قبل أن تصبح الذكاء الاصطناعي التوليدي اتجاهًا بارزًا في الصناعة، كان الذكاء الاصطناعي التنبؤي بالفعل يمهد الطريق من خلال تقديم توقعات حول الأحداث المستقبلية استنادًا إلى البيانات المتاحة. تخيل إمكانية الاستفادة من نقاط قوة كلا التقنيتين—هذه هي رؤية Pecan AI.
تأسست Pecan AI قبل ثمانية أعوام، وقد أنشأت منصة للتحليل التنبؤي للشركات وجمعت 116 مليون دولار في تمويل، بما في ذلك جولة بارزة بقيمة 66 مليون دولار في فبراير 2022.
إطلاق Predictive GenAI
اليوم، تطلق Pecan AI Predictive GenAI، أداة جديدة تدمج القدرات المتقدمة للذكاء الاصطناعي التوليدي مع التعلم الآلي التنبؤي. قال زوهار برونفمان، الرئيس التنفيذي والشريك المؤسس لـ Pecan AI: “بينما كنا نركز على حلول التعلم الآلي التقليدية، انطلقت ثورة الذكاء الاصطناعي التوليدي عبر الصناعة. ومع ذلك، فإن الذكاء الاصطناعي التوليدي يواجه صعوبة في تقديم توقعات دقيقة.”
بينما يتفوق الذكاء الاصطناعي التوليدي في مهام متعددة، مثل تلخيص المحتوى وتطوير الدردشات الآلية، فإنه ليس مصممًا للتنبؤ. في الجهة المقابلة، قد يكون التعلم الآلي التنبؤي تحديًا للمستخدمين. يجمع Predictive GenAI من Pecan AI بين هاتين التقنيتين، مما يتيح لعلماء البيانات إنشاء نماذج تنبؤية بسهولة.
تيسير استخدام الذكاء الاصطناعي التنبؤي للشركات
تهدف Pecan AI إلى تبسيط اعتماد التعلم الآلي والذكاء الاصطناعي للشركات. تقليديًا، كان علماء البيانات هم المستخدمون الرئيسيون لأدوات التحليل التنبؤي. ولفت برونفمان إلى أن Pecan AI مصممة لجعل قدرات الذكاء الاصطناعي متاحة للجميع، مما يمكن محترفي الأعمال من الاستفادة من الرؤى التنبؤية دون الحاجة إلى خبرة تقنية عميقة.
المميزات الرئيسية لـ Predictive GenAI
1. الدردشة التنبؤية: تتيح هذه الميزة للمستخدمين التفاعل مع واجهة مشابهة للدردشة الآلية، مما يمكنهم من طرح استفسارات بلغة طبيعية تتعلق بتحديات الأعمال المحددة. توجه المستخدمين بحدسية نحو الأطر التنبؤية الأكثر صلة.
2. دفتر التنبؤ: باستخدام الذكاء الاصطناعي التوليدي، يعد هذا الدفتر المملوك القائم على SQL أساسًا لبناء نماذج تنبؤية. يقوم بأتمتة تحويل بيانات الشركة الخام إلى مجموعات بيانات جاهزة للذكاء الاصطناعي من خلال خلايا يتم إنشاؤها تدير استعلامات البيانات، وبنيتها، وانضمامها. يمكن للمستخدمين تشغيل هذه الخلايا تلقائيًا أو تعديلها باستخدام SQL لمزيد من التفاعل.
تحديات الذكاء الاصطناعي التنبؤي في النماذج التوليدية
قد يجد المستخدمون أن الذكاء الاصطناعي التوليدي فعّال في مهام متنوعة، ولكنه يواجه تحديات في تقديم التوقعات. وفقًا لبرونفمان، هذا لأن مجموعات البيانات التي يعتمد عليها الذكاء الاصطناعي التوليدي أثناء التدريب لا تتوافق مع التنسيق المنظم الضروري للنماذج التنبؤية.
يجب أن تحتوي مجموعة البيانات التنبؤية على كيانات محددة جيدًا في الصفوف وميزات واضحة في الأعمدة، إلى جانب تسمية الهدف. ومع ذلك، يتطلب الحصول على البيانات في هذا التنسيق غالبًا هندسة بيانات مكثفة—وهي مهمة عادة ما يتولاها علماء البيانات ذوو الخبرة.
كما أشار برونفمان إلى قيود استخدام قواعد البيانات المتجهة في النمذجة التنبؤية. على الرغم من أن تضمينات المتجهات يمكن أن تدعم وظائف تنبؤية أساسية، إلا أنها تميل إلى العمل بمجموعة محدودة من الميزات وتتطلب إما نماذج بسيطة أو جهدًا كبيرًا في هندسة الميزات من علماء البيانات لتحضير البيانات بشكل مناسب.
ابتكارات في إعداد البيانات
بينما قد تكون الواجهة الحوارية لـ Predictive GenAI هي ميزتها الأكثر وضوحًا، تركز Pecan AI أيضًا على ابتكار إعداد البيانات الآلي وهندسة الميزات.
من بين التطورات، هناك حل آلي يهدف إلى التخفيف من تسرب البيانات—وهي مشكلة شائعة يمكن أن تؤثر على دقة النماذج. يشير تسرب البيانات إلى استخدام بيانات التدريب التي يجب أن تبقى مخفية أثناء التنبؤ، والتي قد يكون من الصعب تحديدها دون خبرة.
قال برونفمان: “من الصعب اكتشاف التسرب، خاصة لغير المتخصصين. نحن نقدم طرقًا آلية لتحديده ومعالجته.”
من خلال تحسين الوصول والدقة، تتهيأ Pecan AI لتحويل كيفية استفادة الشركات من التحليل التنبؤي، مما يمهد الطريق لاتخاذ قرارات أكثر اطلاعًا في عالم الذكاء الاصطناعي المتطور.
قائمة الترتيب
