طريقة توسيع نطاق الذكاء الاصطناعي في أعمالك

تتأثر أعمالك بالذكاء الاصطناعي. لكي يعمل الذكاء الاصطناعي من أجلك وليس ضدك، تحتاج إلى نقل المبادرات إلى ما بعد المرحلة التجريبية وإلى العمليات اليومية.

ينير أوائل المشغلين الطريق: يستخدمون الذكاء الاصطناعي لزيادة سرعة عمليات الحسابات الدائنة والمقبوضات ودقتها، وتلخيص الموجزات القانونية وغيرها من الأبحاث، وإضافة طبقة من الضمان للمهام الحرجة مثل قراءة الأشعة السينية. تستخدم تلك الشركات الرائدة الذكاء الاصطناعي للكشف عن الاحتيال وسط ملايين المعاملات المالية واتخاذ قرارات سريعة في المستودعات النشطة وفي طوابق التصنيع المرهقة. يستخدمون روبوتات محادثة الذكاء الاصطناعي للتعامل مع مكالمات الدعم الأكثر تعقيدًا وتوجيه مندوبي المبيعات إلى أفضل خطوة تالية لكل عميل.

وكل هذا مجرد بداية.

لكن بالنسبة لكل انتصار من هذه الانتصارات، اضطرت المؤسسة إلى العمل من خلال عملية التوسع، والجمع بين الأدوات والأشخاص وإجراء التعديلات التقنية والثقافية اللازمة للذكاء الاصطناعي للعمل في العالم الفعلي.

فيما يلي، نلقي نظرة على الجوانب العديدة للتحدي المتمثل في توسيع نطاق الذكاء الاصطناعي للأعمال.

ما المقصود بالذكاء الاصطناعي القابل للتوسع؟

يمثل الذكاء الاصطناعي القابل للتوسع القدرة على استخدام خوارزميات التعلم الآلي (ML) أو خدمات الذكاء الاصطناعي التوليدي لإنجاز المهام اليومية بوتيرة تتماشى مع طلب الأعمال. يتطلب ذلك أن تحتوي الخوارزميات والنماذج العامة على البنية التحتية ووحدات تخزين البيانات التي تحتاجها للعمل بالسرعة والنطاق المطلوبين. بالإضافة إلى ذلك، يتطلب الذكاء الاصطناعي القابل للتوسع بيانات من العديد من أجزاء الأعمال المتكاملة والكاملة بما يكفي لتزويد الخوارزميات بالمعلومات اللازمة لاستخلاص النتائج المرجوة.

بنفس أهمية الأشخاص المستعدين لاستخدام مخرجات الذكاء الاصطناعي في عملهم. مع وجود كل هذه المتطلبات، يمكن للذكاء الاصطناعي القابل للتوسع مساعدة عمليات الأعمال في التحرك بسرعة أكبر وأمان ودقة وتخصيص وحتى الإبداع.

النقاط الرئيسة

• يمكن أن يؤدي توسيع نطاق الذكاء الاصطناعي إلى تحسين مجموعة واسعة من عمليات الأعمال بشكل كبير.
• يتضمن النجاح العديد من أجزاء العمل في مجالات إدارة البيانات وعلوم البيانات وإدارة عمليات الأعمال. يتم جمعها غالبًا تحت عنوان عمليات التعلم الآلي (MLOps).
• يمكن أن تتضمن MLOps إنشاء نماذج التعلم الآلي وتدريبها أو تدريب الخوارزميات الحالية أو نماذج اللغات الكبيرة (LLM) لتحقيق هدف العمل.
• تحتاج الشركات إلى مراعاة أمان البيانات وخصوصية البيانات وإعداد التقارير التنظيمية لأنها تُدخل الذكاء الاصطناعي إلى العمليات اليومية.

لماذا يصعب توسيع نطاق الذكاء الاصطناعي؟

يتطلب توسيع نطاق الذكاء الاصطناعي الاستثمار والالتزام. إنه يتطلب مهارات وتقنيات جديدة، وقوة حوسبة عالية التحمل، وتغييرات في طريقة عمل مؤسستك. يتجاوز توسيع نطاق الذكاء الاصطناعي نماذج البناء والتدريب؛ يعني هذا إدخالها في التطبيقات على مستوى الإنتاج التي تعمل على نطاق واسع وتزود مستخدمي الأعمال بميزات المراقبة وإعداد التقارير.

فيما يلي ستة تحديات رئيسة يجب التغلب عليها في طريقك إلى توسيع نطاق الذكاء الاصطناعي:

1. البيانات: تمثل البيانات شريان الحياة للذكاء الاصطناعي. تشير إلى المعلومات المستخدمة لتدريب خوارزميات التعلم الآلي بالإضافة إلى المعلومات التي تمسحها تلك الخوارزميات لتقديم نواتج. تأتي البيانات التي تستخدمها نماذج التعلم الآلي في أشكال عديدة. يمكن أن توجد في صفوف وأعمدة قاعدة البيانات العلائقية، وكذلك في المستندات النصية أو الصور أو مقاطع الفيديو أو الوسائط الاجتماعية.
   
   يتطلب الحصول على مجموعات بيانات ضخمة في كثير من الأحيان وتنظيمها وتحليلها خبرة في إدارة البيانات والاستثمارات في الأدوات والخدمات السحابية، مثل مستودع بيانات قابل للتوسع قائم على السحابة. يمثل أمان البيانات وخصوصيتها المخاوف الرئيسة لأي ذكاء اصطناعي موسع. يجب حماية البيانات من التهديدات الخارجية والداخلية، مثل البيانات الحساسة المخزنة من أي شركة. تتحمل فِرق عمليات الذكاء الاصطناعي مسؤولية إضافية: تأكد من عدم ظهور المعلومات الحساسة في بيانات التدريب في مخرجات الذكاء الاصطناعي.


2. العمليات: يعد توسيع نطاق الذكاء الاصطناعي عملية تكرارية تتضمن ثلاث مجموعات على الأقل:
   
   
   1. الخبراء في كل عملية أعمال ذات صلة، سواء خدمة العملاء أو لوجستيات الشحن أو تصميم المنتجات أو الأشعة أو المحاسبة.
   2. فريق تكنولوجيا المعلومات، الذي يدمج البيانات التشغيلية ويؤمنها ويربطها ويجمع قوة الحوسبة والشبكات اللازمة.
   3. فريق علم البيانات، الذي ينشئ ميزات التعلم الآلي يحدد النموذج ويضبط المعلمات حتى يكون الذكاء الاصطناعي جاهزًا إلى النشر والتوسع. يعمل خبراء عمليات الأعمال مع علماء البيانات لضمان توافق مخرجات الذكاء الاصطناعي مع الإرشادات. يجب على الفِرق التحقق من الإنشاء المعزز للاسترجاع (RAG)، والذي يوفر طريقة لتحسين مخرجات LLM استنادًا إلى بيانات المؤسسة دون تعديل النموذج الأساس نفسه.


3. الأدوات: تأتي مجموعة الأدوات المستخدمة لتوسيع نطاق الذكاء الاصطناعي بثلاثة أشكال—الأدوات التي يستخدمها علماء البيانات لإنشاء نماذج التعلم الآلي، والأدوات التي يستخدمها فريق تكنولوجيا المعلومات لإدارة البيانات ودعم الخوارزميات المتعطشة للحوسبة، والأدوات التي تساعد رجال الأعمال على استخدام مخرجات الذكاء الاصطناعي في مهامهم اليومية. يمكن أن يتطلب بناء نموذج تعلم آلي واحد عشرات الأنظمة المُتخصصة، التي يتم تجميعها غالبًا من ممارسي علوم البيانات من مجموعة واسعة من الأدوات مفتوحة المصدر والملكية.
   
   في الآونة الأخيرة، نظمت شركات التكنولوجيا أدوات علوم البيانات وإدارة البيانات وعمليات الذكاء الاصطناعي في منصات مُتكاملة لتوسيع نطاق الذكاء الاصطناعي. يُسمى هذا الجهد عمليات التعلم الآلي بشكل عام، أو MLOps، ويتضمن أدوات لبناء الذكاء الاصطناعي وصيانته ومراقبته بالإضافة إلى الإبلاغ عن مخرجاته لأصحاب المصلحة الداخليين والهيئات التنظيمية.


4. الموهبة: تستغرق الخبرة اللازمة لتصميم نماذج التعلم الآلي وتدريبها ونشرها وقتًا لاكتسابها، لذلك؛ يصعب العثور على الأشخاص الذين لديهم معرفة عميقة بالمجال في الذكاء الاصطناعي كما أن توظيفهم مُكلفًا. لهذا السبب، حتى الآن كان عمالقة التكنولوجيا ينشئون منصات الذكاء الاصطناعي والمؤسسات الكبيرة والدقيقة في التكنولوجيا التي كانت على استعداد لدفع ثمن الخبرة في الذكاء الاصطناعي.
   
   مع ذلك، تتوفر الآن منصات MLOps بصفتها خدمات سحابية، وتتوفر LLM من خلال استدعاءات واجهة برمجة التطبيقات. يفتح هذا الذكاء الاصطناعي على المزيد من الشركات. تظل توجد حاجة إلى إدارة البيانات والخبرة في علوم البيانات، لكن خدمات الذكاء الاصطناعي المتاحة من خلال موفري السحابة يمكن أن تقلل من الضغط على الحاجة إلى توظيف أشخاص لديهم خبرة عميقة في بناء نماذج الذكاء الاصطناعي.


5. النطاق: متى يحين الوقت لتجاوز تجربة الذكاء الاصطناعي في ركن من أركان الأعمال، وما حجم عملك؟ من الناحية المثالية، تصبح مبادرة الذكاء الاصطناعي كبيرة بما يكفي لإحداث فَرق ملحوظ في العمليات، سواء ذلك في أوقات الشحن أو تجربة العملاء أو غيرها من النتائج القابلة إلى القياس. لكن يجب ألا تكون الجهود المُبكرة في الذكاء الاصطناعي الموسع مُعقدة للغاية أو مرتبطة بالنتيجة النهائية لدرجة أنك تميل إلى التوقف إذا واجهتك مشكلة، بدلاً من التسبب في خلل. البدء بشكل بسيط في مجال لا تسبب المشكلات فيه الكثير من الضرر. يصبح نطاق مبادرات الذكاء الاصطناعي أكثر طموحًا مع نمو الخبرة والثقة داخل مؤسستك.


6. الوقت: لا يتجاوز ما يقرب من 80% من مشروعات الذكاء الاصطناعي إثبات المبدأ، وفقًا إلى CompTIA، وتستغرق المشروعات الناجحة من ثلاثة إلى 36 شهرًا، حسب النطاق والتعقيد. يتم قضاء هذا الوقت في اختيار النماذج ونشرها بالإضافة إلى مراقبة مخرجات الذكاء الاصطناعي في إعداد يمكن التحكم فيه.
   
   يحتاج صانعو قرارات الأعمال أيضًا إلى النظر في الوقت والجهد اللازمين لتوفير البيانات التي يحتاجها نظام الذكاء الاصطناعي على نطاق واسع. يحتاج علماء البيانات وفِرق تكنولوجيا المعلومات إلى الحصول على البيانات ودمجها وتخزينها وإعدادها وتدفقها من خلال خوارزميات التعلم الآلي ومراقبة المخرجات. يمكن أن تساعد القائمة المتنامية من الأدوات والمكتبات مفتوحة المصدر بالإضافة إلى برامج الأتمتة والخدمات السحابية في تسريع هذه الدورة. مع نضوج المجال، تنضج كذلك الأدوات.

لماذا يعد الذكاء الاصطناعي القابل للتوسع هامًا للغاية؟

على الرغم من صعوبة توسيع نطاق الذكاء الاصطناعي، يراهن قادة الأعمال على أن التحديات والتكاليف الأولية تقابلها في نهاية المطاف مكاسب في الأعمال. وفقًا إلى McKinsey، سيضيف الذكاء الاصطناعي ما يقدر بـ 13 تريليون دولار إلى الاقتصاد العالمي بحلول عام 2030. توجد عدة أسباب. أولاً، للاستفادة من الذكاء الاصطناعي، تتخذ المزيد من الشركات مشروعات "التحول الرقمي" إذ يمكنها استخدام بياناتها لتصبح أكثر ابتكارًا وتنافسية في الاقتصاد الرقمي. يؤدي الذكاء الاصطناعي إلى مضاعفة هذه المزايا التنافسية ويؤدي إلى مزيد من الابتكارات. تظهر لدى الشركات التي وسَّعت بالفعل نطاق الذكاء الاصطناعي مزايا بما في ذلك زيادة رضا العملاء وإنتاجية القوى العاملة بالإضافة إلى استخدام أكثر كفاءة للأصول مثل السفن والشاحنات ومعدات التصنيع والمستودعات.

طريقة توسيع نطاق الذكاء الاصطناعي في أعمالك

قد يكون إدخال الذكاء الاصطناعي إلى عالم العمليات التجارية الذي يتسم بالتعقيد والصعوبة أمرًا شاقًا، لكنه يستحق لأنه المشروع المناسب. البدء بعلم البيانات، إذ يمكن تخصيص مكتبات خوارزميات التعلم الآلي لتلبية أهداف عملك. هذه نصيحة جيدة أيضًا إذا كنت تستخدم واجهات برمجة التطبيقات للوصول إلى نماذج اللغات الكبيرة والتدريب عليها التي يقدمها الموردون مثل OpenAI وCohere.

تتمثل الخطوة التالية في الوصول إلى مجموعات البيانات التي يتم تدريب الذكاء الاصطناعي عليها واستيعابها. قد تتكون من بيانات داخلية أو خارجية أو مزيج من كليهما. لكي يعمل الذكاء الاصطناعي في بيئة أعمال، اجمع بين أصحاب المصلحة والمؤيدين، سواء كانوا في خدمة العملاء أو الإدارة المالية أو القانونية أو أي قسم آخر. يعمل هؤلاء المؤيدون مع فريق علوم البيانات، لذلك؛ يفهم المدربون "يومًا في الحياة" للأشخاص في وظيفة الأعمال المستهدفة. يعمل هؤلاء المؤيدون بعد ذلك مع زملائهم أو شركائهم للمساعدة في الاستعداد للعملية التي تعتمد على الذكاء الاصطناعي والدفع إلى الاعتماد على نطاق واسع عند إطلاقها. مع اتساق نماذج التعلم الآلي وتدفقات البيانات وعمليات الأعمال، حان الوقت لتوسيع نطاق الذكاء الاصطناعي في أعمالك.

7 أفضل الممارسات لتوسيع نطاق الذكاء الاصطناعي

يأتي توسيع نطاق استخدام الذكاء الاصطناعي في عملية الأعمال مع العديد من التحديات. فيما يلي أفضل الممارسات لمساعدتك على النجاح:

1. التركيز على دورة حياة البيانات

قبل أن يتمكن علماء البيانات من إنشاء نماذج التعلم الآلي ويمكن للأعمال توسيع نطاق هذه النماذج، كما يجب أن توجد بنية بيانات تدمج مصادر البيانات وتحدثها وتوفر تنسيقًا آمنًا وموحدًا.

2. توحيد المعايير وتبسيط MLOps

اختر منصة MLOps تناسب مجموعات مهارات فِرق عمليات علم البيانات والتعلم الآلي وتتطابق مع البنية التحتية لتكنولوجيا المعلومات لديك أو مع البنية التحتية لموفر السحابة الأساس.

3. إنشاء فريق ذكاء اصطناعي تعاوني متعدد التخصصات

تمتد مبادرات الذكاء الاصطناعي عبر التخصصات والأقسام. جمع أصحاب المصلحة من جميع أنحاء الشركة للمساعدة.

4. اختيار المشروعات الأولية التي من المحتمل أن تنجح

يمثل إدخال الذكاء الاصطناعي إلى أي عملية أعمال مسعى مُعقد. ابدأ بمشروع يحقق انتصارًا سريعًا ويشير إلى الطريق لمشروعات مستقبلية أكثر طموحًا. فكر في الوقوف على مركز امتياز للذكاء الاصطناعي للمساعدة على ضمان النجاح.

5. التخطيط للحوكمة وقابلية إعداد التقارير

اختر أدوات لإدارة البيانات وعلم البيانات وعمليات الأعمال تم تضمين الحوكمة فيها. فهم لوائح الأمان والخصوصية ذات الصلة، وبناء الامتثال وقابلية إعداد التقارير في العملية الخاصة بك.

6. تتبع النماذج بشكل شامل

ابحث عن الميزات التي يمكن أن تساعدك على تتبع سرعة مخرجات الذكاء الاصطناعي الخاصة بك وتكلفتها بالإضافة إلى الأسباب الكامنة وراءها وقيمتها للمستخدمين النهائيين.

7. استخدام الأدوات المناسبة

لتوسيع نطاق الذكاء الاصطناعي في أعمالك، تحتاج إلى مجموعة من الأدوات التي تسهِّل على علماء البيانات العمل مع مهندسي تكنولوجيا المعلومات ولتعمل كلتا المجموعتين مع رجال الأعمال حول مشكلات إدارة الذكاء الاصطناعي والامتثال. يمكن أن تمنح منصات علوم البيانات المستندة إلى السحابة فِرق علماء البيانات مساحة لإنشاء نماذج التعلم الآلي ودفاتر الملاحظات والتدريب عليها ونشرها وإدارتها—بيئات الحوسبة التفاعلية التي تجمع بين تنفيذ التعليمات البرمجية والتمثيل المرئي للبيانات والتعليق النصي. يتمثل المفتاح في توفير المساحات التي يمكن للمدربين فيها تجربة النماذج وتطويرها وتوسيع نطاق استخدامها.

توسيع نطاق الذكاء الاصطناعي باستخدام خدمات Oracle

عندما تريد توسيع نطاق الذكاء الاصطناعي في عملك، تُعد البنية التحتية من Oracle Cloud (OCI) خيارًا ذكيًا. يمكن أن تساعدك على الحصول على مزايا الذكاء الاصطناعي بالطريقة الأكثر منطقية لشركتك والتي تتناسب مع احتياجاتك. تجد مجموعة من تطبيقات SaaS مع نماذج التعلم الآلي المُضمنة وخدمات الذكاء الاصطناعي المُتاحة بالإضافة إلى البنية التحتية الأفضل في فئتها لإنشاء نماذج التعلم الآلي والتدريب عليها ونشرها على نطاق واسع. تسهِّل Oracle أيضًا الوصول إلى نماذج الذكاء الاصطناعي التوليدي استنادًا إلى أنظمة LLM المُتطورة من Cohere.

بالنسبة إلى علماء البيانات، تساعد منصة علم البيانات المُدارة بالكامل في إنشاء نماذج التعلم الآلي والتدريب عليها ونشرها وإدارتها باستخدام Python وغيرها من الأدوات مفتوحة المصدر. توفر Oracle بنية تحتية قائمة على JupyterLab لتجربة النماذج وتطويرها وتوسيع نطاق تدريب النماذج باستخدام وحدات معالجة الرسومات NVIDIA والتدريب الموزع. تعد الخدمة السحابية مثالية لتدريب الذكاء الاصطناعي التوليدي، بما في ذلك تطبيقات المحادثة ونماذج النشر.

باستخدام OCI، يمكنك إنتاج النماذج وإبقائها حديثة باستخدام إمكانات MLOps، مثل المسارات المؤتمتة وعمليات نشر النماذج ومراقبة النماذج. تواصل مع شركة Oracle اليوم، أو جرِّب هذه الخدمات مجانًا.

قد يجذب الذكاء الاصطناعي من فئة المستهلكين الجزء الأكبر من الاهتمام، لكن تنفذ الشركات الذكاء الاصطناعي والتعلم الآلي بنشاط. بدأت منصات التكنولوجيا وعمليات الأعمال في الظهور بسرعة للمساعدة في توسيع نطاق الذكاء الاصطناعي للمؤسسات، مما يمكّن المزيد من المشروعات من الانتقال من إثبات المبدأ إلى الإنتاج على نطاق واسع. لا تزال التحديات قائمة، لكن الشركات التي تتغلب عليها تحقق تحسُّن في الكفاءة والدقة وأمان البيانات والتخصيص والابتكار.

الأسئلة الشائعة حول طريقة توسيع نطاق الذكاء الاصطناعي

كيف يمكنك توسيع نطاق منتج الذكاء الاصطناعي؟

يعد توسيع نطاق منتج الذكاء الاصطناعي جهدًا جماعيًا يشارك فيه أصحاب المصلحة من جميع أنحاء المؤسسة. يشمل ذلك خبراء علوم البيانات وإدارة البيانات وإيجابيات تكنولوجيا المعلومات والأشخاص الذين لديهم معرفة واضحة بعمليات الأعمال التي يتم فيها استخدام منتج الذكاء الاصطناعي فيها. في كثير من الأحيان، تساعد المنصة MLOps على الجمع بين هذه المجموعة لتصميم خوارزميات التعلم الآلي وتدريبها ونشرها وضبطها.

كيف يمكنك توسيع نطاق شركة ناشئة في الذكاء الاصطناعي؟

يعتمد توسيع نطاق شركة ناشئة للذكاء الاصطناعي على اتخاذ القرارات الصحيحة في وقت مُبكر حول اكتساب البيانات أو نماذج التعلم الآلي أو نماذج LLM والبنية التحتية للحوسبة، إما محليًا أو قائمًا على السحابة. تحتاج الشركات الناشئة إلى شراء عدد كبير من وحدات معالجة الرسومات (GPU) لتدريب مجموعات البيانات الكبيرة وتشغيل البنية التحتية المُعقدة للذكاء الاصطناعي مع الأداء والموثوقية لتحقيق النتائج في الوقت المناسب.

ما قابلية توسع نظام الذكاء الاصطناعي؟

يتمتع نظام الذكاء الاصطناعي القابل للتوسع بسرعة ودقة كافيتين لعالم عمليات الأعمال الفوضوي. تتجاوز هذه الأنظمة المرحلة التجريبية أو مرحلة إثبات المبدأ وهي قادرة على التوسع لخدمة مجموعة من المستخدمين.

ما المقصود بتوسيع نطاق الذكاء الاصطناعي؟

يُعد توسيع النطاق المصطلح الممنوح إلى أي خدمة كثيفة الحوسبة يمكن أن تنمو لتلبية احتياجات الأعمال. إذا كانت توجد حاجة إلى المزيد من موارد الحوسبة من خلال أحد التطبيقات، فيجب أن تكثِّف البنية التحتية لتكنولوجيا المعلومات التي تدعم التطبيق من أجل توفيرها. في بعض الحالات، يشير توسيع النطاق أيضًا إلى التقليص عندما لا توجد حاجة إلى البنية التحتية. على سبيل المثال، لدى بعض التطبيقات ارتفاعات موسمية أو ربع سنوية قيد الاستخدام. يمكن للبنية التحتية السحابية القابلة للتوسع التوسع أكثر لتلبية هذه الاحتياجات ثم التقليص حتى لا تدفع الشركة مقابل البنية التحتية التي لا تستخدمها.