سباق البيانات القادم في الذكاء الاصطناعي: الخبرة البشرية والمعرفة المؤسسية في الصدارة

• أصبح الحكم المهني للخبراء، والأمثلة المعقدة، والتغذية الراجعة المؤسسية من المدخلات القيّمة لتطوير أدوات الذكاء الاصطناعي المتخصصة.
• يشهد السوق نمواً سريعاً في الشركات التي تربط مطوري الذكاء الاصطناعي بالأطباء والمحامين والعلماء وغيرهم من المتخصصين القادرين على إعداد المهام المهنية وتقييمها.
• مع انتشار أدوات الذكاء الاصطناعي الجديدة، قد تكتشف الشركات أن إجراءات العمل الخاصة بها، والحالات الاستثنائية، وسجلات قرارات الخبراء لديها تمنحها ميزة تنافسية أكبر.

في عام 2026، أراد مختبر Thinking Machines Lab وشركة Bridgewater Associates اختبار ما إذا كان الذكاء الاصطناعي قادراً على مساعدة المستثمرين في تصفية الكميات الكبيرة من الأخبار والأبحاث التي يراجعونها يومياً.

واختبرت الدراسة الناتجة ست مهام مرتبطة بتصفية المعلومات، من بينها تحديد ما إذا كان مقال ما ذا صلة بالموضوع. وفي البداية، استخدمت Bridgewater أمثلة صنفها أشخاص غير متخصصين لتحديد ما يُعد مهماً أو مفيداً، لكن تبين لاحقاً أن العديد من هذه الأحكام غير دقيق. وأُحيلت الأمثلة محل الخلاف إلى مستثمري Bridgewater لمراجعتها، ثم استُخدمت ملاحظاتهم في الضبط الدقيق لنموذج متخصص.

وتمكن النموذج الناتج من التفوق على نماذج أخرى كانت Bridgewater قد اختبرتها، مع انخفاض تكاليف تشغيله بشكل كبير أيضاً.

كانت التجربة محدودة النطاق، لكن الدرس الأوسع منها بسيط: كانت المعلومات المالية متاحة بسهولة لإدخالها في أدوات الذكاء الاصطناعي، لكن الحصول على حكم موثوق بشأن المعلومات التي تستحق الاهتمام كان أكثر صعوبة.

الحكم البشري كمدخل نادر لبيانات الذكاء الاصطناعي

تُعد النماذج اللغوية الكبيرة نوعاً من النماذج الأساسية، وهي أنظمة ذكاء اصطناعي عامة الاستخدام يمكن تكييفها مع العديد من المهام المختلفة. وغالباً ما تُوصف أكثر النماذج المتاحة قدرةً بأنها نماذج متقدمة أو رائدة.

تستطيع النماذج اللغوية الكبيرة معالجة التقارير المالية والوثائق القانونية والأبحاث العلمية على نطاق هائل. لكن الوصول إلى هذه المواد لا يعيد إنتاج الحكم المهني لشخص قضى سنوات في العمل داخل المجال.

يتعلم الخبراء أي التفاصيل تستحق الاهتمام، وأي الأخطاء لها أهمية، ومتى يكون الإجراء المعتاد معرضاً للفشل. ويمكن توثيق بعض هذه الدروس، لكن بعضها الآخر يظهر من خلال القرارات التي يتخذها الأشخاص. فعلى سبيل المثال، قد يحتوي تحليل استثماري على معلومات دقيقة، لكنه يركز على مؤشرات غير مناسبة. ولا يكفي إنتاج المزيد من الأمثلة إذا لم توجد طريقة موثوقة للحكم على جودتها.

وحتى في هذه الحالة، فإن حكم الخبراء ليس حقيقة موضوعية واحدة. فقد يختلف المهنيون بسبب اختلاف أهدافهم أو مدى تقبلهم للمخاطر أو أولويات المؤسسات التي يعملون بها. والنموذج الذي يتم تدريبه على قرارات Bridgewater يتعلم ما تعتبره Bridgewater مهماً، وليس شكلاً عالمياً موحداً من الحكم الاستثماري.

وهذا الحكم الخاص بكل مؤسسة هو ما قد يجد المنافسون صعوبة في إعادة إنتاجه عند تطوير أدوات جديدة للذكاء الاصطناعي مثل النماذج الأساسية، مما يجعل هذا النوع من البيانات عاملاً أساسياً في الميزة التنافسية لأي مؤسسة في عصر الذكاء الاصطناعي.

الخبراء كجزء من سلسلة توريد بيانات الذكاء الاصطناعي

يدعم الطلب على المدخلات البشرية المتخصصة بالفعل سوقاً تجارية كبيرة. فقد ظهر قطاع سريع النمو من الشركات التي تربط مطوري الذكاء الاصطناعي بالأطباء والمحامين والعلماء وغيرهم من المتخصصين الذين يمكنهم إعداد المهام المهنية وتقييمها.

ومن بين هذه الشركات Micro1، التي ارتفع معدل إيراداتها السنوي الإجمالي من 100 مليون دولار إلى 500 مليون دولار خلال ثمانية أشهر. كما تشير التقديرات إلى أن شركات مماثلة مثل Mercor تبلغ إيراداتها السنوية الإجمالية نحو ملياري دولار، بينما تقترب Handshake من مليار دولار. وتعكس هذه الأرقام حجم الإنفاق الحالي على البيانات المتخصصة وتقييم أنظمة الذكاء الاصطناعي.

ويتجاوز عمل هذه الشركات عمليات تصنيف البيانات التقليدية. إذ تشمل مشاريع بعض هذه الشركات إعداد معايير مهنية، ومجموعات بيانات، وبيئات للتقييم. ويُطلب من المتخصصين كتابة مشكلات واقعية، أو مراجعة مخرجات النماذج، أو اكتشاف الأخطاء التي تتطلب معرفة متخصصة بالمجال.

وقد تجعل هذه السوق الخبرة المهنية العامة أسهل في الحصول عليها. لكن المعرفة المرتبطة بمؤسسة محددة، مثل المعلومات المتعلقة بعملائها وقراراتها السابقة وعملياتها الداخلية والحالات الاستثنائية غير المعتادة، تكون أكثر صعوبة في الشراء.

معرفة الشركات التي لم يلتقطها الإنترنت

الكثير من المعلومات التي تقف خلف القرارات الجيدة داخل الشركات لم تُنشر على الإنترنت من الأساس. فالأنظمة الداخلية للمؤسسات تحتوي على حالات غير اعتيادية للعملاء، وإخفاقات تشغيلية، وقرارات تراكمت على مدى سنوات. كما يعرف الموظفون أصحاب الخبرة أي الاستثناءات تستحق الاهتمام، ومتى ينبغي عدم اتباع الإجراءات المعتادة.

ولهذا السبب، التزمت شركة المحاماة Kirkland & Ellis باستثمار 500 مليون دولار في تطوير منصتها الخاصة للذكاء الاصطناعي، بمشاركة نحو 250 محامياً وأكثر من 180 متخصصاً في التكنولوجيا، مع مواصلة استخدام منتجات خارجية للذكاء الاصطناعي.

ومع إتاحة النماذج الأساسية الأكثر قدرة لعدد أكبر من المؤسسات، قد يصبح مجرد الوصول إلى هذه النماذج أقل أهمية في تفسير الفروق بين ما تستطيع الشركات تحقيقه باستخدام الذكاء الاصطناعي. وقد يأتي الفارق بدلاً من ذلك من استرجاع المعلومات بشكل أفضل، أو توفير أمثلة أكثر ثراءً، أو بناء عمليات تقييم أقوى، أو الاحتفاظ بسجلات أفضل لنتائج القرارات السابقة. ولهذا، قد يكون من الصعب تقليد نظام ينتج باستمرار تغذية راجعة خاصة بالمؤسسة.

فعندما يراجع الموظفون مخرجات الذكاء الاصطناعي، يقومون بتصحيح التوصيات، ورفض الإجابات التي تبدو مقنعة ظاهرياً، وتصعيد الحالات غير المعتادة، ثم يراقبون لاحقاً ما إذا كانت القرارات قد حققت النجاح المطلوب. ويمكن لكل تدخل من هذه التدخلات أن يكشف شيئاً عن معنى الأداء الجيد.

تسجل العديد من المؤسسات القرار النهائي، لكن التصحيحات التي ساهمت في الوصول إليه تكون أكثر صعوبة في إعادة استخدامها. ويمكن أن يؤدي تسجيل هذه التصحيحات والقرارات إلى إنشاء مواد مفيدة لعمليات التقييم المستقبلية أو أنظمة استرجاع المعلومات أو تحسين النماذج.

البيانات الاصطناعية لا تزال بحاجة إلى تحقق موثوق

يمكن للبيانات الاصطناعية، أي البيانات التي يتم توليدها بشكل مصطنع بدلاً من جمعها مباشرة من ملاحظات العالم الحقيقي، أن تقلل الحاجة إلى بعض الأمثلة التي ينشئها البشر.

وقد أظهرت أبحاث سابقة أن البيانات الاصطناعية يمكن أن تساعد في تخفيف بعض القيود التي تواجه تطوير الذكاء الاصطناعي. كما يشير التقرير الدولي لسلامة الذكاء الاصطناعي لعام 2026 إلى أن الرياضيات والبرمجة والاستدلال الرسمي من المجالات التي يمكن أن تنجح فيها الأساليب الاصطناعية بصورة خاصة، لأن الإجابات فيها يمكن التحقق منها وفق معايير واضحة نسبياً.

ولا يشترط دائماً أن يأتي التحقق من البيانات الاصطناعية من الإنسان. إذ يمكن لأدوات البرمجيات أو عمليات المحاكاة أو النتائج التي تتم ملاحظتها فعلياً أو أنظمة ذكاء اصطناعي أخرى أن تقدم التغذية الراجعة. كما يمكن لأدوات التقييم الآلية الأكثر تطوراً أن تقلل الحاجة إلى عمليات المراجعة المكلفة التي يجريها الخبراء.

أما السؤال المهم من الناحية الاقتصادية فهو مدى انخفاض تكلفة حصول نظام يعتمد على الذكاء الاصطناعي على تغذية راجعة موثوقة حول جودة مخرجاته. ففي الحالات التي يمكن فيها أتمتة التحقق بصورة موثوقة، قد تصبح البيانات الاصطناعية الرخيصة وفيرة. أما عندما تعتمد الجودة على خبرات نادرة أو على نتائج لا يمكن ملاحظتها إلا بعد مرور فترة زمنية، فقد تظل التغذية الراجعة الجيدة مكلفة.

كما أن جمع الأحكام المهنية يثير مسائل تتعلق بالحوكمة. فقد تتضمن تصحيحات الموظفين وتفاعلات العملاء والقرارات المهنية معلومات سرية أو شخصية. ولذلك تحتاج المؤسسات إلى امتلاك الحقوق المناسبة لإعادة استخدام هذه البيانات، كما يجب عليها وضع ضوابط مناسبة للتحكم في الوصول إليها.

جمع بيانات موثوقة عن أداء الشركات

مع حصول المزيد من المؤسسات على نماذج أساسية أكثر قدرة، قد ينتقل جزء من ميزتها التنافسية إلى التغذية الراجعة المحيطة بهذه النماذج، بما يشمل معرفة المخرجات التي نجحت، وتلك التي فشلت، والإجابات التي بدت مقنعة لكن المهنيين ذوي الخبرة رفضوها.

ويمكن شراء بعض هذه المعرفة أو تقليدها، لكن الاحتفاظ بسجل يتم تحديثه باستمرار حول الطريقة التي تتخذ بها مؤسسة معينة القرارات الصعبة وكيف تتعلم من نتائجها قد يكون أكثر صعوبة في إعادة إنتاجه.

ولذلك، قد لا يدور سباق البيانات القادم في مجال الذكاء الاصطناعي حول جمع المزيد من المعلومات بقدر ما سيدور حول الحصول على أدلة موثوقة توضح كيف يبدو الأداء الجيد فعلياً.

المصدر