على الرغم من الشائعات التي تشير إلى عكس ذلك، فمن الممكن حقًا أن يتعايش الذكاء الاصطناعي وجودة البيانات معًا بكل سرور.
تقول مارينيلا بروفي، مستشارة استراتيجية الذكاء الاصطناعي لدى شركة تطوير برمجيات التحليلات SAS، في مقابلة عبر البريد الإلكتروني: ليس من الممكن فقط أن يتعايش الذكاء الاصطناعي التوليدي مع جودة البيانات، بل إنه من الضروري أن يحدثا ذلك. وتشير إلى أن البيانات الخاصة بالذكاء الاصطناعي تشبه الغذاء بالنسبة للبشر. “بناءً على نوعية الطعام الذي تغذيه لجسمك وعقلك، سوف تحصل على جودة معينة من المخرجات، مثل الأداء العالي أو التركيز الأكبر.”
ببساطة، إذا أهملت جودة بيانات مؤسستك، أو لم تحدد استراتيجية مناسبة للبيانات، فلن تحصل على قيمة من الذكاء الاصطناعي التوليدي، كما يقول بروفي. “على الجانب الآخر، فإن أولئك الذين طبقوا نظامًا قويًا لإدارة البيانات هم في وضع فريد يمكنهم من الحصول على ميزة تنافسية مع الذكاء الاصطناعي التوليدي.”
نظرًا لأن فعالية أي نظام للذكاء الاصطناعي، بما في ذلك النماذج التوليدية، تعتمد إلى حد كبير على جودة بياناته، فإن البيانات الأفضل تؤدي إلى مخرجات ذكاء اصطناعي أكثر موثوقية ودقة، كما يلاحظ مايانك جيندال، مهندس تطوير البرمجيات في أمازون عبر البريد الإلكتروني.
العوائق المحتملة
يقول بيتر ماركس، المدير التنفيذي للتكنولوجيا في شركة AgileView، التي تعمل على تطوير البيانات الجغرافية المكانية الاصطناعية للتعلم الآلي، إن الناس يحبون الضغط على “الزر السهل”. ويقول عبر البريد الإلكتروني: “إنهم يبحثون عن إجابات مبسطة للمشكلات المعقدة المستندة إلى البيانات”. فالحاجز يتسرع في اتخاذ القرارات دون الفهم الكامل لأساس البيانات الإحصائية المقدمة، سواء التخطيط لرحلة أو عمليات عسكرية. “إن الرغبة في منح الناس السرعة مع المخاطرة بعدم فهم البيانات الأساسية قد تكون كارثية.”
يقول بروفي إن الذكاء الاصطناعي التوليدي لا يعيد تشكيل الطريقة التي يتفاعل بها البشر مع الذكاء الاصطناعي لتحقيق إنتاجية أعلى فحسب، بل إنه يؤثر أيضًا على المتطلبات والتحديات المرتبطة بجودة البيانات. مثل البنى النموذجية واسعة النطاق، مثل المحولات التوليدية المدربة مسبقًا (جي بي تي) و DALL-E عندما تصبح أكبر وأكثر تعقيدًا، يزداد الطلب على مجموعات البيانات المتنوعة وعالية الجودة. “تتطلب هذه النماذج كميات هائلة من البيانات للتعلم بفعالية، مما يزيد من التحديات في تنظيم البيانات وتمثيلها.”
يقول بروفي إن تقنيات التدريب الجديدة التي تتطلب بيانات أقل أو التي يمكن أن تتعلم بشكل أكثر فعالية من مجموعات البيانات الموجودة قد تقلل الضغط على كمية البيانات ولكنها تزيد من الحاجة إلى عينات بيانات عالية التمثيل وغير متحيزة. وتشير إلى أن “تقنيات التعلم الخاضعة للإشراف الذاتي وغير الخاضعة للإشراف، حيث تقوم النماذج بإنشاء تسمياتها الخاصة أو التعلم من البيانات غير المسماة، تقلل الاعتماد على مجموعات البيانات المصنفة يدويًا”. “ومع ذلك، فإن هذا يزيد من أهمية الحصول على بيانات أولية عالية الجودة ومتنوعة وغير متحيزة، حيث أن تعلم النموذج يعتمد بشكل مباشر على الخصائص المتأصلة في البيانات المدخلة.”
يتجه الذكاء الاصطناعي التوليدي بسرعة نحو التطبيقات عبر المجالات، مثل إنشاء تحويل النص إلى صورة والتفاعلات متعددة الوسائط التي تجمع بين النص والصورة والصوت. يقول بروفي: “لا يتطلب هذا التطور بيانات عالية الجودة في كل مجال فحسب، بل يتطلب أيضًا أن تكون متسقة ومتكاملة بدقة عبر طرائق مختلفة”.
البحث عن الجودة
يقول جيندال إن الالتزام الاستباقي بضمان جودة البيانات أمر ضروري لمواجهة تحديات الجودة. وينصح قائلاً: “نظرًا لأن تحقيق جودة بيانات مثالية في البداية أمر غير مرجح، فإن المراقبة المستمرة لعدم الدقة أمر بالغ الأهمية”. يسمح هذا النهج بالتحديث المستمر وإصدار نماذج الذكاء الاصطناعي بناءً على النتائج الجديدة. “إن إنشاء إصدارات نموذجية خاصة بالمجال يمكن أن يساعد المؤسسات أيضًا على إدارة تخصيص الموارد بناءً على مدى أهمية المجال.”
في السنوات المقبلة، ستحتاج المؤسسات إلى بناء برامج جودة البيانات والحوكمة للتحضير لاعتماد الذكاء الاصطناعي بشكل توليدي، كما يقول بريان بلاتز، الرئيس التنفيذي والمؤسس المشارك لشركة بيانات Web3 Fluree عبر البريد الإلكتروني. “ستبدأ المؤسسات في الاستثمار في دمج وظائف تكنولوجيا المعلومات والمخاطر والبيانات في مؤسساتها لضمان أن الطريقة التي يتم بها جمع البيانات وإدارتها ونشرها تتم بطريقة آمنة ومتوافقة ومأمونة.” سيؤدي تكامل برامج الخصوصية الجديدة، إلى جانب مبادرات تحويل إدارة البيانات، إلى إطار شامل يحمي سلامة البيانات مع الحفاظ على معايير الخصوصية الصارمة. “سنرى أن وظيفة حوكمة البيانات تعمل بشكل أوثق مع أقسام المخاطر وتكنولوجيا المعلومات والعمليات من أجل بناء حوكمة تتمحور حول البيانات في برامج الذكاء الاصطناعي ومجموعات التدريب.”
التحديات الأخلاقية
يقول بروفي إنه في ضوء الاتجاه المستمر نحو التخصيص، من المتوقع بشكل متزايد أن تنتج نماذج الذكاء الاصطناعي التوليدية مخرجات مصممة خصيصًا للتفضيلات الفردية أو سياقات محددة. “سيتطلب ذلك بيانات عالية الجودة ليست ذات صلة فحسب، بل تحترم أيضًا الخصوصية والاعتبارات الأخلاقية.”
يقول بروفي إن التركيز المتزايد على تطوير الذكاء الاصطناعي الأخلاقي، بما في ذلك الجهود المبذولة للحد من التحيزات في نماذج الذكاء الاصطناعي، يجعل من الضروري إجراء فحوصات لجودة البيانات تستهدف على وجه التحديد اكتشاف التحيز والتخفيف منه. مع لوائح خصوصية البيانات الأكثر صرامة، مثل اللائحة العامة لحماية البيانات و ال قانون الاتحاد الأوروبي لمنظمة العفو الدولية, وتشير إلى أن هناك حاجة متزايدة لممارسات إدارة البيانات المتوافقة. “يجب على مطوري الذكاء الاصطناعي التوليدي ضمان جودة البيانات مع الالتزام بالمعايير القانونية والأخلاقية.”
