تطوير مشروع الذكاء الاصطناعي | كيف يجب الاستعداد على مديري المشاريع؟

الذكاء الاصطناعي

نظرًا لأن الذكاء الاصطناعي يتسبب بالفعل في تعطيل العديد من الصناعات فمن الأهمية بمكان أن يستعد رؤساء إدارة الأعمال التقنيين للتعامل مع مشاريع الذكاء الاصطناعي. من دورة حياة تطوير البرمجيات المتنوعة إلى التحديات الجديدة بدءًا من التقنية إلى الأخلاقية يجب أن يتمتع مديرو المشاريع بنبض قوي على هذه المفاهيم الجديدة. تبحث هذه المقالة في ماهية الذكاء الاصطناعي وأدوار الفريق الجديدة التي ينشئها والتحديات التي يجب على مديري المشاريع مراعاتها عند تشغيل مشروع الذكاء الاصطناعي.

بصفتك مدير مشروع ربما تكون قد شاركت في عدد من مشاريع تكنولوجيا المعلومات طوال حياتك المهنية بما في ذلك الهياكل المتجانسة المعقدة لتطبيقات الويب SaaS. ومع ذلك مع تقدم الذكاء الاصطناعي والتعلم الآلي تظهر مشاريع جديدة بمتطلبات ومشاكل مختلفة في الأفق بسرعة عالية.

مع ظهور هذه التقنيات أصبح الأمر أقل “من اللطيف أن يكون لديك” وبدلاً من ذلك ضروري لمديري المشاريع الفنية أن يكون لديهم علاقة صحية مع هذه المفاهيم. وفقًا لـ Gartner بحلول عام 2020 سيوفر الذكاء الاصطناعي 2.3 مليون وظيفة بما يتجاوز 1.8 مليون وظيفة سيتم إزالتها – مما سيولد 2.9 تريليون دولار في قيمة الأعمال بحلول عام 2021. ويذهب الرئيس التنفيذي لشركة Google إلى حد القول إن “الذكاء الاصطناعي هو أحد أهم الأشياء الإنسانية تعمل على. إنه أعمق من […] كهرباء أو نار “.

مع تطبيقات الذكاء الاصطناعي التي تعطل بالفعل الصناعات التي تتراوح من التمويل إلى الرعاية الصحية يجب على مديري المشاريع التقنيين الذين يمكنهم اغتنام هذه الفرصة أن يفهموا كيف تتميز إدارة مشروع الذكاء الاصطناعي وكيف يمكنهم الاستعداد بشكل أفضل للمناظر الطبيعية المتغيرة.

الذكاء الاصطناعي (AI) مقابل التعلم الآلي (ML)

قبل التعمق من المهم أن يكون لديك فهم قوي لماهية الذكاء الاصطناعي حقًا. نظرًا لاستخدام العديد من المصطلحات المختلفة غالبًا بشكل متبادل فلنتعمق في التعريفات الأكثر شيوعًا أولاً.

الذكاء الاصطناعي (AI)

الذكاء الاصطناعي هو مجال من مجالات علوم الكمبيوتر مخصص لحل المشكلات التي تتطلب ذكاءً بشريًا – على سبيل المثال التعرف على الأنماط والتعلم والتعميم.

تم الإفراط في استخدام هذا المصطلح في السنوات الأخيرة للإشارة إلى الذكاء الاصطناعي العام (AGI) الذي يشير إلى برامج الكمبيوتر التي تدرك نفسها بنفسها والقادرة على الإدراك الحقيقي. ومع ذلك فإن معظم أنظمة الذكاء الاصطناعي في المستقبل المنظور ستكون ما يسميه علماء الكمبيوتر “الذكاء الاصطناعي الضيق” مما يعني أنه سيتم تصميمها لأداء مهمة إدراكية واحدة بشكل جيد حقا بدلاً من “التفكير” لأنفسهم حقًا.

التعلم الآلي (ML)

    التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي تستخدم تقنيات إحصائية لمنح أجهزة الكمبيوتر القدرة على التعلم من البيانات دون أن تتم برمجتها بشكل صريح.

تم استخدام الذكاء الاصطناعي والتعلم الآلي بالتبادل من قبل العديد من الشركات في السنوات الأخيرة بسبب نجاح بعض أساليب التعلم الآلي في مجال الذكاء الاصطناعي. للتوضيح يشير التعلم الآلي إلى قدرة البرنامج على التعلم بينما يشمل الذكاء الاصطناعي التعلم جنبًا إلى جنب مع الوظائف الأخرى.

الذكاء الاصطناعي مقابل الخوارزميات القياسية

تتمثل إحدى الوجبات الرئيسية للذكاء الاصطناعي في أن خوارزمياته تستخدم كمية كبيرة من البيانات لضبط هيكلها الداخلي بحيث يتم تصنيفها عند تقديم بيانات جديدة وفقًا للبيانات السابقة المقدمة. نحن نسمي هذا “التعلم” من البيانات بدلاً من العمل وفقًا لتعليمات التصنيف المكتوبة بدقة في الكود.

تخيل أننا نريد كتابة برنامج يمكنه تمييز السيارات عن الشاحنات. في نهج البرمجة التقليدي سنحاول كتابة برنامج يبحث عن ميزات إرشادية محددة مثل العجلات الأكبر أو الهيكل الأطول. سيتعين علينا كتابة رمز يحدد على وجه التحديد كيف تبدو هذه الميزات وأين يجب العثور عليها في الصورة. إن كتابة مثل هذا البرنامج وجعله يعمل بشكل موثوق أمر صعب للغاية ومن المحتمل أن ينتج عنه إيجابيات كاذبة وسلبيات كاذبة لدرجة أنه قد لا يكون قابلاً للاستخدام في النهاية على الإطلاق.

هذا هو المكان الذي تصبح فيه خوارزميات الذكاء الاصطناعي مفيدة للغاية. بمجرد أن يتم تدريب خوارزمية الذكاء الاصطناعي يمكننا أن نعرض عليها العديد من الأمثلة وتقوم بتعديل هيكلها الداخلي لبدء اكتشاف الميزات ذات الصلة بالتصنيف الناجح للصور بدلاً من الاعتماد على تعريفات الميزات الثابتة والمحددة.

إدارة مشروع الذكاء الاصطناعيالبيانات هي الملك

البشر ليسوا جيدين في التعامل مع كميات كبيرة من البيانات والحجم الهائل من البيانات المتاحة لنا يمنعنا أحيانًا من استخدامها بشكل مباشر. هذا هو المكان الذي تأتي فيه أنظمة الذكاء الاصطناعي.

أحد المفاهيم الأساسية فيما يتعلق بأنظمة الذكاء الاصطناعي هو أن تنبؤاتها جيدة فقط مثل بياناتها. على سبيل المثال ستتفوق الخوارزمية التي تحتوي على مليون نقطة بيانات على نفس الخوارزمية مع 10000 نقطة بيانات. علاوة على ذلك ذكرت BCG أن “العديد من الشركات لا تفهم أهمية البيانات والتدريب لنجاح الذكاء الاصطناعي. في كثير من الأحيان تكون البيانات الأفضل أكثر أهمية لبناء نظام ذكي من الخوارزميات المجردة بقدر ما تفوق التنشئة الطبيعة في البشر “.

مع وجود هذه المعرفة معًا يعد إعداد البيانات وتنظيفها أمرًا سيصبح أكثر انتشارًا في عملية المشروع. غالبًا ما تكون هذه الخطوة هي الجزء الأكثر كثافة في العمل في بناء نظام ذكاء اصطناعي نظرًا لأن معظم الشركات لا تمتلك البيانات الجاهزة بالتنسيقات الصحيحة – وبالتالي قد يستغرق محللو البيانات بعض الوقت لإكمال هذه الخطوة الأساسية.

بالإضافة إلى ذلك يعد إعداد البنية التحتية للبيانات ووظائف تنظيف البيانات خطية أكثر بكثير من تطوير البرامج المعتاد وقد تتطلب منهجية مختلفة لإدارة المشروع.

للتلخيص قد يستغرق إنشاء البنية التحتية الصحيحة للبيانات وإعداد البيانات لاستخدامها وقتًا أطول بكثير من بناء نموذج التعلم الآلي لتشغيل البيانات. يعد هذا اعتبارًا كبيرًا لمديري المشاريع أثناء إدارتهم للفرق والتفكير في نطاق الذكاء الاصطناعي وتقديرات المشروع.

علاوة على ذلك يجب تحديث مجموعة البيانات باستمرار بالبيانات الجديدة. قد يكون الوصول إلى مجموعات البيانات الفريدة هو العامل الرئيسي الذي يحدد منتج ML الأكثر نجاحًا. من الأهمية بمكان أن تظل على اطلاع دائم بهذا الأمر من أجل الوصول إلى أفضل أداء ممكن لمشروع ML الخاص بك حتى بعد الإطلاق.

دورة حياة تطوير الذكاء الاصطناعي

سيكون معظمكم على دراية بدورة حياة تطوير الأنظمة القياسية  (SDLC) جنبًا إلى جنب مع كيفية تشكيل المنهجيات والتقنيات المختلفة. من المهم ملاحظة أن تطوير الذكاء الاصطناعي سيجلب مجموعة جديدة من التحديات في هذا المجال. يمكننا تقسيم دورة حياة تطوير الذكاء الاصطناعي إلى الخطوات التالية: التفكير واكتشاف البيانات وتحديد أولويات MVPs وتطوير MVPs إلى منتجات كاملة الأهلية.

التفكير واكتشاف البيانات

في هذه المرحلة الأولى يجب أن ينصب التركيز على شيئين أساسيين: المستخدم النهائي لمنتج ML وأي مجموعات بيانات متاحة.

من خلال التعامل مع المشكلة من جانبين مستقلين ، يمكن أن تساعد هذه التقنيات مدير المشروع في تضييق نطاق فرص منتجات ML المتاحة داخل الشركة بسرعة. خلال هذه المرحلة يمكن أن يستفيد كبار مديري المشاريع من معرفتهم بمساحة التعلم الآلي من أجل فهم أفضل للصعوبة التي يمكن حل مشكلات معينة بها. تتحرك الأشياء بسرعة كبيرة في مجال تعلم الآلة ويمكن جعل بعض المشكلات الصعبة أسهل بكثير من خلال التطورات الجديدة في البحث.

كما ذكرنا سابقًا بمجرد اكتشاف البيانات ، يجب تنظيفها وإعدادها. تتم هذه المهمة المحددة عادةً بخطوات خطية والتي لا تتناسب بدقة مع منهجيات المشروع النموذجية مثل Agile أو Waterfall على الرغم من أنه يمكن إجبارها على سباقات السرعة. عادةً ما يتم تنظيف البيانات بشكل متكرر عن طريق زيادة حجم مجموعات البيانات تدريجياً وإعدادها بالتوازي مع جهود التطوير الأخرى.

تحديد أولويات الحد الأدنى من المنتج القابل للتطبيق (MVP)

حقيقة أنه من الأفضل أن يكون لديك نموذج أولي عملي لمنتج أصغر بدلاً من نموذج كبير غير مكتمل لا تزال قائمة هنا مع منتجات التعلم الآلي. يجب تحديد أولويات ML MVPs الجديدة بناءً على سرعة التسليم وقيمتها للشركة. إذا كان بإمكانك تقديم منتجات حتى تلك التي قد تكون أصغر بسرعة فقد يكون ذلك مكسبًا جيدًا وسريعًا للفريق بأكمله – يجب إعطاء الأولوية لهذه المنتجات أولاً.

يعد إعداد MVPs بأسلوب Agile الكلاسيكي فكرة جيدة ويجب على فريق التطوير التركيز على تقديم نماذج ML بناءً على مجموعات البيانات التي يتم تحسينها باستمرار والتي يتم إعدادها بشكل مستقل بواسطة فريق البيانات. هناك تمييز مهم هنا وهو أن فريق البيانات لا يحتاج بالضرورة إلى العمل عبر نفس هيكل Sprint مثل فريق بناء MVP.

MVP إلى منتج كامل الأهلية

هذه الخطوة هي المكان الذي تصبح فيه البنية التحتية للبيانات أساسية. إذا كان منتج ML الخاص بك يتطلب وصولاً عالي التردد لواجهة برمجة التطبيقات من جميع أنحاء العالم فعليك الآن التفكير في كيفية توسيع نطاق البنية التحتية لدعم منتج ML.

هذا هو المكان الذي يجب أن يتم فيه تقييم التغييرات التي يتم إجراؤها على وحدات ML بعناية من أجل تجنب كسر أداء المنتج الحالي. لا تؤدي إعادة تدريب وحدات ML باستخدام خوارزميات أو مجموعات بيانات جديدة دائمًا إلى زيادة خطية في الأداء – لذلك يلزم قدر كبير من الاختبار قبل النشر المباشر. لا يزال اختبار وحدة ML لحالات الحافة وهجمات شبكة الخصومة التوليدية المحتملة (GAN) في مهدها ولكنه بالتأكيد شيء يجب على مديري المشاريع مراعاته عند تشغيل منتج ML حي.

منشور ذات صلة
PCA 3 Minutes

تنفیذ تحليل العنصر الرئيسي (Principal Component Analysis) باستخدام البایثون

حسن خنفري

تحليل العنصر الرئيسي (PCA) هو إجراء إحصائي يستخدم لتخفیض الأبعاد. يستخدم تحويلًا متعامدًا لتحويل مجموعة من الملاحظات للمتغيرات المرتبطة المحتملة إلى مجموعة من مقادیر المتغيرات غير المرتبطة خطيًا یسمى العناصر الأساسية.

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

السلة