لنُراجع معنى مصطلح «الذكاء الاصطناعي». لقد أصبح شائع الاستخدام كما كانت كلمات مثل «الحوسبة» أو «معالجة البيانات» قبل ثلاثين عامًا، أو «ذكاء الأعمال» قبل عشرين عامًا، أو «البيانات الضخمة» و«الحوسبة السحابية» قبل بضع سنوات فقط. ولا شك أن المقصود بـ«الذكاء الاصطناعي» اتّسع وتبدّد أحيانًا، ويُساء استخدامه كثيرًا، لا سيما مع تطبيقه على طيف واسع من التقنيات عبر الصناعات. في المعنى الأضيق، يشير الذكاء الاصطناعي عادةً إلى ذكاء يظهره النظام ويحاكي الوظائف الإدراكية البشرية مثل حل المشكلات واتخاذ القرارات. وتجمع تقنيات الذكاء الاصطناعي الحديثة غالبًا بين تعلّم الآلة والتعلّم العميق، بالتدريب على مجموعات بيانات كبيرة لمساندة عمليات اتخاذ القرار أو أتمتتها. غير أن مصطلح «الذكاء الاصطناعي» اليوم يُستخدم كثيرًا كمظلّة تشمل تقنيات تمتد من «النص التنبّئي» وروبوتات المحادثة إلى الشبكات العصبية العميقة والوكلاء المستقلين، وكثير منها لا يرتبط إلا بشكل فضفاض بالمفهوم الأصلي لـ«الذكاء».
ما هو الذكاء الاصطناعي التنبؤي؟
تظلّ التحليلات التنبؤية—وغالبًا ما يُشار إليها بالذكاء الاصطناعي التنبؤي—مكوّنًا أسلنُراجع معنى مصطلح «الذكاء الاصطناعي». لقد أصبح شائع الاستخدام كما كانت كلمات مثل «الحوسبة» أو «معالجة البيانات» قبل ثلاثين عامًا، أو «ذكاء الأعمال» قبل عشرين عامًا، أو «البيانات الضخمة» و«الحوسبة السحابية» قبل بضع سنوات فقط. ولا شك أن المقصود بـ«الذكاء الاصطناعي» اتّسع وتبدّد أحيانًا، ويُساء استخدامه كثيرًا، لا سيما مع تطبيقه على طيف واسع من التقنيات عبر الصناعات. في المعنى الأضيق، يشير الذكاء الاصطناعي عادةً إلى ذكاء يظهره النظام ويحاكي الوظائف الإدراكية البشرية مثل حل المشكلات واتخاذ القرارات. وتجمع تقنيات الذكاء الاصطناعي الحديثة غالبًا بين تعلّم الآلة والتعلّم العميق، بالتدريب على مجموعات بيانات كبيرة لمساندة عمليات اتخاذ القرار أو أتمتتها. غير أن مصطلح «الذكاء الاصطناعي» اليوم يُستخدم كثيرًا كمظلّة تشمل تقنيات تمتد من «النص التنبّئي» وروبوتات المحادثة إلى الشبكات العصبية العميقة والوكلاء المستقلين، وكثير منها لا يرتبط إلا بشكل فضفاض بالمفهوم الأصلي لـ«الذكاء».
ما هو الذكاء الاصطناعي التنبؤي؟
تظلّ التحليلات التنبؤية—وغالبًا ما يُشار إليها بالذكاء الاصطناعي التنبؤي—مكوّنًا أساسيًا وناضجًا في مشهد الذكاء الاصطناعي. وبحسب «دورة الضجيج (Hype Cycle) لعام 2024 للذكاء الاصطناعي» من شركة غارتنر، تُعدّ التحليلات التنبؤية قدرة تقليدية يجري دمجها على نحو متزايد في حِزَم تطبيقات المؤسسة مثل ERP وCRM وبيئات العمل الرقمية وسلاسل الإمداد وأنظمة إدارة المعرفة، بهدف استخلاص مزيد من الرؤى من البيانات داخل هذه التطبيقات.
ورغم أن تقرير غارتنر لا يحدّد الموضع الدقيق للتحليلات التنبؤية على منحنى الدورة، فإن انتشار تبنّيها ودمجها في أنظمة المؤسسة يوحي بأنها تجاوزت المراحل الأولى. عادةً ما تستقر التقنيات الناضجة واسعة التبنّي على «منحدر التنوير» أو تبلغ «هضبة الإنتاجية»، ما يشير إلى مرحلة مستقرة ومثمرة في دورة حياتها.
وعلى النقيض من التقنيات الناشئة مثل الذكاء الاصطناعي التوليدي—الذي يجتذب حاليًا توقعات مرتفعة وتدقيقًا شديدًا—أثبتت التحليلات التنبؤية نفسها كأداة موثوقة للتنبؤ واتخاذ القرار عبر صناعات متعددة. ويؤكد استمرار دمجها في تطبيقات المؤسسة قيمتها في تعزيز الرؤى القائمة على البيانات ورفع كفاءة العمليات.
ولإيضاح قوة التحليلات التنبؤية وحدودها، لنأخذ مثالًا من الأخبار مؤخرًا: في توليد الطاقة، يمكن نشر التحليلات التنبؤية للمساعدة في منع الانقطاعات، مثل الانقطاع الذي وقع في إسبانيا في 28 أبريل. يستثمر كثير من مشغّلي الشبكات عالميًا في هذا المجال بالفعل، لكن الفجوات لا تزال موجودة في مجالات النشر والتكامل والاستجابة الفورية.
يساعد الذكاء الاصطناعي التنبؤي أولًا في التنبؤ بفشل المعدات: فمن خلال تحليل بيانات الحساسات في المحوّلات والتوربينات وقواطع الدارات، تستطيع النماذج التنبؤية رصد التآكل أو السخونة الزائدة أو الشذوذات قبل وقوع العطل بوقت كافٍ، ما يتيح لفرق الصيانة جدولة التدخلات بكفاءة أكبر وحسن استثمار الوقت والموارد. ثانيًا، يمكن للنماذج التنبؤية تحليل أنماط الاستخدام والبيانات الخارجية (مثل التقارير الجوية) لتوقّع ذروات الطلب—مثلًا بفعل موجات الحر أو البرد—والمساعدة في موازنة الأحمال بدقة أكبر بين المناطق أو مصادر التوليد، وهو أمر مفيد خصوصًا مع تذبذب مصادر الطاقة المتجددة. وبالنسبة للطاقة الشمسية والرياح، تستطيع التحليلات التنبؤية توقّع الإنتاج وفق الظروف الجوية، ما يسمح بتحسين التخطيط واستخدام التخزين أو الطاقة الاحتياطية. ورابعًا، يمكن للذكاء الاصطناعي محاكاة سيناريوهات بالاستناد إلى البيانات التاريخية للتنبؤ بعدم الاستقرار أو الإخفاقات المتسلسلة، وتمكين اتخاذ إجراءات استباقية مثل فصل الأحمال أو إعادة توجيه الطاقة.
لكن للذكاء الاصطناعي التنبؤي حدودًا. فهو يعتمد على الوصول إلى بيانات حديثة وعالية الجودة؛ غير أن الجزر البياناتية والبنى التحتية الموروثة غالبًا ما تقيّد الرؤية عبر الشبكة. وفي مناطق كثيرة، يكون التكامل بين الشبكات الوطنية والمشغّلين الخاصين غير متّسق، ما يُنتج مجموعات بيانات مجزّأة ونقاطًا عمياء قد تُضعف دقة التنبؤات.
إضافةً إلى ذلك، تعتمد النماذج التنبؤية عادةً على الأنماط التاريخية، ما قد يجعلها تكابد في توقّع الظواهر الجوية القصوى أو الطفرات غير المسبوقة في الطلب—وهي ظواهر تتزايد بفعل التغيّر المناخي وقد تُربك حتى الأنظمة المحسّنة. وبالمثل، يمكن للمخاطر السيبرانية—سواء كانت هجمات أم تدفّقات بيانات مُخترَقة—أن تُشوّش المدخلات وتُقلّل الثقة في اتخاذ القرار المؤتمت.
ولكي يحقّق الذكاء الاصطناعي التنبؤي إمكاناته، يجب أن يستند إلى تكامل بيانات متين وبنية تحتية resilient وطبقات من خطط الطوارئ (تشمل الإشراف البشري) لضمان نتائج موثوقة في البيئات عالية المخاطر كقطاع توليد الطاقة.
ما هو الذكاء الاصطناعي التوليدي؟
يشير الذكاء الاصطناعي التوليدي إلى فرع من الذكاء الاصطناعي يركّز على ابتكار محتوى جديد—يشمل النصوص والصور والموسيقى والشيفرة والفيديو. ويقوم بذلك عبر تعلّم الأنماط من البيانات القائمة. وعلى خلاف الأنظمة التقليدية المصمّمة أساسًا للتصنيف أو التنبؤ أو اتخاذ القرار، فإن الذكاء التوليدي ظاهرة حديثة نسبيًا—ويعكس «منحنى الضجيج» لغارتنر ذلك: «الضجيج يملأ المشهد»! وتشير غارتنر إلى أن مصطلح GenAI يغطي تقنيات وتطبيقات عديدة. وجاء في بحثها: «إن الحماس وحجم التقنيات والأساليب المتاحة قد يصعّبان على قادة الذكاء الاصطناعي تحديد ما سيكون له الأثر الأكبر على الأعمال في المدى القريب والبعيد».
باختصار، ما زال هذا الفرع في معظمه ساحة ابتكار. ولم تجتز إلا قلّة من التطبيقات «قمة التوقعات المبالغ فيها» إلى «وادي الخيبة». وبكلمات أخرى، سيستغرق الأمر وقتًا قبل أن نتمكّن من تكوين رؤية متوازنة حول بعض مجالات تطوير GenAI.
ومع ذلك، بدأ GenAI يؤدي دورًا قيّمًا—ولو لا يزال ناشئًا—في قطاع الكهرباء. تستخدمه شركات المرافق ومشغّلو الشبكات لتبسيط العمليات الداخلية، مثل صياغة تقارير الانقطاعات، وتلخيص سجلات الحساسات، وتوليد مستندات الامتثال، وحتى محاكاة سيناريوهات الاستجابة للحوادث. وتشمل التطبيقات المواجهة للعملاء: الردود المؤتمتة على استفسارات الخدمة، وتقارير الاستخدام الشخصيّة للطاقة، وأدوات تواصل متعددة اللغات تُكيّف الرسائل حسب الشرائح الديموغرافية.
وعمليًا، تُجرّب بعض الشركات استخدام GenAI لتوليد مجموعات بيانات اصطناعية لتدريب النماذج التنبؤية حين تكون البيانات الواقعية محدودة أو شديدة الحساسية.
غير أن لـ GenAI حدوده أيضًا. فموثوقية مخرجاته بقدر جودة البيانات والإيعازات (Prompts) التي يتلقّاها، في حين تُعدّ الدقة وقابلية الشرح وقابلية التدقيق مسائل حاسمة في قطاع شديد التنظيم. يظل البشر مسؤولين أمام الجهات الرقابية والجمهور عن مشكلات مثل الانقطاعات؛ ولا يُقبل أن يُلقى اللوم على البرمجيات.
وعلى خلاف النماذج التنبؤية الراسخة في التعلّم الإحصائي، لم يُصمَّم GenAI بطبيعته للدقة؛ إذ قد يُنتج بثقة محتوى يبدو معقولًا لكنه غير صحيح («هلوسات»). وهذا يمثل مخاطرة في سياقات قد تفضي فيها المعلومات المضللة إلى تبعات سلامة أو مالية أو امتثالية. فضلًا عن ذلك، يتطلّب دمج GenAI بأمان في سير عمل البنى التحتية الحرجة—حيث تتصدّر قابلية التتبّع والمساءلة—حوكمة دقيقة، وتحققًا بشريًا، وغالبًا مواءمات مخصّصة.
وعلى الرغم من وعود GenAI—خصوصًا في تعظيم إنتاجية البشر وتعزيز التواصل—فمن الأفضل نشره اليوم كأداة دعم، لا كصاحب قرار في الأنظمة التشغيلية المحورية مثل توليد الطاقة الكهربائية وتوزيعها.
الذكاء التوليدي مقابل التنبؤي عبر صناعات محددة
تُحدث نماذج الذكاء الاصطناعي التنبؤية والتوليدية تأثيرًا كبيرًا في صناعات عديدة. فيما يلي أمثلة من التصنيع والتعليم العالي والقطاع العام:
الذكاء التنبؤي في تصنيع السيارات
- الصيانة التنبؤية: تحلّل النماذج بيانات حساسات الماكينات وخطوط التجميع للتنبؤ بأعطال المعدات قبل وقوعها، ما يقلّل التوقف والتكاليف.
- تنبؤ الطلب وتحسين المخزون: يستخدم المصنعون التحليلات للتنبؤ بطلب المركبات حسب الطراز والمنطقة والموسم، بما يبسّط شراء القطع ويحدّ من الفوائض أو النقص.
- تقييم مخاطر سلسلة الإمداد: تقوِّم الأنظمة أداء المورّدين والمخاطر الجيوسياسية وبيانات اللوجستيات للتنبؤ بالاضطرابات وتمكين إجراءات استباقية (كالبحث عن مورّدين بدلاء أو تعديل الجداول).
الذكاء التوليدي في تصنيع السيارات
- التصميم والنمذجة الأوّلية: يستخدم المهندسون GenAI لتوليد أفكار تصميمية وتكرارها، من الهيكل الخارجي إلى بيئة المقصورة، بإدخال أهداف الأداء وقيود التكلفة ومتطلبات الانسيابية.
- الوثائق الفنية والتدريب: يساعد GenAI في توليد أدلّة الإصلاح وتعليمات السلامة ومحتوى تدريب الفنيين، غالبًا مع تخصيصه لأسواق أو مستويات خبرة مختلفة.
- أتمتة المشتريات: يُستخدم GenAI في سلاسل الإمداد لصياغة طلبات العروض (RFPs) وتقييمات المورّدين وملخصات العقود، ما يُسرّع الدورات ويحسّن الاتساق عبر فعاليات الشراء.
الذكاء التنبؤي في التعليم العالي
- استبقاء الطلبة ونجاحهم: تحدّد المؤسسات الطلبة المعرضين للخطر بتحليل الحضور والدرجات ونشاط أنظمة إدارة التعلّم والعوامل الديموغرافية، لتمكين تدخلات في الوقت المناسب مثل الإرشاد الأكاديمي أو الدعم.
- تنبؤ الطلب على المقررات: تحلّل النماذج اتجاهات التسجيل وشعبية البرامج للتنبؤ بالطلب على المقررات، ما يساعد فرق المشتريات وأعضاء الهيئة التدريسية على شراء الموارد واستخدامها بكفاءة.
- إدارة المرافق والطاقة: تُحسّن الأنظمة التنبؤية تشغيل الحرم الجامعي، من توقّع إشغال المباني إلى إدارة الطاقة وجداول الصيانة بشكل استباقي.
الذكاء التوليدي في التعليم العالي
- أدوات الدعم الأكاديمي: يُستخدم GenAI لتقديم مساعدة في الكتابة وتلخيص المحاضرات ودروس تفاعلية في مواد مثل البرمجة أو بنية المقال، ما يحرّر وقت أعضاء الهيئة لأنشطة أعلى قيمة.
- توليد المحتوى الإداري: يمكن للجامعات نشر GenAI لصياغة السياسات ورسائل المانحين وملخصات التقارير الطويلة للمراجعة التنفيذية، بما يعزّز السرعة والاتساق.
- تخصيص تفاعل الطلبة: تُولِّد روبوتات المحادثة المدفوعة بـGenAI ردودًا مُفصّلة بحسب الطلبة، وتهديهم عبر التسجيل أو المساعدات المالية، وتقدّم دعمًا على مدار الساعة بلغات متعددة.
الذكاء التنبؤي في القطاع العام
- توزيع الموارد: تُستخدم النماذج للتنبؤ بطلب الخدمات العامة—كالرعاية الصحية والتعليم والطوارئ—ليُخصَّص التمويل والكوادر بفاعلية أكبر.
- كشف الاحتيال في المشتريات: تحلّل الأنظمة بيانات المشتريات التاريخية وأنماط المورّدين وتشوهات الأسعار لرصد المعاملات المشبوهة أو المورّدين عاليي المخاطر، ما يحسّن الامتثال والشفافية.
- توقّع أثر السياسات: تعتمد فرق الخدمة المدنية نماذج تنبؤية قائمة على المحاكاة لاستشراف نتائج السياسات أو اللوائح الجديدة، خصوصًا في السكن والتوظيف والطاقة.
الذكاء التوليدي في القطاع العام
- صياغة المستندات: يساعد GenAI في كتابة مذكرات السياسات وملخصات الاستشارات ومسودات التشريعات، ما يقلّل زمن التسليم ويحسّن سهولة القراءة.
- تواصل المواطنين والمشاركة: تُستخدم أدوات GenAI لصياغة الردود على استفسارات الجمهور، وترجمة المحتوى إلى لغة مبسّطة، وتخصيص المعلومات لفئات مختلفة من المواطنين.
- دعم المشتريات: يُساند فرق المشتريات بصياغة وثائق المناقصات وتلخيص ردود المورّدين وإعداد تقارير التقييم—وهو مفيد خصوصًا في المشتريات المعقّدة متعددة الجهات.
التحديات والاعتبارات الأخلاقية
للذكاء الاصطناعي منتقدوه، لا سيما في القضايا الأخلاقية مثل الخصوصية والتحيز والإنصاف. لننظر في ذلك تباعًا.
شواغل الخصوصية في التحليلات التنبؤية
تعتمد النماذج التنبؤية كثيرًا على بيانات شخصية (مثل السجلات الأكاديمية والمعلومات الصحية وتاريخ الشراء). وإذا كانت هذه البيانات غير مُزالة التعريف بصورة كافية أو ضعيفة الحوكمة، فقد تعرّض الأفراد لمخاطر الخصوصية. وحتى البيانات المُزالة التعريف قد تُستخدم لاستنتاج معلومات عن الأفراد، وأحيانًا الكشف عن سمات محمية (كالعرق أو الحالة الصحية) لم تُجمع صراحة.
هناك ميل أيضًا للاحتفاظ بالبيانات «تحسّبًا لأي طارئ»، ما يرفع مخاطر «توسّع نطاق الاستخدام» (Function Creep)، أي استخدام البيانات لأغراض تتجاوز الغاية الأصلية، وربما من دون موافقة المستخدم. تحمي اللائحة العامة لحماية البيانات (GDPR) وما شابهها من الأنظمة من ذلك، لكن لا ضمان بالتزام الشركات دائمًا.
التحيّز والإنصاف في التحليلات التنبؤية
يُقال إن النماذج التنبؤية المدربة على بيانات تاريخية قد تعيد إنتاج أوجه اللامساواة القائمة (مثلًا في التوظيف أو القبول الجامعي أو إنفاذ القانون) إذا كانت القرارات السابقة متحيّزة—وهناك أدلة وافرة. فمثلًا، وجد «معهد سياسات التعليم العالي» أن خوارزميات تنبؤية تُستخدم لتقييم نجاح الطلبة قد تتسم بتحيز عرقي: إذ كانت أكثر احتمالًا للتنبؤ بفشل الطلبة السود واللاتينيين الذين نجحوا لاحقًا، مقارنةً بنظرائهم من البيض والآسيويين.
وقد تستخدم الأنظمة—عن غير قصد—متغيرات مترابطة (مثل الرمز البريدي أو اللغة) كبدائل لسمات محمية، ما يفضي إلى أثر تمييزي. وعندما تكون النماذج معقّدة أو غير قابلة للتفسير، يصعب الطعن في النتائج غير العادلة أو تفسير سبب اتخاذ قرار ما.
شواغل الخصوصية في الذكاء التوليدي
تُدرَّب نماذج GenAI غالبًا على بيانات ملكية وسرّية أو مُعرِّفة للشخصية. ثمة خطر من تسريب تفاصيل خاصة في المخرجات—لا سيما إذا جرى التدريب على بيانات عامة المنشأ كشبكة الويب.
وتتزايد المخاوف بشأن ما إذا كان الأفراد أو المؤسسات قد وافقوا على استخدام بياناتهم في التدريب، خصوصًا في التعليم والرعاية الصحية والقطاع العام.
التحيّز والإنصاف في الذكاء التوليدي
قد تُعيد نماذج GenAI المدربة على محتوى واسع النطاق من الويب إنتاج الصور النمطية أو المعلومات المضللة، بما في ذلك تمثيلات متحيّزة للجندر أو العِرق أو الدين أو الإعاقة. وقد وجدت دراسة حلّلت صورًا مولّدة بأدوات مثل Midjourney وStable Diffusion وDALL·E 2 تحيزات منهجية؛ فغالبًا ما تُصوَّر النساء أصغر سنًا وأكثر سعادة، بينما يظهر الرجال أكبر سنًا وأكثر حيادية أو غضبًا، مع تمثيل ناقص للأمريكيين الأفارقة. وقد أبرزت مقالة في بلومبرغ أن النماذج التوليدية—مثل Stable Diffusion—قد تأخذ الصور النمطية العرقية والجندرية إلى أقصى الحدود، مُنتجةً مخرجات أكثر تحيّزًا من بيانات العالم الواقعي.
وعندما تختلق أدوات GenAI معلومات، تفعل ذلك بنبرة واثقة قد تُضلّل المستخدمين، خاصة في السياقات القانونية أو الطبية أو التعليمية. عُرف ذلك بـ«السلطة المتوهَّمة» (Hallucinated Authority).
وأخيرًا، قد تُظهر أنظمة GenAI أداءً ضعيفًا في اللغات أو اللهجات الأقل انتشارًا، ما يعمّق اللامساواة في الوصول إلى الخدمات الرقمية والتواصل.
الخلاصة—استراتيجيات انتقال مطلوبة
الذكاء الاصطناعي التنبؤي (أو التحليلات التنبؤية) والذكاء الاصطناعي التوليدي فرعان مختلفان جدًا من الذكاء الاصطناعي. الأول أقدم عهدًا، لذا فحالات استخدامه أكثر ثباتًا. أما الثاني فيقدّم إمكانات كبيرة، لكن تقنياته وتطبيقاته أحدث، ومن الحكمة التحوّط من بعض الضجيج الدائر حوله.
ورغم أن كليهما يقدّم فوائد هائلة عبر قطاعات الصناعة، ثمة تحديات خطيرة يجب معالجتها. فحوكمة بيانات متينة ضرورة: على المؤسسات تحديد حدود واضحة لما يُجمع من بيانات وكيفية استخدامها ومدة الاحتفاظ بها. كما ينبغي إجراء تدقيقات تحيّز واختبارات إنصاف. وهناك أدوات وأُطر متاحة (مثل Aequitas وFairlearn) لقياس النتائج المتباينة والتخفيف منها.
لا سيما في البيئات عالية المخاطر، ينبغي إخضاع القرارات النهائية لإشراف بشري لضمان المساءلة—أي تفاعلات «وجود الإنسان ضمن الحلقة» (HITL) مع تعلّم الآلة.
وأخيرًا، على المؤسسات اعتماد نماذج قابلة للتفسير حيث أمكن، وتزويد المستخدمين بمبررات واضحة للقرارات أو المخرجات المُساعَدة بالذكاء الاصطناعي. ويزداد هذا التحدي مع نشر GenAI في تطبيقات ضمن صناعات عالية التنظيم. فمثلًا، قد يُنتج GenAI توصيات للمستثمرين استنادًا إلى بيانات تاريخية تتبيّن لاحقًا أنها خاطئة؛ فمن المسؤول إذا مُنيت الاستثمارات بخسائر فادحة؟
