الذكاء الاصطناعي المؤسسي: من “بناء أم شراء” إلى “شراكة ونمو”

منذ وقت ليس ببعيد، اقترب مني شريك تعاوني بشكل عرضي بشأن حالة استخدام للذكاء الاصطناعي في مؤسستهم. أرادوا جعل عملية إعداد الموظفين الجدد أكثر كفاءة باستخدام الذكاء الاصطناعي للإجابة على الأسئلة المتكررة للقادمين الجدد. اقترحت اتباع نهج دردشة عملي يدمج وثائقهم الداخلية، وانطلقوا بثقة، وخططوا “للتحدث إلى فريق تكنولوجيا المعلومات الخاص بهم” للمضي قدمًا.

من خلال الخبرة، كنت أعرف أن هذا النوع من التفاؤل هش. فريق تكنولوجيا المعلومات العادي ليس مجهزًا لتنفيذ تطبيق Ai Application كامل وشامل بمفرده. وهكذا كان الأمر: بعد أشهر، علقوا. كان نظامهم بطيئًا بشكل محبط، وأصبح من الواضح أيضًا أنهم أساؤوا فهم الاحتياجات الفعلية للمستخدمين أثناء التطوير. كان الموظفون الجدد يطرحون أسئلة مختلفة عن تلك التي تم ضبط النظام عليها. ارتد معظم المستخدمين بعد محاولتين ولم يعودوا أبدًا. كان إصلاح هذه المشكلات يتطلب إعادة التفكير في بنيتهم واستراتيجية البيانات بأكملها، ولكن الضرر قد وقع بالفعل. شعر الموظفون بالإحباط، ولاحظت القيادة ذلك، وتلاشى الحماس الأولي حول الذكاء الاصطناعي وتحول إلى شك. سيكون الجدال من أجل مرحلة تطوير واسعة أخرى أمرًا صعبًا، لذلك تم وضع القضية جانبًا بهدوء.

هذه القصة ليست فريدة من نوعها على الإطلاق. يخلق التسويق الرائع من قبل شركات الذكاء الاصطناعي وهمًا بإمكانية الوصول إلى الذكاء الاصطناعي، وتهرع الشركات إلى المبادرات دون فهم كامل للتحديات المقبلة. في الواقع، هناك حاجة إلى خبرة متخصصة لإنشاء استراتيجية ذكاء اصطناعي قوية وتنفيذ أي حالة استخدام مخصصة أكثر أو أقل في شركتك. إذا لم تكن هذه الخبرة متاحة داخليًا، فأنت بحاجة إلى الحصول عليها من شركاء أو مزودين خارجيين.

هذا لا يعني أنك بحاجة إلى شراء كل شيء – سيكون ذلك بمثابة امتلاك 100 دولار وإنفاقها في المطعم بدلاً من الذهاب إلى السوبر ماركت. سيعالج الخيار الأول جوعك على الفور، لكن الخيار الثاني سيضمن لك شيئًا لتأكله لمدة أسبوع.

إذًا، كيف يمكنك البدء، ومن الذي يجب أن ينفذ مشاريع الذكاء الاصطناعي الأولى الخاصة بك؟ إليك ما أراه: انسَ “بناء أم شراء” وركز على الشراكة والتعلم بدلاً من ذلك. أعتقد بشدة أن معظم الشركات يجب أن تبني خبرة في الذكاء الاصطناعي داخليًا – وهذا سيوفر لها نطاقًا تردديًا أكبر في استراتيجية وأنشطة الذكاء الاصطناعي الخاصة بها في المستقبل. في الوقت نفسه، يعد الذكاء الاصطناعي حرفة معقدة تستغرق وقتًا لإتقانها، والفشل موجود في كل مكان (وفقًا لهذا التقرير الصادر عن مؤسسة RAND، تفشل أكثر من 80٪ من مبادرات الذكاء الاصطناعي). التعلم من الفشل أمر جيد من الناحية النظرية، ولكن في الواقع، فإنه يؤدي إلى إضاعة الوقت والموارد والمصداقية. من أجل تحقيق النضج في مجال الذكاء الاصطناعي بكفاءة، يجب على الشركات التفكير في التعاون مع شركاء موثوقين مستعدين لتبادل خبراتهم. لن يضمن الإعداد الواقعي والحذر تنفيذًا تقنيًا أكثر سلاسة فحسب، بل سيعالج أيضًا الجوانب المتعلقة بالأفراد والأعمال في استراتيجية الذكاء الاصطناعي الخاصة بك.

فيما يلي، سأحدد أولاً الأساسيات التقريبية (المدخلات والمخرجات والمقايضات) لقرارات “بناء أم شراء” في الذكاء الاصطناعي. بعد ذلك، ستتعرف على نهج شراكة أكثر تميزًا. فهو يجمع بين البناء والشراء مع تعزيز منحنى التعلم الداخلي الخاص بك. أخيرًا، سأختتم ببعض الملاحظات والنصائح العملية حول الشراكة في مجال الذكاء الاصطناعي.

أساسيات اتخاذ قرارات “التصنيع أو الشراء” في مجال الذكاء الاصطناعي

لنبدأ بتقسيم القرار الكلاسيكي “التصنيع أو الشراء” إلى جزأين: المدخلات – وهي العناصر التي يجب تقييمها مسبقًا – والمخرجات – وهي النتائج المترتبة على كل خيار بالنسبة لأعمالك في المستقبل. يعتبر اتخاذ قرار بشأن الذكاء الاصطناعي سواء بالتصنيع الداخلي أو الشراء من مزود خارجي قرارًا استراتيجيًا بالغ الأهمية، ويتطلب فهمًا عميقًا للموارد المتاحة والتكاليف المتوقعة.

المدخلات

لتحضير القرار، يجب تقييم القدرات الداخلية ومتطلبات حالة الاستخدام. هذه العوامل ستحدد مدى واقعية أو خطورة أو فائدة كل خيار:

• نضج الذكاء الاصطناعي في مؤسستك: ضع في اعتبارك قدراتك التقنية الداخلية، مثل المواهب الماهرة في مجال الذكاء الاصطناعي، وأصول الذكاء الاصطناعي القابلة لإعادة الاستخدام (مثل مجموعات البيانات والنماذج مسبقة الصنع ومخططات المعرفة)، والمهارات التقنية المجاورة التي يمكن نقلها إلى مجال الذكاء الاصطناعي (مثل هندسة البيانات والتحليلات). ضع في الاعتبار أيضًا مدى كفاءة المستخدمين في التفاعل مع الذكاء الاصطناعي والتعامل مع شكوكه. استثمر في رفع مستوى المهارات وجرأة البناء مع نمو نضج الذكاء الاصطناعي لديك.
• احتياجات الخبرة في المجال: ما مدى عمق انعكاس الحل للمعرفة الخاصة بمجال عملك؟ في حالات الاستخدام التي تتطلب حدسًا بشريًا خبيرًا أو إلمامًا تنظيميًا، سيلعب خبراء المجال الداخليون لديك دورًا حاسمًا. يجب أن يكونوا جزءًا من عملية التطوير، سواء من خلال البناء داخليًا أو الشراكة الوثيقة مع مزود خارجي.
• التعقيد التقني لحالة الاستخدام: ليست كل تطبيقات الذكاء الاصطناعي متساوية. المشروع الذي يعتمد على واجهات برمجة التطبيقات (APIs) الحالية أو النماذج الأساسية أبسط بكثير من المشروع الذي يتطلب تدريب بنية نموذج مخصصة من البداية. التعقيد العالي يزيد من المخاطر ومتطلبات الموارد والتأخيرات المحتملة لنهج “البناء أولاً”.
• القيمة والتمايز الاستراتيجي: هل حالة الاستخدام أساسية لميزتك الاستراتيجية أم أنها مجرد وظيفة دعم؟ إذا كانت فريدة من نوعها في مجال عملك (أو حتى شركتك) وستزيد من التمايز التنافسي، فقد يوفر البناء أو التطوير المشترك قيمة أكبر. على النقيض من ذلك، بالنسبة لحالة استخدام قياسية (مثل تصنيف المستندات والتنبؤ)، فمن المرجح أن يوفر الشراء نتائج أسرع وأكثر فعالية من حيث التكلفة.

تبعات قرارات التصنيع الداخلي أو الشراء الجاهز

بعد تقييم مدخلاتك، ستحتاج إلى تحديد الأثر اللاحق لقرارك بشأن التصنيع الداخلي أو الشراء الجاهز وتقييم المفاضلات. فيما يلي سبعة أبعاد ستؤثر في الجداول الزمنية والتكاليف والمخاطر والنتائج:

1. التخصيص: مدى إمكانية تصميم حل الذكاء الاصطناعي ليناسب سير العمل والأهداف واحتياجات المجال المحددة للمؤسسة. غالبًا ما يحدد التخصيص مدى ملاءمة الحل لمتطلبات العمل الفريدة. يعتبر التخصيص الدقيق أمراً بالغ الأهمية لضمان توافق الحل مع العمليات التجارية المتخصصة.
2. الملكية: حقوق الملكية الفكرية والسيطرة على نماذج الذكاء الاصطناعي الأساسية والكود والاتجاه الاستراتيجي. يوفر التصنيع الداخلي ملكية كاملة، بينما يتضمن الشراء عادةً ترخيص تقنية طرف آخر. تعتبر الملكية الكاملة ميزة استراتيجية، خاصة في الصناعات التي تعتمد على الابتكار وحماية الأصول الفكرية.
3. أمن البيانات: يغطي كيفية التعامل مع البيانات ومكان وجودها ومن لديه حق الوصول إليها. في البيئات الخاضعة للتنظيم أو الحساسة، تعد خصوصية البيانات والامتثال من الشواغل المركزية، خاصةً عندما قد تتم مشاركة البيانات مع موردين خارجيين أو معالجتها بواسطتهم. يعد الامتثال لمعايير أمن البيانات العالمية، مثل GDPR و ISO 27001، أمرًا ضروريًا.
4. التكلفة: تشمل كلاً من الاستثمار الأولي والمصروفات التشغيلية المستمرة. يتضمن التصنيع الداخلي البحث والتطوير والمواهب والبنية التحتية والصيانة طويلة الأجل، في حين أن الشراء قد يتطلب تراخيص أو اشتراكات أو رسوم استخدام سحابية. يجب إجراء تحليل تفصيلي للتكلفة الإجمالية للملكية (TCO) لتقييم الجدوى المالية لكل خيار.
5. المدة الزمنية اللازمة لطرح المنتج في السوق: يقيس مدى السرعة التي يمكن بها نشر الحل وبدء تقديم القيمة. غالبًا ما يكون النشر السريع أمرًا بالغ الأهمية في الأسواق التنافسية أو الديناميكية؛ يمكن أن تؤدي التأخيرات إلى ضياع الفرص. يمكن أن يؤدي اختيار حل جاهز إلى تسريع عملية الطرح في السوق بشكل كبير، مما يمنح المؤسسة ميزة تنافسية.
6. الدعم والصيانة: يتضمن من هو المسؤول عن التحديثات والتحجيم وإصلاح الأخطاء وأداء النموذج المستمر. تتطلب التصميمات الداخلية موارد مخصصة للصيانة، بينما تتضمن الحلول الخارجية غالبًا خدمات الدعم. يجب أن تتضمن اتفاقيات مستوى الخدمة (SLAs) تفاصيل واضحة حول أوقات الاستجابة وحل المشكلات.
7. منحنى تعلم الذكاء الاصطناعي: يعكس مدى تعقيد اكتساب خبرة الذكاء الاصطناعي وتشغيلها داخل المؤسسة. غالبًا ما يأتي التصنيع الداخلي بالكثير من التجربة والخطأ والنتائج الهشة لأن الفريق لا يمتلك معرفة أساسية بالذكاء الاصطناعي. من ناحية أخرى، يمكن أن يؤدي الشراء أو الشراكة إلى تسريع التعلم عبر الخبرة الموجهة والأدوات الناضجة وإنشاء أساس متين لأنشطة الذكاء الاصطناعي المستقبلية. يمكن أن توفر الشراكات الوصول إلى الخبرات المتخصصة وتقليل المخاطر المرتبطة بتطوير الذكاء الاصطناعي الداخلي.

الآن، من الناحية العملية، غالبًا ما يؤدي التفكير الثنائي في التصنيع الداخلي أو الشراء الجاهز إلى مفاضلات غير قابلة للحل. لنأخذ حالة استخدام الإعداد المذكورة سابقًا. أحد الأسباب التي جعلت الفريق يميل إلى التصنيع الداخلي هو الحاجة إلى الحفاظ على سرية بيانات الشركة. في الوقت نفسه، لم يكن لديهم خبرة الذكاء الاصطناعي الداخلية لتطوير نظام دردشة جاهز للإنتاج. ربما كانوا سيحققون نجاحًا أكبر من خلال الاستعانة بمصادر خارجية لهندسة الدردشة والدعم المستمر مع بناء قاعدة البيانات الخاصة بهم داخليًا. وبالتالي، لا يجب أن تقرر التصنيع الداخلي أو الشراء الجاهز على مستوى نظام الذكاء الاصطناعي بأكمله. بدلاً من ذلك، قسّمه إلى مكونات وقيّم كل مكون بناءً على قدراتك وقيودك وأولوياتك الاستراتيجية.

نحو تعاون مثمر بين الخبرة في المجال والذكاء الاصطناعي

على مستوى المكونات، أشجعك على التمييز بين قرارات التصنيع الداخلي أو الشراء من الخارج من خلال منظور متطلبات الخبرة. معظم أنظمة الذكاء الاصطناعي في مجال الأعمال (B2B) تجمع بين نوعين من الخبرة: الخبرة في المجال، والتي تتوفر داخل شركتك، والخبرة التقنية في الذكاء الاصطناعي، والتي يمكن جلبها من خلال شريك خارجي إذا لم تكن لديك (حتى الآن) مهارات متخصصة في الذكاء الاصطناعي. في ما يلي، سأقوم بفحص احتياجات الخبرة لكل مكون من المكونات الأساسية لنظام الذكاء الاصطناعي (راجع هذه المقالة للحصول على شرح للمكونات). هذا التوجه الاستراتيجي يضمن الاستفادة القصوى من الموارد المتاحة وتحقيق أهداف العمل بكفاءة وفعالية.

فرصة عمل: تحديد مشكلات الذكاء الاصطناعي الصحيحة

هل تعلم أن السبب الرئيسي رقم 1 لفشل مشاريع الذكاء الاصطناعي ليس تقنيًا، بل هو اختيار المشكلة الخاطئة لحلها (راجع The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed)؟ قد تتفاجأ، ففرق الخبراء لديك تفهم مشاكلها بعمق. ولكن بيت القصيد هو أنها تفتقر إلى الوسائل لربط نقاط الألم لديها بتكنولوجيا الذكاء الاصطناعي. فيما يلي بعض أنماط الفشل الأكثر شيوعًا:

• تأطير المشكلة بشكل غامض أو غير مناسب: هل هذه مهمة يجيدها الذكاء الاصطناعي بالفعل؟ غالبًا ما يكون تحديد المشكلة بدقة هو الخطوة الأولى نحو حل ناجح باستخدام الذكاء الاصطناعي.
• تقدير الجهد/عائد الاستثمار المفقود: هل تستحق النتيجة الوقت والموارد لتطوير ونشر الذكاء الاصطناعي؟ يجب أن يكون العائد المتوقع من استخدام الذكاء الاصطناعي واضحًا ومبررًا.
• توقعات غير واقعية: ماذا يعني “جيد بما فيه الكفاية” بالنسبة للذكاء الاصطناعي غير الكامل؟ يجب تحديد معايير النجاح بوضوح قبل البدء في المشروع.

من ناحية أخرى، هناك العديد من المؤسسات التي تستخدم الذكاء الاصطناعي من أجل الذكاء الاصطناعي نفسه، وتقوم بإنشاء حلول بحثًا عن مشكلة. هذا يحرق الموارد ويضعف الثقة داخليًا.

يساعد شريك الذكاء الاصطناعي الجيد في تقييم العمليات التجارية الجاهزة لتدخل الذكاء الاصطناعي، ويقدر التأثير المحتمل، ويضع نماذج لكيفية تقديم الذكاء الاصطناعي للقيمة. يمكن للطرفين تشكيل حالة استخدام مركزة وعالية التأثير من خلال ورش العمل الاستكشافية المشتركة، وسباقات التصميم، والنماذج الأولية الاستكشافية.

البيانات: وقود نظام الذكاء الاصطناعي الخاص بك

تُعد بيانات المجال النظيفة والمنظمة جيدًا أحد الأصول الأساسية. فهي تشفر معرفة العمليات وسلوك العملاء وأداء النظام وغير ذلك الكثير. ولكن البيانات الأولية وحدها ليست كافية – بل يجب تحويلها إلى إشارات تعليمية ذات مغزى. وهنا يأتي دور خبرة الذكاء الاصطناعي لتصميم خطوط الإمداد واختيار تمثيلات البيانات الصحيحة ومواءمة كل شيء مع أهداف تعلم الذكاء الاصطناعي.

غالبًا ما يتضمن ذلك وضع العلامات على البيانات – أي إضافة تعليقات توضيحية إلى الأمثلة بالإشارات التي يحتاجها النموذج للتعلم منها. قد يبدو الأمر مملاً، ولكن قاوم الرغبة في الاستعانة بمصادر خارجية. يعد وضع العلامات أحد أكثر الأجزاء حساسية للسياق في خط الإمداد، ويتطلب خبرة في المجال لإنجازه بشكل صحيح. في الواقع، تحقق العديد من مهام الضبط الدقيق اليوم أفضل أداء على مجموعات بيانات صغيرة ولكن عالية الجودة – لذا اعمل عن كثب مع شريك الذكاء الاصطناعي الخاص بك للحفاظ على تركيز الجهد وإدارته.

يُعد تنظيف البيانات ومعالجتها المسبقة مجالًا آخر تحدث فيه الخبرة فرقًا كبيرًا. ربما سمعت القول المأثور: “يقضي معظم علماء البيانات وقتهم في تنظيف البيانات.” هذا لا يعني أنه يجب أن يكون بطيئًا. مع وجود مهندسين متمرسين في طريقة عرض البيانات الخاصة بك (نصوص وأرقام وصور وما إلى ذلك)، يمكن تسريع هذه العملية بشكل كبير. سيعرفون بشكل غريزي تقنيات المعالجة المسبقة التي يجب تطبيقها ومتى، مما يحول أسابيع من التجربة والخطأ إلى ساعات من الإعداد الإنتاجي.

الذكاء الاصطناعي: نماذج وهياكل الذكاء الاصطناعي

هذا هو المكان الذي يعتقد معظم الناس أن مشاريع الذكاء الاصطناعي تبدأ فيه – ولكنه يمثل منتصف القصة فقط. تتطلب عملية بناء أنظمة ذكاء اصطناعي فعالة خبرة عميقة في مجال الذكاء الاصطناعي لاختيار النماذج أو تحسينها، وتقييم الأداء، وتصميم هياكل الأنظمة. على سبيل المثال، هل يجب أن تستخدم حالة الاستخدام الخاصة بك نموذجًا مُدرَّبًا مسبقًا؟ هل تحتاج إلى إعداد متعدد النماذج؟ ما هي مقاييس التقييم المنطقية؟ في الأنظمة الأكثر تعقيدًا، يمكن دمج مكونات الذكاء الاصطناعي المختلفة مثل النماذج وقواعد المعرفة في سير عمل متعدد الخطوات.

تأتي الخبرة في المجال أثناء التحقق من صحة النظام وتقييمه. يحتاج الخبراء والمستخدمون المستقبليون إلى التحقق مما إذا كانت مخرجات الذكاء الاصطناعي منطقية وتتوافق مع توقعاتهم في العالم الحقيقي. قد يكون النموذج قويًا من الناحية الإحصائية، ولكنه عديم الفائدة من الناحية التشغيلية إذا كانت مخرجاته لا تتطابق مع منطق الأعمال. عند تصميم أنظمة مركبة، يحتاج خبراء المجال أيضًا إلى التأكد من أن إعداد النظام يعكس عملياتهم واحتياجاتهم في العالم الحقيقي.

يعد تصميم نماذج الذكاء الاصطناعي وبناء هيكل ذكاء اصطناعي مخصص بمثابة مرحلة “المساعد التجريبي” الخاصة بك: تقوم فرق الذكاء الاصطناعي بتصميم النظام وتحسينه، بينما تقوم فرق المجال بتوجيهه وتحسينه بناءً على أهداف العمل. بمرور الوقت، الهدف هو بناء ملكية مشتركة لسلوك النظام.

“`

دراسة حالة: بناء الخبرة في مجال الذكاء الاصطناعي لدعم شركات التأمين

“`

في شركة رائدة في مجال التأمين، كُلِّف فريق علم البيانات ببناء نظام تنبؤ بمخاطر المطالبات – وهو مشروع أرادوا الاحتفاظ به داخليًا للحفاظ على الملكية الكاملة والتماشي الوثيق مع البيانات وسير العمل الخاص بهم. ومع ذلك، واجهت النماذج الأولية مشاكل في الأداء وقابلية التوسع. هنا تدخلت شركتي Anacode كشريك معماري واستراتيجي. ساعدنا الفريق الداخلي في تقييم النماذج المرشحة، وتصميم بنية معيارية، وإعداد خطوط أنابيب تعلم الآلة (ML) قابلة للتكرار. والأهم من ذلك، قمنا بتشغيل دورات تدريبية مُوَجَّهة تركز على تقييم النماذج وعمليات تعلم الآلة (MLOps) وممارسات الذكاء الاصطناعي المسؤولة. بمرور الوقت، اكتسب الفريق الداخلي الثقة، وأعادوا صياغة النماذج الأولية السابقة إلى حل قوي، وتولوا العمليات بالكامل. وكانت النتيجة نظامًا يمتلكونه بالكامل، في حين أن التوجيهات المتخصصة التي قدمناها خلال المشروع قد رفعت أيضًا من قدراتهم الداخلية في مجال الذكاء الاصطناعي. هذا النهج يضمن **تحسين نظام التنبؤ بالمخاطر** و **تطوير قدرات الذكاء الاصطناعي الداخلية**.

تجربة المستخدم: تقديم قيمة الذكاء الاصطناعي من خلال واجهة المستخدم

هذا الجانب معقد. باستثناءات قليلة، من غير المرجح أن يقوم خبراء المجال أو مهندسو الذكاء الاصطناعي المتعمقون بتصميم تجربة بديهية وفعالة وممتعة للمستخدمين الحقيقيين. من الناحية المثالية، يمكنك الاستعانة بمصممي تجربة المستخدم المتخصصين. إذا لم يتوفر هؤلاء، فابحث عن أشخاص من تخصصات مجاورة لديهم حس طبيعي لتجربة المستخدم. اليوم، تتوفر الكثير من أدوات الذكاء الاصطناعي لدعم تصميم تجربة المستخدم والنماذج الأولية، لذا فإن الذوق مهم أكثر من البراعة التقنية. بمجرد حصولك على الأشخاص المناسبين، تحتاج إلى تزويدهم بمدخلات من كلا الجانبين:

• الخلفية: يقدم خبراء الذكاء الاصطناعي نظرة ثاقبة حول كيفية عمل النظام داخليًا – نقاط قوته، وقيوده، ومستويات اليقين – ويدعمون تصميم عناصر مثل التفسيرات، ومؤشرات عدم اليقين، ودرجات الثقة (راجع هذه المقالة حول بناء الثقة في الذكاء الاصطناعي من خلال تجربة المستخدم).
• الواجهة الأمامية: يفهم خبراء المجال المستخدمين، وسير عملهم، ونقاط ضعفهم. إنهم يساعدون في التحقق من صحة تدفقات المستخدمين، وتسليط الضوء على الاحتكاك، واقتراح التحسينات بناءً على كيفية تفاعل الأشخاص فعليًا مع النظام.

ركز على التكرار السريع وكن مستعدًا لبعض الأخطاء. تجربة المستخدم في الذكاء الاصطناعي هي مجال ناشئ، ولا توجد صيغة ثابتة لما يبدو عليه “الرائع”. تنشأ أفضل التجارب من حلقات التغذية الراجعة الضيقة والمتكررة، حيث يحدث التصميم والاختبار والتحسين باستمرار، واستيعاب المدخلات من كل من خبراء المجال ومتخصصي الذكاء الاصطناعي. يجب أن يكون الهدف هو تصميم واجهات مستخدم (UI) فعالة وسهلة الاستخدام، مما يضمن تقديم قيمة الذكاء الاصطناعي (AI) بشكل سلس للمستخدمين.

الدعم والصيانة: الحفاظ على استمرارية الذكاء الاصطناعي

تتطلب أنظمة الذكاء الاصطناعي، بعد نشرها، مراقبة دقيقة وتحسينًا مستمرًا. غالبًا ما يختلف سلوك المستخدمين في العالم الحقيقي عن بيئات الاختبار ويتغير بمرور الوقت. هذا uncertainty المتأصل يعني أن نظامك يحتاج إلى مراقبة فعالة، حتى يمكن تحديد المشكلات ومعالجتها مبكرًا.

عادةً ما يتم إعداد البنية التحتية التقنية للمراقبة – بما في ذلك تتبع الأداء، واكتشاف الانحراف (drift detection)، وإعادة التدريب الآلي، وخطوط أنابيب MLOps – بواسطة شريك الذكاء الاصطناعي الخاص بك. بمجرد إنشائها، لا تتطلب العديد من مهام المراقبة اليومية مهارات تقنية عميقة. ما تتطلبه هو خبرة المجال: فهم ما إذا كانت مخرجات النموذج لا تزال منطقية، وملاحظة التحولات الدقيقة في أنماط الاستخدام، ومعرفة متى يكون هناك شيء “غير طبيعي”.

تعتبر مرحلة الدعم المصممة جيدًا أكثر من مجرد تشغيلية – بل يمكن أن تكون مرحلة تعليمية حاسمة لفرقك الداخلية. إنها تخلق مساحة لبناء المهارات تدريجيًا، وفهم أعمق للنظام، وفي النهاية، مسارًا أكثر سلاسة نحو تولي ملكية أكبر لنظام الذكاء الاصطناعي بمرور الوقت. وهذا يسمح بتحسين أداء النظام وفعاليته بشكل مستمر.

وبالتالي، بدلًا من تأطير تطبيق الذكاء الاصطناعي باعتباره قرارًا ثنائيًا بين “البناء أو الشراء”، يجب أن تنظر إليه على أنه فسيفساء من الأنشطة. بعض هذه الأنشطة تقنية للغاية، بينما يرتبط البعض الآخر ارتباطًا وثيقًا بسياق عملك. من خلال تحديد المسؤوليات عبر دورة حياة الذكاء الاصطناعي، يمكنك:

• توضيح الأدوار والمهارات الأساسية للنجاح
• تحديد القدرات التي لديك بالفعل داخل الشركة
• اكتشاف الثغرات التي تكون فيها الخبرة الخارجية ذات قيمة أكبر
• التخطيط لنقل المعرفة والملكية طويلة الأجل

إذا كنت ترغب في التعمق أكثر في تكامل خبرة المجال، فراجع مقالتي Injecting domain expertise into your AI systems. والأهم من ذلك، أن الخط الفاصل بين خبرة “المجال” وخبرة “الذكاء الاصطناعي” ليس ثابتًا. قد يكون لديك بالفعل أعضاء في الفريق يقومون بتجربة machine learning، أو آخرون حريصون على التطور إلى أدوار تقنية أكثر. من خلال نموذج الشراكة المناسب واستراتيجية رفع مستوى المهارات، يمكنك التطور نحو استقلالية الذكاء الاصطناعي، وتولي المزيد من المسؤولية والسيطرة تدريجيًا مع نمو نضجك الداخلي.

ابدأ مبكرًا وركز على التواصل عند الشراكة في مجال الذكاء الاصطناعي

أنت تعلم الآن أن قرارات التصنيع أو الشراء يجب أن تتخذ على مستوى المكونات الفردية لنظام الذكاء الاصطناعي الخاص بك. ولكن إذا لم يكن لديك بعد خبرة في الذكاء الاصطناعي في فريقك، فكيف يمكنك تصور الشكل الذي سيبدو عليه نظامك ومكوناته في النهاية؟ الجواب: ابدأ الشراكة مبكرًا. عندما تبدأ في تشكيل استراتيجية الذكاء الاصطناعي وتصميمها، استعن بشريك موثوق به لتوجيه العملية. اختر شخصًا يمكنك التواصل معه بسهولة وانفتاح. مع التعاون الصحيح منذ البداية، ستزيد فرصتك في التغلب على تحديات الذكاء الاصطناعي بسلاسة ونجاح. يعتبر بناء شراكات قوية في مجال الذكاء الاصطناعي، خاصة مع خبراء متخصصين، أمرًا بالغ الأهمية لضمان نجاح مشاريع الذكاء الاصطناعي وتقليل المخاطر المحتملة.

اختر شريكًا في الذكاء الاصطناعي يمتلك خبرة أساسية في هذا المجال

يجب ألا يقتصر دور شريكك في الذكاء الاصطناعي على تقديم التعليمات البرمجية والأصول التقنية فحسب، بل يجب أن يساعد مؤسستك على التعلم والنمو خلال فترة التعاون. فيما يلي بعض الأنواع الشائعة للشراكات الخارجية، وما يمكن توقعه من كل منها:

• الاستعانة بمصادر خارجية (Outsourcing): يزيل هذا النموذج التعقيد – تحصل على النتائج بسرعة، مثل جرعة من الكربوهيدرات السريعة. على الرغم من كفاءته، إلا أنه نادرًا ما يقدم قيمة استراتيجية طويلة الأجل. ينتهي بك الأمر بأداة، وليس بقدرات أقوى.
• الشراكات الأكاديمية (Academic partnerships): رائعة للابتكار المتطور والبحث طويل الأجل، ولكنها غالبًا ما تكون أقل ملاءمة للنشر والاعتماد الفعلي لنظام الذكاء الاصطناعي في العالم الحقيقي.
• الشراكات الاستشارية (Advisory partnerships): في رأيي، المسار الأكثر وعدًا، خاصة بالنسبة للشركات التي لديها بالفعل فريق تقني وترغب في تطوير فطنتها في مجال الذكاء الاصطناعي. يمكّن المستشار الجيد مهندسين شركتك، ويساعدهم على تجنب الأخطاء المكلفة، ويجلب رؤى عملية مدفوعة بالخبرة إلى أسئلة مثل: ما هي مجموعة الأدوات التقنية المناسبة لحالة الاستخدام الخاصة بنا؟ كيف نقوم برعاية بياناتنا لتعزيز الجودة وإطلاق العنان لدورة بيانات قوية؟ كيف نتوسع دون المساس بالثقة والحوكمة؟

يتجاوز إطار عمل تفصيلي لاختيار الشريك نطاق هذه المقالة، ولكن إليك نصيحة اكتسبتها بصعوبة: كن حذرًا من شركات الاستعانة بمصادر خارجية لتكنولوجيا المعلومات والاستشارات التي أضافت فجأة كلمة “AI” إلى عروضها بعد طفرة GenAI في عام 2022. قد يسحرك بكلمات طنانة فاخرة، ولكن إذا لم يكن الذكاء الاصطناعي جزءًا من حمضهم النووي، فقد ينتهي بك الأمر بالدفع مقابل منحنى التعلم الخاص بهم بدلاً من الاستفادة من الخبرة التكميلية. اختر شريكًا قام بالعمل الشاق بالفعل ومستعد لنقل هذه الخبرة إليك.

ضاعف جهودك في التواصل والتنسيق

يُعد التواصل الفعال والتنسيق بين أصحاب المصلحة أمرًا بالغ الأهمية في نماذج الشراكة. فيما يلي بعض أدوار التواصل المهمة التي يجب إتقانها في شركتك:

• يجب على القيادة وخبراء المجال تحديد المشكلات التجارية التي تستحق الحل وإيصالها بوضوح (المزيد حول أفضل الممارسات لتبادل الأفكار حول الذكاء الاصطناعي هنا).
• يحتاج المستخدمون النهائيون إلى مشاركة احتياجاتهم مبكرًا، وتقديم ملاحظاتهم أثناء الاستخدام، والأفضل من ذلك أن يصبحوا شركاء في تشكيل تجربة الذكاء الاصطناعي AI.
• يجب على فرق تكنولوجيا المعلومات IT والحوكمة ضمان الامتثال والأمن والسلامة مع تمكين ابتكار الذكاء الاصطناعي AI، وليس عرقلته. ضع في اعتبارك: هذه القدرات لا تظهر مكتملة التكوين.

في مشاريع الذكاء الاصطناعي AI، يزداد خطر سوء التنسيق والانعزال غير المنتج. لا يزال الذكاء الاصطناعي AI مجالًا جديدًا نسبيًا، ويمكن للمصطلحات وحدها أن تخلق ارتباكًا. إذا وجدت نفسك يومًا في نقاش حول الفرق بين “الذكاء الاصطناعي AI” و “التعلم الآلي Machine Learning”، فأنت تعرف ما أعنيه. وإذا لم يحدث ذلك، فأنا أشجعك على تجربته في لقائك القادم مع زملائك. يمكن أن يكون الأمر مراوغًا تمامًا مثل تلك المحادثة مع شريكك والتي تبدأ بعبارة “نحن بحاجة إلى التحدث”.

استهدف التقارب من كلا الجانبين لتسوية الغموض والانفصال. يجب أن تستثمر فرقك الداخلية في رفع مستوى المهارات وبناء فهم أساسي لمفاهيم الذكاء الاصطناعي AI. من ناحية أخرى، يجب على شركاء الذكاء الاصطناعي AI الخاصين بك مقابلتك في منتصف الطريق. يجب عليهم تخطي المصطلحات واستخدام لغة واضحة وموجهة نحو الأعمال يمكن لفريقك العمل بها بالفعل. يبدأ التعاون الفعال بفهم مشترك.

الخلاصة

السؤال الحقيقي ليس “هل نبني الذكاء الاصطناعي أم نشتريه؟” بل “كيف ننمي قدراتنا في مجال الذكاء الاصطناعي بطريقة توازن بين السرعة والتحكم والقيمة طويلة الأجل؟” تكمن الإجابة في إدراك أن الذكاء الاصطناعي مزيج من التكنولوجيا والخبرة، حيث يعتمد النجاح على مطابقة الموارد المناسبة مع المهام المناسبة.

بالنسبة لمعظم المؤسسات، فإن المسار الأكثر ذكاءً هو الشراكة – الجمع بين نقاط قوة مجال عملك وخبرة الذكاء الاصطناعي الخارجية للبناء بشكل أسرع والتعلم بشكل أسرع وفي النهاية امتلاك المزيد من رحلة الذكاء الاصطناعي الخاصة بك.

ما يمكنك القيام به بعد ذلك:

• حدد حالات استخدام الذكاء الاصطناعي الخاصة بك مقابل قدراتك الداخلية. كن صادقًا بشأن الثغرات.
• اختر شركاء ينقلون المعرفة، وليس مجرد التسليمات.
• حدد المكونات التي يجب بناؤها أو شراؤها أو إنشاؤها بشكل مشترك. لست بحاجة إلى اتخاذ خيار ثنائي.
• ارفع مستوى مهارات فريقك أثناء تقدمك. يجب أن يجعلك كل مشروع أكثر قدرة واستقلالية، وليس أكثر اعتمادًا على أصول ومهارات شريكك.
• ابدأ بمشاريع تجريبية مركزة تخلق قيمة وزخمًا للتعلم الداخلي.

من خلال اتباع نهج استراتيجي لبناء القدرات اليوم، فإنك تضع الأساس لتصبح مؤسسة قادرة على استخدام الذكاء الاصطناعي – وفي النهاية مؤسسة تعتمد على الذكاء الاصطناعي – على المدى الطويل.