Finaira عماد الششتاوي – مدير هندسة خدمات الذكاء الاصطناعي في
المقدمة
غالبًا ما تبدأ النقاشات حول الذكاء الاصطناعي بعناوين الوظائف: عالم بيانات، مهندس ذكاء اصطناعي، مهندس تعلم آلي ويُفترض أن اختيار المسمى الوظيفي الصحيح سيقود تلقائيًا إلى نتائج ناجحة في مشاريع الذكاء الاصطناعي.
لكن في الواقع، نجاح أو فشل مبادرات الذكاء الاصطناعي يعتمد على أمر أكثر جوهرية بكثير: نوع المشكلة التي يتم حلها. نادرًا ما تكون مشكلات الذكاء الاصطناعي في المجال المالي أحادية البعد، بل تقع عند تقاطع عدم اليقين في البيانات، وصنع القرار، والأنظمة البرمجية. وعندما يتم تصميم الفرق بناءً على الأدوار الوظيفية بدلًا من طبيعة المشكلات، تجد المؤسسات نفسها أمام مبادرات متعثرة، أو حلول هشة، أو أنظمة لا تصل أبدًا إلى مرحلة التشغيل الفعلي.
السؤال الحقيقي ليس ما إذا كانت الشركة بحاجة إلى عالم بيانات أم مهندس ذكاء اصطناعي، بل ما نوع المشكلة التي تحاول المؤسسة حلها.
طيف البيانات إلى البرمجيات
تقع مشكلات الذكاء الاصطناعي على طيف واسع. في أحد طرفيه توجد المشكلات المعتمدة على البيانات، والتي تتسم بعدم اليقين، والإشارات المليئة بالضوضاء، والحاجة إلى الاستكشاف. وفي الطرف الآخر توجد المشكلات المعتمدة على البرمجيات، حيث تكون الموثوقية والحتمية وسلوك النظام هي الأهم.
على هذا الطيف، يميل علماء البيانات بطبيعتهم إلى الجانب المعتمد على البيانات. تكمن قوتهم في فهم البيانات، واكتشاف الأنماط، وتقليل عدم اليقين. في المقابل، يميل مهندسو الذكاء الاصطناعي إلى الجانب المعتمد على البرمجيات، حيث يكون بناء أنظمة موثوقة ودمج الذكاء في العمليات الواقعية أمرًا حاسمًا.
لا يمثل هذا حدًا صارمًا. فالممارسون الأقوياء قادرون على التحرك عبر هذا الطيف. يمكن لعالم البيانات كتابة شيفرة جاهزة للإنتاج، ويمكن لمهندس الذكاء الاصطناعي تدريب النماذج وتقييمها. التمييز هنا لا يتعلق بالقدرة، بل بالمجال الذي تم تحسين كل دور فيه لتحقيق القيمة بكفاءة.
المسمى الوظيفي لا يحدد السقف، بل يحدد مركز الثقل.
أنواع المشكلات وليس المسميات الوظيفية
إعادة صياغة العمل في الذكاء الاصطناعي حول أنواع المشكلات بدلًا من الأدوار الوظيفية توضح أين تكون كل قدرة أكثر فاعلية.
المشكلات المعتمدة على البيانات
تتسم المشكلات المعتمدة على البيانات بالغموض والحاجة إلى الاستكشاف. ويتمثل التحدي الأساسي في فهم ما إذا كانت هناك إشارات مفيدة من الأساس.
تشمل الأمثلة استكشاف التنبؤ بالطلب، واكتشاف إشارات المخاطر، وتحليل سلوك العملاء. في مثل هذه المشكلات، تكون عملية اكتشاف السمات، والانضباط الإحصائي، وتقدير عدم اليقين أهم من بنية النظام البرمجية.
يتفوق علماء البيانات في هذا المجال لأنهم يقللون من الغموض ويساعدون المؤسسات على تجنب الاستثمار في مشكلات لا يمكن حلها بشكل موثوق بالاعتماد على البيانات.
المشكلات المعتمدة على البرمجيات
تتسم المشكلات المعتمدة على البرمجيات بقيود تشغيلية واضحة. قد يكون الذكاء موجودًا بالفعل، لكن التحدي يكمن في تشغيله بشكل موثوق وعلى نطاق واسع.
تشمل الأمثلة محركات اتخاذ القرار في الزمن الحقيقي، وسير العمل المؤتمت، ودمج الذكاء الاصطناعي داخل الأنظمة التشغيلية. هنا تكون عوامل مثل زمن الاستجابة، والاستقرار، وقابلية المراقبة، والتحكم في التكلفة بالغة الأهمية.
يتفوق مهندسو الذكاء الاصطناعي في هذا المجال لأنهم يقللون المخاطر التشغيلية ويضمنون أن يكون السلوك الذكي موثوقًا في بيئات الإنتاج.
المشكلات الهجينة: واقع الذكاء الاصطناعي المالي
معظم مشكلات الذكاء الاصطناعي المؤثرة في المجال المالي هي مشكلات هجينة، تجمع بين عدم اليقين الناتج عن البيانات والقيود التشغيلية الصارمة.
تشمل الأمثلة التنبؤ بالطلب النقدي مع قرارات إعادة التغذية، أو كشف الاحتيال المقترن باستجابات مؤتمتة، أو تقييم المخاطر المرتبط بإجراءات قائمة على السياسات.
لا يمكن حل هذه المشكلات بواسطة النماذج التنبؤية وحدها أو الأنظمة البرمجية وحدها، بل تتطلب حلولًا متعددة الطبقات.
الذكاء الاصطناعي التنبؤي والذكاء الاصطناعي الوكيلي معًا
لننظر إلى مشكلة تشغيلية مالية تتطلب تقدير الطلب أو المخاطر المستقبلية واتخاذ إجراءات ضمن قيود محددة.
تركز الطبقة التنبؤية على التقدير، حيث تقوم النماذج بتوقع النتائج، وقياس عدم اليقين، والتعلم المستمر من البيانات الجديدة. وترتبط هذه الطبقة بطبيعتها بقدرات علم البيانات.
أما الطبقة الوكيلية فتركز على التنفيذ، حيث تطبق الوكلاء القواعد التجارية، وتفرض القيود، وتنسق الخطوات عبر الأنظمة، وتقرر متى وكيف يتم التصرف. وترتبط هذه الطبقة بطبيعتها بقدرات هندسة الذكاء الاصطناعي.
تُغذي التنبؤات عملية اتخاذ القرار، بينما تقوم الأنظمة الوكيلية بتشغيلها عمليًا. ومعًا يشكلان نظامًا متكاملًا لصنع القرار بدلًا من مكونات معزولة.
لماذا لا يزال التخصص مهمًا
في الأنظمة المالية، الموثوقية ليست خيارًا. إن التنقل المستمر بين العمل الإحصائي العميق وهندسة الأنظمة العميقة يضيف مخاطر.
وعلى الرغم من أهمية أصحاب المهارات العامة، فإن التخصص يمكّن الفرق من التحرك بشكل أسرع وبثقة أكبر. فالأمر لا يتعلق بما يمكن للفرد القيام به نظريًا، بل بما يمكنه تقديمه باستمرار في بيئات الإنتاج.
الآثار المترتبة على بناء فرق الذكاء الاصطناعي
تُبنى فرق الذكاء الاصطناعي الفعالة بالبدء من المشكلة نفسها. ينبغي على القادة تحديد ما إذا كانت المشكلة معتمدة على البيانات، أو البرمجيات، أو هجينة، ثم تجميع القدرات المناسبة وفقًا لذلك.
يجب التعامل مع الذكاء الاصطناعي التنبؤي والذكاء الاصطناعي الوكيلي كطبقتين متكاملتين ضمن نظام واحد. إن تصميم الفرق حول هذه الطبقات بدلًا من المسميات الوظيفية يؤدي إلى وضوح أكبر في المسؤوليات، وتقليل مخاطر التنفيذ، وتحقيق نتائج أكثر استدامة، خاصة في البيئات المنظمة وعالية التأثير.
الخلاصة
لا تختار أكثر المؤسسات فاعلية في مجال الذكاء الاصطناعي بين علماء البيانات ومهندسي الذكاء الاصطناعي، بل تفهم مساحة المشكلة أولًا ثم توائم القدرات اللازمة لحلها بشكل متكامل.
من خلال تحويل التركيز من الأدوار إلى المشكلات، تقترب المؤسسات من بناء أنظمة ذكاء اصطناعي تقدم قيمة تجارية مستدامة بدلًا من نجاحات تقنية معزولة.