قد يبدو تطبيق الذكاء الاصطناعي التوليدي بمثابة معضلة الدجاجة والبيضة. ففي استطلاع حديث أجراه معهد IBM IBM Institute for Business Value، أفاد 64٪ من الرؤساء التنفيذيين (CEOs) بأنهم بحاجة إلى تحديث تطبيقاتهم قبل أن يتمكنوا من استخدام الذكاء الاصطناعي التوليدي. ولكن في الوقت نفسه، يتمتع الذكاء الاصطناعي التوليدي بالقدرة على تحويل عملية تحديث التطبيقات من خلال تقنيات مثل الهندسة العكسية للتعليمات البرمجية، وتوليد التعليمات البرمجية، وتحويل التعليمات البرمجية من لغة إلى أخرى، وتحديد سير عمل التحديث وغيرها من العمليات المؤتمتة. إليك كيف يمكن لمسؤولي المعلومات ومسؤولي التقنية (CIOs وCTOs) تقييم بيئة التقنية والبيانات الخاصة بهم، وتحديد فرص التحديث، ورسم خارطة طريق للمضي قدمًا.
ينبغي على مسؤولي المعلومات ومسؤولي التقنية (CIOs وCTOs) ما يلي:
على مدار العقد الماضي، تبنّت IBM استراتيجية السحابة الهجينة كأساس للابتكار القابل للتوسّع والمدعوم بالذكاء الاصطناعي، بما يحقق الكفاءة والإنتاجية. ومن وجهة نظرنا، فإن الجدل حول البنية التحتية قد حُسم. المنظمات التي أتقنت استخدام السحابة الهجينة مؤهلة بشكل أفضل لتطبيق الذكاء الاصطناعي التوليدي على مستوى المنظمة بأكملها. تتيح السحابة الهجينة لهذه المنظمات الاستفادة من النماذج اللغوية الكبيرة مفتوحة المصدر، واستخدام البيانات العامة والموارد الحسابية لتدريب نماذجها الخاصة، ثم ضبطها بدقة بطريقة آمنة — مع الحفاظ على خصوصية رؤاها الخاصة. وبالإضافة إلى ما تقدّمه من قيمة هائلة على مستوى تجارب العملاء والموظفين، ووظائف الموارد البشرية وخدمة العملاء، يمنح الذكاء الاصطناعي التوليدي عبر السحابة الهجينة مسؤولي المعلومات ومسؤولي التقنية (CIOs وCTOs) مرونة عالية لأتمتة العمليات التقنية وتحديث التطبيقات، ما قد يُزيل العبء التراكمي من الديون التقنية ويمكّن من تحديث مستمر ومستدام.
حتى لدى مسؤولي المعلومات ومسؤولي التقنية (CIOs وCTOs) الذين تبنّوا السحابة الهجينة، لا تزال هناك عقبات تنظيمية تعرقل التحديث. أولاً، يجب على القادة التقنيين تقدير الأثر المالي الكامل لعملية التحديث مقابل تكاليف عدم التحديث، عبر المؤسسة ككل.. كما يجب عليهم الترويج للتحديث بوصفه مبادرة استراتيجية للأعمال، وليس مجرد مشروع تقني. وعليهم أيضًا معالجة فجوة المهارات عبر إعطاء أولوية لتطوير الكفاءات، والسعي للحصول على دعم ثقافي داخلي لتبنّي التحديث كمبادرة استثمارية استراتيجية طويلة الأمد، لا كخطوة تشغيلية مؤقتة.
بعد ذلك، يحتاج القادة إلى فهم القيمة التجارية التي يمكن أن يقدمها الذكاء الاصطناعي التوليدي لجهود التحديث، وذلك لتحديد مجالات الاستثمار المناسبة. وبحسب خبرة فرق IBM Consulting، فإن المنظمات التي لا تزال في المراحل الأولى من رحلتها نحو التحديث تحتاج إلى منظور واضح حول "فن الممكن" لفهم فوائد وقيمة الأتمتة المدعومة بالذكاء الاصطناعي. أما المنظمات الأكثر تقدمًا في مسيرة التحديث، فهي تسعى إلى وضوح في حالات الاستخدام داخل قطاعها، إضافة إلى الدعم اللازم للتعامل مع الفرص الفريدة.
ضمن عمليات تكنولوجيا المعلومات، تشمل حالات استخدام الذكاء الاصطناعي التوليدي الفرز التلقائي للأنظمة بما يتماشى مع أهداف مستوى الخدمة؛ إدارة الطلبات والاستفسارات والتذاكر، والتواصل، وتقديم الدعم، وحل المشكلات؛ واكتشاف الأحداث والشذوذ وإدارتها. ويمكن للذكاء الاصطناعي التوليدي أن يُحسّن الأتمتة في مجال تكنولوجيا المعلومات من خلال إنشاء وتشغيل دفاتر التشغيل (Runbooks)، ومساعدة المستخدمين على الانتقال إلى قواعد معرفية وبرمجيات جديدة. كما يمكن أن يدعم هندسة المنصات، على سبيل المثال من خلال إنشاء مسارات عمليات التطوير والبرامج النصية لأتمتة البرامج الوسيطة.
يمكن قول المزيد عن عمليات تكنولوجيا المعلومات باعتبارها حجر الأساس لجهود التحديث، ولكننا سنركّز هنا على أربعة مهام سير عمل رئيسية يمكن تطبيق الذكاء الاصطناعي التوليدي عليها:
يجب على مسؤولي المعلومات ومسؤولي التقنية (CIOs وCTOs) مراعاة الفرص السريعة التي يتيحها استخدام الذكاء الاصطناعي التوليدي ضمن هذه الوظائف. ابحث عن فرص واضحة ومنخفضة المخاطر لاستكشاف نماذج إثبات المفهوم (PoCs). ابدأ بخطوة صغيرة، وجرّب، ثم وسّع نطاق الاستخدام.
يُسهم اختيار نماذج الأساس المناسبة في وقت مبكر في تحقيق نتائج أكثر دقة وكفاءة على مستوى المؤسسة.
تُفضل بنية المُحوِّلات النماذج الأكبر حجمًا — فكلما كبر النموذج، كانت النتائج أفضل. هناك سباق في مجال الذكاء الاصطناعي التوليدي لبناء نماذج أساس أكبر حجمًا لتطبيقات أوسع نطاقًا. لكن، وعلى الرغم من قوة النماذج الأكبر، فإن النموذج الضخم الذي يضم مليارات المعلمات قد لا يكون دائمًا الخيار الأفضل للمؤسسات. ففي كثير من الأحيان، يمكن لنموذج أصغر تم ضبطه بدقة لمهمة محددة أن يتفوق على نموذج ضخم لم يتم ضبطه لتلك المهمة. يمكن تشغيل هذه النماذج فوق نماذج لغوية كبيرة (LLMs) عامة، مع قدر ضئيل من التعديل، إذا كانت بنية النموذج الأساس مناسبة للاستخدام المؤسسي. فعلى سبيل المثال، تضم نماذج Granite من IBM عددًا يبلغ 13 مليار معلمة، وهي متوفرة في الإصدار القادم من watsonx.ai. ورغم أنها أصغر بكثير من النماذج اللغوية الكبيرة الأخرى التي تحتوي على مئات المليارات من المعلمات، إلا أنها تؤدي أداءً جيدًا في المهام الخاصة بالأعمال، مثل تلخيص النصوص، والإجابة عن الأسئلة، والتصنيف — وكل ذلك بكفاءة أعلى بكثير.
تتيح نماذج الأساس المصممة لغرض محدد للمؤسسات أتمتة وتسريع جهود التحديث من خلال توليد أجزاء من التعليمات البرمجية وعناصر التطبيقات، إضافة إلى أتمتة اختبار التطبيقات. وبالاستفادة من نماذج التعليمات البرمجية المدمجة في watsonx.ai، يمكن أيضًا استخدام IBM watsonx Code Assistant لتحويل التعليمات البرمجية، على سبيل المثال من COBOL إلى Java. ويتيح Watsonx Code Assistant للمطورين من جميع مستويات الخبرة كتابة الطلبات بلغة طبيعية والحصول على توصيات يتم توليدها باستخدام الذكاء الاصطناعي، أو توليد تعليمات برمجية بناءً على التعليمات البرمجية المصدرية. كما يتضمن watsonx.ai إمكانية الوصول إلى النموذج اللغوي الكبير StarCoder، المُدرَّب على بيانات مفتوحة المصدر من GitHub. ويمكن للمطورين الاستفادة من StarCoder لتسريع توليد التعليمات البرمجية وزيادة الإنتاجية في تحديث التطبيقات وتحديث تكنولوجيا المعلومات.
عند اختيار نموذج أساس، يجب على مسؤولي التقنية (CTOs) النظر إلى ما هو أبعد من الحجم، ومراعاة اللغات الطبيعية ولغات البرمجة التي يدعمها النموذج، ودرجة الضبط التي يحتاجها النموذج.
في مجال الذكاء الاصطناعي التوليدي، لا تزال طرق حساب عائد الاستثمار غير ناضجة أو موحدة، وغالبًا ما تفتقر إلى معايير مقارنة دقيقة. وبالنسبة للتطبيقات المؤسسية، فإن عمليات الضبط الدقيق، وهندسة الموجِّهات، وتشغيل أحمال التشغيل الحسابية الكثيفة تتطلب استثمارًا كبيرًا.
عند اختيار نموذج وتطبيقه، هناك أربعة عوامل رئيسية للتكلفة يجب أخذها في الاعتبار، وتختلف بحسب المجال والقطاع وحالة الاستخدام. العامل الأول للتكلفة هو آلية التسعير أو الترخيص. يتم تقييمها بناءً على استخدام واجهة برمجة التطبيقات (API) عبر السُحب العامة والمدارة، وكذلك تكاليف الاستضافة والحوسبة على السُحب الهجينة والخاصة. أما عامل التكلفة الثاني فهو جهد التطوير، وهو أعلى في بيئات السُحب الهجينة والخاصة، ويرتبط ارتباطًا وثيقًا بالعامل الثالث، وهو أمن بيانات المؤسسة. وأخيرا، ضع في اعتبارك الآثار المحتملة للملكية الفكرية والمخاطر الأمنية. تنخفض هذه المخاطر كلما اتجهت المؤسسات نحو بيئات أكثر تحكمًا، مثل السحابة الهجينة أو الخاصة.
كما تُعد توافر البيانات وحوكمة البيانات من العوامل المهمة التي يجب أخذها في الاعتبار عند تقييم عائد الاستثمار. من خلال مجموعة منتجات الذكاء الاصطناعي watsonx، تُحرز IBM تقدمًا ملحوظًا في تقديم نماذج أساس موجّهة لاحتياجات مستخدمي الأعمال: تُوفّر watsonx.data مستودع بيانات مصممًا لغرض محدد، تم بناؤه على بنية مخزن بحيرة البيانات المفتوحة، مما يُتيح للمؤسسات تخصيص نماذجها أينما وُجدت أحمال التشغيل الخاصة بها. كما تُساعد أدوات watsonx.governance المؤسسات على تعزيز مسارات عمل مسؤولة وشفافة وقابلة للتفسير بكفاءة عبر مختلف وحدات الأعمال.
مع تسارع قدرات واستخدامات الذكاء الاصطناعي التوليدي، يصبح تقدير فوائد عائد الاستثمار كمّيًا تحديًا حقيقيًا. لكن من المنطقي أن يبدأ مسؤولو المعلومات ومسؤولو التقنية (CIOs وCTOs) من مراجعة الطرائق التي حققت بها المنظمات قيمة أعمال عبر الذكاء الاصطناعي التقليدي، ثم استنتاج القيمة المحتملة من خلال حالات الاستخدام التجريبية والنتائج السريعة المرتبطة بالذكاء الاصطناعي التوليدي.
سواء أكانت جزءًا من الممارسات البيئية والاجتماعية وحوكمة الشركات (ESG) الرسمية أو من مهام الشركات، لم تعد الاستدامة مجرّد خيار أخلاقي جيد، بل باتت تُعَدّ بشكل متزايد نهجًا ذكيًا للأعمال. فالشركات التي تتبنى جهود استدامة فعّالة وملتزمة يمكنها تعزيز قيمة أعمالها من خلال تحسين عوائد المساهمين ونمو الإيرادات وزيادة الربحية. لذا من الحكمة أن يضع مسؤولو التقنية التنفيذيون (CTOs) الاستدامة ضمن معايير تقييم تبنّي الذكاء الاصطناعي التوليدي.
إذ إن تدريب نماذج الذكاء الاصطناعي وضبطها وتشغيلها قد يُخلّف أثرًا كربونيًا كبيرًا. وهنا يأتي دور IBM، إذ تساعد في تكييف الذكاء الاصطناعي التوليدي ليتناسب مع احتياجات المؤسسات باستخدام نماذج أساس موثوقة، وقابلة للنقل، وموفّرة للطاقة. ويمكن لتصميم نماذج أصغر واستخدام الموارد الحاسوبية بكفاءة أعلى أن يساهم بشكل كبير في تقليل النفقات والانبعاثات الكربونية. كما يعمل IBM Research على تطوير تقنيات أكثر كفاءة لتدريب النماذج، مثل خوارزمية LiGo التي تُعيد استخدام النماذج الصغيرة ودمجها في نماذج أكبر، مما يوفر ما يصل إلى 70% من الوقت والتكلفة والانبعاثات الكربونية.
أخيرًا، يعتمد نجاح تنفيذ الذكاء الاصطناعي التوليدي على أشخاص يتمتعون بالمهارة والحماسة. ولهذا السبب، ينبغي أن تكون إدارات الموارد البشرية في قلب استراتيجية مؤسستك. ابدأ بإعادة تأهيل مختصي الموارد البشرية أنفسهم، والذين من المرجّح أنهم يستخدمون بالفعل أدوات توظيف مدعومة بالذكاء الاصطناعي. ثم أنشئ مبادرة إدارية رسمية توضح مواقع اختبار الذكاء الاصطناعي التوليدي وتبنّيه داخل المؤسسة، وتتيح فرصة تقديم التعليقات.