هناك فرق مهم بين الذكاء الاصطناعي الذي يعمل اليوم، والذكاء الاصطناعي الذي يستمر على نطاق واسع. تعمل العديد من الشركات على تحسين الأداء الأول دون أن تسأل أبدًا عما إذا كانت تقوم ببناء الثاني.
إن السرعة بدون الانضباط والتوجيه الاستراتيجي هي مسؤولية وليست أصلاً. إن الجزء الأصعب في بناء الذكاء الاصطناعي على نطاق واسع لا يتمثل في جعل النموذج يعمل مرة واحدة. إنها أنظمة بناء تستمر في العمل، وتتجاوز الفرق الفردية وحالات الاستخدام، وتتحسن باستمرار بمرور الوقت.
تقوم أنظمة الذكاء الاصطناعي اليوم بما هو أكثر من مجرد التنبؤ والتحسين. إنهم يتحدثون ويفكرون ويتخذون إجراءات متزايدة. يخلق النظام المستقل الذي يتخذ القرارات نيابة عن المسافر مجموعة مختلفة تمامًا من التوقعات حول الموثوقية والحوكمة والمساءلة. ومع تولي الذكاء الاصطناعي المزيد من هذه الأدوار، أصبحت المبادئ الكامنة وراء كيفية عمل هذه الأنظمة أكثر أهمية من أي وقت مضى.
لقد أمضينا سنوات في تطبيق الذكاء الاصطناعي والتعلم الآلي (ML) عبر رحلة المسافر – بدءًا من التخصيص والتصنيف والتوصيات، وحتى منع الاحتيال ودعم العملاء، ومؤخرًا، تجارب الذكاء الاصطناعي الإنتاجية والفعالة. إن عمق الخبرة هذا هو ما دفعنا إلى تطوير مجموعة من مبادئ التعلم الآلي والذكاء الاصطناعي لتوجيه كيفية بناء أنظمة الذكاء الاصطناعي ونشرها وتطويرها عبر شركتنا.
الهدف بسيط: التأكد من أن الأنظمة التي نبنيها تخلق قيمة تجارية حقيقية وتوسع وتعمل بأمان. تحدد هذه المبادئ كيفية قياس أنظمتنا وتصميمها وإدارتها وتشغيلها.
من المبادئ إلى الممارسة
مبادئ النشر هي الجزء السهل. العمل الأصعب والأكثر أهمية هو تحويلها إلى آليات تشغيل: التوصيات والمتطلبات والأدوات وعمليات الإصدار التي تستخدمها الفرق فعليًا.
لقد بدأنا في استخدام بوابات رسوم “إصدار الوكيل”: مجموعة من عمليات الفحص الموصى بها، وفي بعض الحالات، المطلوبة قبل إطلاق ميزات الذكاء الاصطناعي الوكيل. تترجم بوابات الرسوم هذه مبادئ مثل الملكية الواضحة والحوكمة القائمة على المخاطر والتقييم والنشر الآمن والمراقبة إلى توقعات ملموسة للفرق.
تتم بالفعل أتمتة بعض هذه التوصيات والمتطلبات ودمجها في دورة حياة تطوير البرامج (SDLC). وبمرور الوقت، يتمثل الهدف في أن تصبح هذه التوقعات جزءًا لا يتجزأ من كيفية تصميم أنظمة الذكاء الاصطناعي وتقييمها والموافقة عليها وإطلاقها ومراقبتها منذ البداية.
النتائج: قياس ما يهم في الواقع
الاختبار الأول لأي نموذج هو ما إذا كان يعمل على تحسين نتائج الأعمال، وفي نهاية المطاف، تجربة المسافر – وليس ما إذا كان يعمل فقط على تحسين المقياس الفني.
-
مواءمة النماذج مع المقاييس ذات التأثير على الأعمال: يجب أن يرتبط كل جهد في تعلم الآلة بشكل مباشر بنتيجة العمل الرئيسية أو مقياس تجربة المسافر. التحسينات التقنية هي نقاط وسطية مفيدة، وليست أهدافًا نهائية.
-
تحسين العائد على التكلفة: القيمة التي يخلقها النموذج يجب أن تبرر تكلفة التطوير والتدريب والمراقبة، بالإضافة إلى التعقيد التشغيلي الذي يضيفه. تفضل الحلول التي تحقق تأثيرًا دائمًا مقارنة بتكلفة تشغيلها.
-
تبرير التعقيد مقابل خطوط الأساس القوية: ينبغي اكتساب التعقيد، وليس افتراضه. ابدأ بخط أساس قوي: نموذج عام موجود، وإرشاد بسيط، وحل جاهز. يمكنك الوصول إلى النماذج المتخصصة أو البنى الأكثر تعقيدًا فقط عندما لا تتمكن الخيارات الأبسط من تلبية المعايير.
-
تتطلب التقييم دون الاتصال بالإنترنت وعلى الإنترنت: لا يتم نشر أي نموذج على نطاق واسع عند التحقق من الصحة في وضع عدم الاتصال بمفرده أو ينتقل مباشرة إلى اختبار A/B. يجب أن يتم تنفيذ كل نموذج في التقييمات عبر الإنترنت وفي وضع عدم الاتصال. مع مرور الوقت، يجب أن تتنبأ تقييماتنا خارج الإنترنت بشكل موثوق بما نراه عبر الإنترنت.
التصميم: بناء أنظمة تتجاوز الفرق التي تقوم ببنائها
الحصول على نموذج للعمل هو أحد التحديات. إن جعل قيمتها تمتد إلى ما هو أبعد من فريق واحد أو حالة استخدام هو الأمر الأصعب.
-
البناء على أسس مشتركة؛ التخصص فقط عندما يكون له ما يبرره: تفضيل الأسس المشتركة على مستوى النظام الأساسي للقدرات الأساسية وتمثيلات البيانات وكتل بناء النماذج. يجب أن يبني التخصص على تلك الأسس، وليس على شكل مجموعات معزولة، لذلك عندما تتحسن الأساسات، تتدفق المكاسب عبر المؤسسة.
-
التعامل مع البيانات كمنتج من الدرجة الأولى: جودة النموذج محدودة بجودة بياناته. نحن بحاجة إلى الحفاظ على خطوط أنابيب قوية، وسلالة واضحة، وإمكانية التكرار، وميزات قابلة لإعادة الاستخدام مبنية على ملكية موثقة، ومخططات واضحة، واتفاقيات مستوى الخدمة التي يمكن للفرق الأخرى الاعتماد عليها.
-
إعطاء الأولوية للعمومية على التحسين المحلي: عندما يؤدي نهجان أداءً متماثلاً، قم بتفضيل النهج الذي يمكن إعادة استخدام ما تعلمه وأصوله وأنماط تشغيله عبر الفرق والعلامات التجارية وحالات الاستخدام. يجب علينا تحسين الأداء ليس فقط من أجل الأداء المحلي، ولكن أيضًا من أجل مدى سرعة انتشار التحسينات عبر الشركة وتراكمها بمرور الوقت.
-
تصغير وإلغاء قواعد العمل اليدوية: تكون القواعد اليدوية ضرورية في بعض الأحيان للسياسة أو السلامة أو الامتثال، ولكن يجب أن تكون واضحة ومراجعة بانتظام، ولا تكون أبدًا تصحيحات صامتة للنماذج الضعيفة أو مصدر ديون الصيانة الدائمة.
-
إمكانية تكرار نتائج والتتبع بشكل افتراضي: يجب توثيق بيانات التدريب والميزات والتكوينات ونتائج التقييم وإصدارات النشر والقرارات الرئيسية وإمكانية استردادها. وهذا ما يتيح لك تصحيح مشكلة الإنتاج بعد أشهر وتسليم الملكية دون فقدان المعرفة المؤسسية.
الثقة: الملكية، والحوكمة، والعمل بمسؤولية على نطاق واسع
إن معيار نشر الذكاء الاصطناعي لا يقتصر على ذلك فحسب "هل يعمل؟" إنه "هل نستطيع أن نقف خلفه؟" الثقة ليست شيئًا تضيفه في النهاية؛ لقد تم اكتسابها بمرور الوقت والحفاظ عليها طوال دورة الحياة الكاملة لكل طراز نشحنه.
-
تعيين ملكية ومساءلة واضحة: يحتاج كل نموذج إلى ملكية محددة عبر دورة حياته – مالك أعمال، ومالك منتج، ومالك الذكاء الاصطناعي، ومالك تشغيلي. ولا يلزم أن يكون هؤلاء أربعة أشخاص، ولكن المسؤوليات يجب أن تكون واضحة. ومن المسؤول عن النتائج؟ من يستجيب إذا انجرف النموذج؟ من يجيب على الحادثة الساعة الثانية صباحا؟ وبدون ذلك، تصبح النماذج يتيمة وتظهر المشاكل دون أن يمتلكها أحد.
-
الالتزام بالمعايير والحوكمة: يجب أن تستخدم نماذج الذكاء الاصطناعي والتعلم الآلي منصات معتمدة وتتوافق مع معايير الشركة المعمول بها وبوابات الإصدار وعمليات الحوكمة. يتطلب العمل خارج هذه الحواجز مسارًا واضحًا ومحددًا للمعالجة أو الإيقاف، بدلاً من استثناء مفتوح.
-
تحكم بشكل متناسب مع المخاطر: يجب أن يتناسب مستوى المراجعة ودقة التقييم والإشراف البشري مع تأثير النموذج. يتطلب النموذج الذي يواجه العملاء والذي يؤثر على الأسعار أو التوفر لملايين المسافرين معيارًا أعلى بكثير من الأداة الداخلية التي يستخدمها فريق صغير. بالنسبة للأنظمة عالية التأثير، أو الحساسة للسلامة، أو ذات الاستقلالية العالية، يتم إنشاء نقاط تفتيش بشرية في الحلقة منذ البداية.
-
تصميم من أجل العدالة والخصوصية والشفافية: نحن نختبر بنشاط التحيز غير المقصود، ونمتلك حواجز حماية قوية للبيانات، ونفضل إمكانية التفسير عندما تؤثر القرارات بشكل مفيد على المستخدمين. تم دمجها من البداية، ولم تتم إضافتها.
-
تصميم للطرح الآمن والتراجع والتحكم: تكون عمليات النشر تقدمية، مع وجود مسارات تراجع وآليات احتياطية وقواطع دوائر جاهزة قبل الإطلاق. إن القدرة على التراجع عن النشر بشكل آمن أمر مهم بقدر أهمية القدرة على شحنه.
-
المراقبة المستمرة والتكيف: بمجرد البث المباشر، يجب على الفرق مراقبة الجودة والانجراف وزمن الوصول والتكلفة وأداء الأعمال بشكل فعال وإعادة التدريب أو إعادة المعايرة عند تحول البيانات. يجب أن يكون الفريق دائمًا قادرًا على شرح كيفية أداء نموذجه الآن، وليس فقط كيفية أدائه عند إطلاقه.
هذه المبادئ تفعل أكثر من مجرد تحديد كيفية البناء. إنها تحدد ما نحن على استعداد لشحنه وكيف نقف وراءه. في عالم أصبحت فيه أنظمة الذكاء الاصطناعي ذات أهمية متزايدة وتتخذ قرارات حقيقية للمسافرين والشركاء الحقيقيين، فإن هذه المعايير مهمة. وبتطبيقها باستمرار، فإنها تبني ذكاءً اصطناعيًا مسؤولًا يدوم.
تشافي أماترياين هو المدير التنفيذي للذكاء الاصطناعي والبيانات في Expedia Group
سيشارك Xavier المزيد من التفاصيل حول بنية Expedia خلال جلسته في تحويل VB في 14 يوليو الساعة 11:10 صباحًا بتوقيت المحيط الهادئ. وسوف يناقش: "مخطط Expedia لبناء وكلاء مستقلين لأنظمة المعاملات عالية المخاطر."
هل أنت مهتم بحضور VB Transform 2026؟ يسجل هنا. يتوفر أيضًا عدد محدد من التصاريح المجانية لكبار قادة التكنولوجيا. اتصل بنا للحصول على لك.
