لماذا تستثمر الشركات ملايين الدولارات في حلول الذكاء الاصطناعي الخاطئة، وكيف تُغير بنية مختلفة كل شيء؟

لا يتطلب نجاح الذكاء الاصطناعي مستودع بيانات: هذا السر المعماري يوفر على الشركات سنوات

تستثمر الشركات ملايين الدولارات وتُهدر شهورًا ثمينة في البحث عن نموذج الذكاء الاصطناعي الأمثل ومحاولة دمج جميع بياناتها المؤسسية. لكن الواقع المرير، الذي يتجلى في معدلات الفشل المرتفعة بشكل مثير للقلق، يُظهر أن مشاريع الذكاء الاصطناعي نادرًا ما تفشل بسبب الخوارزمية المختارة، بل بسبب بنى البيانات القديمة والافتراض الخاطئ بأن البيانات يجب أن تكون مركزية ودقيقة تمامًا قبل أن يتمكن الذكاء الاصطناعي من تقديم قيمة مضافة حقيقية. تستكشف هذه المقالة لماذا يُعرقل ما يُسمى بـ"فخ الدمج" الجداول الزمنية، ولماذا تُعد معدلات الفشل التي تصل إلى 80% هي القاعدة في مجال الذكاء الاصطناعي المؤسسي، وكيف تُقدم مناهج "نسيج المعرفة" الحديثة حلًا أنيقًا لهذه المشكلة. أولئك الذين يُدركون أن الأنظمة الذكية تحتاج إلى بيانات مترابطة، بدلًا من البيانات المركزية، يُمكنهم تقليل وقت النشر من سنوات إلى بضعة أيام فقط، وبالتالي تحقيق نجاح ملموس لاستراتيجية الذكاء الاصطناعي الخاصة بهم.

ذو صلة بهذا الموضوع:

• UNFRAME.AI: النشر السريع للذكاء الاصطناعي هو مشكلة بيانات، وليس مشكلة نموذج

لا يفشل نشر الذكاء الاصطناعي بسبب النموذج نفسه، بل يفشل بسبب بنية البيانات

أي شخص يفكر في تطبيق الذكاء الاصطناعي في أعماله اليوم يطرح حتمًا السؤال الأول: ما هو النموذج الأنسب لحالتنا؟ GPT-4، كلود، جيميني، لاما، ميسترال - تقضي الفرق أسابيع في مقارنة سرعة الاستدلال، وتكاليف الرموز، والدقة بمعايير قياسية. ثم يُتخذ القرار، ويُطلق مشروع التكامل، ويمتد الجدول الزمني من أسابيع إلى شهور، وينتهي بعبارة "سنعيد النظر في هذا الأمر في الربع القادم". لم يكن النموذج هو العائق أبدًا، ونادرًا ما يكون كذلك. ما يحدد حقًا قدرة الشركة على نشر الذكاء الاصطناعي بفعالية في غضون أيام أو اثني عشر شهرًا هو كيفية تعاملها مع البيانات - ليس حجمها، ولا جودتها وحدها، بل كيفية ربط البيانات بنظام الذكاء الاصطناعي لتقديم نتائج موثوقة في سير العمل ذي الأهمية الفعلية.

حيث تختفي الأشهر فعلاً

تُشير الأدلة التجريبية المتاحة حول هذا الموضوع بوضوح إلى حقيقة مُقلقة. تُظهر أبحاث غارتنر أن 48% فقط من مشاريع الذكاء الاصطناعي في المؤسسات تصل إلى مرحلة الإنتاج بعد مرحلة النموذج الأولي. ويستغرق المسار المتوسط ​​من الفكرة الأولية إلى التشغيل الفعلي ما بين ثمانية إلى ثمانية عشر شهرًا تقريبًا. ويُظهر تحليل هذه الفترة الزمنية توزيع الوقت: فاختيار النموذج، وضبطه بدقة، وتطويره السريع، تستغرق عادةً بضعة أسابيع. أما الجزء الأكبر بكثير - من 60 إلى 80% من إجمالي الجهد، وفقًا لتقديرات القطاع - فيُستهلك في معالجة البيانات.

يكفي أن نتأمل في ما يستلزمه نقل البيانات: حصر البيانات الموجودة، وتحديد مواقع التخزين، وبناء مسارات نقل البيانات، وتنظيف البيانات وتوحيدها، والتحقق من صحة مخرجات الذكاء الاصطناعي مقارنةً بالمدخلات المستخدمة، ثم إعادة العملية برمتها إذا رأى أصحاب المصلحة أن مصدر البيانات الأولي لم يكن كافيًا. ليس هذا مجرد تذمر نظري من وفرة البيانات، بل هو واقع يومي في آلاف الشركات حول العالم.

أدلى أندرو نغ، أحد أبرز الشخصيات المؤثرة في مجال تعلم الآلة، بملاحظة قبل سنوات، شاع استخدامها لدرجة أنها فقدت تأثيرها: يُخصص ما يقارب 80% من العمل في تعلم الآلة لإعداد البيانات. لم يصف نغ هذه المشكلة بأنها مدعاة للشفقة، بل أشار إلى أن أمن البيانات وجودتها يُصبحان بالتالي مهمة أساسية لفريق الذكاء الاصطناعي. وتؤكد أبحاث القطاع التي أجرتها شركات غارتنر وديلويت وماكينزي هذا التقييم باستمرار: فمعظم حالات فشل مشاريع الذكاء الاصطناعي تعود إلى مشاكل في بنية البيانات، وليس إلى نقاط ضعف في الخوارزميات - وتتراوح معدلات الفشل بين 70 و85%، بحسب الدراسة. يُعدّ بناء النموذج الجزء السهل، بينما تُمثل بنية البيانات الجزء الصعب، وهذا الجزء الصعب هو الذي يُحدد الجدول الزمني.

فخ التوحيد الذي يدمر الجداول الزمنية

هناك نمطٌ يُضيف باستمرار من ستة إلى اثني عشر شهرًا إلى تأخير مشاريع الذكاء الاصطناعي في المؤسسات. يُحدد الفريق حالة استخدام قيّمة. توجد البيانات اللازمة في أربعة أنظمة مختلفة. يقول أحدهم: "قبل أن نتمكن من نشر الذكاء الاصطناعي هنا، نحتاج إلى توحيد بياناتنا". يُطلق مشروع مستودع البيانات. يُعيّن فريق تكامل. بحلول الوقت الذي تُنظف فيه البيانات وتُوحّد وتُصبح "جاهزة للذكاء الاصطناعي"، تكون حاجة العمل قد تغيرت، وانتقل الراعي التنفيذي إلى شركة أخرى، ويُجمّد المشروع.

هذا هو فخ التوحيد، وهو المسؤول عن فشل مبادرات الذكاء الاصطناعي أكثر من أي قيد آخر في النموذج. يبدو الافتراض الأساسي منطقيًا: يحتاج الذكاء الاصطناعي إلى بيانات نظيفة ومركزية ليعمل. إلا أنه خاطئ جوهريًا. فالذكاء الاصطناعي لا يحتاج إلى بيانات مركزية، بل إلى بيانات مترابطة. والفرق بين هذين المفهومين كالفرق بين مشروع مستودع بيانات يستغرق اثني عشر شهرًا، ونشر يمكن تشغيله في غضون أيام.

تعني البيانات المترابطة أن نظام الذكاء الاصطناعي قادر على التدخل في الأنظمة التي تتواجد فيها البيانات بالفعل، واستخلاص ما يحتاجه منها، وفهم العلاقات بين الكيانات عبر حدود الأنظمة، وتقديم نتائج تراعي السياق الكامل. هذا تحديدًا ما تُحققه ما يُسمى ببنى نسيج المعرفة: فهي تُنشئ طبقة دلالية فوق مصادر البيانات الموجودة دون الحاجة إلى دمجها أولًا في مستودع بيانات مركزي واحد. تبقى البيانات في مكانها، بينما تربطها طبقة الذكاء. وتُصبح مستودعات البيانات الوصفية، وسلسلة نسب البيانات، وقواعد الحوكمة الشاملة مكونات أساسية لهذه البنية، دون الحاجة إلى مشروع ترحيل مُتكامل مُسبق.

يُفرّق هذا القرار المعماري بين المؤسسات التي تُفعّل الذكاء الاصطناعي في غضون أيام وتلك التي لا تزال تُجهّز بياناتها بعد عام. فالأولى تقبّلت حقيقة أن بياناتها لن تكون مثالية أبدًا، وطوّرت طبقة ذكاء اصطناعي تتوافق مع الواقع التشغيلي. أما الثانية، فتنتظر حالة بيانات لن تتحقق أبدًا، لأن بيانات المؤسسة ديناميكية، فهي تتغير وتنمو وتتجزأ باستمرار. والانتظار لها أشبه بالانتظار لخط نهاية دائم التغيّر.

معدل التسرب المذهل وما يكشفه عن الأولويات

في عام 2025، ووفقًا لدراسة استقصائية أجرتها مؤسسة S&P Global Market Intelligence شملت أكثر من 1000 شركة في أمريكا الشمالية وأوروبا، ستتوقف 42% من الشركات عن تنفيذ معظم مبادراتها في مجال الذكاء الاصطناعي، وهو ارتفاع ملحوظ مقارنةً بنسبة 17% في العام السابق. وستتخلى المؤسسات في المتوسط ​​عن 46% من مشاريعها التجريبية في مجال الذكاء الاصطناعي قبل وصولها إلى مرحلة الإنتاج. وتتوقع مؤسسة غارتنر أيضًا أن 40% من جميع مشاريع الذكاء الاصطناعي القائمة على الوكلاء ستتوقف بحلول نهاية عام 2027 بسبب ارتفاع التكاليف، وعدم وضوح القيمة التجارية، وعدم كفاية إدارة المخاطر. وكانت توقعات غارتنر السابقة قد حذرت من أنه بحلول عام 2026، سيتم إيقاف ما يقرب من 60% من جميع مشاريع الذكاء الاصطناعي التي لا تعتمد على قواعد بيانات مدعومة بالذكاء الاصطناعي.

خلصت مبادرة معهد ماساتشوستس للتكنولوجيا ووكالة ناندا إلى أن 95% من المشاريع التجريبية للذكاء الاصطناعي التوليدي في الشركات فشلت في تحقيق عائد استثمار قابل للقياس. وتستدعي هذه النتيجة عدة تقييمات نقدية: فمنهجية الدراسة - التي اعتمدت على 52 مقابلة وقياس النجاح خلال ستة أشهر - مثيرة للجدل، كما أن إمكانية تعميم هذه النسبة على جميع أحجام الشركات محل شك. ومع ذلك، تدعم مصادر أخرى الفرضية الأساسية: ففي الواقع، تبين أن المعوقات الحاسمة لا تكمن في أداء النموذج أو الأدوات، بل في جاهزية المؤسسة وجودة التنفيذ. ويُعد عنصر البيانات أهم عنصر في جاهزية المؤسسة، وتحديدًا: هل يستطيع نظام الذكاء الاصطناعي الوصول إلى المعلومات اللازمة، بالصيغة المطلوبة، مع وجود ضوابط الحوكمة اللازمة؟

من التبسيط المفرط إلقاء اللوم على بنية البيانات وحدها في الفشل برمته. فقد أظهرت دراسة أجرتها شركة كلاود فلايت على 150 من كبار المديرين التنفيذيين الألمان في يناير 2026 أن 49% من المشاركين أشاروا إلى عدم التوافق بين أقسام تكنولوجيا المعلومات والأعمال والامتثال باعتباره المشكلة الأكبر. هذه مشكلة تنظيمية وليست تقنية بحتة. ومع ذلك، يبقى التشخيص الأساسي كما هو: أولئك الذين لا يوضحون مسؤوليات البيانات قبل الشروع في مشروع ذكاء اصطناعي لن يتمكنوا من بناء بنية بيانات جاهزة للإنتاج. إن حوكمة البيانات في مجال الذكاء الاصطناعي ليست أولوية ثالثة، بل هي شرط أساسي.

ما يتطلبه النشر السريع حقًا

إذا كان السؤال هو كيف يمكن نشر الذكاء الاصطناعي بسرعة، فإن الإجابة الصادقة تتكون من ثلاثة أجزاء. ولا يتعلق أي منها باختيار النموذج.

يتعلق الشرط الأول بالاتصال. يجب أن تكون منصة الذكاء الاصطناعي قادرة على الاتصال بقواعد البيانات المنظمة، ومستودعات المستندات غير المنظمة، ومنصات البرمجيات كخدمة (SaaS)، والأنظمة القديمة، وأدوات الاتصال، دون الحاجة إلى قيام الشركة بتوحيد جميع البيانات مسبقًا. يجب أن تكون طبقة الاستخراج والتجريد قادرة على معالجة المستندات بتنسيقات متنوعة، وربط الكيانات المستخرجة بمخطط موحد، وإرسال الاستثناءات للمراجعة اليدوية، كل ذلك دون الحاجة إلى مشروع استخراج وتحويل وتحميل (ETL) يستغرق ستة أشهر. تفشل الشركات التي تفتقر إلى بنية تحتية كافية لواجهات برمجة التطبيقات (API) لخطوط أنابيب ETL التقليدية في هذه الخطوة الأولى، لأن أنظمة الذكاء الاصطناعي ببساطة لا تستطيع الوصول إلى مصادر البيانات نفسها التي يصل إليها الموظفون.

تتعلق النقطة الثانية بالنمطية المعمارية. يجب أن تفصل بنية المنصة طبقة اتصال البيانات عن طبقة الذكاء الاصطناعي. فإذا كانت هاتان الطبقتان مترابطتين بشكل وثيق، فإن أي تغيير في مصدر البيانات يعني إعادة بناء سير عمل الذكاء الاصطناعي بالكامل. أما إذا كانتا منفصلتين، فإن إضافة مصدر بيانات جديد لا يعدو كونه تغييرًا بسيطًا في الإعدادات. ولا تُعدّ البنية النمطية مجرد مصطلح رائج في هذا السياق، بل هي السبب التقني وراء إمكانية نشر بعض المنصات في غضون أيام بينما تستغرق منصات أخرى شهورًا. وتُظهر تصاميم مثل Fabric OneLake من مايكروسوفت كيف يمكن لطبقة بيانات موحدة - حيث تعمل جميع أحمال العمل على مخزن بيانات واحد - أن تُقلل بشكل كبير من التجزئة بين نطاقات البيانات.

تتعلق النقطة الثالثة بالحوكمة وإمكانية التتبع. يجب أن يُقدّم النشر نتائج قابلة للتحقق من أول تشغيل إنتاجي، لا بعد مرحلة التحقق أو دورة ضمان الجودة. يجب أن يكون كل مُخرَج قابلاً للتتبع إلى بياناته المصدرية، وأن يكون كل قرار قابلاً للتفسير، وأن يُخلّف كل سير عمل سجلاً تدقيقياً كاملاً. يُسرّع هذا من عملية النشر، لأن البديل هو مسار حوكمة منفصل يعمل بالتوازي مع النشر، ليصبح حتماً العامل الحاسم لبدء التشغيل الفعلي. يتطلب تنظيم الذكاء الاصطناعي في الاتحاد الأوروبي وأطر عمل مثل NIST AI أو ISO/IEC 42001 هذه الحوكمة المُدمجة تحديداً، فالشركات التي تُهمل الحوكمة ستفشل بشكل متزايد في تلبية المتطلبات التنظيمية.

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

طبقة الذكاء الدلالي كميزة تنافسية

من أبرز التطورات في هندسة الذكاء الاصطناعي للمؤسسات خلال العامين الماضيين ظهور طبقات الذكاء الدلالي التي تُضاف إلى بيئات البيانات الحالية. تربط مناهج نسيج المعرفة السياسات بسير العمل، والتذاكر بوثائق المنتج، والمحادثات بقواعد المعرفة، ما يحافظ على السياق الدلالي والتشغيلي الذي تفقده عمليات البحث التقليدية بالكلمات المفتاحية أو المتجهات. يُوسَم كل عنصر بالأصل والمؤلف والإصدار والطابع الزمني، ما يعني أن كل استجابة من الذكاء الاصطناعي قابلة للتتبع والتفسير ومتوافقة مع المتطلبات التنظيمية مثل اللائحة العامة لحماية البيانات (GDPR) وقانون قابلية نقل التأمين الصحي والمساءلة (HIPAA).

اتبعت مايكروسوفت نهجًا مشابهًا مع إطلاق Fabric IQ: فبدلًا من العمل بشكل أساسي مع الجداول والمخططات ونماذج ذكاء الأعمال الفردية، يتم نمذجة الأعمال على شكل أنطولوجيا - مع كيانات مثل العميل والطلب والآلة، وعلاقاتها وخصائصها وقواعدها والإجراءات المسموح بها. تصبح هذه الطبقة الدلالية لغة مشتركة لكل من البشر ووكلاء الذكاء الاصطناعي. المبدأ الأساسي هو نفسه في نهج Knowledge Fabric: يتحول الجهد من مشروع ترحيل شاق لمرة واحدة إلى إثراء مستمر وتدريجي للطبقة الدلالية.

يكشف هذا عن تحول جذري في التفكير مقارنةً بنهج مستودعات البيانات التقليدية. لا يهدف مفهوم "نسيج البيانات" المعماري إلى المركزية، بل إلى الترابط: فغالبًا ما تبقى البيانات في مصدرها أو حيثما دعت الحاجة إليها، بينما تُسهّل شبكة من الخدمات والواجهات ومستودعات البيانات الوصفية الوصول إليها. إن فكرة الوصول الموزع هذه ليست حلاً وسطًا، بل هي متفوقة من الناحية المعمارية لأنها تحترم الديناميكيات الطبيعية لبيانات المؤسسة بدلًا من مقاومتها.

فشل نسبة الـ 42%: حل المشكلة الخاطئة

لم تكن الشركات التي تخلت عن مبادراتها في مجال الذكاء الاصطناعي بالضرورة تعمل ببيانات أسوأ من تلك التي نجحت. فقد كانت تعمل بنفس البيانات المؤسسية المجزأة وغير المتناسقة التي تمتلكها كل مؤسسة. والفرق يكمن في أنها افترضت أنها ستحتاج إلى تنظيف هذه البيانات قبل نشر الذكاء الاصطناعي، بدلاً من بناء بنية ذكاء اصطناعي قادرة على العمل مع البيانات غير الكاملة منذ البداية.

أكدت مؤسسة راند أن أكثر من 80% من مشاريع الذكاء الاصطناعي تفشل، أي ضعف معدل فشل مشاريع التقنيات الأخرى. وفي القطاع المالي، تُشير الأرقام إلى نتائج أكثر دقة: إذ تفشل 70% من مشاريع الذكاء الاصطناعي في شركات التأمين و61% في البنوك بسبب نقص البيانات، وفقًا لدراسة أجرتها شركة دان أند برادستريت. وتعتبر 55% من الشركات التي شملها الاستطلاع أن رداءة جودة البيانات تُشكل أكبر خطر يهدد أعمالها في السنوات القادمة. علاوة على ذلك، فإن 56% من البنوك و79% من شركات التأمين لديها ثقة محدودة في بياناتها.

لكن حتى هذه الإحصائيات يجب تفسيرها بحذر. تُظهر دراسة كلاود فلايت أن 7% فقط من الشركات تعتبر بياناتها جاهزة تمامًا للذكاء الاصطناعي. لا يكمن السؤال في ما إذا كان هذا يعود إلى جودة البيانات، بل في ما إذا كان هناك من لم يُقرر بعد كيفية استخدام البيانات الحالية في الذكاء الاصطناعي. غالبًا ما يكون غياب سلطة اتخاذ القرار بشأن من يُصرّح باستخدام أي بيانات ولأي حالة استخدام هو السبب الحقيقي وراء تعثر المشاريع لأشهر. لا يمكن لأي نظام بيانات في العالم حل هذه المشكلة. إنها مشكلة حوكمة يجب معالجتها على مستوى المؤسسة قبل أن تُؤتي الحلول التقنية ثمارها.

مقارنة تكاليف النشر: المخاطر التي يتم التقليل من شأنها للبنية المعيبة

يُعدّ نشر الذكاء الاصطناعي التقليدي للمؤسسات باستخدام نموذج الدمج الكلاسيكي مكلفًا: إذ تستغرق عملية إعداد البيانات وحدها من ستة إلى ثمانية أشهر، أي ما يعادل 60 إلى 80 بالمئة من إجمالي جهد المشروع. يُضاف إلى ذلك ما بين أربعة إلى ستة أسابيع لكل نظام ليتم دمجه، في مشروع متوسط ​​يضم من ثمانية إلى خمسة عشر نظامًا. تتطلب مراجعات الأمن والامتثال من 13 إلى 25 أسبوعًا، والتطوير المخصص من ثلاثة إلى ستة أشهر أخرى، والاختبار والتحقق من الصحة من شهرين إلى ثلاثة أشهر. في نهاية المطاف، تتراوح الاستثمارات الإجمالية في السنة الأولى بين 1.8 و3.75 مليون يورو - وهذا فقط للمشاريع الناجحة. أما بالنسبة للمشاريع الفاشلة التي تبلغ نسبتها 85 بالمئة، فإن هذا الاستثمار يصبح في معظمه غير قابل للاسترداد.

بالنسبة لشركات سلاسل التوريد، صنّفت غارتنر الذكاء الاصطناعي التوليدي ضمن "مرحلة خيبة الأمل"، وهي المرحلة التي تتجاوز فيها إخفاقات التنفيذ قصص النجاح. وقد تم تحديد السبب بدقة: فمتطلبات تكامل الأنظمة القديمة وحوكمة البيانات تخلق عقبات أمام نشر الإنتاج، وهي عقبات لم تكشف عنها المشاريع التجريبية في بيئات مُحكمة. وقد أثبتت كلية وارتون بجامعة بنسلفانيا أن الشركات تُقلل باستمرار من تقدير تعقيد عمليات نشر الإنتاج بمقدار ثلاثة إلى خمسة أضعاف، فالمشاريع التي يُقدّر إنجازها بثلاثة أشهر تستغرق في الواقع من 12 إلى 18 شهرًا عند احتساب أعمال التكامل، وعمليات التدقيق الأمني، وإدارة التغيير.

مع ذلك، من المهم التذكير بأنّ مرحلة خيبة الأمل لا تعني بالضرورة فشل التكنولوجيا، بل هي بمثابة انتقال من التوقعات غير الواقعية إلى تقييم موضوعي. فالمؤسسات التي تتجاوز هذه المرحلة بنجاح - من خلال حلّ مشكلات التكامل، ومعالجة تحديات إدارة البيانات، وبناء نضج تشغيلي - تصل إلى أنظمة فعّالة تُحقق قيمة ملموسة. ويكمن الفرق الجوهري في ما إذا كانت المؤسسات تُفسّر هذه المرحلة كإشارة للاستسلام أم كبداية لعملية تنفيذ جادة.

السؤال الحاسم الذي نادراً ما يطرحه أحد

ينبغي على أي شخص يقوم بتقييم كيفية نشر الذكاء الاصطناعي بسرعة أن يتوقف عن السؤال: "ما هو النموذج الأفضل لحالة الاستخدام لدينا؟" وأن يسأل بدلاً من ذلك: "هل يمكن لهذه المنصة الاتصال ببياناتنا في حالتها الحالية وتقديم نتائج موثوقة في غضون أسبوع؟"

يُستبعد من هذا السؤال 90% من الحلول التي ستُضيف شهورًا إلى الجدول الزمني. كما يُستبعد المنصات التي تتطلب مستودع بيانات كشرط أساسي. ويُستبعد أيضًا الموردين الذين يحتاجون إلى ستة أسابيع من "الاستكشاف" قبل أن يُحددوا ما إذا كان منتجهم سيعمل مع الأنظمة الحالية. ويكشف هذا السؤال عن المنصات التي صُممت من الصفر للعمل مع واقع البيانات الذي تواجهه كل مؤسسة: بيانات مُجزأة، مُوزعة، غير مُنسقة بشكل مثالي، وغير مُستعدة للانتظار حتى يقوم أحدهم بتنظيفها.

مسألة النموذج مهمة، لكنها ثانوية. إنها المرحلة الأخيرة من رحلة تُتخذ فيها القرارات الحاسمة في وقت مبكر جدًا - في القرارات المتعلقة ببنية البيانات، والطبقات الدلالية، وهياكل الحوكمة، والمسؤوليات التنظيمية. الشركات التي تُدرك هذا تُطبّق الذكاء الاصطناعي في غضون أيام. أما الشركات التي لا تُدركه، فتتساءل بعد عام لماذا لم يُطبّق نموذجها الأولي بعد.

الشروط الثلاثة التي تحدد النجاح أو الفشل

يكشف تحليل نتائج الأبحاث المتاحة وتجارب النشر في العالم الحقيقي عن ثلاثة متطلبات هيكلية أساسية لتنفيذ الذكاء الاصطناعي بشكل سريع ومستدام.

الشرط الأول هو الاتصال التقني دون الحاجة إلى دمج البيانات. إن بنية تربط مصادر البيانات غير المتجانسة دلاليًا بدلًا من دمجها فعليًا، تقضي على العامل الأكبر في تأخيرات النشر. واجهات برمجة التطبيقات (APIs) كجسر بين وظائف الذكاء الاصطناعي والأنظمة الحالية، وبنى الحوسبة السحابية الهجينة لتكامل الأنظمة القديمة، وطبقات البيانات المعيارية التي يمكن تحديثها بشكل مستقل عن بنية النظام الأساسية - هذه هي العوامل التقنية المُمكّنة. ووفقًا لملاحظات القطاع، فإن تجنب مشروع الدمج يوفر من ستة إلى اثني عشر شهرًا.

الشرط الثاني هو وضوح حوكمة المؤسسة قبل النشر. يجب توضيح حقوق اتخاذ القرار - من يُصرّح له بالوصول إلى أي بيانات، ولأي حالة استخدام - قبل كتابة أول سطر من التعليمات البرمجية. السبب الأكثر شيوعًا لتعثر المشاريع ليس مشكلة تقنية، بل نقاش غير محسوم بين الأقسام حول الوصول إلى البيانات والمسؤوليات. يجب وضع هيكل حوكمة بسيط يُتيح التكرار قبل كتابة نموذج التعليمات البرمجية. قد يبدو هذا بديهيًا، ولكنه يُتجاهل بشكل منهجي.

الشرط الثالث هو إمكانية التدقيق المدمجة منذ البداية. فالأنظمة التي توفر سجلات تدقيق كاملة، ومصدر البيانات، وقرارات قابلة للتفسير من أول تشغيل إنتاجي، تُغني عن الحاجة إلى مسار عمل حوكمة منفصل، والذي عادةً ما يُصبح العامل الحاسم الأخير قبل بدء التشغيل الفعلي. ومع توجيه الاتحاد الأوروبي بشأن الذكاء الاصطناعي ومتطلبات الامتثال الخاصة بكل قطاع، لم تعد إمكانية التدقيق إضافة اختيارية، بل أصبحت مطلبًا تنظيميًا. أولئك الذين يدمجون بنية الحوكمة التحتية في بنية المنصة، بدلًا من التعامل معها كمشروع منفصل، يستفيدون فائدة مزدوجة: نشر أسرع وامتثال أكثر استدامة.

سيكون نموذج النشر حاسماً لسنوات قادمة

لا يتحقق النشر السريع للذكاء الاصطناعي باختيار نموذج أسرع، بل باختيار بنية لا تفترض أن البيانات شيءٌ آخر. فبيانات المؤسسات حية، ومجزأة، وغير كاملة، وستبقى كذلك. وبنية الذكاء الاصطناعي التي تتقبل هذا الواقع تكون قوية، أما تلك التي تعتبر الكمال شرطًا أساسيًا فهي محكوم عليها بالفشل.

إن نموذج النشر الذي تختاره الشركة اليوم سيحدد قدرتها التنافسية في عصر الذكاء الاصطناعي لسنوات قادمة. إن الفرق بين شركة تستخدم الذكاء الاصطناعي كأداة استراتيجية وشركة أخرى تطلق وتتخلى عن نموذج تجريبي جديد كل ثلاثة أشهر، نادرًا ما يكمن في النموذج نفسه، بل يكمن في الأساس: في بنية البيانات، وفي نضج المؤسسة، وفي الاستعداد للعمل مع الواقع غير الكامل بدلًا من انتظار الكمال الذي لن يتحقق أبدًا.

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