ما هي أفضل طريقة لربط بيانات عملك بـ AI؟

ملخص سريع

الذكاء الاصطناعي التوليدي يُغير من شكل استخبارات الأعمال من خلال تمكين اتخاذ القرارات الآمن والمدعوم بالبيانات على نطاق واسع، باستخدام أدوات مثل RAG، والذكاء الاصطناعي الوكيل، ومنصات BI المدمجة لتقديم رؤى قابلة للتنفيذ مباشرة للمستخدمين مع حماية المعلومات الحساسة.

الذكاء الاصطناعي التوليدي يعيد كتابة قواعد استراتيجية الأعمال المدعومة بالبيانات. العمليات المرهقة أصبحت مؤتمتة وحوارية، مما يسهل انطلاق حقبة جديدة من “ذكاء القرار”، والتي تتسم بظهور رؤى قوية بشكل بسيط ودقيق في الوقت والمكان المطلوبين. إنه عالم يبرز فيه الذكاء الاصطناعي الاتجاهات التي يحتاجها القادة التنفيذيون لاتخاذ قرارات بسرعة وبثقة.

على مدى العامين الماضيين، شهدنا قفزات هائلة في قدرات ذكاء الأعمال للذكاء الاصطناعي، لكن هناك ملاحظة هامة. قبل أن تتمكن المؤسسات من تبني الذكاء الاصطناعي التوليدي للأعمال، عليها ربط نماذج الذكاء الاصطناعي ببياناتها الحساسة بطريقة لا تتركها معرضة للخطر.

التمثيل البياني، وRAG، وMCP، ومهارات الوكيل من بين الصيغ والبروتوكولات التي تساعد على سد الفجوة، لكن في هذا المجال الناشئ، لم يظهر حل واحد كمعيار صناعي. بالطبع، رفع تقارير مالية سرية ومعلومات شخصية قابلة للتحديد إلى منصة ذكاء اصطناعي عامة مثل ChatGPT هو أمر غير آمن تمامًا كما لو أنك تنشره مباشرة على إنستغرام.

يشرح تشيريل جونز، أخصائية الذكاء الاصطناعي في NetCom Learning، أنه بمجرد أن يمد شخص ما جدول بيانات إلى هذه الخدمات، لا يمكن التنبؤ إذا أو متى قد يتم تسريبه علنًا. “واحدة من أكبر مخاطر أمان ChatGPT هي احتمالية تسرب البيانات عن غير قصد،” تكتب في منشور مدونة. “قد يدخل الموظفون معلومات سرية للشركة، أو بيانات العملاء، أو خوارزميات مملوكة، إلى ChatGPT، والتي يمكن أن تُستخدم بعد ذلك في تدريب النموذج أو تُعرض في مخرجات مستقبلية لمستخدمين آخرين.”

من RAG إلى رؤى BI غنية

بدلاً من سؤال ChatGPT مباشرة، تستثمر العديد من المؤسسات في إنشاء روبوتات دردشة مخصصة مدعومة بنماذج لغة كبيرة (LLMs) متصلة بقواعد البيانات الخاصة بالشركة. إحدى الطرق للقيام بذلك هي استخدام تقنية تُعرف باسم “الاسترجاع المعزز للتوليد” أو RAG، والتي تعزز بشكل ديناميكي معرفة نماذج اللغة الكبيرة من خلال استرجاع ودمج البيانات الخارجية في ردود الذكاء الاصطناعي، مما يحسن دقتها وملاءمتها. إنها طريقة لـ “ضبط” نموذج الذكاء الاصطناعي دون تغيير خوارزمياته أو تدريبه.

تجمع أنظمة RAG البيانات من مصادر خارجية وتقسمها إلى أجزاء صغيرة قابلة للإدارة، مستعينة بالتضمينات الرقمية المخزنة في قاعدة بيانات تمثيلية، مما يجعلها قابلة للبحث بواسطة نماذج اللغة الكبيرة. هذا يسمح لنموذج اللغة الكبيرة بعرض أجزاء البيانات ذات الصلة باستعلام المستخدم، قبل إضافتها إلى الطلب الأصلي ليتمكن من توليد استجابة مستنيرة بالبيانات المرتبطة.

يشرح هيلين زورافيل، مديرة حلول المنتجات في Binariks، أن “أساس أي تنفيذ ناجح لنظام RAG هو بنية معمارية معيارية تربط البيانات الخام بنموذج اللغة من خلال استرجاع ذكي.” “يسمح هذا الهيكل للفرق بالحفاظ على دقة الردود، وتحديثها، وارتكازها على المعرفة الداخلية، دون الحاجة لإعادة تدريب النموذج مع كل تحديث.”

لكن RAG ليست محصنة ضد مشكلات الأمان المرتبطة بإدخال البيانات مباشرة إلى روبوتات الدردشة الذكية، وليست حلاً كاملاً. فـ RAG وحدها لا تمكن نماذج اللغة الكبيرة من تقديم ذكاء أعمال تقليدي، حيث لا تزال النماذج مصممة لإخراج رؤاها بطريقة حوارية. لا تحتوي RAG على جميع مكونات منصات BI التقليدية. ولتوليد تقارير تفاعلية وشاملة، ستحتاج المؤسسات أيضًا إلى دمج منطق أعمال شامل، ومحرك تصور البيانات، وأدوات إدارة البيانات مع نموذج اللغة الكبير.

جاهز للاستخدام: GenBI جاهز في علبة

لحسن الحظ، لدى المؤسسات خيار شراء أنظمة ذكاء اصطناعي توليدي جاهزة مثل Amazon Q في QuickSight، وSisense، وPyramid Analytics، والتي تبدو وتشعر أكثر كمنصات BI تقليدية. الفرق هو أنها مدمجة أصلاً مع نماذج اللغة الكبيرة لتعزيز سهولة الوصول.

بفضل بنيتها التحتية القابلة للتوصيل والتشغيل، يمكن لـ Pyramid Analytics ربط نماذج لغة كبيرة من طرف ثالث مباشرة بمصادر البيانات مثل Databricks، Snowflake، وSAP. هذا يلغي الحاجة لبناء خطوط أنابيب بيانات إضافية أو تنسيق البيانات بطريقة خاصة. ولحماية المعلومات الحساسة، تتجنب Pyramid إرسال أي بيانات خام إلى نموذج اللغة الكبير على الإطلاق.

يشرح Avi Perez، المدير التقني لـ Pyramid، في منشور مدونة أن استعلامات المستخدم منفصلة عن البيانات الأساسية، مما يضمن عدم مغادرة أي شيء لبيئة العميل المُتحكم فيها. “المنصة تمرر فقط الطلب بلغة طبيعية والسياق اللازم لنموذج اللغة لتوليد الوصفة المطلوبة للإجابة على سؤالك،” يوضح.

على سبيل المثال، إذا سأل شخص ما عن المبيعات والتكاليف عبر مناطق مختلفة، فإن Pyramid سيمرر فقط الاستعلام والمعلومات المحدودة إلى نموذج اللغة الكبير، مثل البيانات الوصفية، والمخططات، والنماذج الدلالية اللازمة للسياق. “البيانات الفعلية نفسها لا تُرسل،” يقول Perez. “سيستخدم نموذج اللغة قدراته التفسيرية ليرسل لنا ردًا مناسبًا، والذي ستستخدمه محرك Pyramid بعد ذلك لكتابة السكريبت، والاستعلام، والتحليل، وبناء المحتوى.”

تتعامل منصات ذكاء الأعمال التوليدية الأخرى مع اتصال الذكاء الاصطناعي بقاعدة البيانات بشكل مختلف. فـ Amazon Q في QuickSight يعالج قضايا الأمان من خلال إبقاء كل شيء معزولًا داخل بيئات AWS. بالإضافة إلى ذلك، تعد Amazon بعدم استخدام مطالبات واستعلامات العملاء لتدريب النماذج الأساسية التي تدعم Amazon Q، لمنع تسرب البيانات بهذه الطريقة.

تجعل منصات ذكاء الأعمال التوليدية الذكاء الاصطناعي متاحًا وسهل التنقل. لأنها توفر واجهات حوارية، يمكن للمستخدمين غير التقنيين التفاعل معها باستخدام مطالبات باللغة الطبيعية لاستكشاف الإجابات التي يحتاجونها. كما يمكنهم استخدام الذكاء الاصطناعي لبناء لوحات معلومات وتصويرات تلقائيًا، والتي يمكن أن تساعد المستخدمين الذين يحتاجون إلى استكشاف بياناتهم بشكل أعمق.

يمكن للمستخدمين حتى توليد تقارير كاملة وملخصات سياقية، وتحويل البيانات الثابتة إلى قصص قابلة للتفسير، مما يسهل فهم الاتجاهات والشمات.

رؤى قابلة للتنفيذ مع ذكاء الأعمال الوكيل

لجعل ذكاء الأعمال أكثر قابلية للتنفيذ، اختارت بعض المؤسسات تطبيق خطوط أنابيب RAG مع تقنيات “الذكاء الاصطناعي الوكيل” الأساسية مثل مهارات الوكيل وبروتوكول سياق النموذج (MCP). الهدف هو تحويل BI من أداة تقارير سلبية إلى نظام مستقل يفهم الرؤى الرئيسية ويمكنه حتى تنفيذ المهام بناءً على ما يكتشفه.

تشير مهارات الوكيل إلى مكتبة قدرات معيارية طورتها شركة Anthropic تتيح لوكلاء الذكاء الاصطناعي أداء إجراءات محددة، مثل إنشاء ملفات PDF، واستدعاء واجهة برمجة تطبيقات معينة، أو إجراء حسابات إحصائية معقدة. يمكن تفعيل هذه المهارات بواسطة الوكلاء عند الحاجة، مما يسمح لهم بأداء الأعمال نيابة عن البشر.

وفي الوقت نفسه، MCP هو معيار عالمي مفتوح يربط نماذج اللغة الكبيرة بمصادر البيانات الخارجية والأدوات البرمجية. يتيح لوكلاء الذكاء الاصطناعي الوصول إلى أنظمة وأدوات مباشرة بطريقة آمنة ومنظمة، دون الحاجة لبناء موصلات مخصصة.

تتوافق هذه التقنيات وتتكامل لتشكيل نوع جديد من سير عمل ذكاء الأعمال الوكيل. إذا سأل المستخدم عن شيء مثل “لماذا انخفضت المبيعات في الجنوب؟”، سيستخدم الوكيل MCP لاسترجاع السياق المحدد المطلوب للإجابة، مثل دور المستخدم وصلاحيات الوصول، والتقارير السابقة التي تم الوصول إليها، والبيانات الحية من منصة إدارة علاقات العملاء (CRM) الخاصة بالشركة.

ثم، سيستخدم الوكيل RAG لاسترجاع البيانات ذات الصلة، مثل خطط التسويق الإقليمية، ونصوص الاجتماعات، وما إلى ذلك، لتحديد أسباب انخفاض المبيعات. بعد العثور على الإجابة، سيستخدم الوكيل مهارات الوكيل لاتخاذ إجراءات، مثل توليد تقرير ملخص، وإشعار فريق المبيعات المسؤول، وتحديث التوقعات المالية في نظام تخطيط موارد المؤسسات (ERP).

تؤمن Aruna Ravichandran، مديرة التسويق في Cisco، بقوة بذكاء الأعمال الوكيل وإمكاناته لجعل “الذكاء المترابط” سائدًا في مكان العمل. “في هذا العصر الجديد، يحدث التعاون بدون احتكاك،” يتوقع. “العمال الرقميون يتوقعون الاحتياجات، وينسقون المهام في الخلفية، ويحلّون المشكلات قبل أن تظهر.”

على الرغم من التفاؤل، لا تزال RAG وMCP ومهارات الوكيل في المرحلة التجريبية، والكثيرون متشككون بشأن اعتمادها على المدى الطويل. لا يوجد إطار عمل موحد لبناء سير عمل ذكاء الأعمال الوكيل، لذلك، على الأقل في الوقت الحالي، ستظل حصرية للمؤسسات الكبرى التي تملك الموارد والموهبة المخصصة لمثل هذه المشاريع.

الجميع يحصل على اتخاذ قرارات معززة بالذكاء الاصطناعي

الوصول إلى بيانات نماذج اللغة الكبيرة، من ناحية، هو عقبة في الطريق نحو الذكاء القرار الحقيقي، حيث يمكن لأي شخص أن يبرز رؤى قوية في اللحظة التي يحتاجها فيها. بمجرد حل هذه المشكلة، لن يقتصر اتخاذ القرارات على فرق التحليل أو الإدارة التنفيذية، بل سيصبح جزءًا من نسيج العمليات التجارية اليومية.

يزداد عدد الموظفين المشاركين في حل المشكلات الاستراتيجية، وهو أمر ذو تداعيات عميقة. المؤسسات التي تدمج بياناتها بنجاح مع تحليلات مدعومة بالذكاء الاصطناعي تحول بشكل أساسي المعلومات المؤسسية من أصول معزولة إلى لغة اتخاذ القرار الحاسمة التي يتحدث بها كل موظف.