في عصر الذكاء الاصطناعي المتطور، تعتبر البيانات غير المنظمة عنصرًا حاسمًا لتحقيق النجاح المؤسسي. هذا المقال يستعرض كيفية تحويل البيانات غير المنظمة إلى أدوات فعالة لدعم مبادرات الذكاء الاصطناعي.
تحويل برامج الذكاء الاصطناعي التجريبية إلى إنتاجية
من هذه التجربة الناجحة، يمكن استخلاص عدة دروس. أولاً، يجب إعداد البيانات غير المنظمة لنماذج الذكاء الاصطناعي من خلال أشكال جمع بديهية، بالإضافة إلى وجود خطوط بيانات وسجلات إدارة صحيحة. “لا يمكنك الاستفادة من البيانات غير المنظمة إلا بعد أن تصبح بياناتك المنظمة قابلة للاستخدام وجاهزة للذكاء الاصطناعي”، كما يقول سيلي. “لا يمكنك ببساطة تطبيق الذكاء الاصطناعي على مشكلة دون القيام بأعمال التحضير اللازمة.”
بالنسبة للعديد من المؤسسات، قد يعني ذلك أنهم بحاجة إلى العثور على شركاء يقدمون الدعم الفني لضبط النماذج بما يتناسب مع سياق العمل. إن النهج التقليدي للاستشارات التكنولوجية، حيث يقود بائع خارجي خطة التحول الرقمي على مدى فترة طويلة، ليس مناسبًا هنا حيث أن الذكاء الاصطناعي يتطور بسرعة كبيرة وتحتاج الحلول إلى التكيف مع الواقع الحالي للشركة.
يعد نموذج المهندسين المتقدمين (FDEs) شراكة ناشئة أكثر ملاءمة لعصر الذكاء الاصطناعي. تم الترويج لهذا النموذج في البداية من قبل شركة بالانتير، حيث يربط نموذج FDE قدرات المنتج والهندسة مباشرة ببيئة التشغيل الخاصة بالعميل. يعمل FDEs عن كثب مع العملاء في الموقع لفهم السياق وراء مبادرة التكنولوجيا قبل بناء الحل.
“لم نكن لنستطيع القيام بما نقوم به بدون FDEs لدينا”، يقول سيلي. “يخرجون ويضبطون النماذج، ويعملون مع فريق التوضيح البشري لدينا لإنشاء مجموعة بيانات حقيقية يمكن استخدامها للتحقق أو تحسين أداء النموذج في الإنتاج.”
ثانيًا، يجب فهم البيانات في سياقها الخاص، مما يتطلب ضبط النماذج بعناية لتناسب حالة الاستخدام. “لا يمكنك أن تفترض أن نموذج الرؤية الحاسوبية الجاهز سيمنحك إدارة أفضل للمخزون، على سبيل المثال، من خلال أخذ ذلك النموذج مفتوح المصدر وتطبيقه على أي من بياناتك غير المنظمة”، كما يقول سيلي. “يجب عليك ضبطه حتى يمنحك تصدير البيانات بالشكل الذي تريده ويساعد في تحقيق أهدافك. هنا تبدأ في رؤية نماذج عالية الأداء يمكنها بعد ذلك إنتاج رؤى بيانات مفيدة.”
بالنسبة لفريق هورنتس، استخدمت إنفيسبل خمسة نماذج أساسية، والتي تم ضبطها لتناسب البيانات الخاصة بالسياق. شمل ذلك تعليم النماذج لفهم أنها “تنظر إلى” ملعب كرة السلة بدلاً من، على سبيل المثال، ملعب كرة القدم؛ لفهم كيف تعمل لعبة كرة السلة بشكل مختلف عن أي رياضة أخرى قد يكون لدى النموذج معرفة بها (بما في ذلك عدد اللاعبين في كل فريق)؛ وفهم كيفية اكتشاف القواعد مثل “خارج الحدود”. بمجرد ضبطها، كانت النماذج قادرة على التقاط سيناريوهات بصرية دقيقة ومعقدة، بما في ذلك اكتشاف الأجسام بدقة عالية، والتتبع، ووضعيات الجسم، ورسم الخرائط المكانية.
أخيرًا، بينما تتغير مجموعة تقنيات الذكاء الاصطناعي المتاحة للشركات يوميًا، لا يمكنهم تجاهل المقاييس التجارية التقليدية: الأهداف الواضحة. بدون وضوح حول الغرض التجاري، يمكن أن تتحول برامج الذكاء الاصطناعي التجريبية بسهولة إلى مشاريع بحثية مفتوحة النهاية، مما يثبت أنها مكلفة من حيث تكاليف الحوسبة والبيانات والموارد البشرية.
“أفضل المشاركات التي رأيناها هي عندما يعرف الناس ما يريدونه”، يلاحظ سيلي. “والأسوأ هو عندما يقول الناس ‘نريد الذكاء الاصطناعي’ ولكن ليس لديهم اتجاه. في هذه الحالات، هم في سعي لا نهاية له بدون خريطة.”
في الختام، يعد فهم البيانات غير المنظمة وإعدادها بشكل صحيح خطوة أساسية نحو تحقيق نجاح مستدام في تطبيقات الذكاء الاصطناعي. يجب على المؤسسات أن تكون واضحة بشأن أهدافها لضمان تحقيق أقصى استفادة من هذه التقنيات المتقدمة.
