ليس سراً أن الذكاء الاصطناعي artificial intelligence AI يغير الصناعات والشركات من جميع الأنواع. يتأثر الطب والتعليم والبيع بالتجزئة والتصنيع والسيارات والعديد من المجالات الأخرى بالتقدم في مجال الذكاء الآلي، المعروف أيضًا باسم التعلم الآلي machine learning أو تقنية الشبكة العصبية neural network technology أو معالجة اللغة الطبيعية natural language processing أو ببساطة الذكاء الاصطناعي AI.
لقد كانت التقنيات التي تعمل بالذكاء الاصطناعي مسؤولة بالفعل عن الكفاءات والتحسينات الهامة في مجموعة متنوعة من المجالات- ولكن هذه مجرد البداية؛ التغييرات التي أحدثها الذكاء الاصطناعي والتي رأيناها حتى الآن تستخدم، وفقًا للعديد من التقديرات، كمية صغيرة فقط من جميع البيانات المتاحة. من الآمن أن نقول أنه عندما نستخدم المزيد من البيانات- معظمها غير منظم- ستصبح الأمور مثيرة للاهتمام حقًا.
تركز معظم جهود تحليل بيانات الذكاء الاصطناعي على النص والصوت ومقاطع الفيديو التي يتم جمعها عبر الويب، وذلك في الغالب لتوفير رؤى للأعمال والتسويق وخدمة العملاء، مع استخدام أقلية متزايدة من المؤسسات الآن أدوات لفهم وتنظيم البيانات غير المهيكلة من العالم المادي. ولكن هناك عالم كامل من البيانات غير المهيكلة التي يمكن أن تكون نعمة للعديد من الصناعات الأخرى- الطب والزراعة والنقل والبناء، على سبيل المثال لا الحصر.
ستجمع المستشعرات Sensors المستخدمة حاليًا- والنمو الهائل المتوقع لأجهزة إنترنت الأشياء IoT- كميات هائلة من البيانات، معظمها غير منظم، والكثير منها في أشكال غير نصية. هذه البيانات، بحكم تعريفها، "صديقة للكمبيوتر computer friendly"، لكنها ليست صديقة لتحليل الذكاء الاصطناعي. في حين أن البيانات التي يتم جمعها بواسطة أجهزة الاستشعار والآلات يمكن قراءتها بسهولة بواسطة الأنظمة، إلا أنها لا توفر رؤى في هذه الحالة "الأولية raw". لكي تكون أنظمة الذكاء الاصطناعي قادرة على تحليل البيانات وتقديم تلك الأفكار، يجب نشرها في هيكل يمكن العلماء من التنقيب عنها للحصول على المعلومات التي ستوفر الإجابات التي يبحثون عنها. تتمثل الخطوة الأولى في تطبيق طبقة أولية من الذكاء الاصطناعي لتحويل هذه البيانات غير المهيكلة إلى بيانات منظمة يمكن استغلالها بعد ذلك بواسطة أنواع إضافية من الذكاء الاصطناعي للحصول على رؤى حول الحلول في مجموعة متنوعة من المجالات.
على سبيل المثال، ستكون البيانات غير المنظمة ضرورية لمواصلة تطوير واستخدام المركبات المستقلة. باستخدام البيانات من الكاميرات وأجهزة الاستشعار، تعمل المركبات ذاتية القيادة حاليًا بشكل جيد على الطرق التي يتم صيانتها جيدًا مع وجود علامات وإشارات واضحة، حيث تتم القيادة بطريقة "يمكن التنبؤ بها". يتمثل التحدي الأكبر أمام الاستخدام الموسع للمركبات ذاتية القيادة في أدائها في مواقف القيادة غير القياسية- حيث لا تكون الطرق سلسة أو مرتبة أو مستقيمة أو موقعة ومعلمة بشكل صحيح.
وهنا يمكن أن تحدث البيانات غير المهيكلة فرقًا. من خلال الاستفادة من البيانات التي يتم سحبها إلى النظام وتطبيقها على الهياكل التي يمكن للمركبات ذاتية القيادة فهمها، يمكن لأنظمة الذكاء الاصطناعي تمكين المركبات من التنقل في تلك الطرق الصعبة تمامًا كما تفعل مع الطرق السريعة السهلة والموحدة. بالنظر إلى أن إعادة البناء الجماعي للطرق الريفية والشوارع الحضرية والطرق السريعة بعيدة المدى لاستيعاب المركبات المستقلة أمر غير مرجح، فإن استخدام البيانات غير المهيكلة بهذه الطريقة- تحويلها إلى بيانات منظمة- سيكون عنصرًا مهمًا في نمو استخدام المركبات المستقلة.
مع قوة الذكاء الاصطناعي التي تم إطلاقها على هذه البيانات المهيكلة حديثًا، ليس فقط السيارات ذاتية القيادة، ولكن سيكون لدى العديد من أنواع الشركات والمؤسسات العديد من الموارد للعمل معها- لن تترك ما قد يكون أهم رؤىهم وأكثرها قيمة على جدول.
فيما يلي بعض الطرق الأخرى التي يمكن من خلالها استخدام البيانات غير المهيكلة لتحسين الرؤى:
الزراعة Agriculture: يمكن لأجهزة الاستشعار وأجهزة إنترنت الأشياء الموجودة على المعدات وفي الميدان أن تنتج بيانات يمكن لأنظمة الذكاء الاصطناعي هيكلها لتحليل متقدم، مما ينتج عنه رؤى يمكن أن تساعد المزارعين على زراعة المزيد من المحاصيل، وحصادها في الوقت المناسب تمامًا وزيادة الموارد والأرباح. على سبيل المثال، يمكن لأجهزة الاستشعار المركبة على المعدات الزراعية جمع البيانات حول الموجات الصوتية وتحليلها بحثًا عن الأعطال؛ يمكن لقراءات درجة الحرارة والتربة، عند دمجها مع صور المحاصيل، أن تسفر عن رؤى حول بيئات النمو المثالية؛ يمكن أن يوفر تحليل منشورات وسائل التواصل الاجتماعي أدلة على المحاصيل التي من المرجح أن يكون لها أعلى طلب في السوق وجلب أعلى الأسعار. في حين أن بعض هذه البيانات (مثل معلومات درجة الحرارة والطقس) من المحتمل أن تكون موجودة بالفعل في قواعد بيانات منظمة، فمن المحتمل ألا تكون كذلك- ومن خلال تطبيق هيكلة الذكاء الاصطناعي والتحليل على هذه الكتلة الكبيرة من البيانات، سيستفيد المزارعون- والمستهلكون.
الرعاية الصحية Healthcare: إذا كان هناك مجال واحد يجب أن يكون نموذجًا للقوة المحتملة للبيانات غير المهيكلة، فهو الرعاية الصحية. في حين أن الكثير من البيانات التي تم جمعها من قبل الأطباء والمستشفيات يتم ترميزها بشكل صحيح وتصنيفها للاستخدام في قواعد البيانات المهيكلة، إلا أن المزيد من البيانات تظل غير منظمة- وفي كثير من الحالات غير مسجلة حاليًا.
من بين مصادر البيانات غير المنظمة التي يمكن للرعاية الصحية الاستفادة منها رسائل البريد الإلكتروني والملفات النصية ونصوص الاجتماعات ومقاطع الفيديو والصور ومقاطع الفيديو والبيانات من تطبيقات الدردشة- وحتى الملاحظات المكتوبة بخط اليد. يمكن أن تكون كل واحدة من هذه المصادر للحصول على رؤى في عدد كبير من المجالات- من جودة الرعاية إلى الكفاءة، إلى ما إذا كان الطبيب معرضًا لخطر ارتكاب خطأ. يمكن أن يوفر تحليل هذه البيانات على مستوى المريض رؤى للعاملين في مجال الرعاية الصحية حول الوضع الحقيقي للفرد، أو القضايا العاطفية أو الاقتصادية التي يمكن أن تؤثر على رفاههم، أو صورة كاملة عن صحتهم وأسلوب حياتهم.
بالإضافة إلى المصادر التقليدية للبيانات الموضحة أعلاه، يمكن تحليل مصادر البيانات الأخرى، بما في ذلك درجة حرارة الغرف، وربطها ببيانات عن تعافي المريض، ومدة الإقامة في المستشفى، والنظام الغذائي، وعوامل أخرى، لتحسين البيئة و ضمان أسرع علاج وأكثر فاعلية للمرضى. هنا أيضًا، يمكن استخدام أنظمة الذكاء الاصطناعي لهيكلة الموارد الضخمة الموجودة هناك والتي يمكن أن تسفر عن رؤى منقذة للحياة للملايين.
سلامة الطرق والمركبات Road and Vehicle Safety: تحتوي المركبات اليوم على عشرات من أجهزة الاستشعار، تجمع البيانات حول كل شيء من السرعة إلى الظروف الجوية إلى حركة المرور. يتم تحميل البيانات إلى أجهزة الكمبيوتر (على متن الطائرة أو القائمة على السحابة) لتحليلها وتحويلها سريعًا، وتنبيه السائقين عندما يقتربون جدًا من السيارة التي أمامهم أو من ظروف الطريق الخطرة. ولكن مرة أخرى، يمكن استخدام البيانات التي لا يتم استخدامها لجعل القيادة أكثر أمانًا وفعالية. على سبيل المثال، يمكن لأنظمة الذكاء الاصطناعي ربط البيانات المتعلقة بدمج حركة المرور بإعدادات منع اصطدام المركبات. باستخدام التعلم الآلي، يمكن أن توفر الأنظمة درجات أعلى من الأمان، مما يضمن اندماج المركبات في حركة المرور على الطرق القادمة بأكثر الطرق أمانًا. يمكن لأنظمة الذكاء الاصطناعي التي تنظم وتحلل هذه البيانات أن تساعد في إنقاذ الأرواح.
يمكن لمديري أسطول النقل الاستفادة من البيانات غير المنظمة أيضًا. حاليًا، تحلل أنظمة إدارة الأسطول البيانات المنظمة حول السرعة وسلوك سلامة السائق والطرق. ولكن يمكن أيضًا استخدام البيانات غير المهيكلة- التي تمت معالجتها بشكل صحيح باستخدام أنظمة الذكاء الاصطناعي والتحليل- لفهم تأثير الظروف الجوية على سلوك السائق، والعلاقة بين ظروف الطريق المادية واستهلاك السيارة، وتقديم صورة كاملة عن كيفية الصيانة الوقائية يمكن أن يضمن التشغيل الآمن للمركبات، من خلال ربط عشرات البيانات بأداء السيارة والسائق.
لقد حسّن الذكاء الاصطناعي، حتى في قدرته التحليلية المحدودة حاليًا، الحياة بعدة طرق- لكن سيكون له تأثير أكبر في السنوات القادمة عندما يمكنه تضمين هذه البيانات غير المهيكلة حاليًا القادمة من ملايين أجهزة الاستشعار. من خلال تنظيم الذكاء الاصطناعي للبيانات من أجهزة الاستشعار التي تقرأ وتسجيل العالم الحقيقي ، ستستفيد المشاكل الصعبة في العالم الحقيقي من حلول الذكاء الاصطناعي الحالية التي تعمل بالفعل بشكل جيد في العالم المنظم. سيؤدي هذا على الفور إلى زيادة عدد المشكلات التي يمكن حلها بواسطة حلول الذكاء الاصطناعي التي أثبتت نفسها بالفعل في مجالات الذكاء الاصطناعي التقليدية.
لقد كانت التقنيات التي تعمل بالذكاء الاصطناعي مسؤولة بالفعل عن الكفاءات والتحسينات الهامة في مجموعة متنوعة من المجالات- ولكن هذه مجرد البداية؛ التغييرات التي أحدثها الذكاء الاصطناعي والتي رأيناها حتى الآن تستخدم، وفقًا للعديد من التقديرات، كمية صغيرة فقط من جميع البيانات المتاحة. من الآمن أن نقول أنه عندما نستخدم المزيد من البيانات- معظمها غير منظم- ستصبح الأمور مثيرة للاهتمام حقًا.
تركز معظم جهود تحليل بيانات الذكاء الاصطناعي على النص والصوت ومقاطع الفيديو التي يتم جمعها عبر الويب، وذلك في الغالب لتوفير رؤى للأعمال والتسويق وخدمة العملاء، مع استخدام أقلية متزايدة من المؤسسات الآن أدوات لفهم وتنظيم البيانات غير المهيكلة من العالم المادي. ولكن هناك عالم كامل من البيانات غير المهيكلة التي يمكن أن تكون نعمة للعديد من الصناعات الأخرى- الطب والزراعة والنقل والبناء، على سبيل المثال لا الحصر.
ستجمع المستشعرات Sensors المستخدمة حاليًا- والنمو الهائل المتوقع لأجهزة إنترنت الأشياء IoT- كميات هائلة من البيانات، معظمها غير منظم، والكثير منها في أشكال غير نصية. هذه البيانات، بحكم تعريفها، "صديقة للكمبيوتر computer friendly"، لكنها ليست صديقة لتحليل الذكاء الاصطناعي. في حين أن البيانات التي يتم جمعها بواسطة أجهزة الاستشعار والآلات يمكن قراءتها بسهولة بواسطة الأنظمة، إلا أنها لا توفر رؤى في هذه الحالة "الأولية raw". لكي تكون أنظمة الذكاء الاصطناعي قادرة على تحليل البيانات وتقديم تلك الأفكار، يجب نشرها في هيكل يمكن العلماء من التنقيب عنها للحصول على المعلومات التي ستوفر الإجابات التي يبحثون عنها. تتمثل الخطوة الأولى في تطبيق طبقة أولية من الذكاء الاصطناعي لتحويل هذه البيانات غير المهيكلة إلى بيانات منظمة يمكن استغلالها بعد ذلك بواسطة أنواع إضافية من الذكاء الاصطناعي للحصول على رؤى حول الحلول في مجموعة متنوعة من المجالات.
على سبيل المثال، ستكون البيانات غير المنظمة ضرورية لمواصلة تطوير واستخدام المركبات المستقلة. باستخدام البيانات من الكاميرات وأجهزة الاستشعار، تعمل المركبات ذاتية القيادة حاليًا بشكل جيد على الطرق التي يتم صيانتها جيدًا مع وجود علامات وإشارات واضحة، حيث تتم القيادة بطريقة "يمكن التنبؤ بها". يتمثل التحدي الأكبر أمام الاستخدام الموسع للمركبات ذاتية القيادة في أدائها في مواقف القيادة غير القياسية- حيث لا تكون الطرق سلسة أو مرتبة أو مستقيمة أو موقعة ومعلمة بشكل صحيح.
وهنا يمكن أن تحدث البيانات غير المهيكلة فرقًا. من خلال الاستفادة من البيانات التي يتم سحبها إلى النظام وتطبيقها على الهياكل التي يمكن للمركبات ذاتية القيادة فهمها، يمكن لأنظمة الذكاء الاصطناعي تمكين المركبات من التنقل في تلك الطرق الصعبة تمامًا كما تفعل مع الطرق السريعة السهلة والموحدة. بالنظر إلى أن إعادة البناء الجماعي للطرق الريفية والشوارع الحضرية والطرق السريعة بعيدة المدى لاستيعاب المركبات المستقلة أمر غير مرجح، فإن استخدام البيانات غير المهيكلة بهذه الطريقة- تحويلها إلى بيانات منظمة- سيكون عنصرًا مهمًا في نمو استخدام المركبات المستقلة.
مع قوة الذكاء الاصطناعي التي تم إطلاقها على هذه البيانات المهيكلة حديثًا، ليس فقط السيارات ذاتية القيادة، ولكن سيكون لدى العديد من أنواع الشركات والمؤسسات العديد من الموارد للعمل معها- لن تترك ما قد يكون أهم رؤىهم وأكثرها قيمة على جدول.
فيما يلي بعض الطرق الأخرى التي يمكن من خلالها استخدام البيانات غير المهيكلة لتحسين الرؤى:
الزراعة Agriculture: يمكن لأجهزة الاستشعار وأجهزة إنترنت الأشياء الموجودة على المعدات وفي الميدان أن تنتج بيانات يمكن لأنظمة الذكاء الاصطناعي هيكلها لتحليل متقدم، مما ينتج عنه رؤى يمكن أن تساعد المزارعين على زراعة المزيد من المحاصيل، وحصادها في الوقت المناسب تمامًا وزيادة الموارد والأرباح. على سبيل المثال، يمكن لأجهزة الاستشعار المركبة على المعدات الزراعية جمع البيانات حول الموجات الصوتية وتحليلها بحثًا عن الأعطال؛ يمكن لقراءات درجة الحرارة والتربة، عند دمجها مع صور المحاصيل، أن تسفر عن رؤى حول بيئات النمو المثالية؛ يمكن أن يوفر تحليل منشورات وسائل التواصل الاجتماعي أدلة على المحاصيل التي من المرجح أن يكون لها أعلى طلب في السوق وجلب أعلى الأسعار. في حين أن بعض هذه البيانات (مثل معلومات درجة الحرارة والطقس) من المحتمل أن تكون موجودة بالفعل في قواعد بيانات منظمة، فمن المحتمل ألا تكون كذلك- ومن خلال تطبيق هيكلة الذكاء الاصطناعي والتحليل على هذه الكتلة الكبيرة من البيانات، سيستفيد المزارعون- والمستهلكون.
الرعاية الصحية Healthcare: إذا كان هناك مجال واحد يجب أن يكون نموذجًا للقوة المحتملة للبيانات غير المهيكلة، فهو الرعاية الصحية. في حين أن الكثير من البيانات التي تم جمعها من قبل الأطباء والمستشفيات يتم ترميزها بشكل صحيح وتصنيفها للاستخدام في قواعد البيانات المهيكلة، إلا أن المزيد من البيانات تظل غير منظمة- وفي كثير من الحالات غير مسجلة حاليًا.
من بين مصادر البيانات غير المنظمة التي يمكن للرعاية الصحية الاستفادة منها رسائل البريد الإلكتروني والملفات النصية ونصوص الاجتماعات ومقاطع الفيديو والصور ومقاطع الفيديو والبيانات من تطبيقات الدردشة- وحتى الملاحظات المكتوبة بخط اليد. يمكن أن تكون كل واحدة من هذه المصادر للحصول على رؤى في عدد كبير من المجالات- من جودة الرعاية إلى الكفاءة، إلى ما إذا كان الطبيب معرضًا لخطر ارتكاب خطأ. يمكن أن يوفر تحليل هذه البيانات على مستوى المريض رؤى للعاملين في مجال الرعاية الصحية حول الوضع الحقيقي للفرد، أو القضايا العاطفية أو الاقتصادية التي يمكن أن تؤثر على رفاههم، أو صورة كاملة عن صحتهم وأسلوب حياتهم.
بالإضافة إلى المصادر التقليدية للبيانات الموضحة أعلاه، يمكن تحليل مصادر البيانات الأخرى، بما في ذلك درجة حرارة الغرف، وربطها ببيانات عن تعافي المريض، ومدة الإقامة في المستشفى، والنظام الغذائي، وعوامل أخرى، لتحسين البيئة و ضمان أسرع علاج وأكثر فاعلية للمرضى. هنا أيضًا، يمكن استخدام أنظمة الذكاء الاصطناعي لهيكلة الموارد الضخمة الموجودة هناك والتي يمكن أن تسفر عن رؤى منقذة للحياة للملايين.
سلامة الطرق والمركبات Road and Vehicle Safety: تحتوي المركبات اليوم على عشرات من أجهزة الاستشعار، تجمع البيانات حول كل شيء من السرعة إلى الظروف الجوية إلى حركة المرور. يتم تحميل البيانات إلى أجهزة الكمبيوتر (على متن الطائرة أو القائمة على السحابة) لتحليلها وتحويلها سريعًا، وتنبيه السائقين عندما يقتربون جدًا من السيارة التي أمامهم أو من ظروف الطريق الخطرة. ولكن مرة أخرى، يمكن استخدام البيانات التي لا يتم استخدامها لجعل القيادة أكثر أمانًا وفعالية. على سبيل المثال، يمكن لأنظمة الذكاء الاصطناعي ربط البيانات المتعلقة بدمج حركة المرور بإعدادات منع اصطدام المركبات. باستخدام التعلم الآلي، يمكن أن توفر الأنظمة درجات أعلى من الأمان، مما يضمن اندماج المركبات في حركة المرور على الطرق القادمة بأكثر الطرق أمانًا. يمكن لأنظمة الذكاء الاصطناعي التي تنظم وتحلل هذه البيانات أن تساعد في إنقاذ الأرواح.
يمكن لمديري أسطول النقل الاستفادة من البيانات غير المنظمة أيضًا. حاليًا، تحلل أنظمة إدارة الأسطول البيانات المنظمة حول السرعة وسلوك سلامة السائق والطرق. ولكن يمكن أيضًا استخدام البيانات غير المهيكلة- التي تمت معالجتها بشكل صحيح باستخدام أنظمة الذكاء الاصطناعي والتحليل- لفهم تأثير الظروف الجوية على سلوك السائق، والعلاقة بين ظروف الطريق المادية واستهلاك السيارة، وتقديم صورة كاملة عن كيفية الصيانة الوقائية يمكن أن يضمن التشغيل الآمن للمركبات، من خلال ربط عشرات البيانات بأداء السيارة والسائق.
لقد حسّن الذكاء الاصطناعي، حتى في قدرته التحليلية المحدودة حاليًا، الحياة بعدة طرق- لكن سيكون له تأثير أكبر في السنوات القادمة عندما يمكنه تضمين هذه البيانات غير المهيكلة حاليًا القادمة من ملايين أجهزة الاستشعار. من خلال تنظيم الذكاء الاصطناعي للبيانات من أجهزة الاستشعار التي تقرأ وتسجيل العالم الحقيقي ، ستستفيد المشاكل الصعبة في العالم الحقيقي من حلول الذكاء الاصطناعي الحالية التي تعمل بالفعل بشكل جيد في العالم المنظم. سيؤدي هذا على الفور إلى زيادة عدد المشكلات التي يمكن حلها بواسطة حلول الذكاء الاصطناعي التي أثبتت نفسها بالفعل في مجالات الذكاء الاصطناعي التقليدية.
