بقلم : محمد أبو خاطر
نائب الرئيس الإقليمي للمبيعات في منطقة الشرق الأوسط وتركيا وإفريقيا لدى" F5"
هناك مجموعة من النصائح التي تساعد الشركات على تحسين هيكل الذكاء الاصطناعي التوليدي لديها.
وتأتي هذه الدراسة في الوقت الذي لا تزال الحوارات حول الذكاء الاصطناعي التوليدي دائرة في كل مكان، ومن الأسئلة المطروحة حالياً: ما هي المواضيع الأكثر رواجاً في الوقت الحالي؟ وكيف يسهم الذكاء الاصطناعي في جعل العالم مكاناً أفضل؟ وأين تكمن القيمة التجارية منه؟ وتزداد أهمية هذه الأسئلة عند الأخذ بالاعتبار التحديات التي تواجه المؤسسات التي تحاول معرفة ما إذا كان يتعين عليها نشر الذكاء الاصطناعي التوليدي في عمليات الذكاء الاصطناعي (AIOps) الخاصة بها ومتى؟
وتهدف النصائح الخمس المذكورة أدناه إلى مساعدة المؤسسات التي تتطلع إلى فهم أثر الذكاء الاصطناعي التوليدي على الممارسات الخاصة بالبيانات التشغيلية وتحسين الجداول الزمنية لاعتماد تكنولوجيا الذكاء الاصطناعي التوليدي بما يتوافق مع ميزانياتها وممارساتها وثقافاتها الحالية.
نماذج الذكاء الاصطناعي التوليدي تفضّل البيانات شبه المنظمة وغير المنظمة
تعد البيانات التشغيلية مزيجاً من مجموعات البيانات شبه المنظمة (الأشياء) والبيانات غير المنظمة. وتتمتع نماذج اللغات الكبيرة (LLMs) بقدر جيد من المرونة والفعالية عند جمعها مع هذا النوع من صيغ البيانات، ما يجعل من نماذج اللغات الكبيرة التكنولوجيا الأمثل لتحليل مجموعات البيانات التشغيلية. ويمكن للمؤسسات إجراء مجموعة من الاختبارات والتقييمات الداخلية من أجل التحقق من كفاءة وسهولة استخدام الحلول المختلفة المعززة بالذكاء الاصطناعي وتكلفتها. ويساعد توظيف استدلال نماذج اللغات الكبيرة للكشف عن الأنماط المثيرة للاهتمام للبيانات مع أقل عدد ممكن من الإيجابيات الزائفة، في ضمان تناغم سرعة وحجم الآلات مع أهداف الفرق التي تستهلك البيانات التشغيلية.
لا تحتاج المؤسسات إلى بناء نماذج
لن تحتاج المؤسسات التي تركز على تحديد الأساليب التي يتم استخدامها من قبل النماذج المختلفة من أجل أداء مهامها، إلى بناء نماذجها الخاصة. على سبيل المثال، يعتبر نموذج التعرف على الكيانات المسماة (NER) فرعاً من معالجة اللغة الطبيعية (NLP) ويعتبر أسلوباً فعالاً في ترسيخ العناصر الأساسية في مجموعات البيانات شبه المنظمة. ومن أمثلة نموذج التعرف على الكيانات المسماة (NER) نذكر قائمة من فئات تضم أيام من الأسبوع أو وصفاً للأعداد الصحيحة الأكبر من رقم 1 والأصغر من رقم 5. وستكون النتيجة هي دقة أكبر أثناء الاستدلال مقارنة بأساليب مطابقة الأنماط والمستندة إلى قواعد محددة وغير معززة بالذكاء الاصطناعي التوليدي.
جاذبية البيانات هي أمر حقيقي
تعتبر جاذبية البيانات قوة أساسية مؤثرة على اتخاذ القرارات المتعلقة بما إذا كان من الضروري تقريب الحوسبة من مواضع إنشاء البيانات، أو نقل البيانات إلى موضع قريب من أماكن نشر الحوسبة. وكلما زاد حجم البيانات ازدادت قوة الجاذبية ما يؤدي إلى زيادة سعة الحوسبة المتموضعة بالقرب منها.
وإذا كان الوصول إلى نموذج ما يتم عبر إحضار نسخة داخلية من المؤسسة، عوضاً عن استدعاء واجهة برمجة تطبيقات (API) لنموذج مماثل مُستضاف من قبل طرف ثالث، فمن المنطقي تقريب النموذج من النص التوجيهي (Prompt) و/أو أي مجموعة بيانات خاصة إضافية تم توجيهها كجزء من النص التوجيهي (Prompt). أما في حال كان النموذج مُستضافاً من قبل طرف ثالث يقوم بعرض واجهة برمجة التطبيقات الخاصة به على شبكة الإنترنت، فعندها سيكون النموذج وعمليات الاستدلال ساكنان غير متحركين على الإطلاق. وفي هذه الحالات، يمكن نقل عمليات الاستدلال وموجهات البيانات الخاصة إلى موقع "قريب من الشبكة" باستخدام اتصال مشترك لمركز بيانات، أو عبر محاولة مطابقة مواقع الاستضافة مع مزود النموذج إن أمكن.
يجب عدم تجاهل البيانات المنعزلة وضرورة التعامل معها
لقد أصبح كسر حواجز عزلة البيانات بهدف تبسيط وتسريع تحليل البيانات التشغيلية أكثر أهمية من أي وقت مضى وذلك بالتزامن مع قيام الذكاء الاصطناعي بالمعالجة. لكن يبدو على المدى المنظور أن البيانات المنعزلة ستبقى موجودة، إن لم تنتشر كذلك.
وعند الحديث عن الوصول إلى البيانات المخزنة في مواقع متعددة، فإن الخيارات المتاحة هي نسخ ونقل البيانات أو إنشاء طبقة بيانات منطقية تستخدم استعلامات موحدة لكن دون نقل البيانات. ويساعد التعرف على مصادر البيانات المتدفقة الموجودة وتقييم حالات الاستخدام التشغيلي وفقاً لقيود الوقت وحداثة البيانات، في اختيار العناصر اللازمة لمجموعة تقنيات البيانات الخاصة بكم، مثل محركات التدفق، ومحركات الاستعلام، وصيغ البيانات، والفهارس.
عدم التخوّف من التحول الرقمي
عندما تقوم الحلول بإضافة التحول الرقمي فإنها تتوسع من خلال تحويل المعرفة الضمنية للخبراء في مجالات خصوصية البيانات وعمليات الأمن الإلكتروني (SecOps)، إلى ممارسة قابلة للتكرار مدعومة بعمليات الذكاء الاصطناعي (AIOps) والتي يمكن تنفيذها بواسطة الآلات. عندها فقط ستصبح الفرق المعنية بالبيانات والأمن الإلكتروني والخصوصية قادرة على إضافة الذكاء الذي يسهم في تحسين كفاءة السياسات من خلال تحديد كيفية استخدام البيانات المحددة من قبل من ولأي فترة ولأي غرض، وكل ذلك مع القيام في ذات الوقت بتتبع مكان وجود البيانات، والنسخ التي يتم إجراؤها، ومع من تتم مشاركتها. ويوفر هذا الأمر الوقت للقيام بالتخطيط الاستراتيجي وتقييم التكنولوجيا الجديدة والتواصل مع الشركة من أجل تحسين سياسة الوصول إلى البيانات والموافقة على الاستثناءات.
