كيفية إصلاح الذكاء الاصطناعي التنبؤي: مقاييس الأعمال

يعتبر علماء البيانات مقاييس الأعمال أكثر أهمية من المقاييس الفنية - ومع ذلك في الممارسة العملية يركزون أكثر على المقاييس الفنية. هذا يؤدي إلى فشل معظم المشاريع. إذاً، لماذا؟

إريك سيجل

الذكاء الاصطناعي التنبؤي يقدم إمكانات هائلة - لكن لديه سجل أداء سيء بشكل مشهور. خارج شركات التكنولوجيا الكبرى وحفنة من الشركات الرائدة الأخرى، تفشل معظم المبادرات في النشر، ولا تحقق أي قيمة أبداً. لماذا؟ محترفو البيانات غير مجهزين لبيع عملية النشر للأعمال. مقاييس الأداء الفني التي يقدمون تقارير عنها عادة لا تتوافق مع أهداف الأعمال - ولا تعني شيئاً لصناع القرار.

لكي يتمكن أصحاب المصلحة وعلماء البيانات على حد سواء من التخطيط، وبيع والموافقة على نشر الذكاء الاصطناعي التنبؤي، يجب عليهم إنشاء وتعظيم قيمة كل نموذج تعلم آلي من حيث نتائج الأعمال مثل الربح، والمدخرات - أو أي مؤشر أداء رئيسي. فقط من خلال قياس القيمة يمكن للمشروع أن يسعى فعلياً وراء القيمة. وفقط من خلال وضع محترفي الأعمال والبيانات على نفس الصفحة الموجهة نحو القيمة يمكن للمبادرة أن تتقدم وتنشر.

لماذا مقاييس الأعمال نادرة جداً لمشاريع الذكاء الاصطناعي

نظراً لأهميتها، لماذا تعتبر مقاييس الأعمال نادرة جداً؟ أظهرت الأبحاث أن علماء البيانات يعرفون بشكل أفضل، لكنهم عموماً لا يلتزمون: فهم يصنفون مقاييس الأعمال كأكثر أهمية، ولكن في الممارسة العملية يركزون أكثر على المقاييس الفنية. لماذا يتخطون عادة مثل هذه الخطوة الحاسمة - حساب القيمة المحتملة للأعمال - مما يؤدي إلى فشل مشاريعهم الخاصة؟

هذا سؤال جيد جداً.

الصناعة ليست عالقة في هذا الروتين لأسباب نفسية وثقافية فقط - على الرغم من أن تلك عوامل مساهمة. بعد كل شيء، من غير اللائق والمباشر جداً التحدث عن المال. تشعر مهن البيانات بأنها مضطرة للالتزام بالمقاييس الفنية التقليدية التي تمارس وتظهر خبرتهم. ليس فقط أن هذا يجعلهم يبدون أكثر ذكاءً - حيث تعتبر المصطلحات المتخصصة طريقة شائعة لأي مجال للدفاع عن وجوده ورواتبه. هناك أيضاً اعتقاد شائع ولكنه مضلل بأن غير المتخصصين في الكميات غير قادرين على فهم التقارير الكمية للأداء التنبؤي حقاً وسيتم تضليلهم فقط من خلال التقارير المقصود بها التحدث بلغة أعمالهم المباشرة.

ولكن إذا كانت تلك هي الأسباب الوحيدة، لكانت "القصور الذاتي الثقافي" قد استسلمت منذ سنوات، نظراً للفوز الهائل في الأعمال عندما يتم نشر نماذج التعلم الآلي بنجاح.

تحدي المصداقية: افتراضات الأعمال

بدلاً من ذلك، السبب الأكبر هو هذا: أي توقع للقيمة التجارية يواجه سؤال مصداقية لأنه يجب أن يستند إلى افتراضات معينة. تقدير القيمة التي سيحققها النموذج في النشر ليس كافياً. لا يزال الحساب بحاجة إلى إثبات جدارته بالثقة، لأنه يعتمد على عوامل تجارية تخضع للتغيير أو عدم اليقين، مثل:

• الخسارة المالية لكل إيجابي كاذب، مثل عندما يشير النموذج إلى معاملة شرعية على أنها احتيالية. مع معاملات بطاقات الائتمان، على سبيل المثال، يمكن أن تكلف هذه حوالي 100 دولار.
• الخسارة المالية لكل سلبي كاذب، مثل عندما يفشل النموذج في الإشارة إلى معاملة احتيالية. مع معاملات بطاقات الائتمان، على سبيل المثال، يمكن أن تكلف هذه مبلغ المعاملة.
• العوامل التي تؤثر على التكلفتين المذكورتين أعلاه. على سبيل المثال، مع اكتشاف احتيال بطاقات الائتمان، قد تقل تكلفة كل معاملة احتيالية غير مكتشفة إذا كان لدى البنك تأمين ضد الاحتيال أو إذا كانت أنشطة إنفاذ البنك تسترد بعض خسائر الاحتيال في المراحل اللاحقة. في تلك الحالة، قد تكون تكلفة كل سلبي كاذب 80% أو 90% فقط من حجم المعاملة. تلك النسبة المئوية لديها مجال للمناورة عند تقدير قيمة النموذج المنشور.
• حدود القرار، أي النسبة المئوية للحالات المستهدفة. على سبيل المثال، هل يجب حظر أعلى 1.5% من المعاملات التي يعتبرها النموذج الأكثر احتمالاً أن تكون احتيالية، أم أعلى 2.5%؟ تلك النسبة المئوية هي حدود القرار (والتي بدورها تحدد عتبة القرار). على الرغم من أن هذا الإعداد يميل إلى تلقي اهتمام قليل، إلا أنه غالباً ما يكون له تأثير أكبر على قيمة المشروع من التحسينات على النموذج أو البيانات. إعداده هو قرار تجاري مدفوع بأصحاب المصلحة في الأعمال، يمثل أساساً يحدد بدقة كيف سيتم استخدام النموذج في النشر. من خلال تدوير هذا المقبض، يمكن للأعمال تحقيق التوازن في المفاضلة بين القيمة النقدية/الأساسية الأساسية للنموذج وعدد الإيجابيات الكاذبة والسلبيات الكاذبة، بالإضافة إلى مؤشرات الأداء الرئيسية الأخرى.

إنشاء مصداقية التوقعات رغم عدم اليقين

الخطوة التالية هي اتخاذ قرار وجودي: هل تتجنب توقع القيمة التجارية لقيمة التعلم الآلي تماماً؟ هذا من شأنه أن يمنع فتح علبة من الديدان. أم أنك تعترف بتقييم التعلم الآلي كتحدٍ يجب معالجته، نظراً للحاجة الملحة لحساب الجانب الإيجابي المحتمل لنشر التعلم الآلي من أجل تحقيقه؟ إذا لم يكن واضحاً بالفعل، فإن تصويتي هو للخيار الأخير.

لمعالجة مسألة المصداقية هذه وإنشاء الثقة، يجب مراعاة تأثير عدم اليقين. جرب قيماً مختلفة في الأطراف القصوى لنطاق عدم اليقين. تفاعل بهذه الطريقة مع البيانات والتقارير. اكتشف مدى أهمية عدم اليقين وما إذا كان يجب تضييقه بطريقة ما من أجل إنشاء حالة واضحة للنشر. فقط مع البصيرة والحدس في مقدار الفرق الذي تحدثه هذه العوامل يمكن لمشروعك إنشاء توقع موثوق به لقيمته التجارية المحتملة - وبالتالي تحقيق النشر بشكل موثوق.

المصدر: https://www.forbes.com/sites/ericsiegel/2025/09/10/how-to-un-botch-predictive-ai-business-metrics/