تتمتع كل شركة، سواء كانت كبيرة أو صغيرة، بثروة من البيانات القيمة التي يمكن أن تساعد في اتخاذ قرارات مؤثرة. ولكن لاستخلاص الرؤى، عادة ما يكون هناك قدر كبير من العمل اليدوي الذي يجب القيام به على البيانات الأولية، إما من قبل المستخدمين شبه التقنيين (مثل المؤسسين وقادة المنتجات)، أو متخصصي البيانات المتفانين – والمكلفين.
في كلتا الحالتين، لإنتاج قيمة حقيقية، يجب جمع المعلومات ورعايتها وتغييرها واستخلاصها من العشرات من جداول البيانات ومنصات الأعمال المختلفة: إدارة علاقات العملاء الخاصة بالمؤسسة، ومكدس martech الخاص بها، ونظام التجارة الإلكترونية، وبيانات موقع الويب، على سبيل المثال لا الحصر من الأمثلة الشائعة. من الواضح أن هذه عملية تستغرق وقتًا طويلاً، ويمكن أن تكون النتائج أخبارًا قديمة، وليس رؤى حديثة.
تقديم تحليلات فيبي
الحل المثالي للأعمال هو الاستعلام عن البيانات في الوقت الفعلي باستخدام اللغة الطبيعية (مقابل كتابة التعليمات البرمجية في SQL أو Python)، مع عمل الأنظمة الذكية في الخلفية لربط وتحليل مصادر وتنسيقات البيانات المختلفة. هذا هو التحليل الحيوي، حيث يمكن للمستخدمين ببساطة طرح الأسئلة بلغة واضحة والسماح للذكاء الاصطناعي بالقيام بالمهمة الثقيلة. بدلاً من البحث اليدوي عن البيانات ومستخدمي الأعمال الذين يقضون ساعات في الكشف عن الرؤى المخفية عميقًا في مجموعات البيانات، فإنهم يحصلون على النتائج بسرعة – في النصوص والرسومات والملخصات، والتفاصيل التفصيلية عند الحاجة.
يعد التحليل السريع والدقيق للبيانات أمرًا مهمًا لكل مؤسسة، ولكن بالنسبة للكثيرين، تعتبر الرؤى في الوقت الفعلي أمرًا بالغ الأهمية. في القطاع الزراعي، على سبيل المثال، تستخدم Lumo منصة Fabi.ai لإدارة أساطيل كبيرة من أجهزة إنترنت الأشياء، وجمع بيانات القياس عن بعد بشكل مستمر وتعديل أنظمتها بناءً على المعلومات المجمعة والموحدة والمحللة.
باستخدام تحليل الديناميكية، يرى Lumo أداء الجهاز على الفور، بالإضافة إلى الاتجاهات التي تتطور بمرور الوقت. فهو يسحب بيانات الطقس، ويربط مقاييس أداء أسطول الأجهزة بالعوامل البيئية. إن لوحات معلومات البيانات التي أنشأها Lumo ليست نتيجة لعدة أشهر من العمل في كتابة إجراءات تكامل البيانات والترميز الأمامي، ولكنها نتيجة لتحليل النشاط.
الحصول على تحت غطاء محرك السيارة
غالبًا ما يشير المتشككون في قدرات الذكاء الاصطناعي إلى التشفير الاهتزازي كمثال على الأماكن التي يمكن أن تسوء فيها الأمور، مما يثير المخاوف بشأن مراقبة الجودة وطبيعة “الصندوق الأسود” للتحليل القائم على الذكاء الاصطناعي. يرغب العديد من المستخدمين في رؤية كيفية إنشاء النتائج، مع خيار فحص المنطق أو تعديل الاستعلامات أو ضبط استدعاءات واجهة برمجة التطبيقات (API) لضمان الدقة. عندما يتم تنفيذها بشكل جيد، تعالج التحليلات الحيوية هذه المخاوف من خلال الجمع بين الشفافية والدقة. إن مدخلات اللغة الطبيعية وأساليب البناء المعيارية تجعلها في متناول المستخدمين شبه التقنيين (مثل المؤسسين وقادة المنتجات)، في حين تلبي الأنظمة الأساسية معايير الدقة والموثوقية التي تتوقعها الفرق الفنية. وهذا يعني أنه يمكن للمستخدمين الوثوق بالمخرجات سواء كانوا يعملون بشكل مستقل أو بالتعاون مع علماء البيانات والمطورين.
تم تصميم Fabi خصيصًا لكل من خبراء البيانات ومستخدمي البيانات شبه التقنية، وهي عبارة عن منصة ذكاء أعمال توليدية تضفي الحيوية على التحليل الحيوي الذي يتم إجراؤه بشكل صحيح. يمكن إخفاء الكود الذي ينتجه بالكامل، أو إظهاره حرفيًا وتحريره في مكانه، مما يمنح المستخدمين شبه التقنيين فرصة لفهم كيفية عمل التحليل تحت الغطاء، مع السماح للفرق الفنية بالتحقق من مخرجات النظام وضبطها بدقة. تتدفق البيانات من أنظمة المؤسسة (المنصة تتوسط الاتصالات) أو يتم تحميلها. يمكن إرسال/جدولة الرؤى القابلة للتنفيذ الناتجة إلى البريد الإلكتروني أو Slack أو أوراق Google أو عرضها في الرسومات أو النصوص أو مزيج من الاثنين معًا.
فابي: منصة ذكاء الأعمال التوليدية
يصف مارك دوبوي، المؤسس المشارك والرئيس التنفيذي لشركة Fabi، عدد المؤسسات التي تبدأ في استخدام منصة التحليل عن طريق اختبار سير العمل والاستعلامات على بيانات العينة قبل التقدم إلى التحليل الواقعي. عندما يتعمق المستخدمون في مجموعات البيانات ويختبرون عملهم، يمكنهم التحقق من صحتها، غالبًا بالتعاون مع شخص أكثر ذكاءً من الناحية التقنية، وذلك بفضل العرض المفتوح والشفاف للمنصة Smartbooks لإظهار ما يحدث تحت الغطاء. إنه يعمل في الاتجاه الآخر أيضًا: يمكن لمستخدمي البيانات شبه التقنية التأكد من أن البيانات التي تتم معالجتها ذات صلة ودقيقة.
ولمعالجة المخاوف الشائعة بشأن مراقبة الجودة والذكاء الاصطناعي “الصندوق الأسود”، يقصر فابي تحليل الأجواء على مصادر البيانات التي يتم التحكم فيها داخليًا والتي يتم الوصول إليها بعناية، مع حواجز حماية مدمجة. يمكن عرض التعليمات البرمجية حرفيًا وتحريرها في مكانها، مما يمنح المستخدمين شبه التقنيين رؤية حول كيفية إنتاج النتائج، مع السماح للفرق الفنية بمراجعة المخرجات والتحقق منها وضبطها. تساعد المشاركة التعاونية للتقارير والنتائج ورمز العمل الفرق على التحقق من صحة النتائج دون العمل خارج مجالات خبرتهم.
تتضمن مسارات العمل النموذجية لوحات معلومات مؤشرات الأداء الرئيسية في الوقت الفعلي؛ أسئلة وأجوبة باللغة الطبيعية حول البيانات التشغيلية وبيانات المنتج؛ تحليلات الارتباط (على سبيل المثال، أداء الجهاز مقابل الظروف الجوية)؛ استكشاف الأتراب والاتجاه. قراءات اختبار أ/ب وملخصات التجارب؛ والتقارير المجدولة والقابلة للمشاركة والتي تمزج بين النصوص والرسومات والملخصات والتفاصيل التفصيلية. تم تصميم مسارات العمل التعاونية هذه لتكون فعالة وبديهية، لذلك، سواء كانوا يعملون بشكل جماعي أو فردي، يمكن للمستخدمين الحصول على رؤى حتى من ترتيبات البيانات الأكثر تعقيدًا.
حصلت شركة Fabi على الجولة الأولى من الدعم من Eniac Ventures في عام 2023، لذا فهي شركة في حالة تنقل. يواصل الفريق توسيع قدراته، مع خطط لجعل تحليل الأجواء أكثر سلاسة لكل من المستخدمين شبه التقنيين والتقنيين. يمكن للمؤسسات المهتمة باستكشاف النظام الأساسي أن تبدأ باختبار سير العمل على بيانات العينة، ثم الارتقاء إلى حالات الاستخدام الواقعية حيث تزداد ثقتها في شفافية النظام ودقته.
(تصوير ألينا جروبنياك)
أنظر أيضا: اتجاهات الذكاء الاصطناعي التوليدي 2025: ماجستير إدارة الأعمال، وتوسيع نطاق البيانات، واعتماد المؤسسات
هل تريد معرفة المزيد عن الذكاء الاصطناعي والبيانات الضخمة من قادة الصناعة؟ اطلع على معرض الذكاء الاصطناعي والبيانات الضخمة الذي يقام في أمستردام وكاليفورنيا ولندن. يعد هذا الحدث الشامل جزءًا من TechEx ويقام في مكان مشترك مع أحداث تقنية رائدة أخرى، انقر هنا لمزيد من المعلومات.
يتم تشغيل AI News بواسطة TechForge Media. استكشف الأحداث والندوات عبر الإنترنت القادمة الأخرى المتعلقة بتكنولوجيا المؤسسات هنا.