كيف يطور الذكاء الاصطناعي حلولاً جديدة انطلاقاً من الأنماط، وأين تكمن حدوده؟ - صورة إبداعية حول هذا الموضوع، مع الذكاء الاصطناعي: Xpert.Digital
هل نتعرف عليها أم ندمجها؟ هكذا تنشأ الفوائد الاقتصادية للذكاء الاصطناعي
لماذا لا يحتاج الذكاء الاصطناعي إلى التفكير مثل الإنسان لإحداث تحول في الأعمال التجارية
الذكاء الاصطناعي في مجال الأعمال: عندما يخلق التعرف على الأنماط والأفكار الجديدة قيمة مضافة حقيقية
يستطيع الذكاء الاصطناعي التعرف على الأنماط في مجموعات البيانات الضخمة، والتنبؤ بالاتجاهات، وتوليد نصوص وصور وحلول جديدة. مع ذلك، لا يُعدّ الجواب المقنع صحيحًا بالضرورة، ولا يُثبت وجود نمط منتظم بالضرورة وجود علاقة سببية، ولا يُعدّ أي مزيج جديد ابتكارًا حقيقيًا. لذا، من الأهمية بمكان بالنسبة للشركات ألا تقتصر على التساؤل عما يمكن للذكاء الاصطناعي توليده، بل أن تتساءل أيضًا عن مدى موثوقية نتائجه، وما إذا كانت تُحسّن عملية عمل محددة. تشرح هذه المقالة الفرق بين التعرف والدمج، وتُبيّن كيفية عمل الذكاء الاصطناعي التنبؤي والتوليدي، وتُحدد مواطن الفوائد الاقتصادية، ومواطن قصور هذه التقنية.
لا تحتاج الآلات إلى التفكير مثل البشر لتغيير نماذج الأعمال بأكملها
يُدرك الذكاء الاصطناعي الروابط ويُدمج المعلومات، وهما من أهم قدراته. ويمكن تلخيص الفرق ببساطة: فإدراك الروابط يعني اكتشاف العلاقات بين المعلومات الموجودة، بينما الدمج يعني تجميع المعلومات أو المكونات في ترتيب جديد. يُساعد الأول في تصنيف الموقف، بينما يُساعد الثاني في تطوير إجابة أو تصميم أو حل.
هذا التمييز مفيد، لكنه لا يُحدد بوضوح الفرق بين أنواع الذكاء الاصطناعي المختلفة. فالبشر أيضاً قادرون على إجراء عمليات تركيبية دون أن يكونوا ذكاءً اصطناعياً. كما يمكن لبرنامج حاسوبي عادي أن يجمع عناصر أو يحسب العلاقات بينها. لذا، لا يقتصر الأمر على ما يفعله النظام ظاهرياً، بل على كيفية وصوله إلى النتيجة.
بالنسبة للشركات، يكشف هذا عن رؤية أساسية: القيمة الاقتصادية للذكاء الاصطناعي لا تنشأ تلقائيًا من مجموعات البيانات الضخمة أو الإجابات المُصاغة ببراعة. بل تنشأ عندما يتعرف النظام بدقة على الأنماط ذات الصلة، ويُنتج منها نتائج قابلة للاستخدام، ويستخدم هذه النتائج لتحسين عملية عمل محددة. إن فهم هذه العلاقات يُتيح تقييمًا أكثر واقعية لفوائد هذه التقنية وفهمًا أفضل لحدودها.
التعرف يعني إيجاد نظام في المعلومات الموجودة
إن إدراك الروابط يعني أولاً تحديد العلاقات بين الملاحظات. فبعض الأحداث تتكرر معاً، والخصائص الفردية متشابهة، والتغيير يسبق التغيير الذي يليه عادةً. ومن معلومات تبدو غير مترابطة، يظهر نمط واضح.
على سبيل المثال، يأخذ الطبيب في الاعتبار عدة أعراض ونتائج الفحوصات والتاريخ الطبي. إذا تطابقت هذه المعلومات مع صورة سريرية معروفة، ينشأ شك تشخيصي. وتكتسب الملاحظات الفردية معنى جديدًا من خلال ترابطها. مع ذلك، لا يُعد هذا الشك دليلًا قاطعًا. قد تكون هناك حاجة إلى مزيد من الفحوصات لاستبعاد التفسيرات البديلة.
قد تحدث عملية مماثلة في بيئة صناعية. إذ تُظهر الآلة ارتفاعًا في درجة الحرارة، وتغيرًا في الاهتزازات، وزيادة في استهلاك الطاقة. قد لا يكون كل تغيير على حدة ملحوظًا، ولكن مجتمعةً، قد تشير إلى تزايد التآكل والاهتراء.
لذا، فإن جوهر الفهم لا يكمن في ابتكار لبنات بناء جديدة، بل في ربط لبنات البناء الموجودة ببعضها البعض ربطاً ذا معنى. وهذا ما يُمكّن من التصنيف والتشخيص والتنبؤ.
الدمج يعني تجميع شيء مختلف من لبنات بناء معروفة
يتضمن دمج العناصر ربط العناصر الموجودة في ترتيب جديد. قد تكون هذه العناصر كلمات، أو مكونات تقنية، أو هياكل موسيقية، أو عمليات تجارية، أو مفاهيم علمية. قد تكون النتيجة مألوفة، أو مفاجئة، أو عملية، أو غير قابلة للاستخدام. فالابتكار وحده لا يضمن الجودة.
على سبيل المثال، يمكن لشركة ما أن تجمع بين التنبؤ بالطلب وإدارة المخزون وإصدار الطلبات آلياً. ليست كل وظيفة من هذه الوظائف جديدة بالضرورة، ولكن دمجها يُنشئ عملية مختلفة: فالطلب المتوقع يؤثر على تخطيط المخزون وبالتالي على عملية الشراء.
حتى في تطوير الأجهزة الرقمية، غالباً ما تُدمج الوظائف المألوفة. فإجراء المكالمات الهاتفية، وتشغيل الموسيقى، والوصول إلى الإنترنت، كلها وظائف يمكن دمجها في واجهة مستخدم واحدة. وبالتالي، لا تكمن القيمة الابتكارية في الوظائف الفردية فحسب، بل في تفاعلها، وسهولة الوصول إليها، وسهولة استخدامها اليومي.
لذا، فإنّ الجمع بين العناصر ليس مجرد خلط عشوائي. فالجمع الفعال يراعي المتطلبات والقيود والتفاعلات. قد تكون النتيجة الممكنة تقنيًا عديمة الجدوى اقتصاديًا. ولا يتحقق النفع الملموس إلا عندما يُحسّن الجمع من حل مشكلة قائمة.
التحليل والتركيب ليسا عالمين منفصلين
إن التباين بين التمييز والدمج، بعبارات مبسطة، يُعادل الفرق بين التحليل والتركيب. فالتحليل يدرس المكونات والعلاقات، بينما يجمع التركيب المكونات معًا لتشكيل كلٍّ متكامل.
في الواقع، تتداخل العمليتان. فمن يرغب في دمج العناصر للوصول إلى حل جيد، غالباً ما يحتاج أولاً إلى تحديد العناصر المتوافقة. في المقابل، من يرغب في دراسة علاقة ما، عليه جمع المعلومات والملاحظات ونقاط المقارنة.
قد يلاحظ مخطط الخدمات اللوجستية أن تأخيرات التسليم تحدث بشكل متكرر خلال فترات زمنية محددة وفي نقاط نقل معينة. عندئذٍ، يقوم بدمج أوقات مغادرة مختلفة، ونقاط شحن بديلة، وقدرات نقل معدلة في عملية جديدة. بعد ذلك، يتحقق مما إذا كان هذا الدمج يحقق نتائج أفضل بالفعل.
تتبلور دورة من الملاحظة والتعرف والتصميم والاختبار. ويمكن لتطبيقات الذكاء الاصطناعي الحديثة أن تُسهم في مراحل متعددة من هذه الدورة. لذا، فإنّ فكرة أن التكنولوجيا إما تحليلية بحتة أو إبداعية بحتة هي تبسيط مفرط. ورغم أن هذا الفصل مفيد للفهم، إلا أن التقييم التقني والاقتصادي يتطلب إعادة دمج كلا الجانبين.
لماذا لا تكون كل عملية حسابية ذكاءً اصطناعياً؟
تجمع الآلة الحاسبة الأرقام وفقًا لقواعد محددة مسبقًا. ويمكن لبرنامج الجداول الإلكترونية أن يُصوّر العلاقات. وتجد وظيفة البحث النصوص المتطابقة. لكن هذه القدرات وحدها لا تجعل النظام ذكاءً اصطناعيًا تلقائيًا.
يمكن تطبيق قاعدة بسيطة كالتالي: إذا تجاوزت درجة الحرارة قيمة معينة، يتم إصدار تحذير. لا يحتاج البرنامج إلى تعلم أي شيء من الأمثلة؛ فهو ببساطة ينفذ تعليمات محددة مسبقًا. أما نظام التعلم الآلي، فيمكنه استنتاج أي توليفة من القياسات المختلفة تزيد من احتمالية حدوث عطل، وذلك بالاستناد إلى بيانات التشغيل السابقة.
مع ذلك، فإن مساواة الذكاء الاصطناعي بالتعلم الآلي تُعدّ تبسيطًا مفرطًا. يشمل الذكاء الاصطناعي أيضًا مناهج تعمل وفقًا لمعارف وقواعد وإجراءات بحث وتخطيط محددة بوضوح. لا تتعلم جميع أنظمة الذكاء الاصطناعي بالطريقة نفسها، ولا تتطلب كل عملية أتمتة متطورة نموذجًا تعليميًا.
بالنسبة للمستخدمين، يُعدّ اسم النظام أقل أهمية من وظائفه. وتتمثل الأسئلة الأساسية في: ما المهمة التي يؤديها النظام؟ ما المعلومات التي يستخدمها؟ كيف يتم اختبار جودته؟ في أي ظروف يفشل؟
التعلم الآلي يجعل التجارب قابلة للاستخدام حسابيًا
ببساطة، يعني التعلم الآلي تعديل النموذج بناءً على الأمثلة. فبدلاً من برمجة كل حالة محتملة على حدة، يتم تحديد إجراء يقوم النظام من خلاله بتغيير إعداداته الداخلية.
قد يتلقى نموذج كشف الاحتيال العديد من المعاملات التي تبين لاحقًا أنها احتيالية. أثناء التدريب، يدرس النموذج الخصائص المرتبطة بكل نتيجة. تشمل هذه الخصائص مبلغ المعاملة، ووقت اليوم، وفئة التاجر، أو الانحرافات عن سلوك الدفع السابق.
لا يستمد النموذج مفهومه من مفهوم الصدق البشري، بل يتعلم علاقات حسابية قد تفيد في المعاملات الجديدة. ويتجلى أداؤه في قدرته على تصنيف الحالات غير المعروفة سابقًا بدقة.
يُعدّ التمييز بين التعلّم والتطبيق أمرًا بالغ الأهمية. فقد يُظهر النظام أداءً استثنائيًا على أمثلة مألوفة أثناء التدريب، ولكنه قد يُخيب الآمال في المواقف الجديدة. فالمهم اقتصاديًا ليس القدرة على تكرار الأداء السابق، بل القدرة على تقديم نتائج قابلة للتطبيق في ظروف العالم الحقيقي.
يقوم الذكاء الاصطناعي التنبؤي بتقدير ما من المحتمل أن يحدث أو ما سيحدث لاحقاً
تركز التطبيقات التنبؤية على التقدير. على سبيل المثال، يجب أن يقدر النموذج مدى ارتفاع الطلب المحتمل، أو ما إذا كانت عملية الدفع مشبوهة، أو أي آلة تتطلب عناية خاصة.
لا يشترط أن تكون النتيجة تنبؤًا بالمستقبل، بل تشمل أيضًا تفسير صورة موجودة: هل تُظهر الصورة شيئًا غير عادي؟ هل يوجد عيب في أحد مكوناتها؟ هل من المحتمل أن تكون الرسالة إعلانًا غير مرغوب فيه؟
تستطيع هذه الأنظمة تحليل كميات هائلة من البيانات بحثاً عن أنماط يصعب على البشر فهمها بالكامل. وتكمن مزاياها غالباً في السرعة، والتطبيق المتسق، والقدرة على معالجة العديد من الخصائص في وقت واحد.
مع ذلك، لا تزال قيودها كبيرة. فاحتمالية عالية لا تعني يقيناً. والصورة الطبية غير الطبيعية ليست تشخيصاً مؤكداً بشكل قاطع. والمعاملة المشبوهة ليست بالضرورة احتيالاً. وقد تصبح توقعات المبيعات قديمة بسبب ظهور منافسين جدد، أو تغيرات سياسية، أو اختناقات في سلاسل التوريد.
يُقدّم الذكاء الاصطناعي التنبؤي في المقام الأول دعماً منظماً لاتخاذ القرارات. ويعتمد ما إذا كان ينبغي أن يؤدي ذلك إلى اتخاذ القرارات آلياً على عواقب الأخطاء وآليات التحكم المتاحة.
يقوم الذكاء الاصطناعي التوليدي بإنتاج مخرجات جديدة من الهياكل المتعلمة
تُنشئ تقنيات الذكاء الاصطناعي التوليدي محتوى متنوعًا، يشمل النصوص والصور والموسيقى والفيديوهات وشفرات البرامج. تتعلم هذه الأنظمة هياكل البيانات وخصائصها لتوليد مخرجات جديدة، وبالتالي، يمكنها إنتاج محتوى متنوع دون الحاجة إلى برمجة كل مخرج على حدة مسبقًا.
يمكن لنموذج اللغة، على سبيل المثال، شرح مفهوم تقني، أو صياغة رسالة، أو إعادة صياغة نص موجود. ويمكن لنموذج بصري أن يخلق مشهدًا تتداخل فيه المفاهيم المألوفة بطريقة غير مألوفة. ويمكن لنموذج موسيقي أن يجمع بين البنى الإيقاعية والنغمية المكتسبة في مقطوعة موسيقية جديدة.
لذا، يُعدّ التفسير المُبسّط بأنّ الذكاء الاصطناعي التوليدي يُعيد تركيب العناصر المعروفة مفيدًا. مع ذلك، لا ينبغي الخلط بينه وبين مجرّد مجموعة من مقتطفات النصوص أو الصور الموجودة مسبقًا. يعمل النموذج بشكل أساسي مع تمثيلات حسابية مُتعلّمة.
في الوقت نفسه، لا يُعدّ الذكاء الاصطناعي التوليدي بالضرورة مرحلةً متقدمةً من التطور مقارنةً بأي تطبيق تنبؤي. فقد يكون نموذج التنبؤ المتخصص أكثر قيمةً وموثوقيةً بكثير لمهمة تجارية من مولد نصوص متعدد الاستخدامات.
كيفية توليد إجابة مفهومة من خلال التنبؤ بالنص
تتعلم العديد من نماذج اللغة أثناء التدريب العنصر النصي الذي من المرجح أن يلي النص في سياق معين. تُسمى هذه العناصر بالرموز. يمكن أن يكون الرمز كلمة، أو جزءًا من كلمة، أو حرفًا.
قد يبدو الوصف متواضعاً للوهلة الأولى. لكن في الواقع، يجب أن يستوعب نموذج قوي لهذا الغرض العديد من القواعد اللغوية والواقعية. يجب أن يأخذ في الاعتبار المفاهيم المترابطة، وكيفية بناء الجمل، وصيغ الإجابات المناسبة لكل سؤال.
أثناء الإخراج، يتم توليد النص تدريجياً. تؤثر عناصر النص الموجودة على العناصر اللاحقة. وهذا يسمح بظهور شرح متماسك، حتى لو لم يكن مخزناً في الأصل كفقرة كاملة.
مع ذلك، يبقى الفرق بين الصياغة المناسبة والبيان الصحيح جوهريًا. فالاتساق اللغوي لا يثبت صحة الحقائق. إذ يمكن للنموذج أن يُقدّم تفسيرًا مقنعًا حتى لو كان الرقم غير صحيح أو لم يتم إثبات السبب المزعوم. ويُعدّ المحتوى الخاطئ المُقدّم بثقة من بين المخاطر الموصوفة صراحةً للأنظمة التوليدية.
لماذا لا ينبغي مساواة الدمج بالنسخ؟
النص المُنشأ حديثًا ليس بالضرورة نسخة من نص موجود. وبالمثل، ليست كل صورة مُنشأة مجرد تجميع بسيط لصور موجودة. تستطيع الأنظمة تطبيق هياكل مُتعلمة على مُدخلات جديدة، وبالتالي إنتاج مُخرجات لم تكن موجودة سابقًا بهذا الشكل المُحدد.
مع ذلك، لا يُجيب هذا على جميع التساؤلات المتعلقة بالأصالة، أو حقوق التأليف، أو احتمالية الانتحال. إذ يُمكن لنموذج ما، في ظل ظروف معينة، أن يُعيد إنتاج محتوى يُشابه بيانات تدريبه تشابهاً كبيراً. علاوة على ذلك، لا يُعدّ أي ترتيب جديد تلقائياً اكتشافاً علمياً مستقلاً أو اختراعاً مؤهلاً للحماية التجارية.
لأغراض عملية، ينبغي التمييز بين عدة مستويات. هل المنشور مُصاغ حديثاً؟ هل الفكرة جديدة من حيث المحتوى؟ هل هو سليم من الناحية التقنية؟ هل هو قابل للاستخدام قانونياً؟ هذه الأسئلة ليست متطابقة.
قد يكون وصف المنتج المُنشأ تلقائيًا مبتكرًا لغويًا ولكنه غير دقيق من الناحية الواقعية. وقد تبدو فكرة تقنية ما مُدهشة ولكنها معروفة جيدًا أو غير قابلة للتطبيق عمليًا. ولا تظهر قيمتها إلا من خلال المزيد من الاختبارات.
هناك فرق كبير بين التزامن والسبب الحقيقي
ثمة فرق بالغ الأهمية بين الارتباط والسببية. فالارتباط يعني وجود علاقة إحصائية بين الكميات، بينما تعني السببية أن تغيراً ما يؤدي فعلياً إلى تغير آخر.
قد يلاحظ بائع التجزئة أنه في الأيام التي تشهد مبيعات عالية من الآيس كريم، تُباع كميات أكبر من واقي الشمس أيضاً. وهذا لا يعني بالضرورة أن شراء الآيس كريم يخلق طلباً على واقي الشمس، بل من المرجح أن يكون الطقس الدافئ والمشمس عاملاً مشتركاً.
يُعدّ هذا التمييز بالغ الأهمية في مجال الذكاء الاصطناعي. فالعديد من النماذج تتعرف على الأنماط الإحصائية دون أن تُقدّم تلقائيًا تفسيرًا قويًا للعلاقة بين السبب والنتيجة. وقد يكون التنبؤ مفيدًا للغاية حتى لو لم يكن السبب الكامن وراءه مفهومًا تمامًا.
تنشأ المشاكل عندما تُستخدم التوقعات لاستخلاص مسار عمل مباشر. فإذا رصد نموذج ما وجود علاقة بين إجراء معين وزيادة المبيعات، فهذا لا يثبت بالضرورة أن هذا الإجراء قد زاد المبيعات فعلاً، بل قد يكون قد طُبِّق بشكل تفضيلي على العملاء الذين حققوا نجاحاً بالفعل.
لذلك، غالباً ما تتطلب القرارات السليمة اقتصادياً مجموعات مقارنة إضافية، أو تجارب، أو نماذج تأثير مبررة بشكل مفهوم.
بُعد جديد للتحول الرقمي مع "الذكاء الاصطناعي المُدار" - منصة وحلول B2B | إكسبرت للاستشارات
بُعد جديد للتحول الرقمي مع "الذكاء الاصطناعي المُدار" - منصة وحلول B2B | إكسبرت للاستشارات - 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:
الارتباط مقابل السببية: فرق جوهري
ما تُظهره الأمثلة المعروفة في الواقع
تُوضّح الأمثلة الشائعة للذكاء الاصطناعي مهامًا مختلفة. يكشف نظام كشف الاحتيال عن أنماط معاملات مشبوهة. ويحلل الصور الطبية بحثًا عن خصائص قد ترتبط بنتائج محددة. أما نظام التنبؤ بالطلب فيُقدّر الكميات المستقبلية بناءً على المعلومات المتاحة.
تُشكّل القصيدة التي تتناول فيزياء الكم بأسلوب أدبي تاريخي تحدياً مختلفاً، إذ تجمع بين المفاهيم الواقعية والخصائص اللغوية. فعلى سبيل المثال، تجمع صورة رائد فضاء يمتطي حصاناً في مدينة مستقبلية بين المفاهيم البصرية وعلاقاتها المكانية.
تتعلق هذه الاختلافات في المقام الأول بالنتيجة المرجوة. من الناحية التقنية، يمكن أن تتداخل القدرات الأساسية. يستطيع نموذج اللغة توليد النصوص وتصنيف المعلومات في الوقت نفسه. كما يمكن استخدام النموذج التوليدي لتقييم خيارات الإجابة المختلفة.
يُنصح بالحذر عند النظر في القصص الشائعة حول وجود علاقة مزعومة بين قرارات الشراء. فبدون معلومات عن مصدر البيانات والفترة الزمنية والتحليل، تبقى هذه الروايات مجرد أمثلة توضيحية. فالقصة الجذابة لا تُغني عن الأدلة القابلة للتحقق، ولا ينبغي أن تُتخذ أساسًا للاستثمار.
ما المقصود بالفهم، وماذا تثبت التكنولوجيا فعلياً؟
لا يمكن الإجابة بشكلٍ دقيق على سؤال ما إذا كان الذكاء الاصطناعي يفهم شيئًا ما دون تعريف المصطلح بدقة أكبر. في اللغة الدارجة، قد يعني الفهم تقديم تفسير صحيح، أو حل مشكلة، أو تطبيق المعرفة على موقف جديد. وبهذا المعنى الوظيفي، يمكن لأنظمة الذكاء الاصطناعي أن تُظهر قدراتٍ مذهلة.
ثمة فهم آخر يربط المصطلح بالوعي، أو التجربة الذاتية، أو علاقة الإنسان بالعالم. ولا يمكن استخلاص هذه الصفة من مجرد استجابة كتابية ناجحة.
بالنسبة للشركات، يُعدّ المستوى الوظيفي عادةً العامل الحاسم. هل يستطيع النظام تقييم الدليل الفني بشكل صحيح؟ هل يكشف عن التناقضات؟ هل يصمد حلّه أمام الاختبارات العملية؟ هل يستطيع الكشف عن أوجه عدم اليقين ذات الصلة؟
يبقى السؤال الفلسفي مثيرًا للاهتمام. مع ذلك، لا ينبغي أن يكون شرطًا أساسيًا للاستخدام الفعال، ولا بديلًا عن مراقبة الجودة. فالآلة لا تحتاج إلى التفكير بطريقة بشرية لتوليد قيمة اقتصادية. في المقابل، لا تصبح الإجابة الخاطئة موثوقة لمجرد أنها تبدو بشرية.
لماذا لا يكفي الأداء المتوسط الجيد لاتخاذ القرارات المهمة؟
قد يُظهر النظام أداءً مذهلاً بشكل عام، ولكنه قد يفشل في مهمة حاسمة واحدة. ولذلك، لا يُعدّ الأداء المتوسط الجيد كافياً، خاصةً عندما تكون الأخطاء مكلفة أو خطيرة.
ينطبق هذا، على سبيل المثال، على مراجعات العقود، والموافقات الفنية، والتطبيقات الطبية. لا يمكن لعدد كبير من الإجابات الصحيحة أن يعوض تلقائيًا عن خطأ جسيم واحد. العوامل الحاسمة هي طبيعة الأخطاء، وإمكانية اكتشافها، وعواقبها المحتملة.
قد يكون شكل الإجابة خادعاً أيضاً. فالبنية الواضحة والمصطلحات التقنية الدقيقة والنبرة الواثقة قد توحي بسهولة بموثوقية استثنائية. مع ذلك، فإن هذه الخصائص هي في الأساس سمات للعرض التقديمي.
لا يزال مؤشر ستانفورد للذكاء الاصطناعي لعام 2025 يُشير إلى مشاكل الموثوقية في المهام المعرفية المعقدة، موضحًا أنه حتى المهام التي لها حلول قابلة للتحقق بوضوح لا تُحل باستمرار بثقة. ويظل هذا القيد ذا أهمية بالغة للتطبيقات التي تتطلب دقة عالية.
لا يكمن المآل الاقتصادي في رفض الذكاء الاصطناعي رفضاً قاطعاً، بل في تكييف عملية المراجعة مع الأضرار المحتملة، وعدم الموافقة على خطوات العمل الحاسمة استناداً فقط إلى صياغة مقنعة.
يكمن جوهر الاقتصاد في انخفاض تكاليف بعض خطوات العمل
يُغيّر الذكاء الاصطناعي تكاليف المهام الفردية. إذ يُمكن فرز المعلومات مسبقًا بسرعة أكبر، وصياغة النصوص بسهولة أكبر، وتحليل مجموعات البيانات الضخمة بشكل أكثر منهجية. ونتيجةً لذلك، يُمكن تحقيق نتائج أكثر فائدة في نفس وقت العمل.
مع ذلك، لا تنخفض التكاليف الإجمالية لأي عملية تلقائيًا. فإذا أعقب مسودة سريعة مراجعات مطولة، تقل الفائدة الصافية. كما أن الموافقات الإضافية، والواجهات، والإجراءات الأمنية المطلوبة ستترتب عليها نفقات إضافية.
لذا، فإن المقارنة الصحيحة ليست: ما مدى سرعة توليد الذكاء الاصطناعي للإجابة؟ بل هي: ما مقدار الجهد الذي تتطلبه العملية برمتها حتى يتم التوصل إلى نتيجة قابلة للاستخدام؟
بالنسبة للشركات، قد يكون نظام حفظ الملفات البسيط أكثر جدوى اقتصادية من مساعد إبداعي متميز. فإذا كانت عملية حفظ الملفات متكررة وموثوقة وتوفر الوقت بشكل مباشر، يمكن قياس فوائدها بسهولة.
لذا، فإن المعيار الاقتصادي ليس التشابه مع الذكاء البشري، بل العلاقة بين النتيجة المحققة والموارد المستخدمة والمخاطر المتبقية.
ما تُظهره بيانات الإنتاجية الموثوقة وما لا تُظهره
حللت دراسة نُشرت عام 2025 تطبيق نظام المساعدة التوليدية على 5172 موظفًا في خدمة العملاء. وقد ارتفع متوسط الإنتاجية، مقاسًا بعدد طلبات خدمة العملاء التي تم حلها في الساعة، بنسبة 15%. مع ذلك، تفاوت الأثر بشكل ملحوظ بين الموظفين. فقد استفاد الموظفون الأقل خبرة والأقل أداءً سابقًا بشكل أكبر. أما بالنسبة للموظفين ذوي الخبرة العالية والأداء المتميز، فكانت الزيادة في السرعة أقل، مع ملاحظة انخفاض طفيف في الجودة.
يكشف هذا عن آلية مهمة: يمكن للذكاء الاصطناعي أن يجعل المعرفة التجريبية الموجودة أكثر سهولة في الوصول إليها. فهو يدعم الموظفين في استخدام الصيغ والإجراءات التي لا يمكنهم تعلمها إلا من خلال الممارسة المكثفة.
مع ذلك، لا تُظهر الدراسة زيادة عامة في الإنتاجية لجميع القطاعات. فعملية خدمة العملاء تختلف عن تلك المتبعة في هندسة المصانع، أو الاستشارات الإدارية، أو البحوث. كما أن أسلوب التنفيذ قيد الدراسة، وجودة البيانات، وهيكلية المهام تؤثر على النتيجة.
لذا، فإن الاستنتاج المناسب يتطلب دقة: فالمكاسب الحقيقية في الإنتاجية ممكنة وقابلة للتحقق تجريبياً. ومع ذلك، يجب تحديد حجمها في مجال التطبيق المحدد، بدلاً من مجرد تعميم نتائج دراسة واحدة على الشركة بأكملها.
كيف يتم وضع توفير الوقت الكبير ظاهريًا في سياقه الصحيح ضمن العملية الشاملة
يوضح مثال حسابي مبسط الفرق بين المهمة الفرعية والعملية الكاملة. لنفترض أن شركة ما تعالج 1000 معاملة شهريًا. تستغرق كل معاملة حاليًا 20 دقيقة في المتوسط. ينتج عن ذلك ما يقارب 333 ساعة عمل.
يُقلل الذكاء الاصطناعي مدة خطوة عمل محددة من ثماني دقائق إلى أربع دقائق. وفي الوقت نفسه، تستغرق مراجعة مخرجات الذكاء الاصطناعي دقيقة واحدة في المتوسط. وبذلك، ينخفض إجمالي وقت المعالجة من 20 دقيقة إلى 17 دقيقة، مع ثبات جميع العوامل الأخرى.
تم تسريع المهمة الجزئية بنسبة 50%. ومع ذلك، فإن العملية الكاملة تتطلب وقتًا أقل بنسبة 15% فقط. بالنسبة لـ 1000 عملية، يعادل هذا توفير 50 ساعة عمل شهريًا.
لا يشمل هذا المثال الافتراضي تكاليف الترخيص أو التكامل أو التدريب. كما أنه لا يأخذ في الاعتبار التحسينات المحتملة في الجودة أو عواقب الأخطاء. إنه يوضح فقط لماذا لا ينبغي الخلط بين معدلات التسارع العالية للمهام الفردية ومكاسب الإنتاجية العالية المماثلة للعملية بأكملها.
يجب أن يشمل تحليل التكلفة والعائد السليم جميع خطوات العملية الأساسية وأن يميز بين الوقت الموفر والتكاليف التي تم تجنبها فعلياً والإنتاج الإضافي.
لماذا يمكن للنماذج الأرخص أن تزيد من حدة المنافسة
أصبح استخدام النماذج عالية الأداء أقل تكلفة بشكل ملحوظ في فئات أداء معينة. فبحسب مؤشر ستانفورد للذكاء الاصطناعي 2025، انخفضت تكاليف الاستدلال لنظام بمستوى أداء GPT-3.5 بأكثر من 280 ضعفًا بين نوفمبر 2022 وأكتوبر 2024. ويشير هذا إلى تكلفة تطبيق النموذج، وليس التكلفة الإجمالية لمشروع ذكاء اصطناعي تشغيلي.
يُغيّر هذا التطور المشهد الاقتصادي. فعندما تُصبح القدرة التقنية متاحة على نطاق أوسع، يُمكن لعدد أكبر من الشركات تبني وظائف أساسية مماثلة. وبالتالي، سيفقد مساعد النصوص البسيط أو الملخص القياسي ميزة تنافسية مستدامة بمفرده.
في الوقت نفسه، يمكن أن تصبح التطبيقات الجديدة التي كانت مكلفة للغاية في السابق مربحة. ويمكن حينها تقييم العمليات الأصغر حجماً، والتحليلات الأكثر تكراراً، أو فحوصات الجودة الإضافية في ظل ظروف تكلفة مختلفة.
وبالتالي، غالباً ما تتحول الميزة الاستراتيجية إلى القدرات التكميلية: بيانات جيدة، وعمليات مفهومة، وتكامل مع الأنظمة القائمة، والقدرة على التحقق من النتائج باستمرار. ولا يعني انخفاض تكلفة استخدام النماذج الاستغناء عن الكفاءة التنظيمية، بل قد يزيد من أهميتها، إذ يتيح ذلك لعدد أكبر من المنافسين الوصول إلى نفس التقنية الأساسية.
إن جودة البيانات تتجاوز مجرد حجم قاعدة البيانات
يحتاج النموذج إلى معلومات ذات صلة بالمهمة. إن كمية كبيرة من البيانات لا تُجدي نفعاً إذا كانت قديمة أو متناقضة أو غير مناسبة للتطبيق.
على سبيل المثال، قد تُشكّل البيانات المفقودة حول اضطرابات الإمداد مشكلةً في تخطيط الطلب. فإذا كان منتجٌ ما غير متوفر مؤقتًا، فإن أرقام المبيعات لا تعكس بالضرورة الطلب الفعلي. وقد يُفسّر النموذج انخفاض المبيعات بشكلٍ خاطئ على أنه انخفاض في اهتمام العملاء.
تنشأ صعوبات مماثلة فيما يتعلق ببيانات الصيانة. فإذا اقتصر التوثيق على وقت تعطل الآلة، فقد تغيب معلومات حول التدابير الوقائية، أو التغيرات في الأحمال، أو المكونات المستبدلة. وبالتالي، تبقى العلاقة الواضحة ظاهريًا غير مكتملة.
تتطلب التطبيقات التوليدية أيضًا تحديثًا مستمرًا. يمكن للنموذج أن يصف عملية ما بدقة حتى لو تغيرت المواصفات الداخلية. قد يكون الوصول إلى الوثائق الحالية مفيدًا، لكنه لا يغني عن التحقق من صحتها وصحة النتائج المترتبة عليها.
لذا، تنشأ القيمة الاقتصادية للبيانات من الملاءمة والموثوقية وسهولة الاستخدام. أما الحجم فهو مجرد خاصية واحدة من بين عدة خصائص.
لماذا تحتاج الصناعة والخدمات اللوجستية إلى كلا المهارتين معًا؟
في قطاعي الصناعة والخدمات اللوجستية، يبرز التفاعل بين الكشف والدمج بشكل خاص. أولاً، يجب تحديد الظروف ذات الصلة: الاضطرابات الوشيكة، وتغير الطلب، والاختناقات، أو قيم الجودة غير المعتادة.
بعد ذلك، يجب تطوير الاستجابات الممكنة. وتشمل هذه الاستجابات تسلسلات إنتاج بديلة، ومسارات توصيل مختلفة، وجداول صيانة معدلة، أو خيارات شراء إضافية. وهنا تبدأ عملية دمج الجوانب.
تتطلب العملية الكاملة أيضًا تقييمًا. قد يكون المسار البديل أسرع ولكنه أكثر تكلفة. يمكن أن تؤدي مستويات المخزون المرتفعة إلى تحسين قدرة التسليم، ولكنها تُجمّد رأس المال. يمكن أن تقلل الصيانة المبكرة من مخاطر التوقف عن العمل، ولكنها تؤثر أيضًا على جدول الإنتاج.
يمكن لنموذج اللغة أن يشرح هذه البدائل ويجعل المعلومات متاحة. مع ذلك، قد يتطلب التخطيط الفعلي للكميات أو الجداول الزمنية أو القدرات أساليب إضافية للتنبؤ والتحسين. لا ينبغي إسناد كل مهمة إلى مولد نصوص لمجرد أنه يقدم إجابة مفهومة.
يجمع التصميم السليم اقتصادياً بين الأدوات المناسبة: التعرف على الأنماط للحالات، والتحسين لاتخاذ القرارات، والوظائف التوليدية للشرح والتشغيل.
لماذا لا تحل جميع عمليات الأتمتة محل الوظائف فوراً؟
عندما يُسرّع الذكاء الاصطناعي أداء المهام الفردية، فإنه يُغيّر في البداية طبيعة العمل. وهذا لا يعني بالضرورة أن تختفي مهن بأكملها بنفس القدر.
عادةً ما تتضمن بيئة العمل مجموعة متنوعة من المهام. بعضها يمكن توحيده، بينما يتطلب البعض الآخر التنسيق والمسؤولية والتواجد الفعلي أو اتخاذ القرارات بناءً على الموقف. إذا تم إنجاز مهمة فرعية واحدة بسرعة أكبر، يمكن استغلال الوقت المُوفّر للتعامل مع عملاء إضافيين، أو لإجراء مراجعة أكثر شمولاً، أو لإنجاز أعمال لم تُستكمل سابقاً.
يعتمد تحديد الحاجة الفعلية إلى عدد أقل من الموظفين على عوامل مثل الطلب، والنمو، وتنظيم العمل، والمهام المتبقية. فالشركة التي تشهد زيادة سريعة في الطلبات يمكنها الاستفادة من مكاسب الإنتاجية دون تقليص عدد الموظفين. أما في سوق راكدة، فقد تؤدي المكاسب نفسها إلى ضغوط مختلفة للتكيف.
تُظهر النتائج التجريبية من خدمة العملاء أيضًا أن التأثير قد يختلف باختلاف الخبرة والأداء الأولي. يمكن للذكاء الاصطناعي أن يقلل جزئيًا من فجوات المعرفة، ولكنه لا يستطيع دعم جميع الموظفين على قدم المساواة.
ولزيادة التدريب، هذا يعني أن الموظفين يحتاجون إلى أكثر من مجرد معرفة تشغيلية. يجب أن يكونوا قادرين أيضاً على تقييم متى يكون المنتج قابلاً للاستخدام ومتى لا تزال هناك حاجة إلى مراجعة إضافية من قبل الخبراء.
عندما تصبح العديد من الإجابات رخيصة، تكتسب الخيارات الجيدة قيمة
يمكن للذكاء الاصطناعي التوليدي أن يزيد بشكل ملحوظ من عدد التصاميم المتاحة. مع ذلك، فإن زيادة النصوص والصور وأفكار الحلول لا تُترجم بالضرورة إلى فائدة اقتصادية أكبر، إذ تبقى القدرة على الاهتمام والمراجعة محدودة.
بإمكان الشركة ابتكار العديد من الإعلانات المتنوعة في وقت قصير. ومع ذلك، عليها أن تحدد الرسالة التي تلقى صدىً لدى الجمهور المستهدف، والوعود التي تتمتع بالمصداقية، والتصميم الفعال حقاً. ورغم سهولة ابتكار الإعلانات المتنوعة، إلا أن عملية الاختيار تبقى صعبة.
وينطبق الأمر نفسه على الأفكار التقنية أو الاستراتيجية. قد تكون عشرة اقتراحات إضافية مفيدة، بينما قد تؤدي مئة اقتراح غير مُجرَّبة إلى خلق أعمال جديدة وتأخير اتخاذ قرارات مهمة.
يُحوّل هذا جزءًا من عملية خلق القيمة من مجرد الإنتاج إلى التقييم. وتزداد أهمية الخبرة والأهداف الواضحة والمعايير القابلة للتحقق. فالذين يطرحون الأسئلة الصحيحة ويستبعدون النتائج غير المناسبة بسرعة، يستفيدون من الذكاء الاصطناعي التوليدي أكثر من أولئك الذين ينتجون أكبر قدر ممكن من المحتوى.
لم تعد المشكلة تكمن في الصياغة الأولية، بل في تحديد ما هو صحيح ومناسب وقابل للتطبيق فعلياً.
يبدأ الاستخدام الجيد للذكاء الاصطناعي بمهمة دقيقة
يمكن عادةً وصف التطبيق ذي الجدوى الاقتصادية بشكل أوضح من مجرد الرغبة العامة في المزيد من الذكاء الاصطناعي. على سبيل المثال، ينبغي للشركة أن تعرف ما إذا كانت ترغب في تقصير أوقات المعالجة، أو تقليل الهدر، أو خفض جهود البحث، أو تحسين أداء التوصيل.
بعد ذلك، يجب تحديد كيفية قياس النجاح. بالنسبة لتصنيف المستندات، يمكن قياسه بمعدل الخطأ ووقت المعالجة. أما بالنسبة للتنبؤ، فإن الانحرافات بين التوقع والنتيجة الفعلية تُعدّ مهمة. وبالنسبة لمساعد الكتابة، فإن عوامل مثل الدقة التقنية، وجهد ما بعد المعالجة، وسهولة الاستخدام تُعدّ بالغة الأهمية.
لا يقل أهمية عن ذلك مقارنته ببديل مناسب. أحيانًا تكفي وظيفة بحث أفضل، أو نموذج إدخال أسهل استخدامًا، أو قاعدة عمل بسيطة. النموذج المعقد ليس بالضرورة الحل الأمثل من الناحية الاقتصادية.
ينبغي مراعاة عدم اليقين وعواقب الأخطاء عند استخدام الذكاء الاصطناعي التوليدي. ونظرًا لإمكانية صياغة بيانات خاطئة بشكل مقنع، يجب أن تكون آليات التحكم مناسبة للتطبيق. فجلسة العصف الذهني الداخلية تتطلب إجراءات تدقيق مختلفة عن تلك المطلوبة لإعداد بيان تقني ملزم.
يكمن الخط الفاصل الحاسم بين الاقتراح والقرار السليم
في نهاية المطاف، يمكن الإجابة على السؤال الأولي ببساطة: إن إدراك الروابط يعني اكتشاف العلاقات ضمن المعلومات الموجودة. أما الدمج فيعني تجميع العناصر في ترتيب جديد. يستطيع الذكاء الاصطناعي القيام بالأمرين معًا. ومع ذلك، لا تُعدّ أيٌّ من هاتين القدرتين وحدها سمةً كافيةً للذكاء الاصطناعي.
تعتمد التطبيقات التنبؤية بشكل أساسي على الأنماط المعروفة لتصنيف الحالات أو تقدير التطورات المحتملة. أما التطبيقات التوليدية فتستخدم هياكل مُتعلمة لإنتاج مخرجات جديدة. وفي الأنظمة الواقعية، تتداخل هذه القدرات في كثير من الأحيان.
لإجراء التقييم الاقتصادي، يلزم اتخاذ خطوة أخرى: يجب أن يثبت النمط المحدد أو المقترح المُقترح جدواه. فالتفسير المعقول لا يُعدّ دليلاً على السببية، والتركيبة الجديدة ليست ابتكاراً، والاستجابة السريعة ليست تحسيناً للعملية.
لذا، يكمن المنظور الأمثل في مكان ما بين المبالغة والتقليل من شأن الذكاء الاصطناعي. فهو ليس مجرد تجميع عشوائي للمعلومات، ولا يُعدّ بديلاً موثوقاً به تلقائياً عن الحكم البشري. بل هو مجموعة قوية من العمليات القادرة على تغيير بعض المعلومات وتكاليف العمالة. وتتحقق الفوائد الدائمة عندما تتضافر القدرات التقنية والمعرفة المتخصصة والبيانات المناسبة والأهداف الاقتصادية القابلة للتحقق.
🎯🎯🎯 مركز صناعي قائم على البيانات بين الشركات كحل شبه داخلي
الحل شبه الداخلي: كيف تسدّ Xpert.Digital الثغرات التشغيلية في التسويق والمبيعات بين الشركات - أعمال ذكية قائمة على المحتوى - الصورة: Xpert.Digital
Xpert.Digital هي منصة صناعية B2B تعتمد على البيانات بقيادة Konrad Wolfenstein . تعمل الشركة كحل خارجي شبه داخلي للشركاء الصناعيين، حيث تسد الثغرات التشغيلية في التسويق والمحتوى والمبيعات - دون الحاجة إلى موارد إضافية من جانب العميل.
للمزيد من المعلومات، انقر هنا:
شريكك العالمي في التسويق وتطوير الأعمال
☑️ لغة أعمالنا هي الإنجليزية أو الألمانية
☑️ جديد: مراسلات بلغتك الأم!
Konrad Wolfenstein
يسعدني أنا وفريقي أن نكون متاحين لكم بصفتنا مستشاركم الشخصي.
يمكنكم التواصل معي عبر ملء نموذج الاتصال هنا wolfenstein@xpert.digital:أو الاتصال بي مباشرةً على الرقم +49 7348 4088 965. عنوان بريدي الإلكتروني هو
أتطلع إلى مشروعنا المشترك.
