#تتطوير الرموز الذكاء الاصطناعي

 

حول تطوير الرموز المنخفضة إلى تكامل الذكاء الاصطناعي يعد ثورة في عالم تطوير البرمجيات، حيث يجمع بين البساطة والكفاءة والقدرة على معالجة المهام المعقدة بطريقة تعاونية وديناميكية. إليك بعض المعلومات المتعلقة بهذا التحول:التكامل بين منصات تطوير الرموز المنخفضة والذكاء الاصطناعي.يمكن للذكاء الاصطناعي أتمتة العديد من جوانب عملية تطوير البرمجيات عند دمجه في منصات تطوير الرموز المنخفضة. وبفضل الأوامر اللغوية الطبيعية، يمكن لنماذج اللغة الكبيرة (LLMs) المدربة على مجموعات بيانات كبيرة أن تقترح أجزاء جديدة من الأكواد، مما يقلل من الحاجة إلى الترميز اليدوي. هذا لا يسرع فقط تطوير الرموز المنخفضة، ولكنه يقلل أيضًا من مخاطر الأخطاء البشرية  الفوائد المترتبة على التقاطعإن التكامل بين تطوير الرموز المنخفضة والذكاء الاصطناعي يوفر العديد من الفوائد مثل:تسريع التطوير1.تعزيز الإنتاجية2.دمقرطة التطوير3.تحسين الجودة4.تجارب مستخدم أفضل5..الاستفادة من رؤى مدفوعة بالبيانات  6.ديمقراطية تطوير الذكاء الاصطناعي.انتشار حلول الرموز المنخفضة يعد تقدمًا في منصات التكنولوجيا وتحولًا في الطريقة التي نقترب بها من حل المشكلات والابتكار. من خلال جعل أدوات تطوير الذكاء الاصطناعي متاحة بسهولة وسهولة الاستخدام، تقوم الرموز المنخفضة بديمقراطية الإبداع، مما يحرر الإبداع من قيود الكود والبناء النحوي  منصات مثل Amoga.منصات مثل Amoga تمهد الطريق لتبني أوسع للذكاء الاصطناعي منخفض الشفرة من خلال تقديم بيئات تطوير سهلة الاستخدام ومرنة وقابلة للتوسع لبناء تطبيقات مدفوعة بالذكاء الاصطناعي والتي تلبي العديد من التحديات وحالات الاستخدام التجارية  باختصار، يعتبر تكامل الذكاء الاصطناعي مع تطوير الرموز المنخفضة نقطة تحول في كيفية بناء وتصميم التطبيقات، حيث يسمح بإنشاء تطبيقات أكثر تقدما وتخصيصا دون الحاجة إلى خبرة برمجية معمقة، ويتيح إمكانيات جديدة للابتكار في مجال تطوير البرمجيات.

استخدام الذكاء الاصطناعي التوليدي

في ظل الانتشار الواسع للذكاء الاصطناعي التوليدي، تسعى بعض الشركات - من خلال مدراء أنظمة المعلومات ومدراء التكنولوجيا – إلى الحد من المخاطر من خلال منع موظفيها من الوصول إلى التطبيقات المتاحة للجمهور. بيد أن تلك الإجراءات التي تتخذها عندئِذ قد تعرقل فرص الابتكار وتحد من قدرة الموظفين على تطوير مهارات جديدة ضرورية في هذا المجال.

ويجب على مدراء أنظمة المعلومات ومدراء التكنولوجيا أن يتعاونوا مع قادة إدارة المخاطر لتحقيق توازن بين الحاجة الفعلية لتقليل المخاطر وتطوير المهارات المتعلقة بالذكاء الاصطناعي التوليدي داخل الشركة بدلاً من الحظر بشكل كامل. ويتطلب هذا تحديد موقف الشركة بوضوح حيال الذكاء الاصطناعي التوليدي، بناءً على توافق الآراء حول مستوى المخاطر المقبول ودمج الذكاء الاصطناعي التوليدي ضمن استراتيجية الشركة العامة، حيث تتيح هذه الخطوة للشركة سرعة تحديد السياسات والإرشادات العامة.

بعد تحديد السياسات بدقة، يتوجب على القادة نقل هذه السياسات لمختلف الأقسام داخل الشركة. كما يتعين على مدراء أنظمة المعلومات ومدراء التكنولوجيا توفير وسيلة وصول مناسبة وتقديم توجيهات سهلة الفهم. لضمان وصول هذه السياسات لجميع أعضاء الشركة، قامت بعض الشركات بإطلاق تنبيهات على مستوى الشركة تتعلق بالذكاء الاصطناعي التوليدي. بالإضافة إلى ذلك، تم توفير وصول واسع للذكاء الاصطناعي التوليدي لمجموعات معينة من المستخدمين. ووضعت هذه الشركات أيضا نوافذ منبثقة تظهر تحذيرات عندما يقوم المستخدمون بإدخال بيانات خاصة بالشركة في النماذج. وكذلك، تم تأسيس صفحة توجيهات تظهر كلما قام المستخدمون بالوصول إلى خدمة ذكاء اصطناعي توليدي عامة للجمهور.

2- تحديد السيناريوهات التي تضيف قيمة من خلال تعزيز الإنتاجية، والنمو، وإدخال نماذج أعمال جديدة

يتعين على مدراء أنظمة المعلومات ومدراء التكنولوجيا أن يكونوا العنصر المهدئ للهوس الزائد بـ "الاستخدام الأعمى" الذي نراه في العديد من الشركات. من خلال التعاون مع الرئيس التنفيذي والمدير المالي وقادة الأعمال الآخرين، يمكنهم التفكير بشكل متأني حول الطرق التي قد يتحدى فيها الذكاء الاصطناعي التوليدي نماذج الأعمال القائمة، وكيف يمكنه فتح أفاق لنماذج أعمال جديدة وإنشاء مصادر قيمة جديدة. بفضل فهمهم العميق للقدرات التقنية، يتعين على مدراء أنظمة المعلومات ومدراء التكنولوجيا التعرف على أكثر الفرص والمسائل ذات القيمة على مستوى الشركة والتي يمكنها الاستفادة من الذكاء الاصطناعي التوليدي، وكذلك تلك التي لن تتمكن من الاستفادة منه. لأنه في بعض الأحيان، الذكاء الاصطناعي التوليدي قد لا يكون هو الخيار الأمثل.

توضح أبحاث ماكنزي - على سبيل المثال- أن الذكاء الاصطناعي التوليدي قادر على زيادة الإنتاجية بنحو 10٪ في بعض الحالات المتعلقة بالتسويق، مثل تحليل البيانات غير المهيكلة للحصول على فهم أفضل لتفضيلات العملاء، ويمكنه تعزيز الدعم للعملاء بنسبة تصل إلى 40٪2 من خلال الروبوتات الذكية. ويمكن أن يلعب مدراء أنظمة المعلومات ومدراء التكنولوجيا دوراً بارزاً في تحديد أفضل الطرق لتجميع حالات الاستخدام بحسب القطاع، مثل رحلة العميل أو العمليات التجارية، أو بحسب نوع الاستخدام، مثل إنشاء المحتوى الإبداعي أو الوكلاء الافتراضيين، للحصول على أقصى استفادة من الذكاء الاصطناعي التوليدي. إن تحديد الفرص فحسب ليس هو المهمة الإستراتيجية الأساسية، بل يتعين على مدراء أنظمة المعلومات ومدراء التكنولوجيا تقديم دراسة جدوى دقيقة وتقديرات للموارد لمساعدة الذكاء الاصطناعي في تحديد أولويات الأعمال نظرًا للقيود التي يتم ممارستها على المواهب والقدرات،

ولتقديم مجموعة استشارات بهذا القدر من الدقة، يتطلب من قادة التكنولوجيا العمل بالتعاون مع الشركة لبناء القدرة على استخدام الذكاء الاصطناعي في القطاع المالي للقيام بمهمة تقدير التكاليف والعائدات الفعلية لمشاريع الذكاء الاصطناعي التوليدية. قد تكون حسابات التكلفة معقدة بشكل خاص، حيث يجب أن تأخذ في الاعتبار تكاليف النماذج المتعددة والموردين، وكذلك التفاعلات بين النماذج، (وقد تتطلب بعض الاستفسارات الإدخال من عدة نماذج كل منها له رسومه الخاصة). بالإضافة إلى ذلك، يجب حساب رسوم الاستخدام المستمر وتكاليف الإشراف البشري.

3- إعادة النظر في وظيفة التكنولوجيا

يمتلك الذكاء الاصطناعي التوليدي القدرة على تحويل الطريقة التي تعمل بها الوظائف التكنولوجية بالكامل. ومن الضروري لمدراء أنظمة المعلومات ومدراء التكنولوجيا أن ينظروا في التأثير المحتمل للذكاء الاصطناعي التوليدي على جميع جوانب التكنولوجيا، لكنه من الأهمية بمكان العمل بسرعة لتجميع الخبرة والمعرفة. وهناك ثلاثة مجالات رئيسية يمكنهم التركيز عليها في البداية:

تطوير البرمجيات: تشير الأبحاث التي أجرتها ماكنزي إلى أن دعم الذكاء الاصطناعي التوليدي في إنشاء الأكواد يمكن أن يعزز من كفاءة مهندسي البرمجيات بنسبة 35% إلى 45% في تطوير الكود، ومن 20% إلى 30% في إعادة بناء الكود، وبنسبة من 45% إلى 50% في تنفيذ توثيق الكود3.3 كما يمكن للذكاء الاصطناعي التوليدي أن يقوم بأتمتة عملية الاختبار ومحاكاة السيناريوهات المتقدمة، مما يتيح للفرق إنتاج برمجيات أكثر مرونة قبل الإصدار وكذلك تسريع عملية تدريب المطورين الجدد (على سبيل المثال، من خلال الاستفسارات التي يطرحها الذكاء الاصطناعي حول قاعدة الكود). لتحقيق هذه المزايا، سيكون من الضروري القيام بتدريبات مكثفة (انظر المزيد في الإجراء 8) وأتمتة خطوط الانتاج لدمجها والعمل بها من خلال ممارسات DevSecOps للتعامل مع ارتفاع حجم الكود.

الديون التقنية: تتراوح الديون التقنية بين 20% و40% من الميزانيات التكنولوجية وهي تقف عائقًا أمام التطوير بشكل كبير4. يتعين على مدراء أنظمة المعلومات ومدراء التكنولوجيا مراجعة ميزانيات الديون التقنية لتحديد مدى الفائدة التي يمكن أن تقدمها قدرات الذكاء الاصطناعي التوليدي، مثل إعادة بناء الكود وتحويله. إضافة إلى ذلك، يمكن أن يساهم الاختبار الآلي في الإسراع من وتيرة تقليل الديون التقنية.

عمليات تكنولوجيا المعلومات (ITOps): سيكون مدراء أنظمة المعلومات ومدراء التكنولوجيا بحاجة إلى مراجعة جهود إنتاجية عمليات تكنولوجيا المعلومات لتحديد كيف يمكن استخدام الذكاء الاصطناعي التوليدي في تسريع العمليات. تعد قدرات الذكاء الاصطناعي التوليدية مفيدة بشكل خاص في أتمتة المهام مثل إعادة تعيين كلمة المرور أو الاستفسارات الخاصة بالحالة أو اتاحة أدوات التشخيص الأساسية للمشكلات من خلال الأدوات أو التكنولوجيا التي تتيح للعملاء تنفيذ مهام معينة بأنفسهم ؛ وجعل عمليات التصنيف والفرز تتم بشكل أسرع واتخاذ القرارات وتقديم توصيات بشكل أفضل؛ واستخراج المعلومات الرئيسية ذات الصلة أو تقديمها ، مثل الموضوع أو الأولوية ، وتوليد الردود المقترحة ؛ وتحسين إمكانية الملاحظة من خلال تحليل مجموعة هائلة من السجلات لتحديد الأحداث التي تتطلب الاهتمام حقًا ؛ وتطوير الوثائق، مثل إجراءات التشغيل القياسية، وفحص ما بعد الوفاة، أو تقارير الأداء.

4- الاستفادة من الخدمات المتاحة حاليا أو تعديل نماذج الذكاء الاصطناعي التوليدي مفتوحة المصدر

تتغير النظرة التقليدية لقرار "التأجير أو الشراء أو البناء" عندما نتحدث عن وضع استراتيجيات لتطوير قدرات الذكاء الاصطناعي التوليدي. ولا تزال القاعدة الأساسية صحيحة وهي أنه ينبغي على الشركات الاستثمار في قدرات الذكاء الاصطناعي التوليدي حيث يمكن أن تحقق ميزة تنافسية، بينما تواصل تقديم الخدمات المتاحة بالفعل للمهام التي تكون عامة إلى حد كبير.

يمكن لمدراء أنظمة المعلومات ومدراء التكنولوجيا أن ينظروا في التأثيرات المترتبة على هذه الخيارات باعتبارها ثلاثة نماذج أولية وهي: -

نموذج المتعامل (Taker): يتفاعل مع النماذج العامة المتوفرة من خلال واجهة المستخدم أو واجهة برمجة التطبيقات، مع إضافة تعديل بسيط أو بدون تعديل. هناك أمثلة جيدة على ذلك تتمثل في حلول البرمجة الجاهزة (مثل GitHub Copilot) أو أدوات دعم المصممين المُستخدمة لإنشاء وتحرير الصور (مثل Adobe Firefly). يعتبر هذا النموذج هو الأبسط من حيث المتطلبات التقنية والبنية التحتية وهو عادة ما يكون الأسرع في الإعداد والتشغيل. إن هذه النماذج، في الأساس، هي سلع تعتمد على تقديم البيانات كمدخلات للنموذج العام.

نموذج المُشكِل (Shaper):يقوم بدمج النماذج مع البيانات والأنظمة الداخلية للشركة لتقديم نتائج مُخصصة بشكل أكبر. مثال على ذلك، نموذج يعزز عمليات المبيعات من خلال دمج أدوات الذكاء الاصطناعي التوليدية وأنظمة إدارة العلاقات مع العملاء (CRM) والأنظمة المالية، وهذا يسمح بالدمج والتفاعل بين سجلات المبيعات وتاريخ التفاعلات السابقة مع العملاء. مثال آخر وهو تهيئة وتخصيص النموذج مع وثائق الشركة الداخلية وأرشيف الدردشات للعمل كمساعد لوكيل دعم العملاء. ويُعد هذا النموذج مناسب بشكل خاص للشركات التي تسعى لتوسيع نطاق قدراتها في الذكاء الاصطناعي التوليدي، أو لتطوير قدرات حصرية أكثر، أو الاستجابة لمتطلبات أمنية أو توافقية أعلى.

هناك طريقتين شائعتين للدمج بين البيانات ونماذج الذكاء الاصطناعي التوليدي في هذا السياق. الأولى وهي " نقل نموذج الذكاء الاصطناعي لمكان تواجد البيانات، بحيث يكون النموذج متواجدًا على البنية التحتية الخاصة بالمؤسسة، سواءً كانت داخل المؤسسة أو في السحابة. مثلاً، توفر Cohere نماذجها الأساسية على البنية التحتية السحابية للعملاء، مما يقلل من الحاجة لعمليات نقل البيانات. الطريقة الثانية تدعى 'جلب البيانات إلى النموذج'، حيث يتم تجميع بيانات المؤسسة ونشر نسخة من النموذج الكبير على البنية التحتية السحابية. كلا النهجين لهما نفس الهدف، الذي هو الوصول إلى النماذج الأساسية، والاختيار بين الاثنين يعتمد على التأثير المترتب على عمل المؤسسة."

نموذج الصانع (Maker): يقوم بتطوير نموذج أساسي للتعامل مع سيناريو عمل محدد. إن تصميم هذا النموذج ليس مهمة سهلة، فهو يتطلب استثمارًا هائلاً للوقت والموارد. يحتاج تصميم النموذج إلى قاعدة بيانات ضخمة، إضافة إلى خبرة عالية وقوة حسابية فائقة. وبالنظر لما يتطلبه من موارد، فإن إعداده قد يكلف الشركات ملايين الدولارات، إذ تعتمد التكلفة النهائية على عدة عوامل، منها البنية التحتية المستخدمة في التدريب، وتصميم النموذج نفسه، وعدد متغيراته، بالإضافة إلى حجم البيانات المستخدمة والخبرات المتاحة.

كل نموذج يترتب عليه تكاليف ينبغي لقادة التكنولوجيا مراعاتها (كما هو موضح في الشكل 1). ومع ذلك، يمكن أن تساعد التقنيات الجديدة مثل طرق التدريب الفعالة وتقليل تكاليف وحدات معالجة الرسومات (GPU) في تخفيض هذه التكاليف وعلى الرغم من ذلك، ونظرًا للتعقيد الخاص بنموذج "Maker" الأصلي، فقليل من المؤسسات هم من سيختارون استخدامه في الوقت الحالي. وسيرغب الكثيرون، بدلاً من ذلك، في اللجوء إلى استخدام نموذج "Taker" للوصول السريع إلى الخدمات الجاهزة، أو "Shaper" لتطوير قدرات خاصة استنادًا إلى نماذج أساسية