ما هو تحجيم الذكاء الاصطناعي؟
ما المقصود بتوسيع نطاق الذكاء الاصطناعي؟
توسيع نطاق الذكاء الاصطناعي هو زيادة استخدام الذكاء الاصطناعي ونطاقه في كل جوانب عمليات المؤسسة لتعظيم قيمة الأعمال. تبدأ معظم المؤسسات ببعض مشروعات الذكاء الاصطناعي التي تركز على حل مشكلات محددة. يتجاوز توسيع نطاق الذكاء الاصطناعي المشروعات إلى دمج الذكاء الاصطناعي على نطاق واسع وعميق في الخدمة الأساسية أو المنتج أو العمليات التجارية للمؤسسة.
تتطلب هذه العملية إمكانات تقنية محسّنة، إذ يجب عليك تطوير نماذج ذكاء اصطناعي مختلفة وتدريبها باستخدام مجموعات بيانات متنوعة، ثم نشرها بشكل منهجي لإدارة التغيير وإصلاح الأخطاء. إلى جانب حل التحديات التقنية، يتطلب توسيع نطاق الذكاء الاصطناعي أيضًا تغيير العقلية والعملية لدفع الابتكار في كل جانب.
ما فوائد توسيع نطاق الذكاء الاصطناعي؟
توسيع نطاق الذكاء الاصطناعي يعني التحوُّل من الذكاء الاصطناعي التجريبي إلى الذكاء الاصطناعي التطبيقي. للذكاء الاصطناعي تطبيقات مؤسسية واسعة ويمكنه إحداث تغيير جذري في الصناعات. إنه عامل فارق أداة يعيد تشكيل المشهد التنافسي بشكل أساسي. يمكن للمؤسسات تقديم قيمة أكبر بتكلفة أقل، واكتساب ميزة تنافسية في قطاعاتها. ونحدد بعض الفوائد الرئيسة أدناه.
مصادر إيرادات جديدة
تسهم أنظمة الذكاء الاصطناعي بالفعل في تحسين المنتجات والخدمات. على سبيل المثال، تُستخدم تقنيات الذكاء الاصطناعي المولّد لتسريع تصميم المنتجات، وتغيِّر روبوتات المحادثة الطريقة التي يصل بها العملاء إلى الدعم والخدمات ويتلقونها. ومع أخذ ذلك في الاعتبار، يمكن أن يؤدي اعتماد الذكاء الاصطناعي على مستوى المؤسسة إلى دفع الابتكار إلى ما هو أبعد من هذا النطاق. على سبيل المثال، تستخدم شركة Takenaka Corporation، وهي شركة إنشاءات رائدة في اليابان، الذكاء الاصطناعي لتطوير منصة Building 4.0 الرقمية. يمكِّن ذلك العاملين من سهولة العثور على المعلومات، بدءًا من قوانين صناعة البناء إلى اللوائح والمبادئ التوجيهية وأفضل الممارسات. تحسِّن هذه المنصة الرقمية الكفاءة الداخلية وتنشئ مصدر إيرادات جديدًا للمؤسسة.
تحسين رضا العملاء
يسمح اعتماد الذكاء الاصطناعي على مستوى المؤسسة للمؤسسات بتقديم قيمة في كل خطوة من رحلة العميل. يمكن للمؤسسات حل مشكلات العملاء وتلبية متطلبات العملاء المتغيرة؛ بدءًا من التوصيات المخصصة إلى التسليم السريع والتواصل في الوقت الفعلي. على سبيل المثال، تسرِّع FOX، وهي شركة إعلامية كبرى، الاستفادة من رؤى البيانات لتقديم منتجات تعتمد على الذكاء الاصطناعي وذات صلة سياقية بالمستهلكين والمعلنين والمذيعين في الوقت الفعلي تقريبًا. يمكن للمعلنين استخدام النظام لاستهداف مواضع عرض المنتجات في لحظات فيديو محددة وذات صلة، وهو ما يُترجم إلى قيمة أكبر من علاقتهم مع Fox. في الوقت نفسه، يتلقى المشاهدون أيضًا توصيات المنتجات الأكثر صلة بهم في الوقت المناسب.
تقليل الفاقد
إن توسيع نطاق الذكاء الاصطناعي يعني تقديم إمكانات الذكاء الاصطناعي؛ بدءًا من المجالات التي تنطوي على التعامل المباشر مع العملاء إلى مهام المكتب الخلفي والمتوسط. يمكن لذلك أن يقلل عبء العمل الإداري، ويتيح للموظفين المزيد من العمل الإبداعي وتحقيق توازن أفضل بين العمل والحياة. وبالمثل، يمكن لأنظمة الذكاء الاصطناعي أيضًا مراقبة العمليات الحرجة لتحديد الاختناقات أو نقاط التعطيل وإزالتها. على سبيل المثال، أنشأت شركة Merck، وهي شركة صيدلانية بيولوجية قائمة على الأبحاث الموسعة، تطبيقات ذكاء اصطناعي للتنقيب عن المعرفة ومهام أبحاث السوق. يتمثل هدفها في تقليل العمليات اليدوية التي تستغرق وقتًا طويلاً وتنتقص من العمل الأكثر تأثيرًا في كل أنحاء سلسلة القيمة الدوائية.
ما الذي يتطلبه توسيع نطاق الذكاء الاصطناعي؟
تختلف تجربة نموذج أو اثنين من نماذج الذكاء الاصطناعي بشكل كبير عن تشغيل مؤسستك بالكامل على الذكاء الاصطناعي. وتزداد التعقيدات والتكاليف والتحديات الأخرى أيضًا مع توسع اعتماد الذكاء الاصطناعي. لتوسيع نطاق الذكاء الاصطناعي بنجاح، يجب أن تستثمر الموارد والوقت في ثلاثة مجالات رئيسة: الأشخاص والتقنيات والعمليات.
الأفراد
عادةً ما تكون مشروعات الذكاء الاصطناعي مجالاً لعلماء البيانات وباحثي الذكاء الاصطناعي. ومع ذلك، يتطلب الذكاء الاصطناعي على نطاق واسع مجموعة واسعة من المهارات؛ بدءًا من الخبرة الميدانية إلى إدارة البنية التحتية لتكنولوجيا المعلومات وهندسة البيانات. يجب أن تستثمر المؤسسات في إنشاء فرق متعددة التخصصات يمكنها التعاون في تطبيقات الذكاء الاصطناعي المختلفة على نطاق المؤسسة. ثمة نهجان: الفريق الصغير (Pod) والقسم (Department).
الفريق الصغير (Pod)
تتولى فرق صغيرة من خبراء تعلّم الآلة وعلماء البيانات ومهندسي البرمجيات تطوير منتجات الذكاء الاصطناعي لأقسام مؤسسة محددة. يمكن للفريق الصغيرة تسريع تطوير الذكاء الاصطناعي ولكن لديها أيضًا عيوب. قد تؤدي إلى كيانات معرفية منعزلة ومجموعات متنوعة من تقنيات وأدوات الذكاء الاصطناعي المختلفة التي تُستخدم بشكل مخصص في كل أنحاء المؤسسة.
القسم (Department)
شعبة أو قسم منفصل للذكاء الاصطناعي يحدد أولويات تطوير الذكاء الاصطناعي ويشرف عليه ويديره في كل أنحاء المؤسسة. يتطلب هذا النهج المزيد من التكاليف الأولية وقد يزيد أيضًا من الوقت المطلوب لاعتماد الذكاء الاصطناعي. ولكن، يؤدي إلى توسيع نطاق الذكاء الاصطناعي بشكل أكثر استدامة ومنهجية.
التقنية
يتطلب توسيع نطاق الذكاء الاصطناعي إنشاء المئات من نماذج تعلّم الآلة ونشرها على مستوى بيئات مختلفة. يجب على المؤسسات تقديم التكنولوجيا التي تنقل النماذج بكفاءة من التجريب إلى الإنتاج مع تسهيل الصيانة المستمرة والإنتاجية. يجب أن تتكامل التكنولوجيا مع البنية التحتية الحالية لتكنولوجيا المعلومات وممارسات تطوير البرمجيات. يجب أن تدعم التعاون بين علماء البيانات وأصحاب المصلحة الآخرين داخل المؤسسة.
العمليات
تطوير الذكاء الاصطناعي هو عملية تكرارية تتطلب صقلاً مستمرًا. يقوم علماء البيانات بإعداد البيانات ويدربون النموذج ويضبطونه وينشرونه في بيئة الإنتاج. بعد ذلك، يراقبون المخرجات والأداء ويكررون الخطوات لطرح الإصدار التالي. تتطلب العملية بالكامل التوحيد القياسي للتوسُّع بكفاءة. يجب على المؤسسات تنفيذ عمليات تعلّم الآلة (MLOPs)، وهي مجموعة من الممارسات لأتمتة العمليات وتوحيدها على مستوى دورة حياة الذكاء الاصطناعي. تُعد إدارة دورة الحياة بالكامل أمرًا حيويًا أيضًا لضمان تطوير الذكاء الاصطناعي بشكل آمن ومنظم وأخلاقي.
ما التقنيات الرئيسة المستخدمة في توسيع نطاق الذكاء الاصطناعي؟
التقنيات والأدوات المتخصصة ضرورية للتقدم في الذكاء الاصطناعي. وإليك بعض الأمثلة أدناه.
متاجر الميزات
تسهِّل متاجر الميزات إعادة استخدام الميزات على مستوى نماذج تعلّم الآلة المختلفة. الميزات هي عبارة عن خصائص فردية قابلة للقياس مستمدة من البيانات الأولية. يمكن أن تكون سمات بسيطة مثل العمر أو الدخل أو معدل النقر أو ميزات هندسية أكثر تعقيدًا منشأة من خلال التحويلات والتجميعات.
ينظم متجر الميزات هذه الميزات وبياناتها الوصفية (مثل التعريفات ومنطق الحوسبة والتبعيات وسجل استخدامها) ويديرها. يمكن لعلماء البيانات ومهندسي تعلّم الآلة إعادة استخدام الميزات ومشاركتها واكتشافها بكفاءة، ما يقلل من ازدواجية الجهود.
أصول التعليمات البرمجية
تزيد أصول التعليمات البرمجية القابلة لإعادة الاستخدام (مثل المكتبات وأُطر العمل وقواعد التعليمات البرمجية المخصصة) الكفاءة. من خلال توحيد بعض المكتبات وأُطر العمل، يمكن للمؤسسات ضمان تطوير حلول الذكاء الاصطناعي الخاصة بها باستخدام أفضل الممارسات وجعلها أكثر قابلية للصيانة بمرور الوقت. تعزز أصول التعليمات البرمجية القابلة لإعادة الاستخدام أيضًا الاتساق على مستوى المشروعات المختلفة. وهي تقلل من تكرار العمل وتوفر إطارًا للابتكار.
أتمتة التشغيل
تُعد الأتمتة، مثل الاختبار المؤتمت والتكامل المستمر/النشر المستمر (CI/CD)، ذات قيمة كبيرة في عملية توسيع نطاق الذكاء الاصطناعي. إنها تسمح للمؤسسات بالتكرار السريع لنماذج الذكاء الاصطناعي وتعزيز سرعة تنفيذ الذكاء الاصطناعي. يمكن استخدام ممارسات مثل التوليد المعزز بالاسترداد (RAG) لتعزيز التدريب الحالي لنماذج اللغات الكبيرة في الذكاء الاصطناعي المولّد، بدلاً من تدريب نماذج جديدة من الصفر. تُعد تقنيات تدفق البيانات أمرًا ضروريًا لأتمتة مهام معالجة البيانات، مثل التحضير والتحليل لمعالجة البيانات في الوقت الفعلي التي تتطلبها عمليات تعلّم الآلة.
الحوسبة السحابية
توفر الحوسبة السحابية والبنية التحتية القابلة للتوسُّع موارد مرنة وقابلة للتوسُّع يمكن تخصيصها ديناميكيًا لتلبية احتياجات أعباء عمل الذكاء الاصطناعي. تضمن القدرة على زيادة الموارد أو خفضها بناءً على الطلب أن المؤسسات يمكنها إدارة التكاليف بكفاءة مع تلبية متطلبات أداء نموذج الذكاء الاصطناعي. على سبيل المثال، يمكنك استخدام مثيلات الحوسبة العالية الأداء (HPC) لتدريب النماذج المعقدة وحلول التخزين القابلة للتوسُّع لإدارة مجموعات البيانات الكبيرة. تشمل خدمات سحابة AWS أيضًا أدوات الذكاء الاصطناعي وتعلّم الآلة المتخصصة التي يمكنها زيادة تسريع التطوير والنشر.
ما تحديات توسيع نطاق الذكاء الاصطناعي؟
يتطلب توسيع النطاق الناجح للذكاء الاصطناعي من المؤسسات التغلب على التحديات التالية.
تشغيل النماذج
لا تحقق النماذج المطورة إمكاناتها الكاملة كأدوات تشغيلية لعدد من الأسباب، نذكر بعضها أدناه:
- كان تطوير النموذج إلى حد كبير عملية لمرة واحدة لا علاقة لها بنتائج الأعمال الحقيقية.
- يُسلَّم النموذج بين الفرق من دون توثيق وعملية وهيكل.
- تتم عملية تطوير النموذج في بيئة منعزلة من دون مدخلات من المستخدمين النهائيين أو المؤسسات الأوسع أو الخبراء المتخصصين.
- تُنشر النماذج بشكل فردي على الأنظمة القديمة.
سرعان ما تفقد النماذج المعتمدة على سحب البيانات الثابتة لمرة واحدة، حداثتها ودقتها. في غياب ممارسات التحسين المستمر، يتدهور أداء النموذج في النهاية، أو قد يصبح قديمًا.
المقاومة الثقافية
يتطلب اعتماد الذكاء الاصطناعي على نطاق واسع تغييرات كبيرة في الثقافة التنظيمية وسير العمل. تعيق مقاومة التغيير وعدم فهم قدرات الذكاء الاصطناعي هذه العملية. يمكن أن يكون دمج الذكاء الاصطناعي في العمليات التجارية وأنظمة تكنولوجيا المعلومات الحالية معقدًا أيضًا بسبب مشكلات التوافق أو الأنظمة القديمة. قد تواجه فرق البيانات صعوبة في الحفاظ على الإنتاجية بسبب التعقيد المتزايد، وعدم كفاية التعاون بين الفرق، والافتقار إلى العمليات والأدوات الموحدة.
زيادة التعقيد
يجب أن تظل نماذج الذكاء الاصطناعي التشغيلية دقيقة وفعَّالة في البيئات المتغيرة. المراقبة والصيانة المستمرة -مثل التحديثات المنتظمة وإعادة التدريب باستخدام البيانات الجديدة- أمر لا بد منه. ومع ذلك، عندما تصبح نماذج الذكاء الاصطناعي أكثر تعقيدًا، فإنها تتطلب المزيد من الموارد الحسابية للتدريب والاستدلال. ويصبح إجراء التغييرات أو إصلاح الأخطاء أكثر تكلفة واستهلاكًا للوقت في التكرارات اللاحقة.
المخاوف التنظيمية
يُعد ضمان الأمان والخصوصية للبيانات ونماذج الذكاء الاصطناعي تحديًا. تتمتع مشروعات الذكاء الاصطناعي التجريبية بمزيد من المرونة في استخدام بيانات المؤسسة. ومع ذلك، يتطلب النجاح التشغيلي تلبية كل الأطر التنظيمية المطبَّقة على المؤسسة. يتطلب تطوير الذكاء الاصطناعي إدارة دقيقة لضمان الوصول المصرح به للبيانات في كل خطوة. على سبيل المثال، إذا طرح مستخدم غير مصرح له سؤالاً سريًا على روبوت محادثة مدعوم بالذكاء الاصطناعي، فيجب ألا يكشف عن معلومات سرية في إجابته.
كيف يمكن أن تدعم AWS جهودك في توسيع نطاق الذكاء الاصطناعي؟
تساعدك AWS في كل مرحلة من مراحل رحلتك تجاه اعتماد الذكاء الاصطناعي (AI) من خلال تقديم أشمل مجموعة من خدمات الذكاء الاصطناعي، والبنية التحتية، وموارد التنفيذ. يمكنك توسيع نطاق الذكاء الاصطناعي بشكل أسرع وأكثر كفاءة على مستوى المؤسسة ككل. على سبيل المثال، يمكنك استخدام الخدمات التالية:
- Amazon Bedrock لتحديد نماذج التأسيس الرائدة في الصناعة وتخصيصها وتدريبها ونشرها باستخدام البيانات الخاصة.
- Amazon QDeveloper لتسريع تطوير البرامج من خلال إنشاء التعليمات البرمجية وتحليل قواعد التعليمات البرمجية وتصحيح الأخطاء وتقديم إرشادات معمارية استنادًا إلى أفضل ممارسات AWS، وكل ذلك من خلال تفاعلات اللغة الطبيعية داخل بيئة التطوير المتكاملة (IDE) لديك أو وحدة إدارة تحكم AWS.
- Amazon Q للحصول على إجابات سريعة وذات صلة للأسئلة الملحة وحل المشكلات وإنشاء المحتوى. يمكنك أيضًا اتخاذ الإجراءات باستخدام البيانات والخبرات الموجودة في مستودعات المعلومات والتعليمات البرمجية وأنظمة المؤسسة الخاصة بشركتك.
- Amazon SageMaker Jumpstart تسرِّع تطوير الذكاء الاصطناعي من خلال بناء نماذج التأسيس وتدريبها ونشرها في مركز تعلّم الآلة.
يمكنك أيضًا استخدام أدوات Sagemaker for MLops لتبسيط عمليات تطوير الذكاء الاصطناعي. على سبيل المثال:
- استخدم اختبارات SageMaker في تتبع الأدوات المتعلقة بمهام تدريب النماذج، مثل المَعْلمات والمقاييس ومجموعات البيانات.
- كوّن مسارات SageMaker لتعمل تلقائيًا على فواصل زمنية منتظمة أو عند تشغيل أحداث معينة.
- استخدم سجل نماذج SageMaker لتتبع إصدارات النماذج والبيانات الوصفية -مثل تجميع حالات الاستخدام وخطوط الأساس لمقاييس أداء النموذج- في مستودع مركزي. يمكنك استخدام هذه المعلومات لاختيار أفضل نموذج بناءً على متطلبات عملك.
ابدأ استخدام الذكاء الاصطناعي على AWS من خلال إنشاء حساب مجاني اليوم.