أصبحت عبارة «نريد إضافة الذكاء الاصطناعي» تتكرر في اجتماعات المنتجات أكثر من أي وقت مضى.
قد تكون الفكرة مساعدًا ذكيًا، أو محرك توصيات، أو أداة لتحليل المستندات، أو نظامًا يتنبأ بسلوك المستخدم. لكن وجود نموذج ذكاء اصطناعي داخل المنتج لا يجعله بالضرورة منتجًا ناجحًا.
فالمنتج الجيد لا يبدأ بالنموذج، بل يبدأ بمشكلة واضحة يمكن للذكاء الاصطناعي أن يحلها بصورة أفضل من الحلول التقليدية.
ابدأ بالمشكلة لا بالتقنية
أول سؤال لا ينبغي أن يكون:
ما نموذج الذكاء الاصطناعي الذي سنستخدمه؟
بل:
ما المشكلة التي نريد حلها؟ ولماذا نعتقد أن الذكاء الاصطناعي هو الخيار المناسب؟
قد تكون المشكلة مثلًا:
- صعوبة البحث في عدد كبير من المستندات.
- استغراق الموظفين وقتًا طويلًا في تصنيف الطلبات.
- ضعف قدرة المستخدم على الوصول إلى المعلومة المناسبة.
- الحاجة إلى توقع الأعطال أو الطلب المستقبلي.
- تكرار مهام يدوية تعتمد على قراءة النصوص وتحليلها.
بعد تحديد المشكلة، يجب مقارنة الذكاء الاصطناعي بالحلول الأخرى. فقد يكون تحسين واجهة المستخدم، أو تعديل سير العمل، أو بناء قاعدة بحث تقليدية، أكثر بساطة وأقل تكلفة.
استخدم الذكاء الاصطناعي عندما تكون المشكلة فعلًا مرتبطة بالتنبؤ، أو فهم اللغة، أو اكتشاف الأنماط، أو التوصية، أو التعامل مع كميات كبيرة من البيانات غير المنظمة.
حدّد القيمة المتوقعة
قبل البدء في التطوير، حدد النتيجة التي تريد تحقيقها.
لا تقل:
سنبني مساعدًا ذكيًا.
بل قل:
نريد تقليل الوقت الذي يحتاجه الموظف للعثور على الإجابة من 20 دقيقة إلى أقل من 3 دقائق.
أو:
نريد رفع دقة تصنيف الطلبات وتقليل التدخل اليدوي.
كلما كانت النتيجة محددة، أصبح من الأسهل تقييم ما إذا كان المنتج يستحق الاستثمار، وما إذا كان النموذج يحقق قيمة حقيقية بعد الإطلاق.
البيانات هي أساس المنتج
لا يوجد منتج ذكاء اصطناعي جيد دون بيانات مناسبة.
قد تكون البيانات عبارة عن مستندات، محادثات، صور، معاملات، سلوك مستخدمين، أو نتائج سابقة. لكن وجود البيانات وحده لا يكفي.
يجب تقييم:
- جودة البيانات.
- دقتها واكتمالها.
- حداثتها.
- حقوق استخدامها.
- حساسيتها.
- مدى تمثيلها للحالات المختلفة.
- احتمالية احتوائها على تحيزات.
إذا كانت البيانات ضعيفة، سيظهر ذلك في جودة النتائج مهما كان النموذج متقدمًا.
وفي بعض الحالات، تكون أول خطوة في بناء المنتج هي تحسين جمع البيانات وتنظيمها، وليس تطوير النموذج نفسه.
لا تبدأ ببناء نموذج من الصفر
تتوفر اليوم نماذج وخدمات جاهزة تستطيع تنفيذ كثير من المهام مثل التلخيص، والتصنيف، والترجمة، وتحليل النصوص، والتعرف على الصور.
لذلك لا يحتاج معظم فرق المنتجات إلى تدريب نموذج جديد من البداية.
يمكن البدء بأحد الخيارات التالية:
- استخدام نموذج جاهز عبر واجهة برمجية.
- تخصيص نموذج قائم ببيانات محددة.
- ربط النموذج بمصادر معرفة داخلية.
- استخدام نموذج أصغر لمهمة محددة.
- بناء نظام يجمع بين قواعد العمل والذكاء الاصطناعي.
اختيار النموذج لا يعتمد فقط على جودة الإجابة، بل يشمل أيضًا التكلفة، والسرعة، والخصوصية، وقابلية التوسع، وإمكانية التحكم في النتائج.
ابنِ تجربة أولية صغيرة
من الأخطاء الشائعة محاولة بناء المنتج كاملًا منذ البداية.
الأفضل اختيار حالة استخدام واحدة واضحة، ثم اختبارها مع مجموعة صغيرة من المستخدمين.
على سبيل المثال، بدلًا من بناء مساعد ذكي يجيب عن جميع أسئلة الموظفين، يمكن البدء بمساعد يجيب عن الأسئلة المتعلقة بسياسة واحدة أو مجموعة محددة من الوثائق.
تساعد التجربة الأولية على معرفة:
- هل المستخدم يحتاج فعلًا إلى الحل؟
- هل النموذج يقدم إجابات مفيدة؟
- ما الأخطاء الأكثر تكرارًا؟
- ما الحالات التي تتطلب تدخلًا بشريًا؟
- هل القيمة المتحققة تبرر التكلفة؟
الهدف من النسخة الأولى ليس الوصول إلى الكمال، بل اختبار أهم الافتراضات بأقل وقت وجهد.
قيّم أكثر من الدقة
في منتجات البرمجيات التقليدية، يمكن التحقق بسهولة من أن الوظيفة تعمل أو لا تعمل. أما منتجات الذكاء الاصطناعي، فالنتائج قد تكون متفاوتة وغير متوقعة.
لذلك يجب تقييم المنتج من عدة جوانب:
جودة النتيجة
هل الإجابة صحيحة ومفيدة ومرتبطة بسؤال المستخدم؟
الثبات
هل يقدم النظام مستوى متقاربًا من الجودة عند تكرار الاستخدام؟
السرعة
هل يحصل المستخدم على النتيجة خلال وقت مقبول؟
التكلفة
كم تكلف كل عملية؟ وهل يمكن الحفاظ على التكلفة مع زيادة عدد المستخدمين؟
الأمان
هل قد ينتج النظام معلومات خاطئة أو محتوى غير مناسب أو يكشف بيانات حساسة؟
تجربة المستخدم
هل يعرف المستخدم كيف يكتب طلبه؟ وهل يفهم حدود النظام؟ وهل يستطيع تصحيح النتيجة؟
المنتج قد يمتلك نموذجًا دقيقًا من الناحية التقنية، لكنه يفشل إذا كانت التجربة معقدة أو بطيئة أو غير موثوقة.
صمّم للتعامل مع الخطأ
من المهم التعامل مع الذكاء الاصطناعي باعتباره نظامًا قد يخطئ، لا باعتباره مصدرًا للحقيقة.
يجب أن يتضمن تصميم المنتج آليات مثل:
- إظهار مصادر المعلومات عند الحاجة.
- تنبيه المستخدم إلى أن النتيجة مولدة آليًا.
- السماح للمستخدم بتعديل النتيجة.
- طلب مراجعة بشرية في القرارات الحساسة.
- منع النظام من تنفيذ إجراءات عالية المخاطر دون موافقة.
- تسجيل الأخطاء والملاحظات لتحسين المنتج.
- تحديد الحالات التي يجب أن يرفض النظام التعامل معها.
كلما زادت حساسية القرار، زادت الحاجة إلى إشراف بشري.
فقد يكون من المقبول استخدام الذكاء الاصطناعي لتلخيص مستند، لكنه لا ينبغي أن يتخذ بمفرده قرارًا طبيًا أو ماليًا أو قانونيًا مهمًا.
اجعل المستخدم جزءًا من التحسين
منتجات الذكاء الاصطناعي تتحسن من خلال التعلم من الاستخدام الفعلي.
يمكن جمع ملاحظات بسيطة مثل:
- هل كانت الإجابة مفيدة؟
- هل تم قبول الاقتراح أو تعديله؟
- ما نوع الخطأ الذي حدث؟
- هل اضطر المستخدم إلى إعادة صياغة السؤال؟
- هل أكمل المستخدم المهمة بعد استخدام النتيجة؟
لكن جمع الملاحظات وحده لا يكفي. يجب أن تكون هناك آلية لتحليلها، وتصنيف الأخطاء، وتحسين البيانات والتعليمات والنموذج وتجربة الاستخدام.
في بعض الأحيان، لا تكون المشكلة في النموذج نفسه، بل في طريقة تقديم السؤال، أو نقص السياق، أو ضعف البيانات التي يعتمد عليها.
اختر مؤشرات نجاح واضحة
لا تقيس نجاح منتج الذكاء الاصطناعي بعدد الإجابات التي ولدها أو عدد المستخدمين الذين جربوه فقط.
اختر مؤشرات تعكس القيمة، مثل:
- الوقت الذي تم توفيره.
- نسبة المهام المكتملة بنجاح.
- انخفاض الأخطاء اليدوية.
- نسبة قبول اقتراحات النظام.
- انخفاض تكلفة تنفيذ العملية.
- جودة الإجابات وفق تقييم المستخدمين أو الخبراء.
- نسبة الحالات التي احتاجت إلى تدخل بشري.
- معدل عودة المستخدمين إلى المنتج.
كما يجب متابعة مؤشرات المخاطر، مثل الإجابات غير الصحيحة، وتسرب البيانات، والانحياز، وارتفاع التكلفة.
لا تتعامل معه كمشروع ينتهي
إطلاق منتج الذكاء الاصطناعي ليس نهاية العمل.
قد تتغير جودة النموذج مع تغير البيانات، أو تظهر حالات لم تكن متوقعة، أو ترتفع التكلفة مع زيادة الاستخدام. لذلك يحتاج المنتج إلى متابعة مستمرة تشمل:
- مراقبة الأداء.
- مراجعة الأخطاء.
- تحديث مصادر المعرفة.
- إعادة اختبار الحالات المهمة.
- تحسين التعليمات والبيانات.
- مراجعة الضوابط الأمنية والخصوصية.
- تقييم الجدوى الاقتصادية بصورة دورية.
منتجات الذكاء الاصطناعي تحتاج إلى إدارة مستمرة تجمع بين المنتج والتقنية والبيانات والمخاطر.
الخلاصة
بناء منتج ذكاء اصطناعي ناجح لا يبدأ باختيار نموذج متقدم، بل يبدأ بمشكلة تستحق الحل ونتيجة قابلة للقياس.
ابدأ بحالة استخدام محددة، وتأكد من جودة البيانات، واختبر حلًا صغيرًا، وقِس القيمة الفعلية، وصمّم المنتج على أساس أن الذكاء الاصطناعي قد يخطئ.
السؤال الحقيقي ليس:
كيف نضيف الذكاء الاصطناعي إلى منتجنا؟
بل:
كيف نستخدم الذكاء الاصطناعي لتحسين نتيجة مهمة للمستخدم بطريقة آمنة ومستدامة؟
عندما تكون الإجابة واضحة، يصبح الذكاء الاصطناعي وسيلة لصناعة القيمة، لا مجرد خاصية جذابة داخل المنتج.
إطلاق 
أضف تعليق