سوف يُغفر لك اعتقادك أنه من المستحيل أن يتم التغاضي فعليًا عن شيء يتم مناقشته بشكل متكرر مثل التعلم الآلي.
ومع ذلك، نحن هنا. يبدو أن التعلم الآلي قد تراجع عن قاعدته التي اكتسبها عن جدارة. وضعها الحالي محير تقريبًا.
على مدى العامين الماضيين، تعثرت الأنظمة الوكيلة وأبقت الأضواء على الذكاء الاصطناعي. ووعد هؤلاء الوكلاء بسير عمل مستقل وتنسيق اللغة الطبيعية، وفي بعض الحالات، تم تنفيذ ذلك.
يستمر المقال أدناه
ولكن هذا بجانب هذه النقطة. ومهما فعلت أدوات الذكاء الاصطناعي هذه أو فشلت في القيام بها، ظلت الأضواء منصبة عليها، وعانى التعلم الآلي بسبب ذلك.
المؤسس المشارك والرئيس التنفيذي للاستراتيجية في Credolab.
لم يفقد التعلم الآلي قيمته في أي وقت من الأوقات. ومع ذلك، فقد نسيت الصناعة ما يتطلبه الأمر فعليًا لتفعيل الذكاء الاصطناعي داخل الشركات الحقيقية، ولا يستطيع حاملو شهادة الماجستير في القانون القيام بذلك بمفردهم.
ومن الجدير بالذكر أن التعلم الآلي لم يذهب إلى أي مكان. في الواقع، إنها التكنولوجيا الأساسية المستخدمة في إنشاء ماجستير إدارة الأعمال (LLM) وتشغيله. في التسلسل الهرمي للذكاء الاصطناعي، تعد نماذج اللغات الكبيرة مجموعة فرعية متخصصة من التعلم العميق، والتي تعد في حد ذاتها مجموعة فرعية من التعلم الآلي.
قم بإزالة الطبقات وما تبقى هو ML، الذي يقوم بالرفع الثقيل.
المديرين التنفيذيين المشتتين في عوالم جديدة غريبة
يمكن تقسيم الإدراك التنفيذي للذكاء الاصطناعي إلى ثلاث مراحل متميزة. حتى عام 2023 تقريبًا، كان للذكاء الاصطناعي عامل حداثة معين بالنسبة للرؤساء التنفيذيين ذوي العيون المرصعة بالنجوم. لقد بدت تلك العروض التوضيحية الأولى لـ GenAI وكأنها سحرية بالفعل.
رأى المسؤولون التنفيذيون نماذج تكتب التعليمات البرمجية، وتلخص التقارير، وتولد الصور. على الرغم من أنها مثيرة للإعجاب، إلا أنها ظلت غير واضحة إلى حد ما بشأن الاستخدام العملي الدقيق. وهذا لم يمنعهم من اعتماده.
وفي وقت ما في منتصف عام 2023، توقف المسؤولون التنفيذيون عن التساؤل عما إذا كان ينبغي استخدامه أم لا، وبدأوا في التساؤل عن عدد المجالات المختلفة التي يمكنهم دفعها إليها وما إذا كانت ضرورية أم لا.
لقد قام صناع القرار هؤلاء بنقل استراتيجية الذكاء الاصطناعي الخاصة بهم من “أداة مفيدة في سياقات معينة” إلى “مربع اختيار تنافسي لكل ما يرضي المساهمين”. وكثرت البرامج التجريبية واسعة النطاق ذات مؤشرات الأداء الرئيسية الغامضة (وافتقار ملحوظ إلى عائد الاستثمار القابل للقياس).
واستمر ذلك حتى أوائل عام 2024، عندما بدأ الواقع ووجدنا أنفسنا في المرحلة الحالية. لقد عادت البراغماتية في الغالب. لقد أدرك المسؤولون التنفيذيون على مضض أنه على الرغم من أن عوامل الذكاء الاصطناعي مثيرة للاهتمام، إلا أن تشغيلها مكلف أيضًا، ويصعب التحكم فيها، وغير مناسب لاتخاذ القرارات عالية الدقة.
وكما هو معتاد في مثل هذه اللحظات اليقظة، تم تذكير العديد من المنظمات قسراً بقيمة الأساسيات. إن جودة البيانات، وهندسة الميزات، ونماذج التعلم الآلي التقليدية التي تعمل بهدوء على تشغيل العمليات الرقمية عالية السرعة لم تبدو أفضل من أي وقت مضى.
هل كان ML طوال الوقت؟
إن دورة الضجيج التي تتمحور حول LLM والتي هيمنت على السنوات العديدة الماضية من الذكاء الاصطناعي لم تطيح بالتفوق الهادئ لـ ML في عدد قليل من المجالات المحددة.
إنها ليست منافسة، لكن نماذج ML الكلاسيكية لا تزال تتفوق بشكل كبير على الأنظمة الوكيلة في بيئات اتخاذ القرار عالية السرعة ومنخفضة الكمون وعالية الدقة. آلات تعزيز التدرج والغابات العشوائية والانحدار اللوجستي تفعل ما لا تستطيع الأنظمة الوكيلة القيام به.
لا يمكن للوكيل “التفكير” فيما إذا كانت معاملة الدفع التي تتم معالجتها من خلال إحدى شركات التكنولوجيا المالية احتيالية أم لا دون رفع فاتورة سخيفة. للقيام بذلك بتكلفة زهيدة، تحتاج إلى غابة عشوائية يمكنها توليد درجة احتمالية بالمللي ثانية عند أجزاء فقط من سنت لكل مليون استدلال.
خلف الكواليس، يعد التعلم الآلي منطقيًا في كل مكان. في التجارة الإلكترونية، يحدد تعلم الآلة التوصيات والتسعير ومستويات المخزون على نطاق واسع. في مجال الأمن السيبراني، تقوم نماذج الكشف عن الحالات الشاذة بمسح ملايين نقاط البيانات في الثانية، وهو ما يتجاوز بكثير أعلى قدرة الوكلاء المعتمدين على LLM.
في مجال التنقل والخدمات اللوجستية، يتنبأ تعلم الآلة بالطلب، ويحسن التوجيه، ويضبط التخصيصات مع قيود زمن الوصول الصارمة. إذا كنت تريد أن يمنح الذكاء الاصطناعي عملية صنع القرار التشغيلي لديك عمودًا فقريًا فعليًا، فسوف تلجأ إلى التعلم الآلي التقليدي، وليس الوكلاء.
إهمال أسس ML على مسؤوليتك الخاصة
تعاني العديد من المنظمات اليوم مما أسميه متلازمة كنيسة سيستين. الجميع يكرس كل اهتمامه للسقف المبهر، ولا أحد ينظر إلى الأساس الذي يبقي كل شيء عالياً. وهذه مشكلة بالنسبة للمنظمات حيث بدأ الرخام الموجود تحت الأقدام في التشقق.
لم تختف قاعدة “القمامة الواردة والقمامة الخارجة” لأن الواجهة تبدو الآن وكأنها برنامج دردشة آلي. إذا كان أي شيء، فقد أصبح أسوأ. لن يقوم الوكيل الذي يتم تغذيته ببيانات سيئة بإرجاع أرقام غير صحيحة فحسب، بل سيقدم بثقة روايات تبدو معقولة تقود الفرق إلى قرارات سيئة.
عندما تكون عمليات تعلم الآلة الأساسية ضعيفة، يقوم الوكلاء بتضخيم نقاط ضعفها بدلاً من تعويضها. عندما تتخطى الشركات عمليات التحقق من جودة البيانات، وتترك هندسة الميزات تنزلق، وتفشل في مراقبة خطوط الأنابيب وإعادة تدريبها بشكل مناسب، فإن هذا السقف ينهار. ينبغي أن يؤدي ظهور الوكلاء إلى تحفيز المؤسسات على مضاعفة جهودها في مجال نظافة تعلم الآلة.
اثنان أفضل من واحد
الذكاء الاصطناعي ليس لعبة محصلتها صفر بين التعلم الآلي أو الوكلاء. أفضل الفرق تجعلهم يعملون معًا. للاقتراض من دانييل كانيمان، يجب أن يكون التعلم الآلي سريعًا وتلقائيًا ودقيقًا، ومكلفًا بالتعامل مع التنبؤات والتصنيف. يجب أن يكون برنامج LLMs بطيئًا ولكن ذكيًا، حيث يقوم بالفرز من خلال التفكير والتنسيق والتفسير.
لا ينبغي أن يكون هذا الانقسام 50/50. الأرقام ليست هي النقطة هنا على الإطلاق، لأن التوازن الصحيح يعتمد على النتائج. وينبغي قياس النجاح من خلال التأثير الملموس على الأعمال (مثل زيادة بنسبة X% في الكفاءة التشغيلية)، وليس فقط من خلال مدى تطور النماذج الأساسية.
ML أرخص وأكثر موثوقية وأسهل في التدقيق. إنها بالفعل تدعم معظم القرارات المهمة. سيكون أي وكيل معين جيدًا مثل طبقة ML الموجودة أسفله. قد يبقيك هذا الانقسام بعيدًا عن المشاكل، نظرًا لأن المنظمين حريصون على نوع التفسير الذي لا يمكن استخلاصه من مولدات الرموز المميزة التي تعتمد على الاحتمالات.
مل، من جديد
لن يرسلك الوكلاء الأكثر بهرجة إلى الإبحار عبر منافسيك. قد تكون خطوط أنابيب البيانات النظيفة والمُدارة جيدًا والمبنية على خطوط أساس قوية لتعلم الآلة قادرة على ذلك. أضف دورات مراقبة وإعادة تدريب قوية، وواجهات واضحة بين الوكلاء والنماذج التنبؤية، وفوق كل ذلك، انضباط ثقافي صارم حول إدارة النموذج، وستظل في هذا الأمر على المدى الطويل.
لن يكون الاستثمار في الطبقات غير المرئية أمرًا رائعًا أبدًا، ولكن بإغفال التعلم الآلي، تعلمنا أنه كان ضروريًا طوال الوقت. ربما تم التغاضي عن تعلم الآلة فقط لأنه يعمل بشكل جيد لدرجة أنه يتلاشى في الخلفية. أينما يتجه اهتمام الصناعة بعد ذلك، فإن خلق القيمة سيظل بشكل كبير في قدرة تعلم الآلة على تقديم تنبؤات موثوقة على نطاق واسع.
ML يبقي كل شيء على حاله. يجب أن يدرك المزيد من القادة أن الطريق إلى الذكاء الاصطناعي الفعال يمر عبر – وفقط من خلال – أساس قوي لتعلم الآلة. إذا كنت ترغب في الحفاظ على السقف رائعًا، فمن الأفضل أن تبدأ في إصلاح تلك الشقوق الموجودة في الأرضية.
تحقق من قائمتنا لأفضل برامج أتمتة تكنولوجيا المعلومات.
التعليقات