تحليلات الذكاء الاصطناعي التي تشمل تدخل الإنسان: الدليل الشامل

الأتمتة الكاملة وعد مغرٍ. لكن في القرارات التجارية الجادة، تلك التي تمس المخاطر والهوامش والامتثال والعملاء، لا يكفي الذكاء الاصطناعي وحده غالبًا. في سياق قطاع تكنولوجيا المعلومات الإيطالي، يتسارع تبني عمليات Human-in-the-Loop: في الشركات التقنية التي تضم أقل من 250 موظفًا، ارتفع استخدام الذكاء الاصطناعي HITL في تحليل البيانات بنسبة 40% خلال ستة أشهر، منتقلاً من 6.3% إلى 8.8% حتى سبتمبر 2025، وفقًا للبيانات التي أوردها Software Oasis. هذا ليس تفصيلاً تقنيًا. إنه إشارة استراتيجية.

والسبب بسيط. فالذكاء الاصطناعي يتفوق في التعامل مع الكم والسرعة والتكرار. أما البشر فيتفوقون عندما يتطلب الأمر السياق والحكمة والمسؤولية. وإذا فصلت بين هذين العالمين، فستحصل إما على بطء أو أخطاء. أما إذا جمعت بينهما بشكل جيد، فستحول التحليلات إلى نظام اتخاذ قرارات أكثر صلابة.

لهذا السبب أصبح تحليل البيانات بالذكاء الاصطناعي القائم على تدخل الإنسان (human-in-the-loop AI analytics) نموذجًا تشغيليًا، وليس مجرد فئة تقنية. بالنسبة للعديد من الشركات الصغيرة والمتوسطة الإيطالية، يمثل أيضًا الطريقة الأكثر واقعية لتبني الذكاء الاصطناعي دون بناء فريق من علماء البيانات من الصفر. وهذا يفسر لماذا هندسة المطالبات وحدها لا تجدي نفعًا كبيرًا عندما لا تكون المشكلة الحقيقية في توليد إجابة، بل في اتخاذ قرار موثوق.

مقدمة: الذكاء الاصطناعي وحده لا يكفي

يعمل النظام الآلي بالكامل بشكل جيد طالما أن الأمور تسير كما هو متوقع. لكن المشكلة هي أن الأعمال التجارية والعملاء وسلسلة التوريد وحالات الاحتيال لا تسير أبدًا وفقًا لسيناريو محدد. فما أن تحدث حالة شاذة أو تغيير في اللوائح أو إشارة غامضة، حتى يتحول الناتج الصحيح من الناحية الإحصائية إلى قرار خاطئ من الناحية التجارية.

هنا تكمن منطقية نهج HITL. فهو لا يضيف مراجعًا بشريًا «في المرحلة النهائية» بدافع الحذر البيروقراطي. بل يعيد تصميم العملية بحيث تعمل الذكاء الاصطناعي في المجالات التي تتفوق فيها، ولا تطلب التدخل البشري إلا في الحالات التي يكون فيها ذلك ضروريًا حقًا.

الهدف ليس إبطاء الأتمتة. بل تجنب أن تخطئ الأتمتة في القرارات الأكثر تكلفة.

بالنسبة لقائد أعمال متمرس، يغيّر هذا طبيعة السؤال. لم يعد السؤال "إلى أي مدى يمكنني الأتمتة؟"، بل "أي جزء من القرار يجب أن يظل سياقيًا وقابلاً للتفسير والتحكم؟". هنا يصبح تحليل البيانات بالذكاء الاصطناعي القائم على تدخل الإنسان ميزة تنافسية، خاصة في قطاعي المالية والتجزئة، حيث يجب أن تتعايش السرعة مع الحكم السليم.

ما هو نهج تحليلات الذكاء الاصطناعي الذي يشمل تدخل الإنسان؟

بالنسبة للشركة، لا يُعد HITL مجرد وظيفة تقنية إضافية. بل هو نموذج تشغيلي يحدد مهام كل طرف من النظام والأفراد على طول مسار التحليل.

في تحليلات الذكاء الاصطناعي التي تعتمد على تدخل الإنسان (human-in-the-loop)، تقوم الذكاء الاصطناعي بفحص كميات ضخمة من البيانات، وتضع تصنيفًا أو تنبؤًا أو تنبيهًا، ثم تحيل إلى التدخل البشري فقط الحالات التي تتطلب تقديرًا سياقيًا. ويحدث ذلك، على سبيل المثال، عندما تكون الإشارة غامضة، أو عندما تكون القيمة الاقتصادية للقرار عالية، أو عندما لا يسمح الخطر التنظيمي باستجابة آلية دون تحقق.

تشبه هذه العلاقة تلك التي تربط بين طيار الخطوط الجوية ونظام الطيار الآلي. فالآلة تتولى إدارة الجوانب المعيارية والمتكررة بشكل جيد، بينما يتولى الإنسان الإشراف على النقاط الحاسمة التي تعتمد فيها الخبرة والسياق والمسؤولية.

نموذج التشغيل، بدون مصطلحات متخصصة

بشكل عملي، تعمل الدورة على النحو التالي:

• يحلل الذكاء الاصطناعي البيانات ويحدد الأنماط والشذوذات والارتباطات التي تتطلب من العين البشرية وقتًا أطول بكثير.
• يقيس النظام مستوى الثقة في التوقع، أو يطبق عتبات المخاطر التي يحددها العمل.
• يتدخل المشغل البشري في الحالات المختارة، مستخدمًا السياق التجاري وتاريخ العميل والسياسات الداخلية أو معايير الامتثال.
• يتحول القرار البشري إلى ملاحظات (feedback) مفيدة لتصحيح النموذج وتحسين القواعد في الدورات اللاحقة.

هنا يكمن الفرق بين النظرية وعائد الاستثمار. فالنظام الجيد الذي يعتمد على نهج HITL لا يحيل كل شيء إلى المراجعة اليدوية. ولو فعل ذلك، لفقد ميزة الحجم التي توفرها الأتمتة. أما إذا ترك القرار للنموذج دائمًا، فسيعرض الشركة لأخطاء باهظة التكلفة. وتكمن القيمة في الاختيار الذكي للنقاط التي يؤثر فيها التدخل البشري فعليًّا على النتيجة الاقتصادية أو ملف المخاطر.

بالنسبة لشركة صغيرة أو متوسطة الحجم إيطالية، فإن هذا الجانب أكثر أهمية من مدى تطور الخوارزمية. في مجال التمويل، يعني ذلك أن يقوم المحلل بمراجعة الملفات التي تحتوي على ملامح غير عادية أو وثائق غير متسقة فقط. أما في قطاع التجزئة، فيعني ذلك أن يصل إلى مدير الفئة أو مسؤول التجارة الإلكترونية فقط التنبيهات المتعلقة بالأسعار أو المخزون أو معدل فقدان العملاء التي لا يستطيع النظام تفسيرها بثقة كافية. ELECTE منصات مثل ELECTE هذا النموذج قابلاً للتطبيق حتى بدون وجود فريق داخلي من علماء البيانات، لأنها تحول الملاحظات التشغيلية إلى جزء منظم من العملية.

ثلاثة مستويات مختلفة تمامًا من الأتمتة

لتجنب الالتباس، من الأفضل التمييز بين ثلاثة نماذج.

الفرق هو فرق معماري، وليس لغوي. فهو يحدد أوقات الاستجابة، والتكاليف التشغيلية، وجودة القرارات، ومستوى السيطرة التي تمارسها الإدارة على العملية.

هناك قاعدة مفيدة وبسيطة. يكون نهج HITL مجديًا عندما تكون تكلفة المراجعة الموجهة أقل من التكلفة المحتملة لخطأ آلي. ولهذا السبب، يتم اعتماده بسهولة أكبر في العمليات التي قد تؤدي فيها حالات الخطأ القليلة إلى تآكل الهامش الربحي، أو إثارة خلاف مع العميل، أو إثارة مشكلة تتعلق بالامتثال.

باختصار، لا تهدف تحليلات الذكاء الاصطناعي التي تشرك الإنسان في العملية إلى إضافة أفراد لمجرد الحذر. بل تُسند إلى الأفراد المراحل التي يُحدث فيها تقديرهم أكبر قدر من القيمة الاقتصادية وأكبر قدر من التحكم الإداري.

فوائد ومخاطر التعاون بين الإنسان والآلة

بالنسبة لقائد شركة، لا يكمن الهدف في إضافة عنصر الرقابة البشرية بدافع الحذر. بل يكمن الهدف في توظيف الحكم البشري في المجالات التي تفقد فيها الأتمتة كفاءتها الاقتصادية. وتكون تقنية HITL فعالة عندما تقلل من تكلفة الأخطاء بدرجة تفوق الزيادة في تكلفة العملية.

وهذا يغير الطريقة التي ينبغي بها تقييم قيمة تحليلات الذكاء الاصطناعي. فالنموذج النقي يركز على تعظيم الحجم والسرعة، بينما النموذج الذي يشرك العنصر البشري يركز على تعظيم التوازن بين الأتمتة وجودة اتخاذ القرار في المراحل التي تؤثر على هوامش الربح والمخاطر والثقة الداخلية. بالنسبة للعديد من الشركات الصغيرة والمتوسطة الإيطالية، لا سيما في قطاعي التمويل والتجزئة، يمثل هذا فرقًا استراتيجيًا. لا داعي للسعي وراء الأتمتة الكاملة. بل يجب أتمتة التدفقات ذات الحجم الكبير بشكل جيد وإشراك الأشخاص في الحالات التي قد تؤدي إلى خسائر أو نزاعات أو خيارات تجارية خاطئة.

أين يتم خلق القيمة

يكمن القيمة في نقاط الاحتكاك في العملية، وليس في الرقابة البشرية بحد ذاتها.

هناك ثلاث فوائد تتكرر باستمرار:

• قرارات أفضل في الحالات الغامضة. يضيف المحلل سياقًا تشغيليًا وتاريخ العميل واستثناءات تجارية أو قيودًا تنظيمية لا يراها النموذج بموثوقية كافية.
• ثقة أكبر من جانب الإدارة. النظام الذي يعرض العتبات وأسباب التصعيد وسجل المراجعات يكون أسهل في التبني ضمن العمليات التي تتطلب مسؤولية رسمية.
• نماذج تتحسن مع الوقت. الملاحظات البشرية، عند تنظيمها بشكل جيد، تصبح إشارة مفيدة لتحسين التصنيفات والأولويات وعتبات التدخل.

والنتيجة العملية واضحة: تقليل عدد القرارات التي يتم قبولها تلقائيًا دون تدقيق في الحالات التي يكون فيها الخطأ أكثر تكلفة.

ومن الأمثلة المفيدة على ذلك مراقبة الجودة في المجال الصناعي. فلا توجد شركة جادة تضع مفتشاً على كل قطعة إذا كان العيب نادراً وغير مكلف. لكن لا توجد شركة تترك الدفعات دون فحص إذا كان الخطأ فيها قد يؤدي إلى إرجاع البضائع أو فرض غرامات أو الإضرار بسمعتها. ويطبق نموذج HITL نفس المنطق على القرارات المستندة إلى البيانات. فهو يأخذ عينات ويصفيها ويرفعها إلى المستويات العليا فقط عندما يبرر ذلك الخطر.

ولهذا السبب، فإن هذا النهج مثير للاهتمام حتى بالنسبة للشركات التي لا تمتلك فريقًا من علماء البيانات. فمنصات مثل ELECTE التعقيد التشغيلي لأنها تحول ملاحظات العاملين في مجالات الائتمان أو التسعير أو المخزون أو العملاء إلى خطوة يمكن إدارتها ضمن سير العمل، وليس إلى مشروع تقني منفصل.

حيث تتعقد المشاريع

الفوائد لا تتحقق تلقائيًا. فالعملية السيئة التصميم تظل سيئة التصميم، حتى لو تضمنت مراجعًا بشريًا.

المخاطر الأكثر شيوعًا هي التالية:

• عنق الزجاجة التشغيلي. إذا تم ضبط الحدود بشكل غير صحيح، ينتهي الأمر بعدد كبير جدًا من الاستثناءات لدى الفريق ويتدهور وقت الاستجابة.
• التحيز البشري الذي يعود إلى النظام. إذا كان من يراجع يتخذ قرارات بشكل غير متسق أو غير موثق، فإن النموذج يتعلم إشارات مشوهة.
• التكلفة التنظيمية المقلَّلة القيمة. يلزم وجود أدوار واضحة، وقوائم انتظار للعمل، وأولويات، وواجهات بسيطة، ومعايير تصعيد قابلة للتحقق.
• حوكمة ظاهرية. وجود شخص في سير العمل لا يضمن تحكمًا حقيقيًا إذا لم تكن هناك مسارات تدقيق ومقاييس ومسؤوليات محددة.

غالبًا ما يفشل مشروع HITL لسبب ملموس للغاية. فالشركة تدمج الأفراد في عملية آلية دون إعادة تصميم نقاط اتخاذ القرار، ومواعيد التدخل، والمعايير التي يتم بموجبها إحالة الحالة إلى المراجعة.

هناك أيضًا خطأ في النهج الإداري. تعامل بعض الفرق نهج HITL على أنه مرحلة مؤقتة، لا فائدة منها إلا إلى أن يصبح النموذج «جيدًا» بما يكفي ليعمل بمفرده. وفي العمليات ذات التأثير الكبير، نادرًا ما تصمد هذه الفرضية. في مجالات الائتمان ومكافحة الاحتيال والتصنيف أو التسعير الترويجي، لا تعتبر الإشراف الانتقائي تكلفة متبقية يجب التخلص منها. إنه مكون ثابت في النموذج التشغيلي، لأنه يحمي الحسابات المالية ويجعل القرارات قابلة للدفاع عنها.

وبالتالي، فإن السؤال ليس ما إذا كان يجب الوصول إلى مستوى صفر من الإشراف. بل السؤال هو: في أي المجالات يحقق الإشراف أعلى عائد على الاستثمار، وفي أي المجالات يؤدي إلى إبطاء العمل دون أن يضيف أي قيمة. يعتمد جزء كبير من عائد الاستثمار على هذا التمييز، لا سيما بالنسبة للشركات الصغيرة والمتوسطة التي يتعين عليها اعتماد تحليلات الذكاء الاصطناعي بموارد محدودة وأهداف قابلة للقياس في غضون فترة زمنية قصيرة.

حالة استخدام في القطاع المالي

في مجال التمويل، تبرز أهمية HITL في الحالات التي تؤثر بشكل أكبر على الحسابات المالية والمسؤولية التنظيمية. ولا يقتصر ذلك على الإجراءات الروتينية، التي تتولاها الأتمتة بشكل جيد، بل يمتد إلى القرارات التي تنطوي على درجة عالية من الغموض، حيث قد يؤدي أي خطأ إلى إهدار الوقت أو الإضرار بالسمعة أو استدعاء تدخلات من قبل جهات التدقيق.

وأبرز مثال على ذلك هو مكافحة غسل الأموال. حيث يقوم النموذج بتحليل كميات هائلة من المعاملات، وتحديد الأنماط الشاذة، وتحديد أولويات الحالات. ولا يتدخل المحلل إلا في الحالات التي تتطلب تقديرًا شخصيًا. وبشكل عملي، تعمل الذكاء الاصطناعي كنظام فرز عالي السرعة، بينما يتولى مسؤول الامتثال إدارة الحالات الاستثنائية التي تتطلب فهم السياق والخبرة والقدرة على تبرير القرار.

عندما يشير النموذج ويقرر المحلل

لنفترض أن لدينا عميلاً من الشركات تظهر تحركات حسابه غير متوافقة مع أنماطه السابقة. قد يصنف نظام آلي هذه الحالة على أنها مشبوهة لأنه يلاحظ انحرافاً إحصائياً. أما المحلل، فيمكنه ربط هذا الانحراف بعملية إعادة هيكلة مؤسسية، أو بمرحلة موسمية في النشاط التجاري، أو بوثائق موجودة بالفعل في الأنظمة الداخلية.

هنا يتحقق العائد الحقيقي على الاستثمار.

إذا تم التعامل مع كل حالة شاذة على أنها خطر كامل، فإن البنك يزيد من حالات "الإنذارات الكاذبة"، ويؤخر عمل فرق الرقابة، ويستنزف الوقت المخصص للحالات الحرجة حقًا. أما إذا قام النموذج بتصفية الحالات الحدية وقام الموظف بالتحقق منها، فإن المؤسسة تقلل التكلفة التشغيلية لعملية المراجعة دون المساس بجودة الرقابة. وبالنسبة لشركة مالية صغيرة أو متوسطة الحجم أو مؤسسة ذات فرق امتثال محدودة، فإن هذا يؤثر على استدامة العملية أكثر من دقة النموذج النظرية.

لمن يرغب في رؤية تطبيق هذا الموضوع على الصعيد العملي، يُعد هذا الفيديو مرجعاً مفيداً:

لأنه مهم أيضًا في مجال الامتثال والتدقيق

في مجال الائتمان، تنطبق نفس المنطقية، لكن الفائدة الإدارية تكون أكثر وضوحًا. يمكن لنموذج التقييم الائتماني معالجة العديد من المتغيرات المنظمة بسرعة. ومع ذلك، تظل بعض الملفات صعبة التقييم باستخدام القواعد القياسية، مثل العاملين لحسابهم الخاص، والمشاريع الصغيرة، والشركات التي تتسم بطابع موسمي واضح، أو الحالات المالية غير المنتظمة.

في هذه الحالات، تعمل HITL على تحسين ثلاثة من النتائج التشغيلية:

1. يقلل من الإيجابيات الكاذبة، إذ يحد من الرفض أو الحظر الذي لن يصمد أمام مراجعة يدوية؛
2. يجعل القرار قابلاً للتفسير، لأن التدخل البشري يترك أثرًا للمعيار المطبق؛
3. يبسط عمليات التدقيق والرقابة الداخلية، إذ توثق العملية من قام بالتحقق من الحالة، وبأي أدلة، وفي أي لحظة.

بالنسبة لقائد شركة متمرس، فإن النقطة الاستراتيجية تكمن في هذا. لا يقتصر دور نموذج HITL على إضافة توقيع بشري في مرحلة لاحقة من العملية فحسب، بل إنه يعيد تصميم مسار عملية اتخاذ القرار بحيث تتركز الجهود المتخصصة فقط في المجالات التي تزيد فيها احتمالية حدوث أخطاء في الأتمتة أو التي يكون فيها التأثير التنظيمي أكبر.

على الصعيد التنظيمي، من المستحسن اتباع نهج حذر. فليس من المناسب اعتبار أي التزام محدد صادر عن هيئة الأوراق المالية الإيطالية (Consob) بشأن HITL في مجال تحليلات الذكاء الاصطناعي أمراً مسلماً به، دون وجود إشارة تنظيمية مباشرة وقابلة للتحقق في نفس السياق. ومع ذلك، فإن الاتجاه واضح: ففي أنشطة الامتثال والرقابة ومنح الائتمان، تتزايد التوقعات بشأن التتبع والإشراف البشري وتبرير القرارات الآلية.

بالنسبة للشركات الصغيرة والمتوسطة الإيطالية، فإن هذا التمييز له أهمية كبيرة. لا يتطلب مشروع HITL المصمم جيدًا بالضرورة وجود فريق داخلي من علماء البيانات. بل يتطلب منصة توجه الحالات المشكوك فيها، وتجمع التعليقات، وتحافظ على سجلات التدقيق، وتسهل عمل فرق الشؤون المالية والمخاطر. وهنا تكمن أهمية أدوات مثل ELECTE عتبة الوصول. فهي تنقل HITL من بنية نظرية إلى عملية قابلة للقياس، مع فوائد ملموسة على أوقات المراجعة وجودة القرارات وتكلفة الامتثال.

حالات الاستخدام في قطاع التجزئة والتجارة الإلكترونية

في قطاع التجزئة، لا ينشأ الخطأ الأكثر تكلفة عن توقعات غير دقيقة من الناحية النظرية. بل ينشأ عن توقعات صحيحة استناداً إلى البيانات التاريخية، لكنها خاطئة فيما يتعلق بالسياق الفعلي لمكان البيع أو المنطقة أو الأسبوع الترويجي. ولهذا السبب، فإن نهج «إشراك العنصر البشري» (human-in-the-loop) له قيمة تشغيلية مباشرة. فهو يدمج التقييم التجاري في الحالات التي قد يكتفي فيها النموذج، بمفرده، بقراءة الماضي بدقة، بينما يتأخر في قراءة الحاضر.

التوقعات، المخزون، والظروف المحلية

يستخدم أحد تجار التجزئة الذكاء الاصطناعي لتقدير الطلب وإعادة الطلبات وتوزيع المخزون بين القنوات والمتاجر. يتعرف النموذج على الموسمية واتجاهات نفاذ المخزون وتأثيرات العروض الترويجية السابقة ومعدل دوران كل وحدة تخزين (SKU). ومع ذلك، يرى مدير الفئة إشارات نادراً ما تظهر على الفور في قواعد البيانات: مثل محتوى على وسائل التواصل الاجتماعي يؤدي إلى زيادة الطلب، أو احتفال محلي، أو تأخير من المورد، أو حملة ترويجية قوية من أحد المنافسين في نفس المنطقة.

ليس المقصود هو تصحيح النموذج دائمًا. بل المقصود هو التدخل فقط عندما تتجاوز تكلفة الخطأ تكلفة المراجعة البشرية. وفي قطاع البيع بالتجزئة، يحدث هذا غالبًا مع المنتجات الموسمية، والمنتجات ذات الهامش الربحي المرتفع، والعروض الترويجية، والتشكيلات المحلية.

بالنسبة لشركة صغيرة أو متوسطة الحجم إيطالية، فإن الفائدة ملموسة. انخفاض حالات نفاد المخزون من المنتجات التي تباع فعليًا. انخفاض رأس المال المتجمد في المنتجات البطيئة المبيعات. انخفاض الخصومات القسرية في نهاية الدورة. عمليًا، يعمل نظام HITL كبرج مراقبة: حيث تتولى الذكاء الاصطناعي إدارة التدفقات العادية، بينما يتولى مدير المبيعات معالجة الحالات الاستثنائية التي قد تؤثر على الهامش والخدمة.

يجعل التأخر في التبني هذا النهج أكثر أهمية. وفقًا لـ ISTAT، تستخدم نسبة محدودة فقط من الشركات التي لديها 10 موظفين على الأقل تقنيات الذكاء الاصطناعي، مع فروقات كبيرة حسب حجم الشركة والقطاع، كما ورد في الاستطلاع الرسمي حول استخدام تقنيات ICT في الشركات: ISTAT, Imprese e ICT. بالنسبة للعديد من الشركات الصغيرة والمتوسطة، المشكلة ليست في فهم ما إذا كان الذكاء الاصطناعي مفيدًا. المشكلة هي تبنّيه دون بناء فريق تقني مخصص. منصة تُدخل المدير في حلقة اتخاذ القرار تقلل من هذا الحاجز.

الأسعار والعروض الترويجية والقرارات التي تحافظ على الهامش

وينطبق الأمر نفسه على التسعير والتسويق، حيث يمكن للأتمتة الكاملة أن تزيد من السرعة، ولكنها قد تؤدي أيضًا إلى اتخاذ قرارات قصيرة النظر.

• التسعير الديناميكي. يقترح الخوارزمية تغييرًا متسقًا مع الطلب والمخزون والسلوك التاريخي. يمكن للمسؤول التجاري إيقافه إذا كان يهدد بتآكل مكانة العلامة التجارية أو خلق تناقضات بين القناة عبر الإنترنت والمتجر الفعلي.
• العروض الترويجية. يحدد الذكاء الاصطناعي المجموعات والنوافذ الزمنية ذات الاحتمالية الأعلى للتحويل. يتحقق فريق التسويق مما إذا كانت الرسالة مناسبة للسياق، أو ما إذا كان العرض يلتهم خطوط منتجات أخرى، أو ما إذا كان المتجر يملك فعلاً توفرًا في المخزون.
• التشكيلة. يقترح النموذج الفئات التي يجب دفعها. يقوم المشتري بالتصحيح بناءً على القيود اللوجستية، أو الاتفاقيات مع الموردين، أو الحساسيات الخاصة بالسوق المحلي.

هنا تبرز نقطة استراتيجية غالبًا ما يتم الاستهانة بها. في قطاع البيع بالتجزئة، لا يتمثل الهدف في تحقيق أقصى دقة لكل توقعات على حدة، بل في اتخاذ قرارات قابلة للتكرار تحمي الهامش الربحي وتوافر المنتجات على الرفوف والاتساق التجاري. تعمل تقنية HITL على تحويل مهام الموظفين من الأنشطة الروتينية إلى التعامل مع الحالات الاستثنائية ذات التأثير الكبير.

بالنسبة لموقع تجارة إلكترونية أو سلسلة متاجر محلية، فإن هذا الاختلاف أكثر أهمية من مدى تطور النموذج. فالنظام التنبئي يكتفي بالإبلاغ عن النتائج، بينما يساعد النظام الذي يشرك العنصر البشري الفريق على اتخاذ القرارات في وقت أبكر، مع توفر معلومات سياقية أكثر وبأقل قدر من العقبات التشغيلية. وهنا بالذات ELECTE حلول مثل ELECTE بالنسبة للشركات الصغيرة والمتوسطة. فهي تجعل من الممكن تنفيذ عملية كانت، حتى قبل بضع سنوات، تبدو حكرًا على تجار التجزئة الذين يمتلكون علماء بيانات داخليين وميزانيات مؤسسية.

كيف ELECTE نهج "Human-in-the-Loop"

لا يكون نموذج HITL مفيدًا إلا إذا كان مسار العمليات واضحًا ومفهومًا لصانعي القرار. فإذا كانت المراجعة تتطلب خبراء بيانات أو استعلامات يدوية أو خطوات تقنية معقدة، فإن العديد من الشركات الصغيرة والمتوسطة تتوقف عن المضي قدمًا قبل أن تبدأ.

التدفق التشغيلي في الممارسة العملية

في منصة مصممة بشكل جيد، ينبغي أن تكون العملية على النحو التالي:

1. الاتصال بمصادر البيانات
   أنظمة CRM وERP والتجارة الإلكترونية وجداول العمليات وأنظمة المالية تدخل جميعها في نفس تدفق المعلومات.
2. التحليل الآلي للإشارات
   يعالج الذكاء الاصطناعي البيانات ويولّد توقعات وتنبيهات وتقارير وحالات شاذة.
3. تحديد درجة الثقة والأولوية
   ليست كل رؤية بنفس القيمة. بعضها واضح، وبعضها الآخر يحتاج إلى مراجعة.
4. التصعيد الانتقائي للمستخدم
   الحالات غير المؤكدة أو ذات التأثير الكبير تنتهي في لوحة مراجعة.
5. الملاحظات البشرية
   يقوم المدير بالتحقق من الرؤية أو تصحيحها أو رفضها مع رؤية السياق كاملاً.
6. التعلّم المستمر
   يستخدم النظام تلك الملاحظات لتحسين النموذج مع مرور الوقت.

يتوافق هذا المنطق مع بنية حلقة التغذية الراجعة النشطة الموضحة في المراجع الموثقة: حيث تطلب الذكاء الاصطناعي التحقق البشري في نقاط الشك الأكبر، بدلاً من المطالبة بالتحكم في مجموعة البيانات بأكملها. وهذا هو العامل الذي يجعل HITL قابلاً للتطبيق عملياً، وليس مجرد نموذج نظري صحيح.

لأن هذا النموذج متاح أيضًا للشركات الصغيرة والمتوسطة

بالنسبة للشركات الصغيرة والمتوسطة، لا يكمن التحدي الحقيقي في «استخدام الذكاء الاصطناعي»، بل في القدرة على استخدامه دون الحاجة إلى إنشاء قسم تقني مخصص. ولهذا السبب، فإن واجهة الاستخدام لا تقل أهمية عن النموذج نفسه.

ينبغي أن يوفر النهج الفعال ما يلي:

• لوحات معلومات واضحة، لا مخرجات غامضة؛
• إشعارات بشأن الاستثناءات الحقيقية، لا ضوضاء مستمرة؛
• سياق مرئي بجانب الرؤية، بحيث يمكن للشخص أن يقرر بسرعة؛
• تكاملات سلسة مع الأنظمة المستخدمة بالفعل، كما هو موضح في الصفحة المخصصة لـتكاملات Electe.

إذا كان على المراجع تفسير نموذج دون سياق، تنكسر الحلقة. أما إذا رأى الرؤية والمبرر والتأثير في نفس المساحة، تتحول الحلقة إلى قرار.

وهنا يكمن الجانب الاستراتيجي. لا ينبغي أن تطلب منصة HITL من الشركات الصغيرة والمتوسطة التكيف مع التكنولوجيا. بل يجب أن تكون المنصة هي التي تُترجم التعقيدات التحليلية إلى عملية يمكن لمدير الشؤون المالية أو العمليات أو التجزئة إدارتها في بضع خطوات.

أفضل الممارسات لتحقيق تنفيذ ناجح

تحقق مشاريع HITL القيمة عندما تقلل من تكلفة اتخاذ القرار، وليس عندما تضيف مستوى جديدًا من الرقابة. بالنسبة لشركة صغيرة أو متوسطة الحجم إيطالية، لا يكمن الهدف في إدخال تدخل بشري في كل مرحلة، بل في اختيار المراحل التي يمكن فيها للحكم البشري تصحيح الأخطاء المكلفة، وتسريع معالجة الحالات الاستثنائية، وجعل النموذج أكثر فائدة على المدى الطويل.

ولهذا السبب، فإن ترتيب البدء أهم من الطموح الأولي. يتميز الاستخدام الأولي الجيد بثلاث خصائص مجتمعة: تأثير اقتصادي واضح، وبيانات تاريخية كافية، وقرار يعتمد اليوم بالفعل على خبرة شخص ما. غالبًا ما تندرج قطاعات التمويل والتجزئة ضمن هذا النمط. في مجال الائتمان التجاري، على سبيل المثال، يمكن لمراجعة موجهة للحالات الغامضة أن تقلل من أخطاء التقييم دون إبطاء التدفق بأكمله. وفي قطاع التجزئة، ينطبق المبدأ نفسه على إعادة الطلبات، والتسعير الترويجي، وإدارة حالات الشذوذ في المخزون.

هنا يتحدد عائد الاستثمار.

إذا تدخل الفريق البشري في كل قرار، فإن الذكاء الاصطناعي يصبح مجرد خطوة وسيطة. أما إذا تدخل فقط في الحالات التي تتسم بدرجة عالية من عدم اليقين أو ذات التأثير الكبير، فإن الشركة تحقق نتيجة مختلفة تمامًا: عبء تشغيلي أقل على الحالات البسيطة، وتركيز أكبر على الحالات التي تؤثر فعليًا على النتيجة الاقتصادية. هذه هي المنطقية التي أشرنا إليها سابقًا. ومن خلال تركيز التغذية الراجعة على النقاط الصحيحة، تستفيد المؤسسة بشكل أفضل من وقت الموظفين وقدرات النموذج على حد سواء.

تتعلق الممارسة الفضلى الثانية بتصميم نقطة التدخل البشري. ففي العديد من حالات التنفيذ، لا تكمن المشكلة في الخوارزمية، بل في غموض العملية. فإذا لم يكن واضحًا من الذي يقوم بالموافقة، وبأي معايير، وبناءً على أي معلومات، فإن الحلقة لا تتعلم. بل تقتصر على نقل العوائق من مرحلة إلى أخرى.

قبل بدء التشغيل، من المستحسن تحديد أربعة عناصر تشغيلية:

• دور قرار محدد، مثل المراقب المالي، محلل المخاطر، المشتري أو مسؤول الفرع
• معايير التصعيد، بناءً على ثقة النموذج، القيمة الاقتصادية للحالة أو المخاطر التنظيمية
• السياق المعروض على المراجع، مثل تاريخ العميل، سبب التنبيه، الأثر المقدر وبيانات الدعم
• طريقة إعادة استخدام الملاحظات (feedback)، بحيث يدخل التصحيح إلى النظام ويحسّن الحالات المستقبلية

هناك قاعدة عملية تساعد على معرفة ما إذا كان المشروع جاهزًا: إذا كان المراجع لا يعرف سبب تكليفه بتلك الحالة، فهذا يعني أن التنفيذ لم يبلغ مرحلة النضج بعد.

وهناك خطأ شائع في الشركات الصغيرة والمتوسطة. يُعتقد أنه من الضروري تدريب الإدارة على الجوانب الحسابية للنموذج. لكن في الواقع، هناك حاجة إلى شيء آخر: القدرة على قراءة أي شذوذ، وتقييم مدى معقولية الرؤية، وتقديم ملاحظات متسقة. وهذا فرق مهم. لا يجب على مدير الفئة تدريب الخوارزمية. بل عليه أن يدرك ما إذا كانت اقتراح إعادة الطلب يتجاهل عرضًا ترويجيًا محليًا، أو تغييرًا في المورد، أو نفاذ مخزون كان الفريق على علم به بالفعل.

ELECTE منصات مثل ELECTE هذا النهج أكثر سهولة، وذلك لأنها تخفي التعقيدات التقنية وراء واجهة تشغيلية. ويكمن الميزة الاستراتيجية بالنسبة للعديد من الشركات الصغيرة والمتوسطة في هذا الأمر. فهي لا تحتاج إلى تشكيل فريق من علماء البيانات لاستخدام تحليلات الذكاء الاصطناعي بشكل فعال، بل تتيح لقسمي الشؤون المالية والتجزئة إمكانية تصحيح النظام والتحقق من صحته وتحسينه ضمن سير العمل اليومي.

تُقاس جودة التنفيذ بعدد قليل من المؤشرات الملموسة: الوقت المستغرق في مراجعة كل استثناء، ومعدل قبول التوصيات، وتقليل الأخطاء المتكررة، والأثر الاقتصادي للتصحيحات. وإذا لم تتحسن هذه الأرقام، فهذا يعني أن المشروع يعمل على أتمتة المخرجات فقط، ولم يصل بعد إلى مرحلة تحسين القرارات.

نظام human-in-the-loop AI analytics الجيد يستخدم عدد قليل من التدخلات البشرية، الموضوعة بشكل مدروس والقابلة للتتبع. بهذه الطريقة يتوقف التعاون بين الإنسان والآلة عن كونه وعدًا تقنيًا ويصبح ممارسة تشغيلية بعوائد قابلة للقياس.

الحوكمة والأخلاقيات في الذكاء الاصطناعي الهجين

عندما تدخل الذكاء الاصطناعي في عملية تؤثر على الائتمان أو الأسعار أو حالات الاحتيال أو الامتثال، يتغير السؤال الأساسي. لم يعد الأمر يقتصر على ما إذا كان النموذج يقدم تنبؤًا دقيقًا أم لا. بل أصبح المهم هو ما إذا كانت الشركة قادرة على تتبع كيفية تحويل هذا التنبؤ إلى قرار، ومن وافق عليه، وبناءً على أي معايير.

في هذا السياق، لا تُعتبر الحوكمة مجرد مستوى إداري يُضاف لاحقًا. فهي تعمل كنظام مراقبة لخط إنتاج: فإذا تم تحديد نقاط الفحص بشكل جيد، فإن الشركة تقلل من الأخطاء المكلفة قبل أن تصل إلى العميل أو المدقق أو الجهة التنظيمية. وفي الذكاء الاصطناعي الهجين، تكمن قيمة التدخل البشري في هذا الجانب أيضًا؛ أي جعل العملية قابلة للمراقبة، وهي عملية قد تظل غامضة في حالة الأتمتة الكاملة.

التحيز والمساءلة وإمكانية التتبع

النقطة الأولى هي التحيز. في المجال المالي، كما سبق ذكره، لا تنشأ المشكلة من البيانات التاريخية فحسب، بل أيضًا من الطريقة التي يترجم بها النموذج تلك البيانات إلى إشارات تشغيلية. ويساعد وجود رقابة بشرية مدمجة في العملية، إذا كانت مصممة بشكل جيد، على اكتشاف الحالات الشاذة التي يعتبرها النظام طبيعية لأنه تعلمها من الماضي.

إلا أن التدخل البشري لا يحل المشكلة بحكم تعريفه. بل إنه ينقلها إلى مستوى آخر في حالة غياب الانضباط التشغيلي. فقد يتمكن المراجع من تحسين قرار ما، ولكنه قد يؤيد أيضًا توصيات النموذج بشكل آلي أو يدرج تفضيلات ذاتية يصعب اكتشافها.

ولهذا السبب، فإنه من الأفضل للشركات الصغيرة والمتوسطة التي ترغب في تحقيق عائد حقيقي على الاستثمار من مشاريع HITL في قطاعي المالية والتجزئة أن تتعامل مع العناصر الثلاثة باعتبارها مكونات للعملية، وليس مجرد إجراءات شكلية للتدقيق:

• سجل القرارات، لربط كل موافقة أو تعديل بدور محدد؛
• مبرر منظم للمراجعة، مفيد للتمييز بين استثناء تجاري وحكم بديهي؛
• تحليل دوري لأنماط التأكيد والتصحيح، لفهم ما إذا كان الفريق البشري يحسّن النموذج أم يكتفي بالمصادقة على المخرجات فقط.

لهذا التمييز تأثير اقتصادي مباشر. فإذا لم تكن التعليقات البشرية قابلة للتتبع وإعادة الاستخدام، فإن الشركة تدفع ثمن ذلك مرتين. أولاً مقابل التكنولوجيا، ثم مقابل المراجعة اليدوية التي لا تولد أي تعلم.

اللائحة العامة لحماية البيانات (GDPR) والرقابة التشغيلية

النقطة الثانية هي المساءلة. في أي قرار حساس، لا يكفي أن يقال «لقد اقترح ذلك الخوارزمية» بالنسبة للمراجع أو العميل المؤسسي أو قسم إدارة المخاطر. بل يجب أن تكون سلسلة اتخاذ القرار واضحة. المدخلات المستخدمة، والعتبة التي أدت إلى تصعيد الأمر، والتدخل البشري، والقرار النهائي.

من منظور اللائحة العامة لحماية البيانات (GDPR)، يُعد هذا النهج مفيدًا لأنه يسهل إثبات الحد الأدنى من استخدام البيانات، ومراقبة الوصول إليها، والإشراف على القرارات التي تمس المعلومات الحساسة. ولا يضمن هذا الامتثال تلقائيًا، لكنه يقلل من نقطة الضعف التي غالبًا ما تعاني منها مشاريع الذكاء الاصطناعي في الشركات الصغيرة والمتوسطة، وهي: امتلاك نموذج يعمل من الناحية التقنية، لكنه يصعب الدفاع عنه من الناحية الوثائقية.

وهنا تتعثر العديد من المبادرات. ليس بسبب قيود الخوارزمية، بل لأن أحداً لم يحدد من يحق له تعديل توصية ما، وفي أي الحالات، وبناءً على أي أدلة، ومن يتحمل المسؤولية النهائية.

بالنسبة لقائد مؤسسة، فإن الاختبار المفيد بسيط: هل يمكن تفسير هذا القرار بشكل منطقي أمام مدقق داخلي أو عميل أو هيئة رقابة؟ إذا كانت الإجابة غير مؤكدة، فإن الخطر ليس نظريًا. بل هو خطر تشغيلي.

لإعداد هذه الضمانات بطريقة عملية، دون خلق تعقيدات يصعب على الفرق الصغيرة إدارتها، يفيد أيضًا دليل Electe حول الذكاء الاصطناعي المسؤول والتطبيق الأخلاقي للذكاء الاصطناعي.

الاستنتاجات والخطوات العملية المقبلة

الدرس الأهم هو هذا: تحليلات الذكاء الاصطناعي القائمة على الإنسان في الحلقة (human-in-the-loop AI analytics) ليست حلاً مؤقتًا في انتظار ذكاء اصطناعي "أكثر استقلالية". بل غالبًا ما تكون النموذج الأنضج لتحويل تحليل البيانات إلى قرارات موثوقة وقابلة للتفسير ومفيدة للأعمال.

تتولى الذكاء الاصطناعي إدارة النطاق والسرعة واكتشاف الأنماط. أما البشر فيتولون إدارة الاستثناءات والمسؤوليات والسياق. وعندما يعمل هذان المستويان معًا، لا تحصل الشركة على مجرد مزيد من الأتمتة فحسب، بل تحصل أيضًا على قرارات ذات جودة أعلى.

النقاط الرئيسية

• اختر عملية ذات تأثير كبير. ابدأ من المخاطر، أو المخزون، أو التسعير، أو الامتثال، وليس من الحالات الهامشية.
• حدّد عتبات تصعيد واضحة. يجب أن يتدخل الإنسان في الحالات الصحيحة، وليس في كل الحالات.
• صمّم آلية التغذية الراجعة كجزء من النموذج. يجب أن تحسّن المراجعة النظام، لا أن تبقى إجراءً معزولًا.
• عامل الحوكمة وقابلية التتبع كمتطلبات أساسية. وليس كضوابط تُضاف لاحقًا.
• قيّم المنصات سهلة الاستخدام. بالنسبة للشركات الصغيرة والمتوسطة، تتحقق الفائدة الحقيقية عندما تبقى العملية مفهومة حتى دون فريق تقني مخصص.

إذا كنت ترغب في تحويل البيانات الخام إلى قرارات أكثر موثوقية دون زيادة التعقيد التشغيلي، اكتشف كيف يمكن لـElecte، وهي منصة تحليلات بيانات مدعومة بالذكاء الاصطناعي للشركات الصغيرة والمتوسطة، أن تدعم نهج Human-in-the-Loop من خلال عرض تجريبي مخصص.