّ منصة الذكاء الاصطناعي المُدارة حلاً شاملاً ومريحاً لمشاكل الذكاء الاصطناعي. فبدلاً من التعامل مع التكنولوجيا المعقدة والبنية التحتية المكلفة وعمليات التطوير المطولة، ستحصل على حل جاهز مصمم خصيصاً لتلبية احتياجاتك من شريك متخصص، غالباً في غضون أيام قليلة فقط.

المزايا الرئيسية باختصار:

⚡ تنفيذ سريع: من الفكرة إلى التطبيق الجاهز للاستخدام في أيام، وليس شهورًا. نقدم حلولًا عملية تُحقق قيمة مضافة فورية.

🔒 أقصى درجات أمان البيانات: بياناتك الحساسة تبقى معك. نضمن معالجة آمنة ومتوافقة مع الأنظمة دون مشاركة البيانات مع أي جهات خارجية.

💸 لا مخاطر مالية: أنت تدفع فقط مقابل النتائج. يتم التخلص تماماً من الاستثمارات الأولية الكبيرة في الأجهزة أو البرامج أو الموظفين.

🎯 ركّز على جوهر عملك: انصبّ اهتمامك على ما تُجيده. نحن نتولّى جميع جوانب التنفيذ التقني والتشغيل والصيانة لحلول الذكاء الاصطناعي الخاصة بك.

📈 حلول مستقبلية وقابلة للتطوير: يتطور نظام الذكاء الاصطناعي الخاص بك معك. نضمن التحسين المستمر وقابلية التوسع، ونقوم بتكييف النماذج بمرونة مع المتطلبات الجديدة.

للمزيد من المعلومات، انقر هنا:

• منصة الذكاء الاصطناعي المُدارة

المبادئ الثلاثة تعمل معًا: نموذج تشغيل جديد للذكاء الاصطناعي على مستوى المؤسسة

لا تتجلى قوة هذه المبادئ المعمارية الثلاثة إلا بتضافرها. فالوصول الموحد للبيانات يزيل معوقات الترحيل، والمكونات الجاهزة تُسرّع عملية التنفيذ، ونماذج السياق المصممة خصيصًا لحالات الاستخدام تضمن نتائج دقيقة وقيمة مضافة. تشكل هذه المبادئ مجتمعةً نموذج تشغيل يُزيل بشكل منهجي المعوقات المعتادة في مشاريع الذكاء الاصطناعي التقليدية.

يختلف نهج الذكاء الاصطناعي المُدار عن النهج التقليدي في عدة جوانب رئيسية. فبينما تعتمد استراتيجيات البيانات التقليدية على بناء مستودع بيانات مركزي ذي مسارات معقدة، يُتيح نهج الذكاء الاصطناعي المُدار الوصول الموحد إلى أنظمة المصدر مباشرةً عبر واجهات برمجة التطبيقات (APIs). وينعكس هذا أيضًا في نموذج التطوير: فبدلًا من تطوير الوظائف الأساسية داخليًا، يتم تكوين وحدات نمطية جاهزة، مثل تلك الخاصة بـ RAG. علاوة على ذلك، يستخدم النهج الحديث نماذج مُدركة للسياق لكل حالة استخدام، بدلًا من اشتراط مخطط مؤسسي موحد منذ البداية.

يُقلل هذا النهج بشكلٍ كبير من الوقت اللازم لتحقيق القيمة من 9 إلى 18 شهرًا إلى 6 إلى 12 أسبوعًا فقط للتجربة الإنتاجية. كما يُقلل بشكلٍ ملحوظ من الجهد المطلوب لهندسة البيانات؛ فبدلاً من استنزاف أكثر من 80% من الموارد لصيانة خطوط البيانات، تُقلل الموصلات من جهد التكامل إلى أدنى حد. وبما أن البيانات تبقى في مصدرها، فإن مخاطر الامتثال، المرتفعة مع نقل البيانات ومركزيتها، تقل أيضًا. وأخيرًا، يتميز هذا النهج بمرونة أكبر في قابلية التوسع: إذ يسمح نهج الذكاء الاصطناعي المُدار بالنمو الطبيعي من خلال حالات استخدام جديدة، بينما يتطلب النهج التقليدي غالبًا إعادة هيكلة كاملة.

يساهم هذا التفاعل أيضًا في حل مشكلة الجمود التنظيمي. فلم تعد الشركات بحاجة إلى تغيير هيكلها التنظيمي بالكامل قبل جني أولى فوائد الذكاء الاصطناعي. بل تبدأ بحالة استخدام ملموسة وذات جدوى تجارية، وتستفيد من بنية بياناتها الحالية عبر الوصول الموحد، وتطبق لبنات بناء مجربة، وتحقق نتائج قابلة للقياس في غضون أسابيع قليلة. وتساهم كل حالة استخدام إضافية في توسيع النظام تدريجيًا دون المساس بالبنية التحتية الحالية.

التحول النموذجي الاستراتيجي: من الإعداد المثالي إلى خلق القيمة بشكل متكرر

تمثل المبادئ المعمارية الثلاثة للذكاء الاصطناعي المُدار أكثر من مجرد إعادة تنظيم تقني، فهي تُشير إلى تحول استراتيجي جذري في كيفية تبني الشركات للذكاء الاصطناعي وتوسيع نطاقه. يتبع النهج التقليدي منطقًا تسلسليًا: أولًا، يتم تجميع جميع البيانات، ثم تصميم نموذج شامل، ثم تطوير الحل، وأخيرًا، يتم نشره. يجب إكمال كل مرحلة قبل البدء بالمرحلة التالية، وكل مرحلة تنطوي على مخاطر الفشل.

من ناحية أخرى، يتبع الذكاء الاصطناعي المُدار منطقًا تكراريًا يجمع بين تطوير البرمجيات الرشيقة والديناميكيات الخاصة بأنظمة الذكاء الاصطناعي. يمكن إطلاق أول حالة استخدام دون الحاجة إلى مركزية جميع البيانات، لأن الوصول الموحد يُغني عن ذلك. يتميز التنفيذ بالسرعة نظرًا لاستخدام لبنات بناء مُثبتة بدلًا من التطويرات المُخصصة. يتم تخصيص السياق بدقة لأنه يتم نمذجة العلاقات ذات الصلة بحالة الاستخدام المحددة فقط. يمكن قياس أداء الحل فورًا، وتُدمج الرؤى المُكتسبة في التكرار التالي.

بالنسبة للشركات في أوروبا التي تواجه ضغوطًا متزامنة من المنافسة واللوائح التنظيمية ونقص العمالة الماهرة، يُقدّم هذا النهج مسارًا عمليًا للمضي قدمًا. ووفقًا لتحليلات القطاع الحالية، تُعتبر بنى الذكاء الاصطناعي القابلة للتكوين والتركيب أساسًا لأنظمة ذكاء اصطناعي قابلة للتوسع ومرنة. في الوقت نفسه، تتطلب اللوائح التنظيمية المتزايدة، مثل تلك التي يفرضها قانون الذكاء الاصطناعي للاتحاد الأوروبي، بنىً تُدمج الشفافية وقابلية التدقيق والحوكمة منذ البداية، بدلًا من إضافتها لاحقًا.

تكشف دراسة فايفتران عن التوجهات السائدة: إذ تخطط 65% من الشركات للاستثمار في أدوات تكامل البيانات كاستراتيجية أساسية لتطبيق الذكاء الاصطناعي. وهذا يُشير بوضوح إلى إدراك القطاع لضرورة التحول البنيوي. ويُوفر الذكاء الاصطناعي المُدار، بمبادئه الثلاثة، الإطار المفاهيمي اللازم لذلك. فالشركات التي تستخدم البيانات في مصادرها الأصلية، وتوظف بنىً مُثبتة بدلاً من تطوير حلول داخلية، وتبدأ بحالة استخدام مُحددة بدلاً من مخطط شامل، قد أرست المتطلبات الهيكلية اللازمة لتقليص المسافة بين الطموح في مجال الذكاء الاصطناعي والتطبيق العملي الفعلي.

Konrad Wolfenstein

يسعدني أن أكون مستشارك الشخصي.

التواصل معي عبر wolfenstein ∂ xpert.digital

اتصل بي على الرقم +49 89 89 674 804 (ميونخ) .

لينكد إن