Doubletapp توضح لماذا تعيق مجموعات البيانات الضعيفة قدرة الذكاء الاصطناعي على رفع NPS ومعدل النقر CTR ومعدل التحويل

أصدرت Doubletapp مقابلة توضح لماذا تتعثر مشاريع الذكاء الاصطناعي في الغالب عند البيانات لا عند اختيار النموذج. وشرح رئيس وحدة Data LLM، إيلنور فايزييف، كيف تنعكس جودة مجموعة البيانات مباشرة على NPS الخاص بالدعم، وعلى CTR الخاص بالكتالوج، وعلى معدل التحويل إلى الشراء.

أين تضيع المقاييس

الفكرة الرئيسية في المقابلة بسيطة: الأعمال لا تشتري النموذج بحد ذاته، بل تشتري تحسين رقم محدد. ففي الدعم هذا الرقم هو سرعة حل الطلبات ورضا العملاء، وفي التجزئة الإلكترونية هو نسبة النقر على بطاقات المنتجات وحصة الطلبات، وفي البحث ضمن قاعدة المعرفة هو دقة الإجابة. وإذا جُمعت مجموعة البيانات مع ضوضاء، أو بوسم سيئ، أو من دون ارتباط بالسيناريوهات الواقعية، بدأ النموذج يخطئ في المواضع التي يكلف فيها كل خطأ الأعمال مالاً. لذلك فإن الحديث عن البيانات هنا ليس أكاديمياً، بل هو حديث مباشر عن الإيرادات والتكاليف وجودة الخدمة.

وتعرض المادة أيضاً حالات أقل بداهة. ففي شركة صناعية يمكن للذكاء الاصطناعي أن يبحث عن الإجابات ضمن اللوائح الداخلية وأن يقلل عدد الأخطاء في الإنتاج. وفي مهام الرؤية الحاسوبية يمكنه تحديد جودة الفولاذ بحسب معاملات العملية والمساعدة في الحفاظ على نتيجة مستقرة. والمنطق واحد في جميع الحالات: في الأعلى يوجد مقياس الأعمال، وتحته جودة عمل نظام ML، وتحتهما مجموعة البيانات التي إما تعزز النموذج وإما تسحبه إلى الأسفل بلا ضجيج.

• NPS وزمن الاستجابة في الدعم
• CTR ومعدل التحويل في التجارة الإلكترونية
• دقة البحث في قاعدة المعرفة الداخلية
• خفض الأخطاء في العمليات الإنتاجية
• جودة التعرف في أنظمة الرؤية الحاسوبية

متى تكون مجموعة البيانات ضرورية

بحسب فايزييف، تلزم مجموعة بيانات عالية الجودة في حالتين نموذجيتين. الأولى حين تقارن الشركة الذكاء الاصطناعي بالعمل اليدوي فقط وتريد أن تعرف هل يمكن إطلاق الحل في بيئة الإنتاج أصلاً. والثانية حين يعمل النظام فعلاً لكن مقاييسه لم تعد مرضية: الإجابات غير ملائمة، والتوصيات لا تؤدي إلى الشراء، وبلغت السرعة أو الدقة سقفها. وفي الحالتين، من دون قياس للجودة الحالية ومن دون مقياس مستهدف واضح، يتحول العمل على البيانات إلى تخمين.

«مجموعات البيانات مطلوبة في مرحلتين من تطوير المنتج».

وثمة تركيز خاص على الجانب الاقتصادي. فمجموعة البيانات ليست تطويراً مخصصاً لا ينتهي، بل هي أقرب إلى أصل نهائي يمكن إعداده والتحقق منه وتحميله في مسار التدريب أو إعادة التدريب. صحيح أن تدقيق النموذج يجب أن يتكرر بانتظام، لكن جمع البيانات ووسمها عادةً ما يكون إسنادهما إلى جهات متخصصة في هذه العملية أجدى اقتصادياً. أما إذا بقي كل شيء داخل الشركة، فإن المهندسين يقضون أسابيع في اختيار الأمثلة وتجهيز البيئة ومراقبة الجودة وإدارة القائمين بالوسم. وكثيراً ما يكون ذلك أغلى للأعمال مما يبدو في البداية.

لماذا يضعف العمل الجماعي الحاشد

تكمن أهمية المقابلة أيضاً في أنها ترصد تحولاً في السوق. فقد أدى العمل الجماعي الحاشد دوراً جيداً في عصر المهام البسيطة مثل «قطة أم كلب». أما اليوم فإن النماذج نفسها تنجز هذه السيناريوهات بثقة كافية، ولذلك ينتقل الوسم البشري إلى المجالات الخبيرة. وحين يتعلق الأمر بمساعد برمجي للغة نادرة، أو بتحقق صناعي معقد، أو بقاعدة معرفة متخصصة، فالمطلوب ليس مجرد تدفق كبير من المنفذين، بل أشخاص يفهمون سياق المهمة فعلاً ويستطيعون ملاحظة الأخطاء الدقيقة.

وما زال النهج المختلط ممكناً: يمكن إسناد الجزء البسيط من المسار إلى الوسم الجماعي، والجزء المعقد إلى فريق خبراء. لكن عندئذ يواجه الأعمال عبئاً جديداً: تفكيك المهمة، والبحث عن مقاولين مختلفين، ونقل السياق بينهم، ومراقبة إضافية للجودة عند نقاط التماس. ولهذا السبب، بحسب تقدير Doubletapp، لا يزال السوق ضيقاً نسبياً ويدور حول شركات LLM الكبرى والمشاريع التي يسهل فيها تحويل تحسن المقاييس إلى مال.

ماذا يعني ذلك

هذه إشارة للسوق إلى أن الميزة التنافسية في الذكاء الاصطناعي تنتقل أكثر فأكثر من اختيار النموذج الأكثر شهرة إلى جودة البيانات التطبيقية. ولا يزال اللاعبون الكبار بحاجة إلى مجموعات بيانات ضخمة، لكن الموجة التالية من الطلب قد تأتي من فرق صغيرة تبني منتجات ذكاء اصطناعي متخصصة. فهي ستختبر أولاً نموذجاً أولياً (MVP) على بيانات جاهزة، وحين ترى الجدوى الاقتصادية ستبدأ بشراء مجموعات بيانات موجهة لنقاط ضعفها، وهناك تحديداً سيظهر النمو الفعلي في المقاييس.