الركائز الخمس لتحويل البيانات - شرح مبسط

لطالما وُعد الذكاء الاصطناعي بتقليص الأعمال المتراكمة، وتسريع القرارات، ومنح كل فريق طريقة أذكى للعمل. لكن كثيراً من المؤسسات تملك اليوم Microsoft Copilot وPower BI وMicrosoft Fabric ووكلاء الذكاء الاصطناعي وكمية من البيانات أكبر من أي وقت مضى، ومع ذلك لا تزال القرارات المهمة تتعثر في الاجتماعات لأن أحداً لا يثق تماماً في الأرقام أو لا يعرف من يملك صلاحية التصرف بناءً عليها. يستمر الإنفاق على التقنية في الارتفاع، بينما لا يرتفع مستوى الإنجاز. وغالباً لا تكمن المشكلة في نقص الذكاء الاصطناعي، بل في غياب نموذج تشغيلي يربط بين البيانات والمعنى والحوكمة والتقنية والناس والمساءلة. في هذه الحلقة من M365 FM – Simply Explained، نستعرض الركائز الخمس التي تحتاجها المؤسسات لبناء أساس موثوق لتحول البيانات والذكاء الاصطناعي.

ماذا ستتعلم
في هذه الحلقة نستكشف:

• لماذا لا يستطيع الذكاء الاصطناعي تعويض البيانات غير الموثوقة
• كيف تبني حوكمة البيانات الثقة قبل أن تبدأ الأتمتة
• لماذا ينبغي أن تعتمد جودة البيانات على القرار المطلوب اتخاذه
• كيف يمكن لـ Microsoft Purview دعم الحوكمة واكتشاف البيانات
• كيف تدعم Microsoft Fabric التحليلات الحديثة ومنصات البيانات
• لماذا تهم النماذج الدلالية (Semantic Models) لـ Power BI والذكاء الاصطناعي
• كيف تؤدي التعريفات المتعارضة إلى لوحات معلومات متعارضة
• لماذا يهم قاموس المصطلحات المؤسسي للبشر ولوكلاء الذكاء الاصطناعي
• كيف تؤثر ملكية البيانات على جاهزية الذكاء الاصطناعي
• لماذا يجب تحديد الوصول والأمان والصلاحيات قبل توسيع نطاق الذكاء الاصطناعي
• كيف يعتمد Copilot ووكلاء الذكاء الاصطناعي على سياق أعمال موثوق
• لماذا تظل المساءلة البشرية ضرورية حتى عندما ينتج الذكاء الاصطناعي الإجابة

الركيزة الأولى: حوكمة البيانات – الثقة قبل الأتمتة
غالباً ما توحي حوكمة البيانات بالسياسات واجتماعات الامتثال والتوثيق والبيروقراطية. عملياً، تجيب الحوكمة عن بعض الأسئلة البسيطة:

• من يملك هذه البيانات؟
• من يُسمح له بالوصول إليها؟
• من أين جاءت هذه البيانات؟
• هل يمكن الوثوق بها لهذا الاستخدام تحديداً؟
• ما الذي يُسمح للأشخاص بفعله بها؟
• ما الذي يُسمح لأنظمة الذكاء الاصطناعي بفعله بها؟

من دون إجابات واضحة، لا يحل الذكاء الاصطناعي مشكلة البيانات، بل قد ينشرها بسرعة أكبر. تخيّل فريق قيادة يعد توقعات المبيعات. يعرض فريق المبيعات رقم إيرادات، ويعرض فريق المالية رقماً آخر، وكلاهما يأتي من أنظمة تبدو مرجعية. فجأة لا يعود الاجتماع عن القرارات المستقبلية، بل يتحول إلى جدل حول أي جدول أو لوحة معلومات هي الصحيحة. وقد تكون المشكلة الكامنة أن:

• يحتوي نظام إدارة علاقات العملاء على نسخة من الإيرادات
• يحتوي النظام المالي على نسخة أخرى
• تضيف عمليات التصدير اليدوية فروقات إضافية
• لا يملك أحد تعريف الإيرادات
• لا يملك أحد مسؤولية جودة البيانات المصدرية
• لا يستطيع أحد أن يشرح بوضوح أي رقم ينبغي أن يقود التوقعات

تنتهي الشركة إلى الجدل حول الماضي بدلاً من اتخاذ قرارات للمستقبل.

ماذا يحدث عندما يدخل الذكاء الاصطناعي المشهد؟
تخيّل أن أحدهم سأل وكيل ذكاء اصطناعي: "أي منطقة مبيعات تتأخر؟" قد تصل الإجابة خلال ثوانٍ، لكنها قد تستند إلى:

• سجلات عملاء مكررة
• تعيينات حسابات قديمة
• فرص مفقودة
• مراحل توقع غير صحيحة
• بيانات قديمة
• صلاحيات غير صحيحة
• معلومات كان ينبغي ألا يتمكن المستخدم من الوصول إليها

قد تبدو الإجابة واثقة، وهذا لا يجعلها موثوقة تلقائياً. تُنشئ الحوكمة الاتفاق العملي حول البيانات قبل أن تبدأ الأتمتة في استخدامها. ويحدد نموذج الحوكمة القوي عادةً:

• مالكي بيانات محددين بالاسم
• مسؤوليات واضحة
• تصنيفات للبيانات
• قواعد الوصول
• توثيقاً للأنظمة المصدرية
• توقعات لجودة البيانات
• قابلية التدقيق
• سياسات للمعلومات الحساسة
• قواعد للذكاء الاصطناعي والأتمتة

يمكن لتقنيات Microsoft أن تدعم هذه العملية. إذ تساعد Microsoft Purview المؤسسات على اكتشاف المعلومات وتصنيفها وفهمها وحوكمتها، فيما تساعد Microsoft Fabric على جمع البيانات وإعدادها وتحليلها ومراقبتها وإتاحتها لسيناريوهات التقارير والذكاء الاصطناعي. لكن التقنية لا تستطيع أن تقرر كل شيء. ما زالت المؤسسات بحاجة إلى أشخاص يقررون:

• من يملك بيانات العملاء
• أي التعريفات هي المرجعية
• ما مستوى جودة البيانات المقبول
• من ينبغي أن يملك حق الوصول
• متى تكون الإجابة المولدة بالذكاء الاصطناعي آمنة للاستخدام
• من يبقى مسؤولاً عن القرار النهائي

يجب أن تتناسب جودة البيانات مع القرار
تتعامل كثير من المؤسسات مع جودة البيانات وكأن كل حقل في كل نظام ينبغي أن يكون مثالياً. وهذا نادراً ما يكون واقعياً. بل ينبغي تقييم جودة البيانات مقابل القرار التجاري المطلوب. فبالنسبة إلى توقعات المبيعات، قد تشمل الحقول الأكثر أهمية:

• مرحلة الفرصة
• تاريخ الإغلاق المتوقع
• مبلغ التوقع
• مالك الحساب
• المنطقة
• الاحتمالية
• حالة العميل

وقد تكون حقول أخرى أقل أهمية لذلك القرار تحديداً. لذا فالسؤال الأفضل ليس: "كيف ننظف كل بياناتنا؟" بل: "أي البيانات يجب أن نثق بها لهذا القرار؟" وهذا يجعل المشكلة أصغر وأكثر قابلية للقياس، وأسهل بكثير في الإدارة.

كن داعماً لهذا البودكاست: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.