كيف يمكن للشركة أن تستخدم الذكاء الاصطناعي في دعم عملياتها التشغيلية؟

ما الذكاء الاصطناعي في مجال الأعمال؟

يشير الذكاء الاصطناعي في الأعمال اليومية إلى برامج تعالج المدخلات الواردة غير المنظّمة، وتتعرّف على الاتجاهات الكامنة فيها، وتنفّذ مهامّ إدارية منظّمة دون الحاجة إلى شيفرة يدوية جامدة لكل تنسيق. وتعتمد معظم تطبيقات المكاتب الخلفية على نماذج تعلّم آلة خاضعة للإشراف، مدرَّبة على سجلّات موسومة، لتحوّل المدخلات التشغيلية مباشرةً إلى مخرجات واضحة. ويمكنكم الاطّلاع على أدلّتنا حول الأتمتة بالذكاء الاصطناعي لتروا كيف تحوّل هذه التقنيات السجلّات اليومية غير المنظّمة إلى قواعد بيانات مؤسّسية موثوقة.

وتقسّم الأنظمة الإحصائية المهامّ التشغيلية عموماً إلى تصنيف وتنبّؤ رقمي. فنماذج التصنيف تتنبّأ بفئات منفصلة، كأن تحدّد ما إذا كانت رسالة البريد الإلكتروني مزعجة أم لا، أما نماذج الانحدار فتتنبّأ بقيم متّصلة، كأسعار المنازل أو ضغط الدم لدى المرضى. والتصنيف والانحدار، وفق IBM، كلاهما من خوارزميات تعلّم الآلة الخاضع للإشراف. وتذكر IBM أن خوارزميات التصنيف والانحدار هي جوهر علم البيانات والنماذج التنبّؤية.

وتتيح القدرات التنبّؤية لمديري العمليات الاستعداد لتقلّبات الطلب واختناقات المعدّات قبل وقوع الاضطرابات. وتصف IBM الذكاء الاصطناعي التنبّؤي بأنه يستخدم التحليل الإحصائي وتعلّم الآلة لاكتشاف الأنماط، واستشراف السلوكيات، والتنبّؤ بالأحداث المقبلة، وتذكر أنه قادر على التنبّؤ بأي شيء، من تسرّب العملاء إلى اضطرابات سلاسل الإمداد والأعطال الميكانيكية. ويطبّق قادة العمليات هذه النماذج لمنع التأخيرات الإدارية في شبكات التوزيع المعقّدة.

ولا يتطلّب تطبيق الذكاء الاصطناعي الحديث مجموعات بيانات اصطناعية ضخمة أو فرقاً بحثية نظرية. ففي مرحلة تحديد المتطلبات نتبيّن ما يمكن تحقيقه واقعياً بالبيانات المتوفّرة لديكم فعلاً، إذ يستخدم كثير من ميزات الذكاء الاصطناعي المفيدة مستنداتكم وسجلّاتكم الحالية، أو نموذجاً أساسياً يسترجع المعلومات من مصادركم. وربط هذه الأدوات بالسجلّ الموثّق لعملياتكم يجعل المخرجات المؤتمتة تعكس الواقع اليومي لأعمالكم تحديداً.

ما 5 تطبيقات للذكاء الاصطناعي؟

تركّز التطبيقات التشغيلية الحديثة على الاختناقات الإدارية المتكرّرة التي يقضي فيها الموظفون ساعات في إعادة كتابة السجلّات بين شاشات أنظمة غير مترابطة. وتبني innopalm أنظمة لاستخراج بيانات المستندات والفواتير، تقرأ الملف الوارد وتُدخل حقوله في النظام الذي يحتاج إليها. كما تتحقّق أنظمة عروض الأسعار بالذكاء الاصطناعي التي نبنيها من كل رمز مقابل البيانات الرئيسية، وتحيل البنود التي لم تُحسم إلى مراجعة بشرية. أما خطوط معالجة تقدير التكاليف في قطاع الإنشاءات التي نبنيها، فتربط كل بند محسوب بالمستند المصدر الذي جاء منه، وتحيل القيم الخارجة عن حدود التفاوت المسموح بها إلى مراجعين من الموظفين.

وإلى جانب استخراج بيانات المستندات منفردةً، تنفّذ الأنظمة المترابطة إجراءات متعدّدة الخطوات عبر أقسام مختلفة. فالفرق التي تشغّل برمجيات الخدمات اللوجستية وسلاسل الإمداد تجد أن الوكلاء المستقلّين يقرؤون طلبات الشحن الواردة بنجاح، ويؤكّدون الحجوزات دون تأخير في العمل المكتبي.

ويوفّر التطبيق الرابع الشائع للفرق الداخلية إجابات مستندة إلى المصادر، تُسترجع مباشرةً من أدلّة المؤسّسة. إذ تبني innopalm أنظمة استرجاع تعمل على معارف الشركة نفسها، تجيب من مستندات الشركة وتعرض المصدر مع الإجابة. وهذا يجنّب الموظفين تخمين الإرشادات الداخلية أو مقاطعة زملائهم أثناء عمليات التدقيق. أما المجال الخامس فيطبّق تعلّم الآلة على التنبّؤ التشغيلي، إذ تقيّم الأنظمة اتجاهات الطلبات السابقة للتنبّؤ بدورات إعادة تعبئة المخزون.

ونبني أنظمة للتنبّؤ ودعم القرار تعمل على السجلّ التاريخي لديكم. ويمكن للفرق التي تدرس خيار تطوير وكلاء الذكاء الاصطناعي أن تربط هذه الوظائف الإدارية المتفرّقة في منظومات تشغيلية موحّدة، تحفظ سجلّات التدقيق وتُلزم بحدود المراجعة البشرية.

70 في المئة: تفيد Uber بأن نظام الفواتير القائم على الذكاء الاصطناعي التوليدي لديها خفّض متوسّط وقت معالجة الفواتير بنسبة 70 في المئة.

ما النتائج التشغيلية التي نشرتها المؤسّسات؟

تُظهر النتائج المنشورة تحسّناً كبيراً في مدد الإنجاز حين تستبدل فرق العمليات إعادة الكتابة اليدوية بخطوط معالجة منظّمة قائمة على تعلّم الآلة. ففي قطاع الشحن، تمنع سرعة استقبال الطلبات خسارة الحمولات، وتُلغي فترات انتظار الناقلين المكلفة. وتقول C.H. Robinson إن طلب الشحن الوارد بالبريد الإلكتروني كان يمكن أن ينتظر ما يصل إلى 4 ساعات قبل أن يتولّاه موظف. وقد أحدث استبدال هذا التأخير اليدوي باستخراج فوري للبيانات تحوّلاً في سرعة استجابتها لعملائها.

وتتيح النماذج اللغوية التوليدية لفرق الخدمات اللوجستية الحفاظ على مستوى إنتاجها حتى عند الارتفاعات المفاجئة في أحجام العمل بالسوق. فبتحليل مواصفات الشحن وإدخالها مباشرةً في قواعد بيانات جدولة الإرسال، تجنّبت فرق العمليات الاختناق الإداري، ووسّعت في الوقت نفسه قدرتها على إنجاز المهامّ عبر الممرّات التجارية الدولية.

وتُظهر مؤسّسات الخدمات العالمية مكاسب إدارية مماثلة في إداراتها المالية المعقّدة. فتصل فواتير المورّدين إلى Uber بأكثر من 25 لغة، وتفيد Uber بأن الدقّة الإجمالية لنظامها لاستخراج بيانات الفواتير بالذكاء الاصطناعي التوليدي بلغت 90 في المئة، وبأنها حقّقت وفراً في التكلفة يتراوح بين 25 و30 في المئة مقارنةً بالمعالجة اليدوية للفواتير. وتثبت هذه النتائج المنشورة أن أتمتة المستندات تحقّق مكاسب ملموسة في الكفاءة في البيئات التي تكثر فيها المعاملات.

هل سيحلّ الذكاء الاصطناعي محلّ إدارة العمليات بالكامل؟

لا تحلّ أتمتة الأعمال العملية محلّ فرق الإدارة البشرية. فالبرمجيات تتفوّق في قراءة النصوص، وإجراء المقارنات الحسابية المتكرّرة، ونقل السجلّات بين الأنظمة، غير أن المديرين يظلّون عنصراً لا غنى عنه في القرارات الاستراتيجية، والتفاوض على العقود، والحالات الاستثنائية. وفي نموذج التقدير لدينا، نفرض اعتماداً بشرياً لكل عملية شراء تخالف السياسة المعتمدة، وتؤول إليكم الملكية الكاملة للشيفرة المصدرية عند التسليم.

وتحافظ بنى المؤسّسات على السيطرة البشرية باشتراط خطوات اعتماد صريحة قبل ترحيل المعاملات إلى الدفاتر المحاسبية. فنظام الفواتير لدى Uber يحيل كل عملية استخراج إلى موظف لمراجعتها قبل ترحيلها إلى نظام ERP. وحين تعالج النماذج آلاف السجلّات يومياً، يتحوّل وقت الموظفين من إعادة كتابة السجلّات إلى تقييم الفروق الملتبسة التي تنبّه إليها البرمجيات.

وتفصل مرحلة تحديد المتطلبات بين المشكلات التي يقدّم فيها الذكاء الاصطناعي قيمة حقيقية وتلك التي تُحلّ على نحو أفضل ببرمجيات تقليدية. فحين تحلّ الوظائف القياسية للبرمجيات أو قواعد التحقّق في نظام ERP مشكلة ما حلّاً سليماً، يضيف بناء نماذج إحصائية مخصّصة تعقيداً لا داعي له. وتُسند الإجراءات الروتينية إلى خطوط معالجة مؤتمتة، أما المسؤولية التجارية النهائية فتبقى راسخة بيد الإدارة.

كيف نمنع الأنظمة المؤتمتة من اختلاق البيانات؟

قد تُنتج الأنظمة التوليدية غير الخاضعة للرقابة معلومات تبدو معقولة لكنها مختلَقة، حين تعالج مستندات أعمال ملتبسة. وفي أنظمة المكاتب الخلفية، يُفسد التخمين غير المستند إلى مصدر أرصدة الحسابات ومستويات المخزون. ونقضي على هذا الخطر بتقييد مخرجات النموذج بمخطّطات بيانات حتمية صارمة، ومطابقة كل كيان مع سجلّاتكم التشغيلية قبل قبوله.

ترفض الأتمتة بالذكاء الاصطناعي التي تبنيها innopalm أي مورّد أو رمز صنف أو عميل غير موجود في البيانات الرئيسية للعميل، بدل أن تختلق واحداً. ونشترط أن تُطابَق كل عملية استخراج بالذكاء الاصطناعي في المشتريات مباشرةً مع جداول بياناتكم الرئيسية، وأن يُحال أي حقل لم يُتحقّق منه إلى مراجعة بشرية. فإذا تضمّنت فاتورة رمز مورّد لا يمكن تأكيده في قاعدة بيانات المورّدين المسجّلين لديكم، يتوقّف التنفيذ فوراً.

وتشكّل إمكانية التتبّع الطبقة الثانية من ضمان جودة البيانات لدينا. فكل قيمة تكتبها أنظمة الأتمتة بالذكاء الاصطناعي التي نبنيها تحيل إلى المستند والصفحة والموضع الذي جاءت منه. وحين يفحص مدقّق أو مدير أمر شراء معتمداً، تعرض الواجهة الحدود الدقيقة، بالبكسل، للموضع الذي قُرئ منه الرقم في مستند المورّد الأصلي.

أما إجراء الحماية الثالث فيتعامل مع المعلومات المتعارضة بين مستندات المعاملة الواحدة. فحين ترد المعلومة نفسها في عدّة مستندات بقيم متعارضة، تُعلّق الأتمتة بالذكاء الاصطناعي من innopalm السجلّ إلى أن يراجعه موظف. ومطابقة البنود بين إيصالات الشحن وأوامر الشراء والفواتير النهائية تجعل الفروق تُحسم قبل الإفراج عن الدفعات.

كيف نؤمّن البيانات التشغيلية في المكاتب الخلفية؟

تحتوي المستندات التشغيلية على سجلّات مؤسّسية حسّاسة، منها بطاقات الأسعار السرّية واتفاقيات المورّدين وسجلّات الموظفين، لذا يجب على أي نظام يعالج هذه الملفات أن يطبّق ضوابط أمنية صارمة على البنية التحتية منذ مرحلة التصميم الأولى. فنكتب متطلبات الأمن في المواصفات قبل بدء التطوير، والبيانات في الأنظمة التي نبنيها مشفّرة أثناء التخزين والنقل.

ونعالج البيانات الشخصية استناداً إلى قانون حماية البيانات الشخصية الإماراتي (PDPL) منذ مرحلة تصميم البنية. وحين لا يجوز أن تغادر البيانات الدولة أو شبكة العميل، نستضيف النظام داخل الإمارات أو على خوادم العميل نفسه. أما الصلاحيات فقائمة على الأدوار، فلا يطّلع كل شخص إلا على ما يحتاجه دوره، كما تحتفظ الأنظمة التي نبنيها بسجلّ تدقيق كامل يوثّق من فعل ماذا ومتى. وتتيح هذه السجلّات المفصّلة لفرق الحوكمة الداخلية التحقّق ممّن راجع كل معاملة تجارية أو عدّلها أو اعتمدها.

ونتّفق معكم مسبقاً على المدّة التي يجب أن يعود النظام خلالها إلى العمل بعد أي عطل، وعلى حجم البيانات الحديثة التي يمكنكم تحمّل فقدانها. وتُحفظ النسخ الاحتياطية في موقع منفصل، ونختبر استعادة كاملة للنظام قبل التشغيل الفعلي. وعند التسليم تتسلّمون الشيفرة المصدرية والوثائق الفنية والاختبارات وكل بيانات الدخول. وإن كان فريقكم يدير سير عمل متكرّراً لاستقبال المستندات، فاحجزوا مكالمة تمهيدية مجانية، وسنستعرض معكم أنظمتكم لتحديد فرص الأتمتة العملية.

يندرج هذا المقال ضمن عملنا في تطوير وكلاء الذكاء الاصطناعي، ويعكس منهجية التخطيط التي تقوم عليها طريقة عملنا.

أبرز النقاط

• يؤتمت الذكاء الاصطناعي استقبال المدخلات التشغيلية واستخراج بيانات المستندات، ويحيل الحالات الاستثنائية الملتبسة إلى الموظفين.
• تحدّد نماذج التصنيف الخاضعة للإشراف فئات منفصلة، بينما تحسب أنظمة الانحدار توقّعات تشغيلية بقيم متّصلة.
• تُظهر مؤسّسات عالمية كبرى انخفاضاً كبيراً في أوقات المعالجة وارتفاعاً في الإنتاجية التشغيلية بفضل أتمتة استقبال المستندات.
• تتحقّق التطبيقات الموثوقة من كل الحقول المستخرجة مقابل قواعد البيانات الرئيسية، وتحيل إلى الموضع الدقيق لكل قيمة في المستند المصدر.
• تقتضي معايير الأمن صلاحيات قائمة على الأدوار، ومسارات تدقيق منظّمة، ونسخاً احتياطية مُختبَرة تُحفظ في مواقع منفصلة.

المصادر

1. الذكاء الاصطناعي التنبّؤي: تعريفه واستخداماته (ibm.com)
2. التصنيف والانحدار: أوجه الاختلاف (ibm.com)
3. الذكاء الاصطناعي التوليدي في دورة حياة الشحنة (chrobinson.com)
4. تطوير معالجة مستندات الفواتير بالذكاء الاصطناعي التوليدي (uber.com)