شارك
الرئيسية
13 دقيقة
آن أوان إعادة استغلال الذكاء الاصطناعي التوليدي. تنحسر اليوم موجة الحماس والنشاط الأولي التي صاحبت فورة الذكاء الاصطناعي التوليدي عام 2023 لتفسح المجال لأفكار وإعادة تقييم تقوم بها الشركات وهي تحاول اقتناص الإمكانات الهائلة لهذه الصناعة وقد أدركت أنها مهمة أصعب مما توقعته.
مع توقع أن يكون 2024 عام إثبات الذكاء الاصطناعي التوليدي لقيمته، ينبغي للشركات أن تمعن النظر في الدروس الصعبة المستفادة من التحول الرقمي والذكاء الاصطناعي؛ فتنبع الميزة التنافسية من بناء القدرات التنظيمية والتكنولوجية لابتكار الحلول وتمكينها وتحسينها على نطاق واسع، أي تجديد تصميم الأعمال للاستفادة من الابتكار الرقمي وفتوحات الذكاء الاصطناعي.
ويجب على الشركات التي تتطلع إلى تحقيق مكاسب مبكرة من الذكاء الاصطناعي التوليدي أن تمسك بزمام المبادرة. ولكن الشركات التي تأمل في أن يوفّر الذكاء الاصطناعي التوليدي مساراً مختصراً يتجاوز تلك الجراحة التنظيمية الصعبة والضرورية، ستنتهي على الأرجح إلى نتائج مخيبة للآمال. ويُعدُّ إطلاق المشاريع التجريبية أمراً سهلاً (نسبياً)، ولكن الصعب هو التوسع بتلك المشاريع وتطويرها وتحقيق قيمة ذات معنى، لأنه يتطلب مجموعة واسعة من التغييرات في طريقة إنجاز العمل فعلياً.
لنلقِ نظرة سريعة على جدوى ما ذكرناه بالنسبة لشركة اتصالات تنشط في منطقة المحيط الهادئ. عيّنت الشركة مديراً للبيانات والذكاء الاصطناعي مهمته “تمكين الشركة من تحقيق قيمة باستخدام البيانات والذكاء الاصطناعي”. وعمل المدير مع الشركة لوضع رؤية استراتيجية وتنفيذ خريطة طريق لنماذج الاستخدام. وبعد فحص المجالات (أي تجارب العملاء أو الإدارات) واستخدام فرص النماذج عبر الشركة، أعطت القيادة الأولوية لمجال الخدمة المنزلية/الصيانة لتنفيذ مشروع تجريبي ثم التوسع والتطوير ضمن تسلسل مبادرات أكبر. واستهدفت، على وجه الخصوص، تطوير أداة الذكاء الاصطناعي التوليدي لمساعدة متلقي طلبات الخدمة ومشغلي الخدمة على التنبؤ بشكلٍ أفضل بأنواع المكالمات ومستلزمات الخدمة المنزلية.
وشكّلت الإدارة فرق منتجات من إدارات متعددة تجمعها أهداف وحوافز مشتركة لبناء أداة الذكاء الاصطناعي التوليدي. وضمن الجهود المبذولة لرفع المهارات وتحسين كفاءة أفراد الشركة للعمل بأداء أفضل على البيانات وأدوات الذكاء الاصطناعي التوليدي، أسست كذلك أكاديمية للبيانات والذكاء الاصطناعي، والتي التحق بها متلقو الطلبات ومشغلو الخدمات في إطار تدريبهم. ولتوفير أسس التكنولوجيا والبيانات للذكاء الاصطناعي التوليدي، اختار مدير البيانات والذكاء الاصطناعي نموذج لغوي كبيراً ومزود خدمة سحابية يمكنه تلبية احتياجات المجال بالإضافة إلى خدمة إدارات أخرى في الشركة. كما أشرف المدير على تنفيذ بنية البيانات بحيث يمكن تسليم البيانات بعد فرزها وتوثيقها (بما في ذلك سجلات الخدمة وقواعد بيانات المخزون) اللازمة لبناء أداة الذكاء الاصطناعي التوليدي بسرعة ومسؤولية.
ويقدّم كتابنا “التجديد: دليل ماكنزي للتفوق في المنافسة في عصر الرقمنة والذكاء الاصطناعي” (Rewired: The McKinsey Guide to Outcompeting in the Age of Digital and AI) (وايلي، يونيو 2023) دليلاً مفصلاً عن القدرات الست اللازمة لتحقيق ذلك النوع من التغيير الواسع النطاق الذي يسخر التكنولوجيا الرقمية وتكنولوجيا الذكاء الاصطناعي. وفي هذا المقال، سنستكشف كيفية توسيع كلٍّ من هذه الإمكانات لتنفيذ برنامج ذكاء اصطناعي ناجح على نطاق واسع. ومع إدراكنا أن الوقت لا يزال مبكراً وأن هناك جوانب كثيرة يلزمنا تعلمها، فقد أظهرت تجربتنا أن فتح أبواب فرص الذكاء الاصطناعي التوليدي يتطلب من الشركات إعادة صياغة طريقة عملها بالطرق التالية.
تحديد المجالات التي يمنحنا فيها مساعد الذكاء الاصطناعي ميزة تنافسية حقيقية
أدّى الحماس الكبير والاهتمام الواسع النطاق بقدرات الذكاء الاصطناعي التوليدي وسهولة استخدامه نسبياً إلى موجة من التجارب عبر المؤسسات والشركات. ومع ذلك، فإن معظمها مبادرات لا تولّد ميزة تنافسية. فعلى سبيل المثال، اشترى أحد البنوك عشرات الآلاف من تراخيص استخدام مساعد الذكاء الاصطناعي GitHub Copilot، ولكن بما أنه لم يكن لديه فكرة واضحة عن كيفية الاستفادة من هذه التكنولوجيا، كان التقدم في هذه الاستفادة بطيئاً. ومن الجهود التي تفتقد التركيز ما نراه غالباً عندما تتحرك الشركات لاستغلال الذكاء الاصطناعي التوليدي في رفع كفاءة خدمة العملاء. وخدمة العملاء هي كفاءة سلعية، وليست جزءاً من العمل الأساسي لمعظم الشركات. وفي حين أن الذكاء الاصطناعي التوليدي يساعد على زيادة الإنتاجية في مثل هذه الحالات، إلّا أنه لن يحقق ميزة تنافسية.
وحتى تحقق ميزة تنافسية، يجب على الشركات أولاً أن تفهم الفرق بين كونها “متلقية” (مستخدمة للأدوات المتاحة، غالباً عبر واجهات برمجة التطبيقات وخدمات الاشتراك)، و”مصممة” (متكاملة للنماذج المتاحة مع بيانات ملكية)، و”صانعة” (تبني نموذجاً لغوياً كبيراً). وفي الوقت الحالي، يُعدُّ نهج الصانع مكلفاً للغاية بالنسبة لمعظم الشركات، لذا فإن المجال المناسب للشركات هو تنفيذ نموذج المتلقي لتحسين الإنتاجية مع بناء تطبيقات المصمم لتحقيق ميزة تنافسية.
يرتبط شطر كبير من قيمة الذكاء الاصطناعي التوليدي على المدى القريب ارتباطاً وثيقاً بقدرته على مساعدة الموظفين في أداء وظائفهم الحالية بمستوى أفضل. وبهذه الطريقة، تعمل أدوات الذكاء الاصطناعي التوليدي مساعداً للموظف، بما يؤدي إلى بناء كتلة أولية من التعليمات البرمجية التي يمكن للمطور تكييفها، على سبيل المثال، أو صياغة أمر طلب لجزء جديد يقوم به عامل الصيانة ميدانياً بحيث يمكنه المراجعة والإرسال، وهو ما يعني أن الشركات يجب أن تركّز على المجالات التي يمكن فيها أن يكون للمساعد التأثير الأكبر في برامجها ذات الأولوية.
على سبيل المثال، حددت بعض الشركات الصناعية الصيانة باعتبارها مجالاً بالغ الأهمية لأعمالها. ويمكن أن تساعد مراجعة تقارير الصيانة وقضاء الوقت مع العاملين في الخطوط الأمامية على تحديد المكان الذي يمكن أن يحدث فيه مساعد الذكاء الاصطناعي فارقاً كبيراً، كما الحال في تحديد المشكلات المتعلقة بأعطال المعدات بسرعة وفي وقت مبكر. ويمكن لمساعد الذكاء الاصطناعي المساعدة في تحديد الأسباب الجذرية لأعطال الشاحنات والتوصية بالحلول بسرعة أكبر بكثير من المعتاد، فضلاً عن العمل كمصدر مستمر لأفضل الممارسات أو إجراءات التشغيل القياسية.
ويتمثل تحدي التعامل مع مساعد الذكاء الاصطناعي في معرفة كيفية توليد الإيرادات من زيادة الإنتاجية. ففي حالة مراكز خدمة العملاء، على سبيل المثال، يمكن للشركات التوقف عن توظيف وكلاء جدد واستغلال ذلك في تحقيق مكاسب مالية حقيقية. وبالتالي، فإن تحديد الخطط الخاصة بكيفية توليد الإيرادات من زيادة الإنتاجية مسبقاً يعد أمراً بالغ الأهمية لتحقيق القيمة.
رفع مهارات المواهب مع إدراك المطلوب من مهارات التعامل مع الذكاء الاصطناعي التوليدي
في الوقت الحالي، تتمتّع معظم الشركات بفهمٍ جيدٍ لمهارات الذكاء الاصطناعي التوليدي التي تحتاج إليها، مثل ضبط النماذج وإدارة قواعد البيانات المتجهة والهندسة السريعة وهندسة السياق. وفي كثيرٍ من الحالات، تكون هذه هي المهارات التي يمكنك تدريب موظفيك على تطويرها. ويتمتّع أولئك الذين يمتلكون كفاءات الذكاء الاصطناعي والتعلم الآلي بميزة أعلى. فعلى سبيل المثال، يمكن لمهندسي البيانات تعلم المعالجة المتعددة الوسائط وإدارة قواعد البيانات المتجهة، ويمكن لمهندسي عمليات التعلم الآلي (MLOps) توسيع نطاق مهاراتهم لتشمل عمليات النماذج اللغوية الكبيرة، كما يمكن لعلماء البيانات تطوير مهارات هندسية سريعة واكتشاف التحيز ومهارات الضبط الدقيق.
قد تستغرق عملية التعلم من شهرين إلى ثلاثة أشهر للوصول إلى مستوى كفاءة لائق، بسبب التعقيدات في تعلم ما يمكن للنماذج اللغوية الكبيرة القيام به وما لا يمكنها القيام به وأفضل سُبل استخدامها. ويحتاج المبرمجون إلى اكتساب الخبرة في بناء البرامج واختبارها والتحقق من صحة الإجابات، على سبيل المثال. وقد استغرق الأمر من إحدى شركات الخدمات المالية ثلاثة أشهر لتدريب أفضل علماء البيانات لديها للوصول إلى مستوى عالٍ من الكفاءة. وعلى الرغم من توفر الدورات التدريبية والوثائق -ينظّم العديد من مقدمي برامج النماذج اللغوية الكبيرة معسكرات تدريب للمطورين- فقد وجدنا أن الطريقة الأشد فاعلية لبناء القدرات على نطاق واسع هي من خلال التدريب المهني، وتدريب الأشخاص ثم تدريب الآخرين، وبناء مجتمع الممارسين. وتناوب الخبراء من خلال فرق لتدريب الآخرين، وجدولة جلسات منتظمة للأشخاص للتعريف بالدروس المستفادة، وعقد جلسات مراجعة الوثائق كل أسبوعين، هي ممارسات أثبتت نجاحها في بناء مجتمع الممارسين.
من المهم أن تضع في اعتبارك أن مهارات الذكاء الاصطناعي التوليدي الناجحة تتعلق بما هو أكثر من مجرد إتقان البرمجة. وأظهرت لنا تجربتنا في تطوير منصة الذكاء الاصطناعي العامة الخاصة بنا، Lilli، أن أفضل المواهب التقنية في الذكاء الاصطناعي لديها مهارات التصميم لتحديد مواضع تركيز الحلول، وفهم السياق لضمان إنشاء الإجابات الأكثر صلة وعالية الجودة، ومهارات التعاون للعمل مع خبراء المعرفة (لاختبار الإجابات والتحقق من صحتها وتطوير نهج التنظيم المناسب)، ومهارات التحليل القوية لمعرفة أسباب الأعطال (هل المشكلة في البيانات، أو تفسير نية المستخدم، أو جودة البيانات الوصفية، أو أي شيء آخر؟) ومهارات التوقع لتصور النتائج المحتملة والتخطيط لها ووضع نمط التتبع الصحيح في التعليمات البرمجية. وقد لا يكون المبرمج المتخصص الذي لا يمتلك هذه المهارات بشكل جوهري مفيداً كعضو في فريق العمل.
وفي حين أن النمط الحالي لرفع المهارات يعتمد إلى حد كبير على نهج “التعلم في أثناء العمل”، فإننا نشهد سوقاً سريعة ناشئة للأفراد الذين تعلموا هذه المهارات خلال العام الماضي. وهو ما يعني أن نمو المهارات يجري بوتيرة متسارعة. وقد أفادت GitHub بأن المطورين كانوا يعملون على مشاريع الذكاء الاصطناعي العام “بأعداد كبيرة”، وأن هناك 65 ألف مشروع للذكاء الاصطناعي التوليدي أنشئ على منصتها خلال عام 2023؛ وهي نسبة ارتفاع تبلغ نحو 250% مقارنة بعام 2022. وإذا كانت شركتك قد بدأت للتو رحلتها مع الذكاء الاصطناعي التوليدي، فيمكنك التفكير في توظيف اثنين أو ثلاثة من كبار المهندسين الذين قاموا ببناء منتج مصمم للذكاء الاصطناعي التوليدي لشركاتهم. فهذا يمكن أن يسرع جهود الشركة بدرجة كبيرة.
تشكيل فريق مركزي لوضع معايير تمكين التوسع والتطوير المسؤول
لضمان قدرة جميع إدارات الشركة على توسيع نطاق قدرات الذكاء الاصطناعي التوليدي، فإن الخطوة الطبيعية الأولى هي مركزية الكفاءات. وستكون المهمة الجوهرية لهذا الفريق المركزي هي تطوير وتنفيذ البروتوكولات والمعايير لدعم التوسع والتطوير، بما يكفل قدرة الفرق على الوصول إلى نماذج مع تقليل المخاطر واحتواء التكاليف كذلك. ويمكن أن يشمل عمل الفريق، على سبيل المثال، حيازة النماذج ووصف طرق الوصول إليها، ووضع معايير جاهزية البيانات، وإنشاء مكتبات سريعة معتمدة، وتخصيص الموارد.
في أثناء تطوير Lilli، كان لدى فريقنا نظرة تجاه التطوير عندما أنشأ بنية إضافية مفتوحة ووضع معايير لكيفية عمل وبناء واجهات برمجة التطبيقات. وقد طوّر أدوات وبنية تحتية موحدة حيث يمكن للفرق تجربة نموذج اللغة الكبير جي بي تي GPT والوصول إليها بشكل آمن، وهي بوابة ذات واجهات برمجة التطبيقات المعتمدة مسبقاً والتي يمكن للفرق الوصول إليها، وبوابة مطور ذاتية الخدمة. وهدفنا هو أن هذا النهج، مع مرور الوقت، يمكن أن يساعد في تحويل Lilli “المنتج” (أي تستخدمه مجموعة محدودة من فرق العمل لتقديم حلول محددة وخاصة) إلى Lilli “المنصة” (حيث يمكن لفرق العمل عبر إدارات الشركة الاستعانة به في بناء منتجات أخرى).
في الفرق التي تعكف على تطوير حلول الذكاء الاصطناعي التوليدي، سيكون تشكيل الفريق مشابهاً لفرق الذكاء الاصطناعي ولكن مع مهندسي البيانات وعلماء البيانات ذوي الخبرة في الذكاء الاصطناعي التوليدي والمزيد من المساهمين من إدارة المخاطر والامتثال والإدارة القانونية. ولن تتغير الفكرة العامة المتمثلة في تزويد الفرق بموارد متحدة من مجالات الخبرة المختلفة، ولكن تكوين المهارات للفرق التي تعتمد على الذكاء الاصطناعي التوليدي سوف يتغير.
إعداد البنية التكنولوجية للتوسع والتطوير
غالباً ما يكون بناء نموذج ذكاء اصطناعي توليدي مهمة بسيطة نسبياً، ولكن تجهيزه للعمل بشكل كامل على نطاق واسع أمر مختلف تماماً. وقد شهدنا مهندسين يصممون برنامج دردشة أساسي في أسبوع، ولكن إطلاق نسخة مستقرة ودقيقة ومتوافقة قد يستغرق أربعة أشهر. ولهذا السبب، تظهر تجربتنا أن تكاليف النموذج الفعلية قد تكون أقل من 10 إلى 15 في المائة من إجمالي تكاليف الحل.
ولا نقصد بالبناء للتوسع والتطوير تأسيس بنية تكنولوجية جديدة، ولكن التركيز على عدد محدود من القرارات الأساسية التي تعمل على تبسيط العمليات وتسريعها. وهنا، تبرز ثلاثة قرارات من هذا القبيل:
- ركّز على إعادة استخدام التكنولوجيا التي تمتلكها. يمكن أن تؤدي إعادة استخدام التعليمات البرمجية إلى زيادة سرعة تطوير حالات استخدام الذكاء الاصطناعي التوليدي بنسبة 30 إلى 50%. ومن الأساليب الجيدة إنشاء مصدر للأدوات والتعليمات البرمجية والمكونات المعتمدة. فعلى سبيل المثال، أنشأت إحدى شركات الخدمات المالية مكتبة لأدوات الإنتاج، باعتماد كل من الفرق الأمنية والقانونية، وإتاحتها في مكتبة لتستخدمها فرق العمل. والأهم من ذلك هو تخصيص الوقت الكافي لتحديد وبناء تلك القدرات المشتركة عبر حالات الاستخدام الأكثر أولوية. فمثلاً، حددت شركة الخدمات المالية ثلاثة مكونات يمكن إعادة استخدامها لأكثر من 100 حالة استخدام محددة. ومن خلال بناء هذه العناصر أولاً، تمكنوا من إنشاء جزء كبير من قاعدة التعليمات البرمجية لحالات الاستخدام المحددة جميعها؛ ما يمنح كل تطبيق انطلاقة كبيرة بشكلٍ أساسي.
- ركّز البناء على تمكين الاتصال الفعّال بين نماذج الذكاء الاصطناعي التوليدي والأنظمة الداخلية. لكي تعمل نماذج الذكاء الاصطناعي التوليدي بفعالية في النموذج الأصلي، تحتاج إلى الوصول إلى بيانات الشركة وتطبيقاتها. وقد أدى التقدم في أطر التكامل والتنسيق إلى تقليل الجهد المطلوب لإجراء هذه الاتصالات بشكلٍ كبير. ولكن تحديد ماهية عمليات التكامل هذه وكيفية تمكينها أمر بالغ الأهمية لضمان عمل هذه النماذج بكفاءة وتجنب التعقيد الذي يخلق ديوناً فنية (“الضريبة” التي تدفعها الشركة من حيث الوقت والموارد اللازمة لمعالجة قضايا التكنولوجيا القائمة). ويمكن لمدير المعلومات ومدير التكنولوجيا تحديد البنى المرجعية ومعايير التكامل للشركة. وينبغي أن تتضمن العناصر الأساسية مركزاً نموذجياً يحتوي على نماذج مدربة ومعتمدة يمكن توفيرها عند الطلب؛ واجهات برمجة التطبيقات القياسية التي تعمل كجسور تربط نماذج الذكاء الاصطناعي العامة بالتطبيقات أو البيانات؛ وإدارة السياق والتخزين المؤقت، ما يعمل على تسريع المعالجة من خلال تزويد النماذج بالمعلومات ذات الصلة من مصادر بيانات الشركة.
- قم ببناء قدرات الاختبار وضمان الجودة. تعلمنا من تجربتنا الخاصة في بناء Lilli أن نعطي الأولوية للاختبار على التطوير. ولم يستثمر فريقنا في تطوير بروتوكولات الاختبار لكل مرحلة من مراحل التطوير فحسب، بل في مواءمة الفريق بأكمله كذلك، بحيث يتضح من يحتاج على وجه التحديد إلى الخروج في كل مرحلة من مراحل العملية. وأدّى هذا إلى إبطاء التطوير الأولي ولكنه أدّى إلى تسريع وتيرة التسليم والجودة بشكلٍ عام من خلال تقليص الأخطاء والوقت اللازم لإصلاح الأخطاء.
التأكد من جودة البيانات والتركيز على البيانات غير المهيكلة لدعم النماذج
سوف تعتمد قدرة الشركة على توليد القيمة وتوسيع نطاقها من نماذج الذكاء الاصطناعي التوليدي على مدى استفادتها من بياناتها. وكما الحال مع التكنولوجيا، هناك حاجة إلى ترقيات مستهدفة لبنية البيانات الحالية لتعظيم الفوائد الاستراتيجية للذكاء الاصطناعي التوليدي مستقبلاً:
- ركّز على تعزيز جودة بياناتك وجهود تعزيز البيانات. في حين أن جودة البيانات تمثّل دائماً مشكلة مهمة، فإن حجم ونطاق البيانات التي يمكن أن تستخدمها نماذج الذكاء الاصطناعي التوليدي؛ وخاصة البيانات غير المهيكلة، جعل هذه المشكلة أكثر أهمية. ولهذا السبب، من المهم وضع أسس البيانات بشكلٍ صحيح، بدءاً من توضيح حقوق اتخاذ القرار إلى تحديد عمليات بيانات واضحة إلى إنشاء التصنيفات حتى تتمكن النماذج من الوصول إلى البيانات التي تحتاج إليها. وتربط الشركات التي تجيد ذلك جودة بياناتها وجهود التحسين بتطبيق الذكاء الاصطناعي/ الذكاء الاصطناعي التوليدي ونموذج الاستخدام المحدد، ولا تحتاج إلى أساس البيانات هذا ليمتد إلى كل إدارات الشركة. وقد يعني هذا، على سبيل المثال، تطوير مستودع بيانات جديد لمواصفات المعدات والمشكلات المبلغ عنها جميعها لدعم تطبيقات مساعد الذكاء الاصطناعي للصيانة بدرجة أفضل.
- فهم القيمة المقفلة في بياناتك غير المهيكلة. ركّزت معظم المؤسسات والشركات جهودها تقليدياً على البيانات المهيكلة (القيم التي يمكن تنظيمها في جداول، مثل الأسعار والخصائص). ولكن القيمة الحقيقية من النماذج اللغوية الكبيرة تأتي من قدرتها على العمل مع البيانات غير المهيكلة (على سبيل المثال، شرائح باور بوينت (عرض تقديمي)، ومقاطع فيديو، ونصوص). ويمكن للشركات تحديد مصادر البيانات غير المهيكلة الأكثر قيمة وإنشاء معايير لوضع علامات على البيانات الوصفية حتى تتمكن النماذج من معالجة البيانات ويمكن للفرق العثور على ما تحتاج إليه (يعد “الوسم” مهماً بشكل خاص لمساعدة الشركات في محو البيانات من النماذج أيضاً، إن لزم الأمر). وكُنْ مبدعاً في التفكير في فرص البيانات. تجري بعض الشركات، على سبيل المثال، مقابلات مع كبار الموظفين عند تقاعدهم وتغذية المعرفة المؤسسية المُستخلصة في النموذج اللغوي الكبير للمساعدة على تحسين أداء مساعد الذكاء الاصطناعي.
- التحسين يؤدي إلى خفض التكاليف على نطاق واسع. غالباً ما يكون هناك فارق يصل إلى عشرة أضعاف بين ما تدفعه الشركات مقابل البيانات وما يمكن أن تدفعه إذا حسّنت البنية التحتية للبيانات والتكاليف الأساسية لديها. ومنبع هذه المشكلة هو قيام الشركات بتوسيع نطاق إثباتات المفهوم الخاصة بها دون تحسين نهج البيانات. وعندئذ، تظهر تكلفتان بوجه عام. التكلفة الأولى تتعلق بالتخزين الناشئ عن قيام الشركات بتحميل تيرابايتات من البيانات إلى السحابة مع رغبتها في إتاحة هذه البيانات على مدار الساعة طوال أيام الأسبوع. ومن واقع التجربة، نادراً ما تحتاج الشركات إلى أكثر من 10% من بياناتها للحصول على هذا المستوى من التوافر، ويُعدُّ الوصول إلى الباقي خلال فترة 24 أو 48 ساعة خياراً أقل تكلفة بكثير. وتتعلق التكاليف الأخرى بالحوسبة باستخدام النماذج التي تتطلب الوصول عند الطلب إلى آلاف المعالجات لتشغيلها. وهذا هو الحال بشكلٍ خاص عندما تبني الشركات نماذجها الخاصة (النموذج الأصلي للصانع)، وكذلك عندما تستخدم نماذج مُدربة مسبقاً وتقوم بتشغيلها باستخدام بياناتها الخاصة ونماذج الاستخدام (النموذج الأصلي للمصمم). ويمكن للشركات أن تدرس كيفية تحسين تكاليف الحوسبة على المنصات السحابية؛ على سبيل المثال، وضع بعض النماذج في قائمة انتظار للتشغيل عندما لا يتم استخدام المعالجات (مثل عندما يخلد الأميرييون إلى النوم ويتراجع استهلاك خدمات حوسبة، مثل نتفلكس) هو خيار أقل تكلفة بكثير.
غرس الثقة وقابلية إعادة الاستخدام لتحفيز التمكين والتوسع والتطوير
نظراً لانتشار القلق من الذكاء الاصطناعي التوليدي، فإن شرح آلية عمل هذه الأدوات أصعب بكثير من معظم الحلول الأخرى. يريد مَن يستخدم الأدوات معرفة كيفية عملها، وليس فقط ما تقوم به. ولذلك من المهم استثمار المزيد من الوقت والمال لبناء الثقة بضمان دقة النموذج وتسهيل التحقق من الإجابات.
فعلى سبيل المثال، صنعت إحدى شركات التأمين أداة للذكاء الاصطناعي التوليدي تساعدها على إدارة المطالبات. وكجزء من الأداة، أدرجت حواجز الحماية جميعها، وقدّمت لكل إجابة رابطاً للجملة أو الصفحة المعنية في وثائقها. كما استخدمت الشركة نموذجاً لغوياً كبيراً لتوليد العديد من الأشكال المختلفة للسؤال نفسه لضمان اتساق الإجابة. وكانت هذه الخطوات، من بين خطوات أخرى، فعّالة في مساعدة المستخدم النهائي بما أدّى إلى بناء الثقة في كفاءة الأداة.
يجب أن يتضمن تدريب فرق الصيانة على استخدام أداة الذكاء الاصطناعي التوليدي مساعدتهم على فهم حدود النماذج وأفضل السُبل للحصول على الإجابات الصحيحة. ويشتمل ذلك على تعليم العاملين استراتيجيات الوصول إلى أفضل إجابة في أسرع وقت ممكن من خلال البدء بأسئلة واسعة النطاق ثم تضييق نطاقها. وهذا يوفّر للنموذج السياق الأقرب، ويساعد على تبديد أي تحيز للأشخاص الذين قد يعتقدون أنهم يعرفون الإجابة بالفعل. كما أن وجود واجهات نموذجية تشبه الأدوات الموجودة في الشكل والتصميم يساعد المستخدم على التعامل بضغط أقل وهو يتعلم شيء جديد في كل مرة نقدّم له تطبيقاً جديداً.
وسيكون على الشركة التي تسعى إلى التوسع والتطوير التوقف عن بناء حل لكل حالة استخدام بعينها. فمثلاً، حددت إحدى شركات الطاقة والمواد الأساسية العالمية سهولة إعادة الاستخدام كشرط أساسي لجميع ما تعتمده من نماذج الذكاء الاصطناعي، ووجدت في التجارب المبكرة أنه يمكن إعادة استخدام من 50 إلى 60% من مكوناتها. وهذا يعني وضع معايير لتطوير أصول الذكاء الاصطناعي التوليدي (الأوامر والسياق على سبيل المثال) التي يمكن إعادة استخدامها بسهولة في حالات أخرى.
في حين أن العديد من جوانب المخاطر المتعلقة بالذكاء الاصطناعي التوليدي هي تطورات لمناقشات كانت دائرة بالفعل؛ مثل النقاش حول خصوصية البيانات، والأمن، ومخاطر التحيز، ونزوح الوظائف، وحماية الملكية الفكرية، فقد أدى الذكاء الاصطناعي التوليدي إلى توسيع نطاق المخاطر بشكل كبير. وتذكر 21% فقط من الشركات التي تعتمد على الذكاء الاصطناعي أنها وضعت سياسات تحْكُم استخدام الموظفين لتقنيات الذكاء الاصطناعي التوليدي.
وعلى المنوال نفسه، ينبغي تصميم مجموعة من الاختبارات لحلول الذكاء الاصطناعي والذكاء الاصطناعي التوليدي لإثبات احترامها خصوصية البيانات، وتقليل التحيز، وحماية الملكية الفكرية. وفي الواقع، تقترح بعض المؤسسات إصدار نماذج مصحوبة بوثائق توضّح تفاصيل خصائص أدائها. ويفيد توثيق القرارات والأسس المنطقية بشكل خاص عند النقاش مع الجهات التنظيمية.
قد تجد هذا المقال سابقاً لأوانه نوعاً ما، خاصة أن هناك الكثير من المتغيرات التي من المحتمل أن تفرض واقعاً جديداً للذكاء الاصطناعي التوليدي وقدراته في غضون عام واحد فحسب. لكن الحقائق الأساسية المتمثلة في تحقيق القيمة وقيادة التغيير تبقى قائمة. ويحدد مدى تعلم الشركات لهذه الدروس بدرجة كبيرة فرص نجاحها في تحقيق تلك القيمة.
عن كوانتوم بلاك – أداة الذكاء الاصطناعي من ماكنزي
يساعد كوانتوم بلاك QuantumBlack، وهو ذراع الذكاء الاصطناعي لشركة ماكنزي، الشركات على تنفيذ برامج التحول باستخدام قدرات التكنولوجيا والخبرة الفنية وخبراء الصناعة. ومع وجود آلاف الممارسين في كوانتوم بلاك (مهندسي البيانات، وعلماء البيانات، ومديري المنتجات، والمصممين، ومهندسي البرمجيات) وفي ماكنزي (خبراء القطاعات والمجالات)، نعمل على حل أهم تحديات الذكاء الاصطناعي في العالم. وتعتبر مختبرات كوانتوم بلاك مركز تطوير التكنولوجيا والابتكار للعملاء، التي تقود تطوير الذكاء الاصطناعي عبر مواقع عدة في مختلف أنحاء العالم.
أمثلة على المساعد كوبايلوت عبر ثلاثة نماذج أولية للذكاء الاصطناعي
مساعد الذكاء الاصطناعي “المتلقي” يساعد عملاء العقارات بمزيد من تدقيق خيارات الوحدات العقارية وتحديد الخيار الواعد من بينها، وكتابة التعليمات البرمجية للمطور، وتلخيص سجلات المستثمرين.
مساعد الذكاء الاصطناعي “المصمم” يزوّد ممثلي المبيعات بنصائح وتوصيات من أجل إتمام المزيد من صفقات البيع مع العملاء، من خلال ربط أدوات الذكاء الاصطناعي التوليدي بأنظمة إدارة علاقات العملاء، والأنظمة المالية، وتاريخ سلوك العملاء، وكذلك إنشاء مساعدات افتراضية لتخصيص العلاجات للمرضى، والتوصية بالحلول لعمال الصيانة بناءً على البيانات التاريخية.
مساعد الذكاء الاصطناعي “الصانع” هو نموذج أساسي يمكن لعلماء المختبرات في شركات الأدوية استخدامه للتوصل إلى أدوية جديدة بتركيبة أفضل واختبارها بوتيرة أسرع.
عينة من مهارات الذكاء الاصطناعي التوليدي الجديدة المطلوبة
نقدّم فيما يلي أمثلة على مهارات جديدة مطلوبة للتمكين الناجح لأدوات الذكاء الاصطناعي التوليدي:
عالم بيانات:
- هندسة التلقين
- التعلم ضمن السياق
- كشف التحيز
- تحديد النمط
- التعلم المعزز بالتغذية البشرية
- المعلمات الفائقة / تحسين النماذج اللغوية الكبيرة؛ نقل التعلم
مهندس بيانات:
- تهيئة البيانات وتخزينها
- بناء مسارات البيانات
- المعالجة متعددة الوسائل
- إدارة قواعد بيانات المتجهات
يتوجه الكتاب بالشكر إلى مايكل تشوي، وخوان كوتو، وبن إلينكويج، وغوش غارتنر، وبرايس هول، وهولغر هاريس، وفيل هودلسون، وسوزانا إيكوب، وسيد كاماث، ونيراف كينغزلاند، وكيتي لاكنر، وروبرت ليفين، وماتي ماكاك، ولابو موري، وأليكس بيلوفو، وألدو روزاليس، وإريك روث، وعبد الوهاب شيخ، وستيفن شو لمساهماتهم في وضع هذا المقال.