ما هو الذكاء الاصطناعي التنبئي؟

يبدو الذكاء الاصطناعي التنبئي خياليًا، لكن فكرته بسيطة: استخدام البيانات السابقة لتخمين ما قد يحدث لاحقًا. بدءًا من العميل الذي قد يتخلى عن الخدمة وصولًا إلى وقت احتياج الآلة للخدمة، يتعلق الأمر بتحويل الأنماط التاريخية إلى إشارات استشرافية. الأمر ليس سحرًا، بل هو مزيج من الحسابات الرياضية والواقع المعقد، مع قليل من الشك السليم والكثير من التكرار.

فيما يلي شرح عملي وسهل القراءة. إذا كنتَ تتساءل عن ماهية الذكاء الاصطناعي التنبئي، وما إذا كان مفيدًا لفريقك، فهذا سينقلك من الحيرة إلى الصواب في جلسة واحدة.☕️

مقالات قد ترغب في قراءتها بعد هذه المقالة:

🔗 كيفية دمج الذكاء الاصطناعي في أعمالك
خطوات عملية لدمج أدوات الذكاء الاصطناعي من أجل نمو أعمال أكثر ذكاءً.

🔗 كيفية استخدام الذكاء الاصطناعي لزيادة الإنتاجية
اكتشف مسارات عمل الذكاء الاصطناعي الفعالة التي توفر الوقت وتعزز الكفاءة.

🔗 ما هي مهارات الذكاء الاصطناعي؟
تعلم الكفاءات الأساسية في مجال الذكاء الاصطناعي الضرورية للمهنيين المستعدين للمستقبل.

ما هو الذكاء الاصطناعي التنبئي؟ تعريف 🤖

الذكاء الاصطناعي التنبئي التحليل الإحصائي والتعلم الآلي لاكتشاف الأنماط في البيانات التاريخية والتنبؤ بالنتائج المحتملة - من يشتري، وما يفشل، ومتى يرتفع الطلب. وبتعبير أدق، يمزج هذا الذكاء الاصطناعي الإحصاءات الكلاسيكية مع خوارزميات التعلم الآلي لتقدير الاحتمالات أو القيم المتعلقة بالمستقبل القريب. نفس روح التحليلات التنبؤية؛ تسمية مختلفة، وفكرة التنبؤ بما سيأتي لاحقًا [5].

إذا كنت تحب المراجع الرسمية، فإن هيئات المعايير والإرشادات الفنية تضع إطارًا للتنبؤ على أنه استخراج إشارات (الاتجاه، والموسمية، والارتباط الذاتي) من البيانات المرتبة زمنيًا للتنبؤ بالقيم المستقبلية [2].

ما الذي يجعل الذكاء الاصطناعي التنبئي مفيدًا ✅

الإجابة المختصرة: إنها تُوجِّه القرارات، وليس لوحات المعلومات فحسب. الخير من أربع سمات:

• إمكانية العمل - يتم توجيه المخرجات إلى الخطوات التالية: الموافقة، والتوجيه، والرسالة، والتفتيش.

• الوعي بالاحتمالات - تحصل على احتمالات معايرة، وليس مجرد اهتزازات [3].

• قابلة للتكرار - بمجرد نشرها، تعمل النماذج باستمرار، مثل زميل العمل الهادئ الذي لا ينام أبدًا.

• قابلة للقياس - الرفع، الدقة، RMSE - أي شيء تريده - النجاح قابل للقياس.

لنكن صريحين: عندما يُطبّق الذكاء الاصطناعي التنبئي بإتقان، يبدو الأمر مملاً بعض الشيء. تصل التنبيهات، وتستهدف الحملات نفسها، ويطلب المخططون المخزون مبكراً. الملل جميل.

حكاية سريعة: رأينا فرقًا متوسطة الحجم تُطبّق نموذجًا صغيرًا لتعزيز التدرج، يُسجّل ببساطة "خطر نفاد المخزون خلال الأيام السبعة القادمة" باستخدام التأخيرات وميزات التقويم. لا شبكات عميقة، فقط بيانات نقية وحدود واضحة. لم يكن النجاح سريعًا، بل كان انخفاضًا في عدد المكالمات العشوائية في العمليات.

الذكاء الاصطناعي التنبئي مقابل الذكاء الاصطناعي التوليدي - التقسيم السريع ⚖️

• الذكاء الاصطناعي التوليدي محتوى جديدًا - نصًا وصورًا ورموزًا - عن طريق نمذجة توزيعات البيانات وأخذ العينات منها [4].

• الذكاء الاصطناعي التنبئي بالنتائج - مخاطر الانسحاب، والطلب في الأسبوع المقبل، واحتمالية التخلف عن السداد - من خلال تقدير الاحتمالات الشرطية أو القيم من الأنماط التاريخية [5].

فكّر في التوليد كاستوديو إبداعي، والتنبؤي كخدمة أرصاد جوية. نفس مجموعة الأدوات (التعلم الآلي)، لكن أهدافًا مختلفة.

إذًا... ما هو الذكاء الاصطناعي التنبئي عمليًا؟ 🔧

1. قم بجمع نتائج البيانات التاريخية المصنفة التي تهمك والمدخلات التي قد تفسرها.

2. مميزات المهندس - تحويل البيانات الخام إلى إشارات مفيدة (التأخيرات، وإحصائيات التدحرج، وتضمينات النص، والترميزات التصنيفية).

3. تدريب نموذج - خوارزميات مناسبة تتعلم العلاقات بين المدخلات والنتائج.

4. تقييم - التحقق من صحة البيانات المستبعدة باستخدام مقاييس تعكس قيمة العمل.

5. النشر - إرسال التوقعات إلى تطبيقك أو سير عملك أو نظام التنبيهات.

6. راقب الأداء، وراقب البيانات / المفاهيم ، وحافظ على إعادة التدريب/المعايرة. تُشير الأطر الرائدة صراحةً إلى الانحراف والتحيز وجودة البيانات كمخاطر مستمرة تتطلب الحوكمة والمراقبة [1].

تتراوح الخوارزميات من النماذج الخطية إلى مجموعات الأشجار والشبكات العصبية. تُفصّل الوثائق الموثوقة الخوارزميات الشائعة - الانحدار اللوجستي، والغابات العشوائية، وتعزيز التدرج، وغيرها - مع شرح للحلول الوسطية وخيارات معايرة الاحتمالات عند الحاجة إلى نتائج جيدة [3].

لبنات البناء - البيانات، والعلامات، والنماذج 🧱

• البيانات - الأحداث، المعاملات، القياس عن بُعد، النقرات، قراءات المستشعرات. الجداول المنظمة شائعة، ولكن يمكن تحويل النصوص والصور إلى خصائص رقمية.

• العلامات - ما تتوقعه: الشراء مقابل عدم الشراء، الأيام حتى الفشل، دولارات الطلب.

• الخوارزميات

  • التصنيف عندما تكون النتيجة تصنيفية أم لا.

  • الانحدار عندما تكون النتيجة رقمية - عدد الوحدات المباعة.

  • السلاسل الزمنية عندما يكون الترتيب مهمًا - التنبؤ بالقيم عبر الزمن، حيث يحتاج الاتجاه والموسمية إلى معالجة صريحة [2].

تضيف التنبؤات بالسلاسل الزمنية الموسمية والاتجاهات إلى الأساليب المختلطة مثل التنعيم الأسي أو نماذج عائلة ARIMA، وهي أدوات كلاسيكية لا تزال تحتفظ بمكانتها كخطوط أساسية إلى جانب التعلم الآلي الحديث [2].

حالات الاستخدام الشائعة التي يتم شحنها فعليًا 📦

• الإيرادات والنمو

  • تسجيل نقاط، ورفع معدلات التحويل، والتوصيات الشخصية.

• المخاطر والامتثال

  • كشف الاحتيال، ومخاطر الائتمان، وأعلام مكافحة غسل الأموال، واكتشاف الشذوذ.

• التوريد والعمليات

  • التنبؤ بالطلب، وتخطيط القوى العاملة، وتحسين المخزون.

• الموثوقية والصيانة

  • الصيانة التنبؤية للمعدات - التصرف قبل الفشل.

• الرعاية الصحية والصحة العامة

  • التنبؤ بإعادة القبول، أو حالة الطوارئ في المستشفى، أو نماذج مخاطر الأمراض (مع التحقق والحوكمة الدقيقة)

إذا سبق لك أن تلقيت رسالة نصية قصيرة تفيد بأن "هذه المعاملة تبدو مشبوهة"، فأنت قد قابلت الذكاء الاصطناعي التنبئي في البرية.

جدول المقارنة - أدوات الذكاء الاصطناعي التنبئي 🧰

ملاحظة: الأسعار شاملة - مفتوح المصدر مجاني، والسحابة تعتمد على الاستخدام، وتناسب الشركات. تبقى ملاحظة صغيرة أو اثنتان فقط للواقعية...

كيف تتم مقارنة الذكاء الاصطناعي التنبئي الوصفية 🧭

تُجيب التنبؤات على ما يُحتمل حدوثه . أما التحليلات الوصفية فتتجاوز ذلك، إذ ما يجب فعله حيال ذلك ، واختيار الإجراءات التي تُحسّن النتائج في ظل القيود. تُعرّف الجمعيات المهنية التحليلات الوصفية بأنها استخدام نماذج للتوصية بالإجراءات المثلى، وليس مجرد توقعات [5]. عمليًا، تُغذّي التنبؤات الوصفات.

تقييم النماذج - المقاييس المهمة 📊

اختر المقاييس التي تتوافق مع القرار:

• تصنيف

  • الدقة لتجنب النتائج الإيجابية الخاطئة عندما تكون التنبيهات باهظة الثمن.

  • تذكير لالتقاط المزيد من الأحداث الحقيقية عندما تكون الأخطاء مكلفة.

  • AUC-ROC لمقارنة جودة المرتبة عبر العتبات.

• الانحدار

  • RMSE/MAE لحجم الخطأ الإجمالي.

  • MAPE عندما تكون الأخطاء النسبية مهمة.

• التنبؤ

  • MASE وsMAPE لمقارنة السلاسل الزمنية.

  • التغطية لفترات التنبؤ - هل تحتوي نطاقات عدم اليقين الخاصة بك على الحقيقة فعليًا؟

القاعدة الذهبية التي أحبها: قم بتحسين المقياس الذي يتوافق مع ميزانيتك ليكون خاطئًا.

حقيقة النشر - الانحراف والتحيز والمراقبة 🌦️

تتدهور النماذج. تتغير البيانات. يتغير السلوك. هذا ليس فشلاً، بل هو تحولٌ في العالم. تحثّ الأطر الرائدة على المراقبة المستمرة لانحراف البيانات والمفاهيم ، وتسلط الضوء على التحيز ومخاطر جودة البيانات، وتوصي بالتوثيق، وضوابط الوصول، وحوكمة دورة الحياة [1].

• انحراف المفهوم - تتطور العلاقات بين المدخلات والهدف، بحيث لم تعد أنماط الأمس قادرة على التنبؤ بنتائج الغد بشكل جيد.

• انحراف النموذج أو البيانات - تتغير توزيعات المدخلات، وتتغير المستشعرات، ويتغير سلوك المستخدم، ويتراجع الأداء. اكتشف المشكلة وتصرف.

دليل عملي: راقب المقاييس في الإنتاج، وأجرِ اختبارات انحرافية، وحافظ على وتيرة إعادة التدريب، وسجلّ التنبؤات مقارنةً بالنتائج للاختبارات السابقة. استراتيجية تتبع بسيطة تتفوق على استراتيجية معقدة لا تُطبّقها أبدًا.

سير عمل مبتدئ بسيط يمكنك نسخه 📝

1. حدد القرار - ماذا ستفعل بالتنبؤ عند عتبات مختلفة؟

2. تجميع البيانات - جمع الأمثلة التاريخية ذات النتائج الواضحة.

3. الانقسام - التدريب والتحقق واختبار الصمود الحقيقي.

4. خط الأساس - ابدأ بالانحدار اللوجستي أو مجموعة صغيرة من الأشجار. تُخبرنا خطوط الأساس بحقائق غير مريحة [3].

5. تحسين - هندسة الميزات، والتحقق المتبادل، والتنظيم الدقيق.

6. السفينة - نقطة نهاية API أو مهمة دفعية تكتب التنبؤات إلى نظامك.

7. راقب - لوحات معلومات للجودة، وأجهزة إنذار الانجراف، ومحفزات إعادة التدريب [1].

إذا بدا هذا كثيرًا، فهو كذلك، ولكن يمكنك القيام به على مراحل. الفوز الصغير مركب.

أنواع البيانات وأنماط النمذجة - نصائح سريعة 🧩

• السجلات الجدولية - هي القاعدة الأساسية لتعزيز التدرج والنماذج الخطية [3].

• السلاسل الزمنية - غالبًا ما تستفيد من التحليل إلى اتجاهات/موسمية/بقايا قبل التعلم الآلي. تظل الأساليب الكلاسيكية، مثل التنعيم الأسّي، خطوط أساس قوية [2].

• النصوص والصور - تضمينها في متجهات رقمية، ثم التنبؤ بها مثل الجدول.

• الرسوم البيانية - شبكات العملاء، وعلاقات الأجهزة - أحيانًا يكون نموذج الرسم البياني مفيدًا، وأحيانًا يكون مُبالغًا فيه. أنت تعرف كيف تسير الأمور.

المخاطر والحواجز - لأن الحياة الحقيقية فوضوية 🛑

• التحيز وعدم التمثيل - السياقات غير الممثلة بشكل كافٍ تؤدي إلى أخطاء غير متساوية. وثّق وراقب [1].

• التسرب - الميزات التي تتضمن عن طريق الخطأ معلومات مستقبلية قد تؤدي إلى تسمم التحقق.

• الارتباطات الزائفة - النماذج تتمسك بالاختصارات.

• الإفراط في التجهيز - رائع في التدريب، ولكنه سيئ في الإنتاج.

• الحوكمة - تتبع النسب، والموافقات، والتحكم في الوصول - مملة ولكنها بالغة الأهمية [1].

إذا لم تعتمد على البيانات لإنجاز مشروع طائرة، فلا تعتمد عليها لرفض قرض. مبالغة بسيطة، لكنك تفهم جوهر الأمر.

الغوص العميق: التنبؤ بالأشياء المتحركة ⏱️

عند التنبؤ بالطلب، أو أحمال الطاقة، أو حركة مرور الويب، في السلاسل الزمنية أمرًا بالغ الأهمية. تُرتّب القيم، لذا يجب مراعاة البنية الزمنية. ابدأ بتحليل الاتجاهات الموسمية، وجرّب التنعيم الأسّي أو خطوط الأساس من عائلة ARIMA، وقارن بالأشجار المُعزّزة التي تتضمن ميزات متأخرة وتأثيرات التقويم. حتى خط الأساس الصغير والمُعدّل جيدًا يُمكن أن يتفوق على نموذج مُلفت للنظر عندما تكون البيانات قليلة أو مُشوّشة. تُوضّح كتيبات الهندسة هذه الأساسيات بوضوح [2].

مسرد قصير للأسئلة الشائعة 💬

• ما هو الذكاء الاصطناعي التنبئي؟ التعلم الآلي بالإضافة إلى إحصاءات تتنبأ بالنتائج المحتملة بناءً على الأنماط التاريخية. نفس روح التحليلات التنبؤية، تُطبّق في سير عمل البرمجيات [5].

• كيف يختلف عن الذكاء الاصطناعي التوليدي؟ الإبداع مقابل التنبؤ. يُنشئ التوليدي محتوى جديدًا، بينما يُقدّر التنبؤي الاحتمالات أو القيم [4].

• هل أحتاج إلى التعلم العميق؟ ليس دائمًا. العديد من حالات الاستخدام عالية العائد على الاستثمار تعتمد على الأشجار أو النماذج الخطية. ابدأ بشكل بسيط، ثم طوّر [3].

• ماذا عن اللوائح أو الأطر؟ استخدم أطرًا موثوقة لإدارة المخاطر والحوكمة - فهي تُركّز على التحيز والانحراف والتوثيق [1].

طويل جدًا. لم أقرأه!🎯

الذكاء الاصطناعي التنبئي ليس غامضًا، بل هو الممارسة المنضبطة للتعلم من الماضي للتصرف بذكاء أكبر اليوم. إذا كنت تُقيّم الأدوات، فابدأ بقرارك، لا بالخوارزمية. أنشئ مرجعًا موثوقًا، وانشره حيث يتغير السلوك، وقِسْه بلا هوادة. وتذكر أن النماذج تشيخ كالحليب لا النبيذ، لذا خطط للمراقبة وإعادة التدريب. قليل من التواضع يُحدث فرقًا كبيرًا.

مراجع

1. إطار عمل إدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0) - الوطني (NIST

2. (NIST ITL) : مقدمة في تحليل السلاسل الزمنية. رابط

3. دليل مستخدم التعلم المُشرف - scikit-learn الرابط

4. إطار عمل إدارة مخاطر الذكاء الاصطناعي التابع للمعهد الوطني للمعايير والتكنولوجيا: ملف تعريف الذكاء الاصطناعي التوليدي . رابط

5. INFORMS - بحوث العمليات والتحليلات (نظرة عامة على أنواع التحليلات). رابط

اكتشف أحدث تقنيات الذكاء الاصطناعي في متجر مساعدي الذكاء الاصطناعي الرسمي

معلومات عنا