تستخدم العديد من الشركات بالفعل جي بي تي-3 لإدخال الذكاء الاصطناعي إلى البرمجيات التي يستخدمها المبرمجون لكتابة التعليمات البرمجية، وذلك اعتماداً على حقيقة أن الكثير مما يكتبه هؤلاء المبرمجون قد تمت كتابته بالفعل في مكان آخر في وقت سابق. وهذا يعني أنه من خلال تغذية النموذج بالكثير من التعليمات البرمجية المكتوبة مسبقاً، يمكن تدريبه على التنبؤ بالتعليمات التي يحتاجها المبرمج بعد ذلك، وذلك من خلال ظهور ميزة "إكمال التعليمات البرمجية" المحتملة لسطر واحد أو بضعة أسطر من التعليمات على الشاشة.

وفي 17 يونيو الماضي، أصدرت شركة مايكروسوفت إصداراً جديداً من ميزة الإكمال المعتمدة على الذكاء الاصطناعي، التي قامت بتضمينها في منصة البرمجة (Visual Studio). كان الإصدار الأصلي من النظام، الذي أطلقته الشركة عام 2018، قد تم تدريبه على عدة آلاف من مستودعات البرمجيات المتاحة على الإنترنت. في المقابل، دربت الشركة نظامها المحدث على أكثر من نصف مليون من هذه المستودعات. وتقول أماندا سيلفر، أحد المديرين التنفيذيين المسؤولين عن (Visual Studio)، إن هذه البيانات التدريبية الإضافية تسمح للإصدار الجديد بالتنبؤ بنية المبرمج بشكل أفضل، من خلال التعليمات البرمجية التي كتبها بالفعل.

ولا يقتصر استخدام الذكاء الاصطناعي على هذا فقط، وإنما يمتد إلى تصحيح الأخطاء البرمجية أيضاً. فالمطورون يقضون وقتاً في البحث عن الأخطاء فيما كتبوه يساوي تقريباً الوقت المستغرق في كتابته. لذا، يطور الدكتور بريندان دولان جافيت من جامعة نيويورك نموذج تعلم آلي يهدف إلى تسريع عملية تصحيح الأخطاء. ويدرب جافيت نموذجه على التعليمات البرمجية مفتوحة المصدر، التي تحتوي على أخطاء، والموجودة على موقع جيت هاب (GitHub). ووفقاً لأحد التقديرات، يحتوي الموقع على ما لا يقل عن مليار قصاصة من التعليمات البرمجية التي تحتوي على أخطاء.
 
الرابط (إنجليزي)
 

الذكاء الاصطناعي… بين حانا ومانا
كتب فارس القنيعير (شخصية اليوم) في مدونته:

من خلال متابعتي للنقاشات التي تدور في وسائل التواصل حول الذكاء الاصطناعي لاحظت التباين الكبير في التصور عن المجال وفهم كيف يعمل وإمكاناته وحدوده، والسبيل الأمثل لدخول المجال وتعلمه. ما بين تبسيط مُخِل وإغراق في التعمق. مجموعة تصف أخرى بـ "الهواة" و "الدخلاء"، بينما تصم الثانية الأولى بـ "الغيرة" و "الخوف" وأنهم "حراس البوابة إشارة لتصور البعض بأنهم لا يشجعون المبتدئين في الدخول للمجال.

ما يزيد الموضوع تعقيداً دخول "علم البيانات" في الصورة. علم البيانات مصطلح خرج من قطاع الأعمال وليس من الجانب الأكاديمي، وهو يرتكز على تحليل البيانات باستخدام الأدوات الإحصائية (وأحياناً الذكاء الاصطناعي) لحل مشاكل الأعمال بطريقة عملية بالاستفادة من البيانات المتاحة. ويتضمن ذلك جانبي التقنية وفهم نطاق العمل وحاجة العميل. فهو يجمع بين عمل الباحثين والمطورين والمستشارين.

في الحقيقة يصعب أن تضع يدك على المشكلة إذا نظرت لها من زاوية واحدة فقط، هل يجب فقط قصر الذكاء الاصطناعي على المواضيع العميقة؟ وهذا هو مجال اهتمام الباحثين الأكادميين، أم نركز على التطوير؟ ولا مانع من استخدام المكتبات والأكواد الجاهزة؟ وهو ما يهم قطاع الأعمال. قبل قرابة العشر سنوات كان كل من يعمل في مجال الذكاء الاصطناعي هم من الباحثين، ولكن إتاحة التقنية وتسهيل استخدامها للمطورين تدريجياً أتاح لغير الباحثين الاستفادة من المجال، وهذا أحد أسباب تعدد النظرات بخصوص الذكاء الاصطناعي.

الرابط

أفضل 4 ممارسات لإنجاح تبني الذكاء الاصطناعي
أظهر استطلاع رأي نُشر في شهر أبريل الماضي، شارك فيه 700 شخص من المتخصصين في تكنولوجيا المعلومات والمديرين التنفيذيين، أنه بالرغم من اعتقاد 95٪ من المشاركين أن شركاتهم ستستفيد من تضمين الذكاء الاصطناعي في عملياتها، إلا أن 6٪ منها فقط استخدمت الذكاء الاصطناعي عملياً.

تبين هذه النتائج التردد الواضح لدى الشركات في استخدام الذكاء الاصطناعي. لذا، نستعرض هنا بعضاً من أفضل الممارسات الناجحة التي يمكنها تسريع تبني الذكاء الاصطناعي:
 

1. معالجة مشكلة عدم الثقة في الذكاء الاصطناعي بشكل مباشر: من المهم دائما تذكر أن الذكاء الاصطناعي هو أداة وليس بديلاً تشغيلياً كاملاً. ومع أنه يمكن للذكاء الاصطناعي أتمتة بعض المجالات التشغيلية، إلا أن أفضل نتائجه يحققها عندما يتفاعل مع البشر الذين لديهم معرفة فريدة بما يفعلونه، والذين يكونون صناع القرار النهائيين في أي عملية. لذا، فإن النهج الجيد هو تصميم إجراءات عمل جديدة منقحة يشترك فيها الموظفين، ويفهموا الدور الذي سيلعبه الذكاء الاصطناعي، الأمر الذي سيقلل من مخاوفهم.
2.  تغذية الذكاء الاصطناعي بالبيانات الصحيحة: جودة نظام الذكاء الاصطناعي هي انعكاس لمدى جودة البيانات التي تم تزويده بها. وللأسف، فإن القليل من المؤسسات تمتلك بيانات تم فحصها بدقة وإعدادها لضمان دقتها. أحد الأمثلة التي توضح تأثير البيانات هو الاختبار الذي أجراه الاتحاد الأميركي للحريات المدنية عام 2020 على برنامج التعرف على الوجوه الذي طورته شركة أمازون. تم إجراء الاختبار على وجوه الرياضيين المحترفين في إقليم نيو إنجلاند، والنتيجة كانت تمييز واحد من كل ستة لاعبين بشكل خاطئ، وتحديد 25 لاعباً كمجرمين. فهل المشكلة هنا كانت بسبب خطأ الذكاء الاصطناعي أم بسبب البيانات؟
3.  تصميم حالات استخدام قوية تحقق نتائج مؤثرة: كما في حالة استخدام شركة كونتيننتال الألمانية -التي تعمل في مجال توريد السيارات- الذكاء الاصطناعي للتنبؤ بالنقاط المثلى لتغيير الإطارات في أساطيلها التجارية، وهو ما مكّنها من تحسين مخزون الإطارات لديها، وزيادة وقت التشغيل، وتقليل تكاليف الصيانة. قصص نجاح مثل هذه تلهم الشركات والمسؤولين وتجعلهم يرغبون في الاستثمار أكثر في هذا المجال.
4.  لا تنسَ رضا العملاء: تحتاج أنظمة الذكاء الاصطناعي إلى تحسين أدائها في مجال خدمة العملاء. فلا أحد يحب أن يتم توجيهه الكثير من المرات إلى أسئلة روبوتية قبل أن يتمكن من الوصول إلى وكيل بشري حقيقي قادر على التعامل مع سؤال معقد لديه. لذا، ينبغي تعيين موظفين ماهرين حقاً في خدمة العملاء، لتأدية أدوار تكاملية ضمن أنظمة الذكاء الاصطناعي.

الرابط (إنجليزي)