كيف تُطبّق الذكاء الاصطناعي: لماذا لا تصل 60% من المشاريع إلى مرحلة الإنتاج

وفق بيانات Gartner، لا تصل 60% من مشاريع الذكاء الاصطناعي في الشركات إلى مرحلة الإنتاج، والمسؤول عن ذلك ليس المال، بل عدم جاهزية البيانات وعمليات العمل.

لماذا تفشل المشاريع التجريبية للذكاء الاصطناعي

الصورة المعتادة: يطالب مجلس الإدارة بالتحول إلى الذكاء الاصطناعي، وتُخصَّص الميزانية، ويُستقدم المتعاقدون. وبعد بضعة أشهر يتبيّن أن النماذج ببساطة لا تجد بيانات تتعلم منها. فالطلبات مخزَّنة في أنظمة متفرقة، ولا يوجد تصنيف، وتاريخ المراسلات مبعثر بين جداول Excel وتطبيقات المراسلة وسلاسل البريد الإلكتروني.

ومن دون بيانات منظَّمة، لا يعطي حتى أحدث النماذج اللغوية نتائج يمكن التنبؤ بها. والخطأ لا يقع عند اختيار النموذج أو المورّد، بل يُرتكب قبل بدء المشروع التجريبي، على مستوى بنية البيانات.

• 60% من مشاريع الذكاء الاصطناعي لا تصل إلى الإنتاج، وفق بيانات Gartner
• السبب الرئيسي هو عدم جاهزية البيانات، لا نقص التقنيات
• تتكرر المشكلة بغض النظر عن حجم الميزانية ونضج الفريق
• تُطلق معظم الشركات مشاريعها التجريبية من دون نظام موحّد لجمع بيانات الخدمة

ما هو ESM ولماذا يحتاجه الذكاء الاصطناعي

Enterprise Service Management (ESM) منصة تنقل منهجية ITSM إلى ما بعد حدود قسم تقنية المعلومات، وتوحّد جميع عمليات الخدمة: الموارد البشرية والمالية والمشتريات والشؤون الإدارية والخدمات والدائرة القانونية. ودورها الأساسي في مبادرات الذكاء الاصطناعي هو إنشاء نقطة موحّدة لجمع الطلبات بسمات وفئات وسجل تفاعلات موحّد.

عندما تمر جميع الطلبات عبر نظام واحد بحقول ثابتة واتفاقيات مستوى خدمة (SLA)، يحصل النموذج على ما كان ينقصه: مجموعة بيانات نظيفة وموسومة ذات سياق تاريخي. وبدلًا من فوضى القنوات المتفرقة، تتوافر قاعدة منظَّمة يعمل عليها التدريب والاستدلال (inference) بصورة يمكن التنبؤ بها.

«إذا لم تتوافر للذكاء الاصطناعي بيانات عالية الجودة، فالمشروع على

الأرجح محكوم بالفشل» — هذا الاستنتاج يتكرر في معظم التقارير التحليلية عن إخفاقات مبادرات الذكاء الاصطناعي في الشركات.

ولهذا السبب يُوصف تطبيق ESM بأنه «الأساس» لأتمتة الذكاء الاصطناعي لاحقًا: فمن دونه يكون أي مشروع تجريبي بناءً على الرمال.

كيف يقضي النموذج على المهام الروتينية

حين يكتمل أساس ESM، تتحول أتمتة المهام الروتينية من تجربة إلى مهمة قابلة للإدارة. والمرشحة الأولى هي الطلبات المتكررة ذات الحل المتوقَّع: إعادة تعيين كلمات المرور، وطلبات الوصول القياسية، والمشتريات النمطية، وشهادات الموارد البشرية الجاهزة القوالب.

يستطيع النموذج المدرَّب على تاريخ الطلبات المنظَّم في ESM ما يلي:

• تصنيف الطلبات الواردة تلقائيًا دون تدخل مشغّل
• اقتراح حل استنادًا إلى حالات مماثلة من السجل التاريخي
• توجيه الطلب إلى المختص المناسب مع مراعاة SLA
• تصعيد الحالات غير النمطية مع السياق الكامل ليتعامل معها شخص

يتّسم جزء كبير من الطلبات الواردة في المؤسسات الخدمية بالتكرار، وهي بالذات المرشحة الأولى للأتمتة متى توافر سجل تاريخي موسوم بشكل صحيح في ESM. والنتيجة: انخفاض العبء التشغيلي على فرق الخدمة وتقليص زمن معالجة الطلبات النمطية.

ماذا يعني ذلك

لا تفشل مشاريع الذكاء الاصطناعي في الشركات بسبب سوء التقنيات، بل بسبب غياب بيانات صالحة للاستخدام. وتعالج منصات ESM هذه المشكلة هيكليًا: فهي تنشئ نقطة موحّدة لجمع تفاعلات الخدمة وتضمن جودة البيانات التي تعمل عليها النماذج بصورة يمكن التنبؤ بها. وقبل إطلاق المشروع التجريبي التالي للذكاء الاصطناعي، ينبغي للشركة أن تجيب عن سؤال واحد: هل يوجد لديها بالفعل نظام يحفظ السجل الكامل لجميع طلبات الخدمة مع سماتها؟

لماذا لا تُطبَّق مشاريع الذكاء الاصطناعي في الشركات؟

وفق بيانات Gartner، السبب الرئيسي ليس نقص الميزانية، بل البيانات غير المنظَّمة. فالطلبات مخزَّنة في أنظمة متفرقة، ولا يوجد تصنيف، وتاريخ المراسلات مبعثر بين جداول Excel وتطبيقات المراسلة وسلاسل البريد الإلكتروني. ومن دون بيانات منظَّمة، لا تعطي الشبكة العصبية نتيجة يمكن التنبؤ بها.