الذكاء الاصطناعي التوليدي أم تعلم الآلة؟ لا تدفعوا أكثر لتحصلوا على إجابة أضعف
معظم خيبات الأمل المؤسسية من الذكاء الاصطناعي ليست فشلاً تقنياً، بل خطأ في اختيار الطبقة المناسبة. شركات كثيرة تشتري أنظمة توليدية غامضة ومكلفة لحل مسائل كانت طبقة تعلم الآلة الأقدم قد حلّتها بالفعل، بتكلفة أقل وبإمكانية تبرير أوضح.
في مكانٍ ما، يجري حالياً إيقاف تشغيل نظام تصنيف مطالبات تأمين كان يعمل بكفاءة، لمجرد أن نظاماً توليدياً أبهر الحضور في عرض تجريبي. النظام القديم كان يمنح المطالبة درجة، ويعيد رمز سبب واضحاً، وكانت تكلفة تشغيله جزءاً من جزء من القرش. النظام الجديد يكتب فقرة تشرح قراره، وهذا ليس الأمر نفسه كإظهار آلية العمل. هذه اللحظة، لحظة الاختيار بين الذكاء الاصطناعي التوليدي وتعلم الآلة، لم تعد تفضيلاً هندسياً، بل قراراً في المشتريات له تبعات تمتد ثلاث سنوات.
الصفقة تبدو جيدة على الورق لأن دراسة الجدوى لا تحتسب سوى السنة الأولى: واجهة أفضل، تجربة أسرع، عرض تقديمي يبهر في الاجتماع. أما التكاليف فتظهر لاحقاً. فاتورة استدلال ثابتة تتحول إلى فاتورة متغيرة تكبر مع الاستخدام. مُخرَج حتمي يتحول إلى مُخرَج احتمالي قد يختلف رغم تطابق المدخلات. نظام كان يمكن تفسيره لجهة تنظيمية يتحول إلى نظام لا يمكن سوى عرضه أمامها، وهذا موقع أضعف بكثير حين يُسأل عن سبب رفض مطالبة بعينها في شهر مارس.
لا أحد يوقّع هذه الصفقة وهو يدرك حقيقتها الكاملة. يوقّعها لأن العرض لم يحدد قط أي طبقة من الحزمة التقنية يجري شراؤها، ولم يسأل أحد في جانب الشراء عن ذلك أيضاً.
ماذا كان يفعل النظام القديم، ولا يستطيع الجديد فعله؟
كان يمنحكم السبب. تعلم الآلة التقليدي يستنتج قاعدته من أمثلة موسومة، والأثر الجانبي المفيد هو أنه غالباً يمكن استرجاع أي من الخصائص حرّك الدرجة وبأي مقدار. كان هذا بالفعل تقدماً على حقبة كان فيها الذكاء الاصطناعي التجاري يعني أن يكتب البشر القواعد يدوياً، وهو نهج صاغ ملامح المجال جيلاً كاملاً ثم انهار أمام أي شيء يتغير.
البنى العميقة تخلت عن هذه الخاصية لتكتسب قدرة على الصور والصوت والنص. التمثيل موزّع عمداً عبر الأوزان، لذا شبكة من مئة طبقة لا يمكنها إعادة سرد واضح لما حرّك الإجابة. الأنظمة التوليدية تُبنى فوق ذلك، ومدرَّبة على نطاق واسع بما يكفي لإنتاج مخرجات سلسة، فترث الغموض نفسه مع فاتورة أكبر. هذا ليس نقص نضج هندسي بانتظار تحديث، إنه خاصية متأصلة في التصميم، وأكثر بند مُقدَّر بأقل من قيمته الحقيقية في مشتريات الذكاء الاصطناعي.
متى تختارون الذكاء الاصطناعي التوليدي بدلاً من تعلم الآلة؟ سؤالان يحسمان الأمر
هل لديكم أمثلة موسومة؟ هل لديكم حجم بيانات كافٍ؟ إن كانت الإجابة نعم في الحالتين، فالطبقة الأقدم هي غالباً الخيار الصحيح. كشف الاحتيال، كشف الاختراقات، التنبؤ بتسرب العملاء، التنبؤ بالطلب، وتصنيف المستندات على نطاق واسع، كلها مسائل أنماط وقيم شاذة مرتبطة بحقيقة أرضية معروفة. تُعيد درجة يمكن وضع حد أدنى لها، ومراقبتها، والدفاع عنها أمام جهة تنظيمية. تمرير أي منها عبر نظام توليدي يضيف مخرجاً احتمالياً وتكلفة لكل استدعاء إلى مهمة كانت أصلاً تنتج رقماً ورمز سبب.
الأدلة المنشورة هنا أضيق نطاقاً من التسويق الذي يستعير منها. دراسة حول المفاضلة بين التكلفة والجودة في تصنيف النصوص تقارن مصنّفات بأحجام مختلفة جداً من حيث الدقة إلى جانب تكلفة التوسيم والتدريب والاستدلال. أرقامها خاصة بمجموعات بياناتها وافتراضات تسعيرها، فاستخدموها كمنهج لاستجواب المورّد لا كمعيار تستشهدون به أمامه. النقطة الجوهرية تصمد رغم التحفظات: في مهمة تصنيف محددة النطاق، الخيار الأغلى ليس بالضرورة الأدق، وهو بالتأكيد ليس الأرخص تشغيلاً عند الحجم الكبير.
الأنظمة التوليدية تكسب موقعها حيث تكون الطبقة الأقدم في أضعف حالاتها: لا توسيم، لا مجموعة تدريب، مدخلات غير منظمة، تذيّل طويل من التباين، ومخرج يحتاج فعلاً أن يكون نصاً متصلاً. البداية من الصفر هي الاستخدام الصادق. النمط الأرخص هو معاملة الطبقة المكلفة كسقالة مؤقتة: تجعلونها تولّد وتوسم البيانات التي كنتم تفتقرون إليها، ثم تُقطّرون المهمة في نموذج صغير تملكونه وتستضيفونه ويمكن مراجعته. هذا يظهر في عمليات النشر التي تُبقي إنساناً في موقع التحكم بالقرار أكثر بكثير مما يظهر في العرض التسويقي، لأنها تنتهي بأن يدفع المشتري أقل.
لماذا يبدو هذا الأمر جديداً؟
لأن طبقة واحدة تحركت والحزمة كلها نالت الفضل. أفاد استطلاع ماكنزي العالمي لعام 2024 بأن 65% من المشاركين قالوا إن مؤسساتهم تستخدم الذكاء الاصطناعي التوليدي بانتظام، أي ما يقارب ضعف النسبة قبل عشرة أشهر فقط. الاستطلاع قائم على تصريح ذاتي وعينة محدودة، لكن يصعب الجدال معه كاتجاه عام. ما يخفيه هذا الرقم هو العقد الهادئ الذي سبقه، حين دخلت أنظمة التصنيف والتنبؤ وكشف الشذوذ حيز الإنتاج من دون حفل إطلاق، وغالباً من دون أن توصف بكلمة «ذكاء اصطناعي» أصلاً.
الآن يُعاد تصنيف هذه الأنظمة إلى مرتبة أعلى. نموذج كشف احتيال بُني عام 2019 يظهر في تقرير مجلس الإدارة هذا العام كجزء من منصة الذكاء الاصطناعي. أحياناً هذا تسويق بريء. وأحياناً يذهب أبعد من ذلك: وجّهت هيئة الأوراق المالية والبورصات الأمريكية اتهامات لشركتي استشارات استثمار بشأن ادعاءات مضللة حول استخدامهما للذكاء الاصطناعي، وهو سلوك وصفته الهيئة بأنه تلميع للذكاء الاصطناعي (AI washing). التعرّض للمساءلة الآن يسري في الاتجاهين، من المورّد إلى المشتري ومن المشتري إلى مستثمريه، ولهذا فإن أعمال الجاهزية التي يجب أن تسبق أي بناء تختصر غالباً في تسمية الطبقة بصدق قبل أن يوقّع أحد.
في الخليج، حيث تتقدم برامج التحول الرقمي بخطى سريعة ضمن رؤية السعودية 2030 واستراتيجية الإمارات للذكاء الاصطناعي، هذا التمييز بين الطبقات لن يظل تفصيلاً هندسياً بل سيصبح شرطاً تنظيمياً متزايداً، مع تطور أطر حماية البيانات مثل نظام حماية البيانات الشخصية السعودي (PDPL) ولوائح مماثلة في الإمارات.
فاتورة قابلية التفسير تصل متأخرة
بموجب قانون الذكاء الاصطناعي الأوروبي، تشترط المادة 13 أن تكون الأنظمة عالية المخاطر شفافة بما يكفي ليتمكن الجهات الناشرة لها من تفسير مخرجاتها واستخدامها على النحو الصحيح، مدعومة بتعليمات استخدام مفهومة. هذا التزام محدد النطاق على فئة معرّفة، لا حق عام مطلق في تفسير تقني لكل مخرج، ومن يقول لكم غير ذلك يبيعكم برمجية امتثال. ضعوا هذا إلى جانب نقطة البنية التقنية، فالالتزام يقع بوضوح بثقله الأكبر على الطبقة الأقل قابلية للتفكيك.
دمج الموردين يجعل هذا السؤال أصعب طرحاً، وهذا بالضبط هو المقصود. حين يكون كل ما يبيعه المورّد خلف نافذة محادثة واحدة، يفقد المشتري القدرة على رؤية ما يقوم فعلياً بالعمل، وبالتالي يفقد القدرة على تسعيره. لذا اسألوا كتابياً: ماذا يحدث حين يُرسَل الطلب، وهل تتغير الإجابة إذا استُبدل النموذج الأساسي؟ المورّد الذي لا يستطيع الإجابة عن هذا في فقرة واحدة إما لا يعرف، أو يفضّل ألا تعرفوا أنتم. هذا السؤال مكانه في الاستراتيجية التقنية التي تحكم المشتريات، حيث يُطرح قبل توقيع العقد لا بعد الفاتورة الثالثة.
الآلية نفسها، موجّهة في الاتجاه المعاكس
هناك سبب أمني أيضاً للإبقاء على الفصل بين الطبقات. القدرة نفسها التي تصوغ ملخصاتكم تصنّع أيضاً أصواتاً ووجوهاً ومستندات هوية مزيّفة. أصدرت شبكة مكافحة الجرائم المالية الأمريكية (FinCEN) تنبيهاً للمؤسسات المالية بشأن مخططات احتيال تستخدم وسائط مزيّفة عميقة، مشيرة إلى زيادة في تقارير الأنشطة المشبوهة المرتبطة بمستندات هوية اصطناعية يُشتبه في استخدامها لتجاوز إجراءات التحقق. التطبيقات المفيدة والمسيئة ليست خطي إنتاج منفصلين، بل قدرة واحدة موجَّهة في اتجاهات مختلفة. والدفاع عنها ليس نموذجاً توليدياً أكبر، بل كشف الشذوذ السلوكي، وإشارات الأجهزة، والتقييم بالقيم الشاذة؛ أي الطبقة الأقدم تؤدي ما أدته دائماً بكفاءة، ضمن أنظمة مصممة لاحتواء ما تستطيع الطبقة الأحدث فعله.
الجدل الفلسفي حول ما إذا كانت هذه الأنظمة تبتكر أم تعيد فقط تجميع ما هو موجود على نطاق واسع، جدل لا يُحسم، وهو بالنسبة إلى المشتري ليس المهم أصلاً. الملاءمة لمهمة محددة هي النسخة الوحيدة من السؤال التي لها إجابة، ويمكن الإجابة عنها في بعد ظهر واحد باستخدام بياناتكم أنتم. الشركة التي لا تستطيع تحديد الطبقة التي تقع فيها أنظمتها لا تملك وسيلة لتسعير ما اشترته للتو، وستكتشف الثمن على أي حال، في السنة الثالثة.
أسئلة شائعة
هل الذكاء الاصطناعي التوليدي أدق من تعلم الآلة في كشف الاحتيال أو الشذوذ؟
لا يوجد أساس لافتراض ذلك. الكشف مسألة قيم شاذة ذات تاريخ موسوم وحقيقة أرضية واضحة، وهو بالضبط الشكل الذي بُني تعلم الآلة التقليدي من أجله، ويعيد درجة يمكن وضع حد أدنى لها ومراقبتها. النظام التوليدي المسؤول عن السؤال نفسه يعيد إجابة احتمالية بقابلية تتبع أضعف وتكلفة لكل استدعاء. إن أردتم مقارنة حقيقية، أصرّوا على اختبار واحد يُجرى على بياناتكم أنتم، مع عرض التكلفة ونسبة الخطأ جنباً إلى جنب، لا معياراً مرجعياً للمورّد مبنياً على بيانات غيركم.
كيف نعرف أي طبقة من الذكاء الاصطناعي يبيعها لنا المورّد فعلياً؟
اطرحوا ثلاثة أسئلة كتابياً. ما الذي يعمل فعلياً حين يُرسَل الطلب، بالترتيب؟ أي المكوّنات مدرَّب على بياناتنا، وأيها عام الغرض؟ هل تتغير المخرجات إذا استُبدل النموذج الأساسي بنموذج آخر، وكيف سنعرف ذلك؟ المورّد الذي يبيع تعلم آلة تقليدياً خلف واجهة محادثة يستطيع الإجابة عن الأسئلة الثلاثة بسرعة. أما من يتهرب بلغة القدرات العامة، فإما أنه غير واضح بشأن بنيته التقنية، أو غير راغب في أن تُفحص تسعيرته.
هل استبدال مصنّف بنظام توليدي يغيّر التعرّض التنظيمي لمؤسستنا؟
قد يغيّر مدى سهولة استيفائكم لالتزامات الشفافية. تشترط المادة 13 من قانون الذكاء الاصطناعي الأوروبي أن تكون الأنظمة عالية المخاطر شفافة بما يكفي ليتمكن الجهات الناشرة من تفسير مخرجاتها واستخدامها بشكل صحيح، والبنى الأعمق أصعب تفكيكاً بعد وقوع الحدث بحكم تصميمها. أما وقوع نظامكم تحديداً ضمن هذا النطاق فهو سؤال قانوني يخص المستشار القانوني. الموقف العملي أبسط: إن كنتم قد تحتاجون لإعادة بناء سبب اتخاذ قرار معين، اختاروا الطبقة التي تجعل إعادة البناء ممكنة قبل أن تبدأوا البناء، لا بعده.
مواضيع ذات صلة
- تراجع المهارات بفعل الذكاء الاصطناعي: المخاطرة التشغيلية التي لا يسعّرها مجلس إدارتكم
- احتكار الذاكرة الذي يقف وراء تضخم تكاليف الذكاء الاصطناعي
- أقل قدر من الصلاحيات لوكلاء الذكاء الاصطناعي: فكرة عمرها خمسون عامًا يتجاهلها مشروعكم التجريبي
- AI & Automation
كُتب بواسطة شخصية تحريرية بالذكاء الاصطناعي ضمن نظام التحرير الخاص بـ Abyshire وروجع من فريقنا.