في مؤتمر «دل تكنولوجيز وورلد» الذي اختتم فعالياته الخميس في لاس فيغاس، لم يعد السؤال الأبرز حول الذكاء الاصطناعي هو ما إذا كانت المؤسسات قد بدأت تجاربه، بل لماذا يتعثر كثير منها قبل أن يتحول إلى قيمة تشغيلية داخل الأعمال. فمرحلة التجارب السريعة لم تعد كافية لإثبات جدوى التقنية، خصوصاً مع انتقال الشركات من المساعدات الذكية البسيطة إلى أنظمة الذكاء الاصطناعي الوكيلي القادرة على تنفيذ خطوات متعددة، والتفاعل مع بيانات وأنظمة داخلية، وربما التأثير في سير عمل كامل.
في مقابلة خاصة مع «الشرق الأوسط»، يضع سكوت بيلز، نائب الرئيس للخدمات المهنية في «دل تكنولوجيز»، هذا التحول في إطار عملي. فالمؤسسات، كما يشرح، تبدأ غالباً بـ«إثبات مفهوم» للتحقق من صلاحية حل أو حالة استخدام معينة، لكنها تحتاج بعد ذلك إلى مرحلة مختلفة يسميها «إثبات القيمة».
ولا تكتفي هذه المرحلة بسؤال: هل تعمل التقنية؟ بل تذهب إلى أسئلة أعمق: ما القيمة التي ستنتج عنها؟ وما مؤشرات الأداء؟ وما النتائج التي تريد المؤسسة تحقيقها؟ يقول بيلز إن هذه المرحلة قد تمتد عادة من أربعة إلى ستة أسابيع، وتقوم على استخدام بيانات المؤسسة نفسها، وتحديد مؤشرات النجاح، ثم اختبار حالة الاستخدام قبل الانتقال إلى التوسع الكامل.
إثبات القيمة هذا التمييز بين «إثبات المفهوم» و«إثبات القيمة» يختصر أحد أهم دروس الذكاء الاصطناعي المؤسسي اليوم. فنجاح تجربة تقنية محدودة لا يعني بالضرورة أنها جاهزة لدخول سير العمل اليومي. يوضح بيلز أن ما يجعل تجربة الذكاء الاصطناعي الوكيلي قابلة للانتقال إلى سير عمل حقيقي هو تحديد هذا السير نفسه، ثم تحديد مؤشرات الأداء والنتائج المطلوبة. وإذا لم يثبت «إثبات القيمة» أن الفرصة تستحق التوسع، فقد يكون ذلك مؤشراً إلى أن المؤسسة لا تحتاج إلى الانتقال إلى الإنتاج في هذه الحالة، أو أنها يجب أن تبحث عن استخدام آخر أكثر جدوى.
من هنا يصبح الطريق إلى الإنتاج أقل ارتباطاً بشراء البنية التحتية وحدها، وأكثر ارتباطاً بالعمل الخفي الذي يحدث بعدها. يفيذ بيلز بأن المؤسسات غالباً تقلل من حجم العمل المطلوب بعد تنفيذ الحل، بما في ذلك الحفاظ على حداثة المنظومة الكاملة، من طبقة التحكم والتنسيق إلى التطبيقات وحالات الاستخدام المبنية فوقها. لكنه يرى أن أحد أكبر تحديات الدمج يظهر حول كيفية تحديد المؤسسة مجموعات البيانات المناسبة لها وطريقة تجهيزها وتنظيفها وبناء خطوط البيانات وتأمينها من البداية إلى النهاية.
إعادة تصميم سير العمل تجعل هذه النقطة الذكاء الاصطناعي المؤسسي مشروعاً إدارياً وتشغيلياً بقدر ما هو مشروع تقني. فالمؤسسة التي تشتري بنية للذكاء الاصطناعي من دون أن تحدد أين توجد بياناتها، وما جودتها، وكيف ستدخل في سير العمل، ستواجه غالباً فجوة بين القدرة النظرية والتشغيل الفعلي. ولهذا يؤكد سكوت بيلز أن اختيار حالة الاستخدام لا يجب أن يبدأ من مهمة صغيرة ومعزولة، بل من فهم عملية أعمال كاملة أو وظيفة محددة من البداية إلى النهاية. ويحذر من أن التركيز على حالات استخدام تكتيكية جداً قد يمنع المؤسسة من التقاط الفائدة الأكبر، وهي إعادة تصميم العملية كاملة، خصوصاً في سياق الذكاء الاصطناعي الوكيلي.
وما يفصل حالة الاستخدام الإنتاجية عن التجربة التقنية، بحسب بيلز، هو أنها تصبح «مستخدمة فعلياً في العمليات» من قبل مستخدمي الأعمال، وتنتج نتائج وقيمة في نهاية المطاف. ففي مرحلة إثبات القيمة قد يكون الاختبار على جزء من البيانات أو مجموعة محدودة من المستخدمين. أما الإنتاج الحقيقي فيعني توسيع الاستخدام إلى نطاق أوسع داخل المؤسسة، بعد معالجة جوانب التنفيذ والدمج والتشغيل والأمن والحوكمة.
تعقيد الوكلاء تزداد هذه المتطلبات تعقيداً عندما تنتقل المؤسسة من مساعد ذكي يجيب عن سؤال إلى وكيل أو عدة وكلاء يتفاعلون مع سير العمل. فالمساعد التقليدي غالباً ما يكون أقرب إلى حالة استخدام أحادية تتضمن طلبا وإجابة ونتيجة محددة. أما الذكاء الاصطناعي الوكيلي فيمكن أن يتطلب تنسيقاً بين عدة وكلاء، وتواصلاً بينهم، وربطاً بسير عمل مختلف. هنا لا يصبح السؤال فقط هل النموذج قادر على إنجاز المهمة، بل هل تستطيع المؤسسة تنسيق هؤلاء الوكلاء وتأمينهم وحوكمتهم وضبط صلاحياتهم؟ ويصرح بيلز بأن هذا قد يصبح «معقداً جداً» عندما يتعلق الأمر بتواصل وكيل مع وكيل آخر، وتأمين هذا التواصل، وضمان ضوابط الوصول المناسبة عبر سير عمل متعدد الوكلاء.
بيانات صالحة للاستخدام تعود البيانات مرة أخرى باعتبارها مركز الصعوبة حيث يكون السؤال المتكرر داخل المؤسسات: هل بياناتنا جاهزة للذكاء الاصطناعي؟ بيلز يجيب بأن الأمر صعب الحكم عليه بشكل عام. فهو يرى بأنه لا يمكن النظر إلى كامل بصمة البيانات داخل المؤسسة، بما فيها البيانات المنظمة وغير المنظمة، والقول ببساطة إنها جاهزة أو غير جاهزة. الجاهزية يجب أن تقاس في سياق حالة الاستخدام أو النتيجة الوكيلية المستهدفة: هل تستطيع هذه البيانات دعم الاستخدام المحدد؟ وهل يمكن دمجها وتقديمها بطريقة تحقق النتيجة المطلوبة؟
وهنا يأتي دور الخدمات المهنية لأن عندها تحدد المؤسسة حالة الاستخدام، يمكن للخدمات أن تساعد في تحديد مجموعات البيانات المناسبة، وتقييم جودتها، ومعرفة ما إذا كانت تحتاج إلى إثراء أو تنقية أو تحسين، ثم إعداد خطوط البيانات ودمجها في الاستخدام، وحوكمتها وإدارتها بمرور الوقت من زاوية الامتثال. وهذا يوضح لماذا لا يكون الانتقال إلى الإنتاج مجرد نشر نموذج أو شراء خوادم، بل سلسلة من القرارات حول البيانات والعمليات والتكامل والأمن.
اختناق البيانات ينسجم هذا مع أحد أبرز محاور إعلانات «دِل» في المؤتمر، إذ ركزت الشركة على توسعة «Dell AI Factory with NVIDIA» ومنصة «Dell AI Data Platform» لمعالجة مشكلة تحويل البيانات المبعثرة داخل المؤسسات إلى بيانات قابلة للاستخدام في تطبيقات الذكاء الاصطناعي. وتشمل التحديثات فهرسة مليارات الملفات غير المهيكلة، وربطها بخطوط بيانات محكومة، وتسريع تحليلات " SQL " باستخدام وحدات معالجة الرسوميات حتى 6 مرات، إلى جانب فهرسة متجهات أسرع حتى 12 مرة. هذه الأرقام لا تخدم عرضاً تقنياً مجرداً، بل ترتبط مباشرة بما يصفه بيلز: أن اختناق البيانات قد يتحول سريعاً إلى اختناق في الانتقال من التجربة إلى الإنتاج.
اختيار النموذج المناسب مع توسع المنظومة حول نماذج مفتوحة ومغلقة وشركاء مختلفين، تصبح مسألة اختيار النموذج المناسب جزءاً من تقليل مخاطر النشر. وقد أعلنت «دِل» خلال المؤتمر الذي حضرته «الشرق الأوسط»، توسيع منظومتها عبر شراكات تشمل مزودي نماذج ومنصات مثل «Google» و«Hugging Face» و«OpenAI» و«Palantir» و«ServiceNow» و«SpaceXAI». لكن القيمة العملية.....
لقراءة المقال بالكامل، يرجى الضغط على زر "إقرأ على الموقع الرسمي" أدناه
هذا المحتوى مقدم من صحيفة الشرق الأوسط
