تضع استطلاعات القطاع باستمرار نسبة مشاريع تعلم الآلة التي لا تصل إلى الإنتاج فوق النصف. وتجربتنا مع مشاريع الذكاء الاصطناعي في الأردن تطابق ذلك، وفي كل حالة تقريبًا لم يكن النموذج هو السبب.
تتجمع الإخفاقات في أربعة أنماط، وكلها مرئية قبل أن تبدأ إن نظرت، وكل منها ينطبق على مشاريع الذكاء الاصطناعي في الأردن بغض النظر عن القطاع أو الميزانية.
النمط الأول: البيانات لم تكن جاهزة
هذا الأكثر شيوعًا بفارق كبير. تعمل التجربة على مستخرج نظيف أعدّه أحدهم يدويًا، فتنجح. ثم يصطدم الإنتاج بالبيانات الفعلية — صيغ غير متسقة، حقول ناقصة، سجلات عملاء مكررة، ثلاث تهجئات لاسم الشركة نفسها — فتنهار الدقة.
النص العربي يضاعف ذلك. فالأسماء تُنقحر بطرق متعددة، والعناوين وصفية، والكيان نفسه يظهر بصيغ يعاملها الربط الساذج كسجلات مختلفة.
ما ينبغي فعله
دقّق جودة البيانات قبل تحديد نطاق النموذج لا بعده. وإن كان حل هوية الكيانات مطلوبًا فهو مشروع قائم بذاته — خصص له ميزانية منفصلة بدل اكتشافه في منتصف البناء.
النمط الثاني: لا أحد يملك النتيجة
مشروع ذكاء اصطناعي ترعاه تقنية المعلومات لكنه يمسّ العمليات، دون مالك من العمليات، سيتعثر عند النقطة التي يجب فيها على أحدهم تغيير طريقة عمل فريقه.
ينتهي التسليم التقني، ويبقى النظام دون استخدام لأن من بُني لأجلهم لم يُسألوا قط عمّا يجعلهم يستخدمونه.
ما ينبغي فعله
عيّن مالكًا من جانب الأعمال يملك الصلاحية قبل كتابة أي شيفرة. مهمته أن يقرر ما الذي يتغير في العملية — قرار لا يستطيع أي مورّد اتخاذه نيابة عنه.
النمط الثالث: لم يكن هناك مسار للنشر
النموذج في دفتر التجارب عرض توضيحي. أما النموذج في الإنتاج فيحتاج نقطة استدلال ومراقبة وجدول إعادة تدريب وضبط إصدارات وخطة تراجع وشخصًا مناوبًا. وتخصص الفرق روتينيًا ميزانية للأول دون البقية.
ما ينبغي فعله
حدد هدف النشر في الأسبوع الأول. فإن وجب تشغيله داخل تطبيق قائم، فذلك يقيّد النموذج — وقد يستبعد نهجًا كان سيسجل نتيجة أفضل بمعزل عن ذلك. ومعرفة هذا في البداية أفضل.
النمط الرابع: النجاح لم يُعرَّف قط
"تحسين تجربة العميل" لا يمكن تقييمه. وبعد ستة أشهر لا يستطيع أحد أن يقول إن كان المشروع نجح، فينتهي بصمت.
ما ينبغي فعله
اكتب رقمًا واحدًا وقيمته الحالية والهدف. "خفض متوسط زمن المعالجة من ٨.٥ دقيقة إلى أقل من ٦" مشروع. وأي صياغة أكثر غموضًا هي تمرين بحثي، وهذا مقبول — لكن سمّه كذلك ومَوّله على هذا الأساس.
أفضل مؤشر على وصول مشروع ذكاء اصطناعي إلى الإنتاج ليس تعقيد النموذج ولا الميزانية، بل ما إذا كان أحدهم يستطيع أن يذكر في جملة واحدة ما الذي يتغير تشغيليًا عند إطلاقه.
أين يؤتي الذكاء الاصطناعي ثماره فعلاً هنا
بناءً على ما سلّمناه في السوق الأردنية، المكاسب الموثوقة أضيق مما يوحي التسويق:
- معالجة المستندات. استخراج بيانات منظمة من الفواتير والعقود والنماذج — بما فيها المسح العربي — له قبل وبعد واضح ووفر فوري في العمالة.
- التنبؤ بالطلب. بثمانية عشر شهرًا من سجل مبيعات نظيف، يتفوق التنبؤ بثبات على التخطيط اليدوي والوفر قابل للقياس في المخزون.
- كشف الشذوذ. الاحتيال وعيوب الجودة وأعطال المعدات كلها تناسب النماذج جيدًا لأن تكلفة الإخفاق قابلة للتحديد.
- فرز دعم العملاء. التوجيه وصياغة الردود مع موافقة بشرية قبل الإرسال يخفض زمن المعالجة دون مخاطرة نموذج غير مراقَب يحادث العملاء.
وأين لا يؤتي ثماره بعد
القرارات الذاتية بالكامل في سياقات منظمة، وأي حالة تتطلب مجموعة تدريب لم تجمعها مؤسستك، والاستخدامات التي تتغير فيها العملية أسرع مما يمكن إعادة تدريب النموذج. والصراحة بشأنها مبكرًا توفّر على الجميع ربع سنة ضائعًا.
تسلسل منطقي
- اختر مشكلة واحدة قابلة للقياس ولها مالك يريد حلها.
- دقّق البيانات التي تعتمد عليها تلك المشكلة. أصلحها أو اختر مشكلة أخرى.
- أرسِ مسار النشر قبل بناء النموذج.
- أطلق شيئًا ضيقًا يعمل، ثم وسّع النطاق.
المشاريع التي تتبع هذا التسلسل تصل إلى الإنتاج. أما التي تبدأ بالنموذج وتعمل بشكل عكسي فلا تصل عادة.
