ما الذي يجب على المديرين معرفته حول نماذج الذكاء الاصطناعي ومجموعات البيانات؟ | من «MIT SMR»

ترجمة: أثير القحطاني

بقلم: روجر دبليو هورل وتوماس سي ريدمان

يتعين على قادة الأعمال اتخاذ القرارات الصائبة بشأن استخدام نماذج الذكاء الاصطناعي، ومدى انتشار تطبيقها. إليكم الأسئلة الحاسمة التي يجب طرحها.

أليس مولون/إيكون إيمدجز

تواصل تقنيات الذكاء الاصطناعي ونماذج التعلم الآلي إجراء تحول جذري في الأعمال، إلا أن فشل المشاريع بعد التنفيذ، كما حدث مع أمازون في التعرف إلى الوجوه، ومايكروسوفت مع روبوت “تاي”، يؤدي إلى خسائر كبيرة وإحراج للشركات. بدلًا من عدِّ هذه الإخفاقات مجرد حوادث فردية، يجب على المديرين تحليل أنماطها وفهم النماذج والبيانات بعمق، لطرح الأسئلة المناسبة على المطورين، وضمان تجنب مثل هذه الإخفاقات مستقبلًا.

قد يتبادر إلى ذهنك السؤال: “ألا يتمتع علماء البيانات بتدريب عالٍ؟”. في الواقع، يركز معظم تدريبهم على آليات التعلم الآلي دون التعمق في قيوده، ما يجعلهم أقل قدرة على منع إخفاقات نماذج الذكاء الاصطناعي، أو تشخيصها بدقة. يحتاج مطورو الذكاء الاصطناعي إلى تقييم قدرة النماذج على التكيف مع المستقبل، والتعامل مع بيانات تتجاوز تلك المستخدمة في تدريبها، وهو ما يُعرف بمفهوم “التعميم”، ولكن هذا المفهوم يفتقر حاليًّا إلى الوضوح والدقة اللازمين.

يُقال في عالم التحليلات إن مطوري النماذج والفنانين يشتركون في عادة سيئة؛ وهي التعلق المفرط بنماذجهم. لكن البيانات، على الجانب الآخر، لا تحظى بالاهتمام الكافي؛ فكثيرًا ما يكتفي مطورو الذكاء الاصطناعي بالاعتماد على مجموعات بيانات متاحة بسهولة، بدلًا من البحث عن بيانات أكثر ملاءمة للمشكلة المطروحة.

أما المديرون التنفيذيون، الذين غالبًا لا يمتلكون خلفيات تقنية متقدمة، فهم أقل قدرة على اكتشاف المشكلات المتعلقة بنماذج الذكاء الاصطناعي والبيانات. مع ذلك، فإنهم المسؤولون في النهاية عن اتخاذ قرارات تتعلق باستخدام هذه النماذج ومدى تطبيقها.
تهدف هذه المقالة إلى مساعدة المديرين في تحسين قدرتهم على اتخاذ مثل هذه القرارات من خلال تقديم:

• إطار عمل يقدّم سياقًا مهمًّا، حيث سنستعرض مفهوم “البيانات الصحيحة”؛ فالتباين بين البيانات الصحيحة والبيانات المستخدمة فعليًّا في مشروع الذكاء الاصطناعي، قد يشكّل خطرًا.
• مجموعة من ستة أسئلة يجب طرحها على مطوري نماذج الذكاء الاصطناعي في المنظمة قبل وفي أثناء العمل على النماذج ومرحلة التطبيق.
• إرشادات لتقييم إجابات مطوري النماذج لتلك الأسئلة الستة.

إطار عمل مناسب لتحديد بيانات مشروعات الذكاء الاصطناعي
تعتمد نتائج مشروع الذكاء الاصطناعي اعتمادًا كبيرًا على مجموعة البيانات المستخدمة. وفي تحديد البيانات المثلى ولمساعدة الفرق، نقدم إطار عمل من خمسة عناصر كما هو موضح أدناه، فدعونا نلقِ نظرة على مكوناته.

1. المشكلة والفئة المستهدفة:
   كل مشروع علمي ناجح في البيانات يتطلب تحديدًا دقيقًا للمشكلة المطلوب حلها. وعلى الرغم من وضوح هذا الأمر، فإن مطوري نماذج الذكاء الاصطناعي في كثير من الأحيان لا يعيرونه الاهتمام الكافي، ما يخلق تفاوتًا في فهم الفريق للمشكلة. على سبيل المثال، هل الهدف من نموذج التصنيف الائتماني التلقائي هو توفير الوقت، أو استبدال المثمنين، أو مجرد تقديم استشارات لهم؟ هل الهدف تقليل الأخطاء في القروض أو تقليل التحيز؟ قد يتطلب الأمر مزيجًا من هذه الأهداف. كما يجب التساؤل أكان المنطق يجب أن يكون قابلًا للتفسير للأشخاص الذين رُفِضوا، أم إن النماذج المعتمدة على “الصندوق الأسود” كافية؟ الإجابات عن هذه الأسئلة ستحدد الحلول الصحيحة.
2. مفهوم البيانات الصحيحة:

أحد المفاهيم الأساسية في جودة البيانات هو “الملاءمة للاستخدام”، وهي تقييم إذا كانت مجموعة البيانات مناسبة لاتخاذ القرار، أو تنفيذ العملية، أو إجراء التحليل المطلوب؛ فقد تتعدد جوانب الملاءمة وفقًا للمشكلة، لكنّ السؤالين الرئيسين هما: “هل البيانات صحيحة؟”، و”هل هذه البيانات هي الأنسب للاستخدام؟”. هنا، نركز على السؤال “هل هذه البيانات هي الأنسب؟”، لأنه محوريٌّ في تقييم قدرة البيانات على التعميم، وتجنب الفشل في المشاريع. للإجابة عنه، يجب على المديرين تقييم ستة معايير أساسية (وتسمى أحيانًا الأبعاد، أو الخصائص، أو المتطلبات، أو الجوانب):

• الملاءمة/الاكتمال:
  البيانات يجب أن تمتلك قدرة تنبؤية عالية؛ ففي مثال تصنيف الائتمان، قد تسهم سمات مثل العمر، وتاريخ الدفع المتأخر، والدخل. من المهم تضمين جميع السمات المفيدة، مع استبعاد السمات التي قد تكون مضللة أو غير قانونية.
• الشمولية/التمثيل الكافي:
  المسائل الأساسية التي يجب التركيز عليها هي: “هل تغطي البيانات الفئة المستهدفة بشكل كافٍ؟”، و”هل هناك كمية كافية من البيانات لتدريب النموذج بفاعلية؟”. من المهم الأخذ في الحسبان قضايا الخصوصية، أو أي مخاوف أخرى قد تفرض استبعاد بعض البيانات.
• التحيزات السلبية:
  التحيزات التي تحملها البيانات تمثل تهديدًا خطيرًا يجب التخلص منه، لا سيما في النماذج التي تُعنى بالبشر؛ مثل أنظمة التصنيف الائتماني.
• البيانات الزمنية:
  البيانات الزمنية تُعدّ ضرورية لتفادي التحيزات الموجودة في البيانات القديمة، مع الأخذ في الحسبان أن بعض البيانات تصبح عديمة الفائدة بعد مدة قصيرة من إنشائها.
• وضوح المصطلحات:
  وضوح ودقة تعريف المصطلحات ووحدات القياس، يُعدان شرطين أساسيين لضمان التوافق في التطبيق والفهم.
• ضوابط الاستثناءات:

استبعاد بعض البيانات أمر ضروري لأسباب قانونية، أو أخلاقية، أو تنظيمية، أو لحماية حقوق الملكية الفكرية. على سبيل المثال، استخدام الرموز البريدية في قرارات الائتمان، قد يؤدي إلى انتهاك قوانين الخصوصية عبر تمثيلها للعرق تمثيلًا غير مباشر. كما أن تدريب نماذج الذكاء الاصطناعي على بيانات عامة قد ينتهك حقوق الملكية. لذا، على الشركات ومديريها بالتعاون مع الفرق القانونية، وضع تعليمات دقيقة لضمان الالتزام بالتشريعات.

3. بيانات التدريب:
   بيانات التدريب تُشير إلى البيانات الفعلية التي تُستخدم في تدريب النموذج، سواء أكانت البيانات الأنسب للمشكلة، أم مجرد خيار أسهل للحصول عليه.
4. النموذج/الخوارزمية:
   النموذج هو نتيجة عملية التعلم الآلي. وبمجرد تدريبه، يمكن تحديثه لاحقًا باستخدام بيانات جديدة تُعرف غالبًا بـ”بيانات المستقبل”.
5. البيانات المستقبلية:
   البيانات المستقبلية تشير إلى المعلومات التي لم يُحصَل عليها بعد، ولكنها ستُطبَّق على النموذج الذكي في المستقبل. كما يظهر في الشكل، يُعد مفهوم “البيانات الصحيحة” محورًا أساسيًّا لكل شيء. نطلق عليه “مفهوم البيانات الصحيحة”، لأنه غالبًا ما يتعلق بالمعايير التي نأمل أن تحققها البيانات، بدلًا من مجموعة بيانات محددة.

لذا، ينبغي لمطوري النماذج أولًا توضيح المشكلة والفئة المستهدفة، بعد ذلك، يجب تحديد المعايير التي ينبغي أن تفي بها البيانات المستخدمة في تدريب النموذج لحل المشكلة، ثم مقارنة البيانات المتاحة للتدريب مع هذه المعايير. وأخيرًا، يجب إجراء مقارنات مشابهة مع البيانات المستقبلية. الإشارات إلى فجوات أو تباينات كبيرة، تمثل تحذيرات بوجود مشكلات.
وكما أشرنا سابقًا، يميل المطورون إلى التعلق بالنماذج التي بنوها، وقد تكون البيانات سهلة المنال مختلفة تمامًا عن البيانات الأكثر ملاءمة للمشكلة التجارية. لتجنب المشكلات، يجب على قادة الأعمال توجيه الفريق نحو تقييم منطقي وصارم للبيانات الصحيحة، وبيانات التدريب، والبيانات المستقبلية. هذا النهج هو أفضل وسيلة للدفاع ضد الحماسة المفرطة، والغرور غير المبرر بالنموذج، والإخفاقات المحرجة في مشاريع الذكاء الاصطناعي.

طرح ستة أسئلة حاسمة

بناءً على إطار “البيانات الصحيحة”، يُنصح المديرون بطرح مجموعة من الأسئلة الدقيقة في ثلاث مراحل رئيسة؛ تبدأ من تحديد المشكلة وتستمر حتى مرحلة التطبيق. في حال الحاجة إلى مساعدة في المصطلحات التقنية لعلم البيانات، فتُفضل الاستعانة بأحد الخبراء لترجمة المفاهيم في أثناء الاجتماعات مع مطوري النماذج. ولتيسير التواصل بين فرق علم البيانات والإدارة، عيّنت بعض الشركات فرقًا متخصصة لهذا الغرض.

أسئلة يجب أن تُطرح في أثناء تحديد المشكلة
يجب على المطورين البدء بطرح السؤالين التاليين:

1. إذا نجح هذا المشروع، فأين وكيف سيُستخدم النموذج الذي طُوّر؟
   ما الذي تجب ملاحظته في الإجابات: يهدف هذا السؤال إلى قياس مدى إدراك المطورين للمشكلة الأساسية التي يعمل الفريق على حلها، كما يساعد في تحديد ما هو ضمن نطاق المشروع، بالإضافة إلى تحديد المدة الزمنية المتوقعة لتطبيق النموذج مستقبلًا.
   هذا السؤال يعد تمهيدًا للأسئلة التالية، ويجب على المديرين طرحه بدقة شديدة؛ إذ إن كثيرًا من المشاريع تبدأ بالفشل بسبب غموض أو عدم دقة تحديد المشكلة منذ البداية.
2. كيف ستُجمَع بيانات تدريب تتطابق مع معايير البيانات الصحيحة؟
   هذا السؤال يعد الأهم؛ إذ يُتوقع من مطوري النماذج تحديد البيانات المتاحة لهم. تأكد من أنهم حددوا معايير البيانات الصحيحة بدقة (استنادًا إلى الاعتبارات الستة السابقة، وأولها الملاءمة)، ثم تحقق مما إذا كانت لديهم خطة موثوقة للحصول على البيانات المطلوبة. إذا لم تكن الإجابات مُرضية، تجب إعادتهم لإعادة النظر في خططهم.

أسئلة لتطوير نموذج الذكاء الاصطناعي
بعد الانتهاء من مرحلة تحديد المشكلة، تبدأ الخطوة التالية؛ وهي بناء النموذج. في هذه المرحلة، يمكن طرح السؤال التالي:

3. ما الخطوات التي اتخذها الفريق لفهم تاريخ بيانات التدريب بعمق؛ بما في ذلك مزاياها وعيوبها، ومدى توافقها مع معايير البيانات الصحيحة؟

ما الذي يجب التركيز عليه في الإجابة؟

تأكد من أن الفريق حصل على البيانات التي سبق تحديدها في المرحلة السابقة. اطلب منهم تقييم البيانات بناءً على كل معيار من معايير البيانات الصحيحة، مع توضيح الفجوات الموجودة بينها وبين المعايير المطلوبة، وتحديد مدى تأثير تلك الفجوات في النموذج. بالإضافة إلى ذلك، تأكد من وجود خطة عملية لسد الفجوات المهمة. من الضروري أن تدرك أن الكمال في مجموعات البيانات نادر، لكن وجود فجوات غير معترف بها يمكن أن يشير إلى مشكلات محتملة تتطلب مزيدًا من التدقيق.

4. كيفية ضمان توافق البيانات المستقبلية مع معايير البيانات الصحيحة.
   أهم النقاط في الإجابة:
   بعد إنهاء العمل على بيانات التدريب، يجب أن يُظهر مطورو النموذج رؤية واضحة حول مصادر البيانات المستقبلية. إذا لم يكن هناك اهتمام كافٍ بهذا الجانب، فوجههم لإعطائه الأولوية (السؤال الخامس سيتناول المزيد بشأن هذه النقطة).

من الجدير بالذكر أن الاحتفاظ بجزء من بيانات التدريب للتحقق ليس كافيًا، فعلى منصات مثل Kaggle.com، تُعدّ بيانات التدريب مثالية، ويُستَخدم جزء منها كبيانات اختبار، بالتالي، لا يكون هناك اختلاف كبير بين بيانات التدريب والاختبار.
لكن تختلف الأمور في الواقع العملي. على سبيل المثال، اعتمد نظام التعرف إلى الوجه من أمازون، على بيانات تدريب محلية، في حين كان الهدف تطبيقه على نطاق أوسع، ما تسبب في ضعف أداء الخوارزمية.

الأسئلة المقررة قبل وفي أثناء تطبيق النماذج
لماذا يُنصح بطرح هذه الأسئلة في مراحل مختلفة من التطبيق؟ يجب أن تُكرَّر؛ إذ سيتعلم الفريق مع تقدم عملية التنفيذ.

5. كيف ستضمن أن البيانات المستقبلية تفي بتوقعاتك؟ وما الآليات المتبعة لضمان دقة النماذج ونجاح تطبيقها في ظل البيانات المستقبلية؟
   ما يجب البحث عنه في الإجابات: يرتبط هذا السؤال بتفاصيل السؤال الرابع المتعلق بالبيانات المستقبلية، وهدفه هو التأكد من أن المطورين قد أعدوا خطة لتقييم البيانات المستقبلية قبل استخدامها، أو تحديث النموذج بناءً عليها.
   من المهم أن تكون الشركات مستعدة للأسوأ، لذا يجب على المديرين التأكد من أن المطورين وضعوا ضوابط رقابية تراقب التغيرات في البيانات المستقبلية، أو تدهور الأداء. على سبيل المثال، كيف سيُكتَشف انخفاض دقة النموذج مع مرور الوقت؟
   وأخيرًا، يجب التدقيق في خطط المطورين لتحديث النماذج مع توفر البيانات المستقبلية.
6. ما الطرائق الثلاث الأكثر احتمالًا لفشل نماذجك عند نشرها؟ وما الإجراءات الوقائية التي قمت بها لمعالجتها؟
   النقاط الرئيسة في الإجابات:
7. أدرك المهندسون منذ القدم، أن الأنظمة التقنية قد تفشل حتى مع الحرص الشديد. لهذا، طُوِّر أسلوب تحليل أنماط الفشل وتأثيراتها (FMEA) للتنبؤ بالمشكلات المحتملة قبل حدوثها، ولإعداد خطط احتياطية لمنعها، أو اكتشافها بفاعلية.
   لكن للأسف، لم يصل هذا النهج بعد إلى غالبية علماء البيانات. ينبغي مطالبة مطوري النماذج بتقديم مستوى التحليل نفسه، من خلال التفكير في مجموعة واسعة من أسباب الفشل المحتملة التي تشمل التكنولوجيا، والبشر، وجودة البيانات، والظروف المتغيرة، وعوامل أخرى.

حوار صعب، ولكنه حاسم

من المعروف أن علماء البيانات ومطوري نماذج الذكاء الاصطناعي، قد لا يرحبون بالإجابة عن هذه الأسئلة، ولكن مع النسبة المرتفعة لفشل مشاريع علوم البيانات، فإن السؤال: “كيف ستضمن نجاح مشروعك وتجنب إخفاقه؟”، يعكس إدارة مدروسة.

كما أشار فريق من الباحثين في Google: “الجميع ينجذب إلى العمل على النماذج بدلًا من الاهتمام بالبيانات”. أما بالنسبة لقادة الأعمال، فلا يمكنهم التغاضي عن هذا الجانب، إذ يُعد التركيز على البيانات المناسبة والصحيحة، سواء في أثناء تطوير النماذج أو لضمان فاعليتها في المستقبل، خطوة أساسية لا غنى عنها لتحقيق النجاح في مشاريع الذكاء الاصطناعي والتعلم الآلي.

إطار البيانات الصحيحة
هل يسير مشروع الذكاء الاصطناعي نحو النجاح؟ يساعد هذا الإطار في تعزيز نقاشاتك مع مطوري النماذج. بمجرد تحديد المشكلة التجارية بوضوح، تصبح البيانات الصحيحة العنصر المحوري كما يوضح هذا الإطار؛ فمن دون هذه البيانات، فإن مصير المشروع الفشل. ومع ذلك، ينبغي تقييم المكونات الأخرى؛ مثل بيانات التدريب، والنموذج، والبيانات المستقبلية المستخدمة مع النموذج.

نبذة عن المؤلفين
روجر دبليو هويرل؛ أستاذ الإحصاء بجامعة يونيون في نيويورك، ومؤلف مشارك لكتاب Leading Holistic Improvement with Lean Six Sigma 2.0 (الطبعة الثانية، 2018م).
توماس سي. ريدمان؛ رئيس شركة Data Quality Solutions ومؤلف كتاب People and Data: Uniting to Transform Your Organization (2023).

—————————-

تُرجمت هذه المقالة بدعم من مبادرة «ترجم»، إحدى مبادرات هيئة الأدب والنشر والترجمة.

الآراء والأفكار الواردة في المقالة تمثّل وِجهة نَظر المؤلف فقط.