إذًا، أنت ترغب في بناء حل ذكاء اصطناعي. رائع. ولكن ربما، وربما فقط، لم يُخبرك أحد بكل شيء قبل أن تبدأ. بصفتك خبيرًا في هندسة الذكاء الاصطناعي، إليك نظرة أكثر صراحةً وأقل تعقيدًا حول إنشاء حلول الذكاء الاصطناعي. دعونا نتعمق فيما يغفله الناس.
1. "المشكلة" تأتي قبل "الحل"
من أكبر الأخطاء في تقديم حلول الذكاء الاصطناعي الاندفاع مباشرةً نحو النمذجة والتكنولوجيا والأدوات المتطورة. قد تختار خوارزمية ذكية أو تقرأ عن برنامج ماجستير قانون جديد، وتنطلق. لكن هذا عكسي تمامًا.
بدلاً من ذلك، ابدأ بسؤال نفسك عن المشكلة التجارية أو الإنسانية التي تحلها. ما هو المقياس الذي يُحسّن؟ ما هي نقاط ضعف المستخدم التي تمت معالجتها؟ أشار أحد المدونات إلى: "لقد بنيتُ تطبيقات ذكاء اصطناعي مبهرة تقنيًا لم تُحل أي مشاكل تجارية حقيقية".
إذا تخطيت هذا، فإن حلول الذكاء الاصطناعي الخاصة بك ستشعر بالروعة ولكنها ستؤدي إلى... لا شيء ذي معنى.
2. البيانات هي نقطة ضعفك
إليكم الحقيقة المرة: حلول الذكاء الاصطناعي لا تُقدم إلا بما تُقدمه لها. إدخال بيانات غير صحيحة يُخرج بيانات غير صحيحة. ذكرت مقالة حديثة حول الأخطاء الشائعة في مشاريع الذكاء الاصطناعي والتعلم الآلي أن ضعف جودة البيانات، وغياب القيم، والتحيز، وعدم كفاية البنية التحتية؛ كلها عوامل تُسهم في نجاح المشروع أو فشله.
إذا لم تستثمر وقتًا مبكرًا في تنظيف ومراجعة وصيانة خطوط أنابيب البيانات، فستتعثر حلول الذكاء الاصطناعي الخاصة بك عندما لا تتوقع ذلك على الإطلاق.
نصيحة: تعامل مع البيانات باعتبارها مواطناً من الدرجة الأولى، وليس مجرد شيء تتعامل معه "لاحقاً".
3. الإنتاج (ليس فقط "يعمل على جهازي")
قد تبني نموذجًا أوليًا أو نموذجًا بحثيًا، وينجح. لكن إنتاج حلول الذكاء الاصطناعي يتطلب أكثر من ذلك. من زمن الوصول إلى قابلية التوسع إلى قيود الموارد، هذه أمور حقيقية. ذكر أحد المقالات: "يتضاعف تعقيد التكامل عند نشر النماذج في أنظمة الإنتاج الحالية".
لذا، عند تصميم حلول الذكاء الاصطناعي الخاصة بك، اسأل:
• هل يمكن لهذا أن يتحمل حمولة ثقيلة
؟ • هل البنية التحتية والتكلفة قابلة للإدارة؟
• ماذا يحدث عندما ينحرف النموذج أو تتغير بيانات العالم الحقيقي؟
إذا لم تقم بالبناء من أجل الإنتاج، فسوف ينتهي بك الأمر إلى الحصول على لعبة بحث مصممة بشكل جميل، وليس حلاً فعالاً للذكاء الاصطناعي.
4. البساطة تفوز في كثير من الأحيان أكثر من الخيال
هناك شيءٌ ما في عالم حلول الذكاء الاصطناعي، حيث تُشتت الأطر الجديدة اللامعة، والوكلاء المُبدعون، والهياكل متعددة النماذج انتباهك عن المسار البسيط. لقد وجدتُ هذا في عملي، ويُبلغ عنه آخرون أيضًا.
الحل البسيط المُنجز بإتقان يتفوق على الأنظمة المُهندسة بشكل مبالغ فيه وغير المستقرة. لذا: فكّر في البساطة، فكّر في إمكانية الصيانة. الهدف هو تقديم حل موثوق ومتطور تقنيًا. عند بناء حلول الذكاء الاصطناعي، اسأل نفسك: "هل هذا التعقيد ضروري حقًا؟"
5. المنتج + تجربة المستخدم = النجاح (أو الفشل)
إليكم أمرٌ يُفاجئ العديد من المهندسين: أحيانًا يفشل حلُّ الذكاء الاصطناعي، ليس بسبب سوء النموذج، بل بسبب سوء المنتج المُحيط به. على سبيل المثال، طوّر فريقٌ أداةً لتلخيص محاضر الاجتماعات (حلٌّ قائمٌ على الذكاء الاصطناعي)، واعتقدوا أن طول الملخص هو العامل الأساسي. لكن اتضح أن المستخدمين أرادوا فقط بنودًا للإجراءات.
إذا لم تُفكّر في مَن يستخدمه، وكيف يستخدمه، وما الذي يهتم به، فستُنتج في النهاية شيئًا لا يُستخدَم. لذا، تعامل مع حلول الذكاء الاصطناعي كجزء من منتج أكبر.
6. الأخلاقيات والتحيز والحوكمة مهمة (بجدية)
حسنًا، الأمر يتجاوز مجرد الشعور بالرضا. إذا تجاهلت حلول الذكاء الاصطناعي الخاصة بك التحيز والشفافية وخصوصية البيانات، فأنت تبحث عن المشاكل. هناك حالات موثقة من الظلم والأضرار غير المتوقعة واستبعاد الناس.
والتنظيم قادم لا محالة. لذا: رسّخوا الأخلاقيات والمساءلة وآليات إشراك الإنسان في العملية مبكرًا. ستكون حلول الذكاء الاصطناعي الخاصة بكم أقوى وأكثر موثوقية إذا فعلتم ذلك.
7. إنها رحلة وليست سباقًا
لن يكون حل الذكاء الاصطناعي الأول الذي تبتكره مثاليًا. فالانتقال من النموذج الأولي إلى نظام موثوق وقابل للصيانة غالبًا ما يستغرق وقتًا أطول بكثير من المتوقع. تذكر: تحقق العديد من الفرق 80% من أهدافها بسرعة، بينما تستغرق الـ 20% المتبقية أشهرًا.
لذا، حدد توقعاتك مع أصحاب المصلحة: أنت تبني مشروعًا يتعلم ويتطور ويحتاج إلى مراقبة. لا بأس. من الأفضل أن تكون شفافًا منذ البداية بدلًا من أن تُفاجأ لاحقًا.
8. إمكانية الصيانة والديون الفنية حقيقية
عند تطبيق حلول الذكاء الاصطناعي الخاصة بك، ستكتشف أنواعًا جديدة من الديون: ديون البيانات، وديون النماذج، وديون التكوين، وديون الأخلاقيات. تتراكم هذه الديون بسرعة.
لذا، تتضمن صيانة الخطة نماذج الإصدارات، ومراقبة الانحرافات، وإدارة خطوط الأنابيب، والتحديث ببيانات جديدة. بدون ذلك، يتدهور حلّك بمرور الوقت.
9. الفريق والمهارات أهم من الأدوات
أخيرًا، اعلم هذا: الأدوات (الأطر، المكتبات، البرمجيات كخدمة) مفيدة. لكن الأهم هو الفريق وكيفية دمج الوظائف. من يفهم الأعمال والبنية التحتية والتعلم الآلي والأخلاقيات سيخدمك بشكل أفضل من خبير نماذج وحيد.
تشير المقالة "9 مشاكل واقعية يحلها مهندسو الذكاء الاصطناعي اليوم" إلى أن أشياء مثل قيود البنية التحتية، وتكامل الأنظمة القديمة، وتحسين التكاليف، والامتثال التنظيمي، كلها تتطلب مهارات ناعمة ومهارات صلبة.
لذا، عند تخطيط حلول الذكاء الاصطناعي، كوّن فريقًا يتمتع بمهارات متنوعة. لا تعتمد كثيرًا على مجرد "إيجاد الخوارزمية المناسبة".
في ملخص
عندما تقوم بإنشاء حلول الذكاء الاصطناعي كمهندس:
• ابدأ بالمشكلات الحقيقية، وليس النماذج
• تعامل مع البيانات كأساس لك
• تصميم الإنتاج مبكرًا
• اختر البساطة عندما يكون ذلك ممكنًا
• فكر في المنتج + تجربة المستخدم، وليس فقط الكود
• تضمين الأخلاقيات والحوكمة والمراقبة
• أدرك أن هذه لعبة طويلة
• خطط للديون الفنية والصيانة
• قم ببناء الفريق المناسب والمهارات الوظيفية المتعددة
إذا وضعت هذه الأمور في الاعتبار، فإن حلول الذكاء الاصطناعي الخاصة بك لديها فرصة أكبر بكثير لإحداث تأثير، ومخاطر أقل للفشل الهادئ.
اقرأ أيضًا: لماذا لا يحتاج الذكاء الاصطناعى إلى ML ، لكن ML لا يمكنه البقاء بدون منظمة العفو الدولية
