مدراء تكنولوجيا المعلومات بحاجة لتحديد نهج التعامل مع تطبيقات الذكاء الاصطناعي
مقال ضيف بقلم زيد غطاس، رئيس أول المبيعات التجارية لدى AMD
أصبح الذكاء الاصطناعي في وقتنا الحالي موضوعًا أساسيًا في حواراتنا العامة، بعد أن تبلورت مفاهيمه على مدى العقود الماضية. وقد استحوذت قدرات تطبيقات الذكاء الاصطناعي؛ مثل ChatGPT وDALL.E على اهتمام الجميع، إلا أنّ الذكاء الاصطناعي لديه الكثير مما يقدمه، وهو يتجاوز مجرد كتابة مقالات الطلبة، وابتكار أعمال فنية باهرة. وقد يكون لتطبيقات الذكاء الاصطناعي تأثير هائل على الصناعة، من خلال تمكين الشركات من استخدامات الرؤية الحاسوبية، ومعالجة اللغة الطبيعية، وأنظمة اقتراح المنتجات. ومن هنا، ينبغي على مدراء تكنولوجيا المعلومات، الآن، تحديد النهج الذي يجب اتباعه عند تطوير تطبيقات داخلية قائمة على الذكاء الاصطناعي، لضمان الاستفادة منها بشكل فعّال.
وتتميز التطبيقات المحتملة للذكاء الاصطناعي بنطاقها الواسع. ففي قطاع السيارات مثلًا، يمكن للرؤية الحاسوبية تمكين أنظمة الأمان التلقائية التي تستكشف المشاة على الطريق. كما يمكن لأنظمة معالجة اللغة الطبيعية تبسيط الأوامر الصوتية داخل السيارة. وفي الصناعة، يمكن للرؤية الحاسوبية مراقبة الجودة واقتراح الصيانة الاستباقية. وفي قطاع البيع بالتجزئة، يمكن تبسيط عمليات الدفع عبر أنظمة التعرف التلقائي على المنتجات والعملاء. وفي مجال الخدمات المالية، يمكن اكتشاف أوجه الخلل والتزوير في المعاملات لمنع الاحتيال، كما يمكن للشركات الطبية تحسين سرعة ودقة التشخيص. وبهذا، ستتمكن جميع قطاعات الشركات من تعزيز ثراء وجودة أبحاثها المؤسسية، بما يسهّل العثور على البيانات الداخلية وتحليلها لإظهار النتائج القيّمة.
وتمرّ دورة التعلّم الآلي القائمة على الذكاء الاصطناعي بمرحلتين رئيسيتين وهما؛ التدريب والاستدلال. وتستوعب مرحلة التدريب كميات هائلة من البيانات، وتعمل على تطبيق خوارزميات الذكاء الاصطناعي للتعرّف على الأنماط وبناء النماذج، ويشمل ذلك خوادم مراكز بيانات الحوسبة عالية الأداء والمجهزة بأفضل وحدات المعالجة المركزية؛ مثل معالجات AMD EPYCTM من الجيل الرابع ومسرّعات مراكز البيانات، مثل AMD InstinctTM وتتضمن مرحلة الاستدلال تطبيق النموذج على بيانات العالم الحقيقي لإنتاج مخرجات قابلة للتنفيذ، وقد تستخدم هذه المرحلة تجهيزات مشابهة لمرحلة التدريب، أو يمكن تطبيقها عبر أجهزة مدمجة، مثل AMD VersalTM وأنظمة Systems-on-Chip (SoC).
ولضمان فاعلية تطبيقات الذكاء الاصطناعي نحتاج إلى نماذج شاملة مشتقّة من البيانات المعزّزة. وعلى الرغم من التطوّر الكبير في الأدوات الجاهزة من حيث قدرتها على توفير النماذج القادرة على التعامل مع البيانات الخارجية العامة أو التي تم الحصول عليها تجاريًا، إلا أن البيانات الأكثر قيمة للمؤسسات هي البيانات الداخلية، ولكن استخراجها يستلزم بعض التطوير الداخلي، حيث سيكون من الضروري نشر منظومات للأجهزة والبرامج الأكثر فعّالية من حيث التكلفة.
وبإمكان التطبيقات القائمة على الذكاء الاصطناعي توفير رؤية أكثر فعالية ووضوحًا عند تخصيص نماذجها بما يلائم البيانات الخاصة بالمؤسسة، لكي تقدّم نتائج أكثر صلة باحتياجاتها. وعلى الرغم من ذلك، ومع انتشار تطبيقات الذكاء الاصطناعي، من المرجح أن يؤدي الجمع بين الأساليب المتنوعة التي تعتمد على البرمجيات العامة كخدمة (SaaS) وبين التطبيقات الداخلية إلى تحقيق أقوى النتائج. ويتمثل الحلّ هنا في تمكين وصول ثابت عبر مكدّسات البيانات المستخدمة في التدريب والاستنتاج. وفي هذا الإطار، توفّر وحدات AMD Unified Inference Frontend (UIF) مسارًا واحدًا لأطر عمل الذكاء الاصطناعي القياسية ضمن القطاع، بما في ذلك Tensor Flow و PyTorch و WinML و Open Neural Network Exchange (ONNX والتي يمكن دمجها بسلاسة مع معالج AMD EPYC CPU، وهو مكّدس AMD Instinct GPU المدعوم ببرمجيات ROCmTM، أو مع منصّة الذكاء الاصطناعي VitisTM، للمكدّس المدمج مع معالجات AMD Versal أو Zynq Adaptive SoCs.
وينبغي على مدراء تكنولوجيا المعلومات تطوير إستراتيجية خاصة بالاستثمار في تطبيقات الذكاء الاصطناعي، وذلك بمراعاة إنفاق أموال الشركة بشكل فعّال يضمن تحقيق عوائد ملائمة. وتعدّ تحسينات كفاءة العمليات والإنتاجية ومرونة البنية التحتية لتكنولوجيا المعلومات أساسية لقياس الفوائد. ولذا، يجب على مدراء تكنولوجيا المعلومات اختيار أفضل بنية تحتية يمكن تنفيذها بسرعة للحلول التي يقدمونها. ولهذا، يعتبر وجود مجموعة واسعة من مُكدّسات الذكاء الاصطناعي للاختيار من بينها أمرًا في غاية الأهمية. وسيحتاج مدراء تكنولوجيا المعلومات إلى إجراء تقييم للتأثير عبر دورة استخدام التطبيق، لضمان إدارته بشكل آمن من أجل الابتكار المسؤول، وكذلك الامتثال للوائح وأطر حوكمة الخصوصية مثل NIST، وذلك لأن استخراج نماذج الذكاء الاصطناعي سيتم، على الأرجح، بالاعتماد على بيانات حسّاسة أو مسجّلة الملكية، أو كليهما، حيث يجب حماية سريتها باعتبارها ملكية فكرية قيّمة. وتفرض الآثار المترتبة على التكلفة المتوقعة لكل هذه العوامل أن يحرص مدراء تكنولوجيا المعلومات على الاستثمار في المجالات التي تبدو فيها الفوائد واضحة وطويلة الأمد، كما تُحقق لهم تحسينات أساسية في الإنتاجية.
ومن جهة أخرى، تستغرق الخوارزميات الأساسية لنماذج الذكاء الاصطناعي كثيرًا من الوقت والكلفة، فهي تعتمد على التوافر المتزايد لمجموعات البيانات الكبيرة، وعلى مهندسي الذكاء الاصطناعي القادرين على ابتكار مجموعة متنوعة من حالات الاستخدام، وذلك سبب آخر يستدعي وجود نظام أساسي موحّد ومنسجم. وخلال عقد واحد من الزمن، ازدادت محدّدات نماذج الذكاء الاصطناعي من الآلاف إلى مئات المليارات، وهو ارتفاع مذهل. ويتطلب التدريب على هذه المحدّدات قدرًا كبيرًا وكافيًا من البيانات والحوكمة الواعية. ومن الضروري أيضًا الحماية من تحيّز البيانات، والذي قد يؤدي إلى تحريف النتائج؛ حيث أصبح ذلك انتقادًا معتادًا لتطبيقات الذكاء الاصطناعي العامة المدرّبة على مجموعات البيانات العامة، ويتطلب تصحيح هذا التحيّز معالجة كبيرة. وذلك يعني أن التدريب النموذجي سيستغرق كثيرًا من الوقت والكلفة.
أما المسؤولية الرئيسية عن تحديد إستراتيجية الاستثمار في التطبيقات المؤسسية القائمة على الذكاء الاصطناعي. فستقع على فرق العمل التنفيذية، ولذا ينبغي على هذه الفرق دراسة مدى احتياجها إلى الذكاء الاصطناعي، ومواقع وحالات استخدامها، وتصنيف مستويات المخاطر، ثم تقييم مدى نضج الحلول المتوفرة حاليًا من تطبيقات الذكاء الاصطناعي وقدرتها على تلبية احتياجاتها. وفي حال توفّر التطبيقات القوية والحافلة بالمزايا، فقد لا تكون هناك حاجة لإنشاء تطبيقات داخلية للذكاء الاصطناعي من الصفر. وفي كلتا الحالتين، يضمن إدراج نظام أساسي مرن موجود مثل: AMD UIF والمكتبات المحسّنة مثل AMD ZenDNN والمترجم ROCmTM HIP مرونة في الحركة، بحيث يمكن دمج مزايا النموذج الذي تم اختياره واختباره مع التخصيص المحدّد للأعمال على المنصّة الملائمة لمستويات الاستثمار.
وبرغم أن تطبيقات الذكاء الاصطناعي ما تزال في مرحلة مبكرة لاعتمادها؛ باعتبارها قد شهدت حتى الآن عدة مراحل من الصعود والهبوط، إلا أن الذكاء الاصطناعي يَعِد اليوم بانطلاق مرحلة جديدة يدعمها حجم النماذج الهائل ومجموعات البيانات الضخمة. وسواء أكانت تطبيقات ذكاء اصطناعي مطورة داخليًا، أو أطر عمل تطبيقية متوفرة في هذه القطاع، فإن مرحلة “البيانات الضخمة” للحلول القائمة على الذكاء الاصطناعي تشهد الآن فترة نموّ واضحة، وذلك يشبه دائرة متواصلة، حيث أنّ المزيد من اعتماد الأعمال للذكاء الاصطناعي يغذّي تطبيقات أفضل، وهذا بدوره يؤدي إلى تطوير أُطر عمل أفضل، بما يرفع من كفاءة العمليات التجارية. وستساهم هذه التحسينات والفوائد الناجمة عنها في تسريع عملية تطوير التطبيقات، وزيادة فوائدها وتقليل كلفة اعتمادها. وبمجرد أن تتجاوز الفوائد الكلفة المترتبة على أي مؤسسة، ينبغي أن تصبح التطبيقات القائمة على الذكاء الاصطناعي على جدول أعمال كلّ مدير لتكنولوجيا المعلومات.
