بدأ اهتمامي بالذكاء الاصطناعي في أوائل العقد الأول من الألفية، بل وفزتُ بمسابقة للناشئين بمشروع ركّز على التعرّف الضوئي على الحروف المكتوبة بخط اليد (OCR). ومن اللافت أنّه بالفعل في عام 2000 كانت لدينا تقريباً جميع الخوارزميات الأساسية التي لا تزال تُستخدم اليوم. ما لم يكن متاحاً بعد هو قدر كافٍ من القدرة الحاسوبية…
ومع مرور الوقت، تحوّلت اهتماماتي نحو قياس الأداء، ولاحقاً نحو المجال الأوسع المتمثل في تنفيذ الاستراتيجية. اليوم، عندما تهيمن النماذج اللغوية الكبيرة على العناوين الرئيسية، نادراً ما نعود إلى الأساسيات.
ما الذي يجعل التعلّم في الشبكات العصبية ممكناً فعلاً؟
توجد بضعة مبادئ رياضية بسيطة في صميم الذكاء الاصطناعي الحديث. وأرى أوجه تشابه واضحة في كيفية إمكانية—and وجوب—استخدام هذه المبادئ نفسها من قِبل المنظمات عند تنفيذ استراتيجياتها.
ما الذي يجعل تعلّم الذكاء الاصطناعي ممكنًا
أحد الأسس الرياضية للشبكات العصبية هو قاعدة السلسلة في التفاضل والتكامل المطبَّقة على تراكيب الدوال. الشبكات العصبية أنظمة متعددة الطبقات مبنية من العديد من العمليات البسيطة القابلة للاشتقاق. تتيح قاعدة السلسلة حساب التدرجات عبر التركيب بأكمله. وهذا ما يجعل التعلّم ممكنًا على نطاق واسع.
- أثناء التمرير الأمامي، تنتج الشبكة العصبية مخرَجًا يكون خاطئًا في البداية.
- باستخدام بيانات مُعنونة ودالة خسارة، يمكننا قياس مدى انحراف النتيجة عن المخرَج المرغوب.
- وبما أن جميع العمليات الداخلية قابلة للاشتقاق، يمكننا حساب المشتقات المحلية لكل تحويل.
- ومن خلال تطبيق قاعدة السلسلة، تُدمَج هذه المشتقات المحلية في تدرجات للخسارة بالنسبة إلى كل معلمة في النموذج.
لا يكتفي النظام باكتشاف حدوث خطأ. بل يحدِّد كيف ساهمت كل معلمة على حدة في ذلك الخطأ، وفي أي اتجاه سيؤدي تغييرها إلى تحريك النتيجة.
تنفيذ الاستراتيجية كنظام للتعلّم التنظيمي
توجد المشكلة نفسها في المنظمات…
إن تنفيذ الاستراتيجية الجيد هو نظام مُنظَّم من الأهداف، والأهداف الفرعية، والمبادرات، ومؤشرات الأداء.
أثناء التنفيذ، تحتاج المنظمات إلى اكتشاف الانحرافات عن اتجاهها المقصود في أقرب وقت ممكن. ولهذا السبب توجد مقاييس الأداء. فهي توفّر الإشارة الأولى إلى أن الواقع ينحرف بعيدًا عن الافتراضات.
لكن:
إن معرفة أن «شيئًا ما قد ساء» تكاد تكون بلا جدوى بمفردها…
لا يتحسن التنفيذ إلا عندما تستطيع المنظمة أن ترى أي عناصر النظام تتطلب التعديل، وكيف يُرجَّح أن تؤثر تلك التعديلات في النتائج.
في الشبكات العصبية، يتيح ذلك رياضيًا قانون السلسلة. أما في تنفيذ الاستراتيجية، فلا يصبح ذلك ممكنًا إلا عندما تكون الاستراتيجية مُحلَّلة على نحو صحيح، ومُوائمة مع توقعات أصحاب المصلحة، ومُترجمة من تطلعات مبهمة إلى مستويات متعددة من الأهداف والمؤشرات الملموسة المترابطة سببيًا.
تنفيذ الاستراتيجية المُطبَّقة بشكل صحيح
بهذا المعنى، يبدأ تنفيذ الاستراتيجية الفعّال في أن يبدو كشبكة عصبية مُصمَّمة جيدًا.
عندما تحدث الانحرافات، يمكن للمنظمة أن تتعلّم بسرعة — ليس فقط أن الأداء أقل من المتوقع، بل أيضًا أي مبادرات أو عمليات أو قدرات أو افتراضات ينبغي تعديلها للاقتراب أكثر من توقعات أصحاب المصلحة.
عندما تُصاغ الاستراتيجية بصورة ضعيفة (أهداف مجردة، دون علاقة سبب ونتيجة، دون مؤشرات ذات معنى)، تنتهي المنظمة إلى الوضع نفسه الذي يكون عليه نموذج بلا تدرجات قابلة للاستخدام. يمكنها أن ترى أن النتائج سيئة، لكنها لا تمتلك طريقة موثوقة لتقرير ما الذي ينبغي تغييره.
في كلٍّ من الشبكات العصبية والمنظمات، لا يصبح التعلّم ممكنًا إلا عندما يُبنى نظام من مكوّنات مترابطة يمكن من خلالها انتشار التغذية الراجعة.
عندما تتوفر:
- هيكل،
- مساءلة محلية، و
- محركات قابلة للقياس
… يصبح التحسين المستمر ممكنًا. وبدونها، لا يبقى أمام المنظمات إلا ما يشبه إشارات النجاح/الفشل، من دون آلية لفهم كيفية التحسين.
هل نعرف أخيرًا إلى أين تذهب نفقات التسويق؟
الإجابة المختصرة هي: «لا» (ولا تعرف ذلك الشبكات العصبية أيضًا).
في الذكاء الاصطناعي، لا يمكننا الإشارة إلى خلية عصبية واحدة والقول: «هذا هو ما تسبب في النتيجة». لا يزال التعلم ممكنًا لأن النظام مُصمَّم بحيث تتدفق التغذية الراجعة عبر أجزاء عديدة مترابطة وتُعيد تشكيلها تدريجيًا.
إن قول «التسويق يعمل» يشبه قول «تحسّن النموذج». فهو يوضح الاتجاه، لكنه لا يخبرك بما ينبغي تغييره بعد ذلك.
ما يصبح مفيدًا هو رؤية الأنماط داخل النظام.
على سبيل المثال: قد تبقى الإيرادات ثابتة بينما تزداد الزيارات، ويتحسن تفاعل المحتوى، ويتم إنشاء المزيد من العملاء المحتملين، لكن معدلات الفوز بالصفقات تنخفض وتستغرق الصفقات وقتًا أطول للإغلاق.
تحليليًا، لم يعد الأمر نجاحًا/فشلًا بسيطًا. بل هو نمط من الإشارات يُظهر أن بعض أجزاء النظام تتحسن بينما أجزاء أخرى غير متوائمة.
لا يحدد النظام حملة واحدة مذنبة. بل يشير إلى الموضع الذي يلزم فيه إجراء تعديل.
هكذا يبدو التعلم عندما ينجح.
قد لا يخبرك بدقة إلى أين ذهب كل دولار، لكنه يخبرك بشيء أكثر قيمة بكثير: إلى أين ينبغي أن تتجه المنظمة بعد ذلك.
العيوب المعروفة: العثور على الحد الأدنى المحلي
على غرار الشبكات العصبية، ومع القيد المعروف المتمثل في العثور على حد أدنى محلي بدلاً من حد أدنى عالمي، ينبغي على المنظمات ألا تثق بأطر القياس الخاصة بها بنسبة 100%.
تنفيذ الاستراتيجية هو عملية مستمرة للتحقق من الفرضيات في الواقع العملي. أحيانًا نتحقق من الفرضيات منخفضة المستوى ويبدو كل شيء منطقيًا. وأحيانًا ننتقل صعودًا على طول شجرة التحليل وفي النهاية نشكك في فهمنا لأصحاب المصلحة واحتياجاتهم.
أليكسيس سافكين هو مهندس استراتيجيات ومؤسس BSC Designer، وهي منصة برمجية لتنفيذ الاستراتيجية تتمحور حول بطاقة الأداء المتوازن. يساعد المؤسسات على ترجمة الاستراتيجية إلى أهداف قابلة للقياس وKPI (مؤشر الأداء الرئيسي) ومبادرات. أليكسيس هو مبتكر لوحة تنفيذ الاستراتيجية، ومؤلف لأكثر من 100 مقال حول الاستراتيجية وقياس الأداء، ومتحدث منتظم.