قامت جولة تأثير الذكاء الاصطناعي في الإعلام مؤخرًا بزيارة سان فرانسيسكو، حيث سلطت الضوء على التطبيقات العملية للذكاء الاصطناعي التوليدي والتحديات المتعلقة بتنفيذ هذه المبادرات. قاد ماث مارشال، الرئيس التنفيذي لشركة إعلامية، المناقشة مع قادة الصناعة مثل إد أنوف، كبير مسؤولي المنتجات في DataStax؛ ونيكول كوفمان، رئيسة التحول في Genesis Health؛ وتيسون ماثيو، الرئيس التنفيذي لشركة Skypoint.
تعتبر هذه المناقشة ذات أهمية كبيرة حيث تنتقل المؤسسات من مراحل الاستكشاف للذكاء الاصطناعي التوليدي نحو تنفيذات ناضجة. تتجاوز الشركات التجارب البسيطة مع أدوات مثل ChatGPT وتواجه الآن السؤال الحيوي: كيف يمكننا استغلال هذه التكنولوجيا ودمجها مع بيانات أعمالنا الأساسية للاستخدام الإنتاجي؟
قال أنوف: "نحن نشهد ظهور نموذج نضج الذكاء الاصطناعي. المؤسسات تتحول من المشاريع الفردية التي تهدف إلى تحقيق انتصارات سريعة إلى مبادرات ذكاء اصطناعي حاسمة يقودها أبطال الأعمال تركز على التوزيعات ذات التأثير العالي والرؤية الواضحة. قد تستغرق هذه الجهود وقتًا أطول للتطوير، لكن إمكانياتها التحويلية كبيرة".
يمكن تطبيق الذكاء الاصطناعي التوليدي عبر استخدامات متعددة، بدءًا من العمليات الخلفية إلى المواقع الإلكترونية والتطبيقات المحمولة التي تتواصل مع العملاء. بينما قد تظل الشركات تشير إلى مصطلحات مثل "روبوتات الدردشة" أو "الواجهات التفاعلية"، إلا أن الهدف النهائي هو إنشاء تطبيقات معرفية تتيح استرجاع البيانات التفاعلية في السياقات المناسبة. القرار الرئيسي هو ما إذا كان ينبغي تطوير هذه الحلول داخليًا أو الاستفادة من المنتجات الجاهزة.
اعتبارات ما قبل الإنتاج
يبحث العديد من المؤسسات في استخدام الذكاء الاصطناعي التوليدي لتطوير تطبيقات تستخلص رؤى من البيانات الداخلية لدعم خدمة العملاء أو التحليل المالي. أوضح أنوف: "اعتمادًا على حجم بياناتك والمتطلبات المحددة لواجهتك المخصصة، يمكن أن تكون الحلول الجاهزة فعالة للغاية. تقدم شركات مثل أمازون منصات تتيح لك تحميل المستندات للحصول على ردود فورية من روبوتات الدردشة، مما يتيح تنفيذًا سريعًا وبسيطًا".
ومع ذلك، مع توسيع تركيز المؤسسات من التطبيقات الصغيرة إلى الحالات الحاسمة المرتبطة بوظائف الأعمال الأساسية، قد لا تكفي الحلول الأساسية. أشار أنوف إلى تطبيقات الرعاية الصحية التي تتطلب اتصالات فورية بمصادر البيانات للحصول على استجابات دقيقة بناءً على معلومات المرضى المحدثة. كما أبرز وكالات الذكاء الاصطناعي في مؤسسات مالية في منطقة آسيا والهادئ التي تقدم وصولاً مباشرًا إلى تخطيط مالي قائم على المراسلة مستند إلى بيانات حية من البيانات المالية.
قال: "إنها تطبيقات ذكاء اصطناعي مصممة خصيصًا مرتبطة ببياناتك الأساسية. تستثمر تجار التجزئة البارزين مثل Home Depot وBest Buy في فرق هندسية ويب مخصصة لتطوير تجارب مصممة تتماشى مع علامتها التجارية وعملياتها التجارية".
حساب الجاهزية والتكلفة
مع تقدم المنظمات بعد مرحلة الأفكار، تواجه تحديين رئيسيين: الملاءمة والتكلفة. أوضح أنوف: "الملاءمة هي مقياس جديد رئيسي للكثيرين في مجال البيانات. تحتاج المؤسسات إلى تقييم مدى ملاءمة ردود الذكاء الاصطناعي التي تم إنتاجها. وغالبًا ما تتطلب قضايا الملاءمة إعادة تقييم كاملة للبنية التحتية للبيانات".
هذا بدوره يؤثر على التحدي الثاني - التكلفة. إن إيجاد أسلوب لتقديم نتائج ملائمة ونظيفة هو أمر مكلف، ويجب على المؤسسات تقييم التكاليف المرتبطة بالتوسع إلى الاستخدام الإنتاجي.
قال: "توفر المناقشات حول هذه القضايا مقياسًا واقعيًا عن مدى استعداد الفرق للإنتاج. إذا استمرت الملاءمة في كونها عقبة، فهذا يشير إلى أن الفرق قد انتقلت لأكثر من مجرد تحديات البنية الأساسية الأولية لكنها تواجه تعقيدات جديدة مع تكاليف الإنتاج، التي غالبًا ما تسير جنبًا إلى جنب".
الهلوسات والبيانات وأهمية RAG
غالبًا ما يُستخدم مصطلح "الهلوسات" عندما تبدو استجابات الذكاء الاصطناعي غير صحيحة. بينما يُعتبر مصطلحًا مفيدًا، ليس كل رد خاطئ ناتجًا عن هلوسة؛ إذ يمكن أن تنشأ بعض الردود الخاطئة من أخطاء في بيانات التدريب. تحدث الهلوسات عندما يقوم نموذج لغوي كبير (LLM) بتعميم المعلومات خارج نطاق تدريبه وينتج محتوى غير دقيق أو مضلل. أبرز أنوف أن هناك حلولاً فعالة لهذه القضايا، وخاصة من خلال RAG.
يجمع RAG بين استرجاع المعرفة والذكاء الاصطناعي التوليدي، مما يسمح للنظام بمعالجة وتوحيد البيانات من قاعدة المعرفة الداخلية، لتوفير استجابات مدركة للسياق بلغة طبيعية بدلاً من مجرد تلخيص المعلومات.
قال أنوف: "يتفوق النموذج اللغوي الكبير في مجالين. أولاً، يفهم nuances اللغة. ثانيًا، يعمل كمخزن معرفة. يمكن للمبرمج التحكم في مقدار المعرفة الداخلية التي يتم استخدامها عن طريق فرض حدود على الردود، المعروفة باسم grounding. وهذا يقلل بشكل كبير من مخاطر الهلوسات من خلال الحفاظ على تركيز النموذج على البيانات ذات الصلة".
بالإضافة إلى ذلك، أكد أنوف أن RAG ضروري لدمج بيانات الشركة في الوقت الحقيقي في النموذج خلال مرحلة الاستدلال بشكل آمن ودقيق.
قال: "بينما توجد طرق أخرى لدمج البيانات، غالبًا ما تفتقر إلى الأمان والقدرة على العمل في الوقت الحقيقي، وكذلك الأمان. ولهذا السبب، سيظل استخدام ربط النماذج بقاعدة البيانات - سواء أطلقنا عليه اسم RAG أم لا - شائعًا في الصناعة المستقبلية".
قائمة الترتيب
