إن إدخال القمامة وإخراج القمامة هو مفهوم يعود تاريخه إلى الأيام الأولى لتطوير البرمجيات. ومع ذلك، فإن البيانات المعيبة ورديئة الجودة تشكل أيضًا تهديدًا يجب على مطوري الذكاء الاصطناعي الانتباه إليه. إذا كانت البيانات المستخدمة لتدريب نموذج الذكاء الاصطناعي غير كاملة، أو غير دقيقة، أو غير متسقة، أو متحيزة، فإن توقعاتها وقراراتها ستكون معيبة وعلى الأرجح عديمة الفائدة.
تقول نويل راسل، مديرة البيانات والذكاء الاصطناعي في شركة Accenture Federal Services، في مقابلة عبر البريد الإلكتروني، إن الحفاظ على جودة البيانات لتغذية أنظمة الذكاء الاصطناعي يشبه رعاية الحديقة. “إنه يتطلب الاجتهاد والرعاية المتعمدة والفهم العميق للنظام البيئي.”
يتطلب ضمان جودة البيانات اتباع نهج متعدد الأوجه. ينصح راسل قائلاً: “يتضمن ذلك إنشاء أطر قوية لإدارة البيانات، وتنفيذ عمليات شاملة للتحقق من صحة البيانات وتنظيفها، وتعزيز ثقافة المعرفة بالبيانات داخل المؤسسة”. ومن خلال التعامل مع البيانات باعتبارها أصولًا قيمة، يمكن للمؤسسات ضمان تغذية أنظمة الذكاء الاصطناعي الخاصة بها ببيانات عالية الجودة وذات صلة وغير متحيزة.
يقول راسل إنه من الضروري التعامل مع جودة البيانات من خلال عدسة متعاطفة. “وهذا يمكّن العاملين في مجال البيانات من رؤية البيانات بطرق جديدة وطرح أسئلة أفضل حول كيف يمكن للحل المقصود أن يخدم المزيد من الأشخاص.”
يتطلب الذكاء الاصطناعي الناجح، وخاصة مبادرات الذكاء الاصطناعي المنتجة، بيانات نظيفة ومنظمة تنظيما جيدا ويمكن الوصول إليها. يقول ويندي كولينز، كبير مسؤولي الذكاء الاصطناعي في خدمات التكنولوجيا والاستشارات: “إن بناء الذكاء الاصطناعي على بيانات فوضوية يشبه بناء سفينة صاروخية جديدة لامعة تنوي نقلها إلى المريخ، لكن ليس لديك الوقود اللازم حتى لإخراجها من منصة الإطلاق”. شركة NTT Data عبر البريد الإلكتروني.
ويشدد كولينز على أهمية إيلاء أقصى قدر من الاهتمام للبيانات الأكثر أهمية. “لن تتمكن أي منظمة على الإطلاق من تحقيق قمة الكمال عندما يتعلق الأمر بجودة البيانات، لذا ركز على الأمور الأكثر أهمية وابدأ من هناك.”
فوائد متعددة
تؤدي تغذية بيانات جودة الذكاء الاصطناعي إلى فوائد متعددة. يقول إد مارشال، المدير التنفيذي للتكنولوجيا في شركة الاستشارات التكنولوجية Hedgehog Lab، عبر البريد الإلكتروني: “إنه يعزز دقة وموثوقية تنبؤات وقرارات الذكاء الاصطناعي”. وتضمن البيانات عالية الجودة أيضًا تدريب نماذج الذكاء الاصطناعي على مجموعات بيانات دقيقة وشاملة وذات صلة، مما يؤدي إلى نتائج أكثر فعالية. ولعل الأمر الأكثر أهمية هو أن البيانات الجيدة تقلل من خطر تحيزات الذكاء الاصطناعي، والتي يمكن أن تنتج عن بيانات غير كاملة أو منحرفة. “يمكن للبيانات عالية الجودة أن تفعل ذلك [also] تحسين كفاءة أنظمة الذكاء الاصطناعي من خلال تقليل الحاجة إلى إعادة التدريب والتعديلات المستمرة.
يؤدي التميز في البيانات إلى تحسين دقة وموثوقية تنبؤات وقرارات الذكاء الاصطناعي بشكل كبير، مما يؤدي إلى نتائج أعمال أفضل. يقول راسل: “إنها تساعد أيضًا في بناء الثقة في أنظمة الذكاء الاصطناعي بين المستخدمين وأصحاب المصلحة من خلال ضمان الشفافية والعدالة في عمليات الذكاء الاصطناعي”. “تقلل البيانات عالية الجودة أيضًا من خطر تحيزات الذكاء الاصطناعي، وهو أمر بالغ الأهمية لممارسات الذكاء الاصطناعي الأخلاقية.”
يوصي كولينز بتركيز الموارد على المدى القريب على عناصر البيانات الأكثر قيمة. وتقول: “نحن لا نؤمن باتباع نهج الانفجار الكبير في مجال الذكاء الاصطناعي، حيث تقوم بالبناء ثم البناء ثم يحدث السحر بعد ثلاث سنوات”. “فلسفتنا هي بناء فرص خلق القيمة بشكل تدريجي على طول الطريق.”
القيام بذلك بشكل صحيح
غالبًا ما يتبع قادة تكنولوجيا المعلومات النهج الخاطئ تجاه جودة بيانات الذكاء الاصطناعي. يقول راسل: “أحد الأخطاء الشائعة هو التقليل من أهمية مجموعات البيانات المتنوعة والتمثيلية”. “قد يؤدي هذا إلى نماذج ذكاء اصطناعي متحيزة لا تؤدي أداءً جيدًا عبر سيناريوهات مختلفة أو مجموعات مختلفة من الأشخاص.” بالإضافة إلى ذلك، يقلل العديد من القادة من تقدير الموارد اللازمة لبناء نماذج يمكن التوسع فيها بشكل مسؤول. يوصي راسل بالاستثمار في خطوط بيانات قوية ومختبرة جيدًا، والتركيز على توحيد نماذج بيانات الإدخال بالإضافة إلى التحقق الشامل من صحة البيانات لضمان جودة البيانات التي يتم إدخالها في النموذج التوليدي.
ينصح مارشال بأن أفضل طريقة للحفاظ على جودة بيانات الذكاء الاصطناعي على المدى الطويل هي من خلال إنشاء إطار صارم لإدارة البيانات. وهذا يتطلب إنشاء بروتوكولات صارمة لجمع البيانات ومعالجتها وإدارتها. ويوضح قائلاً: “تكمن فعالية هذا النهج في قدرته على ضمان أن تكون البيانات التي يتم إدخالها إلى أنظمة الذكاء الاصطناعي دقيقة ومتسقة وممثلة”. “من خلال الحفاظ على بيانات عالية الجودة، يمكنك تقليل مخاطر التحيزات والأخطاء والشذوذات في مخرجات الذكاء الاصطناعي، وهو أمر بالغ الأهمية لموثوقية القرارات المعتمدة على الذكاء الاصطناعي.”
غالبًا ما يقلل قادة تكنولوجيا المعلومات من أهمية ضمان الإدارة المستمرة لجودة البيانات. يقول مارشال: “هناك مفهوم خاطئ شائع مفاده أنه بمجرد تدريب نظام الذكاء الاصطناعي ونشره، يمكن أن يتحول التركيز بعيدًا عن جودة البيانات”. يمكن أن يكون ذلك خطأً كبيرًا، نظرًا لأن أنظمة الذكاء الاصطناعي ديناميكية وتتطلب تغذية مستمرة ببيانات عالية الجودة للحفاظ على الدقة والملاءمة. “إن إهمال هذه الحقيقة يمكن أن يؤدي إلى تدهور أداء الذكاء الاصطناعي بمرور الوقت والفشل في التكيف مع الأنماط أو التغييرات الجديدة في البيئة التشغيلية.”
الفكر النهائي
ونظرًا للوتيرة السريعة لتقدم الذكاء الاصطناعي، يعتقد راسل أن قادة تكنولوجيا المعلومات اليوم يجب أن يستمروا في التعلم، ليس فقط من خلال الكتب والدورات التدريبية، ولكن أيضًا من خلال الخبرات العملية. “الآن هو الوقت المناسب لاحتضان الفضول الفكري وتمكين العاملين في كل جزء من مؤسستك من فعل الشيء نفسه.”
