Databricks و Infosys: لماذا تعيق البيانات، وليس النماذج، نشر الذكاء الاصطناعي

تناقش الشركات الذكاء الاصطناعي بشكل متزايد على مستوى مجلس الإدارة، لكن النشر الفعلي للذكاء الاصطناعي في الأعمال غالباً ما يكون مقيداً ليس بالنماذج أو الحوسبة، بل بحالة بيانات الشركة. بينما عودت خدمات المستهلك السوق على توقع التأثير الفوري، داخل المنظمات الكبيرة يصبح واضحاً بسرعة أنه بدون بنية تحتية موحدة وفعالة وقابلة للتشغيل للبيانات، يبقى الذكاء الاصطناعي مجرد عرض جميل وليس أداة عملية. المشكلة الرئيسية هي أن بيانات الشركات عادة ما تكون موجودة في طبقات مختلفة جداً.

البعض يكون في مستودعات تحليلية وبحيرات البيانات، والبعض في الأنظمة المعاملاتية مثل CRM و ERP والتطبيقات الداخلية، والباقي مشتت في الملفات والبريد الإلكتروني وقواعس المعرفة والتذاكر والخدمات السحابية. للتقارير النمطية، يمكن تحمل مثل هذا المشهد. لكن عندما تريد شركة أن تعطي نموذجاً إمكانية الوصول إلى البيانات في الوقت الفعلي، أو تضمن الذكاء الاصطناعي في العمليات، أو تطلق وكلاء لا يجيبون على الأسئلة فقط بل يتخذون إجراءات أيضاً، تصبح الانقسام قيداً مباشراً.

قد يكون النموذج قوياً، لكن إذا لم يتمكن من رؤية السياق الحالي، أو لم يفهم أصل البيانات، أو لم يعمل ضمن حقوق الوصول الواضحة، تصبح النتيجة غير مستقرة وخطرة. هذا هو السبب بالضبط في أن النقاش حول الذكاء الاصطناعي للمؤسسات ينتقل بشكل متزايد من النماذج إلى الهندسة المعمارية. إحدى الأطروحات الرئيسية هي أن المؤسسات لا تحتاج إلى مجموعة من أدوات الذكاء الاصطناعي المنفصلة، بل إلى مكدس بيانات جديد حيث يتم تخزين البيانات بصيغ مفتوحة، موصوفة بالبيانات الوصفية، يمكن الوصول إليها من خلال سياسات موحدة، ومناسبة في نفس الوقت للتحليلات والسيناريوهات التشغيلية.

ومن هنا الاهتمام بالهندسات المعمارية التي تجسر الفجوة بين عالمي OLAP و OLTP: من جهة، تحتاج الشركات إلى عمق التحليل والتاريخ والنطاق، من جهة أخرى — إلى الكمون المنخفض والطبيعة المعاملاتية والقدرة على التصرف بسرعة. في هذا النهج، تروج Databricks لـ Lakebase كطبقة Postgres بدون خادم لأعباء عمل الذكاء الاصطناعي التشغيلية، و Unity Catalog كطبقة موحدة لإدارة الوصول وأصل البيانات والحوكمة للبيانات وأصول الذكاء الاصطناعي. النقطة ليست في المنتجات المحددة، بل في الاتجاه نفسه: الأعمال تحتاج إلى أساس يمكن للذكاء الاصطناعي أن يعمل عليه في الإنتاج، وليس فقط في التجربة الأولية.

سؤال منفصل هو كيفية قياس التأثير. في المراحل المبكرة، غالباً ما تكتفي الشركات بمقاييس جذابة مثل عدد استعلامات chatbot أو نسبة الموظفين الذين فتحوا copilots. لكن مع نضوج الشركات، لا يكفي هذا بعد الآن.

إذا كان الذكاء الاصطناعي يجب أن يأتمتة العمليات، أو يقلل دورات التشغيل، أو يزيد التحويل، أو ينشئ خطوط إيرادات جديدة، يجب تقييمه كنظام أعمال متكامل. لذلك، في نقاش مكدس البيانات الجديد، تظهر أيضاً مسألة قياس القيمة: يجب ربط تأثير الذكاء الاصطناعي ليس بعامل الدهشة، بل بنتائج الأعمال الملموسة. هذا مهم بشكل خاص مع الانتقال إلى الذكاء الاصطناعي القائم على الوكلاء، حيث يكتسب النموذج مزيداً من الاستقلالية، وبالتالي تصبح متطلبات المراقبة والتسجيل وجودة البيانات وسياسة الوصول أكثر صرامة بكثير.

تطور الذكاء الاصطناعي للمؤسسات يبدو واضحاً جداً هنا. أولاً، تنشر الشركات أدوات إنتاجية فردية — مساعدين للبحث والتلخيص وكتابة الأكواد أو إعداد المستندات. ثم تنتقل إلى أتمتة العمليات: معالجة التذاكر وتوجيه المهام والدعم الداخلي والسيناريوهات المالية والتشغيلية.

وفقط بعد ذلك تنفتح المرحلة الثالثة — إطلاق منتجات جديدة وخطوط أعمال مبنية حول الذكاء الاصطناعي من البداية. مع كل مرحلة لاحقة، تنمو متطلبات البيانات. ما كان يعمل بعد للمساعد الشخصي لا يعمل بعد الآن للعملية التي تحتاج إلى دقة وسجل كامل للإجراءات والقدرة على تنفيذ العمليات بأمان نيابة عن الشركة.

ومن هنا الخلاصة الرئيسية: المعركة التالية من أجل الذكاء الاصطناعي للمؤسسات ليست حول أفضل واجهة نموذج، بل حول إعادة هيكلة البيانات لاستخدام الآلات. ستكون الشركات التي تفوز هي تلك التي تمكنت من توحيد البيانات وإدارتها وجعلها متوافقة مع سيناريوهات الوكلاء. بالنسبة للأعمال، هذا يعني حقيقة غير مريحة لكنها مفيدة: الطريق نحو الذكاء الاصطناعي بالحجم الكامل لا يبدأ باختيار نموذج، بل بإعادة بناء مكدس البيانات.