تُعد جودة البيانات، والبنية التحتية، والحَوْكمة عناصر أساسية لضمان تنفيذ عمليات الذكاء الاصطناعي بكفاءة وعلى نطاق واسع.
ورغم أن تكنولوجيا الذكاء الاصطناعي تُعتبر ثورية، فإن غياب الأسس البيانية الصلبة يُصعّب على المؤسسات جمع البيانات المناسبة واستخلاص الرؤى منها.
يقول كولينز:
""لا يزال الناس يعتقدون أن الذكاء الاصطناعي اليوم سحر أو ذكاء خارق، لكن هذا بعيد كل البعد عن الحقيقة. الذكاء الاصطناعي علم وأداة، وما زال يتطلب منك القيام بكل العمل الشاق المتعلق بحوكمة البيانات وتحديد التطبيقات الصحيحة لهذه الأدوات.""
المؤسسات التي تتجاهل هذه الأبعاد الداعمة قد تُواجه صعوبة كبيرة في نشر الذكاء الاصطناعي بنجاح.
وقد أشار نصف المشاركين في الاستطلاع إلى أن جودة البيانات تُعد العقبة الأساسية في هذا المسار، الأمر الذي يُمكن أن يُضعف أداء الذكاء الاصطناعي بشكل كبير.
تُعلق ماتشادو قائلة:
""في المستقبل، سيدور النقاش حول كيفية تجهيز البيانات لتكون مناسبة للذكاء الاصطناعي، ووضعها بالصيغة الصحيحة للاستفادة منها فعليًا.""
كما أشار العديد من المشاركين إلى أن البنية التحتية للبيانات، وأدوات دمج البيانات، والهجرة إلى السحابة تشكّل حواجز رئيسية أخرى، ما يُبرز أهمية وجود بنية تقنية قوية ومرنة.
وتتجلى هذه التحديات بشكل أكبر لدى الشركات التي تتجاوز إيراداتها 10 مليارات دولار، إذ كانت الأكثر احتمالًا للإشارة إلى جودة البيانات (بنسبة 52%) وبنية البيانات (بنسبة 55%) كعوائق رئيسية، مقارنة بمتوسط الاستطلاع البالغ 49% و44% على التوالي.
ويبدو أن المؤسسات التي تدير مستودعات بيانات ضخمة وتعتمد على بنية تحتية قديمة تجد صعوبات وتكاليف أكبر في الانتقال إلى هيكلية مهيأة للذكاء الاصطناعي.
إدارة البيانات: نصائح وتكتيكات
تتبّع وأدِر تسلسل بيانات مؤسستك (Data Lineage) للحفاظ على جودتها وسلامتها أثناء انتقالها من نموذج تحليلي إلى آخر أو من تطبيق إلى آخر.
حسّن التواصل الداخلي حول الذكاء الاصطناعي وعمليات تجميع البيانات واحتياجاتها، مع ضمان تعاون الفرق متعددة التخصصات في بناء حالات استخدام حقيقية.
بدلاً من التركيز على مركزية البيانات، اعتمد استراتيجية تُركّز على إضفاء السياق على البيانات (Data Contextualization)، مثل استخراج البيانات الوصفية (metadata) وتخزينها باستخدام لغة وصف مناسبة.
حدّد الكفاءات الأساسية في مؤسستك، وتأكد من قدرتك على التكيّف السريع مع التغيرات، وتجنّب الاعتماد الزائد على البنية التحتية القديمة.
""الذكاء الاصطناعي علم وأداة.
ما زال يتطلب منك القيام بكل العمل الشاق
المتعلق بحوكمة البيانات وتحديد التطبيق الأمثل لها.""
— كيفن كولينز، المؤسس والرئيس التنفيذي، Charli AI
التعامل مع البنية التحتية القديمة
يشكل التحول من البنية التحتية التقنية القديمة تحديًا حقيقيًا للمؤسسات بمختلف أحجامها.
تقول ماتشادو:
""الأنظمة القديمة والتكاليف الغارقة تُعد من أبرز العوائق أمام جميع مبادرات إدارة البيانات. الكثير من المؤسسات لا ترغب في لمس أنظمتها القديمة لأنها 'تعمل نوعًا ما'، وغالبًا ما يكون شخص واحد فقط يعرف كيفية تشغيلها.""
وغالبًا ما تكون هذه الأنظمة مبنية على هياكل مجزأة وتقنيات قديمة يصعب دمجها مع حلول الذكاء الاصطناعي الحديثة.
وللاستفادة الكاملة من قدرات الذكاء الاصطناعي، ينبغي على المؤسسات تطوير بنية تكنولوجيا معلومات قادرة على استيعاب البيانات المهيكلة وغير المهيكلة عبر كامل دورة حياتها—من المصدر، إلى المعالجة، إلى التحليلات، ثم التخزين.
فالبيانات غير المهيكلة يمكن أن توفّر رؤى قيّمة، لكن محتواها الخام يصعب دمجه ضمن الأنظمة الحالية. وتُشير ماتشادو إلى أن 90% من بيانات نظم إدارة المحتوى المؤسسي غير مهيكلة.
الحل الشائع في هذا السياق هو إنشاء مستودع مركزي للبيانات يُعرف باسم بحيرة البيانات (Data Lake)، لكنه لا يكون مفيدًا إلا إذا كان منظمًا جيدًا وخاضعًا لحوكمة صارمة.
يقول كولينز:
""ليس كافيًا أن تمتلك بحيرة بيانات ضخمة، فذلك قد يحولها إلى مستنقع بيانات. لا بد من وجود حوكمة قوية على تسلسل البيانات وطريقة تدفقها من نموذج إلى آخر.""
كما أشار 46% من المشاركين في الاستطلاع إلى أن العمليات اليدوية أو غير الرقمية لإدارة البيانات تُعتبر من العوامل التي تعيق تبنّي الذكاء الاصطناعي.
ومن دون استراتيجيات شاملة للتحول الرقمي عبر جميع الأقسام، ستُهدر المؤسسات مصادر بياناتها القيّمة وتحدّ من قدرات الذكاء الاصطناعي على الأتمتة.
تسلسل البيانات وسيولتها
يتطلب تحديد البيانات التي يجب استخدامها إعادة دمجها وإضفاء السياق المناسب لها.
ويساعد تتبع تسلسل البيانات وتطبيق معايير ضمان الجودة في هذه العملية، مما يُسهم في الحفاظ على سلامة البيانات أثناء المعالجة والتحليل.
وفقًا لماكلارتي، فإن سيولة البيانات—أي القدرة على الوصول السلس إلى البيانات ودمجها وتحليلها من مصادر متعددة—تُعد من أهم أصول المؤسسة في عصر الذكاء الاصطناعي.
فهي تمكّن الشركات من فهم العلاقات، والاعتمادات، والفروقات الدقيقة بين البيانات، مما يساعدها على استخلاص المعلومات ذات الصلة وتطبيقها بفعالية في سيناريوهات العمل المختلفة.
يقول ماكلارتي:
""المؤسسات ذات السيولة العالية في بياناتها—أي القادرة على الوصول إلى البيانات الصحيحة في الوقت والمكان المناسبين—ستكون الأنجح في مجال الذكاء الاصطناعي.""
وتضمن سيولة البيانات أن تكون البيانات متاحة، قابلة للاستخدام، وقابلة للمشاركة بسهولة.
لكن للوصول إلى هذا المستوى، يجب أن تعتمد المؤسسات على بنية تحتية تقنية مرنة ومنسجمة وقابلة للتوسعة، قادرة على التعامل مع أحجام وأنواع متزايدة من البيانات دون إرباك العمليات الحالية.
البيانات الوصفية (Metadata)
استخراج البيانات الوصفية—أي ""البيانات حول البيانات""—يساعد في توفير السياق المناسب لاستخدام البيانات في نماذج الذكاء الاصطناعي.
تقول ماتشادو:
""المؤسسات تسعى لفهم بياناتها منذ البداية لمعرفة ما هو ذو قيمة حقيقية للأعمال، والبيانات الوصفية هي ما يُبقي هذا الترابط قائمًا.""
ضمن نظام إدارة المحتوى، يمكن ربط مصادر بيانات من أنظمة مختلفة عبر لغة موحدة للبيانات الوصفية.
وتؤكد ماتشادو على أهمية اختيار اللغة المناسبة لحالة الاستخدام.
فعلى سبيل المثال، يُستخدم معيار Darwin Core لمشاركة معلومات عن العينات البيولوجية، بينما يُستخدم VRA Core في مجال الأعمال البصرية والثقافية.
ومن خلال تنظيم البيانات الوصفية، تستطيع المؤسسات الاستفادة من احتياطاتها غير المستغلة من البيانات غير المهيكلة، ما يُمكّنها من تهيئة بياناتها لحلول الذكاء الاصطناعي التي تحقق قيمة تجارية حقيقية.
""المؤسسات ذات السيولة العالية في بياناتها — القادرة على الوصول إلى البيانات الصحيحة في الوقت والمكان المناسبين — ستكون الأنجح في مجال الذكاء الاصطناعي.""
— مات ماكلارتي، المدير التقني، Boomi
