تعد الأتمتة الكاملة وعداً مغرياً. لكن في القرارات المؤسسية الجادة، تلك التي تتعلق بالمخاطر والهوامش والامتثال والعملاء، غالباً ما لا تكفي الذكاء الاصطناعي وحده. في سياق تكنولوجيا المعلومات الإيطالية، يتسارع اعتماد عمليات "Human-in-the-Loop": في الشركات التقنية التي يقل عدد موظفيها عن 250 موظفًا، نما استخدام الذكاء الاصطناعي HITL لتحليل البيانات بنسبة 40٪ في ستة أشهر، حيث ارتفع من 6.3٪ إلى 8.8٪ حتى سبتمبر 2025، وفقًا للبيانات التي أوردتها Software Oasis. هذا ليس مجرد تفصيل تقني. 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.
ولهذا السبب، أصبحت تحليلات الذكاء الاصطناعي التي تعتمد على تدخل الإنسان نموذجًا تشغيليًا، وليس مجرد فئة تكنولوجية. وبالنسبة للعديد من الشركات الصغيرة والمتوسطة الإيطالية، فإنها تمثل أيضًا الطريقة الأكثر واقعية لتبني الذكاء الاصطناعي دون الحاجة إلى تشكيل فريق من علماء البيانات من الصفر. وهذا يفسر لماذا لا تفيد هندسة المطالبات وحدها كثيرًا عندما لا يكون المشكل الحقيقي هو توليد إجابة، بل اتخاذ قرار موثوق.
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 عملية الأتمتة. بل هو منع الأتمتة من ارتكاب أخطاء في القرارات الأكثر تكلفة.
بالنسبة لقائد شركة متمرس، فإن هذا يغير طبيعة السؤال. لم يعد السؤال هو «إلى أي مدى يمكنني الأتمتة؟»، بل «أي جزء من القرار يجب أن يظل مرتبطاً بالسياق وقابلاً للتفسير والتحكم؟». وهنا تصبح تحليلات الذكاء الاصطناعي التي تعتمد على تدخل الإنسان ميزة تنافسية، لا سيما في قطاعي التمويل والتجزئة، حيث يتعين أن يتعايش كل من السرعة والحكمة.
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.
بشكل عملي، تعمل الدورة على النحو التالي:
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.
لتجنب الالتباس، من الأفضل التمييز بين ثلاثة نماذج.
| الطراز | كيف يعمل | أين يناسبه ذلك أكثر |
|---|---|---|
| التدخل البشري | يتدخل الشخص بشكل فعال في الحالات المختارة | قرارات ذات تأثير كبير، والقطاع المالي، والتجزئة الحرجة |
| التحكم البشري | لا يقوم هذا الشخص بالإشراف والتدخل إلا في حالات تصعيد المشكلة | عمليات ناضجة ذات أحجام كبيرة |
| بدون تدخل بشري | النظام يقرر بنفسه | الأعمال المتكررة وذات المخاطر المنخفضة |
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.
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.
يكمن القيمة في نقاط الاحتكاك في العملية، وليس في الرقابة البشرية بحد ذاتها.
هناك ثلاث فوائد تتكرر باستمرار:
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.
الفوائد لا تتحقق تلقائيًا. فالعملية السيئة التصميم تظل سيئة التصميم، حتى لو تضمنت مراجعًا بشريًا.
المخاطر الأكثر شيوعًا هي التالية:
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.
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.
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:
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:
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.
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.
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.
إن التأخر في تبني هذه التقنية يجعل هذا النهج أكثر أهمية. وفقًا لـ ISTAT، لا تستخدم تقنيات الذكاء الاصطناعي سوى نسبة محدودة من الشركات التي تضم 10 موظفين على الأقل، مع وجود اختلافات كبيرة حسب حجم الشركة والقطاع، كما ورد في الاستطلاع الرسمي حول استخدام تكنولوجيا المعلومات والاتصالات في الشركات: ISTAT، الشركات وتكنولوجيا المعلومات والاتصالات. بالنسبة للعديد من الشركات الصغيرة والمتوسطة، لا تكمن المشكلة في فهم ما إذا كان الذكاء الاصطناعي مفيدًا أم لا، بل في اعتماده دون تشكيل فريق تقني مخصص. وتقلل المنصة التي تدمج المدير في عملية اتخاذ القرار من هذه العقبة.
وينطبق الأمر نفسه على التسعير والتسويق، حيث يمكن للأتمتة الكاملة أن تزيد من السرعة، ولكنها قد تؤدي أيضًا إلى اتخاذ قرارات قصيرة النظر.
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.
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.
في منصة مصممة بشكل جيد، ينبغي أن تكون العملية على النحو التالي:
الاتصال بمصادر البيانات
: تتكامل أنظمة CRM وERP والتجارة الإلكترونية وجداول العمليات والأنظمة المالية في نفس مسار المعلومات.
التحليل الآلي للإشارات
تقوم الذكاء الاصطناعي بمعالجة البيانات وتوليد التنبؤات والتنبيهات والتقارير وحالات الشذوذ.
تحديد الثقة والأولوية
لا تتساوى جميع الرؤى في قيمتها. فبعضها واضح، بينما يتطلب البعض الآخر مراجعة.
التصعيد الانتقائي للمستخدم
تُنقل الحالات غير المؤكدة أو ذات التأثير الكبير إلى لوحة معلومات للمراجعة.
التعليقات البشرية
يقوم المدير بالتحقق من صحة الرؤية أو تصحيحها أو رفضها مع عرض السياق.
التعلم المستمر
يستخدم النظام هذه الملاحظات لتحسين النموذج بمرور 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.
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:
إذا اضطر المراجع إلى تفسير نموذج ما دون سياق، فإن الحلقة تنقطع. أما إذا رأى الرؤية والدافع والتأثير في نفس السياق، فإن الحلقة تتحول 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.
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.
| معيار | لماذا هذا مهم |
|---|---|
| الأثر الاقتصادي للخطأ | يمكن للشركة قياس قيمة التصحيح |
| توافر البيانات التاريخية | يمكن أن يستند النموذج إلى الإشارات الموجودة بالفعل في العمليات |
| وجود حكم بشري قائم بالفعل | لا ينبغي اختلاق التعليقات. بل يجب تنظيمها |
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:
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.
إن التحليلات الذكية التي تعتمد على تدخل الإنسان (Human-in-the-loop) الجيدة هي تلك التي لا تتطلب سوى القليل من التدخلات البشرية، على أن تكون هذه التدخلات موجهة بشكل صحيح وقابلة للتتبع. وهكذا يتحول التعاون بين الإنسان والآلة من مجرد وعد تقني إلى مجال تشغيلي يحقق عوائد قابلة للقياس.
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.
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:
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.
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.
ولتطبيق هذه الإجراءات بشكل عملي، دون إثقال كاهل الفرق الصغيرة بمصاعب لا يمكن تحملها، يُعد دليل ELECTE الذكاء الاصطناعي المسؤول والتطبيق الأخلاقي للذكاء الاصطناعي مفيدًا أيضًا.
والدرس الأهم هو التالي: تحليلات الذكاء الاصطناعي التي تشمل تدخل الإنسان ليست حلاً مؤقتاً في انتظار ظهور ذكاء اصطناعي «أكثر استقلالية». بل إنها غالباً ما تكون النموذج الأكثر نضجاً 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.
إذا كنت ترغب في تحويل البيانات الأولية إلى قرارات أكثر موثوقية دون زيادة التعقيد التشغيلي، فاكتشف كيف ELECTE، وهي منصة تحليل بيانات مدعومة بالذكاء الاصطناعي مخصصة للشركات الصغيرة والمتوسطة، يمكنها دعم نهج "Human-in-the-Loop" من خلال عرض توضيحي مخصص.
.svg)
.svg)
.svg)
