قوّة الذكاء الاصطناعي والبيانات: تحوّل شامل في تجربة المستخدم وتصميم المنتجات

لا نريد أن نخوض في مقدمة مطوّلة للحديث عن الذكاء الاصطناعي، الذي باتَ اليوم معروفاً لكل الناس، حتى أولئك الذي يُعتبر غير مهم بالنسبة لهم. لكن ما نودّ الحديث عنه اليوم هو قوّة الذكاء الاصطناعي والبيانات سوياً؛ حيث سندمج القوة التحليلية للبيانات مع ثورة الـ AI لإحداث نقلة نوعية في المنتجات والخدمات. هذه المقالة الشاملة، المستمدة من رؤى الخبير “محمد الرشيدي” في جلسته على منصّتنا، تقدم لكم شرحاً وافياً عن هذا الموضوع. لنبدأ.

المفاهيم الأساسية: الذكاء الاصطناعي والبيانات والمعلومات والمنتجات

1. البيانات (Data): الوقود الخام

• التعريف: أي معلومات أولية خام غير مُعالجة. مثال: 1500 شخص في حي X.
• الأقسام أو التصنيف:
  • حسب الزمن: هناك بيانات زمنية فقط (مثل عدد السيارات الساعة 7 صباحاً)، وبيانات زمنية متقاطعة أي مُضاف إليها معلومة مرتبطة بالوقت (عدد سيارات “الموظفين” الساعة 7 صباحاً).
  • حسب المصدر: أساسية (مثل معلومات المرضى في مستشفى – سجلهم الصحي ومعلومات موثوقة أساسية نأخذها أحياناً من مواقع ومصادر رسمية)، وثانوية (طبيعة عمل المريض، علاجه باختصار).
  • حسب الهيكلة (الشكل والبنية): إحدى مشاكل الذكاء الاصطناعي أنه يتعامل مع البيانات على أساس أنها كلها شكل واحد، لا يدخل بالتفاصيل. عندما نخاطب ال AI، يجب أن نركز على المدخلات لأنه يعالج المعلومات التي نزوّده بها. وعلى ذلك لدينا 3 أنواع لشكل البيانات المدخلة:
    • منظمة: مدخلات ثابتة من قاعدة المعلومات، مثلاً كم عمرك ما اسمك، أي بيانات لا لَبس فيها (جداول قواعد البيانات).
    • شبه منظمة: بيانات ليست نظيفة تماماً، مثلاً لدينا بيانات عمر بعض الأشخاص بينما عمر الآخرين غير موجود، أو بعض البيانات مكرر.. فيصبح من اللازم تعديلها.
    • غير منظمة: مثل الصور، الفيديو، الأصوات.. تحتاج تحويلاً متعدد الطبقات لفهمها.
  • حسب النوع وطبيعة المحتوى: بيانات كمية (أرقام قابلة للقياس)، وبيانات نوعية (آراء، مشاعر، نتعرف عليها من خلال إجراء المقابلات).
  • حسب الإحصاء أو مستوى القياس الإحصائي: بيانات اسمية أو عادية (تحتمل خيار أخير ونهائي مثل إما ذكر أو أنثى)، وبيانات نسبية (مثلاً 15% من السياح السعوديين في برلين)، وبيانات تصنيفية أو تقييمية (مثلاً تقييم معيّن من 1 إلى 5).

2. المعلومات (Information)

عندما نطوّر البيانات من شكل لآخر تخرج لدينا المعلومات (نستخدم البيانات لنصنع معلومة).

3. الذكاء الاصطناعي (AI): محاكاة العقل البشري

• التعريف: أي حل تقني يحاول محاكاة القدرات المعرفية البشرية.
• الأركان:
  • القدرة (Capability):
    • محدودة: مثل ردود بوتات المحادثة، أي اطلب خدمة من الذكاء الاصطناعي وسيردّ عليك بما يناسب طلبك الذي عرضته عليه فقط.
    • عامة مواكبة للسلوك: وهي قدرة أشمل، مثلاً بعد تصفّحك أمازون يمكنه إعطاءك توصيات تهمّك فقط.
    • فائقة: تتناسب مع محاولة فهم المشاعر البشرية أكثر .
  • السلوك (Behavior): هناك أكثر من سلوك، وذلك يعتمد على المدخلات والهدف المطلوب الذي يريده المستخدم (إرسال صورة، فهم السياق الشخصي أو برومبت معيّن يأخذ فيه الـ AI معلومات عنك ثم يحلل لك شخصيتك).
  • المنهج التقني (Approach): عندما يرسل AI لك نصوص/صور (ChatGPT)، أو فيديو (Gemini)، أو يحاول تنفيذ مهام متعددة الخطوات (AI Agent).

4. المنتجات (Products)

وهي أي حل رقمي أو مادي يلبي حاجة المستخدم.

العلاقة التكاملية بين الذكاء الاصطناعي والبيانات والمنتجات

بعدما عرّفنا المفاهيم الأساسية السابقة، يمكننا الاستنتاج أن البيانات هي الأساس، الذكاء الاصطناعي هو المحرِّك، والمنتج هو الناتج والواجهة. لا يعمل أحد هذه المكونات بمعزل عن الآخر.

يمكننا سلسَلَة هذه العلاقة باختصار كالآتي:

• القوة: على أساس البيانات التي نملكها، يمكننا تحديد نقاط القوة. الأمر أشبه كما لو أنك تقارن بين شخص يملك درجة دكتوراه بمجال، وشخص آخر بدأ دراسة هذا المجال، فالأول لديه بيانات أكثر بالتأكيد.
• الأساس: اتخاذ القرار في الخطوات اللاحقة على أساس البيانات التي تملكها.
• التحفيز: لو لديك منتج، وأردت تطويره، فالسؤال الأول الذي ستسأله لنفسك هو “من أين أبدأ؟” ستحاول معرفة خارطة الطريق، وفهم مكان وجود المستخدم، وهذا سيكون محفّزك للبدء.

لذا، عندما تملك بيانات وتريد رسم خارطة طريق، ستحتاج إلى:

1. الجمع: سيكون لديك قالب تضع فيه كل البيانات.
2. التحضير: كيف تجعل هذه البيانات منظمة؟ تتخلص من البيانات المكررة وترتب المبعثرة.
3. الترميز: تقسيم البيانات إلى مجموعات: بيانات الخدمات، وبيانات المنتجات و…
4. التدريب: عندما تتعامل مع AI بغض النظر عن نوعه، يجب أن تتدرب عليه لأنه يجب أن يعرف مسبقاً معلوماتك التي على أساسها ستتعامل معه وتطلب مساعدته.
5. التطوير: سواء على المستوى الشخصي إذا كانت بياناتك شخصية، أو على مستوى الشركة إذا كانت بياناتك عامة، أو على مستوى المنتج إذا كنت تطوّر منتج. 

النتيجة: العلاقة بين الذكاء الاصطناعي والبيانات علاقة تكاملية تنقسم على 3 أشياء: “بيانات – يليها فعل بواسطة AI – يليها القياس لمخرجات الفعل (يناسب تطلعاتك أو لا)”، ثم نعود مجدداً للبيانات.

قوة الذكاء الاصطناعي والبيانات في تحسين المنتجات

كيف تُتَرجَم قوة الذكاء الاصطناعي والبيانات في تحسين المنتجات؟ إليك أهم المبادئ التي تبيّن تأثير كل من المفهومين سوياً في المنتجات:

1. التحسين المستمر (Optimization): الكشف عن الثغرات ونقاط الاحتكاك في رحلة المستخدم. مثلاً: استخدام Google Analytics, Hotjar لاكتشاف أماكن انسحاب المستخدمين قبل إتمام الشراء. إذاً هي عملية توجيه قرارات التطوير بناءً على تحليل سلوكي دقيق.
2. التخصيص الفائق (Personalization): أي تقديم تجارب فريدة لكل مستخدم بناءً على بياناته وسلوكه.

• أمثلة ناجحة:
  • تيك توك: خلاصة فيديوهات مخصصة لكل مستخدم.
  • هنقرستيشن (HungerStation): عرض مطاعم ووجبات تفضيلية بناءً على طلبات المستخدم السابقة.
  • جاهز (تطبيق توصيل): تقارير سنوية شخصية توفر إحصاءات ممتعة وتوفير المال والوقت.

3. التوصيات الذكية (Recommendation): توقع احتياجات المستخدم وعرض المنتجات أو الخدمات ذات الصلة.

• أمثلة: “قد يعجبك أيضاً” في أمازون، أو توصيات الأفلام في نتفلكس.

4. الأتمتة (Automation): أي أتمتة المهام الروتينية والمستهلِكة للوقت.

• أمثلة: تلخيص الفيديوهات الطويلة، كتابة نصوص أولية، تحليل التقارير، خدمة العملاء الأساسية عبر بوتات المحادثة.

5. التنبؤات الاستراتيجية (Prediction & Risk Management): نمذجة السيناريوهات المستقبلية بناءً على رغباتك، وإدارة المخاطر.

• أمثلة: توقع نجاح إطلاق منتج في سوق جديد، تحليل فرص التوظيف بناءً على السيرة الذاتية (ChatGPT)، تحسين خطط العمل.

6. رضا العملاء (Customer Satisfaction): التوصيل والتخصيص والأتمتة والتنبؤات، كلها ترفع بشكل كبير من رضا المستخدم وتجربته الإجمالية مع المنتج، مما ينعكس إيجاباً على الولاء والربحية.

اقرأ أيضاً: كل ما تريد معرفته عن استخدام الذكاء الاصطناعي لخدمة العملاء

كيف تبدأ؟ إطار عمل تنفيذ الذكاء الاصطناعي والبيانات

بشكل عام، يمكنك البدء بعدة طُرُق وهيكليات، ولكن إليك أبسط هيكلية للبدء:

1. تحديد الهدف (Goal Setting):

• تحديد النطاق (Scope): تحديد حدود المشروع والفئة المستهدفة بدقة.
• وضع الفرضيات (Hypotheses): توقع النتائج والمخاطر المحتملة (مثال: زيادة التحويل بنسبة 20% مع مخاطر تقنية 15%).
• صياغة الاستراتيجية (Strategy): خطة واضحة متعددة المراحل (سنة، 3 سنوات…).

2. مؤشرات الأداء (KPIs – SMART): 

لا بدّ لها أن تكون:

• محددة (Specific).
• قابلة للقياس (Measurable).
• قابلة للتحقيق (Achievable).
• ذات صلة بالهدف (Relevant).
• محددة زمنيّاً (Time-bound).

3. خطة البيانات (Data Strategy):

• المصادر: أساسية (مباشرة من النظام/المستخدم)، وثانوية أو إضافية.
• الأدوات: التي تساعدنا في تخليص البيانات، مثل (Google Analytics, Mixpanel). وفي حال عدم توافر الأدوات المدفوعة، فيمكن الاعتماد على الأدوات التقليدية (استطلاعات، مقابلات).

4. جودة البيانات (Data Quality):

مراعاة التنظيف أو الفلترة (إزالة التكرار، ملء الفراغات)، وتحقيق التوازن بين البيانات النوعية والكمية (تمثيل عادل للفئات المستهدفة + مراعاة الجوانب القانونية والثقافية).

5. إعداد البيانات (Data Preparation):

• الترميز: تحويل البيانات لنمط رقمي، على سبيل المثال 0,1.
• التطبيع: ضبط نطاق البيانات، بما معناه أن نضع حد أقصى وأدنى للبيانات (مجال قياسي) المتوافرة لدينا.
• التقسيم: مجموعات تدريب البيانات والاختبار.

6. اختيار نموذج الذكاء الاصطناعي (AI Model Selection): 

على أساس هدفك، يمكنك الاختيار بين:

• التوليدي (Generative AI): إنشاء محتوى جديد: نصوص، صور – مثل ChatGPT, Midjourney.
• التعلم الآلي (Machine Learning – ML): التعلم من البيانات لاتخاذ قرارات أفضل/تنبؤات (مثل سيارات تسلا ذاتية القيادة).
• القائم على القواعد (Rule-Based): اتخاذ قرارات بناءً على قواعد محددة مسبقاً، مثل أنظمة التوصية: “إذا اشترى العميل X، فاعرض عليه Y”.

7. خطة الإطلاق (Launch Plan):

• الإطلاق التجريبي (MVP – Minimum Viable Product): إطلاق نسخة أولية للتعلم السريع من المستخدمين وتقليل المخاطر.
• الاختبار الداخلي السريع (Testing): اختبار الأداء ودقة المخرجات باستمرار.
• قياس الأداء (Performance Measurement): مراقبة مؤشرات الأداء (KPIs) ومدى تحقيق الهدف.
• التكرار: كلما كررنا دورة العمل، تعلّم الـ AI ما تريده أكثر، وأصبح أكثر تحديداً.
• التوسع التدريجي (Gradual Scaling): التوسع في النطاق والوظائف بناءً على النجاح والبيانات الجديدة.

كيف نحوّل البيانات إلى قرارات ذكية؟

من خلال عدّة خطوات، هي باختصار:

1. مركز البيانات: تجميع كل البيانات، بيانات ذات قيمة وعادية وليست ذات قيمة، كل البيانات مهمة.
2. إدارة البيانات: التنظيف والتقسيم وكل ما تكلمنا عنه سابقاً.
3. التواصل: أن تسأل الذكاء الاصطناعي كيف ممكن أن تحلل بياناتك أكثر وتستفيد منها.
4. الدقة: لا بد لدقة بياناتك أن تتجاوز نسبة 90%.
5. التعلم: تعلّم من بياناتك في كل مرة للوصول إلى الشكل الدقيق من احتياجاتك.
6. النتائج: تخرج بناءً على البيانات والمدخلات (من المفروض أن تكون نظيفة 100%).
7. صنع القرار: بناءً على النتائج، يمكنك صنع القرار الصحيح واتخاذ خطوة قادمة.
8. التنفيذ.

التحدّيات والمحاذير: لا يمكنك الاعتماد على AI بنسبة 100%!

لماذا؟ لعدة أسباب:

• المسؤولية القانونية والأخلاقية: من يتحمل مسؤولية قرارات الذكاء الاصطناعي الخاطئة؟ ولذا لا يمكنك إعطاءه كامل المسؤولية والصلاحيات.
• صعوبة تكامل الأنظمة: دمج حلول الذكاء الاصطناعي مع البنية التحتية الحالية قد يكون معقداً.
• غياب الحدس والعاطفة الإنسانية: الذكاء الاصطناعي يتعامل مع البيانات ولا يفهم المشاعر أو السياق الثقافي دائماً.
• التحيز في البيانات (Bias): المخرجات ستكون متحيزة إذا كانت بياناتك المدخلة متحيزة.
• انعدام المرونة: يصعب على الذكاء الاصطناعي التعامل مع سيناريوهات خارج نطاق البيانات التي تدرب عليها.
• الابتكار المحدود: قدرته على الابتكار الحقيقي مقيدة بالبرمجة والبيانات.
• مخاطر الأمن والخصوصية (Security & Privacy): جمع وتخزين ومعالجة كميات هائلة من البيانات التي تخصّك، يزيد من ثغرات الاختراق وتسريب المعلومات.
• التكلفة (Cost): تكاليف التطوير والبنية التحتية والتدريب والصيانة قد تكون عالية.
• صعوبة الاعتمادية الكاملة: من المستحيل حالياً الاعتماد على الذكاء الاصطناعي بنسبة 100% دون تدخل بشري للإشراف واتخاذ القرارات النهائية.

أهم الأدوات المدعومة بالذكاء الاصطناعي ومجالات الاستفادة منها

في الصور أدناه، يتضمن سطر العناوين (السطر الأول من الجدول الذي يتضمن خارطة المنتج…، تشكيل الحل…، إلخ) مجال الاستفادة الدقيق من أدوات الذكاء الاصطناعي بما يتناسب مع المهمة المطلوبة، وسنذكر تحت كل مجال للاستفادة، الأدوات المناسبة تماماً له.

على صعيد تصميم المنتجات

فعلى سبيل المثال، فيما يخصّ المنتجات، لدينا الكثير من المهام التي يمكن تنفيذها مع أدوات الذكاء الاصطناعي المناسبة لها:

اقرأ أيضاً: تصميم المنتج الرقمي

على صعيد دعم العملاء

على صعيد التسويق

ملاحظة: يمكنك معرفة المزيد من التفاصيل والشروحات الوافية حول الأدوات في الصور واستخداماتها بمشاهدة الجلسة من الرابط هنا.

العناصر اللازمة لتأسيس نظام منتج ذكي داخل مؤسستك بالاعتماد على الذكاء الاصطناعي والبيانات

نماذج عربية سعودية ملهمة (من أرض الواقع) لاستخدام الذكاء الاصطناعي والبيانات

إليك أهم أمثلة استخدام الذكاء الاصطناعي والبيانات في السعودية:

1. الهيئة الملكية لمكة المكرمة (إدارة الحشود في الحج):

استخدام متقدم للذكاء الاصطناعي والبيانات الضخمة لإدارة تدفق ملايين الحجاج في المكان المقدس، وتحسين الخدمات اللوجستية والأمنية والاتصالية.

2. هيومان إيه آي (HumanAI):

شركة سعودية رائدة متخصصة في تقديم حلول الذكاء الاصطناعي، مع التركيز على الحوكمة والأمن السيبراني وخصوصية البيانات، لدعم القطاعين الحكومي والخاص في المملكة.

3. “علام” من سدايا (SDAIA):

مساعد ذكي عربي متخصص، مدرب على فهم اللغة العربية بفصاحتها ولهجاتها، والاستشهاد بالقرآن الكريم والسنة النبوية والتاريخ الإسلامي بدقة، مع مراعاة القيم والخصوصية السعودية.

4. وزارة الرياضة:

توظيف الذكاء الاصطناعي في تحسين تجربة المشاهدين للبث الرياضي، وإدارة التذاكر، ورفع مستوى التحكيم (مثل تقنية VAR)، والتحضير لإحداث نقلة في كأس العالم 2027.

5. سكاي (SCAI)

تابعة لوزارة الرياضة، متخصصة في الرياضة الإلكترونية (E-Sport)

6. أرامكو (ARAMCO)

يستخدمون الذكاء الاصطناعي بطريقة معمقة جداً لدرجة أنه غير متاح للعامة معرفتها بسبب سياسة الخصوصية.

7. نيوم – ذا لاين (NEOM – THE LINE):

تخطط مدينة المستقبل “ذا لاين” في نيوم لتكون نموذجاً للإدارة الذكية المعتمدة بشكل كبير على الذكاء الاصطناعي والبيانات في تشغيل البنية التحتية والخدمات والطاقة، مع تقليل التدخل البشري.

8. لوسيديا (LUCIDYA):

منصة عربية تركز على فهم الفروق الدقيقة في اللهجات العربية المختلفة من خلال تحليل المحتوى وملاحظات المستخدمين (Customer Feedback)، لتحسين تجربة المستخدم العربي وتخصيص المحتوى والخدمات له بدقة عالية.

ختاماً…

يمكننا تشبيه البيانات بالذهب الخالص، والذكاء الاصطناعي بالصائغ الذي يحول هذا الذهب إلى منتجات وخدمات استثنائية. النجاح في العصر الرقمي يتطلب فهماً عميقاً للعلاقة التكاملية بين الذكاء الاصطناعي والبيانات وتوظيفها بمهارة عالية.

الأسئلة الشائعة

ما هو الذكاء الاصطناعي والبيانات (Data & AI)؟

يُشير الذكاء الاصطناعي إلى الآلات التي تُحاكي الإدراك البشري، والقادرة على التعلم والتفكير وحل المشكلات. علم البيانات مجالٌ متعدد التخصصات، يتضمن استخلاص الرؤى من مجموعات البيانات، والجمع بين الإحصاء وعلوم الحاسوب. وهما مجالان مترابطان.

لماذا تُعدّ البيانات مهمة في مجال الذكاء الاصطناعي؟

تُعدّ البيانات أساسيةً لتحسين التقنيات الحديثة، مثل الذكاء الاصطناعي وأنظمة الذكاء الاصطناعي التوليدية، التي تُحدث تحولاً سريعاً في طريقة ممارسة أعمالنا. وهنا تُصبح بياناتك الخاصة وعملياتك الفريدة أساسيةً لتعظيم قيمة الذكاء الاصطناعي ودفع عجلة إعادة ابتكار الأعمال.

كيف يستخدم الذكاء الاصطناعي بياناتنا؟

يعتمد الذكاء الاصطناعي على كميات هائلة من البيانات. تتعلم خوارزميات التعلم الآلي إيجاد الترابطات والأنماط بين مجموعات البيانات، وتُطبّق ذلك على أي بيانات جديدة تُعرض عليها.

استلهمنا مقالنا هذا من إحدى جلسات المنصة بعنوان “تصميم المنتجات وتجربة المستخدم بالذكاء الاصطناعي والبيانات”. استضفنا فيها الخبير: م . محمد الرشيدي، UX and UI Manager، ومحاوره أ. محمود عبدربه؛ مؤسس منصّة تعلّم كتابة تجربة المستخدم بالعربية. يمكنكم مشاهدة جميع الجلسات على قناتنا على يوتيوب.