تشكل الشركات الصغيرة والمتوسطة الإيطالية جزءًا حاسمًا من الاقتصاد، لكن استخدام الذكاء الاصطناعي لا يزال محدودًا. فقد أطلقت 7% فقط من الشركات الصغيرة و15% من الشركات المتوسطة مشاريع قائمة على الذكاء الاصطناعي، في حين أن الشركات الصغيرة والمتوسطة تولد أكثر من 65% من القيمة المضافة الوطنية، وفقًا للتحليل المتعلق بحالة الذكاء الاصطناعي في الشركات الصغيرة والمتوسطة الإيطالية. ويغير هذا الرقم طريقة النظر إلى الموضوع: فالمشكلة لا تكمن في معرفة ما إذا كان الذكاء الاصطناعي مفيدًا، بل في تحديد أي نوع من الذكاء الاصطناعي يمكن اعتماده فعليًّا في الشركة دون إدخال تعقيدات لا يمكن التحكم فيها.
وهنا تدخل «آلات المتجهات الداعمة» (Support Vector Machines) في الصورة. فهي ليست النموذج الأكثر شهرة في الوقت الحالي، لكنها غالبًا ما تكون من بين الخيارات الأكثر منطقية عندما تكون لديك بيانات منظمة، وحالات استخدام واضحة، وحاجة إلى قرارات موثوقة. وبالنسبة للشركات الصغيرة والمتوسطة، يعني هذا الانتقال من الأوراق المتناثرة، والتخمينات الفردية، والتقارير المتأخرة، إلى توقعات تشغيلية تساعد في مجالات المبيعات، وإدارة المخاطر، والاحتفاظ بالعملاء، والتخطيط.
إذا نظرت إلى الذكاء الاصطناعي باعتباره أداة فعالة لتحسين الأداء المالي، فإن «آلات المتجهات الداعمة» تستحق الاهتمام. ليس لأنها «جديدة»، بل لأنها لا تزال خيارًا ذكيًّا في العديد من السياقات المؤسسية.
تُنتج الشركات الصغيرة والمتوسطة جزءًا كبيرًا من القيمة الاقتصادية الإيطالية، لكن استخدام الذكاء الاصطناعي لا يزال محصوراً في عدد قليل من الشركات. وهذه الفجوة مهمة لأنها لا تتعلق بتكنولوجيا رائدة بالمعنى المجرد، بل تتعلق بالهوامش، وأوقات الاستجابة، وجودة الائتمان، ودوران المخزون، والقدرة على قراءة الإشارات الضعيفة قبل المنافسين.
في الواقع، تمتلك العديد من الشركات بالفعل المواد اللازمة للبدء. فالبيانات موجودة بالفعل، لكنها مبعثرة بين أنظمة إدارة الأعمال، وأنظمة إدارة علاقات العملاء (CRM)، وأنظمة التجارة الإلكترونية، والتقارير الإدارية، وجداول Excel التي تم إنشاؤها لحل المشكلات اليومية العاجلة. وهنا تكمن المشكلة التشغيلية: فإذا بقيت المعلومات مجزأة، فإن حتى القرار الذي يتخذه خبير ما ينتهي به الأمر إلى الاستناد إلى رؤية غير كاملة للأعمال.
وبالتالي، فإن الجوهر بالنسبة لشركة إيطالية صغيرة أو متوسطة الحجم لا يكمن في السعي وراء النموذج الأكثر تداولاً في الوقت الحالي. بل ما يهم هو اختيار طريقة تعمل مع مجموعات بيانات محدودة، وتكاليف معقولة، وعمليات لا يمكن أن تتوقف لشهور في انتظار مشروع مثالي. وهذا ما يفسر لماذا تستحق خوارزمية كلاسيكية مثل «آلات المتجهات الداعمة» اهتماماً إدارياً، وليس تقنياً فحسب.
تستجيب آلة الفصل الدعمي (SVM) بشكل جيد لاحتياج نموذجي للشركات الصغيرة والمتوسطة: تحويل البيانات غير الكاملة ولكن المفيدة إلى تصنيفات موثوقة. وفي قطاع التجزئة، يعني ذلك التعرف على العملاء المعرضين لخطر الانسحاب، وتقدير احتمالية الاستجابة لعرض ترويجي، وتحديد السلوكيات الشاذة في عمليات الشراء. أما في مجال التمويل، فيعني ذلك دعم تقييم المخاطر، وتقسيم المراكز الحساسة إلى شرائح، والإبلاغ عن الاستثناءات التي تتطلب تدقيقًا بشريًّا. ولا يلزم دائمًا استخدام أحدث نموذج للحصول على ميزة تنافسية. فغالبًا ما يكون النموذج المطلوب هو الذي يتوصل أولاً إلى قرار يمكن الدفاع عنه.
يواجه السوق الأوروبي عقبات متكررة. منها الميزانيات المحدودة، والافتقار في بعض الأحيان إلى الخبرات التحليلية الداخلية، وصعوبة التكامل مع الأنظمة القائمة، والتوقعات غير الواقعية بشأن عائدات الذكاء الاصطناعي. وتصف «تحديات الذكاء الاصطناعي للشركات الصغيرة والمتوسطة الأوروبية» هذا السياق بشكل جيد، وهو ما يزداد وزنه في إيطاليا بشكل أكبر في القطاعات التي يتعين فيها تبرير كل استثمار تكنولوجي من خلال النتائج المالية في غضون فترة زمنية قصيرة.
ولهذا السبب تُعد آلات المتجهات الداعمة خيارًا مثيرًا للاهتمام. فهي توفر جسرًا ملموسًا بين النظرية الأكاديمية والنتائج المؤسسية: تركيز أقل على العرض التكنولوجي، واهتمام أكبر بجودة القرار. وبالنسبة لرائد الأعمال أو مسؤول التحليلات، فإن الهدف ليس اعتماد الذكاء الاصطناعي بمعناه العام. بل الهدف هو استخدام خوارزمية تساعد على تقليل الأخطاء المكلفة، وتحسين الأولويات التجارية، وتنظيم البيانات التي لا تولد اليوم سوى تقارير، لا قرارات.
تنبع آلات المتجهات الداعمة (Support Vector Machines) من فكرة هندسية، وليست مجرد «صندوق أسود». وقد طورها رسميًا فلاديمير فابنيك في التسعينيات في مختبرات AT&T Bell، استنادًا إلى أسس نظرية بدأت بالفعل في السبعينيات. وكان الغرض الأصلي منها هو التصنيف الثنائي بأقصى دقة ممكنة، كما يلخص ذلك المقال التاريخي حول أصول آلات المتجهات الداعمة.
إذا كان لديك مجموعتان من العملاء، على سبيل المثال أولئك الذين يجددون اشتراكهم وأولئك الذين ينسحبون، فيمكنك رسم العديد من خطوط الفصل. أي خط من هذه الخطوط يقسم المجموعتين. أما آلة الفصل الوجاهي (SVM)، فهي تبحث عن الحد الذي يترك أكبر هامش ممكن بين المجموعتين.
أفضل تشبيه في هذا الصدد هو تشبيه الطريق الذي يمر بين صفين من المنازل. فإذا شيدت طريقًا قريبًا جدًّا من أحد الصفين، فلن يتطلب الأمر سوى القليل لإحداث ارتباك. أما إذا صممت الطريق بأوسع عرض ممكن، فسيكون المرور أكثر استقرارًا والحدود أكثر وضوحًا. وفي نماذج SVM، يمثل «الهامش» هذا «الطريق».
النقاط التي تهم حقًّا ليست كل النقاط، بل هي تلك الأقرب إلى الحدود. وتُسمى هذه النقاط «متجهات الدعم» (support vectors )، وهي تحدد موضع الفاصل الأمثل. وعمليًّا، يولي الخوارزمية أقصى قدر من الاهتمام للحالات الأكثر غموضًا، أي تلك التي تضع القرار على المحك.
بالنسبة لأي شركة، فإن هذا يترجم إلى منطق مألوف جدًّا. فليس من الصعب تصنيف العميل على أنه مخلص بشكل واضح أو مفقود بشكل واضح. وتبرز قيمة النموذج عندما يتعامل مع الحالات الحدية، تلك التي تتعلق بالاحتفاظ بالعملاء، أو الائتمان، أو العروض الترويجية، أو التحكم في المخاطر.
لا ينبغي النظر إلى نماذج SVM على أنها معادلة رياضية يقتصر فهمها على المتخصصين، بل كمعيار إداري مُنظم:
قاعدة عملية: إذا كانت المشكلة التي تواجهها في شركتك تتطلب التمييز بين نتيجتين بشكل موثوق، فإن «آلات المتجهات الداعمة» تستحق أن تُختبر بجدية.
وهذا ما يفسر سبب استمرار احتلالها مكانةً بين خوارزميات التعلم الآلي المؤسسية. ليس لأنها بسيطة تمامًا، بل لأن مبدأها التوجيهي يتوافق مع حاجة عملية جدًّا للأعمال: اتخاذ قرارات متسقة حتى عندما لا تكون البيانات مثالية.
عندما تتخذ آلة الدعم (SVM) قرارًا، فإنها لا «تخمن». بل تقوم ببناء حد فاصل رياضي يفصل بين الفئات أو تقدير علاقة مفيدة للتنبؤ. والنقطة المهمة، من الناحية التجارية، هي أن هذا الحد الفاصل لا يتم بناؤه باستخدام كل ملاحظة بنفس الوزن.
تُعد آلات الدعم (SVM) فعالة بشكل خاص مع مجموعات البيانات الصغيرة، كما أنها تتمتع بمقاومة للتكيف المفرط، لأن دالة اتخاذ القرار الخاصة بها تُحدد فقط من خلال مجموعة فرعية صغيرة من البيانات، وهي متجهات الدعم. وهذا يجعلها مثالية في السياقات التي تكون فيها البيانات محدودة أو باهظة التكلفة، كما يوضح هذا المحتوى التعليمي حول آلات الدعم (SVM) ومتجهات الدعم.
تكفي ثلاثة مفاهيم لفهم جوهر النموذج.
المفهوم | ماذا يعني |التأثير على الشركة| المستوىالفائق| الحد الفاصل الذي يفصل بين فئتين | يحدد من يندرج ضمن فئة ما ومنلا يندرج فيها | الهامش | المسافةبين الحد الفاصل والحالات الأقرب إليه | كلما اتسع الهامش، زادت قدرة النموذج على التعميمبشكل أفضل | متجهات الدعم |الحالات الواقعة على حدود الفصل | وهي العملاء أو المعاملات أو السجلات التي تحدد الحد الفاصل فعليًّا
في أي مشروع حقيقي، يُعد «المستوى الفائق» هو القاعدة التشغيلية. أما «الهامش» فهو مستوى الأمان لتلك القاعدة. و«متجهات الدعم» هي الحالات التي تستحق اهتمام الإدارة، لأنها تُظهر المجالات التي تتسم فيها الأعمال بأكبر قدر من عدم اليقين.
لا تمتلك العديد من الشركات الصغيرة والمتوسطة ملايين الأسطر من البيانات التاريخية. لكنها تمتلك بيانات جيدة بما يكفي للتعرف على الأنماط. وفي هذا السياق، يُعد التركيز فقط على الحالات التي تحدد الحدود خيارًا فعالاً.
يُحقق هذا النهج ثلاث مزايا ملموسة على الأقل:
عندما تكون البيانات قليلة، يتعين على كل صف أن يعمل بجهد أكبر. وهذا بالضبط ما تفعله آلات SVM.
بالنسبة لمن يرغب في التعمق في الجانب التشغيلي، فإن «عملية تدريب الخوارزميات» تساعد على النظر إلى النموذج ليس ككيان تقني منعزل، بل كسلسلة من الخيارات: البيانات المدخلة، وتنقية البيانات، والتدريب، والتحقق من الصحة، والاستخدام في اتخاذ القرارات.
هناك نقطة يغفلها العديد من الفرق. فندرة البيانات لا تشكل دائمًا عائقًا. بل إنها في بعض الأحيان قيد يفرض استخدام نماذج أكثر بساطة، وبالتالي أكثر ملاءمة للسياق.
في الشركات الصغيرة والمتوسطة الإيطالية، هذه البساطة لها أهميتها. فإذا كان النموذج يتطلب سنوات من البيانات، وبنية تحتية ضخمة، وخبرات نادرة، فإن احتمالية اعتماده تنخفض. أما إذا كان النموذج متينًا على مجموعات بيانات معتدلة ويقدم حدودًا واضحة لاتخاذ القرار، فإن اعتماده يصبح أكثر واقعية بكثير. وهنا تتحول آلات المتجهات الداعمة من مادة دراسية جامعية إلى أداة عمل.
لا يمكن فصل جميع مشكلات الشركات بخط مستقيم. فبعض العملاء يتصرفون بطرق مختلطة. وبعض المعاملات المشروعة تشبه تلك الشاذة. ولا تظهر بعض مؤشرات المخاطر إلا عندما تتفاعل عدة متغيرات مع بعضها البعض.
وهنا يأتي دور «حيلة النواة». ففكرتها الأساسية بسيطة: إذا كانت البيانات مشوشة في الفضاء الأصلي، فيمكنك النظر إليها من منظور مختلف يصبح فيه الفصل بينها أكثر تنظيماً.
تخيل ورقة عليها نقاط زرقاء وحمراء مختلطة بشكل دائري. في البعدين، لا يمكنك الفصل بينها بوضوح. لكن لو أمكنك رفع الورقة وتحويلها إلى سطح ثلاثي الأبعاد، لكان من الممكن ترتيب تلك النقاط بطريقة أكثر وضوحًا. عندئذٍ ستفصل بينها مستوية، وليس خطًا، بسهولة.
هذا لا يعني أن النموذج «يختلق» البيانات. بل يعني أنه يطبق تحويلاً مفيداً لإبراز العلاقات التي كانت مخفية في السابق.
يمكنك التفكير في النوى على أنها عدسات مختلفة.
في قطاع التجزئة، قد تكون هذه المرونة مفيدة عندما لا يعتمد خطر التخلي عن العميل على متغير واحد فحسب، بل على التفاعل بين وتيرة الشراء، والخصومات التي حصل عليها العميل، والعوامل الموسمية، وفترات عدم النشاط. وفي مجال التمويل، يمكن أن تساعد نفس المنطقية عندما لا يتضح ملف المخاطر إلا من خلال الجمع بين عدة إشارات ضعيفة.
«حيلة النواة» لا تقلل من حقيقة المشكلة. بل تجعل النمط أكثر وضوحًا.
الدرس العملي مهم. فإذا استبعد فريق ما خوارزمية ما بحجة أن «البيانات معقدة للغاية»، فغالبًا ما يكون قد استسلم قبل الأوان. ففي بعض الأحيان، لا تكمن المشكلة في البيانات نفسها، بل في طريقة تمثيلها.
آلات المتجهات الداعمة (SVM) ليست الحل الأمثل لكل شيء. ولكن لهذا السبب بالذات تستحق تقييمًا جادًا. اليوم، يتم ذكرها في الأوراق البحثية الحديثة بدرجة أقل مقارنةً بـ«الغابة العشوائية» (Random Forest) أو الشبكات العصبية، ومع ذلك فإن موثوقيتها عند التعامل مع البيانات ذات الحجم المتوسط تجعلها خيارًا مثاليًّا، غالبًا ما يتم التقليل من شأنه، للشركات الصغيرة والمتوسطة التي تبحث عن حلول موثوقة وقابلة للتفسير، كما تمت مناقشته في هذا المقارنة حول مدى ملاءمة آلات المتجهات الداعمة (SVM) في مجال التعلم الآلي.
نقطة قوتهم ليست الموضة. إنها الانضباط.
الاختيار الناضج يراعي أيضًا الحدود.
الحالةالتأثيرمجموعات البيانات الضخمةقديصبحالتدريبأكثرتعقيدًاالبيانات المشوشة أو المتداخلة بشدةقديكون الحد الفاصل أقلاستقرارًااختيار النواةيلزماختبارالتكوينوالتحقق من صحته جيدًاالتفسير الداخلي للنموذجلايوفر دائمًا قراءة فورية لشجرة القرار
بالنسبة للشركات الصغيرة والمتوسطة، فإن السؤال المفيد ليس «هل هذا هو النموذج الأكثر تطوراً؟». بل السؤال المفيد هو «هل يحسّن هذا النموذج عملية اتخاذ القرار بجهد مستدام؟».
النقطة الأساسية: تصبح الخوارزمية التقليدية استراتيجية عندما تقلل المسافة بين الرؤية العملية والتحرك.
بعبارة أخرى، الفجوة في شعبية نماذج SVM لا تتطابق مع فجوة في القيمة. وغالبًا ما تتزامن مع تغير في الخطاب العام حول الذكاء الاصطناعي. وبالنسبة لمن يتعين عليهم تحسين تشكيلات المنتجات، أو تقليل الحسابات غير المسددة، أو تصنيف العملاء المحتملين، أو اكتشاف الحالات الشاذة، تظل أهميتها ملموسة للغاية.
تتقلص الفجوة بين النموذج والهامش التشغيلي عندما تُترجم التوقعات إلى قرارات يومية. وهنا تبرز فائدة آلات المتجهات الداعمة للفرق التي لا ترغب في «ممارسة الذكاء الاصطناعي» بشكل نظري، بل في إدارة العملاء والمخاطر والأولويات بشكل أفضل.
يقوم بائع التجزئة بجمع المؤشرات باستمرار: وتيرة الشراء، والفئة المفضلة، والاستجابة للخصومات، والفترة الزمنية المتوسطة بين الطلبات، والمرتجعات، وقناة الشراء. إذا تم النظر إلى هذه المؤشرات كل على حدة، فإنها لا تعطي صورة واضحة. أما عند دمجها في مصنف SVM، فيمكن أن تساعد في التمييز بين العملاء المستقرين والعملاء المعرضين لخطر التخلي عن العلامة التجارية.
لا يكمن التأثير في نظرية النموذج، بل في التسلسل التشغيلي المستمد منه:
هناك تطبيق ثانٍ يتعلق بالتقسيم إلى شرائح. غالبًا ما لا تزال الشركات الصغيرة والمتوسطة في قطاع التجزئة تقسم عملاءها إلى شرائح بناءً على معايير بسيطة، مثل المنطقة الجغرافية أو فئة الإنفاق. ويمكن لنموذج SVM أن يضيف بعدًا أكثر فائدة: السلوك الفعلي. وبذلك، يتوقف التعامل مع عميلين لهما إنفاق متشابه، لكن أنماط إنفاق مختلفة، كما لو كانا متماثلين.
في مجال البيع بالتجزئة، لا يُستخدم النموذج الجيد لوصف العميل بشكل أفضل، بل يُستخدم لاتخاذ قرارات أفضل بشأن ما يجب فعله صباح الغد.
في عالم المال، للتصنيف قيمة مباشرة. يمكن لفريق ما استخدام نموذج SVM لفصل الطلبات ذات المخاطر الأقل عن الطلبات التي تتطلب تحليلات إضافية. وتكمن قوة النموذج في قراءة مجموعات من المتغيرات التي لا تكفي إذا ما تم النظر إليها كل على حدة.
تخيل حالة تقييم الجدارة الائتمانية في مؤسسة تدير عددًا كبيرًا من العملاء من الشركات. لا يكفي أي مؤشر بمفرده. لكن المزيج بين سجل السداد، وتواتر الطلبات، والتغيرات في أحجام المبيعات، وتكرار الحالات الإدارية الشاذة يمكن أن يشكل حدًا فاصلًا مفيدًا بين الملفات الائتمانية الأكثر موثوقية وتلك التي تتطلب مراقبة.
وينطبق الأمر نفسه على الكشف عن المعاملات الشاذة. فالنموذج لا يحل محل المراجعة البشرية، بل يجعلها أكثر انتقائية. فبدلاً من أن يُكلف الفريق بتحليل كل شيء، يحدد النموذج الحالات التي تستحق المراجعة فعليًّا. وهذا يغير من مستوى إنتاجية قسم إدارة المخاطر.
الخطأ الحقيقي ليس عدم استخدام النموذج، بل هو الاكتفاء بالتصنيف دون ربطه بقرار ما.
في قطاع التجزئة، يجب أن يؤدي توقع معدل فقدان العملاء إلى إطلاق حملة تسويقية أو مراجعة مسار تجربة العميل. وفي القطاع المالي، يجب أن يؤدي تنبيه بوجود حالة شاذة إلى تفعيل سير عمل رقابي، لا إلى ملف يُنسى في مجلد مشترك. وتُحدث آلات المتجهات الداعمة قيمةً عندما تدخل في العملية التشغيلية، لا عندما تظل محصورةً في جهاز كمبيوتر محمول.
بالنسبة للمحلل، فإن البدء باستخدام نموذج SVM في لغة Python أسهل مما يبدو. أما بالنسبة للمدير، فالأمر لا يتعلق بقراءة الكود، بل بفهم أن النموذج ينتج مخرجات واضحة: تصنيفًا، أو درجة تقييم، أو مجموعة من السجلات التي يجب إدارتها.
يستخدم هذا المقتطف مكتبة scikit-learn لتدريب آلة vectorial دعم (SVM) بسيطة على مشكلة تصنيف.
from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.pipeline import make_pipelinefrom sklearn.svm import SVCfrom sklearn.metrics import classification_report# X = متغيرات الشركة# y = التصنيف المراد التنبؤ به، على سبيل المثال: العميل المعرض لخطر الانسحاب = 1، غير المعرض لخطر الانسحاب = 0X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42, stratify=y) model = make_pipeline(StandardScaler(), SVC(kernel="rbf", C=1.0, gamma="scale"))model.fit(X_train, y_train)predictions = model.predict(X_test)print(classification_report(y_test, predictions))
يوضح هذا المثال ثلاثة خيارات صحيحة في العديد من الحالات الواقعية:
العمل الحقيقي يبدأ بعد ذلك predict(). إذا أشار النموذج إلى وجود عملاء معرضين للمخاطر، فيجب عليك تحويل هذه النتيجة إلى قائمة إجراءات مخصصة لقسم التسويق أو قسم نجاح العملاء أو القسم التجاري. وإذا أشار إلى ممارسات مشكوك فيها، فيجب عليك إدراجها في مسار المراجعة.
تعمل منصة التحليلات على تقليل هذا العائق التنظيمي بالذات. فبدلاً من حصر النموذج في بيئة تقنية، تجعل النتائج سهلة الفهم من خلال لوحات المعلومات والتقارير والتنبيهات التي تتحدث لغة الأعمال.
إليك ما يجب البحث عنه عمليًّا:
يصبح النموذج التنبئي مفيدًا عندما يعرف الفريق من يتصل به، وماذا يفعل، وما هي أولوياته.
تقدم «آلات المتجهات الداعمة» درساً مفيداً لأي شركة صغيرة أو متوسطة الحجم في إيطاليا. فليس من الضروري السعي دائماً وراء النموذج الأكثر بروزاً للحصول على ميزة تنافسية. بل يجب اختيار الخوارزمية التي تعمل بشكل جيد مع بياناتك، وقيودك، وقراراتك اليومية.
ولهذا السبب تظل نماذج SVM ذات صلة حتى اليوم. فهي تتميز بالموثوقية في التصنيف، وتُعتبر خيارًا منطقيًّا عند استخدام مجموعات بيانات متوسطة الحجم، كما أنها قادرة على ترجمة الإشارات المعقدة إلى حدود قرارية يمكن استخدامها في قطاعات التجزئة والمالية والوظائف الإدارية. وفي سوق لا تزال فيه العديد من الشركات بعيدة عن اعتماد الذكاء الاصطناعي، غالبًا ما يكون البدء بنماذج موثوقة وسهلة الفهم هو الخيار الأكثر ذكاءً.
إذا كنت ترغب في تحويل بياناتك إلى رؤى واضحة دون إضافة تعقيدات تقنية، جرب ELECTE، وهي منصة لتحليل البيانات مدعومة بالذكاء الاصطناعي مخصصة للشركات الصغيرة والمتوسطة. تساعدك هذه المنصة على الانتقال من التقارير المتفرقة إلى القرارات التشغيلية بفضل لوحات المعلومات والتحليلات التنبؤية والرؤى التلقائية. ILLUMINATE THE FUTURE WITH AI.
.svg)
.svg)
.svg)
.jpg)
