الذكاء الاصطناعي على نطاق مؤسسي واسع

إن تسريع دمج الذكاء الاصطناعي عبر المؤسسة يمكن أن يسهم في تحقيق نمو إيجابي للأعمال. تواجه 90% من مبادرات الذكاء الاصطناعي في الشركات صعوبة في تجاوز مراحل الاختبار. تُحرز المؤسسات تقدمًا في مجال علم البيانات، لكنها لا تزال تعجز عن دمج التحليلات المتقدمة والذكاء الاصطناعي/التعلم الآلي وتوسيع استخدامها ضمن عمليات اتخاذ القرار اليومية وفي الوقت الفعلي، وبالتالي لا تتمكّن من جني القيمة الكاملة للذكاء الاصطناعي. سيتطلّب عالم العمل الجديد القائم على العمل عن بُعد تسريع وتيرة التحول الرقمي، ويمكن الاستفادة من الذكاء الاصطناعي/التعلم الآلي لتحقيق ذلك بوتيرة أسرع. وتُسهم هذه القدرات في تحقيق عمليات أعمال أكثر كفاءة، وتجارب عملاء أكثر إقناعًا، وصناعة قرارات أكثر استنارة. ويمكن للمؤسسات تحقيق مكاسب كبيرة عبر سلسلة القيمة من خلال الذكاء الاصطناعي، لكن يتعيّن عليها تطبيقه بالشكل الصحيح منذ البداية، وإلا تعرّضت لمخاطر الغرامات والعقوبات، وازدياد الأخطاء، وتشويه النتائج، وتراجع ثقة مستخدمي الأعمال والسوق على حدّ سواء.

وتفيد الشركات التي توسّع استخدام الذكاء الاصطناعي بشكل استراتيجي بأنها تحقق عائدًا يقارب ثلاثة أضعاف العائد على استثمارات الذكاء الاصطناعي مقارنةً بالشركات التي تكتفي بتجارب إثبات مفهوم معزولة.

تمتلك IBM Services قدرات متكاملة من البداية إلى النهاية لاستخلاص القيمة من الذكاء الاصطناعي. فهي تمكّنك من دفع الابتكار المستدام على مستوى المؤسسة من خلال نماذج ذكاء اصطناعي/تعلّم آلي (AI/ML) قابلة للتوسّع، وصديقة للبيئة، وعملية، وقابلة لإعادة الاستخدام، وليست مجرد تجارب علمية لمرة واحدة. وتهدف خدمات IBM للذكاء الاصطناعي على نطاق واسع إلى توسيع نطاق برامج وتطبيقات الذكاء الاصطناعي الحالية وتحويلها إلى نموذج عمل مؤسسي متكامل. ويستند هذا العرض إلى عدة ركائز تشكّل بمجموعها الحل المتكامل:

نبدأ برؤية ترسِّخ الذكاء الاصطناعي الجدير بالثقة والبيانات الموثوقة بوصفهما عنصرين أساسيين في استراتيجية الأعمال لتحقيق ميزة تنافسية. ونعتمد في ذلك على إطار قياس يهدف إلى توليد قيمة حقيقية من الذكاء الاصطناعي يمكنك أنت وعملاؤك الوثوق بها.

كما نقدِّم الاستشارات ونعمل بالتعاون مع فريقك لبناء نموذج تشغيلي مصمَّم خصيصًا لاحتياجات مؤسستك. ونُدرِك أن كل مؤسسة تختلف عن الأخرى، وأن ما ينجح في مؤسسة قد لا يكون مناسبًا لأخرى. فعلى سبيل المثال، قد يكون النموذج الاتحادي أنسب من النموذج غير الاتحادي في بعض البيئات. ثم نعمل جنبًا إلى جنب معك لتطوير سلسلة من المبادرات التي تولِّد قيمة أعمال قابلة للقياس، من خلال استثمار أصول الذكاء الاصطناعي بواسطة فرق مترابطة وقابلة للتوسّع.

ونوجّه استراتيجيتك في مجال البيانات والتقنية الخاصة بالذكاء الاصطناعي، مع تمكينك من ترحيل وبناء تطبيقات جديدة قائمة على البيانات بالاستفادة من الذكاء الاصطناعي والتعلّم الآلي (AI/ML)، وذلك عبر محفظة من منتجات الذكاء الاصطناعي المرنة بما يكفي لجمع البيانات ودمجها وإدارتها عبر حالات استخدام متعددة، وعلى مختلف المنصات وبيئات السحابة.

نضع عمليات تشغيل الذكاء الاصطناعي بوصفها مكوّنًا أساسيًا وجزءًا حاسمًا من نشر نماذج علم البيانات ونماذج الذكاء الاصطناعي بشكل متكرر ومتّسق وعلى نطاق واسع، مع أربعة أهداف رئيسية: الهندسة، والنشر، والمراقبة، والثقة.

نساعد في تطوير إدارة التغيير لزيادة معدلات تبنّي الذكاء الاصطناعي مع الحدّ الأدنى من المخاطر، من خلال إرساء نموذج نشط لإدارة التغيير على مستوى المؤسسة. يتيح هذا النهج تحديد المعوّقات التي تعترض السُّبل التي يمكن للذكاء الاصطناعي من خلالها خلق قيمة لمؤسستك والتعامل معها.

نسهم كذلك في اختيار مزيج المهارات والأدوار والتشكيل المناسب للفرق داخل منظومة الذكاء الاصطناعي في المؤسسة، وهو عنصر أساسي لتحقيق النضج وقابلية التوسّع.

ومن الجوانب المهمة في خدمات IBM للذكاء الاصطناعي على نطاق واسع أنك لست مضطرًا للبدء من الصفر؛ إذ تعمل IBM ضمن بيئتك القائمة: الأتمتة الذكية لديك، والحوكمة، وإدارة البيانات. ويمكن للعميل الحصول على رؤية شاملة وتحكّم كامل في أحمال التشغيل، أينما كانت تعمل، بما يولّد قيمة حقيقية للأعمال. وبهدف تقليص وقت النشر ووقت الوصول إلى القيمة، مع تقليل المخاطر، تعتمد IBM نهجًا من أربع مراحل لتنفيذ حلول الذكاء الاصطناعي على نطاق واسع:

1. مرحلة التقييم (4-6 أسابيع): التدقيق والتقييم والتخطيط قصير الأجل لتحديد الفجوات في العمليات والأساليب والأدوات الحالية. العمل مع العميل في تعاون مشترك لتنفيذ الحلول الأولى.

2. مرحلة التصميم والتأسيس (4-6 أسابيع): بناء إطار عمل مشترك لتصميم حلول الذكاء الاصطناعي وتوسيع نطاقها وصيانتها. إرساء إطار واضح لقابلية التوسّع، بالتعاون مع العميل، استنادًا إلى البيئة القائمة.

 3. مرحلة الاعتماد (3-4 أشهر): العمل المشترك على تسليم أولى المشروعات. تجريب من 3 إلى 5 نماذج أولية للمنتجات القابلة للإطلاق (MVPs) على الإطار لصقله؛ واستكمال وتثبيت البنية والعمليات والبرنامج. العمل مع العميل في تعاون مشترك لتنفيذ الحلول الأولى. IBM Garage: الابتكار المشترك، والتنفيذ المشترك، والتشغيل المشترك.

التوسيع (جارٍ): تشكيل فريق مسؤول عن التوسيع، وإدارة التعلم الآلي في بيئة الإنتاج. تقديم خدمة ذكاء اصطناعي مُدارة بالكامل للعميل على مستوى المؤسسة، حتى يتمكن من التركيز على تحديات الأعمال.

يُعد RAD-ML إطار عمل من IBM لتسريع انتقال تطبيقات علم البيانات إلى بيئة الإنتاج عبر الأتمتة. بدعم من منهجية Rapid Asset Development – Machine Learning (RAD-ML) وغيرها من الأصول والمسرّعات من IBM، توفّر خدمات IBM للذكاء الاصطناعي على نطاق واسع أطرًا مسؤولة ومتسقة ومبتكرة لاستثمار علم البيانات وبناء نماذج الذكاء الاصطناعي/التعلم الآلي (AI/ML) القابلة للتكرار وإعادة الاستخدام والتنفيذ وقابلة للتوسع. تُقلِّل عروض IBM بشكل كبير من زمن تطوير هذه النماذج، وتُنشئ مسارات عمل لتسريع نشرها في بيئة الإنتاج، مع زيادة كفاءة علماء البيانات لدى العملاء، مما يمكّنهم من التركيز على تحقيق النتائج التجارية المتوقعة والقيام بما يُجيدونه ويستمتعون به أكثر.

تُعد IBM Services for AI at Scale خدمة "consult-to-operate" توفّر وسيلة لدمج نماذج إثبات المفهوم للذكاء الاصطناعي/التعلم الآلي (AI/ML PoCs) في بيئة الإنتاج وتوسيع نطاقها بشكل متسق، إضافة إلى تشغيل هذه النماذج وإدارتها بمرور الوقت. يمكن نشر الأصول المطوّرة وفق إرشادات منهجية RAD-ML بسهولة أكبر على بنية تعلم آلي قابلة للتوسع.

يُعد RAD-ML إطارًا مثبتًا لتطوير أصول تعلم آلي قابلة للتوسع، وتحديد جاهزية الأصول عبر الأبعاد الوظيفية والاستراتيجية، ويمكن استخدامه نقطة انطلاق لأي حل في الذكاء الاصطناعي/التعلم الآلي (AI/ML) إذا لم يكن لدى العميل إطار عمل موحّد. ويمكن الاستفادة منه لتطوير أصول أو وحدات مستقلة لعلم البيانات تُضاف إلى الحلول القائمة. ويساعد على إنشاء أصول للتعلم الآلي تستوفي القدرات الثلاث (قابلة للتنفيذ، قابلة لإعادة الاستخدام، وقابلة للتوسع) باستخدام المفاهيم الرئيسية التالية:

▪يجب دمج أصول التعلم الآلي في العمليات التجارية التي تحقق عائد استثمار مثبت

▪يجب أن تكون أصول التعلم الآلي مرنة بما يكفي لمواءمة سياقات بيانات مختلفة واستثمارات تقنية متنوّعة.

▪يجب أن تستند أصول التعلم الآلي إلى تصميم تقني متين وتصميم لعمليات تشغيل قابلة للتوسّع.

يجب دمج كل مشروع RAD-ML في بيئة العميل القائمة. كما ينبغي إضافة مسرّعات RAD-ML مفتوحة المصدر والمجانية: Brainstem وdash-blocks وarchitecture وقوالب المستندات. ولتحديد بنية موحّدة ومناسبة لعمليات التعلّم الآلي (ML Ops)، لا بد من إعداد عرض تفصيلي للمكوّنات المستهدفة. وسيتم مواءمة هذه المكوّنات المستهدفة مع البنية التحتية الداخلية وإعدادات الأدوات.

يمكن لشركة IBM تنفيذ هذا الإطار المشترك على أي بيئة سحابية تقريبًا، بما في ذلك السحابة المتعددة الهجينة. فيما يلي مثال على كيفية استخدام IBM لأدوات AWS لإنشاء مسار للتعلّم الآلي.

يحل AWS CodeCommit محل مستودع Git التقليدي؛ وهو الموقع الرئيسي الذي تُخزَّن فيه جميع التعليمات البرمجية المستخدمة في المشروع.

يتولّى AWS CodeBuild تشغيل جميع اختبارات الوحدات والاختبارات التكاملية، إضافةً إلى إنشاء ملف tarball من تعليمات Python البرمجية المحدّدة، يمكن نشره لاحقًا داخل حاوية Docker. وينفّذ AWS CodeDeploy سيناريو نشر محدّدًا، مثل إنشاء حاوية Docker، ودفعها إلى مستودع صور Docker، ثم تحميل هذه الصورة في بيئة الإنتاج في النهاية.

يعمل AWS ECR كمستودع لجميع حاويات Docker التي يُنشئها مسار العمل المذكور أعلاه. ويؤدّي دور مستودع للحاويات تمامًا كما يؤدّي AWS CodeCommit دور مستودع لملفات الإعدادات والتعليمات البرمجية المصدرية. هذه هي المرحلة التي يبحث فيها AWS SageMaker عن صورة Docker محددة، عندما يتم تشغيل مهمة تدريب باستخدام المعلمات ذات الصلة من خارج النظام.

يعمل AWS SageMaker بوصفه بيئة التشغيل لجميع مهام التدريب. ويمكن استدعاء AWS SageMaker عبر واجهة برمجة التطبيقات (API) أو من خلال ربط Python. يحدّد المستخدم نوع النموذج المراد تشغيله وموقع بيانات الإدخال والإخراج ذات الصلة. يقبل AWS SageMaker صور Docker التي تحتوي على نقطة دخول (Entry Point) مُعرَّفة مسبقًا تتضمّن تعليمات التدريب البرمجية. ومع ذلك، يمكن أيضًا تشغيل مهام معرَّفة باستخدام TensorFlow أو MXNext أو ONNX. يقدّم SageMaker واجهة مستخدم للإدارة، ويمكن توسيع نطاقه مرنًا لأنه خدمة مُدارة. وبالتالي، يمكن للمستخدم الاختيار من بين مجموعة واسعة من الأجهزة المستخدمة لتدريب نموذج معيّن. يمكن استخدام AWS SageMaker أيضًا لإجراء ضبط المعلمات الفائقة (Hyperparameter Tuning)، ويمكن استدعاء هذه العملية كذلك عبر واجهة برمجة التطبيقات (API). وتقوم الأداة تلقائيًا باختيار أفضل توليفة من المعلمات الفائقة من حيث الأداء. يمكن كتابة نتائج التشغيل مباشرةً إلى S3 أو حتى إلى DynamoDB.

يعمل AWS S3 بوصفه نظام الملفات الأساسي لملفات الإدخال والإخراج. وعادةً ما يُستخدَم S3 لتخزين ملفات بيانات التدريب كبيرة الحجم، كما يمكن استخدامه أيضًا لتخزين النماذج المتسلسلة. ويتكامل AWS S3 بسلاسة مع SageMaker.

يُعد AWS DynamoDB قاعدة بيانات NoSQL قائمة على نموذج المفتاح/القيمة، تُدار بالكامل بواسطة AWS، ويمكن توسيع نطاقها عند الطلب. ويمكن استخدام هذه القاعدة، على سبيل المثال، لتخزين مؤشرات الأداء الرئيسية (KPIs) الناتجة عن تشغيل النموذج، بهدف تتبّع أداء النموذج بمرور الوقت. كما يُستفاد منه أيضًا في دمج معلومات وقت التشغيل والبيانات الوصفية للأداء الخاصة بتشغيل النموذج. يمكن دمج AWS DynamoDB بسلاسة مع QuickSight، وهي أداة لعرض البيانات بصريًا توفّرها AWS.

تُعد AWS Elastic Inference مثيلًا معزَّز الأداء من EC2. يمكن استضافة النماذج التي جرى تدريبها في AWS SageMaker على مثيل EI لاستخدامها في عمليات التنبؤ. ويمكن توسيع الموارد الحاسوبية الأساسية حسب الحاجة.

مسألة الأخلاقيات ليست مشكلة نمذجة فحسب، بل هي أيضًا مشكلة أعمال. 60% من الشركات ترى أن متطلبات الامتثال تشكّل عائقًا أمام نجاح تطبيق الذكاء الاصطناعي، ويرجع ذلك جزئيًا إلى ضعف الثقة بالنظام وضعف فهمه. طوّرت IBM نهجًا ثلاثي المحاور لتعزيز الثقة والشفافية والعدالة، بما يتيح تشغيل حلول الذكاء الاصطناعي وصيانتها وتوسيع نطاقها باستمرار مع الحفاظ على الثقة وتقليل مخاطر العلامة التجارية والسمعة. يمكن لشركة IBM مساعدة العميل في ترسيخ الثقافة التي يحتاج إلى تبنّيها لتوسيع نطاق الذكاء الاصطناعي بأمان، من خلال هندسة الذكاء الاصطناعي باستخدام أدوات تحليل جنائي تتيح فهْم الخوارزميات "الصندوق الأسود"، وكذلك من خلال الحوكمة التي تضمن اتساق الممارسات الهندسية مع هذه الثقافة. ويقع في صلب الذكاء الاصطناعي الجدير بالثقة استخدام أدوات القياس عن بُعد والأدوات الجنائية التي تتمتّع بها IBM بمكانة رائدة في المجتمع، استنادًا إلى أساس من البرمجيات مفتوحة المصدر ومؤسسة ®Linux.

تُبنَى IBM Services for AI at Scale حول مجموعة الأدوات مفتوحة المصدر من IBM Research المسماة AI Fairness 360، إضافةً إلى أوراق معلومات مرافقة. وبذلك يمكن للمطورين مشاركة واستلام أحدث التعليمات البرمجية ومجموعات البيانات المتعلقة باكتشاف تحيز الذكاء الاصطناعي والتخفيف منه. كما أدّت هذه الجهود البحثية في IBM إلى دمج IBM® Watson™ OpenScale، وهو عرض تجاري مُصمَّم لتمكين المؤسسات من بناء حلول قائمة على الذكاء الاصطناعي لاكتشاف تحيز النماذج وإدارته والتخفيف منه.