هل يواجه خبراء الذكاء الاصطناعي خطر الانقراض؟ لماذا تحل منصات الذكاء الاصطناعي الذكية الآن محل العنصر البشري؟

تحوّل بنية الذكاء الاصطناعي للمؤسسات: من نموذج المطابقة البشرية إلى التكامل الذكي للسياق

لطالما ارتبط تطبيق الذكاء الاصطناعي في بيئة الأعمال بمشاريع مصممة خصيصًا وتتطلب جهدًا بشريًا كبيرًا. وعندما واجهت البرمجيات المعقدة واقعًا تجاريًا أكثر تعقيدًا، كان الحل الأمثل هو: المزيد من الخبرات البشرية. في هذا الدور المحوري، برع ما يُعرف بمهندسي الانتشار الأمامي - وهم مزيج متخصص من المطورين والاستشاريين ومديري المنتجات، يعملون كحلقة وصل مرنة بين التكنولوجيا الجامدة والمتطلبات الفريدة لكل عميل. قاموا بترجمة وتكييف وإنشاء حلول مخصصة متقنة حيث فشلت المنتجات القياسية. كان هذا النموذج هو المعيار الذهبي، ومكّن من تنفيذ مشاريع رقمية رائدة.

لكن هذا النموذج، القائم على الوساطة البشرية، يقترب من حدوده الأساسية. فبفضل التطور المتسارع لتقنية الذكاء الاصطناعي، يبرز جيل جديد من المنصات يُحدث تغييرًا جذريًا في قواعد اللعبة. فبدلًا من الاعتماد على الترجمة اليدوية التي يقوم بها متخصصون مكلفون، تتمتع هذه الأنظمة الذكية بالقدرة على تفسير سياق الأعمال ودمجه مباشرةً، بدءًا من هياكل البيانات وعمليات الأعمال وصولًا إلى قواعد الحوكمة. يُمثل هذا التحول نقطة تحول حاسمة، ويتحدى ليس فقط دور المُكامل البشري، بل أيضًا نماذج الأعمال واستراتيجيات الاستثمار القائمة.

تحلل هذه المقالة التحول الجذري من بنية ذكاء اصطناعي تعتمد على العنصر البشري إلى بنية تتمحور حول المنصات. وتسلط الضوء على نقاط الضعف الهيكلية للنهج اليدوي في عصر قابلية التوسع، وتوضح كيف تُحقق المنصات الواعية بالسياق، من خلال دلالات قابلة للقراءة آليًا ودورات تعلم مؤتمتة، مزايا اقتصادية وتشغيلية فائقة. إنه تحول يُعيد تعريف كيفية خلق الشركات للقيمة، ونموها، وحفاظها على قدرتها التنافسية في عالم يزداد فيه الاعتماد على الأتمتة.

لماذا تعيد المنصات الذكية تعريف دور مُكامل الأنظمة الفردية؟

كان الرد التقليدي على مقاومة تنفيذ مشاريع الذكاء الاصطناعي المؤسسي هو توظيف المزيد من الموظفين. وقد سدّ المهندسون الميدانيون هذه الفجوة لفترة طويلة من خلال العمل كحلقة وصل مرنة بين التكنولوجيا وتطبيقات الأعمال الواقعية. فقد قاموا بتحويل التعقيد التقني إلى حلول مصممة خصيصًا، وجعلوا الأنظمة التي لم تكن مصممة في الأصل للعمل معًا تعمل بكفاءة. ولزمن طويل، كان هذا النهج هو النموذج القياسي لتنفيذ مشاريع التحول الرقمي على مستوى المؤسسة. ولكن مع التطور المتسارع للذكاء الاصطناعي، تطورت أيضًا المتطلبات الأساسية للشركات. وتمثل قدرة منصات الذكاء الاصطناعي الحديثة على تفسير سياق الأعمال مباشرةً دون الاعتماد على التكامل اليدوي المكثف نقطة تحول في كيفية بناء المؤسسات لبنيتها التحتية لتكنولوجيا المعلومات وتوسيع نطاقها.

لا يقتصر هذا التطور على تحدي نماذج أعمال مُكاملِي الأنظمة فحسب، بل يثير أيضًا تساؤلات أعمق حول جدوى التخصيص اليدوي من حيث التكلفة، وقابلية عمليات التعلم للتوسع، والعوائد طويلة الأجل على الاستثمار. وتشير التحولات التكنولوجية الرئيسية الجارية حاليًا في مجال الذكاء الاصطناعي المؤسسي إلى ضرورة إعادة النظر في استراتيجيات المؤسسات فيما يتعلق بالموارد البشرية، والقرارات المعمارية، ونماذج الأعمال.

ذو صلة بهذا الموضوع:

• المهندسون المنتشرون في الخطوط الأمامية والذكاء الاصطناعي: الدور المتغير من التعديل اليدوي إلى الاستشارات الاستراتيجية

نطاق الوظائف والواقع التشغيلي للنهج التكاملي للنظام

يُعدّ مهندس العمليات الميدانية مزيجًا فريدًا من المهندس والاستشاري وخبير المنتج، وتتمثل مهمته في الانغماس مباشرةً في بيئة العميل وتقديم حلول مُخصصة للغاية غالبًا ما تعجز فرق المنتجات التقليدية عن تغطيتها. يختلف هذا الدور عن دور مطور البرامج التقليدي أو مدير النظام، بل يُمثل فئة وظيفية متخصصة تزدهر في بيئات بالغة التعقيد وذات متطلبات محددة.

تشمل مسؤوليات مهندس العمليات الميدانية عادةً جوانب متعددة من تكامل المؤسسات. فهو يعمل عن كثب مع فرق العملاء لفهم عملياتهم التجارية، وسير العمل، وخصوصيات مؤسساتهم. ويتجاوز هذا العمل مجرد دراسة الوثائق السطحية، ويتطلب معرفة عميقة وشاملة بكيفية عمل الأفراد داخل الهياكل التنظيمية. يقوم مهندس العمليات الميدانية بتطوير عمليات تكامل مخصصة، وخطوط نقل بيانات، وحلول بنية تحتية مصممة خصيصًا لكل مؤسسة عميلة. تتجاوز هذه الأنشطة التكوينات المحددة مسبقًا، وغالبًا ما تتطلب أساليب مبتكرة لحل مشكلات لم تظهر سابقًا بهذا الشكل.

ينصب التركيز الأساسي على توفير إمكانيات محددة لمنظمة واحدة أو حتى قسم واحد، بدلاً من تطوير حلول عامة يمكن نقلها بسهولة إلى عملاء آخرين. ينتج عن ذلك نهج شديد التخصيص، حيث يتميز كل تطبيق بخصائصه الفريدة. في جوهر الأمر، يعمل المهندسون الميدانيون كوسطاء بين فريق المنتج وواقع العميل الفعلي. وقد أثبت هذا الدور الوسيط أهميته البالغة في المجالات الحيوية التي تتسم بالتعقيد في التكامل، وخصوصية كل تطبيق، وتكلفة الفشل الباهظة.

صعود مبدأ التكامل اليدوي في المراحل المبكرة من مشهد أعمال الذكاء الاصطناعي

لفهم سبب تحوّل نموذج المهندس المُنتشر في الميدان إلى عنصر محوري في المراحل الأولى لمبادرات الذكاء الاصطناعي المؤسسي، لا بد من النظر في المشهد التكنولوجي خلال تلك المراحل. ففي المراحل الأولى لتطوير الذكاء الاصطناعي المؤسسي، كانت المنتجات المتاحة تفتقر في كثير من الأحيان إلى المرونة والقدرة على التكيف مع تنوع بيئات المؤسسات القائمة. وكانت الأنظمة المتاحة جامدة في الغالب، وموجهة نحو حالات استخدام محددة، وغير قادرة على التعامل بفعالية مع عدم تجانس بيئات المؤسسات الواقعية.

ساعد المهندسون الميدانيون المؤسسات على تجاوز هذه القيود من خلال تصميم برامج مخصصة لكل عملية نشر على حدة. وكان هذا الدعم ذا قيمة بالغة في الحالات التي تتطلب فيها الأنظمة التواصل مع مستودعات بيانات قديمة، أو عمليات يدوية تطورت على مدى عقود، أو بيئات تخضع لمتطلبات تنظيمية صارمة. وكانت خبرة هؤلاء المهندسين لا غنى عنها في ربط أنظمة الذكاء الاصطناعي الحديثة بالطبقات التقنية القديمة التي غالباً ما صُممت وفق نماذج مختلفة تماماً.

أصبح نشر المهندسين في مواقع متقدمة الحل الأمثل في الحالات التي تتطلب فيها المنتجات تخصيصًا واسع النطاق. غالبًا ما كانت بيانات العملاء مجزأة وموزعة على أنظمة قديمة متعددة لم تُصمم أصلًا لتكامل البيانات الحديثة. كان لا بد من تصميم وتنفيذ مسارات بيانات معقدة يدويًا نظرًا لغياب الحلول الآلية التي تراعي الخصائص الفريدة لكل نظام من أنظمة العملاء. تطلّب تحقيق القيمة التجارية فهمًا عميقًا لسياق مؤسسة العميل، وأسواقها، ومنافسيها، وأهدافها الاستراتيجية.

على مدى فترة طويلة، أثبت هذا النهج نجاحًا باهرًا، لا سيما في ظل ندرة عمليات التنفيذ وضخامة حجم الأعمال لكل عقد مع العملاء. فقد أنفقت المؤسسات المالية الكبرى ملايين الدولارات على حلول مصممة خصيصًا لتلبية متطلباتها التشغيلية الفريدة. كما كانت الشركات الصناعية العملاقة، التي تسعى لحماية عمليات التصنيع الخاصة بها، على استعداد لاستثمار مبالغ طائلة في حلول التكامل المصممة حسب الطلب. وفي هذا السياق، لم يكن توظيف مهندسين ميدانيين أمرًا منطقيًا فحسب، بل كان في كثير من الأحيان ضروريًا لإتمام صفقات الشركات بنجاح.

القيود الهيكلية لمبدأ التكامل اليدوي في عصر متطلبات قابلية التوسع

مع ذلك، فقد تغير المشهد التجاري المتعلق بالذكاء الاصطناعي المؤسسي جذرياً. بدأت منصات الذكاء الاصطناعي الحديثة بتحليل السياق وفهمه مباشرةً، واستخلاص المعنى والبنية والعلاقات داخل مجموعات البيانات دون الحاجة إلى نفس القدر من الترجمة اليدوية. في هذه البيئة التكنولوجية الجديدة، يواجه نموذج تقديم الخدمات الذي يعتمد بشكل كبير على التشفير الكامل للبيانات تحديات جوهرية لا يمكن حلها بمجرد تحسين التوظيف أو التدريب.

يتمثل الحد الحرج الأول في تجاوز تباين البيانات وتعقيد النماذج لمستوى التكامل البشري الذي يظل قابلاً للتوسع. يتميز المهندسون الميدانيون بكفاءة ملحوظة عندما يكمن التباين في سير العمل، أي عندما تكمن الاختلافات بين العملاء المختلفين بشكل أساسي في كيفية تنظيم الأفراد لعملهم. مع ذلك، تُدخل أنظمة الذكاء الاصطناعي تباينًا على مستويات متعددة تتجاوز بكثير اختلافات العمليات التنظيمية. فهناك تباين في البيانات الخام نفسها، وفي خصائصها الإحصائية، وفي مستويات دلالة عناصر البيانات المختلفة، وفي وتيرة تحديث البيانات، وفي جودة واتساق تلك البيانات بمرور الوقت. كما يوجد تباين في النماذج المستخدمة لمعالجة هذه البيانات، وفي المعلمات الفائقة لتلك النماذج، وفي متطلبات دقة النموذج، وفي معايير تقييم أداء النموذج.

تُضيف متطلبات الحوكمة طبقةً أخرى من التباين. فلكل ولاية قضائية قوانينها الخاصة بحماية البيانات، ولكل قطاع متطلباته الخاصة بالامتثال. كما أن لكل مؤسسة هيكل حوكمة داخلي يحدّ من الثقة في أنظمة اتخاذ القرارات الآلية. ولا يُمكن إدارة هذا التعقيد بالاعتماد على العنصر البشري فقط، بل يتطلب الأمر طبقات بيانات ونماذج آلية وواعية بالسياق لمواكبة هذا التعقيد.

يتمثل الحد الفاصل الثاني في ديناميكيات دورة التعلم التي تنشأ بين نقل المعرفة الآلي واليدوي. تتحسن أنظمة الذكاء الاصطناعي من خلال حلقات التغذية الراجعة المستمرة. فكلما أسرعت هذه الأنظمة في جمع التغذية الراجعة، وإعادة تدريب النماذج، ونشر النسخ المعدلة في بيئة الإنتاج، كلما اقتربت من تحقيق قيمة تجارية حقيقية. وعندما يتدخل وسطاء بشريون بين نظام المنتج وسياق العميل، تتباطأ حلقات التغذية الراجعة هذه بشكل ملحوظ. تُمكّن مسارات التعلم الآلية المنتجات من التطور بشكل أسرع والتقدم بدقة أكبر. ويمكن دمج بيانات القياس عن بُعد من نظام المنتج باستمرار مع المعلومات السياقية الخاصة بالعميل لتوليد رؤى تُحسّن مجموعة المنتجات بأكملها.

في نموذج هندسة البرمجيات الميدانية اليدوي، غالبًا ما تكون الملاحظات متقطعة وغير منهجية. فبعد عدة أشهر من العمل الميداني، يُبلغ مهندس ميداني أن العملاء يواجهون مشكلة (س) مع الحل، مما يؤدي إلى تعديل مؤقت. لا تُجمع هذه المعلومات بشكل منهجي، ولا تُدمج مع مشاكل العملاء الآخرين، ولا تُعتمد في عملية تطوير المنتج. حلقة التعلم مجزأة وغير مثالية، ولا تُوجه فريق المنتج بشكل منهجي نحو اتخاذ قرارات تصميم أفضل.

يتمثل الحد الحرج الثالث في تداخل حدود المنتج الذي يحدث عندما يندمج المهندسون بعمق في كل عملية نشر لدى العميل. من السمات الأساسية للمنتج الحقيقي قابليته للتكرار. يمكن نشر المنتج لدى عملاء مختلفين دون أن تتطلب كل عملية إعادة بناء كاملة من الصفر. عندما يندمج المهندسون المنتشرين مسبقًا في كل عملية نشر لدى العميل، فإنهم يخاطرون بجعل كل عملية نشر فريدة من نوعها، تتطلب تصميمات وحلولًا خاصة. هذا الأمر يُحدث اضطرابًا جوهريًا لمنصة الذكاء الاصطناعي المصممة للتعلم والتعميم من سياق مُجمّع عبر مؤسسات متعددة. إذا كانت كل عملية نشر فريدة تمامًا، فلن يكون هناك مسار معياري لتعزيز عمليات النشر بعضها بعضًا.

نقطة التحول التكنولوجي: المنصات الواعية بالسياق كأساس جديد

يُحدث الجيل الجديد من منصات الذكاء الاصطناعي للمؤسسات تحولاً جذرياً في بنية النظام، وذلك من خلال دمج الاعتبارات السياقية مباشرةً في صميم بنيته. ويتحقق ذلك عبر آليات تقنية متنوعة، تشمل الأنطولوجيات والطبقات الدلالية والموصلات التكيفية، التي تُمكّن الأنظمة من التكيف تلقائياً مع أي بيئة دون الحاجة إلى تدخل بشري مكثف.

يتمثل الاختلاف الجوهري الأول في أن السياق يصبح قابلاً للقراءة آلياً في هذه المنصات الحديثة. كانت الأنظمة القديمة تستوعب السياق لدى مطوري المفاهيم: حيث يفهم المستخدمون عمليات أعمال العميل، ثم يحتفظون بهذا الفهم بشكل غير رسمي في أذهانهم أو يسجلونه في وثائق غير منظمة. أما المنصات الجديدة، فتستوعب المعنى على كل مستوى وتربطه عبر الأنظمة، مما يُمكّن أنظمة الذكاء الاصطناعي من تفسير البيانات بشكل ذي معنى. فعلى سبيل المثال، قد يستوعب المستوى الدلالي العلاقة بين عناصر بيانات العميل المختلفة: أن "رقم العميل" في النظام (أ) يُعادل "معرف العميل" في النظام (ب)، وأن كلاهما يشير إلى نفس الكيانات التجارية، وأن المعاملات المسجلة في النظام (أ) يجب التحقق من صحتها في النظام (ب).

يتمثل التحول الأساسي الثاني في انتقال عملية التخصيص من الأفراد إلى الأنظمة. ففي النموذج القديم، كان التخصيص عملية يدوية: حيث يقوم المهندس بفحص كود العميل، وفهم واجهاته القديمة، ثم كتابة الكود الجديد لربط النظامين. أما في الأنظمة الواعية بالسياق، فيتم التخصيص من خلال التكوين والتعلم الآلي، وليس من خلال البرمجة اليدوية. إذ يمكن للنظام التعرف تلقائيًا على مصادر البيانات المختلفة، وفهم بنيتها، وصياغة التحويلات المناسبة، كل ذلك دون الحاجة إلى تفاعل المهندس مع كود العميل.

يتمثل التحول الأساسي الثالث في استمرارية عمليات التعلم. ففي نموذج النشر الكامل، كان كل نشر بمثابة إعادة ضبط. لم تكن المعرفة التي جمعها المهندس على مدار أشهر في موقع العميل (أ) قابلة للتطبيق بشكل منهجي على النشر لدى العميل (ب). أما في النموذج القائم على السياق، فتتراكم الرؤى. فإذا تم نشر المنصة لدى مئة عميل، فإن المعرفة المكتسبة من عمليات النشر التسعة والتسعين السابقة تُشكل السياق اللازم لعملية النشر المئة.

يتمثل التحول الأساسي الرابع في قابلية توسيع نطاق عمليات الحوكمة. ففي النموذج اليدوي، كان على مدير الحوكمة ضمان الامتثال للسياسات من خلال التدقيق المباشر. أما في النموذج الآلي، فتُدمج البيانات الوصفية وسلسلة البيانات في المنصة نفسها، مما يسمح بفرض متطلبات الحوكمة بشكل خوارزمي، بينما يتوسع النظام تلقائيًا.

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

التحول الاقتصادي: من الاعتماد على الأفراد إلى فعالية المنصات

يختلف نموذج أعمال المؤسسات التي تعتمد على مهندسين منتشرين في مواقع متقدمة اختلافًا جوهريًا عن نموذج أعمال المؤسسات التي تستخدم منصات واعية بالسياق. هذه الديناميكية الاقتصادية تفسر سبب مصاحبة التغير التكنولوجي لمثل هذا الضغط الاقتصادي.

في نموذج يعتمد على تكامل الأنظمة مع العميل (FDE)، تمثل كل ساعة يقضيها المهندس في تكامل نظام عميل ما تكلفة فرصة بديلة لا تُنقل إلى عملاء آخرين. يقضي المهندس ستة عشر أسبوعًا مع العميل (أ) ليتعلم أنظمته وعملياته ومتطلبات حوكمته. يختفي هذا التعلم الذي استمر ستة عشر أسبوعًا تقريبًا بعد اكتمال عملية النشر. وعندما ينتقل هذا المهندس إلى العميل (ب)، يضطر إلى البدء من الصفر في عملية التعلم بأكملها. ورغم وجود بعض المعارف المكتسبة (مثل تقنيات دمج الأنظمة القديمة وأفضل الممارسات العامة)، إلا أن الجزء الأكبر من الرؤى المتعلقة بالسياق يُفقد.

علاوة على ذلك، يُصبح كل تعديل يُجريه المهندس التزامًا طويل الأمد على المؤسسة. فإذا تلقى العميل (أ) برنامجًا نصيًا مُخصصًا للتكامل يعمل فقط على إصدار قاعدة بياناته المُحدد، فسيتطلب هذا البرنامج صيانةً لسنوات. فعند تحديث إصدار قاعدة البيانات، أو تغيير العمليات التجارية، أو الحاجة إلى نقاط تكامل جديدة، يجب تعديل البرنامج النصي مرة أخرى. تُشكل هذه الصيانة تكلفة ثابتة تتراكم مع كل عميل إضافي. مئة عميل، لكل منهم مئة برنامج نصي مُخصص، يُشكلون عبئًا تقنيًا يتزايد بشكل كبير.

علاوة على ذلك، فإن الاعتماد على المهندسين المنتشرين في مواقع العمل يُشير إلى السوق والعملاء بأن المنتج لم يكتمل بعد. فالمنتج الحقيقي يجب أن يكون قابلاً للتطبيق بأقل قدر من التخصيص. عندما تُخبر مؤسسة ما عملاءها بأن النشر الكامل لحلول الذكاء الاصطناعي الخاصة بها يتطلب التزامًا لمدة ثلاثة أشهر من مهندس ذي مهارات عالية، فإنها تُرسل إشارة مفادها أن هذا ليس منتجًا حقيقيًا، بل هو نهج قائم على الخدمات. وهذا يُحد من عدد العملاء الذين يُمكن للمؤسسة خدمتهم. فمؤسسة نموذجية تضم عشرة مهندسين ذوي مهارات عالية منتشرين في مواقع العمل قد تتمكن من خدمة ما بين عشرين إلى أربعين عميلًا (بحسب مدى تعقيد المهام). وهذا يُمثل إمكانية محدودة للغاية للتوسع والنمو.

من ناحية أخرى، تُحقق المنصات المُدركة للسياق وفورات الحجم. يتطلب التطبيق الأولي لنموذج بيانات الخدمات المالية استثمارًا كبيرًا في القرارات المعمارية، والنمذجة الدلالية، والبنية التحتية التقنية. مع ذلك، يُسرّع هذا التطبيق الأولي عمليات التطبيق اللاحقة بشكل كبير، ويجعلها أكثر فعالية من حيث التكلفة. يستطيع عميل مالي ثانٍ البناء على النموذج الدلالي الحالي، وتكييفه فقط وفقًا لاحتياجاته الخاصة، مما يوفر شهورًا من وقت التطوير. أما العميل المئة، فيستفيد من تسعة وتسعين عامًا من الخبرة المُدمجة في المنصة.

تتيح وفورات الحجم هذه للمؤسسة التي تضم نفس عدد الموظفين خدمة مئات أو آلاف العملاء. وتُعدّ الميزة الاقتصادية كبيرة. فالمؤسسة التي تستثمر ملايين الدولارات في تطوير منصة ذكية تراعي السياق، تستطيع توزيع قيمة هذا الاستثمار على شريحة عملاء أكبر بكثير.

بنية نسيج المعرفة: تطبيق تكنولوجي

لفهم كيفية تطبيق هذا التحول المعماري عمليًا، من المفيد النظر إلى مثال تقني ملموس. تُعدّ بنية نسيج المعرفة، كما هي مطبقة في منصات الذكاء الاصطناعي الحديثة للمؤسسات، مثالًا نموذجيًا لهذا التحول.

تربط شبكة المعرفة مصادر البيانات، وتصنيفات الأعمال، والبيانات الوصفية التشغيلية في رسم بياني موحد للمعنى. يُمكّن هذا الهيكل البياني نماذج الذكاء الاصطناعي، والوكلاء، وأنظمة اتخاذ القرار من التفكير في العمل نفسه. فنموذج الذكاء الاصطناعي الذي لم يكن يعرف سابقًا معنى "مجموعة العملاء" أو كيفية ارتباطها بـ"نوع العميل"، يستطيع الآن استرجاع هذه المفاهيم مباشرةً من الرسم البياني المعرفي. كما يستطيع نظام اتخاذ القرار الذي لم يكن يعرف كيفية ارتباط وحدات العمل المختلفة، الآن قراءة هذه الهياكل من شبكة المعرفة.

يتخذ الاستبدال الملموس لأنشطة هندسة البيانات الميدانية بوظائف نسيج المعرفة أشكالًا متعددة. فمثلًا، يقوم مهندس ميداني بترجمة سير عمل العملاء إلى أنظمة قابلة للتنفيذ. أما ما يُعادل ذلك في نسيج المعرفة، فيقوم بترميز دلالات المجال في أنطولوجيات، وهي تمثيلات رسمية للمفاهيم وعلاقاتها قابلة للمعالجة الآلية. كما يقوم مهندس بتوحيد البيانات عبر الأنظمة من خلال كتابة تحويلات لتوفيق تنسيقات البيانات المختلفة. أما ما يُعادل ذلك في نسيج المعرفة، فيستخدم مخططات وطبقات بيانات وصفية تكيفية، تكتشف تلقائيًا اختلافات تنسيقات البيانات وتقترح التحويلات المناسبة.

قام مهندس بدمج مسارات بيانات مخصصة من خلال تبادل نقاط الاتصال بين الأنظمة. تستخدم بنية المعرفة موصلات بيانات موحدة وواجهات برمجة تطبيقات (APIs)، وهي موصلات عامة تعمل عبر أنظمة متعددة. أدار مهندس الحوكمة يدويًا من خلال التحقق من عدم وصول عناصر بيانات معينة إلى جهات غير مصرح لها، ومن تطبيق ضوابط الوصول، ومن إمكانية تتبع مسار البيانات. تعمل بنية المعرفة على أتمتة تتبع مسار البيانات وتطبيق السياسات من خلال دمج هذه المتطلبات مباشرةً في بنية تدفق البيانات.

هذا التحول التكنولوجي ليس بالأمر الهين، فهو يتطلب استثمارات ضخمة في الهندسة المعمارية، والدلالات، والبنية التحتية. ولكن بمجرد إتمام هذه الاستثمارات، تتضح وفورات الحجم بشكل جليّ.

الآثار المترتبة على المنظمات وقراراتها الاستراتيجية

بالنسبة لقادة الأعمال الذين يقومون بتقييم منصات الذكاء الاصطناعي، فإن التحول من النماذج المعتمدة على التشفير الكامل للبيانات إلى النماذج الواعية بالسياق يثير العديد من الأسئلة الاستراتيجية التي يجب دراستها بعناية.

السؤال الأول هو ما إذا كانت المنصة قيد الدراسة تحقق بالفعل وفورات حقيقية في التكاليف أم أنها لا تزال عالقة في مرحلة المشروع. اختبار تشخيصي بسيط: إذا ادعت المنصة أن كل تطبيق للعميل يتطلب مهندسًا ميدانيًا، فهذا يعني أن المنصة لم تنتقل فعليًا إلى منتج قابل للتوسع. قد يكون منتجًا ممتازًا يلبي متطلبات متخصصة للغاية، ولكنه ليس منتجًا قابلًا للتوسع.

السؤال الثاني هو ما إذا كانت استثمارات الشركة في تقنية الذكاء الاصطناعي تُفضي فعلاً إلى بنية قابلة لإعادة الاستخدام، أم أن كل استثمار يبقى معزولاً. فإذا استثمرت شركة في تطوير تطبيق ذكاء اصطناعي مُحدد للعميل (أ)، ولم يُسهّل هذا الاستثمار تطبيقه للعميل (ب)، فإن الشركة تكون قد استثمرت في أنظمة معزولة. ينبغي للمنصات المُدركة للسياق أن تضمن إعادة استخدام الاستثمارات في البنى الأنطولوجية والنماذج الدلالية وأطر الحوكمة لكل عميل جديد.

السؤال الثالث هو: ما نوع الكفاءات التي ستحتاجها المؤسسات في المستقبل؟ لن يختفي الاحتياج إلى مهندسين ميدانيين تمامًا، لكن طبيعة العمل المطلوب ستتغير جذريًا. فبدلًا من الحاجة إلى مهندسين يقضون شهورًا في مواقع العمل لكتابة التعليمات البرمجية، ستحتاج المؤسسات إلى المزيد من المهندسين المعماريين القادرين على تصميم نماذج دلالية مجردة، وتعميم البنى السياقية، وإنشاء الهياكل الأنطولوجية التي تُمكّن المهندسين الآخرين من إعادة استخدامها. يتحول التركيز من حل المشكلات الفردية إلى هيكلة المعرفة بشكل منهجي.

الحوكمة والامتثال في البنية الجديدة

من الاعتراضات الشائعة على التحول من الإدارة التي تركز على الأفراد إلى الإدارة التي تركز على المنصات، أن متطلبات الحوكمة تعيق ذلك. إذ تجادل الشركات في القطاعات الخاضعة للتنظيم بأن جميع استخدامات البيانات يجب أن تكون قابلة للتدقيق والتحقق، وأن الخبرة البشرية ضرورية لاتخاذ قرارات الحوكمة. هذا اعتراض مفهوم، ولكنه غالبًا ما يسيء فهم الآليات التي تطبق بها المنصات الواعية بالسياق الحوكمة.

في النهج التقليدي، تُفرض الحوكمة من خلال المراجعة البشرية. يتحقق مسؤول حماية البيانات يدويًا من عدم استخدام فئات بيانات معينة لأغراض محددة. ويتأكد مدير الامتثال من اتساق عمليات الوصول إلى البيانات عبر سجلات التدقيق. هذه العملية تستغرق وقتًا طويلاً، وعرضة للأخطاء، ولا يمكن تطبيقها على نطاق واسع.

في منصة واعية بالسياق، تتم إدارة الحوكمة تلقائيًا. تُدمج البيانات الوصفية التي تُحدد تصنيف عناصر البيانات في المنصة. وتُشفّر الإرشادات التي تُحدد فئات البيانات القابلة للاستخدام ولأي أغراض كقواعد قابلة للتنفيذ. وبذلك، يستطيع النظام التحقق تلقائيًا، قبل تنفيذ أي عملية ذكاء اصطناعي، مما إذا كانت هذه العملية تندرج ضمن إطار الحوكمة. وإذا لم تكن كذلك، يقوم النظام بحظر العملية أو يطلب الموافقة قبل تنفيذها.

لا يُعدّ نموذج الحوكمة الآلي هذا أكثر كفاءة فحسب، بل هو في الواقع أكثر دقة من الحوكمة اليدوية. فقد يقع المراجع البشري في خطأ بسبب الإرهاق أو الإهمال، بينما يُجري النظام الآلي المراجعة نفسها بدقة متناهية عشرات الآلاف من المرات. وهذا يعني أن المنصات المُدركة للسياق قادرة على تحقيق نتائج حوكمة أفضل من الأساليب القائمة على المهندسين المنتشرين في مواقع العمل أو غيرها من العمليات اليدوية.

بالنسبة للقطاعات الخاضعة للتنظيم، يعني هذا أن التحول إلى المنصات الواعية بالسياق ليس تراجعًا في جودة الحوكمة، بل تحسينًا لها. ينبغي أن يتمكن المدققون من الاطلاع على سجلات كاملة وغير قابلة للتغيير لكل عملية من عمليات الذكاء الاصطناعي، بما في ذلك معلومات حول البيانات المستخدمة، والنماذج المطبقة، وقواعد الحوكمة التي تمت مراجعتها. وهذا في الواقع يوفر موقفًا تدقيقيًا أقوى من الاعتماد على المراجعة البشرية اليدوية.

الآثار المترتبة على شرائح العملاء المختلفة

في حين أن التحول العام من النماذج المعتمدة على التشفير الكامل للقرص إلى النماذج الواعية بالسياق أمر لا مفر منه، إلا أنه يتجلى بشكل مختلف في شرائح العملاء المختلفة.

بالنسبة للمؤسسات المتوسطة، يُعد هذا التحول جذرياً. ففي السابق، لم تكن هذه المؤسسات قادرة على تحمل تكاليف توظيف مهندسين ميدانيين، مما أدى فعلياً إلى استبعادها من حلول الذكاء الاصطناعي المؤسسية. أما الآن، فقد فتحت المنصات الواعية بالسياق، والقابلة للتوسع والتي تتطلب الحد الأدنى من التخصيص، آفاقاً جديدة لهذه الأسواق. وبات بإمكان مزودي الخدمات المالية المتوسطة الوصول إلى منصة تفهم مسبقاً آلية عمل الخدمات المالية، دون الحاجة إلى إنفاق ملايين الدولارات على التخصيص.

بالنسبة لعملاء المؤسسات الكبيرة، لا يعني هذا التحول تقليلًا في عملية التطوير. لا يزال بإمكان المؤسسات الكبيرة تحمل تكلفة وجود نظام تشفير الملفات الكامل (FDE) على نطاق واسع. ولكن بإمكان هذه المؤسسات الآن اختيار الاستثمار في هذا المجال أو تبني منصة واعية بالسياق، وتوجيه خبراتها الداخلية نحو مراقبة المنصة والتحقق من صحتها وتحسينها باستمرار، بدلًا من الانشغال بكتابة التعليمات البرمجية المخصصة.

بالنسبة لشركات تكامل الأنظمة والاستشارات، يُمثل هذا التحول نقلة نوعية في نماذج أعمالها. فالشركات التي كانت تُحقق القيمة تقليديًا من خلال التخصيص والتكامل اليدوي ستجد أن هذا المصدر للقيمة آخذ في التضاؤل. وهذا ليس بالضرورة أمرًا كارثيًا، بل يتطلب إعادة تموضع. بإمكان شركات الاستشارات تغيير دورها من "مُنفذ يكتب الشفرة" إلى "مستشار استراتيجي يقود عملية التحول المؤسسي". بإمكانها إدارة عملية نقل الأنظمة إلى العمليات التنظيمية القائمة، وتدريب الفرق على استخدام الأنظمة الجديدة بفعالية، وتصميم عمليات الأعمال لتحقيق قيمة مضافة من القدرات التكنولوجية الجديدة.

قياس نضج المنصة وجودة التنفيذ

عندما تختار المؤسسات بين منصات الذكاء الاصطناعي المختلفة، يصبح من الأهمية بمكان تقييم نضج هذه المنصات وقابليتها للتوسع الفعلي. إن مجرد وجود مهندسين ميدانيين ليس مؤشراً سلبياً بحد ذاته (فقد تحتاج المؤسسات الكبيرة إلى مهندسين متخصصين مؤقتاً)، ولكنه يستدعي التساؤل. السؤال التشخيصي الصحيح ليس "هل تحتاج هذه المنصة إلى مهندسين ميدانيين؟" بل "لماذا تحتاج هذه المنصة إليهم؟".

من المفهوم أن تتطلب منصة ما تكامل البيانات الوظيفي (FDE) لأن لدى المؤسسات العميلة متطلبات خارجة تمامًا عن نطاق المنصة. مع ذلك، إذا كانت المنصة تتطلب تكامل البيانات الوظيفي لافتقارها إلى الوعي بالسياق، وعدم قدرتها على تحقيق المرونة من خلال التكوين، وعدم قدرتها على التعامل مع التباين، فهذا يشير إلى أن المنصة لم تصل بعد إلى مرحلة النضج الإنتاجي.

يُعدّ اختبار سرعة تنفيذ التطبيق الثاني والثالث لفئة محددة من المؤسسات العميلة معيارًا تشخيصيًا آخر. فإذا استغرق التطبيق الأول في مؤسسة مالية ستة أشهر، بينما استغرق التطبيقان الثاني والثالث ستة أسابيع فقط، فهذا مؤشر جيد على أن المنصة تتوسع وتكتسب خبرة في المجال. أما إذا استغرق كل تطبيق ستة أشهر، بغض النظر عن عدد مرات التطبيق، فهذا يدل على عدم وجود توسع حقيقي.

الآثار طويلة المدى على هيكل صناعة الذكاء الاصطناعي

إن التحول من النماذج المعتمدة على FDE إلى النماذج الواعية بالسياق له آثار واسعة النطاق على التطور الهيكلي لصناعة الذكاء الاصطناعي.

سيتميز مزودو المنصات بقوة أكبر بناءً على قدرتهم على ترميز المعلومات السياقية المتعمقة لمجالات أو صناعات محددة. سيتمتع المزود الذي يمتلك خبرة حقيقية في مجالات الخدمات المالية، والقدرة على دمج هذه الخبرة في أنطولوجياته ونماذجه الدلالية وهياكل حوكمته، بميزة تنافسية كبيرة على المزودين ذوي المناهج العامة.

وهذا بدوره يعني أن المنصات المتخصصة في قطاعات محددة من المرجح أن تتفوق على المنصات العامة في قطاعات أخرى. فمزود الخدمات المالية المتخصص يدرك أن متطلبات الامتثال تختلف باختلاف المجال، وأن أساليب نمذجة المخاطر تتباين، وأن تصنيف العملاء يتبع معايير الصناعة. أما المزود العام ذو قاعدة العملاء الواسعة، فسيتعين عليه تعميم هذه الخصائص، مما يؤدي إلى نتائج دون المستوى الأمثل.

يشير هذا أيضاً إلى أن صناعة الذكاء الاصطناعي تشهد نوعاً من الاندماج، حيث أصبحت الخبرة المتعمقة في مجال معين ميزة تنافسية قوية. قد تتفوق الشركات الناشئة ذات المواقع المتخصصة في صناعات محددة على المنصات ذات الصلة الأوسع نطاقاً لمجرد أنها أكثر تخصصاً.

وهذا يعني أيضاً أن القطاع يطور هيكلاً ثنائي الطبقات، حيث يتعايش مزودو طبقة البنية التحتية (الذين يوفرون القدرات الأساسية) ومزودو الطبقة المتخصصة (الذين يوثقون الخبرة المتخصصة) ويكمل كل منهما الآخر. قد تختار مؤسسة ما بناء نموذج أساسي من المزود (أ)، بينما يقوم المزود (ب) بتوثيق المعلومات المتخصصة.

نقطة تحول في تكنولوجيا المعلومات: من الخوادم الخارجية إلى المنصات الواعية بالسياق

إن التحول من المهندسين المنتشرين في مواقع العمل الميدانية إلى المنصات الواعية بالسياق ليس مجرد تطور تكنولوجي، بل هو تحول جذري في كيفية تصور المؤسسات لبنيتها التحتية لتكنولوجيا المعلومات وبنائها. هذا التحول مدفوع بمتطلبات اقتصادية (قابلية المنصات للتوسع مقارنةً بالموظفين)، ومتطلبات تكنولوجية (قدرة أنظمة الذكاء الاصطناعي الحديثة على فهم السياق)، ومتطلبات استراتيجية (العائد طويل الأجل على الاستثمار في ذكاء المنصات مقارنةً بالتخصيص الموجه نحو المشاريع).

بالنسبة لقادة الأعمال، يعني هذا ضرورة تغيير طريقة تقييم منصات الذكاء الاصطناعي. لم يعد كافياً السؤال: "هل تستطيع هذه المنصة حل مشكلتنا المحددة؟" بل السؤال الصحيح هو: "هل يمكن توسيع نطاق هذه المنصة، وإن لم يكن ذلك ممكناً، فلماذا؟" ستؤثر الإجابات على هذه الأسئلة في قرارات الاستثمار الاستراتيجية لسنوات قادمة.

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
 

 

مجالات التركيز الصناعية: الأعمال التجارية بين الشركات، والتحول الرقمي (من الذكاء الاصطناعي إلى الواقع الممتد)، والهندسة الميكانيكية، والخدمات اللوجستية، والطاقات المتجددة، والصناعة

للمزيد من المعلومات، انقر هنا:

• مركز أعمال الخبراء

مركز متخصص يقدم رؤى وخبرات:

• منصة معرفية تغطي الاقتصادات العالمية والإقليمية والابتكار والاتجاهات الخاصة بكل صناعة
• مجموعة من التحليلات والرؤى والمعلومات الأساسية من مجالات تركيزنا الرئيسية
• مكانٌ للخبرة والمعلومات حول التطورات الحالية في مجال الأعمال والتكنولوجيا
• مركز للشركات التي تسعى للحصول على معلومات حول الأسواق والتحول الرقمي والابتكارات الصناعية