في السنوات الأخيرة، أقنعت الضجة حول أدوات الذكاء الاصطناعي التوليدية والذكاء الاصطناعي الوكيل العديد من القادة بالاستثمار بشكل كبير والقفز بسرعة إلى أحدث التطورات في التكنولوجيا دون النظر بالضرورة إلى الصورة الكبيرة.
والآن بعد أن انتقلت المشاريع من المرحلة التجريبية إلى مرحلة الإنتاج الكامل، أتوقع أن تبدأ الكثير من هذه الشركات في إدراك أن بياناتها ليست حتى قريبة من الجاهزية للذكاء الاصطناعي.
CDO الميداني في أوروبا والشرق الأوسط وأفريقيا في Confluent.
في كثير من الحالات، لا علاقة للقيود بالذكاء الاصطناعي نفسه. وبدلاً من ذلك، فهي تأتي من بيانات مجزأة وأنظمة منفصلة ومؤسسات لم يتم تصميمها أبدًا لدعم اتخاذ القرار الآلي أو مشاركة البيانات والتصرف بناءً عليها في الوقت الفعلي.
يستمر المقال أدناه
نظرًا لأن الذكاء الاصطناعي أصبح أكثر اندماجًا في العمليات اليومية، لم يعد من السهل التغلب على نقاط الضعف هذه، وهي تؤثر بشكل مباشر على ما إذا كان الذكاء الاصطناعي يقدم قيمة أو ببساطة يزيد من تعقيد التكلفة فوق الأنظمة الحالية.
عندما تتفوق قدرات الذكاء الاصطناعي على البنية التحتية للبيانات
ويمكن ملاحظة ذلك في الطريقة التي يتم بها نشر الذكاء الاصطناعي في العديد من المؤسسات، لا سيما فيما يتعلق بالواجهات الأمامية للمحادثة. يتم تقديمها بسرعة، غالبًا بهدف تقليل الاحتكاك أو تحسين الكفاءة.
ومع ذلك، خلف الواجهة، لا تتدفق البيانات التي يتم التقاطها دائمًا بشكل نظيف إلى الأنظمة التي تدير الأعمال. في بعض الحالات تكون البيانات مكررة، وفي حالات أخرى تكون إما غير كاملة أو غير متزامنة مع السجلات الموجودة.
ويؤدي ذلك إلى قيام الذكاء الاصطناعي بتقديم عمل إضافي بدلاً من إزالته، حيث يقضي الموظفون الوقت في التحقق من المخرجات أو تصحيح الأخطاء التي تنشأ في مكان آخر في النظام.
وفي حين أنه كان من الممكن إدارة هذا الأمر كمشروع تجريبي، فمع تحول الذكاء الاصطناعي بشكل أكبر إلى العمليات اليومية، أصبح احتواء هذه المشكلات أكثر صعوبة – وأكثر تكلفة بكثير.
وقد ظهر مثال واضح على ذلك في أنظمة مواعيد الطبيب العام المعتمدة على الذكاء الاصطناعي. تبدو هذه الأدوات فعالة على السطح، حيث تساعد المرضى على التنقل في عمليات الحجز بسهولة أكبر، ولكن خلف الكواليس، لا يتم دائمًا توجيه سياق المريض والمعلومات المحدثة بشكل صحيح إلى أنظمة GP الخلفية التي يعتمد عليها الأطباء.
لا يؤدي هذا فقط إلى جميع أنواع مشكلات ازدواجية البيانات وتكرار عبء العمل للأطباء العامين، ولكنه أيضًا يخلق إحباطات للأشخاص الذين صممت الأنظمة لدعمهم.
إنها حالة كلاسيكية للمؤسسات التي تتبنى واجهات أمامية ذكية للذكاء الاصطناعي دون دمجها بشكل فعال مع البيانات الخلفية والأنظمة القديمة، أو اعتماد العمليات التشغيلية اللازمة لتحقيق القيمة بشكل كامل.
بدلاً من مطاردة ميزات الذكاء الاصطناعي، يجب على الشركات أن تبدأ بالنتائج التي تريدها بالفعل وأن تعمل بشكل عكسي من هناك. وهذا يعني التركيز على البيانات النظيفة والجديرة بالثقة مع دورة الحياة الكاملة ورؤية النسب، والتأكد من إمكانية التصرف بناءً عليها في الوقت الفعلي.
من البيانات الضخمة إلى البيانات الملائمة للغرض
لفترة طويلة، ركزت استراتيجية البيانات على الحجم. وكانت الأولوية هي جمع أكبر قدر ممكن من المعلومات وتخزينها بتكلفة زهيدة، مع افتراض إمكانية استخراج القيمة منها لاحقًا.
يبدأ هذا النهج في الانهيار بمجرد استخدام الذكاء الاصطناعي لأنه يعتمد على بيانات حديثة ومتسقة، وليس ساعات أو أيام قديمة. السجلات القديمة أو التي لم يتم التحقق من صحتها (مثل تفاصيل الاتصال القديمة أو سجلات العملاء غير المكتملة) تقوض الدقة والثقة في مخرجات الذكاء الاصطناعي.
للحصول على نتائج مفيدة، تحتاج الشركات إلى إعطاء الأولوية لنسب البيانات والحوكمة والسياق إلى جانب مدى سرعة الوصول إلى هذه البيانات واستخدامها.
عادةً ما يُنظر إلى تحسين جودة البيانات وتكاملها على أنها مهمة صعبة ومكلفة، خاصة عندما يتعلق الأمر بالأنظمة القديمة. ونتيجة لذلك، تؤجله العديد من المنظمات لصالح مبادرات الذكاء الاصطناعي الأكثر وضوحًا.
ومع ذلك، من الناحية العملية، عادة ما يؤدي هذا التأخير إلى زيادة التكلفة بمرور الوقت. تبذل الفرق جهدًا متزايدًا في التوفيق بين البيانات وتصحيح الأخطاء وشرح التناقضات في المخرجات المعتمدة على الذكاء الاصطناعي.
من الصعب قياس تكلفة الفرصة البديلة ولكنها لا تقل أهمية. عندما لا يمكن الوثوق بالذكاء الاصطناعي للعمل بشكل موثوق، فإنه يظل مقتصرًا على حالات الاستخدام الضيقة – وبدون أسس بيانات عالية الجودة، حتى مبادرات الذكاء الاصطناعي الأكثر تقدمًا ستفشل.
ما الذي سيتغير في عام 2026؟
في عام 2026، ستصل العديد من المؤسسات إلى نقطة لم يعد فيها تحسين جودة البيانات وتكاملها أمرًا اختياريًا إذا كان من المتوقع أن يحقق الذكاء الاصطناعي نتائج ذات معنى.
بالنسبة للمؤسسات التي ترغب في أن يقدم الذكاء الاصطناعي قيمة حقيقية، يجب أن يتحول التركيز بعيدًا عن الميزات البراقة ونحو الأساسيات. يبدأ ذلك بالوضوح بشأن النتائج التي من المتوقع أن يدعمها الذكاء الاصطناعي والعمل بشكل عكسي على البيانات المطلوبة لتحقيقها، بما في ذلك كيفية التقاط تلك البيانات ومعالجتها ومشاركتها في الوقت الفعلي.
ويجب التعامل مع جودة البيانات والتكامل والرؤية عبر الأنظمة باعتبارها اهتمامات تشغيلية أساسية بدلاً من اعتبارها أعمال تنظيف تقنية. وبنفس القدر من الأهمية، يجب أن تكون ملكية مبادرات الذكاء الاصطناعي واضحة.
عندما تكون المسؤولية مقسمة أو غامضة، يكون من السهل تجاهل المشكلات المتعلقة بالبيانات والعمليات – ومن الضروري تحقيق التوافق بين القيادة وفرق تكنولوجيا المعلومات وموظفي الخطوط الأمامية.
نظرًا لأن الذكاء الاصطناعي أصبح أكثر شيوعًا في جميع أنحاء عالم الأعمال خلال العام المقبل، فإن أولئك الذين يفشلون في تعزيز ممارساتهم المتعلقة بالبيانات يخاطرون بأن ينتهي بهم الأمر إلى الذكاء الاصطناعي الذي يبدو مثيرًا للإعجاب على السطح، ولكنه لا يقدم سوى قيمة قليلة.
لقد أبرزنا أفضل منشئ مواقع الويب بالذكاء الاصطناعي.
تم إنتاج هذه المقالة كجزء من قناة Expert Insights التابعة لـ TechRadarPro حيث نعرض أفضل وألمع العقول في صناعة التكنولوجيا اليوم. الآراء الواردة هنا هي آراء المؤلف وليست بالضرورة آراء TechRadarPro أو Future plc. إذا كنت مهتمًا بالمساهمة، اكتشف المزيد هنا: https://www.techradar.com/news/submit-your-story-to-techradar-pro
التعليقات