إن الإمكانات الكبيرة للذكاء الاصطناعي القائم على نماذج اللغة (LLMs) معرضة بشكل كبير للخطر بسبب نقطة ضعفها: مشكلة موثوقية قاتلة. يمكن للذكاء الاصطناعي التنبؤي معالجة هذه المشكلة – وهذا يمثل التطبيق القاتل التالي للذكاء الاصطناعي التنبؤي. الشركات مثل إنستاكارت وHP وسيلزفورس وتويليو تتبنى الآن هذه التحول الحتمي والحيوي. إليك آخر الأخبار حول هذه الحركة.
حتى مع أن مبالغة في ترويج الذكاء الاصطناعي الوكيلة، فإنه يسهم في إلقاء الضوء على هدف سائد، وهو الرغبة الكامنة لدى المؤسسات في دفع حدود الاستقلالية المستندة إلى LLM. تريد الشركات نشر أنظمة الذكاء الاصطناعي التي تقوم بأدوار بدلاً من مجرد مهام. إنهم يريدون “وكالة” آلية، وليس مجرد أدوات. (بالطبع هم يريدون ذلك؛ الأتمتة هي الهدف من أي آلة.)
لكن ضجيج الذكاء الاصطناعي قد جعل الجميع في حالة من الارتباك. إنه ينمي توتراً داخلياً: من ناحية، تعاني من خوف شديد من الفقدان (FOMO). ومن ناحية أخرى، لا تريد أن تقع ضحية لمزاعم غير قابلة للتطبيق أو سخيفة.
من السهل جداً التفكير في هدف غير واقعي للذكاء الاصطناعي. ومن السهل تقريباً أن تعمل على نموذج أولي، عرض مثير للإعجاب لا يمكن أن يتوسع. تبدو LLMs بشرية بشكل ملحوظ، ويتخيل الناس أن الحواسيب ستحل محل جميع وكلاء خدمة العملاء، وتلخص أو تجاوب على أسئلة حول مجموعة من آلاف الوثائق، وتقوم بدور عالم البيانات بشكل كامل أو حتى اتخاذ القرارات التنفيذية للشركة.
حتى الأنظمة التي من المفترض أن تحقق أهداف “وكيلة” أكثر تواضعاً تصبح بسرعة غير موثوقة جدًا لاستخدامها على نطاق واسع. على سبيل المثال، في دراسة حديثة أجرتها شركة الذكاء الاصطناعي الناشئة ميركور، أفضل نظام من بين عدة أنظمة قائمة على LLM، جمنائي 3 فلاش، نجحت في 24% فقط من مجموعة من المهام، مثل: “رد علي بمعدل السعر إلى الأرباح لـ KVUE، مقربًا إلى نقطتين عشريتين. استخدم سعر السهم الضمني في نموذج التدفق النقدي المخصوم وأرباح السهم المخففة من البيانات المالية السنوية بتاريخ 12/23/2025.”
أخبار جيدة وأخبار أفضل
أخبار جيدة: الذكاء الاصطناعي الهجين يمكن أن يحقق جزءًا كبيرًا من الوعد الجريء غالبًا للاستقلالية للذكاء الاصطناعي. يعمل الذكاء الاصطناعي التنبؤي كطبقة موثوقية تنقل إلى إنسان الحالات والتفاعلات الأكثر احتمالاً للخروج عن المسار. هذا بالضبط هو نوع الشيء الذي استخدم فيه الذكاء الاصطناعي التنبؤي لعقود: توقع نتيجة سلبية من أجل استهداف الفحص البشري و، ربما، التدخل. تمثل هذه الفلسفة أفضل الممارسات لـ إدارة مخاطر المؤسسة بشكل عام. تقوم نماذج التعلم الآلي بحساب درجات المخاطر لكل حالة بشأن أي المعاملات أكثر عرضة للاحتيال، وأي الجسور الأكثر عرضة للانهار وأي المطاعم في خرق لوائح الصحة. يعد مشروع genAI من المؤسسات مجرد نظام معقد آخر يحتاج إلى هذا النوع من الإدارة التنبؤية.
عند تطبيقها على الأنظمة القائمة على LLM، يمثل هذا التحرك اعترافًا محوريًا بأننا أحيانًا بحاجة إلى إنسان (أكثر تكلفة) في الحلبة. هذه تسوية مناسبة للاستقلالية الكاملة. من خلال اعتماد وجهة نظر واقعية وعقلانية، بدلاً من وجهة النظر المستندة إلى FOMO الواسعة، يمكننا الحصول على كعكتنا ويمكننا حتى تناول الجزء الأكبر منها أيضًا.
أخبار أفضل: إنها تحدث. لقد كنت أكتب عن هذا النهج الهجين المحدد للتنبؤي/التوليدي للذكاء الاصطناعي لأكثر من عام – يبدو أنه حتمي كحل قابل للتطبيق لـ أزمة وشيكة للgenAI – و الآن إنها تظهر حقًا. الشركات تتجه نحو الهجين بدافع الضرورة.
تويليو تقوم بترويض نظام خدمة العملاء الخاص بها بشكل تنبؤي
أطلقت شركة الاتصالات تويليو مساعد ذكاء اصطناعي محادثي يتطور باستمرار. يقوم هذا النظام يؤدي كلا من أدوار دعم العملاء والمبيعات، مساعداً المستخدم من خلال الاستجابة للأسئلة وإرشادًا بشكل استباقي طوال دورة حياة العميل حيث يزيد المستخدم من استخدامه لحلول تويليو.
تكتشف حواجز الأمان الخاصة بالنظام الخطوات المحتملة الخاطئة وتضع حداً عندما قد تكون على وشك، على سبيل المثال، الخروج عن الموضوع بشكل كبير، أو تقديم سعر غير صحيح أو تقديم وعد لا يستطيع الوفاء به، مثل “سأتحقق مع فريقي القانوني”. ثم يقوم البشر بمراجعة تلك الحالات الأكثر خطورة، إما بإلغاء إيقاف التفاعل أو التدخل حسب الحاجة.
مقدمي الرعاية الصحية يروضون بشكل تنبؤي نظام مطالبات التأمين الخاص بهم
بينما يستفيد مقدمو الرعاية من genAI لإكمال مطالبات التأمين، يجب موازنة الكفاءات الكبيرة المحتملة ضد خطر تقديم مطالبات مكتملة بشكل غير صحيح أو التي من غير المحتمل أن تتم الموافقة عليها. أدخل التقييم التنبؤي: في كل مرة يكمل فيها نظام قائم على LLM مطالبة، يحدد نموذج تنبؤي مخاطر رفض المطالبة قبل تقديمها بحيث يمكن للبشر مراجعة وتعديل المطالبات عالية المخاطر إذا لزم الأمر. قدم أوليفر شيتلر، عالم بيانات أول في NextGen Healthcare، عرض هذا النهج في وقت سابق من هذا الشهر في المؤتمر الذي أسسته، أسبوع التعلم الآلي HYBRID AI 2026.
إنستاكارت توفر بدائل للمنتجات غير المتوفرة باستخدام الذكاء الاصطناعي التنبؤي
إنستاكارت، التي تتيح لك طلب توصيل منزلي من معظم سلاسل المواد الغذائية، تواجه تحديًا لا مفر منه متعلق بمجالها: قد يجد الشخص الذي يتسوق نيابة عنك أحيانًا أن المنتج الذي حددته غير متوفر. يتناسب الذكاء الاصطناعي التنبؤي بشكل كبير. من خلال توقع أي عنصر بديل من المرجح أن يرضي العميل، يمكن لإنستاكارت أن تقدم خيارًا قابلًا للتطبيق للعميل – وإذا كانت الثقة مرتفعة بما فيه الكفاية، فيمكنها إدخال هذا العنصر بشكل استباقي، مع العلم أن فرص رفض العميل لتسليمها منخفضة.
سيلزفورس وHP يروضان أنظمة genAI باستخدام الذكاء الاصطناعي التنبؤي
تطبق سيلزفورس وHP أيضًا هذا النهج الهجين لترويض الأنظمة القائمة على LLM. يتبنى أحد مشاريع سيلزفورس هذا من منظور الأمان – ليس فقط للتنبؤ بموعد فشل النظام في تحقيق هدفه، ولكن بشكل أكثر تحديدًا عندما سيتعرض لانتهاك أمني. قدمت عالمة البيانات في سيلزفورس، ميلي هوانغ، أيضًا عرضًا في HYBRID AI 2026 حول “عندما تخرج وكلاء الذكاء الاصطناعي عن السيطرة: كشف السلوك الخطير للذكاء الاصطناعي في المؤسسات باستخدام التعلم غير الخاضع للرقابة.”
في نفس الحدث، عرض المهندس الرئيسي في HP، ساماريش كومار سينغ، حول، “الذكاء الاصطناعي الهجين في الإنتاج في HP: طبقة موثوقية تجمع بين الذكاء الاصطناعي التنبؤي وgenAI (مع البشر في الحلقة).”
موثوقية LLM هي التطبيق القاتل التالي للذكاء الاصطناعي التنبؤي
لقد أصبح من البديهي أن نماذج genAI الأولية مثيرة للإعجاب وجذابة – لكن غير موثوقة جدًا للإطلاق. للتراجع عن “نشوة وكيل مستقل” غير الواقعية والنجاح في تحقيق وعد genAI الجريء، وغالبًا ما يكون مبالغاً فيه، بالاستقلالية – أو على الأقل جزء كبير منه – يجب علينا الانتقال إلى الهجين من خلال دمج الذكاء الاصطناعي التنبؤي كممارسة معيارية. مع ظهور هذا النهج كجزء متزايد من الحلول المستندة إلى genAI، ستمثل التطبيق “القابل للقتل” التالي للذكاء الاصطناعي التنبؤي.
ومع ذلك، بقدر ما يطلب عدم موثوقية genAI الذكاء الاصطناعي التنبؤي، فإن مشاريع الذكاء الاصطناعي التنبؤي سهلة جدًا لتخريبها. تتمتع الذكاء الاصطناعي التنبؤي بسجل سيئ للغاية. خارج كبار التقنيين وقلة من الشركات الرائدة الأخرى، تفشل معظم المبادرات في التنفيذ، ولا تحقق أي قيمة. لماذا؟ لأن المتخصصين في البيانات غير مجهزين لبيع التنفيذ للأعمال. إن مؤشرات أداء التقنية التي يقومون عادة بالإبلاغ عنها Related Posts
