إذن، أنت ترغب في بناء حلول الذكاء الاصطناعي. ممتاز. لكن ربما، وربما فقط، لم يخبرك أحد بكل شيء قبل أن تبدأ. بصفتي خبيرًا في هندسة الذكاء الاصطناعي، إليك نظرة أكثر صراحةً وواقعيةً على كيفية إنشاء حلول الذكاء الاصطناعي. دعنا نتعمق في الجوانب التي يتجاهلها الناس.
1. تأتي "المشكلة" قبل "الحل"
من أكبر الأخطاء في تقديم حلول الذكاء الاصطناعي هو التسرع في استخدام النماذج والتقنيات والأدوات المتطورة. قد تختار خوارزمية متطورة أو تقرأ عن نموذج جديد للتعلم الآلي، ثم تنطلق. لكن هذا خطأ فادح.
بدلاً من ذلك، ابدأ بسؤال نفسك عن المشكلة التي تحاول حلها، سواء كانت مشكلة تجارية أو إنسانية. ما هو المقياس الذي يتحسن؟ ما هي المشكلة التي يعاني منها المستخدم والتي يتم معالجتها؟ وقد أشارت إحدى المدونات إلى: "لقد طورتُ تطبيقات ذكاء اصطناعي رائعة تقنياً، لكنها لم تحل أي مشاكل تجارية حقيقية"
إذا تجاهلت هذا، فستبدو حلول الذكاء الاصطناعي الخاصة بك رائعة ولكنها ستؤدي إلى ... لا شيء ذي معنى.
2. البيانات هي نقطة ضعفك
إليكم الحقيقة المجردة: جودة حلول الذكاء الاصطناعي تعتمد كلياً على جودة البيانات المُدخلة إليها. فالبيانات الرديئة تُنتج نتائج رديئة. وقد أشارت مقالة حديثة حول أبرز عيوب مشاريع الذكاء الاصطناعي/التعلم الآلي إلى أن رداءة جودة البيانات، ونقص البيانات، والتحيز، وعدم كفاية البنية التحتية، هي عوامل حاسمة في نجاح المشروع أو فشله.
إذا لم تستثمر الوقت مبكراً في تنظيف وتدقيق وصيانة خطوط نقل البيانات، فإن حلول الذكاء الاصطناعي الخاصة بك ستتعثر عندما لا تتوقع ذلك.
نصيحة: تعامل مع البيانات كمواطن من الدرجة الأولى، وليس مجرد شيء تتعامل معه "لاحقًا".
3. الإنتاج (ليس مجرد "يعمل على جهازي")
قد تقوم ببناء نموذج أولي أو نموذج بحثي، وقد "يعمل". لكنّ تطبيق حلول الذكاء الاصطناعي في بيئة الإنتاج يتطلب أكثر من ذلك. فمن زمن الاستجابة إلى قابلية التوسع إلى قيود الموارد، كل هذه تحديات حقيقية. وقد ذكرت إحدى المقالات: "يتضاعف تعقيد التكامل عند نشر النماذج في أنظمة الإنتاج الحالية"
لذا، عند تصميم حلول الذكاء الاصطناعي الخاصة بك، اسأل نفسك:
• هل يمكن لهذا النظام تحمل ضغط عالٍ
؟ • هل البنية التحتية والتكاليف قابلة للإدارة؟
• ماذا يحدث عند انحراف النموذج أو تغير بيانات العالم الحقيقي؟
إذا لم تقم بالبناء من أجل الإنتاج، فسوف ينتهي بك الأمر بلعبة بحثية مصممة بشكل جميل، وليس بحل ذكاء اصطناعي فعال.
4. البساطة تفوز في أغلب الأحيان أكثر من الزخرفة
هناك شيء ما في عالم حلول الذكاء الاصطناعي حيث تُشتت الأطر الجديدة البراقة والوكلاء المتطورون والهياكل متعددة النماذج الانتباه عن المسار البسيط. لقد وجدت هذا في عملي، ويؤكده آخرون أيضاً.
الحل البسيط المُتقن أفضل من الأنظمة المُعقدة وغير المستقرة. لذا: فكّر ببساطة، فكّر بسهولة الصيانة. الهدف هو تقديم شيء 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 حلّ الذكاء الاصطناعي ليس بسبب رداءة النموذج نفسه، بل بسبب رداءة المنتج المُستخدم. على سبيل المثال، قام فريقٌ بتطوير أداةٍ لتلخيص محاضر الاجتماعات (حلّ ذكاء اصطناعي) وظنّوا أن طول الملخص هو العامل الأساسي. لكن تبيّن لاحقًا أن المستخدمين كانوا يُريدون فقط بنود العمل.
إذا لم تفكر في من يستخدمه، وكيف يستخدمه، وما يهمه، فسينتهي بك الأمر إلى بناء شيء لا يُستخدم. لذا، تعامل مع حلول الذكاء الاصطناعي كجزء من منتج أكبر.
6. الأخلاق والتحيز والحوكمة أمور مهمة (بجدية)
حسنًا، الأمر يتجاوز مجرد الشعور بالرضا. إذا تجاهلت حلول الذكاء الاصطناعي الخاصة بك التحيز والشفافية وخصوصية البيانات، فأنت تُعرّض نفسك للمشاكل. هناك حالات موثقة من الظلم والأضرار غير المتوقعة واستبعاد بعض الأشخاص.
واللوائح التنظيمية قادمة لا محالة. لذا: احرص على دمج الأخلاقيات والمساءلة وآليات التدخل البشري مبكراً. ستكون حلول الذكاء الاصطناعي لديك أقوى وأكثر جدارة بالثقة إذا فعلت ذلك.
7. إنها رحلة، وليست سباقاً سريعاً
لن يكون حل الذكاء الاصطناعي الأول مثاليًا. غالبًا ما يستغرق الانتقال من النموذج الأولي إلى نظام موثوق وقابل للصيانة وقتًا أطول بكثير من المتوقع. تذكر: تحقق العديد من الفرق 80% مما تريد بسرعة، بينما تستغرق نسبة الـ 20% المتبقية شهورًا.
لذا، حدد توقعاتك مع أصحاب المصلحة: أنت تبني شيئًا يتعلم ويتطور ويحتاج إلى مراقبة. لا بأس بذلك. من الأفضل أن تكون شفافًا منذ البداية بدلًا من أن تتفاجأ لاحقًا.
8. قابلية الصيانة والديون التقنية أمران حقيقيان
عندما تُطلق حلّ الذكاء الاصطناعي الخاص بك، ستكتشف أنواعًا جديدة من الديون: ديون البيانات، وديون النماذج، وديون التكوين، وديون الأخلاقيات. تتراكم هذه الديون بسرعة.
لذا، تشمل صيانة الخطة التحكم في إصدارات النماذج، ومراقبة الانحرافات، وإدارة مسارات البيانات، والتحديث بالبيانات الجديدة. وبدون ذلك، يتدهور حلك بمرور الوقت.
9. الفريق والمهارات أهم من الأدوات
وأخيرًا، اعلم أن الأدوات (الأطر، والمكتبات، والبرمجيات كخدمة) مفيدة، لكن الأهم هو الفريق وكيفية التكامل بين مختلف الأقسام. فوجود شخص يفهم الأعمال والبنية التحتية والتعلم الآلي والأخلاقيات سيخدمك بشكل أفضل من مجرد "خبير نماذج" منفرد.
تشير المقالة "9 مشاكل واقعية يحلها مهندسو الذكاء الاصطناعي اليوم" إلى أن أمورًا مثل قيود البنية التحتية، وتكامل الأنظمة القديمة، وتحسين التكاليف، والامتثال التنظيمي، تتطلب جميعها مهارات ناعمة ومهارات صلبة.
لذا، عند التخطيط لحلول الذكاء الاصطناعي، كوّن فريقًا يتمتع بمهارات متنوعة. لا تعتمد بشكل مفرط على مجرد "إيجاد الخوارزمية المناسبة".
في ملخص
عندما تقوم بإنشاء حلول الذكاء الاصطناعي كمهندس:
• ابدأ بالمشاكل الحقيقية، لا النماذج
• اعتبر البيانات أساسك
• صمم المنتج مبكرًا
• اختر البساطة كلما أمكن
• فكر في المنتج وتجربة المستخدم، لا في الكود فقط
• ادمج الأخلاقيات والحوكمة والمراقبة
• أدرك أن هذا مشروع طويل الأمد
• خطط للديون التقنية والصيانة
• ابنِ الفريق المناسب والمهارات متعددة الوظائف
إذا وضعت هذه الأمور في الاعتبار، فإن حلول الذكاء الاصطناعي الخاصة بك لديها فرصة أكبر بكثير لإحداث تأثير، ومخاطر أقل للفشل بهدوء.
اقرأ أيضاً: لماذا لا يحتاج الذكاء الاصطناعي إلى التعلم الآلي، ولكن لا يمكن للتعلم الآلي أن يستمر بدون الذكاء الاصطناعي
