استراتيجية لتطوير الذكاء الاصطناعي وبواسطته

يسافر العديد من المسؤولين التنفيذيين الذين يعتزمون فهم الذكاء الاصطناعي واستغلاله لشركاتهم، إلى سيليكون فالي للتعرف على هذه التكنولوجيا ووعودها العديدة. وازدادت هذه الزيارات إلى درجة صارت الرحلات مقدمة لتسهيل إلقاء نظرات خاطفة على الشركات الناشئة المبتكرة. ووراء الضجيج والفهم السطحي في مجال المعرفة الخوارزمية، يشترك المسؤولون التنفيذيون العائدون من الزيارات في تحقيق هدف مشترك: تحديد المنتجات والخدمات والعمليات التي قد يعززها الذكاء الاصطناعي أو يلهمها لزيادة الميزات التنافسية. وهم يعتقدون أن استراتيجية شاملة لتطوير الذكاء الاصطناعي أمر ضروري للنجاح.

وهذا اعتقاد حسن النية بعيد المنال؛ فوجود استراتيجية لتطوير الذكاء الاصطناعي ليس كافيا. إن إنشاء استراتيجية بواسطة الذكاء الاصطناعي أمر مهم – أو أكثر  من مهم– لجهة استكشاف الفرص الاستراتيجية واستغلالها. وليس هذا التمييز عبارة عن لعب على دلالات الألفاظ؛ فهو في صميم كيفية عمل الابتكار الخوارزمي حقّاً في المؤسسات. فالنجاح في العالم الحقيقي يتطلب جعل هذه الاستراتيجيات متكاملة ومترابطة على حد سواء. وتتطلب الاستراتيجيات الموضوعة لتطوير القدرات الجديدة مهارات ونقاط تركيز إدارية مختلفة أكثر مما تتطلبه الاستراتيجيات الموضوعة بواسطة هذه القدرات.

وتعلّم رواد تعلم الآلة – تتبادر إلى الأذهان أمازون Amazon وغوغل Google وعلي بابا Alibaba ونتفليكس Netflix – أن فصل الاستراتيجـيـات المـخصصة لتـطوير الـقدرات المـُـــــزعـــــــزِعـــــــة Disruptive capabilities عن الاستراتيجيات المُطبَّقة بواسطة تلك القدرات يؤدي دائماً إلى عوائد واختلالات أقل. وليس الأمر مصادفة، فهذه المـؤسـسـات تدفعـهـا الـبـيـانـات والــتـحليلات دفــعــا مكثفا.  ويعتـمـد قــادتـهــا اعتمـادا كـبـيرا عـلى المـقـاييس Metrics لتحديد الاستراتيجية والإبلاغ عنها ودفعها. وازداد هذا الاعتماد على القياسات الكمية Quantitative measures وكذلك استثماراتهم في قدرات الذكاء الاصطناعي.

وتشير أبحاثنا بقوة إلى أن الاستراتيجية المؤسسية تُحدَّد في عصــر تعـلـم الآلـــة من خـلال مـؤشـرات الأداء الـرئـيسـيـة Key performance indicators (ختصارا: المؤشرات KPIs) التي يختار القادة تحسينها. (انظروا: حول التحليل). وقد تكون مؤشرات الأداء الرئيسية KPIs هذه متمركزة حول العملاء أو موجهة بالتكاليف أو مخصصة للعمليات أو موجهة إلى المستثمرين. وهذه هي القياسات التي تستخدمها المؤسسات لإنشاء القيمة Create value والمسؤولية Accountability والميزة التنافسية Competitive advantage. وبصراحة: إن الـــفـرق القيـاديــة التي لا تستـطـيـع تـحـديــد محافـظــها من مؤشرات الأداء الرئيسية KPIs الاستراتيجية وتبريرها لا تمتلك استراتيجية.

وفي الأسواق الغنية بالبيانات والمجهزة رقميّاً والمساعَدة خوارزمياً، فإن الذكاء الاصطناعي يؤدي دوراً مهماً في تحديد مؤشرات الأداء الرئيسية KPIs التي ستُقاس وكيفية قياسها وأفضل السبل لتحسينها. ويصبح تحسين مؤشرات الأداء الرئيسية KPIs المختارة بعناية هو الغرض الاستراتيجي للذكاء الاصطناعي. ويُعد فهم قيمة التحسين بالنسبة إلى الأعمال أمراً أساسيّاً لمواءمة الاستراتيجيات ودمجها مع الذكاء الاصطناعي وتعلم الآلة. وتحدد مؤشرات الأداء الرئيسية KPIs المسؤولية من أجل تحسين الطموحات الاستراتيجية. ومؤشرات الأداء الرئيسية KPIs الاستراتيجية هي ما تتعلم الآلات الذكية تحسينه. ونرى هذا في أمازون وعلي بابا وفيسبوك وأوبر والمؤسسات القديمة المتنوعة التي تسعى إلى تغيير نفسها.

ولهذه المبادئ تصنيفات شاملة ومزعزعة. فبالنظر إلى أن «الأمــثـلــــة المـســؤولــــة» Accountable optimization تصبح عُرفاً ممكّناً بالذكاء الاصطناعي، فلا مفرّ من المـراقـبــة المحـسّـنـــة تحـلـيـلـيّــاً. وتـتـحمل مـجـالــس الإدارة والمسؤولون التنفيذيون الرئيسيون مسؤولية أكبر في مجال الثقة تتعلّق بصياغة أهم مؤشرات الأداء الرئيسية KPIs – وأسباب ذلك – أمام المساهمين والأطراف المعنية على حد سواء. وتُغيّر القدرات التحويلية المسؤوليات. فأنتم تكونون ما تقوله مؤشرات الأداء الرئيسية KPIs عنكم.

المكملات المميزة

يكون السياق والسابقة التاريخيان مهمين: ليس مزج استراتيجية مخصصة لتطوير شيء بأخرى موضوعة بواسطته أمراً مقتصراً على الذكاء الاصطناعي وتعلم الآلة. مثلاً، سيطرت شركة ستاندرد أويل Standard Oil لجون دي روكفلر John D. Rockefellers على سوق البترول ليس فقط لأن الشركة امتلكت استراتيجية فاعلة للاستفادة من القدرات الناشئة للصناعة الوليدة للسكك الحديد بل أيضاً لأنها سمحت لتلك القدرات – القوى اللوجستية للنقل والتسليم – بتشكيل استراتيجيتها الأوسع. ومن خلال استغلال الحجم بلا هوادة وشراء صهاريج الوقود وإعادة تصميمها، حصدت ستاندرد أويل باستمرار عوائد أكبر من شبكة فعلية سريعة التوسع.¹In fact, Rockefeller’s ability to obtain railroad rebates was a significant source of competitive advantage. These rebates were eventually deemed unfair to competitors and contributed to the breakup of Standard Oil. See D.A. Crane, “Were Standard Oil’s Railroad Rebates and Drawbacks Cost Justified?” Southern California Law Review 85, no. 3 (March 2012): 559-572.

وفي الآونة الأخيرة أدركت الشركات القائمة أنها بحاجة ماسة إلى استراتيجية مخصصة لتطوير العمل عبر الإنترنت من أجل منافسة الشركات الناشئة المولودة رقمية والمُزعزِعة. ولكن تلك المؤسسات اكتشفت – عاجلاً أم آجلاً – أن استراتيجياتها المخصصة لتطوير العمل عبر الإنترنت تتوقف على نجاح استراتيجياتها الموضوعة بواسطة الإنترنت. ويستخدم تجار التجزئة، مثلاً، استراتيجيات متعددة القنوات تعتمد على الإنترنت للمنافسة على تحسين تجربة العملاء. وقد يبدؤون ببناء علاقات قوية مع المتسوقين عبر الإنترنت، مثلاً، لكن عندما يذهب هؤلاء العملاء إلى المواقع الفعلية للمتاجر، تنبه تطبيقات المحيط الظاهري Geofencing apps الشركة إلى وصولهم الوشيك. وبعد ذلك يُحضَّر الموظفون للمساعدة على تسهيل استقبال العملاء. وتمزج هذه التجارب السلسة استراتيجية تطوير العمل عبر الإنترنت بالاستراتيجية الموضوعة بواسطتها.

وإعداد استراتيجية مؤسسية من أجل تطوير قدرة ما أو تطبيقها لا يختلف تنظيميّاً أو ثقافيّاً أو تشغيليّاً عن رعاية استراتيجية بواسطة هذه القدرة. فهذه الأنشطة مكملة. ولا ينبغي فصل استراتيجية مخصصة لتطوير الاستدامة (مثل تخفيض البصمة الكربونية أو تقليل النفايات) عن وجود استراتيجية شاملة مستدامة تمكّن الأعمال من العمل في المجتمعات الصغيرة المزدهرة. وبالمثل، لا ينبغي النظر إلى استراتيجية مخصصة لتطوير الذكاء الاصطناعي كبديل عن وضع استراتيجية بواسطة الذكاء الاصطناعي.

حيث تكمن الفرصة

عملياً ماذا تعني، إذاً، الاستراتيجية الموضوعة بواسطة الذكاء الاصطناعي؟ مثل أي استراتيجية مؤسسية، هي تعبر عمّا يسعى قادة المؤسسات عن قصد إلى التأكيد عليه وتحديد أولوياته خلال إطار زمني محدَّد. وتصيغ الاستراتيجيات كيف ولماذا تتوقع المؤسسة النجاح في السوق المختار. وقد تتضمن هذه التطلعات، مثلاً، تجربة ورضا فائقين لدى العميل، أو زيادة في النمو أو الربحية، أو زيادة حصة السوق، أو المتابعة السريعة الرشيقة عندما يتفوق منافسو الشركة عليها في مجال الابتكار.

وبــغـض الـــنـظــــر عن الاســتراتيجية المــحــدَّدة، تـــولِّد المؤسسات كلها تقريباً قياسات مقابلة لتوصيف النتائج الاستراتيجية المرغوب فيها والإبلاغ عنها. وتمثّل هذه المقاييس – سواء كانت مؤشرات أداء رئيسية KPIs، أم أهدافا Objectives ونتائج رئيسية Key results (OKRs)، أم بطاقة أداء متوازنة Balanced Scorecard – كيفية مساءلة المؤسسات للبشر والخوارزميات. وبالنسبة إلى الشركات المدرجة في الأسواق المالية، فإن مؤشرات الأداء الرئيسية KPIs الاستراتيجية تحترم مخاوف المستثمرين وتعكسها؛ وبالنسبة إلى الأسهم الخاصة، قد تُعايَر مؤشرات الأداء الرئيسية KPIs الاستراتيجية لتحقيق الحد الأقصى لسعر البيع أو تسهيل اكتتاب مبدئي عام IPO. وتحول الأنظمة المدفوعة بالبيانات التي يعززها تعلم الآلة، هذه التطلعات إلى الحوسبة Computation. ولم يعد بإمكان المؤسسات العالمية مناقشة تحسين مؤشرات الأداء الرئيسية KPIs الاستراتيجية من دون احتضان قدرات تعلم الآلة Machine Learning.

وتدير أوبر، مثلاً، المئات من نمذجات تعلم الآلة (ML) لتحسين منصتها المخصصة لمشاركة الركوب وأعمالها الخاصة بتسليم الطعام. واستثمرت أوبر استثمارات ضخمة في قدراتها وتطبيقاتها الخاصة بتعلم الآلة. وسواء كانت الشركة تتمتع بوفرة من السيارات المتاحة عند الطلب أم تعتمد على عدد قليل نسبيّاً، تكون قدرتها على تقدير أوقات وصول دقيقة للعملاء والسائقين على حد سواء أمراً ضرورياً لكيفية تنافسها في السوق.

يلاحظ جيرمي هيرمان Jeremy Hermann، الذي يرأس منصة أوبر للتعلم الآلي، قائلاً: «تُعَد أوقات الوصول المقدرة Estimate time of arrival (اختصاراً: ETAs) الدقيقة ضرورية لتجربة إيجابية للمستخدمين، وتُدخَل هذه المقاييس في أنظمة داخلية أخرى لا تُعَد ولا تُحصَى للمساعدة على تحديد الأسعار والتوجيه. ولكن تحديد أوقات الوصول المقدرة بدقة صعب جدا».²J. Hermann and M. Del Balso, “Scaling Machine Learning at Uber With Michelangelo,” Uber Engineering, Nov. 2, 2018, https://eng.uber.com.

ولكن كثيراً من النتائج المهمة يعتمد على تحليلات متينة لأوقات الوصول المُقدَّرة – توقعات الركاب والسائقين، والأسعار، وتسلم المواد الغذائية وتسليمها – مما جعل وقت الوصول المقدر مقياساً أساسيّاً لدى أوبر. ويلاحظ هيرمان قائلاً إن «فريق خدمات الخرائط في أوبر وضع نظاماً متطوراً للتوجيه مخصصاً لكل شريحة على حدة يُستخدَم لاحتساب القيم الأساسية لأوقات الوصول المقدّرة. وأوقات الوصول المقدَّرة الأساسية تحتوي على أنماط متسقة من الأخطاء. واكتشف فريق خدمات الخرائط أن بإمكانه استخدام نمذجة للتعلم الآلي لتوقع هذه الأخطاء ثم استخدام الخطأ المتوقع لإجراء تصحيح. وبالنظر إلى أن هذا النمذجة طُبِّقت في مدينة إثر أخرى (ومن ثم على مستوى العالم…)، رأينا زيادة كبيرة في دقة أوقات الوصول المقدرة، وفي بعض الحالات قللنا متوسط الخطأ في أوقات الوصول المقدرة بأكثر من %50».³Ibid. [التوكيد مضاف]

ويفتقر مجرد الاحتفال بنمذجات تعلم الآلة الفاعلة والقابلة للتطوير على المستوى العالمي إلى الهدف الأكبر. فــأوبـــر لا تستطيع تحـقـيـق تـطلـعــاتـهــــا التـشغيـلية أو الاستراتيجية من دون إنجاز موثوق به على مؤشر الأداء الرئيسي KPIs الخاص بأوقات الوصول المقدرة. وستمنع نتائج أوقات الوصول المقدّرة الفوضوية أوبر من أن تكون «منخفضة التكلفة» أو «أفضل قيمة» لخدمات التنقل/التسليم. فالتغييرات التقنية أو التنظيمية أو التشغيلية التي قد تهدد نتائج أوقات الوصول المقدرة تأتي بنتائج عكسية. ويجب على أوبر أن تهمش مؤشرات الأداء الرئيسية KPIs التي قد تتعارض مع التوقع الفاعل لأوقات الوصول المقدرة أو تتنافس معها أو تقلل من هذه المؤشرات.

ومن الأهمية بمكان توضيح تلك القيود. وعلى حد تعبير مايكل بورتر Michael Porter من كلية هارفارد للأعمال Harvard Business School: «يتمثّل جوهر الاستـــراتيجية باخـتـيــار ما لا يـجـــب الـقـيــــام به».⁴M.E. Porter, “What Is Strategy?” Harvard Business Review 74, no. 6 (November-December, 1996): 61-78. وبمجرد تكريس هذا السياج الحامي، فإن تحديد النتائج غير المرغوب فيها وتقليلها يتخذ الأهمية نفسها على غرار تعزيز النتائج التي تريدونها. وتتمحور الخلاصة الأساسية هنا في أن تحديد أولويات مؤشرات الأداء الرئيسية KPIs – أي ترتيبها وفق ما هو أهم وما يجب أن تتعلمه المؤسسة على نحو أفضل – أمر ضروري لاستراتيجية المؤسسة. وفي عالم البيانات الكبيرة Big data المتوافرة دائماً، يكون نظام القياس الخاص بكم هو استراتيجيتكم.

ويصبح تحديد «مزيج المقاييس» Metrics mix الأمثل للأطراف المعنية الرئيسية في المؤسسة ضرورة تنفيذية. فهل تُحسَّن الاستراتيجيات التي تتمحور حول العميل، مثلاً، في شكل أفضل من خلال قيمة استمرار العملاء  Customer lifetime Value أو مزيج متوازن من العوائد قبل احتساب الفوائد قبل الضرائب والإهلاك والإطفاء وصافي نتائج الترويج Net promoter score؟ وما شرائح العملاء التي يجب فيها تمييز الربحية على الرضا أو الولاء؟ عندما تصبح الخوارزميات أذكى، يجب أن يتمتع القادة بالشجاعة لاستكشاف أفضل طريقة للإجابة عن هذين السؤالين. ويجعل الذكاء الاصطناعي ذلك ممكناً، وبأسعار معقولة، ومرغوباً فيه.⁵See, for instance, A. Agrawal, J. Gans, and A. Goldfarb, Prediction Machines: The Simple Economics of Artificial Intelligence (Boston: Harvard Business Review Press, 2018).

وتقترح أبحاثنا أن هذا التحسين الضروري يتطلب إعادة تفكير صارمة في المقاييس المختارة لتحديد النتائج الاستراتيجية المرغوب فيها (وغير المرغوبة). وعندما يقيس تعلم الآلة الإدارة ويدير القياس، لا تعكس القياسات الاستراتيجية فقط بل وتوجهها أيضاً. وتحقيق نتائج مؤشرات الأداء الرئيسية KPIs (واقتراح مؤشرات أداء رئيسية جديدة) هو ما تحتاج الآلات الذكية إلى عمله – وتحتاج إلى تعلم كيفية عمل ذلك.

ولا يتعلّق الذكاء الاصطناعي فقط ببناء المنتجات أو الخدمات أو العمليات، فالقادة يحتاجون إلى إدراك أن الذكاء الاصطناعي يجب أن يتعلّق في المقام الأول بتعزيز صياغة الاستراتيجية وتنفيذها. وإلى الحد الذي تكون فيه مؤشرات الأداء الرئيسية KPIs ضرورية لصياغة استراتيجية التواصل والإبلاغ عنها، الاستراتيجية في جوهرها هي بمثابة نظام للقياس. وتظهر أبحاثنا أن الذكاء الاصطناعي يحوّل  Transforms اختيارات الخبير الاستراتيجي في شأن مؤشرات الأداء الرئيسية KPIs التي يجب تحسينها وكيفية تحسينها. وتتمثّل الاستراتيجية في تحسين مؤشرات الأداء الرئيسية KPIs باستخدام الذكاء الاصطناعي/تعلم الآلة.

التطلع إلى الأمام والخلف

يغير تعلم الآلة بعمق طريقة التعامل مع تحسين مؤشرات الأداء KPIs الرائدة والقديمة. ولدى ماكدونالدز McDonald’s خطة نمو متعددة الأجزاء تجمع صراحة بين هذين النوعين من المؤشرات. ويتلخص الطموح الاستراتيجي الرئيسي في أن تكون المطاعم مرة أخرى وجهة عائلية تجذب الوالدين. ويعني المؤشر القديم مزيداً من الزيارات للعائلات التي لديها أطفال تقل أعمارهم عن 13 سنة. وتقول سيلفيا لاغنادو Silvia Lagnado، مديرة التسويق العالمية لدى ماكدونالدز، إن المؤشر الرئيسي هو أي دليل على أن المطاعم صارت «مكاناً يسعدني أن أحضر أطفالي إليه».

والقياس الموثوق به لـ«المكان الذي يسعدني أن أحضر أطفالي إليه» يصعب قياسه منهجيا. وتقتصر استطلاعات العملاء على أولئك الذين يملؤونها، وهذا مصدر تحيز على صعيد الاختيار. ويحسّن تحليل المشاعر المستند إلى تعلم الآلة هذا النهج: فهو يستطيع تصنيف كميات كبيرة من بيانات تويتر Twitter ذات العلامات الجغرافية Geotagged وغيرها من مجموعات البيانات لربط الرفاهية عند مستوى الحي بالتعليقات حول مواقع الوجبات السريعة. وطورت مجموعة من الأكاديميين في جامعة يوتا University of Utah مخططاً لهذا النوع من تطبيقات تعلم الآلة.⁶Q.C. Nguyen, D. Li, H.W. Meng, et al., “Building a National Neighborhood Dataset From Geotagged Twitter Data for Indicators of Happiness, Diet, and Physical Activity,” JMIR Public Health Surveillance, no. 2 (Oct. 17, 2016): e158. وصارت خلطات كهذه للتعلم الآلي ممارسات قياسية في الأبحاث الأكاديمية وأبحاث الأعمال.

ومن خلال تعلم الآلة يمكن لماكدونالدز أن تسعى بفاعلية أكثر إلى تحقيق مؤشرات الأداء الرئيسية KPIs ذات الأولوية العليا. وقد يعمل المسوّقون الذين يستكشفون العروض الترويجية داخل المتاجر من خلال الإعلانات وخيارات القوائم الموجهة إلى العائلات لتحسين حركة الزيارات العائلية، لكنهم قد يفشلون إذا أدت هذه العروض الترويجية إلى ظروف في المتاجر تزعج الوالدين. ولا يمكن تحقيق الحد الأقصى للمبيعات أو الإيرادات بهذه التكلفة. فتحقيق توازن مثمر بين تلك القياسات هو ما يعنيه التحسين. وهذا ما تحتاج إليه ماكدونالدز لتتعلم كيفية تقديم الخدمات.

وليس من قبيل المصادفة أن ماكدونالدز أعلنت في مارس 2019 عن استحواذها على دايناميك ييلد Dynamic Yield  التي تبلغ قيمتها 300 مليون دولار وتستخدم تعلم الآلة والبيانات الكبيرة لتقديم توصيات خصوصية. وتقول ماكدونالدز إنها تعتزم استخدام أدوات الشركة لتخصيص تجربة الشراء من شباك السيارة من خلال إنشاء لوحات رقمية ديناميكية للقوائم توصي بعناصر في القوائم على أساس التركيبة السكانية المحلية والطلبات السابقة والطقس والوقت خلال اليوم، إضافة إلى مجموعة من العوامل الأخرى.

وتحتضن أيضاً غو دادي GoDaddy، الشركة المبتكرة في مجال استضافة المواقع الشبكية والتسجيل عبر الإنترنت والبالغة قيمتها بلايين الدولارات، مؤشرات الأداء الرئيسية KPIs الرائدة والمتأخرة المدفوعة بالبيانات. ومنذ عام 2016 نمت القيمة السوقية للشركة التي تتخذ من سكوتسديل بولاية أريزونا مقراً أكثر من 2.5 ضعف. ويعود جزء غير يسير من ذلك النمو إلى التزامها المزدوج بمؤشرات الأداء الرئيسية KPIs الاستراتيجية وتعلم الآلة. ويلاحظ أندرو لو أه كي Andrew Low Ah Kee، المسؤول الرئيسي عن التشغيل في غو دادي، قائلاً: «نحن متحمسون جدا لاحتمال استخدام مجموعات البيانات الكبيرة التي لدينا [من أجل] التدريب على نموذج للحل والتحسين في ما يتعلّق بقيمة استمرار [العملاء] بدلاً من الحل من حيث إيرادات فترة المعاملات ⁷For more details on how McDonald’s, GoDaddy, and others use machine learning to optimize KPIs, see M. Schrage and D. Kiron, “Leading With Next-Generation Key Performance Indicators,” www.sloanreview.mit.edu, June 26, 2018. ransactional period revenue».

ويتمثّل التبصر الأساسي للو أه كي في أن القادة يتحملون الواجب والمسؤولية لاختيار الآفاق الزمنية و«وظائف الأهداف» Objective functions المراد تحسينها. ويؤكد أن تركيز غو دادي على قيمة استمرار العملاء (التي تتوقع الإيرادات والتكاليف والولاء في المستقبل إضافة إلى رصد سلوك الشراء في الماضي) يقلل من مخاطر المدى القريب والتهديدات فيما يخص جودة تجربة العملاء. ويلاحظ قائلاً: «نرى في قاعدة عملائنا، عندما نساعد عملاءنا على النجاح، أن قيمة الاستمرار التي يجلبها إلينا ذلك أعلى بكثير منها لدى الأشخاص الذين نتعامل معهم من وجهة نظر المعاملات فقط. فعندما تبدؤون في مدّ الأفق الزمني، أعتقد أن درجة الاختلال [التنظيمي] تميل إلى الانخفاض». ومن الأسهل الحيود عن الأهداف البعيدة الأجل إذا كان التركيز يتعلّق بالتكتيكات القريبة الأجل.

إجراء مقايضات أذكى

ونجادل في أن الاستراتيجية تُفهَم وتُختبَر بشكل أفضل باعتبارها الطريقة التي تستثمر بها الأعمال في محفظتها لمؤشرات الأداء الرئيسية KPIs وتديرها وتحدد أولوياتها. وتكون مؤشرات الأداء الرئيسية KPIs والعلاقات بينها هي الوحدات المهمة للتحليل الاستراتيجي. ويعني النجاح الاستراتيجي أن آلات الشركة تتعلم تحسين عوائد محفظة مؤشرات الأداء الرئيسية KPIs.

ولتوضيح الأمر، لا يعني التحسين في هذا السياق تحقيق الحد الأقصى. بل يعني، على العكس من ذلك، تعلماً حوسبيّاً للتقدم نحو النتائج الاستراتيجية المرجوة من خلال مفاضلات محسوبة ومعايرة بعناية بين مؤشرات الأداء الرئيسية KPIs. فمن الضروري فهم المفاضلات بين مؤشرات الأداء الرئيسية KPIs المتنافسة– والتكميلية. ويتجاهل تحسين أداء مؤشرات الأداء الفردية ببساطة وفق الأولوية أو الترتيب ترابطها المتأصل. وبالنسبة إلى أي محفظة لمؤشرات الأداء الرئيسية KPIs، يصبح تحديد أفضل الطرق لتحديد أوزان مؤشرات الأداء الرئيسية KPIs الفردية وموازنتها واحتساب هذه الطرق هو التحدي الاستراتيجي لأمَثَلَة Optimization. (انظر: مؤشرات الأداء الرئيسية KPIs والاستراتيجية الأخلاقية).

وعلى الرغم من أن نمذجات تعلم الآلة الخاصة بـ«إدارة العوائد» Yield management لشركات الطيران والفنادق وغيرها من الشركات ذات الصلة بالسفر، تتحسن خوارزميٍّا، تزداد حدة التحديات الاستراتيجية: كيف يمكن تحسين مؤشرات الأداء الرئيسية KPIs المعززة للإيرادات في سياق رضا العملاء ومؤشرات الأداء الرئيسية KPIs الخاصة بالنتائج الصافية للترويج؟ وهل يستحق العملاء الأوفياء أسعاراً أو باقات خدمات تفضيلية مقارنة بالعملاء العاديين؟ فتعلم التحسين من أجل «أفضل العملاء» يعتمد على مجموعات مختلفة من البيانات والتوقعات مقارنة بتعلم التحسين من أجل العملاء العاديين أو المتوسطين. وكيف يبدو التوازن الأمثل بين العملاء المخلصين وهوامش تسييل الأصول Asset Monetization؟ فالآلات الذكية تستطيع أن تتعلم تحقيق هذا التوازن، لكن يبدو أن الحد من الاستعاضة ببصيرة البشر وإشرافهم أمر أخرق.

وبالمثل، قد يسعى تجار الخوارزميات ذوو الوتيرة العالية إلى تحقيق الحد الأقصى لوتيرة الصفقات المربحة و/ أو تحقيق الحد الأقصى للأرباح في الساعة أو اليوم أو الأسبوع. ولكن في الوقت نفسه، قد يرغبون في تجنب خطر التدخل التنظيمي أو تقليله. ويعمل أحد مؤشرات الأداء الرئيسية KPIs لتحقيق الحد الأقصى للأرباح (أو «الأرباح لكل تجارة» أو «الأرباح لكل استراتيجية اتجار»)، في حين يشير مؤشر آخر إلى أن أنماط الاتجار الخاصة بالشركة من غير المرجح أن تتسبَّب في مراجعة خارجية. ومرة أخرى، قد تتعلم الآلات الذكية تحقيق هذا التوازن. فما هو تقبّل المخاطر Risk appetite، ليس بالنسبة إلى عمليات تجارية معينة بل بالنسبة إلى جهات تنظيمية معينة؟

تواجه كل مؤسسة هذا الصدام والتعارض بين الأولويات الاستراتيجية. ولا توجد إجابة صحيحة. ولكن بعض مؤشرات الأداء الرئيسية KPIs يقدم قيمة غير متكافئة وتبصراً لمساعدة قادة الشركة في شكل أفضل – أو على نحو أمثل أكثر – على تحقيق تطلعاتهم الاستراتيجية. ويفسح تحديد أوزان هذه القياسات والمقاييس المجال لتطبيقات تعلم الآلة. فهذا يسهّل المواءمة بين المستويات المثالية المحلية والمستوى المثالي العالمي المطلوب. ومن ثمَّ، لا يمكن أن يدور نقاش مفيد حول المفاضلات الاستراتيجية «المثالية» في محفظة مؤشرات الأداء الرئيسية KPIs من دون قدرة على تعلم الآلة/ الذكاء الاصطناعي.

تدير شركات تكنولوجية عملاقة وعدد متزايد من الشركات القديمة صراحة ومن دون هوادة البيانات كأصل من الأصول. وهذا، بقدر براعتها التقنية، يميزها من الجهتين التشغيلية والثقافية.

الدور الأساسي للبيانات

لا توجد استراتيجية مؤسسية موضوعة لتطوير الذكاء الاصطناعي أو بواسطته من دون استراتيجية مؤسسية لتطوير البيانات – وبواسطتها. وهذا هو المكون الأساسي لتعلم الآلة والتحسين الديناميكي. وكما تؤكد أمثلة أوبر وماكدونالدز وغو دادي، يعتمد تحسين مؤشرات الأداء الرئيسية KPIs الاستراتيجية – أوقات الوصول المقدرة، والأسر السعيدة، وقيمة استمرار العملاء – على حجم البيانات وسرعتها وتنوعها وجودتها.

وهذا يجعل حوكمة البيانات أساسية. فالمؤسسات يجب أن تستثمر في التعرف على البيانات التي قد تعزز مؤشرات الأداء الرئيسية KPIs الخاصة بها أو ترفّع قيمتها – والبيانات التي ستساعد آلاتها على التعلم. والعمليات والمنصات الرقمية التي تجمع البيانات المعزولة والمبعثرة وتحللها تمكنِّ الذكاء الاصطناعي للشركة.

وتحتضن شركات تكنولوجية عملاقة وعدد متزايد من الشركات القديمة استراتيجياتٍ وممارساتٍ شاملة للبيانات. وهي تدير البيانات صراحة ومن دون رحمة وهوادة كأصل من الأصول. وهذا، بقدر براعتها التقنية، يميزها من الجهة التشغيلية والثقافية. وهي توظف مسؤولين رئيسيين عن البيانات وعلماء بيانات واختصاصيين في البيانات، وتخضع الأشخاص والعمليات للمساءلة بهدف الحصول على القيمة من البيانات. وعلى نحو متزايد، يأتي جزء كبير من هذه القيمة من مدى سرعة تدريب البيانات للآلات ودقته وموثوقيته.

ومع الأسف، لا تزال المواءمة الواضحة والشفافة بين حوكمة البيانات المؤسسية والمبادرات الاستراتيجية للذكاء الاصطناعي بعيدة المنال. فقد كشف استطلاع أجرته فوربس إنسايت سي إكس أو Forbes Insights CXO حديثاً وتناول الذكاء الاصطناعي وتعلم الآلة أن ثلاثة من بين أربعة من كبار المسؤولين التنفيذيين أعلنوا أن الذكاء الاصطناعي عنصر أساسي في خططهم للتحول الرقمي. ولكن %11 فقط من المسؤولين التنفيذيين الذين شملهم الاستطلاع قالوا إن شركاتهم بدأت بتنفيذ استراتيجية للبيانات شاملة للمؤسسة، وقال %2 فقط إنهم يمتلكون «حوكمة البيانات».⁸“Closing the Corporate Gap on AI,” Forbes Insights, Sept. 21, 2018.

وتشير هذه النتائج التي تتسق مع الأسف مع نــتــائجـنــا، إلى أن الـتـطـبـيـقــات الـنـاجحة والمـســتـدامة لاستراتيجيات التحسين الممكّنة بالذكاء الاصطناعي/تعلم الآلة مستبعدة إلى أن يجري التعامل مع البيانات في شكل واضح كأصل من الأصول. فالمؤسسات تحتاج إلى منصات وعمليات فاعلة على صعيد البيانات لتمكين منصات وعمليات فاعلة في مجال تعلم الآلة. ومن تراتيب القدر (حتى في شكل معاكس)، أن شركات عديدة تمتلك كميات ضخمة من البيانات الراهنة وذات الصلة والقيمة مخصصة للجهود الاستراتيجية الخاصة بالذكاء الاصطناعي لكنها تفتقر إلى الالتزام والكفاءة لتسخيرها. ولا تساعد بياناتـهـم مؤشـرات الأداء الرئيسيـة KPIs الخاصة بهم أو استراتيجيتهم. أما عدم الرغبة في استخدام مؤشرات الأداء الرئيسية KPIs الاستراتيجية أو عدم القدرة على استخدامها لتحديد أولويات أصول البيانات أو مواءمتها مع النتائج الاستراتيجية؛ فيزيد من تقويض تطلعاتهم فيما يتعلّق بالذكاء الاصطناعي. وتجعل هذه الفجواتُ الاستراتيجياتِ الموضوعة لتطوير الذكاء الاصطناعي أو بواسطته عاجزةً.

وعلى غرار السكك الحديد في مثال روكفلر والإنترنت، يقدِّم الذكاء الاصطناعي وتعلم الآلة قدرات استراتيجية قوية جدا. فهما يصوِّران حاسوبياً اقتصادات  الأَمْثلة لقطاع الأعمال. والذكاء الاصطناعي وتعلم الآلة إذا طوِّرا وطُبِّقا بشكل صحيح، يمكنها أن يتعلما بكل ما للكلمة من معنى كيفية توليد مزيد من القيمة لمزيد من العملاء بتكلفة أقل وبسرعة أكبر. واستراتيجية لتطوير الذكاء الاصطناعي هي أقل أهمية من تحديد تطلعات الاستراتيجية ومستهدفاتها Goals ونتائجها Outcomes التي يود القادة أمثلتها. تعلم الآلة هو مثل النقل والاتصال وسيلة لتحقيق الغاية. فما الذي يحتاج إلى  نقله؟ وما الذي يحتاج إلى شرحه؟ وما الذي يحتاج إلى أمثلة؟ يمكن للذكاء الاصطناعي وتعلم الآلة، من حيث المبدأ والممارسة، تقديم إجابات عملية عن هذه الأسئلة. وتكون الفرصة الاستراتيجية الحقيقية لهذه التكنولوجيات وأثرها هي فرصة إعادة التفكير وإعادة تحديد كيفية قيام المؤسسة بتحسين القيمة لنفسها وعملائها.

ديفيد كيرون David Kiron @davidkiron1

هو المحرر التنفيذي لإم آي تي سلون مانجمنت ريفيو.

مايكل شراغ Michael Schrage

هو زميل باحث في مبادرة الاقتصاد الرقمي لكلية سلون للإدارة بمعهد ماساتشوستس للتكنولوجيا. للتعليق على هذا الموضوع http://sloanreview.mit.edu/x/60416.