إدارة البيانات القائمة على الذكاء الاصطناعي الوكيل: التطور التالي للنظام البنائي لبيانات المؤسسة

توجد وكلاء الذكاء الاصطناعي في كل مكان حولنا. فهذه الأنظمة تؤدي المهام بصورة مستقلة مع تدخل بشري محدود، وغالبًا بطرق بالكاد نلاحظها.

تأمل مثلًا المركبات ذاتية القيادة: فهي تستشعر محيطها، وتقيّم السياق، وتتخذ قرارات في أجزاء من الثانية في الوقت الفعلي. وهي لا تتنقل لأن شخصًا ما وضع تعليمات برمجية لكل سيناريو محتمل، بل لأنها تفسّر الإشارات باستمرار وتتكيف مع تغيّر البيئة.

والآن تخيل إدخال هذا المستوى نفسه من الذكاء إلى برنامج بيانات المؤسسة. آلاف مجموعات البيانات. ملايين السجلات. مليارات القرارات القائمة على البيانات.

تجعل إدارة البيانات القائمة على الذكاء الاصطناعي الوكيل (ADM) هذا المستوى من التنسيق ممكنًا. ومن خلال قدرات صناعة القرار لدى الوكلاء المدعومين بالذكاء الاصطناعي، بدأت المؤسسات في إعادة ابتكار كيفية معالجة بياناتها وحوكمتها واستخدامها.

وتستخدم إدارة البيانات القائمة على الذكاء الاصطناعي الوكيل وكلاء الذكاء الاصطناعي لتنسيق برنامج بيانات المؤسسة بالكامل وتحسينه.¹ وهذا يشمل:

• بناء مسارات البيانات
• اكتشاف مصادر البيانات
• توفير التخزين وتصنيفه إلى طبقات
• الحفاظ على الاتساق الدلالي
• فرض الحوكمة وضوابط الوصول
• مراقبة جودة البيانات وسلامتها
• تحسين أحمال التشغيل والأداء
• إنتاج التحليلات ورؤى ذكاء الأعمال

بدلًا من الاعتماد على مهام سير عمل جامدة، تستخدم ADM وكلاء متخصصين لإضفاء الذكاء على كل مرحلة من مراحل دورة حياة البيانات. ويمكن للنظام فهم المقصود، وتحديد البيانات والسياسات المعنية، وتكييف العمليات تلقائيًا مع تغير الظروف.

وتتحقق كثير من هذه القدرات بفضل النماذج اللغوية الكبيرة (LLMs)، التي توفر طبقة الاستدلال داخل الوكلاء. وتستخدم النماذج اللغوية الكبيرة (LLMs) معالجة اللغة الطبيعية لفهم المقصود وترجمته إلى استراتيجية بيانات منسقة، على غرار الطريقة التي تفسر بها أدوات مثل ChatGPT أو Google Gemini الموجِّهات. وهي تستند إلى البيانات الوصفية، ودورة حياة البيانات، والتعلم الآلي، وقواعد الأعمال لتحديد البيانات ذات الصلة، وكيف ينبغي التحقق منها وحوكمتها، وكيف ينبغي إعدادها للتحليلات اللاحقة.

ومن هناك، يحدد النظام الوكيل الخطوات المطلوبة لإنجاز مهمة البيانات. وقد يشمل ذلك الوصول إلى المصادر، وفرض السياسات، وتحسين أحمال التشغيل، وإدارة سلوكيات التخزين، وفي نهاية المطاف إنتاج مخرجات موثوقة.

وما يميز ADM عن إدارة البيانات التقليدية هو قدرته على التكيف الذاتي والتطور استنادًا إلى السياق. فهو يتعلم باستمرار من الإشارات ويعدّل نفسه مع تغير الظروف، بدلًا من التعامل مع مهام سير العمل على أنها عناصر ثابتة.

فعلى سبيل المثال، قد يقدّم مدير سلسلة التوريد التعليمات التالية: "راقب الموجزات الواردة وعالج السجلات المكررة عند ظهورها." ومع ورود طلبات جديدة، يفسر النظام المدعوم بالذكاء الاصطناعي المقصود ويكيّف خطته في الوقت الفعلي، فيدمج السجلات، ويرصد أوجه عدم الاتساق، ويفوض المهام إلى الوكلاء مع تغير الظروف.

وعلى الرغم من أن هذا النهج لا يزال ناشئًا، فإن المؤسسات تستخدم بالفعل ADM لتحسين موثوقية بياناتها وكفاءتها التشغيلية من خلال ما يلي:

• جودة البيانات المؤتمتة والتحقق منها: اكتشاف انحراف البيانات، وأوجه عدم الاتساق، والتغيرات غير المتوقعة أثناء انتقال البيانات عبر المؤسسة.

• تكامل البيانات عبر الخدمة الذاتية: تحويل طلبات التكامل باللغة الطبيعية إلى مسارات محكومة وجاهزة للاستخدام.

• مواءمة البيانات: الحفاظ على اتساق أنظمة إدارة علاقات العملاء (CRM)، وسلسلة التوريد، والأنظمة المالية مع تغير التعريفات أو القواعد.

• امتثال البيانات أثناء انتقالها: ضمان بقاء البيانات متوافقة أثناء انتقالها، باستخدام ضوابط مستمرة قائمة على إمكانية ملاحظة البيانات لفرض متطلبات الجودة، ودورة حياة البيانات، والمتطلبات التنظيمية.

• الإثراء الواعي بالسياق: تحديث التصنيفات والسمات مع تطور منطق الأعمال.

• تحسين التنسيق: ضبط مسارات التنفيذ بناءً على التكلفة أو الأداء أو ظروف النظام.

تنتج المؤسسات اليوم بيانات عبر عدد من الأنظمة يفوق أي وقت مضى. ولكن مع ارتفاع الأحجام وتحول البنى إلى نماذج أكثر هجينة وتوزعًا، لا تزال كثير من المؤسسات تواجه تحديًا لتحويل هذه البيانات المعقدة إلى رؤى موثوقة وفي الوقت الفعلي. وفي الواقع، تقر 76% من الشركات بأنها اتخذت قرارات من دون الرجوع إلى البيانات بسبب صعوبة الوصول إليها.

وتعتمد أساليب إدارة البيانات التقليدية بدرجة كبيرة على التدخل اليدوي البشري، مما يجعلها بطيئة في التكيف عندما تتغير المخططات، أو تتطور المقاييس، أو يتغير المنطق التشغيلي. وتكتسب إدارة البيانات القائمة على الذكاء الاصطناعي الوكيل زخمًا متزايدًا لأنها تعالج عدة ضغوط نظامية لا تستطيع الأساليب القديمة مواكبتها، ومنها:

كما تواجه برامج البيانات الحديثة تحديات هيكلية في البيانات لا تستطيع الأساليب اليدوية معالجتها. وتعتمد أكثر من 50% من المؤسسات على ثلاث أدوات أو أكثر لتكامل البيانات، ما يخلق مهام سير عمل مجزأة ومنطقًا غير متسق بين الفرق. ويؤدي هذا التشتت إلى مشكلات أوسع نطاقًا: إذ تأتي فحوصات الجودة متأخرة، وتتباين قواعد حوكمة البيانات بين الأنظمة، وتظل الانقطاعات في دورة حياة البيانات من دون اكتشاف، وتفقد التعريفات الدلالية اتساقها. وفي الواقع، 77% من المؤسسات تفتقر إلى الكفاءات اللازمة لإدارة هذا القدر من التعقيد.

وتؤثر هذه الضغوط مباشرة في فرق البيانات. ويقضي المهندسون ما بين 10% و30% من وقتهم في اكتشاف مشكلات البيانات، وما بين 10% و30% إضافية في معالجتها، أي أكثر من 770 ساعة سنويًا لكل مهندس، أو ما يزيد على 40,000 USD من الهدر في تكاليف العمل. في الوقت نفسه، ينتظر المحللون ومستخدمو الأعمال في المتوسط من أسبوع إلى أربعة أسابيع للحصول على البيانات التي يحتاجون إليها، لأن مهام التكامل تكون معزولة أو متعثرة.

تمثل إدارة البيانات القائمة على الوكلاء تحولًا في الطريقة التي تضمن بها المؤسسات دقة البيانات وجودتها وسلامتها على نطاق واسع. وبدلًا من برمجة كل عملية تحويل أو الإبقاء على قواعد جامدة، يمكن للمؤسسات الاستعانة بوكلاء الذكاء الاصطناعي لتوسيع نطاق إنشاء المسارات، وتبسيط عمليات البيانات، وتقليل الاختناقات، والحفاظ على بيانات عالية الجودة مع عدد أقل بكثير من التدخلات اليدوية. ومع عمليات أكثر كفاءة وبيانات موثوقة عبر دورة الحياة بأكملها، تستطيع فرق البيانات التركيز على الاستراتيجية بدلًا من إعادة العمل.

تجمع إدارة البيانات القائمة على الوكلاء بين أربعة عناصر أساسية، يتيح كلًّا منها طبقة منسقة من نماذج الذكاء الاصطناعي والوكلاء والتقنيات الدلالية:

• تفسير المقصود
• تنفيذ الخطط
• تطبيق السياق الدلالي
• فرض الحوكمة

عندما يقدّم المستخدم موجّهًا أو طلبًا، يستخدم الوكيل قدراته الاستدلالية لتفسير المقصود. ويضع خطة تحدد أصول البيانات المطلوبة، وقواعد الحوكمة، والاعتبارات الدلالية، وعمليات التحقق، والخطوات التشغيلية. ثم يقيّم وكلاء آخرون هذه الخطة من منظور مجالاتهم المتخصصة، فيؤكدون النماذج المطلوبة، وقواعد الأعمال، ودورة حياة البيانات، والاعتماديات، وبيانات الفهارس الوصفية قبل بدء أي إجراء.

ويقلل هذا التنسيق بدرجة كبيرة من حاجة الفرق إلى ربط العمليات يدويًا عبر دورة حياة البيانات، ما يختصر الوقت اللازم لإتاحة البيانات لأغراض التحليلات ويجعل عمليات البيانات أكثر اتساقًا مع أهداف الأعمال. كما يمكن للوكلاء إبراز أوجه الغموض والتحقق من صحة الافتراضات، مع دمج استراتيجية البيانات وسياسات الحوكمة مباشرةً في الخطة المقترحة.

بعد ذلك، ينفذ وكلاء الذكاء الاصطناعي العمل المحدد في الخطة. يصل الوكلاء إلى البيانات عبر الأنظمة ويفسرونها، ويطبقون فحوصات الحوكمة والجودة، ويديرون سلوك التخزين، وينفذون خطوات معالجة البيانات، ويُعدّون المخرجات للاستخدام في المراحل اللاحقة. كما يمكن للوكلاء التحسين من حيث التكلفة أو زمن الانتقال، وتكييف العمليات عند تعطل الأنظمة، وربط الاعتماديات عبر النظام البنائي للبيانات.

ومع وجود هذا العدد الكبير من العناصر المتحركة، يساعد وكلاء الذكاء الاصطناعي على ضمان بقاء عمليات البيانات موثوقة مع تطور المخططات أو تغير أحمال التشغيل. كما يقللون المهام المتكررة والمستهلكة للوقت عبر دورة حياة البيانات، ويحسنون قابلية التوسع في مبادرات بيانات المؤسسة.

وتصف أنظمة البيانات الوصفية التقليدية البنية من خلال رصد الحقول، والتنسيقات، وتعريفات المخططات. وعلى النقيض من ذلك، يمكن لقاعدة بيانات المتجهات أن تعمل بوصفها طبقة دلالية، إذ ترصد المعنى من خلال تمثيل كيفية ارتباط عناصر البيانات والسياق الذي تُستخدم فيه. فأحدهما يحدد الشكل، بينما يكشف الآخر عن نسيجها.

وتخزن قواعد بيانات المتجهات تمثيلات متجهية تمثل المقاييس، ومجموعات البيانات، ومصطلحات الأعمال في صورة متجهات رياضية. ويتيح ذلك للأنظمة القائمة على الوكلاء قياس التشابه، وكشف العلاقات الدلالية، ورصد التحولات في المعنى، حتى عندما يظل المخطط كما هو.

وتتيح الطبقة الدلالية ما يلي:

• التحولات الواعية بالسياق
• الكشف عن الخلل
• كشف الانجراف الدلالي
• التحقق من صحة قواعد الأعمال
• المواءمة عبر فهرس البيانات

وتُعد الحوكمة الفعالة أساسًا لإدارة البيانات القائمة على الوكلاء. فبدلًا من الاعتماد على المراجعات اليدوية، تطبق هذه الأنظمة على نحو مستمر ضوابط السياسات والجودة والأمن مع انتقال البيانات خلال دورة حياتها. كما تُطبق قواعد التحقق من الصحة وضمانات السلامة أثناء التنفيذ لضمان بقاء المخرجات دقيقة وموثوقة عبر النظام البنائي لبيانات المؤسسة.

بل إن بعض المؤسسات بدأت تنشر وكلاء إشراف خفيفي الوزن، وهم وكلاء صغار يراقبون سلوك المسارات وصحتها في الوقت الفعلي، للحفاظ على قابلية الملاحظة ورصد المشكلات قبل أن تؤثر في سير العمل اللاحق. ويساعد هذا الإشراف الإضافي على الحفاظ على سرعة المسارات المؤتمتة وموثوقيتها وتوافقها مع معايير إدارة بيانات المؤسسة.

وتتكامل هذه المكونات في سير عمل مغلق الحلقة يجمع بين القصد البشري، والتخطيط القائم على النماذج اللغوية الكبيرة، والتنفيذ المنسق بالذكاء الاصطناعي، والتحقق المستمر. وقد يبدو التفاعل النموذجي على النحو التالي:

1. يحدد المستخدم المطلوب: يقدّم المستخدم توجيهًا باللغة الطبيعية، مثل: "ادمج بيانات CRM وبيانات سلسلة التوريد واكتشف الخلل."
2. تُعدّ الخطة: يحلل وكيل تخطيط مدعوم بنموذج لغوي كبير هذا التوجيه، ويحدد مجموعات البيانات ذات الصلة، ويضع استراتيجية تنفيذ تتماشى مع سياسات الحوكمة واستراتيجية البيانات.
3. تُنفَّذ الخطة: يتصل الوكلاء المتخصصون بالأنظمة، ويجلبون البيانات من المستودعات وواجهات برمجة التطبيقات (APIs)، ويُوائمون المخططات، ويطبقون التحويلات، ويتحققون من صحة المخرجات، ويثرون السمات، وكل ذلك في الوقت الفعلي.
4. يفرض النظام الضوابط أثناء التشغيل: تُطبَّق سياسات حوكمة البيانات والفحوصات الدلالية تلقائيًا في كل خطوة. تراقب منطقية الإشراف سير العمل: تراقب طبقة الوكلاء المسؤولة عن التقييم وفرض الضوابط النشاط في الوقت الفعلي، وتمنع أي إجراءات تخالف المعايير.
5. يتكيف سير العمل مع التغيرات: إذا تغيّر المخطط، أو تعطّل أحد الاعتماديات، أو تطور تعريف من تعريفات الأعمال، يعيد النظام تخطيط الخطوات ويعدل نمط التنسيق.

وعلى الرغم من أن هذين النهجين يُعرضان كثيرًا كما لو كانا متنافسين، فإن إدارة البيانات القائمة على الذكاء الاصطناعي الوكيل تعزز في الواقع إدارة البيانات الرئيسية (MDM) بجعلها أكثر ديناميكية.

فإدارة البيانات الرئيسية تحدد كيانات المؤسسة، وتضع قواعد الحوكمة، وتحافظ على الاتساق عبر أنظمة السجلات. ويساعد على إنشاء "السجل الذهبي" — وهو مصدر واحد للحقيقة يدمج البيانات من مصادر متنوعة — بحيث يعمل الجميع في المؤسسة استنادًا إلى المعلومات نفسها.

ويفعّل ADM هذه الأسس عمليًا من خلال التحقق من صحتها أثناء انتقال البيانات، وتطبيقها على امتداد برنامج البيانات بأكمله، والتكيف عند تغير الظروف.

ويختلف النهجان في عدة جوانب مهمة:

وفي عصر الأعمال السلسة التي تجري في الوقت الفعلي، تتحول إدارة البيانات من مهام سير عمل جامدة قائمة على القواعد إلى سلوك متكيّف موجَّه بالمقاصد. وتشير أبحاث IBM في مجالات الذكاء الاصطناعي، وجاهزية البيانات، ونماذج التشغيل، إلى ثلاثة تحولات رئيسية تشكّل هذا المشهد الجديد لإدارة البيانات.

وينقل الذكاء الاصطناعي الوكيل مهام سير العمل إلى ما هو أبعد من التعليمات البرمجية الثابتة، نحو سلوك متكيّف وواعٍ بالسياق. فالمسارات ستستجيب للتغيرات في البيانات الوصفية، وقواعد الأعمال، وأحمال التشغيل، وقيود الحوكمة، فتعدّل مسار تنفيذها بدلًا من أن تتعطل عند تغير الظروف.

وفي هذه البنى القائمة على الوكلاء، تحل أنظمة الوكلاء المتعددين محل المنصات المتجانسة؛ إذ يتولى وكلاء متخصصون استيعاب البيانات، والجودة، وتتبع مسار البيانات، أو التحسين، بينما يحافظ وكيل إشرافي على اتساق التنفيذ مع المقصد والسياسات.

تعتمد البيانات الجاهزة للذكاء الاصطناعي ليس فقط على دقة المخطط، بل أيضا على الاتساق الدلالي. غالبًا ما ترجع مشكلات جودة البيانات اليوم إلى انحراف المخطط، لكن مشكلات الغد ستنبع من الانحراف الدلالي، أي من تغيّر المعاني التجارية من دون حدوث تغييرات هيكلية. ومع تغير شرائح العملاء أو تطور التسلسلات الهرمية للمنتجات، ستحتاج الأنظمة القائمة على الوكلاء إلى رصد أوجه عدم الاتساق في المعنى، لا في التنسيق وحده.

وأصبحت الذاكرة الدلالية، والفهم القائم على المتجهات، والتحقق المراعي للسياق عناصر أساسية للحفاظ على بيانات موثوقة وجاهزة للذكاء الاصطناعي.

ومع نضج نماذج التشغيل القائمة على الوكلاء، ينتقل مهندسو البيانات من كتابة التحويلات يدويًا إلى الإشراف على الأنظمة المستقلة. وهذا يعني تصميم الضوابط، ومراجعة قرارات الوكلاء، ومعالجة الحالات الحدّية المستجدة عند ظهورها.

ويجعل هذا التحول قابلية التفسير عنصرًا أساسيًا في النموذج؛ إذ تصبح مسارات الاستدلال، والسجلات القابلة للتدقيق، ونقاط التحقق التي تُبقي الإنسان ضمن دورة العمل متطلبات ضرورية لتحقيق الثقة والامتثال.