الذكاء الاصطناعي المُدار، أو خدمات الذكاء الاصطناعي، أو مختبر الذكاء الاصطناعي التطبيقي: ما تحتاجه الشركات حقًا

من مشروع تجريبي للذكاء الاصطناعي إلى عمليات مستمرة: كيف يمكن للشركات تجنب الإخفاقات المكلفة

مقارنة بين مزودي خدمات الذكاء الاصطناعي: الخدمات المُدارة، والذكاء الاصطناعي المُدار، ومختبرات الذكاء الاصطناعي التطبيقي

لا يزال الذكاء الاصطناعي يُعامل في الشركات في كثير من الأحيان كما يُعامل البرمجيات التقليدية: يُختار النموذج المناسب، وتُخصص القدرة الحاسوبية، ويُطوّر التطبيق. لكن هذه عادةً ما تكون مجرد البداية. يعتمد الذكاء الاصطناعي الفعال على العديد من العوامل المترابطة، بدءًا من جودة البيانات وواجهات المستخدم، وصولًا إلى الأمن، والتحكم في التكاليف، والإشراف البشري. علاوة على ذلك، قد تتغير النماذج وسلوك المستخدم والمتطلبات التنظيمية، حتى لو بقي رمز التطبيق كما هو.

بالنسبة للشركات، يُسهم هذا في خلق سوق متنوعة لخدمات التشغيل والتطوير. غالبًا ما تُستخدم مصطلحات مثل "الخدمات المُدارة للذكاء الاصطناعي" و"الذكاء الاصطناعي المُدار" و"مختبرات الذكاء الاصطناعي التطبيقي" بشكل غير متسق. مع ذلك، فهي تُمثل مهامًا مختلفة: تُقدم الخدمات المُدارة خدمات تشغيلية مُحددة بوضوح، بينما يجمع الذكاء الاصطناعي المُدار العديد من هذه الخدمات في مسؤولية أشمل عن عمليات الذكاء الاصطناعي الجارية. أما مختبرات الذكاء الاصطناعي التطبيقي، فتُقيّم بدورها التقنيات المُناسبة لمشاكل الأعمال المُحددة وتُطور حلولًا واعدة.

يُتيح التمييز بين هذه المصطلحات مقارنة أفضل للعروض وتحديدًا أوضح للمسؤوليات. في نهاية المطاف، لا يهمّ المسمى، بل ما يُقدّمه المزوّد فعليًا: من يُراقب الجودة؟ من يتصدّى للأخطاء؟ كيف تُدار التكاليف والمخاطر؟ وكيف يُمكن تشغيل حل ناجح بشكل مستدام دون اللجوء إلى مشاريع تجريبية مُكلفة أو خلق تبعيات جديدة؟ تُوضّح هذه النظرة العامة كيفية ترابط النماذج المختلفة، وما ينبغي على الشركات مراعاته عند اختيارها، ولماذا يتطلّب تشغيل الذكاء الاصطناعي الناجح أكثر من مجرّد نموذج عالي الأداء.

الخدمات المُدارة للذكاء الاصطناعي، والذكاء الاصطناعي المُدار، ومختبرات الذكاء الاصطناعي التطبيقي: إن مجرد شراء النماذج لا يؤدي تلقائيًا إلى إنشاء ذكاء اصطناعي فعال

لا تزال الشركات تتعامل مع الذكاء الاصطناعي في كثير من الأحيان كفئة برمجيات تقليدية: تختار نموذجًا، وتوفر القدرة الحاسوبية، وتطور تطبيقًا، ثم تتوقع تشغيلًا مستقرًا إلى حد كبير. هذه النظرة تبسيطية للغاية. فالذكاء الاصطناعي الإنتاجي ليس منتجًا واحدًا، بل هو تفاعل مستمر بين البيانات والنماذج والتطبيقات والواجهات وقواعد الأمان والإشراف البشري والإدارة الاقتصادية. ويتغير الذكاء الاصطناعي التوليدي ووكلاء الذكاء الاصطناعي، على وجه الخصوص، حتى عندما يبقى رمز التطبيق نفسه دون تغيير. إذ يقوم مزودو النماذج بتحديث الإصدارات، وتتقادم قواعد المعرفة، وتتغير توزيعات البيانات، ويتصرف المستخدمون بشكل مختلف عما هو عليه في مرحلة الاختبار، وتُعدِّل المتطلبات التنظيمية الجديدة الاستخدامات المسموح بها.

لهذا السبب، يشهد سوق خدمات الذكاء الاصطناعي المؤسسي نموًا متسارعًا ومتعدد الأوجه. تُقدم هذه الخدمات تحت مسميات مثل خدمات الذكاء الاصطناعي المُدارة، والذكاء الاصطناعي المُدار، وعمليات التعلم الآلي، وعمليات التعلم الآلي المتقدمة، وعمليات الوكلاء، ومختبر الذكاء الاصطناعي التطبيقي، والتي يُعالج بعضها المشكلة نفسها، ولكن باختلاف مجالات المسؤولية، ومدة التنفيذ، ونماذج الأعمال. ولا توجد معايير موحدة لهذه المصطلحات، لذا يستخدمها مقدمو الخدمات أحيانًا بشكل فضفاض، مُدمجين بين منتجات المنصات، والاستشارات الخاصة بالمشاريع، والخدمات التشغيلية المستمرة. بالنسبة للشركات، من الأهمية بمكان التركيز على المسؤولية الفعلية المُتضمنة، وليس على المسمى.

يكمن الفرق الرئيسي في التالي: تتولى خدمات الذكاء الاصطناعي المُدارة مهام تشغيلية محددة خلال العمليات الجارية. ويشير مصطلح الذكاء الاصطناعي المُدار عادةً إلى نموذج تشغيلي أوسع نطاقًا وموجه نحو النتائج، يجمع بين العديد من هذه الخدمات تحت مسؤولية واحدة شاملة. أما مختبرات الذكاء الاصطناعي التطبيقي، فتركز على اختيار واختبار وتكييف ونقل قدرات الذكاء الاصطناعي الجديدة إلى تطبيقات أعمال ملموسة. ببساطة، تُشغّل الخدمات المُدارة مكونات فردية، بينما يكون الذكاء الاصطناعي المُدار مسؤولاً عن النظام التشغيلي بأكمله، ويُحدد مختبر الذكاء الاصطناعي التطبيقي ما يجب بناؤه للشركة. عمليًا، تتداخل هذه المستويات، لكنها ليست متكافئة اقتصاديًا.

الموضوع الحقيقي ليس النموذج، بل نظام تشغيل الذكاء الاصطناعي

لا يُنتج نموذج الذكاء الاصطناعي وحده قيمة تجارية موثوقة. لا يظهر حلٌّ فعّال إلا عندما يتمكن من الوصول إلى بيانات صحيحة ومُحدّثة، ويُدمج في عملية مُحدّدة، ويُقدّم نتائج قابلة للتحقق، ويُتيح التدخل المُتحكّم به في حال حدوث أخطاء. على سبيل المثال، يتطلب الذكاء الاصطناعي للمستندات أكثر من مجرد نموذج لغوي. فهو يحتاج إلى مصادر بيانات، وحقوق وصول، ومكوّن بحث أو استرجاع، وقواعد للمحتوى السري، وفحوصات جودة، وتسجيل، وواجهة مستخدم، وواجهات لأنظمة مُتخصصة، ومنهجية مُحدّدة للتعامل مع الاستجابات غير المؤكدة.

وبالتالي، فإن الذكاء الاصطناعي الإنتاجي أقرب إلى نظام إنتاج اجتماعي تقني منه إلى ترخيص. يشمل الجانب التقني البنية التحتية، والنماذج، وقنوات البيانات، والبرمجيات. أما الجانب التنظيمي فيتضمن الأدوار، والموافقات، والتدريب، وآليات التصعيد، والمسؤوليات. ويتعلق الجانب الاقتصادي بتكاليف كل عملية، ودرجة الأتمتة، وعواقب الأخطاء، والإنتاجية، والفوائد ضمن العملية التجارية. وبحسب مجال التطبيق، يتطلب الجانب التنظيمي، من بين أمور أخرى، الشفافية، والتوثيق، والتحكم في البيانات، والإشراف البشري، وتقييمات المخاطر القابلة للتحقق.

تنشأ الخدمات المُدارة عندما تُسند الشركات مهامًا فردية داخل نظامها بشكل دائم إلى مزودين متخصصين. قد يبدأ ذلك ببنية تحتية لوحدات معالجة الرسومات (GPU) ويمتد ليشمل جودة النتائج الاحترافية الناتجة عن أتمتة العمليات المدعومة بالذكاء الاصطناعي. كلما اقترب مزود الخدمة من تحقيق أهداف العمل، ازدادت متطلبات العقد وقابلية القياس وحدود المسؤولية. في حين أن نسبة التوافر 99.9% يمكن تحديدها بوضوح نسبيًا من الناحية التقنية، فإن القول بأن الذكاء الاصطناعي يجب أن يقدم "إجابات جيدة" يصبح بلا قيمة دون بيانات اختبار ومعايير تقييم وسياق العمل وحدود التسامح.

لذا، ينبغي دائمًا النظر إلى الأداء على أنه طبقات. في أدنى مستوى توجد القدرة الحاسوبية والتخزين والشبكات. وفوقها توجد النماذج ومنصات التطوير والتشغيل. ثم تأتي أنظمة البيانات والمعرفة وتطبيقات الذكاء الاصطناعي والوكلاء. أما المستوى الأعلى فيشمل عمليات الأعمال والنتائج القابلة للقياس. يمكن للمزود إدارة طبقة واحدة أو أكثر. يبدأ الذكاء الاصطناعي المُدار، بمعناه المتطور، عندما لا تقتصر هذه الطبقات على توفيرها تقنيًا فحسب، بل تُدار أيضًا كنظام أداء متكامل.

الطبقة الأولى: البنية التحتية المُدارة للذكاء الاصطناعي

توفر البنية التحتية المُدارة للذكاء الاصطناعي الموارد التقنية اللازمة للتدريب والتكييف والاستدلال. ويشمل ذلك سعة وحدات معالجة الرسومات (GPU) ووحدات معالجة الموتر (TPU)، وشبكات عالية الأداء، ووحدات تخزين قابلة للتوسع، ومنصات حاويات، وإدارة مجموعات، وبرامج تشغيل، ومكتبات، وتحديثات، وتخطيط السعة. وبحسب النموذج، تُشغَّل البنية التحتية في سحابة عامة متعددة المستأجرين، أو سحابة خاصة مخصصة، أو مركز بيانات مشترك، أو مركز بيانات العميل نفسه.

تكمن الميزة الاقتصادية أساسًا في تحويل التكاليف الثابتة المرتفعة إلى تكاليف تشغيلية قابلة للتنبؤ بناءً على الاستخدام أو بموجب عقد. تُعدّ مُسرّعات الأداء العالي باهظة الثمن، وتتقادم بسرعة، وتتطلب بيئة طاقة وتبريد وشبكة عالية الأداء. لذا، غالبًا ما يكون التشغيل الداخلي غير فعال في حالة أحمال العمل المتقلبة. يمكن لمزود خارجي الاستفادة من السعة المتاحة لدى عملاء متعددين وتحقيق مزايا التخصص. مع ذلك، في حالة الأحمال الأساسية المرتفعة باستمرار، قد يكون النظام المخصص أو الداخلي أكثر فعالية من حيث التكلفة، شريطة أن تتحكم الشركة في عمليات الشراء والتشغيل والاستخدام.

يشمل أداء البنية التحتية بشكل متزايد التوسع التلقائي، والصيانة، وتحمل الأعطال، وحجز المعالجات المسرّعة النادرة، وتحسين الاستدلال. ويحدد الأخير عدد الطلبات التي يمكن معالجتها بسعة أجهزة معينة. وتؤثر تقنيات مثل التكميم، والتجميع، والتخزين المؤقت، والنماذج المتخصصة الأصغر، والتوجيه الذكي أحيانًا على تكاليف الوحدة أكثر من السعر الاسمي للنموذج المختار.

مع ذلك، لا يضمن عقد البنية التحتية البحت تشغيل تطبيق الذكاء الاصطناعي بكفاءة. قد يكون المزوّد مسؤولاً عن التوافر وقوة الحوسبة وسلامة المنصة، لكنه لا يضمن بالضرورة جودة النموذج أو دقته التقنية. لذا، ينبغي على الشركات التحقق مما إذا كانت تستحوذ على سعة فقط أم أن بيئات التشغيل ونقاط نهاية النموذج والمراقبة واستكشاف الأخطاء وإصلاحها مشمولة أيضاً. ويُعدّ الفرق بين وحدة معالجة الرسومات المُدارة وخدمة الذكاء الاصطناعي المُدارة فرقاً جوهرياً.

المستوى الثاني: النماذج كخدمة مُدارة مستمرة

تتيح خدمة "النموذج كخدمة" (MaaS) الوصول إلى نماذج الكلام أو الصور أو الوسائط المتعددة المدربة مسبقًا عبر واجهات برمجة التطبيقات (APIs). ويتولى المزود مسؤولية التزويد والتوسع والأجهزة والأمان الأساسي، وغالبًا ما يتولى أيضًا إدارة الإصدارات. وتدفع الشركات مقابل كل رمز مميز مُعالَج، أو صورة، أو ثانية صوتية، أو طلب، أو معدل نقل بيانات محجوز، أو مثيل مُزوَّد، وذلك حسب العرض المُقدَّم.

يُسهّل هذا النموذج بشكلٍ كبير عملية الدخول إلى السوق. فلم تعد الشركات بحاجة إلى تدريب نموذج أساسي أو بناء منصة استدلال معقدة. وفي الوقت نفسه، ينقل هذا النموذج تبعيات مهمة إلى جهات خارجية. إذ يمكن أن تؤثر تغيرات الأسعار، وتوقف النماذج، وظهور مرشحات محتوى جديدة، وتغير سلوك الاستجابة، أو التوافر الإقليمي، بشكل مباشر على تطبيق الإنتاج. حتى أن النموذج البديل المتوافق تقنيًا قد يُنتج نتائج مختلفة باستخدام نفس المدخلات.

لذا، ينبغي أن تتجاوز خدمة النماذج المُدارة باحترافية مجرد توفير مفتاح واجهة برمجة التطبيقات (API). فهي تتطلب إصدارات نماذج مُحكمة، واختبارات مقارنة، ونماذج احتياطية، وقواعد للسعة، وحدودًا للتكلفة، وإجراءات للتحكم في الإصدارات. أما بالنسبة للتطبيقات الحساسة، فإن نقاط النهاية الخاصة، والتشفير، ومعالجة البيانات الإقليمية، والتسجيل، واتفاقيات استخدام البيانات التعاقدية، كلها أمور أساسية.

يُعدّ وجود نقطة وصول نموذجية محايدة للبائعين أمرًا بالغ الأهمية. إذ يمكن لبوابة النموذج توجيه الاستفسارات المتعلقة بالتكلفة والجودة والسرعة وحماية البيانات والتوافر إلى نماذج مختلفة. لا يُقلّل هذا تلقائيًا من الاعتمادية، ولكنه يُتيح خيارًا تفاوضيًا تقنيًا واقتصاديًا. ينبغي على الشركات تجنّب إنشاء اعتمادية جديدة على مزوّد البوابة. تبقى التكوينات القابلة للتصدير والواجهات المفتوحة واستراتيجية الخروج الموثقة عناصر أساسية.

المستوى الثالث: عمليات تعلم الآلة وعمليات النماذج للنماذج الكلاسيكية والتوليدية

يطبق منهج MLOps مبادئ عمليات البرمجيات ومنهج DevOps على دورة حياة التعلم الآلي. تشمل الميزات النموذجية مسارات تدريب قابلة للتكرار، والتحكم في إصدارات التعليمات البرمجية والبيانات، والاختبار الآلي، وتسجيل النماذج، والإصدارات، والنشر، والمراقبة، وإعادة التدريب. غالبًا ما يوسع منهج ModelOps نطاق التركيز ليشمل إدارة أنواع النماذج المختلفة وإدارة مجموعة النماذج بأكملها.

تنشأ الحاجة إلى ذلك لأن النموذج لا يبقى ثابتًا بعد نشره، فالبيانات في الواقع قابلة للتغيير. في نموذج التنبؤ بالطلب، تُغيّر المنتجات الجديدة والأسعار وظروف السوق العلاقات بين البيانات. وفي كشف الاحتيال، يُكيّف المهاجمون سلوكهم. وفي مراقبة الجودة، تُغيّر الكاميرات المختلفة وظروف الإضاءة والمواد بيانات الإدخال. قد يكون النموذج متاحًا تقنيًا ولكنه يصبح غير قابل للاستخدام اقتصاديًا.

لذا، لا تقتصر إدارة عمليات التعلم الآلي (MLOps) على مراقبة حالة الخادم فحسب، بل تشمل أيضًا جودة البيانات، وانحراف البيانات والمفاهيم، ودقة النموذج، وأوقات الاستجابة، ومعدلات الخطأ. والأهم من ذلك، أنها تربط كل ذلك بعملية استجابة واضحة. فتحذير الانحراف لا قيمة له إن لم يتضح من يُقيّمه، وما هي البيانات المسموح بها للتدريب الجديد، ومن يُوافق على النموذج المُحدّث.

من الناحية الاقتصادية، تعمل منهجية MLOps على توحيد المهام المتكررة. فبدون مسارات عمل موحدة، يتطلب كل نموذج نصوصه البرمجية الخاصة، وعمليات التسليم اليدوية، وإجراءات التشغيل الفردية. وهذا بدوره يزيد من التكاليف الإضافية والاعتماد على الموظفين. أما المنصة المشتركة فتوزع التكاليف الثابتة للمراقبة والاختبار والنشر على حالات استخدام متعددة. وبالتالي، تزداد الفوائد مع ازدياد عدد نماذج الإنتاج، ولكن بشرط ألا تصبح المنصة أكثر تعقيدًا وتكلفة من التطبيقات قيد التشغيل فعليًا.

المستوى الرابع: LLMOps لنماذج اللغة والتطبيقات التوليدية

تُعالج LLMOps الخصائص المحددة لنماذج اللغة الكبيرة. ففي هذه الحالة، لا تؤثر بيانات التدريب وأوزان النموذج فقط على النتيجة، بل تؤثر أيضًا تعليمات النظام، والموجهات، ونوافذ السياق، ومصادر المعرفة، وخوارزميات البحث، والأدوات، وفلاتر الأمان، ومعلمات النموذج. ولذلك، يتكون التطبيق الفعلي من سلسلة من المكونات التي يجب مراقبة تفاعلاتها.

تشمل الخدمات المُدارة التحديث الفوري للإصدارات، والتقييم الآلي، ومجموعات بيانات الاختبار، واختبارات الاختراق، والتحكم في المحتوى، وقياس زمن الاستجابة والتكلفة، ومقارنة النماذج، وإدارة الإصدارات. يجب تقييم كل تغيير لتحديد ما إذا كان يُحسّن النتائج ذات الصلة، أو يُفاقمها، أو يُعيد صياغتها فقط. لا تكفي اختبارات البرمجيات التقليدية لهذا الغرض لأن مخرجاتها متغيرة، وقد تكون هناك إجابات متعددة صحيحة من الناحية الواقعية.

يجمع التقييم الدقيق بين أساليب مختلفة. تتحقق الفحوصات الحتمية من التنسيقات والحقول الإلزامية والمحتوى المحظور. تقارن الاختبارات المرجعية الاستجابات بالمعلومات المستهدفة التي تم التحقق منها من قبل الخبراء. يمكن للتقييمات القائمة على النماذج فرز كميات كبيرة من البيانات مسبقًا، ولكن لا ينبغي اعتبارها معصومة من الخطأ. يبقى أخذ عينات من الخبراء ضروريًا للتطبيقات عالية المخاطر. بالإضافة إلى ذلك، ينبغي تحليل إشارات المستخدمين في العالم الحقيقي، والتصحيحات، وحالات الانسحاب.

يكمن جوهر اقتصاديات LLMOps في التحسين المستمر للتوازن بين الجودة والسرعة والتكلفة. نادرًا ما يكون نشر أقوى نموذج لكل طلب فعالًا. يمكن معالجة الحالات القياسية بواسطة نماذج أصغر، بينما تُحال الحالات المعقدة أو عالية المخاطر إلى نماذج أكثر قوة أو إلى البشر. يحوّل هذا التوجيه للجودة والتكلفة الاستخدام الشامل للذكاء الاصطناعي إلى منطق إنتاجي متمايز.

المستوى الخامس: عمليات إدارة المخاطر التشغيلية (RAGOps) وإدارة المعرفة المؤسسية

يجمع نظام توليد المعلومات المعزز بالاسترجاع (RAG) بين النماذج التوليدية ومصادر المعرفة المختارة. فبدلاً من الاعتماد فقط على المعرفة الموجودة في النموذج الأساسي، يبحث النظام عن المستندات أو مجموعات البيانات ذات الصلة ويُزوّد ​​النموذج بها كسياق. بالنسبة للشركات، يُعدّ هذا نهجًا أساسيًا لجعل المعلومات الداخلية قابلة للاستخدام، وتحديث الإجابات، وإثبات مصدرها.

غالبًا ما يُستهان بدور نظام RAG. يجب التقاط المستندات وتنظيفها وتقسيمها وإثراء بياناتها الوصفية وفهرستها وإعادة معالجتها عند حدوث أي تغييرات. يجب نقل حقوق الوصول من الأنظمة المصدرية بشكل صحيح. لا يجوز السماح للمحتوى القديم أو المتناقض بالهيمنة دون ملاحظة. يجب اختبار جودة البحث بانتظام باستخدام استعلامات واقعية.

تشمل إدارة عمليات البحث والتحليل (RAGOps) أو عمليات المعرفة (KnowledgeOps) صيانة موصلات البيانات، والفهارس، وقواعد بيانات المتجهات، والبيانات الوصفية، والصلاحيات، ومقاييس الجودة. كما تشمل مفاهيم الحذف، وفترات الاحتفاظ، والتعامل مع المعلومات السرية. قد يُشكل فهرس البحث السليم تقنيًا خطرًا أمنيًا إذا جمع معلومات من مستويات صلاحيات مختلفة وجعلها متاحة للمستخدم بشكل غير مباشر.

لا تكمن القيمة الاقتصادية في عدد الوثائق المفهرسة، بل في تقليل وقت البحث، وتحسين القرارات، وتقليل الأخطاء، وزيادة إعادة استخدام المعرفة الموجودة. لذا، ينبغي جمع مؤشرات الأداء الرئيسية، مثل جودة النتائج، ونسبة الأسئلة القابلة للإجابة، ودقة الاستشهادات، وسرعة الاستجابة، والوقت المُوفَّر للمعالجة. قد تكون أرقام الاستخدام وحدها مُضلِّلة: فارتفاع حجم الاستعلامات قد يُشير إلى قبول المستخدمين العالي وتكرار محاولات البحث غير الناجحة.

المستوى السادس: عمليات الوكلاء للأنظمة المستقلة وشبه المستقلة

تتجاوز وظائف الذكاء الاصطناعي مجرد إخراج النصوص، فهي تخطط لخطوات العمل، وتستخدم الأدوات، وتسترجع البيانات، وتبدأ المعاملات، وأحيانًا تُنجز عمليات أطول. على سبيل المثال، يمكن للذكاء الاصطناعي التحقق من معلومات التسليم، وتقييم الانحرافات، وإعداد مقترح في نظام تخطيط موارد المؤسسات (ERP)، وإشراك موظف وفقًا لشروط محددة.

مع ازدياد القدرة على التصرف، تتزايد الفوائد، ولكن يزداد معها أيضًا المخاطر. غالبًا ما يمكن تصحيح خطأ في النص. أما الطلب غير الصحيح، أو تغيير البيانات، أو التواصل غير السليم مع العميل، فقد تترتب عليه عواقب مالية وقانونية مباشرة. لذا، تراقب إدارة عمليات الوكلاء مسارات التنفيذ، والوصول إلى الأدوات، والصلاحيات، وحالات الذاكرة، والتكاليف، وحلقات الأخطاء، وشروط الإنهاء. يجب ربط كل إجراء بهوية، وتسجيله، وتقييم أهميته.

تشمل العناصر التشغيلية الرئيسية الأذونات المقيدة، وحدود المعاملات، وقوائم الأدوات المسموح بها، وبيئات التشغيل المعزولة، ونقاط الموافقة البشرية. لا ينبغي منح أي وكيل صلاحيات أكثر مما هو ضروري لمهمته المحددة. يُنصح بالتأكيد الصريح للإجراءات غير القابلة للتراجع أو ذات القيمة العالية. يجب اختبار وظائف الإغلاق الطارئ وعمليات النسخ الاحتياطي الآمنة تقنيًا وتنظيميًا.

لا يمكن قياس أداء الموظف بمجرد جودة استجاباته. تشمل العوامل ذات الصلة معدل نجاح المهام، وعدد الخطوات المطلوبة، وأخطاء الأدوات، ومعدل التصعيد، ووقت المعالجة، وتكلفة كل مهمة مكتملة، وإعادة العمل المطلوبة. وبذلك، يصبح نظام إدارة عمليات الموظفين مزيجًا من عمليات التطبيقات، والتحكم في العمليات، والإدارة الرقمية للموظفين.

المستوى السابع: عمليات البيانات كأساس غالباً ما يتم التقليل من شأنه

لا تفشل العديد من مشاريع الذكاء الاصطناعي بسبب ضعف أداء النموذج، بل بسبب نقص البيانات أو تناقضها أو صعوبة الوصول إليها. تُعنى إدارة عمليات البيانات (DataOps) بتنظيم مسارات البيانات، وقواعد الجودة، والبيانات الوصفية، ومصدر البيانات، وتسليمها. في نموذج الخدمة المُدارة، يتولى مزود الخدمة إدارة هذه المسارات بشكل مستمر، ويستجيب لأي انقطاعات أو تغييرات في التنسيق أو انحرافات في الجودة.

تُطبّق متطلبات إضافية على الذكاء الاصطناعي. يجب حفظ بيانات التدريب والاختبار والإنتاج بشكل منفصل، مع ترقيم إصداراتها بطريقة قابلة للتتبع. تتطلب المعلومات الشخصية أو السرية قواعد حماية. بالنسبة للبيانات المُستقاة من مصادر خارجية، يجب توضيح حقوق الاستخدام وتحديث البيانات. يمكن للبيانات المُصنّعة سدّ الثغرات، ولكن يجب ألا تُخفي التوزيعات الواقعية أو المخاطر النادرة.

تُعدّ إدارة عمليات البيانات (DataOps) ذات أهمية اقتصادية بالغة، إذ تنتشر مشاكل البيانات في جميع مراحل سلسلة قيمة الذكاء الاصطناعي. فضعف جودة البيانات يزيد من معدلات الخطأ، وإعادة العمل اليدوي، ومخاطر المسؤولية القانونية. وفي الوقت نفسه، يُعدّ تحقيق دقة البيانات الكاملة مكلفًا للغاية. لذا، تُعطي خدمة الإدارة المُحكمة الأولوية لجودة البيانات وفقًا لتأثيرها على الأعمال. وتختلف المعايير المطبقة على أداة بحث داخلية غير ملزمة عن تلك المطبقة على نظام ذكاء اصطناعي يُستخدم في اتخاذ قرارات الائتمان، أو شؤون الموظفين، أو الأمن.

ينبغي التمييز بين توفر البيانات وجودتها عند تصميم العقد. فقد يكون خط نقل البيانات متاحًا تقنيًا، ولكنه مع ذلك يُقدّم بيانات غير صحيحة أو متأخرة أو غير مكتملة. لذا، تتطلب التطبيقات الحيوية ليس فقط مستويات الخدمة التقنية، بل أيضًا أهدافًا تتعلق بجودة البيانات ذات الصلة بالأعمال، مثل التوقيت المناسب، والاكتمال، ومعدل التكرار، والانحرافات المسموح بها.

المستوى الثامن: الأمن والحوكمة والعمليات التنظيمية

يُوسّع أمن الذكاء الاصطناعي نطاق الأمن السيبراني التقليدي ليشمل أساليب هجوم وثغرات جديدة. تشمل هذه الأساليب حقن البيانات الفوري، والتلاعب بمصادر المعرفة، وتسريب البيانات عبر عمليات الإنفاق، واستخدام أدوات غير آمنة، وإساءة استخدام النماذج، والتحايل على قواعد الأمان. في الوقت نفسه، تظل المواضيع المألوفة مثل إدارة الهوية، وتجزئة الشبكة، والتشفير، وإدارة الثغرات، والتحكم في سلسلة التوريد ذات أهمية.

يمكن أن يشمل أمن الذكاء الاصطناعي المُدار ضوابط الوصول، ومراقبة الأمان، واختبار الهجمات، والسياسات، وقوائم النماذج والبيانات، والاستجابة للحوادث. بالنسبة للأنظمة التوليدية، يجب أيضًا تدقيق المدخلات والمخرجات بناءً على المخاطر. مع ذلك، قد يُصبح التسجيل الكامل الشامل بحد ذاته مشكلة تتعلق بخصوصية البيانات إذا تم تخزين معلومات حساسة دون داعٍ. لذلك، يجب الجمع بين الأمان وإمكانية التتبع مع تقليل البيانات.

تضمن الحوكمة التحكم ليس فقط في التطبيقات الفردية، بل في محفظة الذكاء الاصطناعي بأكملها. ويشمل ذلك تصنيف المخاطر، والمسؤوليات، والموافقات، والتوثيق، وخرائط النماذج، وتقييمات الأثر، وإدارة التغيير، والمراجعات الدورية. في أوروبا، يزيد قانون الذكاء الاصطناعي، الذي يُطبّق تدريجيًا، من الضغط لتحديد الأدوار والمساءلة بوضوح. حتى الأنظمة التي لا تندرج ضمن فئات المخاطر العالية الرسمية غالبًا ما تتطلب الشفافية، وحماية البيانات، وآليات الرقابة الداخلية.

يمكن لخدمة إدارة الحوكمة أن توفر قوالب وسجلات ومكتبات ضوابط وجمع أدلة. مع ذلك، لا يمكن تفويض مسؤولية الشركات بالكامل إلى جهة خارجية. يحدد العميل الغرض وسياق الاستخدام ومستوى المخاطر المقبولة. يمكن لمزود الخدمة تشغيل الضوابط وتوثيقها، لكن لا يمكنه بمفرده تحديد معدل الخطأ المقبول اجتماعيًا أو قانونيًا أو اقتصاديًا في عملية تجارية حساسة.

المستوى التاسع: عمليات التمويل للرموز والنماذج والمسرعات

تختلف تكاليف الذكاء الاصطناعي عن تراخيص البرامج التقليدية. ففي التطبيقات التوليدية، تزداد هذه التكاليف مع طول المدخلات والمخرجات، ونوع النموذج، وعدد الخطوات الوسيطة، واستعلامات البحث، واستخدامات الأدوات. وقد تُولّد الأنظمة الآلية تكاليف متغيرة مرتفعة للغاية نتيجةً للحلقات أو التخطيط غير الضروري. في المقابل، تُولّد النماذج المُخصصة تكاليف ثابتة أعلى للبنية التحتية والتشغيل.

تُوفر إدارة الذكاء الاصطناعي المالية (FinOps) شفافيةً تامةً فيما يتعلق بتكاليف كل مستخدم، وتطبيق، وقسم، ومعاملة تجارية. فهي تُحدد الميزانيات، والتنبيهات، والحصص، وتُقارن النماذج، وتُحسّن التخزين المؤقت، ومدة التنبيهات، واختيار السياق، والاستخدام. والأهم من ذلك، أنها مُدمجة مع مقاييس الجودة. فمجرد خفض التكاليف قد يُؤدي إلى تدهور جودة الاستجابة، مما يُؤدي بدوره إلى ارتفاع تكاليف إعادة العمل أو الأخطاء.

لذا، فإن المقياس المهم ليس سعر الرمز المميز الواحد، بل التكلفة الإجمالية لإتمام العملية بنجاح. ويشمل ذلك استهلاك النموذج، والبنية التحتية، والوصول إلى البيانات، والمراقبة، والمراجعة البشرية، وتصحيح الأخطاء، وحصة من تكاليف المنصة. هذه التكاليف الإجمالية وحدها هي التي تسمح بإجراء مقارنة عادلة مع العمليات اليدوية أو الآلية التقليدية.

يوضح حساب بسيط هذا المنطق. إذا كانت تكلفة عملية مدعومة بالذكاء الاصطناعي 0.30 يورو من الناحية التقنية، ولكنها تتطلب خمس دقائق من إعادة العمل البشري في 20% من الحالات، فإن التكاليف الفعلية للوحدة تكون أعلى بكثير. إذا حسّن نموذج أكثر تكلفة معدل الحل من المرة الأولى لدرجة خفض إعادة العمل إلى النصف، فقد يكون أكثر اقتصادية. لذلك، يجب تشغيل عمليات الذكاء الاصطناعي المُدارة بالتزامن مع التحكم في عمليات الأعمال.

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

المستوى العاشر: الدعم والتبني والتحسين المستمر للعمليات

إن الذكاء الاصطناعي الفعال تقنيًا عديم الفائدة إذا لم يفهمه الموظفون، أو لم يثقوا به، أو استخدموه خارج نطاق العملية المخصصة له. تشمل خدمات التبني المُدارة التدريب، وإرشادات الاستخدام، وساعات الاستشارة، ونماذج يحتذى بها، وآليات التواصل، وتحليل أنماط الاستخدام. بالنسبة للمساعدين على مستوى الشركة، يمكن أن يكون الدعم المركزي للأذونات، ومصادر البيانات، وقوالب الإدخال، والإبلاغ عن الأخطاء مفيدًا أيضًا.

لا ينبغي لمزود الخدمة أن يقتصر على زيادة عدد المستخدمين النشطين فحسب، بل يجب أن يكون الهدف هو الاستخدام الفعال والآمن. ويمكن لمؤشرات الأداء الرئيسية أن تعكس الوقت الفعلي المُوفَّر للمعالجة، وجودة النتائج، ومدى قبول الاقتراحات المُوصى بها، وعدد الأخطاء التي تم تجنبها. فالنشاط الكبير دون فوائد عملية قابلة للقياس لا يُعد نجاحًا.

تُعدّ دورة التحسين المغلقة ذات قيمة بالغة. إذ تُصنّف ملاحظات المستخدمين، وتُقيّم باحترافية، وتُترجم إلى تغييرات في البيانات، أو التنبيهات، أو النماذج، أو واجهات المستخدم، أو العمليات. وهذا يحوّل عملية النشر الثابتة إلى نظام تشغيل متعلّم. غالبًا ما يقع هذا الجانب بين قسم تقنية المعلومات، ووحدة الأعمال، والمورّد. لذا، تُحدّد خدمة الإدارة الجيدة بوضوح الجهة التي تُعطي الأولوية لاقتراحات التحسين والجهة التي تُموّل التغييرات.

يشهد العمل أيضاً تغيراً على المستوى التنظيمي. نادراً ما يتولى الذكاء الاصطناعي وظيفة كاملة دفعة واحدة، بل يبدأ بمهام فردية. لذا، يلزم إعادة تصميم العمليات. إن مجرد إضافة أداة ذكاء اصطناعي إلى سير العمل الحالي يُحدث فجوات فيه، ويستدعي خطوات تحقق إضافية. لذلك، ينبغي ربط التبني المُدار لتصميم العمليات، لا الاكتفاء بمقاطع الفيديو التدريبية.

إن الذكاء الاصطناعي المُدار هو أكثر من مجرد مجموع الخدمات التشغيلية الفردية

يُستخدم مصطلح "الذكاء الاصطناعي المُدار" بمعنيين. فمن الناحية التقنية، يشير إلى منصات الحوسبة السحابية المُدارة بالكامل، حيث تستطيع الشركات تطوير النماذج وتخصيصها ونشرها دون الحاجة إلى تشغيل البنية التحتية الأساسية بنفسها. أما من الناحية الخدمية، فيشير إلى التطوير الشامل والتكامل والمراقبة والتحسين المستمر لحلول الذكاء الاصطناعي من قِبل شريك خارجي.

لأغراض التقييم الاقتصادي، يُعدّ المعنى الثاني أكثر ملاءمة. يجمع الذكاء الاصطناعي المُدار بين البنية التحتية، وعمليات البيانات، وتشغيل النماذج، والأمن، والحوكمة، والدعم، والتحسين في نموذج خدمة دورية. لا يقتصر دور المزوّد على تنفيذ المهام فحسب، بل يشمل أيضًا تحمّل مسؤولية تشغيلية محددة. غالبًا ما تبدأ الخدمة بجرد للموارد ومشروع تجريبي، لكن طبيعتها الحقيقية تتضح بعد بدء التشغيل الفعلي.

يكمن الفرق الرئيسي بين حلول الذكاء الاصطناعي المُدارة ومجموعة الخدمات المُدارة في التكامل. إذ يمكن لكل مزود خدمة على حدة تشغيل البنية التحتية وقواعد البيانات ونماذج الوصول والمراقبة دون أن يكون مسؤولاً عن تفاعلها. وفي حال حدوث مشكلة في الجودة، يُشير كل مزود إلى مكونه الخاص، الذي يعمل وفقًا لما تم الاتفاق عليه تعاقديًا. في المقابل، ينبغي لمزود حلول الذكاء الاصطناعي المُدارة مراقبة الأداء الشامل، وتحليل الأسباب الجذرية عبر مختلف مستويات الخدمة، وتنسيق عمل الموردين المشاركين.

لذا، يُعدّ الذكاء الاصطناعي المُدار نموذجًا تشغيليًا، وليس منتجًا مُحددًا بوضوح. ينبغي للشركات قبول هذا المصطلح فقط إذا كان العقد والنموذج التشغيلي يعكسان الشمولية الموعودة. ويشمل ذلك وجود جهة اتصال مركزية، ومؤشرات أداء رئيسية مشتركة، وعملية متكاملة لإدارة الحوادث، وإجراءات لإدارة التغيير، وقواعد واضحة للتحسين المستمر. في حال غياب هذه العناصر، فإنه غالبًا ما يكون مجرد تشغيل منصة تقليدية تحت مسمى عصري.

تقوم مختبرات الذكاء الاصطناعي التطبيقي بتحويل الإمكانيات التكنولوجية إلى تطبيقات قوية

لا يُعدّ مختبر الذكاء الاصطناعي التطبيقي مختبرًا للأبحاث الأساسية، ولا يُشترط أن يكون جهة تشغيل دائمة. تكمن مهمته في تطبيق تقنيات الذكاء الاصطناعي المتاحة لحلّ مشكلات ملموسة. وهو يجمع بين الخبرة، وتطوير المنتجات، وعلم البيانات، وهندسة البرمجيات، وبحوث المستخدمين، والحوكمة. لا ينصبّ التركيز على تطوير النموذج الأساسي التالي، بل على تحديد أيّ التقنيات الحالية أو القابلة للتكيّف تُولّد قيمة ملموسة في سياق أعمال مُحدّد.

تشمل الأنشطة النموذجية تحديد حالات الاستخدام وترتيب أولوياتها، وتحليلات الجدوى، ومقارنة النماذج، وبناء النماذج الأولية، والاختبار مع المستخدمين الفعليين، وتقييم البيانات، وبناء بنى مرجعية قابلة لإعادة الاستخدام. لا يعمل المختبر الجيد كمعرض لعروض توضيحية مبهرة، بل يتحقق مبكرًا من توفر البيانات، وسهولة الوصول إلى الواجهات، وقابلية العملية للتكيف، وإمكانية التشغيل الإنتاجي المجدي اقتصاديًا.

يمكن تنظيم مختبرات الذكاء الاصطناعي التطبيقي داخليًا أو خارجيًا أو وفق نموذج هجين. يبني المختبر الداخلي المعرفة والاستقلالية الاستراتيجية على المدى الطويل، ولكنه يتطلب عددًا كافيًا من حالات الاستخدام المقنعة لإبقاء المتخصصين فيه مشغولين. أما المختبر الخارجي، فيوفر خبرة أوسع في المشاريع وإمكانية الوصول السريع إلى الخبراء، ولكنه في البداية يكون أقل إلمامًا بسياق العمل المحدد. في النموذج الهجين، توفر الشركة مسؤولية المنتج والخبرة وإمكانية الوصول إلى البيانات، بينما يساهم الشريك بالمنهجيات ومكونات المنصة والمتخصصين.

إنّ الناتج الأساسي للمختبر ليس النموذج الأولي، بل القرار السليم. قد يكون هذا القرار توسيع نطاق الحل، أو إعادة تصميمه، أو معالجة مشكلات البيانات أولاً، أو حتى إيقاف حالة الاستخدام. حتى الإيقاف المدروس يُحقق قيمةً إذا حدث مبكراً وتجنّب استثمارات خاطئة كبيرة. لذا، لا ينبغي تقييم المختبر بعدد المشاريع التي يُطلقها فحسب، بل بجودة وسرعة قراراته الاستثمارية.

يكمن الاختلاف الأساسي في الأفق الزمني ومنطق المسؤولية

تتميز الخدمات المُدارة للذكاء الاصطناعي ببنيتها المعيارية وتوجهها التشغيلي. فهي تتولى مهامًا محددة بوضوح، مثل تشغيل المنصة، والمراقبة، وخطوط نقل البيانات، والدعم. وعادةً ما يكون الدفع دوريًا، بناءً على السعة، أو الاستخدام، أو حزمة الخدمة، أو المكونات المُدارة. ويحتفظ العميل غالبًا بمسؤولية التصميم المعماري والمنتج، ويتولى التنسيق بين العديد من مزودي الخدمات.

يتميز الذكاء الاصطناعي المُدار بتكامله وتركيزه على النتائج. يتحمل المزود المسؤولية عبر طبقات تقنية متعددة، ويستمر في المشاركة على المدى الطويل بعد التنفيذ. غالبًا ما يشمل التعويض الرسوم الأساسية، والاستخدام، ومستويات الخدمة، وميزانيات التغيير. وكلما كان الأداء أقرب إلى نتائج الأعمال، زادت أهمية اتفاق العميل والمزود على مؤشرات الأداء الرئيسية المشتركة وسلطة اتخاذ القرار.

تُركز مختبرات الذكاء الاصطناعي التطبيقي على الاكتشاف والتطوير، حيث تُقلل من عدم اليقين التكنولوجي والاقتصادي، وتُنشئ نماذج أولية، وتُسهّل الانتقال إلى مرحلة الإنتاج. غالبًا ما تُقدّم خدماتها على شكل مشاريع، أو حزم قدرات، أو برامج ابتكار، أو فرق منتجات مشتركة. يُمكن للمختبر لاحقًا تقديم خدمات الذكاء الاصطناعي المُدارة بنفسه أو تسليمها إلى مُزوّد ​​خدمات تشغيل، ولكن هذا الاستمرار ليس مُضمّنًا تلقائيًا.

لا يمكن بالتالي اختزال النماذج الثلاثة إلى مجرد تصنيف. بإمكان الشركة استخدام مختبر الذكاء الاصطناعي التطبيقي لتطوير التطبيقات، والحصول على مكونات المنصة الفردية كخدمات مُدارة، وتنظيم العمليات الجارية بشكل عام كذكاء اصطناعي مُدار. لا تظهر المشاكل إلا عند غياب الانتقالات بين هذه النماذج. في مثل هذه الحالات، يُنتج المختبر مشاريع تجريبية دون مسار تشغيلي، أو تُشغّل الخدمة المُدارة التكنولوجيا دون مسؤولية تجارية، أو يعد مُزوّد ​​الذكاء الاصطناعي المُدار بنتائج دون السماح له بالتأثير على العمليات التجارية.

يتراوح نطاق مقدمي الخدمات من الشركات العملاقة إلى المختبرات المتخصصة

توفر شركات الحوسبة السحابية العملاقة منصات مُدارة للنمذجة والتطوير والتشغيل. وتكمن قوتها في بنيتها التحتية العالمية، وقابليتها للتوسع، وخدمات الأمان المتكاملة، ومجموعة واسعة من النماذج. مع ذلك، فهي لا تتحمل عادةً المسؤولية التجارية عن تطبيق مُحدد بشكل تلقائي. إذ يقع على عاتق العميل أو شريك التكامل تصميم البنية والبيانات والعمليات وجودة المخرجات.

يجمع مزودو خدمات تكنولوجيا المعلومات العالميون ومكاملون الأنظمة بين المنصات والاستشارات والتنفيذ والتشغيل. بإمكانهم إدارة برامج التحول الضخمة، وبيئات الأنظمة المتنوعة، ومنظمات الخدمات الدولية. إلا أن هذا يقابله ارتفاع تكاليف التنسيق، وتعقيد العقود، وخطر إبطاء نماذج التسليم الموحدة لمشاريع الذكاء الاصطناعي الأصغر.

يركز مزودو خدمات الذكاء الاصطناعي المُدارة المتخصصون على عمليات التعلم الآلي، وعمليات التعلم الآلي طويلة المدى، وعمليات الوكلاء، والحوكمة، أو قطاعات محددة. غالبًا ما يتميزون بالسرعة والخبرة العميقة، ولكنهم يمتلكون موارد بشرية أقل وقد يعتمدون على منصات محددة. لذا، ينبغي دراسة استقرارهم المالي وخطط الطوارئ واستراتيجية الخروج بعناية.

تُعدّ مختبرات الذكاء الاصطناعي التطبيقي وشركات الذكاء الاصطناعي المتخصصة خيارًا مثاليًا عندما يكون تحديد المشكلة وتجربة المستخدم والاختبار السريع أمورًا بالغة الأهمية. فهي قادرة على تقييم التقنيات الجديدة بسرعة تفوق سرعة المؤسسات الكبيرة. مع ذلك، يتطلب تشغيلها المستمر على مدار الساعة إما امتلاكها لخدمات مُدارة خاصة بها أو شراكة قوية مع مُشغّل. إنّ أفضل ابتكار لا قيمة له إن لم يُنقل إلى بيئة إنتاج قابلة للتحكم.

إن مسألة التصنيع أو الشراء هي مسألة تمايز استراتيجي

يعتمد قرار الشركة بتشغيل نظام الذكاء الاصطناعي الخاص بها أو الحصول عليه كخدمة مُدارة على عوامل تتجاوز التكلفة وحدها. فالعامل الحاسم هو تحديد القدرات التي تُوفر ميزة تنافسية استراتيجية. غالبًا ما يُمكن شراء البنية التحتية الموحدة، والوصول إلى النماذج الأساسية، ووظائف المراقبة العامة بكفاءة. أما منطق البيانات الخاص، وقواعد اتخاذ القرارات الخاصة بالقطاع، وتجربة العملاء، ومعرفة العمليات الحيوية، فينبغي أن تبقى تحت سيطرة داخلية مُحكمة.

من منظور تكلفة المعاملات، يُعدّ التعهيد خيارًا مناسبًا بشكل خاص للخدمات القابلة للتوحيد والتي تتميز بجودة قابلة للقياس وتوفر العديد من مزودي الخدمات القابلين للتبادل. وكلما زادت دقة تخصيص الحل ليتناسب مع عمليات العميل وبياناته وأنظمته، زادت تكاليف الاعتماد عليه وتكاليف تغيير مزود الخدمة. وبذلك، يستطيع مزود الخدمة تعزيز موقعه بعد توقيع العقد، لأن تغيير مزود الخدمة سيؤدي إلى عمليات نقل بيانات واسعة النطاق وفقدان المعرفة.

لذا، يُنصح غالبًا باتباع نموذج هجين. إذ يُشغّل المزوّد طبقات تقنية موحدة، بينما يحتفظ العميل بمسؤولية المنتج، وتحمّل المخاطر، وتحديد معايير الجودة المهنية. يجب أن تمتلك الفرق الداخلية خبرة كافية لتقييم خدمات المزوّد، وفهم القرارات المعمارية، وتنظيم البدائل عند الضرورة. إنّ الاستعانة بمصادر خارجية بالكامل دون وجود فريق عميل كفؤ لا يُؤدي إلى راحة، بل إلى فقدان السيطرة.

قد يكون الذكاء الاصطناعي المُدار خيارًا جذابًا للغاية للشركات الصغيرة والمتوسطة، إذ نادرًا ما تمتلك هذه الشركات القدرة على شغل جميع الوظائف الضرورية بشكل دائم، مثل مهندسي البيانات، ومتخصصي التعلم الآلي، وخبراء الأمن، ومهندسي المنصات، والمستشارين القانونيين، ومديري المنتجات. يقوم مزود الخدمة بتوزيع هذه المهارات النادرة على عدة عملاء. والشرط الأساسي هو تقديم عرض موحد لا يترتب عليه تكاليف التشغيل الداخلي نتيجةً لطلبات التخصيص الفردية.

يتم تحديد الجدوى الاقتصادية من خلال إجمالي التكاليف والمخاطر التي تم تجنبها

يجب أن تشمل دراسة الجدوى القوية أكثر من مجرد رسوم النموذج. تشمل التكاليف لمرة واحدة إعداد البيانات، والتكامل، وتغييرات العمليات، والاختبار، والتدريب، والمراجعة القانونية. أما التكاليف المستمرة فتنشأ من البنية التحتية، واستخدام النموذج، والتخزين، والمراقبة، والدعم، ومراقبة الجودة، والحوكمة، والتطوير المستمر. وتشمل التكاليف الإضافية نفقات التحويل، والإدارة الداخلية، والتكاليف المحتملة للنتائج الخاطئة.

لا تُخفّض الخدمات المُدارة بالضرورة التكاليف التقنية الاسمية. تكمن قيمتها غالبًا في سرعة طرح المنتج في السوق، وزيادة توافره، والوصول إلى الخبرات المتخصصة، وتقليل المخاطر التشغيلية. قد يبدو التشغيل الداخلي أرخص نظريًا إذا لم تُؤخذ خدمات الدعم عند الطلب، والنسخ الاحتياطي، والتدريب، وعمليات التدقيق الأمني، ومخاطر توقف النظام في الحسبان بشكل كامل. في المقابل، قد تكون الخدمة المُدارة المُبالغ في حجمها باهظة الثمن بلا داعٍ إذا لم يتطلب تطبيق غير حرج دعمًا على مدار الساعة.

ينبغي حساب جدوى المشروع على مستوى العملية. تشمل المقاييس ذات الصلة: حجم العمل، ومعدل الأتمتة، ومعدل حل المشكلات من أول اتصال، ووقت المراجعة البشرية، وتكاليف الأخطاء، وتكاليف الوحدة. بالنسبة للتطبيقات المدرة للدخل، ينبغي أيضًا مراعاة معدل التحويل، والاحتفاظ بالعملاء، وسرعة إصدار عروض الأسعار. في الحالات عالية المخاطر، يجب أخذ الخسائر المتجنبة وتحسين إمكانية التتبع في الحسبان، دون اللجوء إلى دقة زائفة غير واقعية.

تعتمد مختبرات الذكاء الاصطناعي التطبيقي على منطق اقتصادي مختلف، إذ تُنشئ قيمةً مضافةً من خلال استكشاف حالة عدم اليقين مبكرًا وبشكل محدود. ويمكن لتجربة صغيرة ومحددة بدقة أن تُثبت جدوى التوسع في تطبيقها. وتزداد قيمة المختبر عندما تكون الأفكار والمكونات وإجراءات الاختبار قابلة لإعادة الاستخدام. في المقابل، إذا تحوّل المختبر إلى ورشة عمل تجريبية دائمة دون انتقال إلى مرحلة الإنتاج، فإن نفقات الابتكار تُصبح تكاليف غارقة.

تقيس العقود الجيدة التكنولوجيا والجودة وتأثير الأعمال بشكل منفصل

تظل مستويات الخدمة التقليدية، كالتوافر وسرعة الاستجابة ووقت التعافي، مهمة، لكنها غير كافية للذكاء الاصطناعي. فقد يكون النظام متاحًا ومع ذلك يُقدّم نتائج غير صحيحة أو غير مناسبة أو عديمة الجدوى الاقتصادية. لذا، يتطلب عقد إدارة الذكاء الاصطناعي مستويات متعددة من مؤشرات الأداء الرئيسية.

تشمل المقاييس التقنية التوافر، وزمن الاستجابة، والإنتاجية، ومعدلات الخطأ، وأوقات الاسترداد. أما مقاييس النموذج والتطبيق فتقيس الدقة، والشمولية، ومعدل الأخطاء، وجودة البحث، والامتثال للتنسيق، ونجاح مهام الوكيل. وتأخذ مقاييس العمليات في الاعتبار وقت المعالجة، ومعدل الأتمتة، والتصعيدات، وإعادة العمل. بينما تقيس مقاييس الأعمال تكلفة العملية، وتأثيرها على الإيرادات، ورضا العملاء، والخسائر المتجنبة.

لا يُعدّ كل مقياس مناسبًا كالتزام تعاقدي مُلزم. غالبًا ما تعتمد الجودة التقنية على بيانات العملاء، وتغييرات العمليات، وسلوك المستخدمين. يُنصح باستخدام مزيج من اتفاقيات مستوى الخدمة (SLAs) لضمان أداء تقني قابل للتحقق، وأهداف مستوى الخدمة (SLE) لتحقيق أهداف جودة مُحددة بشكل مشترك، ومؤشرات الأداء الرئيسية (KPIs) لقياس الأثر على الأعمال. يجب أن تكون مسؤوليات كلا الطرفين شفافة وقابلة للتتبع.

ينبغي أن تتناول العقود أيضًا تغييرات النماذج، وتعديلات الأسعار، وحقوق البيانات، والملكية الفكرية، والمقاولين من الباطن، والحوادث الأمنية، واستراتيجيات الخروج. ومن الأهمية بمكان تحديد من يملك بيانات التوجيهات، ومجموعات بيانات التقييم، والضبط الدقيق، ومنطق الوكلاء، والتحويلات المتجهة، والبيانات التشغيلية. فبدون لوائح واضحة، قد تمتلك الشركة بياناتها الأولية، لكنها تفقد الإعدادات وضمان الجودة الضروريين لعملياتها.

إن أخطر أنواع التقييد ينشأ من المعرفة، وليس من واجهة المستخدم

غالباً ما يقتصر الاحتكار من قِبل مزود الخدمة على واجهات برمجة التطبيقات الاحتكارية. إلا أن الاحتكار الأعمق ينشأ من عدم توثيق المعرفة التشغيلية. فإذا كان مزود الخدمة وحده هو من يعرف سبب استخدام بعض المطالبات أو مرشحات البيانات أو قواعد التوجيه أو العتبات، يصبح تغيير المزود أمراً صعباً، حتى مع وجود واجهات مفتوحة.

لذا، تتطلب خطة الخروج الفعّالة أكثر من مجرد تصدير البيانات. فهي تستلزم توثيق البنية، والتكوينات، ونماذج الإصدارات، وإصدارات التنبيهات، ومجموعات بيانات الاختبار، وسجلات الجودة، وكتيبات التشغيل، ومفاهيم الصلاحيات، والتبعيات. ويمكن لاختبارات التسليم الدورية التحقق مما إذا كان بإمكان فريق بديل تشغيل التطبيق فعليًا.

لا تُقلل حلول الحوسبة السحابية المتعددة أو النماذج المتعددة المخاطر تلقائيًا. فالمنصات المتوازية تزيد من التعقيد وجهد الاختبار والتكاليف. وتُعدّ قابلية النقل خيارًا اقتصاديًا مُجديًا في الحالات التي قد تُؤدي فيها الأعطال أو تغيرات الأسعار أو القيود التنظيمية إلى عواقب وخيمة. أما بالنسبة للتطبيقات غير الحرجة، فقد يكون الالتزام بمورد واحد، مع قبول هذا الالتزام عن قصد، أكثر فعالية من حيث التكلفة، شريطة أن تظل الأسعار وخيارات الانسحاب والوصول إلى البيانات شفافة.

لذا، فإن المبدأ الاستراتيجي ليس الاستقلال التام، بل القدرة التشغيلية الميسورة التكلفة. ينبغي على الشركات أن تعرف أي المكونات يجب استبدالها على المدى القصير، وأيها يمكن نقلها على المدى المتوسط، وأين يتم قبول علاقة وثيقة عن قصد.

تربط رؤية الهدف القابلة للتطبيق بين المختبر والمنصة والعمليات

يُحقق الهيكل التنظيمي الأمثل فصلًا بين الاكتشاف، وملكية المنتج، والعمليات التشغيلية دون عزلها. يقوم مختبر الذكاء الاصطناعي التطبيقي بتقييم الفرص الجديدة، وتطوير حلول مرجعية، والحد من المخاطر. ويتولى فريق منتج الذكاء الاصطناعي مسؤولية القيمة التجارية، وتجربة المستخدم، والأولويات. وتضمن الخدمات المُدارة أو شريك الذكاء الاصطناعي المُدار المنصة، والبيانات، والنماذج، والحوكمة، والدعم المستمر.

يجب التخطيط لعملية الانتقال منذ بداية المشروع. ينبغي تحديد معايير الإنتاج لكل تجربة: البيانات المتاحة، ومتطلبات السلامة، والحجم المتوقع، ومستوى الجودة المستهدف، وعمليات التكامل، والحد الأقصى للتكلفة، والجهة المسؤولة عن التشغيل. هذا يجنّب الشركة إعادة بناء نموذج أولي واعد لاحقًا بسبب نقص القدرة التشغيلية.

يُوفر نموذج التحكم المشترك وضوحًا تامًا. تُحدد وحدة الأعمال أهداف العملية ومؤشرات الأداء الرئيسية. وتتولى إدارة تقنية المعلومات مسؤولية البنية والتكامل والمعايير التقنية. وتُحدد وظائف إدارة المخاطر وحماية البيانات والأمن المبادئ التوجيهية. ويتحمل المزوّد المسؤوليات التشغيلية المحددة تعاقديًا. ويُقدم مختبر الذكاء الاصطناعي التطبيقي أساليب وتجارب وتسريعًا تقنيًا. وتُعطي حوكمة الذكاء الاصطناعي المركزية الأولوية للمحفظة وتمنع ازدواجية الجهود.

على المدى البعيد، لا تكمن الفائدة الأكبر في نموذج واحد، بل في القدرة المؤسسية على التعلم. تحتاج الشركات إلى القدرة على تقييم النماذج الجديدة بسرعة، وتكييف التطبيقات الحالية بطريقة مُحكمة، والتخلي عن الحلول غير المربحة. يمكن للذكاء الاصطناعي المُدار تسريع هذه القدرة، لكن لا يجب أن يحل محلها تمامًا. أولئك الذين يُوكلون كل عملية تقييم إلى مُورّد يفقدون الكفاءة اللازمة لفحص توصياته بدقة.

أي حل يناسب أي شركة؟

نادراً ما تحتاج الشركات التي لديها عدد قليل من تطبيقات الذكاء الاصطناعي المحددة بوضوح إلى نموذج ذكاء اصطناعي مُدار شامل على الفور. في كثير من الأحيان، تكفي نقاط نهاية النموذج المُدار، وشريك تكامل موثوق، وخدمات دعم محددة. والأهم من ذلك، يجب تحديد مسؤوليات البيانات والجودة والتغييرات بوضوح.

تستفيد الشركات متوسطة الحجم ذات الكوادر المحدودة في مجال الذكاء الاصطناعي بشكل أكبر من شريك متكامل يجمع بين التطوير والتشغيل. يجب أن يكون العرض مرنًا وقابلًا للتوسع، مع تكاليف وحدة شفافة. وتُعدّ الخبرة في المجال، ودعم اللغة الألمانية، وخيارات البيانات الأوروبية، وضوابط الأمان القابلة للتحقق، واستراتيجية خروج واقعية، أمورًا بالغة الأهمية.

ينبغي للمؤسسات الكبيرة ذات حالات الاستخدام المتعددة بناء منصات داخلية وقدرات حوكمة فعّالة. يمكن للخدمات المُدارة التعامل مع البنية التحتية والعمليات المتخصصة وأحمال الذروة، بينما تبقى هندسة البرمجيات وحوكمة المنتجات وإدارة المخاطر داخلية. يمكن لمختبر الذكاء الاصطناعي التطبيقي أن يعمل كوحدة مشتركة للتجريب والتوحيد القياسي، ولكن يجب ألا يصبح عائقًا رئيسيًا أمام كل تغيير بسيط.

في القطاعات الخاضعة للتنظيم أو ذات الأهمية البالغة للسلامة، يلزم مستوى أعلى من التوثيق والإشراف البشري وعمق الاختبارات. في هذه الحالة، قد يكون مزود خدمات الذكاء الاصطناعي المُدارة والمتخصص أكثر فعالية من حيث التكلفة من خدمة المنصة العامة إذا أعاد استخدام الضوابط والأدلة الخاصة بالقطاع. مع ذلك، ينبغي أن تكون ادعاءات المزود مدعومة بحقوق التدقيق، وأدلة قابلة للتحقق، وحدود مسؤولية محددة بوضوح.

كيفية التعرف على العرض الموثوق

سيشرح المزود الموثوق أولاً مسؤولياته التشغيلية، ثم يتطرق إلى التكنولوجيا المستخدمة. ويمكنه توضيح المكونات التي تتم مراقبتها، ومعايير الجودة المطبقة، وكيفية الموافقة على التغييرات، وما يحدث في حال تعطل النموذج أو البيانات. كما يفرق بين التوافر التقني وجودة النتائج، ولا يضمن تشغيلاً خالياً من الأخطاء بشكل كامل.

تتضمن العروض الموثوقة نموذج تكلفة شفافًا، حيث توضح الرسوم الأساسية وتكاليف الاستخدام وميزانيات التغيير وأسعار الجهات الخارجية. كما تتيح إعداد تقارير التكلفة لكل تطبيق أو عملية، وتحدد معايير للحد من الاستهلاك غير المنضبط. قد يصبح السعر الثابت الذي يبدو زهيدًا مكلفًا إذا تم احتساب كل تعديل على النموذج كمشروع منفصل.

بالنسبة لمختبرات الذكاء الاصطناعي التطبيقي، يكمن العامل الحاسم في قدرتها على إثبات جدوى مسار الإنتاج. لا تتعلق الأسئلة المهمة بعدد العروض التوضيحية، بل بنسبة التطبيقات التي تم نقلها بنجاح، والوقت اللازم لاتخاذ قرار الاستثمار، وإعادة استخدام المكونات، وجودة وثائق التسليم. كما أن المختبر الجيد سينهي المشاريع إذا كانت الفوائد الاقتصادية أو التنظيمية غير كافية.

في مجال الذكاء الاصطناعي المُدار، تُعدّ القدرة على التحسين المستمر أمرًا بالغ الأهمية. فالنماذج والبيانات والمتطلبات تتغير باستمرار. لذا، يجب على مُقدّم الخدمة إثبات كيفية مراقبته للجودة، واختباره لإصدارات النماذج الجديدة، وإعادة تقييمه للمخاطر، وتحديد أولويات التحسينات. وبدون هذه الدورة، يصبح الذكاء الاصطناعي المُدار مجرد نظام يُحافظ على قيمته مع مرور الوقت.

تتضافر ثلاثة مفاهيم لتشكيل نموذج إنتاج متماسك

توفر الخدمات المُدارة للذكاء الاصطناعي مجموعة أدوات معيارية للعمليات الجارية. وتشمل هذه الخدمات البنية التحتية ونموذج الخدمة، بالإضافة إلى عمليات البيانات، وعمليات تعلم الآلة، وعمليات التعلم الآلي، وعمليات التعلم الآلي منخفضة المستوى، وعمليات التعلم الآلي عالية الدقة، فضلاً عن عمليات الوكلاء، والأمن، والحوكمة، والعمليات المالية، والدعم، والتبني. ويمكن للشركات الحصول على هذه المكونات الأساسية بشكل منفصل ودمجها بنفسها.

يُعدّ الذكاء الاصطناعي المُدار مصطلحًا شاملًا أكثر تطورًا، إذ يجمع بين عدة عناصر في مسؤولية شاملة ومستدامة، ويُحسّن ربط العمليات بالجودة والتكاليف ونتائج الأعمال. مع ذلك، فإنّ فعالية هذا المصطلح مرهونةٌ بجودة العقد ونظام القياس ونموذج المسؤولية. فبدون إدارة متكاملة، يبقى مجرد شعار تسويقي.

تؤدي مختبرات الذكاء الاصطناعي التطبيقي دورًا مختلفًا، ولكنه مكمل لدور المختبرات السابقة. فهي تُحوّل الإمكانيات التكنولوجية إلى تطبيقات عملية، وتقيّم جدواها الاقتصادية، وتُبتكر حلولًا قابلة لإعادة الاستخدام. ولا يُقاس نجاحها بعدد المشاريع التجريبية، بل بسرعة اتخاذ قرارات استثمارية أفضل، وسلاسة انتقال التطبيقات القابلة للتطبيق إلى حيز التشغيل.

لذا، فإن الرؤية الواضحة هي كالتالي: لا ينبغي للشركات أن تختار بين الخدمات المُدارة، والذكاء الاصطناعي المُدار، ومختبرات الذكاء الاصطناعي التطبيقي كما لو كانت منتجات متنافسة. بل عليها أن تُحدد القدرات التي يجب اكتشافها، والمكونات التي يجب تشغيلها، والنتائج التي يجب مراعاتها على المدى الطويل. فمختبر الذكاء الاصطناعي التطبيقي الذي يفتقر إلى نموذج إنتاجي يُنتج مشاريع تجريبية فاشلة. والخدمات المُدارة التي تفتقر إلى مسؤولية المنتج الداخلية تُشغّل التكنولوجيا دون فوائد واضحة. والذكاء الاصطناعي المُدار الذي يفتقر إلى معايير جودة قابلة للقياس وقواعد واضحة للخروج يُؤدي في المقام الأول إلى التبعية. فقط من خلال تفاعل مُصمم بوعي، يُمكن تحويل الذكاء الاصطناعي إلى قدرة تجارية قابلة للتحكم الاقتصادي.

يسعدني أن أكون مستشارك الشخصي.

يمكنكم التواصل معي عبر البريد الإلكتروني wolfenstein∂xpert.digital أو

اتصل بي على الرقم +49 7348 4088 965 .

لينكد إن