كيف يمكن للذكاء الاصطناعي استعادة معرفات الحالات المفقودة في سجلات العمليات لتحسين دقة التحليل؟

Host: أهلاً بكم جميعاً في حلقة جديدة من بودكاست A.I.S. Insights، المدعوم من Living Knowledge. أنا مضيفتكم آنا آيفي سامرز، ويسعدني أن يشاركني الحوار اليوم خبيرنا المتميز أليكس إيان ساذرلاند. في حلقة اليوم، سنناقش دراسة حديثة ومثيرة للاهتمام بعنوان: "الكشف عن معرف الحالة عبر HERE: طريقة هجينة لإصلاح الحالات المستعصية لتحسين سجلات أحداث العمليات التجارية القائمة على المحولات". مرحباً بك يا أليكس، هل يمكنك أن تعطينا فكرة عامة وسريعة عما تقدمه هذه الدراسة؟

Expert: مرحباً بكِ يا آنا، ومرحباً بجميع مستمعينا الكرام. باختصار شديد، تقدم هذه الدراسة حلاً مبتكراً لمشكلة شائعة ومؤلمة جداً في عالم الأعمال، وتحديداً في مجال تنقيب العمليات أو ما يُعرف بـ Process Mining. الدراسة طورت طريقة هجينة تُدعى HERE لإصلاح سجلات الأحداث التي تفتقر إلى معرفات الحالات. المثير هنا هو أنها تدمج بين الذكاء الاصطناعي التوليدي عبر نماذج المحولات، وقواعد الأعمال التي يحددها الخبراء البشريون، لضمان استعادة البيانات المفقودة بدقة متناهية.

Host: هذا يبدو واعداً للغاية. لكن قبل أن نغوص في تفاصيل الحل، دعنا نتحدث عن المشكلة الكبرى. لماذا يُعد غياب "مُعرف الحالة" معضلة حقيقية للشركات اليوم؟

Expert: لنبسط الأمر لمستمعينا: تخيلي أن لديكِ متجراً إلكترونياً، وكل خطوة يقوم بها العميل—من إضافة المنتج إلى السلة، والدفع، والشحن—تُسجل كحدث منفصل. لكي نفهم مسار العميل كاملاً ونحسن تجربة الشراء، نحتاج إلى رابط أو خيط يربط كل هذه الخطوات ببعضها؛ هذا الخيط هو "معرف الحالة" أو Case ID. المشكلة تكمن في أن أنظمة تكنولوجيا المعلومات في الشركات غالباً ما تكون متفرقة أو قديمة، مما يؤدي إلى ضياع هذا المعرف في بعض الأحيان، فتظهر ما تسميه الدراسة "الحالات المستعصية". النتيجة هي فوضى في البيانات، وعمليات تحليل مضللة قد تقود الإدارة لاتخاذ قرارات استراتيجية خاطئة تماماً.

Host: ولهذا السبب غالباً ما تفشل مبادرات تنقيب العمليات! لكن ألا توجد حلول تقليدية لمعالجة هذه المشكلة بالفعل؟

Expert: بلى، ولكن الحلول التقليدية تعاني من عيوب قاسية. بعض الطرق تعيد تجميع كل الأحداث من الصفر دون تمييز، مما قد يخرب البيانات التي كانت سليمة بالفعل. وطرق أخرى تتطلب ساعات طويلة ومكلفة من العمل اليدوي، أو تعتمد على افتراض وجود مجموعات بيانات تكميلية ضخمة ونظيفة، وهو أمر نادراً ما يتوفر على أرض الواقع في بيئات العمل.

Host: هنا يأتي دور طريقة HERE التي طورتها الدراسة. اشرح لنا يا أليكس، كيف تعمل هذه الطريقة الهجينة بأسلوب مبسط بعيداً عن التعقيد التقني؟

Expert: الفكرة عبقرية ببساطتها؛ الطريقة تعتمد على جناحين متكاملين. الجناح الأول هو الذكاء الاصطناعي التوليدي باستخدام بنية المحولات أو Transformers، وهي التقنية نفسها التي تقف خلف نماذج اللغة الحديثة. هذا النموذج يتعلم التسلسل المنطقي للعمليات ويتوقع معرف الحالة المفقود بناءً على السياق. أما الجناح الثاني، فهو العنصر البشري من خلال تضمين قواعد منطق الأعمال المأخوذة من خبراء المجال كفحص أولي وفحص نهائي. هذه القواعد تعمل كشبكة أمان تضمن أن ما يخرجه الذكاء الاصطناعي يطابق المنطق الحقيقي للعملية ولا يخالف لوائح العمل.

Host: مزيج رائع بين ذكاء الآلة وخبرة الإنسان. وماذا أظهرت النتائج العملية عند اختبار هذا النهج؟

Expert: النتائج التي وثقتها الدراسة كانت مبهرة حقاً. أولاً وقبل كل شيء، نجحت الطريقة في استعادة معرفات الحالات المفقودة بدقة استثنائية، والأهم من ذلك أنها فعلت ذلك دون المساس بالبيانات السليمة مسبقاً. ثانياً، أثبتت الدراسة أن نماذج المحولات تفوقت بوضوح على خوارزميات تعلم الآلة الكلاسيكية، خاصة في مجموعات البيانات الكبيرة. وثالثاً، أكدت التجارب أن إضافة قواعد الخبراء البشريين كانت بمثابة طوق نجاة في الحالات التي كانت فيها البيانات شحيحة أو عندما كانت معدلات الخطأ مرتفعة جداً.

Host: أعتقد أن الدراسة لم تكتفِ بالأرقام الرياضية فقط، بل شملت أيضاً آراء المتخصصين في هذا المجال، أليس كذلك؟

Expert: بالضبط. استندت الدراسة إلى منهجية بحوث علوم التصميم، وتضمنت إحدى وعشرين مقابلة نوعية مع خبراء وممارسين في قطاع الأعمال وتنقيب العمليات. هؤلاء الخبراء أجمعوا على الجدوى العملية العالية لهذه الطريقة، وأكدوا أنها تقدم حلاً ملموساً لأتمتة واحدة من أصعب مهام هندسة البيانات في الشركات.

Host: نصل الآن إلى النقطة المحورية لجمهورنا من قادة ورواد الأعمال: لماذا يهم هذا كله في عالم الأعمال اليوم؟ وما هو العائد الحقيقي لمثل هذا الابتكار؟

Expert: العائد هنا استراتيجي وتشغيلي بامتياز. عادةً ما يقضي علماء البيانات وفرق العمليات ما يقرب من سبعين إلى ثمانين بالمئة من وقتهم في تنظيف البيانات وإعدادها بدلاً من تحليلها الفعلي. هذه الدراسة تقدم إمكانية أتمتة هذه المعالجة الشاقة، مما يقلل التكاليف ويسرع زمن الوصول إلى الرؤى التحليلية. بالإضافة إلى ذلك، عندما تكون سجلات العمليات مكتملة ودقيقة، يمكن للمديرين اكتشاف الاختناقات في سلاسل الإمداد أو دورات المبيعات أو خدمة العملاء بكل ثقة، مما يتيح تحسين الكفاءة التشغيلية وزيادة الإيرادات بناءً على وقائع مثبتة لا على تخمينات مشوهة.

Host: إنها نقلة نوعية تتيح للشركات الثقة في بياناتها مجدداً. شكراً جزيلاً لك يا أليكس على هذا الشرح الوافي والممتع.

Expert: على الرحب والسعة يا آنا، كان من دواعي سروري دائماً تبسيط هذه المفاهيم القوية.

Host: إلى هنا نصل إلى ختام حلقتنا اليوم. تعلمنا كيف يمكن للجمع بين الذكاء الاصطناعي والخبرة البشرية، كما أوضحت هذه الدراسة، أن يحل أعقد مشكلات جودة البيانات في عالم الأعمال. شكراً لمتابعتكم، ونلقاكم في حلقة جديدة ورؤى مبتكرة من A.I.S. Insights — powered by Living Knowledge. دمتم في أمان الله.