مقدمة من زيتا العالمية
إن الفجوة بين ما يعد به الذكاء الاصطناعي وما يقدمه ليست دقيقة. يمكن للنموذج نفسه أن ينتج نتائج دقيقة ومفيدة في نظام ما، ونتائج عامة غير ذات صلة في نظام آخر.
المشكلة ليست في النموذج إنه السياق.
لم يتم تصميم معظم أنظمة المؤسسات للذكاء الاصطناعي. وتنتشر البيانات عبر أدوات مختلفة. الهوية غير متناسقة. تصل الإشارات متأخرة أو لا تصل على الإطلاق. تسجل الأنظمة الأحداث ولكنها لا تجمعها في عرض مستمر.
ويعتمد الذكاء الاصطناعي على هذه الاستمرارية. وبدون ذلك، يملأ النموذج الفجوات، وبالتالي تبدو النتيجة مصقولة ولكنها تفتقر إلى المعنى. هذا هو المكان الذي تتعثر فيه معظم الفرق.
النموذج الأفضل لا يصلح البيانات المجزأة أو القديمة أو التي تم تحويلها إلى سلعة. وتشير تقديرات جارتنر إلى أن المؤسسات تخسر ما متوسطه 12.9 مليون دولار سنويًا بسبب سوء جودة البيانات. الذكاء الاصطناعي لا يحل هذه المشكلة، بل يكشفها بشكل أسرع وعلى نطاق أوسع.
اختبار المرآة
هناك اختبار تشخيصي سريع لهذا الغرض. امنح الذكاء الاصطناعي الخاص بك إشارة عملاء رائعة عالية النية وشاهد ما سيأتي. إذا كانت النتيجة عامة أو غير هامة، فإن النموذج يحتاج إلى العمل. ومع ذلك، إذا كان النموذج ينتج شيئًا حادًا ومفيدًا من البيانات النظيفة ثم ينهار عند بيانات الإنتاج الفعلية، فإن المشكلة تكمن في البيانات.
ومن الناحية العملية، فإن هذا هو السيناريو الأخير دائمًا تقريبًا. يعمل الذكاء الاصطناعي كعدسة مكبرة، لذا تصبح أنظمة البيانات القوية أقوى بكثير، وتصبح الأنظمة الضعيفة أكثر وضوحًا. لم تعد المؤسسات التي كانت تعتمد في السابق على بيانات العملاء المجزأة وسيئة التكامل قادرة على الاختباء وراء تأخير التقارير والتفسير اليدوي. الذكاء الاصطناعي يجعل المشكلة واضحة للعيان.
السياق هو طبقة جديدة من الهوية
هذا هو المكان الذي يصبح فيه التطور التالي مثيرًا للاهتمام. حتى بعد حل مشكلة جودة البيانات، لا يزال هناك تحول ثانٍ في كيفية إنشاء ملفات تعريف العملاء واستخدامها.
لسنوات، قامت أنظمة بيانات المؤسسة بتخزين المحتوى: المعاملات في إدارة علاقات العملاء، والبيانات الديموغرافية في مستودعات البيانات، واستجابات الحملات في منصات التسويق. تصف هذه السجلات ما حدث بالفعل. لقد كانت مفيدة لإعداد التقارير، لكنها لم تُصمم للذكاء الاصطناعي.
الذكاء الاصطناعي يتطلب السياق. السياق ليس سجلاً ثابتًا. هذه هي وجهة النظر الحالية للعميل، بما في ذلك السلوك الأخير والإشارات الواردة من القنوات المختلفة والنوايا الناشئة. خيط يربط تفاعلًا واحدًا بالآخر. الهوية تخبرك من هو شخص ما. يخبرك السياق بما يفعلونه وما من المحتمل أن يفعلوه بعد ذلك.
دعونا نفكر في مثال بسيط: اطلب من الذكاء الاصطناعي أن يوصي بوجهة لقضاء العطلات على الشاطئ، وقد يقترح عليك هاواي أو فلوريدا. أخبره أن لديك ثلاثة أطفال وسيظهر لك خيارًا مناسبًا للعائلة. امنحه إمكانية الوصول إلى أنماط البحث الحديثة، وإشارات القدرة على تحمل التكاليف، والأماكن التي بحثت فيها خلال العام الماضي، وستتغير التوصية تمامًا لأن النموذج لم يعد يعمل بناءً على الفئات الديموغرافية، بل يعتمد على صورة حية لمن أنت وماذا تفعل الآن.
تم تصميم معظم أنظمة المؤسسات لتخزين الحالة، وليس الحفاظ على السياق. إنهم يسجلون الأحداث ولكنهم لا يحافظون على الاستمرارية بينها.
وهذه هي الثغرة التي يكشفها الذكاء الاصطناعي.
ولكن بالنسبة للممارسين، فإن التحدي ليس مفاهيميا؛ إنها معمارية. السياق لا يعيش في نظام واحد. وهي مقسمة إلى تدفقات الأحداث وأدوات تحليل المنتج وأنظمة إدارة علاقات العملاء ومستودعات البيانات وخطوط الأنابيب في الوقت الفعلي. ويتطلب دمج ذلك في شيء يمكن لنظام الذكاء الاصطناعي استخدامه بالفعل، الانتقال من نماذج البيانات المجمعة إلى البنى المتدفقة أو في الوقت الفعلي تقريبًا، حيث يتم الحصول على الإشارات بشكل مستمر والتعرف عليها وإتاحتها أثناء الاستدلال.
هذا هو المكان الذي تنتهي فيه العديد من مبادرات الذكاء الاصطناعي. النموذج جاهز، لكن طبقة السياق لم يتم تشغيلها. لم يتم تصميم الأنظمة للعثور على الإشارات الصحيحة في أجزاء من الثانية أو للتعرف على الهويات عبر القنوات في الوقت الفعلي. وبدون ذلك يبقى “السياق” نظريا وليس عمليا.
تعمل معماريات مثل بروتوكول السياق النموذجي (MCP) على تسريع هذا التغيير من خلال منح أنظمة الذكاء الاصطناعي القدرة على تمرير الذاكرة حول المستخدم بين التطبيقات، مما يؤدي بشكل أساسي إلى إنشاء خط مستمر من السياق حول الشخص عبر التفاعلات المختلفة. والنتيجة هي ملف شخصي يصبح أكثر ثراءً وأكثر قابلية للتنبؤ به بمرور الوقت، مما يخلق خطًا من الاستمرارية بين ما فعله الشخص، وما يفعله الآن، وما من المحتمل أن يفعله في المستقبل.
عندما تكون طبقة الهوية هذه قوية، فإن نفس النموذج ينتج نتائج أفضل. وعندما يكون ضعيفا، لا يمكن لأي نموذج أن يعوضه.
ميزة الربط
إن المؤسسات التي قامت ببناء أنظمة البيانات الخاصة بها والبنية التحتية للهوية المستمرة قبل موجة الذكاء الاصطناعي تستفيد الآن من التأثير المضاعف. البيانات الأفضل تدرب النماذج الأكثر ذكاءً. تجذب النماذج الأكثر ذكاءً مستخدمين أكثر استنارة. يقوم مستخدمو الاشتراك بتوليد إشارات سلوكية أكثر ثراءً.
ولا يمكن للمنافسين الذين ليس لديهم هذا الأساس تكرار ذلك، بغض النظر عن النموذج الذي يستخدمونه. الفرق هيكلي وليس خوارزميًا، ونظرًا لأن أنظمة الهوية تتحسن تدريجيًا بمرور الوقت، فإن المؤسسات التي بدأت الاستثمار في وقت مبكر تتمتع بميزة يصعب التغلب عليها حقًا.
ماذا يعني هذا في الممارسة العملية؟
والنتيجة العملية هي تغيير في اتجاه الاستثمار في الذكاء الاصطناعي. تتعامل المؤسسات التي تحصل على نتائج متسقة من الذكاء الاصطناعي على أنه طبقة معالجة لنظام بيانات قيد التشغيل، وليس كميزة قائمة بذاتها يمكن تثبيتها على البنية التحتية الحالية.
بالنسبة للمصممين والمشغلين، يعني هذا مجموعة مختلفة من الأولويات مقارنة بتجارب الذكاء الاصطناعي في العامين الماضيين:
أولا، أداة للإشارات في الوقت الحقيقي. لا تعد خطوط الأنابيب المجمعة والتحديثات الليلية كافية عندما يُتوقع من أنظمة الذكاء الاصطناعي الاستجابة لنوايا المستخدم بسرعة. تحتاج الفرق إلى تصميمات مبنية على الأحداث يمكنها التقاط الإشارات السلوكية والكشف عنها في الوقت الفعلي تقريبًا.
ثانيًا، اجعل من الممكن إعادة إنشاء السياق في وقت الاستدلال. لا يكفي تخزين البيانات في المستودع. يجب أن يتم تصميم الأنظمة بطريقة تمكن من التعرف على السياق المناسب وإدراجه في الموجه أو استرجاعه بواسطة الوكلاء خلال أجزاء من الثانية.
ثالثاً، الاستثمار في تحليل الهوية كبنية أساسية. يعد الجمع بين الإشارات المجزأة عبر الأجهزة والقنوات حتى يتمكن النظام من فهم الأشخاص الحقيقيين بدلاً من التفاعلات المجهولة أمرًا ضروريًا، وليس اختياريًا.
رابعاً، التعامل مع الحوكمة والموافقة كجزء من تصميم النظام. إن بيانات الطرف الأول الموثوقة ليست أكثر أمانًا فحسب؛ تعد أكثر استدامة وأكثر قيمة في النهاية من بيانات الطرف الثالث التي يصل إليها المنافسون.
وهذه الاستثمارات أقل وضوحا من إطلاق نموذج جديد، كما أن تقليدها أصعب بكثير.
سباق حقيقي
النماذج الآن قابلة للتبديل. سيكون الفرق هو من يمكنه تشغيل السياق على نطاق واسع والتعامل مع النموذج كطبقة معالجة بدلاً من كونه أحد الأصول.
تأتي هذه الميزة من سنوات من الاستثمار في البنية التحتية للهوية، وبيانات الطرف الأول، والأنظمة التي تحافظ على تحديث سياق العميل.
إن المنظمات التي تفوز لن تكون هي التي لديها مطالبات أفضل. سيكونون هم الأشخاص الذين تفهم أنظمتهم العميل قبل كتابة المطالبة.
نيج جور هو كبير مسؤولي البيانات في Zeta Global.
المقالات الدعائية هي محتوى أنشأته شركة تدفع مقابل النشر أو لديها علاقة عمل مع VentureBeat ويتم تمييزها دائمًا بشكل واضح. لمزيد من المعلومات، يرجى الاتصال بنا sales@venturebeat.com.
