تبدأ 23 نوفمبرالدفعة المباشرة 3 من Vibe Coding ووكلاء الذكاء الاصطناعي: 3 أسابيع و9 جلسات حيةالدفعة 3 (23.11) →
إصدارتحليل · على الرادارTNW→ المصدر

Upriver تجمع 14 مليون دولار لأتمتة إعداد البيانات في الذكاء الاصطناعي المؤسسي

حصلت الشركة الإسرائيلية الناشئة Upriver على 14 مليون دولار لأتمتة إعداد البيانات في الذكاء الاصطناعي المؤسسي. واكتشف المؤسسون عنق زجاجة لا يتحدث عنه أحد: معظم مشاريع الذكاء الاصطناعي في الشركات الكبرى لا تفشل بسبب ضعف النموذج، بل لأن البيانات تصل في حالة فوضوية، من خطوط معالجة (pipeline) معطلة وأنظمة غير متوافقة، إلى توثيق محصور في رأس مهندس واحد. تعمل Upriver على أتمتة تنظيف هذه الفوضى.

معالج بواسطة الذكاء الاصطناعي من TNW؛ بتحرير Hamidun News
Upriver تجمع 14 مليون دولار لأتمتة إعداد البيانات في الذكاء الاصطناعي المؤسسي
المصدر: TNW. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليTNW ↗
رئيس التحرير
حقيقة رئيسية #1استجابات API معطلة (Broken API responses) من أنظمة قديمة مدمجة لم يحدّثها أحد
حقيقة رئيسية #2سجلات مكررة من ثلاثة أنظمة CRM مختلفة لا توجد مزامنة بينها
حقيقة رئيسية #3سجلات تطبيقات شبه معطلة، بعض حقولها مشفّر بشكل خاطئ أو غير موجود أصلًا

جمعت الشركة الإسرائيلية Upriver مبلغ 14 مليون دولار في جولة تمويل أولية (seed). ومهمتها حل مشكلة تتجاهلها تقريبًا جميع أقسام تقنية المعلومات في الشركات: عندما تفشل مشاريع الذكاء الاصطناعي المؤسسي (enterprise AI)، نادرًا ما يكون السبب نموذجًا ضعيفًا، وفي الغالب تكون البيانات المتسخة وسيئة التنظيم هي السبب.

لماذا ترى النماذج الجيدة بيانات سيئة

تخيّل سيناريو يتكرر كل يوم في مئات الشركات: نشرت المؤسسة أفضل LLM في السوق، لكن ما يصله من مدخلات هو:

  • استجابات API معطلة (Broken API responses) من أنظمة قديمة مدمجة لم يحدّثها أحد
  • سجلات مكررة من ثلاثة أنظمة CRM مختلفة لا توجد مزامنة بينها
  • سجلات تطبيقات شبه معطلة، بعض حقولها مشفّر بشكل خاطئ أو غير موجود أصلًا
  • توثيق على شكل نص غير منظم، وسياق لا يوجد إلا في رأس مهندس واحد

هذه هي الحالة الفعلية لمعظم مشاريع الذكاء الاصطناعي المؤسسي: فهي لا تفشل لأن النموذج سيئ، بل لأن النموذج يرى القمامة. الأمر أشبه بأن تطلب من شوماخر قيادة دراجة بثلاث عجلات.

تبدو عملية تنظيف البيانات الحالية كسباق (sprint) مكلف يمتد لأشهر. يكتب مهندس سكربتات بلغة Python، ويوضّح فريق ثانٍ منطق الأعمال الخاص بالتحويلات، ويحاول فريق ثالث تخمين معنى حقول قديمة في قاعدة بيانات لا يحتاجها أحد لكن لا أحد يحذفها. يستغرق ذلك أشهرًا، ويكلّف عشرات الآلاف من الدولارات، وغالبًا ما تكون النتيجة ناقصة رغم ذلك. فالمعرفة موزعة بين رسائل البريد الداخلية وقنوات Slack ووثائق لم يعد أحد يقرؤها.

Upriver: منصة وليست شركة استشارات

تتعامل Upriver مع المشكلة من زاوية مختلفة تمامًا. فبدلًا من إرسال مستشارين (consultants) إلى العميل لستة أشهر في مشروع لمرة واحدة، بنت الشركة الناشئة منصة تقوم بما يلي:

  • تحلل البيانات الخام: بنيتها وعلاقاتها الخفية وشذوذاتها
  • تولّد نسخة نظيفة: تزيل الضوضاء، وتملأ الفجوات، وتوحّد صيغ التواريخ والمبالغ المالية
  • تبني السياق تلقائيًا: تبحث عن الأنماط في طريقة استخدام البيانات سابقًا
  • تتوسع بسهولة: لا تحتاج إلى مستشار جديد مع كل مشروع جديد

الفكرة بسيطة لكنها قوية: ندخل تدفقًا متسخًا من البيانات ونخرج بيانات جاهزة للعمل مع الذكاء الاصطناعي. وتقدّم الشركة نفسها لا باعتبارها شركة استشارات في هندسة البيانات (Data Engineering Consultants)، بل كطبقة أساسية مدمجة في البنية التقنية، على غرار Stripe التي لا تقول للشركات «وظّفوا محاسبين»، بل تحل مشكلة المدفوعات مباشرة.

«إنه مشهد مألوف في عالم SaaS المؤسسي. مشكلة ضخمة ومملة لا يحلها أحد بشكل أنيق، لأنه لم تكن هناك أدوات قبلنا. وفي كل مرة تبدأ العملية من الصفر»، يقول أحد مؤسسي

Upriver.

لماذا الآن، ولماذا 14 مليون دولار في جولة seed

تحولت إسرائيل بالفعل إلى ملاذ للشركات الناشئة في هندسة البيانات. ومن الأمثلة على ذلك Neon (إدارة PostgreSQL) وTinybird (التحليلات في الزمن الفعلي). وتركب Upriver هذه الموجة. أما أسباب إيمان المستثمرين بإمكانات التوسع فهي:

  • كل بنك كبير وكل شركة تأمين كبيرة توظّف مستشاري ذكاء اصطناعي مرتفعي التكلفة
  • يقول هؤلاء: «تحتاجون إلى نظافة صحيحة للبيانات»
  • وبعد الاستشارة، توظّف الشركة المستشارين مجددًا للمشروع التالي
  • هذا النموذج لا يتوسع ولا يمكن أتمتته وهو باهظ التكلفة
  • الشركات مستعدة للدفع مقابل أداة، لأن الألم يُحسّ به بشكل دائم

ويرى المستثمرون أن Upriver قد تصبح طبقة وسيطة بين البيانات الخام وتطبيقات الذكاء الاصطناعي. فهي ليست إطار عمل (framework) مثل LangChain، ولا منصة سحابية مثل Databricks، بل خدمة لإعداد البيانات المؤتمت، وهو ما تحتاجه كل مؤسسة.

ماذا يعني هذا للقطاع

ينتقل الذكاء الاصطناعي المؤسسي من مرحلة «اشترِ أفضل نموذج» إلى مرحلة «جهّز بيانات نظيفة». وبالنسبة إلى مهندسي ML وفرق البيانات (data teams)، يعني ذلك أساليب عمل وأدوات جديدة. أما بالنسبة إلى شركات مثل Upriver، فهو سوق ضخمة تُقدَّر بمليارات الدولارات، لأن هذا ألم تحسّ به كل شركة يوميًا.

والسؤال الأهم أمام Upriver: هل ستنجح الشركة الناشئة في تحويل عملية مملة إلى أداة أنيقة تحوّلًا حقيقيًا، أم ستكتفي بأتمتة الاستشارة داخل الشيفرة البرمجية؟ وتتوقف على الإجابة نتيجة واحدة من اثنتين: أن تصبح Upriver منصة حقيقية يرغب آلاف الشركات في استخدامها، أو مجرد غلاف جميل لمشكلة قديمة.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول لماذا ترى النماذج الجيدة بيانات سيئة؟

تخيّل سيناريو يتكرر كل يوم في مئات الشركات: نشرت المؤسسة أفضل LLM في السوق، لكن ما يصله من مدخلات هو: استجابات API معطلة (Broken API responses) من أنظمة قديمة مدمجة لم يحدّثها أحد سجلات مكررة من ثلاثة أنظمة CRM مختلفة لا توجد مزامنة بينها سجلات تطبيقات شبه معطلة، بعض حقولها مشفّر بشكل خاطئ أو غير موجود أصلًا توثيق على شكل نص غير منظم، وسياق لا يوجد إلا في رأس مهندس واحد هذه هي الحالة الفعلية لمعظم مشاريع الذكاء الاصطناعي المؤسسي: فهي لا تفشل لأن النموذج سيئ، بل لأن النموذج يرى القمامة.

ما أبرز التفاصيل حول Upriver: منصة وليست شركة استشارات؟

تتعامل Upriver مع المشكلة من زاوية مختلفة تمامًا. فبدلًا من إرسال مستشارين (consultants) إلى العميل لستة أشهر في مشروع لمرة واحدة، بنت الشركة الناشئة منصة تقوم بما يلي: تحلل البيانات الخام: بنيتها وعلاقاتها الخفية وشذوذاتها تولّد نسخة نظيفة: تزيل الضوضاء، وتملأ الفجوات، وتوحّد صيغ التواريخ والمبالغ المالية تبني السياق تلقائيًا: تبحث عن الأنماط في طريقة استخدام البيانات سابقًا تتوسع بسهولة: لا تحتاج إلى مستشار جديد مع كل مشروع جديد الفكرة بسيطة لكنها قوية: ندخل تدفقًا متسخًا من البيانات ونخرج…

ما أبرز التفاصيل حول لماذا الآن، ولماذا 14 مليون دولار في جولة seed؟

تحولت إسرائيل بالفعل إلى ملاذ للشركات الناشئة في هندسة البيانات. ومن الأمثلة على ذلك Neon (إدارة PostgreSQL) وTinybird (التحليلات في الزمن الفعلي). وتركب Upriver هذه الموجة. أما أسباب إيمان المستثمرين بإمكانات التوسع فهي: كل بنك كبير وكل شركة تأمين كبيرة توظّف مستشاري ذكاء اصطناعي مرتفعي التكلفة يقول هؤلاء: «تحتاجون إلى نظافة صحيحة للبيانات» وبعد الاستشارة، توظّف الشركة المستشارين مجددًا للمشروع التالي هذا النموذج لا يتوسع ولا يمكن أتمتته وهو باهظ التكلفة الشركات مستعدة للدفع مقابل أداة، لأن…

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
ما رأيك؟
جارٍ تحميل التعليقات…