متى تستخدم الذكاء الاصطناعي ومتى لا تستخدمه

يقول مدير المنتج: "لنضف الذكاء الاصطناعي إلى المنتج." يوافق الفريق، لكن السؤال المفيد يأتي بعد ذلك: نضيفه إلى ماذا، ولماذا؟ بعض المسائل يغيّرها تعلم الآلة تغييراً حقيقياً، وبعضها يصبح أبطأ وأغلى وأقل موثوقية حين تُركّب عليه نموذجاً. يختبر AIF-C01 قدرتك على التفريق بين الحالتين، ويختبرها معه كل اجتماع ميزانية حقيقي.

عرّفك الموضوع السابق بما هو الذكاء الاصطناعي وتعلم الآلة وكيف تتعلم النماذج. يبدأ هذا الموضوع النصف العملي: أمام مسألة عمل محددة، هل تعلم الآلة أصلاً هو الأداة الصحيحة؟ أخطئ هذا القرار، ولن ينقذ المشروعَ أي إتقان في بناء النموذج بعده.

أين يكسب الذكاء الاصطناعي قيمته

يضيف تعلم الآلة قيمة في ثلاثة أنماط متكررة. إن انطبق أحدها على مسألتك فالنموذج يستحق الدراسة، وإن لم ينطبق أي منها فكن مرتاباً.

النمط الأول مساندة القرار البشري. لا يقرر النموذج، بل يعرض تنبؤاً ويتصرّف إنسان بناءً عليه. يظل طبيب الأشعة هو من يوقّع على التقرير، لكن النموذج يُبرز المناطق الثلاث الأولى بالفحص الدقيق. ويظل موظف الائتمان هو من يوافق على القرض، لكن النموذج يحسب درجة مخاطر التعثّر أولاً. القيمة هنا إنسان أسرع وأفضل اطلاعاً، لا إنسان مستبدَل.

النمط الثاني التوسّع بما يتجاوز الطاقة البشرية. بعض المهام سهلة على عنصر واحد ومستحيلة على الملايين. قراءة مراجعة منتج واحدة سهلة، وقراءة 4 ملايين مراجعة يومياً لتتبّع رضا العملاء مستحيلة. نموذج يصنّف كل مراجعة خلال أجزاء من الثانية يحوّل المستحيل إلى روتين. الإشارة هنا حجم لا يستطيع أي فريق تغطيته بالتوظيف.

النمط الثالث أتمتة الحكم المتكرر. ليس الحركات المتكررة، فالسكربت البسيط يتولاها، بل القرارات المتكررة التي كانت تحتاج شخصاً: توجيه تذكرة دعم إلى الطابور الصحيح، ووسم الصور بمحتواها، وتفريغ المكالمات. حين يتكرر القرار الضبابي نفسه مراراً وتكون نسبة خطأ صغيرة مقبولة، تُحرّر الأتمتة الناس لعمل يحتاجهم فعلاً.

انتبه إلى ما يجمع الأنماط الثلاثة: النمط معقّد أو ضخم الحجم، والجواب الجيد غير المثالي مفيد فعلاً. احتفظ بهذه الفكرة، لأن حالات فشل تعلم الآلة تقع تحديداً حيث ينكسر هذان الشرطان.

الجانب الآخر من الدفتر: التكلفة

يذكر دليل الاختبار تحليل التكلفة والعائد سبباً صريحاً لقول لا، والفخ أن تحسب نصف التكلفة. تسعّر الفرق تشغيلة التدريب الأولى وتتوقف عندها، لكن النموذج في الإنتاج نظام حي بتكاليف متكررة تفوق تكلفة البناء غالباً.

تدفع لجمع البيانات ووسمها قبل أن تدرّب أي شيء، والوسم غالباً أكبر بند في الفاتورة. ثم تدفع للتدريب، وفاتورة النماذج الكبيرة حقيقية. وبعد الإطلاق تبدأ التكاليف المستمرة: مراقبة النموذج لتلاحظ تراجع دقته، وإعادة تدريبه على بيانات جديدة كلما تغيّر العالم (نموذج احتيال مدرَّب على احتيال العام الماضي يصبح قديماً)، والوقت الهندسي لإبقاء المسار كله يعمل. نموذج بُني في أسبوعين قد تستمر صيانته سنوات.

فالسؤال الحقيقي ليس "هل يستطيع تعلم الآلة فعل هذا؟" بل "هل تتجاوز القيمة التكلفة الكاملة على مدى العمر؟" نموذج يرفع معدل التحويل 0.1% قد يكون إنجازاً تقنياً لامعاً واستثماراً سيئاً إن كلّف ثلاثة مهندسين لإبقائه حياً. وازِن العائد أمام البيانات والتدريب والصيانة مجتمعة، لا أمام تكلفة التدريب وحدها.

حين يكون التنبؤ شكلاً خاطئاً للجواب

هذه أهم فكرة في الدرس وأكثر ما يسبر الاختبارُ فهمَك لها. يُنتج تعلم الآلة تنبؤات، والتنبؤات احتمالية: صحيحة غالباً، خاطئة أحياناً، غير مضمونة أبداً. وكلما طلبت المهمة نتيجة محددة قاطعة قابلة للإثبات، كان التنبؤ شكلاً خاطئاً للجواب مهما بلغت دقة النموذج.

حساب ضريبة المبيعات هو المثال النظيف. تتبع الضريبة قواعد منشورة، والرقم على الفاتورة يجب أن يكون صحيحاً تماماً وقابلاً للدفاع عنه أمام مدقق. نموذج "دقته 99.7%" على الضريبة نظام معطوب، لأن الـ0.3% الباقية مشكلة قانونية. الأداة الصحيحة قاعدة: ابحث عن النسبة، اضرب، انتهى الأمر. وينطبق المنطق نفسه على حساب رصيد حساب، وتطبيق خصم ثابت، والتحقق من كلمة مرور، وتنفيذ سياسة عمل صارمة. منطق معروف زائد جواب قاطع مطلوب يساوي: اكتب القاعدة، لا تدرّب النموذج.

قارن ذلك بالتنبؤ بمبيعات الربع القادم. لا قاعدة تُنتج الرقم الدقيق، والتنبؤ التقريبي مفيد فعلاً، والاقتراب من الرقم مكسب. هذه أرض تعلم الآلة. الاختبار الذي تحمله معك: إن احتاجت المهمة جواباً واحداً قابلاً للإثبات من منطق معروف، فارفض تعلم الآلة، وإن احتاجت تقديراً جيداً لشيء غير مؤكد، فتعلم الآلة مرشّح.

إشارات أخرى تقول لا

إلى جانب قاعدة النتيجة القاطعة، أربع إشارات تعني أن المسألة لا تحتاج تعلم آلة.

• المنطق بسيط ومعروف. إن أمكنك كتابة القاعدة في أسطر قليلة ولن تتغيّر، فاكتبها. نموذج يقرر إن كان الرقم زوجياً عبث، فـn % 2 == 0 دقيق ومجاني ودائم.
• لا تملك بيانات كافية بجودة كافية. يتعلم النموذج من الأمثلة، و40 سجلاً ناقصاً لن تُعلّم نموذج تسرّب موثوقاً. لا بيانات، فلا نمط، فلا نموذج، مهما بدت حالة الاستخدام جذابة.
• الأخطاء غير مقبولة وغير قابلة للمراجعة. إن سبّب المخرج الخاطئ ضرراً حقيقياً ولم يراجعه إنسان، صارت الطبيعة الاحتمالية لتعلم الآلة عبئاً. أضِف مراجعة بشرية أو استخدم طريقة حتمية.
• لا تستطيع تعريف النجاح. إن عجزت عن وصف التنبؤ الجيد وقياسه، فلن تستطيع تدريب نموذج ولا تقييمه. الهدف الضبابي يُنتج نظاماً ضبابياً لا يُوثق به.

دليل قرار سريع

يحتاج تعلم الآلة أن تميل الأسئلة الثلاثة الأولى إلى نعم وأن يغيب فخ النتيجة القاطعة. اختلّ أي من ذلك، فالجواب الأمين أن تعلم الآلة أداة خاطئة هنا.

نصائح للاختبار

ينصب الاختبار فخاخاً تكافئ قاعدة النتيجة القاطعة وتعاقب حماس "الذكاء الاصطناعي في كل مكان".

• أقوى كلمة مفتاحية لرفض تعلم الآلة هي "نتيجة محددة مطلوبة" أو "نتيجة دقيقة/قاطعة". حين تراها، فالجواب أن تعلم الآلة غير مناسب، واختر الخيار القائم على القواعد أو الحتمي.
• ورود "تكلفة وعائد" في نص السؤال يشير عادةً إلى أن الجواب الصحيح يزن الصيانة وتكاليف البيانات المستمرة، لا الدقة وحدها. ابحث عن الخيار الذي يذكر تكلفة العمر الكامل.
• أنماط القيمة التي تشير إلى تعلم الآلة: "مساندة اتخاذ القرار"، و"التوسّع"، و"الأتمتة"، و"معالجة حجم كبير"، و"كشف أنماط يعجز عنها البشر".
• لا تنخدع بعبارة "المهمة متكررة". التكرار بمنطق بسيط ثابت سكربت لا نموذج، ويزرع الاختبار هذا الخيار عمداً ليرى إن كنت تخلط الأتمتة بتعلم الآلة.

القاعدة الواحدة التي تحملها: يقايض تعلم الآلة الدقةَ القاطعة بالقدرة على التعامل مع التعقيد والحجم، فيصلح حين يكون النمط صعباً والتقدير مفيداً، ويفشل حين يجب أن يكون الجواب صحيحاً تماماً من منطق معروف. وبعد أن تقرر أن تعلم الآلة هو الأداة الصحيحة، يأتي السؤال التالي: أي تقنية تناسب المسألة؟ وهناك يبدأ الدرس التالي عن الانحدار والتصنيف والتجميع.