قبل وقت طويل من ابتكار لقب “عالم بيانات” (من المفترض أن يكون ذلك في فيسبوك لتجنيد محللي بيانات موهوبين)، كان الوصف الوظيفي موجودًا، وإن كان أقل زخرفية. كان هؤلاء الأشخاص يعملون في مؤسسة التسويق الذين يعرفون كيفية الإجابة على الأسئلة حول الاحتفاظ بالفئة العمرية من خلال النظر في بيانات تسجيل الدخول، أو كانوا أشخاصًا في مؤسسة أمن المعلومات الذين يمكنهم دراسة سجلات خادم الوكيل لمعرفة الموظفين الذين يشكلون مخاطر تهديد داخلي.
ثم جاءت البيانات الضخمة ومعها قفزة هائلة إلى الأمام فيما يتعلق بما يمكن معرفته وبالتالي كيفية اتخاذ القرار بناءً على البيانات. ومع ذلك، لم يتأخر الأمر كثيرًا عن بعض العواقب غير المقصودة. ومع نمو حجم وسرعة وتنوع البيانات ــ لم يعد بإمكان أخصائي التهديدات الداخلية تحليل سجلات الوكيل فحسب، بل وربطها أيضًا ببيانات تمرير الشارات ــ نمت تعقيدات الأدوات المستخدمة في تحليل البيانات جنبًا إلى جنب معها. وقد أدى ذلك إلى الحاجة إلى زيادة تعقيد المحللين.
لقد دخل عالم البيانات. لقد تمكن برنامج Microsoft Excel القوي من مواكبة هذا التطور لفترة من الوقت، ولكن في النهاية تم استبداله بواجهات المستخدم الرسومية SQL ومحطات Python مع انتقال مصدر الحقيقة لبيانات المؤسسة من جداول البيانات إلى قواعد البيانات المنظمة. وفي حين تم الإشادة بهذا باعتباره خطوة كبيرة إلى الأمام (وهو ما كان كذلك)، فإن إحدى العواقب غير المقصودة كانت الضرر الجانبي الذي لحق بقدرة خبراء الموضوع مثل محلل التسويق المذكور ومحلل أمن المعلومات على الإجابة على الأسئلة واتخاذ القرارات بشأن وحدات أعمالهم بنفس السهولة التي اعتادوا عليها.
وبعبارة أخرى، جلبت التعقيدات التقنية اللازمة للاستفادة من البيانات الضخمة في المؤسسة معها انقسامًا بين الخبرة في الموضوع والخبرة الفنية. وكان هذا نتيجة لعدم كفاية الكفاءة الفنية بين خبراء الموضوع فجأة، كما كان نتيجة لعدم إمكانية استخدام أدوات تحليل البيانات المبكرة. وقد انقسم طرح الأسئلة والإجابة عليها، مع بقاء الأول في وحدات الأعمال وانتقال الثاني إلى منظمة علوم البيانات الناشئة.
من المحتمل أن يكون أولئك منا الذين قضوا وقتًا في الشركات الأمريكية خلال السنوات العشرين الماضية على دراية تامة بهذا العالم وسير العمل فيه. ترسل طلبًا إلى فريق البيانات الخاص بك (ما هي نسبة المستخدمين الذين حصلوا على هذا الإعلان باستخدام وحدتنا الجديدة؟), يرسلون بعض الأسئلة التوضيحية (“هل يجب علينا استبعاد المستخدمين الذين تم تقديم إعلانات أخرى لهم؟”), يمكنك تحسين السؤال قليلاً (“حسنًا، طالما كانت الإعلانات متباعدة بفترة شهر على الأقل”). يعطونك وقت وصول متوقع (“سنقوم بتنفيذ المهمة طوال الليل ويجب أن تحصل على النتائج غدًا”) وتنتظر بفارغ الصبر رسالة البريد الإلكتروني منهم في صباح اليوم التالي مع الرسوم البيانية أو حتى أفضل من ذلك، ملف csv مرفق.
هذا يعمل عندما يعمل، ولكن في بعض الأحيان ما تحصل عليه يتطلب تحليلاً إضافيًا (“آسف، أريد بالفعل عزل هذا الأمر للمستخدمين الذين لم يسبق لهم رؤية هذا الإعلان من قبل”)، أو الأسوأ من ذلك، ليس هذا ما طلبته لأن شيئًا ما ضاع في الترجمة (“يبدو أن هناك شيئًا غير طبيعي… يوجد عدد أكبر من المستخدمين هنا مقارنة بعدد المستخدمين الذين تم عرض الإعلان عليهم… هل يمكنك التحقق مرة أخرى؟”).
لا شيء من هذا مستعصي على الحل؛ يمكن أن يستمر العمل. ومع ذلك، فإن الأمر يتطلب بضع دورات أخرى وقليلًا من المتاعب. يعمل البشر بشكل أفضل عندما تكون حلقة التكرار بالمحاولة والخطأ سريعة وبديهية، وهذا ليس هو الحال عندما يتم التوسط من قبل طرف ثالث بسياق محدود. تم إنشاء شركات بمليارات الدولارات مثل Palantir (حيث قضيت بعض الوقت) لمحاولة سد هذه الفجوة، ومساعدة خبراء الموضوع على إعادة إنشاء حلقة الأسئلة والأجوبة البديهية السريعة ودفع عملية صنع القرار بشكل أسرع وأكثر استنارة. لقد أحرزوا تقدمًا كبيرًا، لكن التأثير لم يكن واسع النطاق كما ينبغي أن يكون.
إن أحد الأشياء الرائعة في العيش في عالم مدفوع بالتكنولوجيا هو أنه بمجرد أن تبدأ في الشعور بالراحة مع الوضع الراهن، تبدأ الأرض في التحول تحت قدميك مرة أخرى. هذه هي النقطة التي أعتقد أننا وصلنا إليها اليوم. لقد أخرج الذكاء الاصطناعي رأسه من مختبرات أبحاث علوم الكمبيوتر وأعطى خبراء الموضوع غير الفنيين القدرة على استخدام بياناتهم مرة أخرى. نحن في الفقرة الأولى من الفصل الأول من كتاب ضخم، لذلك أنا لست أحمقًا بما يكفي للتنبؤ. إن الأدوات التي تعمل بالذكاء الاصطناعي اليوم تجرد التعقيد الفني للتفاعل مع مستودعات المؤسسات الضخمة وتسمح لخبراء الموضوع بطرح الأسئلة والإجابة عليها كما كان بإمكانهم قبل عصر البيانات الضخمة.
تتمثل الطريقة الناشئة للتفاعل في وكيل الذكاء الاصطناعي الذي يمكنه التفاعل مع محلل الأعمال باللغة الطبيعية، وتحويلها إلى SQL، وإرجاع الإجابات والرسوم البيانية على الفور، والتكرار عليها بينما يقوم المحلل بتعديل طلبه حتى يظهر ما هو مطلوب لاتخاذ القرار. ومن المثير للاهتمام أن الوكيل يمكنه التعلم من ملاحظات المحلل “لا، نحن في الواقع نحسب الإيرادات دون العوائد” والبدء في تضمين معرفة المؤسسة في تحليلاتها لجميع المحللين الآخرين في المنظمة.
إنني متحمس ومتفائل بشأن هذا التراجع عن الانقسام بين الخبرة في الموضوع والخبرة الفنية؛ وإعادة توحيد صناع القرار مع المواد التي يحتاجون إليها لاتخاذ القرارات وخلق قيمة المؤسسة. فعندما يكون الجميع علماء بيانات، فلن يحتاج أحد إلى أن يكون كذلك.
