جاهزية البيانات لمشاريع الذكاء الاصطناعي: كيف تعرف مؤسستك أن بياناتها مستعدة قبل بدء التطوير؟

نجاح مشروع الذكاء الاصطناعي لا يبدأ باختيار النموذج أو المنصة، بل يبدأ بسؤال أكثر جوهرية: هل البيانات المتاحة مناسبة فعلًا لحالة الاستخدام التي نريد تنفيذها؟

تبدأ كثير من المؤسسات والجهات الحكومية مشاريع الذكاء الاصطناعي بعد تحديد حالة استخدام واعدة، ثم تنتقل سريعًا إلى اختيار التقنية، أو بناء نموذج أولي، أو التعاقد على منصة متخصصة. لكن بعد بدء التنفيذ تظهر أسئلة كان من الأفضل حسمها في وقت مبكر: أين توجد البيانات؟ من يملكها؟ هل يمكن استخدامها لهذا الغرض؟ هل هي كاملة وحديثة بما يكفي؟ هل تعكس الحالات التي سيواجهها النظام في الواقع؟ وهل يمكن الوصول إليها وتشغيلها بصورة آمنة ومستدامة؟

من هنا تظهر أهمية تقييم جاهزية البيانات للذكاء الاصطناعي قبل الاستثمار المكثف في التطوير.

وفي هذه المقالة نستخدم مصطلح «جاهزية البيانات» بمعناه العملي: مدى صلاحية البيانات المتاحة لدعم حالة استخدام محددة للذكاء الاصطناعي من النواحي التجارية والتشغيلية والجودة والحوكمة والخصوصية والأمن والتكامل التقني.

وهذه نقطة مهمة؛ فالبيانات لا تكون «جاهزة للذكاء الاصطناعي» بصورة مطلقة. قد تكون مجموعة بيانات ممتازة لإعداد تقرير إحصائي، لكنها غير مناسبة لتدريب نموذج تنبؤي. وقد تكون الوثائق مناسبة للقراءة البشرية، لكنها تحتاج إلى تنظيم وتصنيف وإدارة صلاحيات قبل استخدامها في مساعد ذكي يعتمد على التوليد المعزز بالاسترجاع (RAG).

وتنسجم هذه النظرة مع التوجه الوطني لإدارة البيانات؛ إذ يعرّف مكتب إدارة البيانات الوطنية إدارة البيانات باعتبارها منظومة من الخطط والسياسات والممارسات التي تساعد الجهات على حوكمة البيانات وتعظيم قيمتها، مع حماية البيانات الشخصية والحساسة. [1]

لماذا تفشل بعض مشاريع الذكاء الاصطناعي رغم توفر كميات كبيرة من البيانات؟

المشكلة غالبًا ليست في كمية البيانات، بل في مدى ملاءمتها للقرار أو المهمة التي سيؤديها نظام الذكاء الاصطناعي.

قد تمتلك الجهة ملايين السجلات، ولكن إذا كان تعريف الحقول قد تغير بمرور السنوات، أو كانت الفئات المستخدمة في التصنيف غير موحدة، أو لم يكن معروفًا أي نظام هو المصدر المرجعي، فإن الحجم وحده لا يحل المشكلة.

وفي حالات أخرى، تكون البيانات جيدة من الناحية الفنية، لكن استخدامها في حالة الاستخدام المقترحة غير محسوم من زاوية الخصوصية أو التصنيف أو الصلاحيات.

ولهذا فإن السؤال الصحيح ليس: «هل لدينا بيانات؟»، وإنما: «هل لدينا البيانات الصحيحة، بالجودة المناسبة، وبالصلاحيات والحوكمة الملائمة، لهذه الحالة تحديدًا؟»

وتؤكد سلسلة المواصفات الدولية ISO/IEC 5259 الخاصة بجودة البيانات للتحليلات والتعلم الآلي على ضرورة إدارة جودة البيانات وقياسها عبر دورة حياتها، وليس التعامل معها باعتبارها خطوة تنظيف تُنفذ مرة واحدة قبل التدريب. ويقدم الجزء ISO/IEC 5259-2 نموذجًا ومقاييس لجودة البيانات، بينما يركز ISO/IEC 5259-4 على إطار عمليات الجودة، ويعالج ISO/IEC 5259-5 حوكمة جودة البيانات. وهذه مواصفات دولية؛ ولا ينبغي اعتبار استخدامها بحد ذاته إثباتًا للامتثال لأي متطلب وطني. [2]

ابدأ بحالة الاستخدام وليس بمستودع البيانات

من الأخطاء الشائعة إطلاق برنامج واسع لـ«تجهيز جميع بيانات المؤسسة للذكاء الاصطناعي» قبل تحديد حالات الاستخدام ذات الأولوية.

النهج الأكثر عملية هو البدء بحالة الاستخدام نفسها.

فإذا كانت الجهة ترغب في بناء نموذج يتوقع احتمالية تأخر معاملة، فإن البيانات المطلوبة تختلف عن تلك اللازمة لبناء مساعد معرفي للموظفين، كما تختلف عن البيانات المطلوبة لتطبيق رؤية حاسوبية يتعرف على عناصر داخل الصور.

في النموذج التنبؤي نحتاج إلى بيانات تاريخية تمثل الظاهرة، ومتغيرات يمكن استخدامها وقت التنبؤ، ونتيجة تاريخية موثوقة يمكن للنموذج التعلم منها. وفي المساعد المعرفي نحتاج إلى وثائق موثوقة وحديثة، ومصادر مرجعية واضحة، وصلاحيات وصول دقيقة، وقدرة على ربط الإجابة بالمصدر. أما في الرؤية الحاسوبية فقد تصبح جودة الصور، وتنوع ظروف التصوير، ودقة الوسوم أهم من عدد الملفات نفسها.

ولهذا ينبغي أن تكون بطاقة حالة الاستخدام هي المدخل الأول لتقييم جاهزية البيانات: ما القرار الذي سيُدعم؟ من المستخدم؟ ما المخرج المتوقع؟ ما درجة الضرر إذا أخطأ النظام؟ وما البيانات التي يحتاج إليها لإنتاج هذا المخرج؟

ثمانية أبعاد عملية لتقييم جاهزية البيانات للذكاء الاصطناعي

يمكن للجهة تحويل تقييم الجاهزية إلى فحص منظم بدل الاعتماد على الانطباعات. والجدول التالي يمثل إطارًا عمليًا مقترحًا وليس معيارًا تنظيميًا رسميًا:

البعد	السؤال الذي يجب الإجابة عنه	أمثلة على الأدلة المطلوبة
الملاءمة لحالة الاستخدام	هل تحتوي البيانات على المعلومات اللازمة فعلًا لبناء الحل وقياس نتيجته؟	ربط المتغيرات بمتطلبات الحالة، تعريف النتيجة المستهدفة، تحديد الفترة التاريخية المطلوبة
التوفر وإمكانية الوصول	أين توجد البيانات وهل يمكن الحصول عليها بصورة منتظمة؟	قائمة المصادر، ملاك البيانات، واجهات التكامل، آلية الاستخراج
جودة البيانات	هل البيانات مكتملة وصحيحة ومتسقة وحديثة بالقدر الذي تتطلبه الحالة؟	نتائج فحص البيانات، قواعد جودة، تقارير أخطاء، خط أساس للجودة
التمثيل والوسوم	هل تمثل البيانات الحالات الواقعية؟ وهل الوسوم موثوقة إذا كان النموذج يحتاج إليها؟	توزيع الفئات، الحالات النادرة، اتفاق المراجعين على الوسوم، تحليل الانحياز
البيانات الوصفية وسلسلة النسب	هل نعرف معنى كل عنصر ومن أين أتى وكيف تغير؟	قاموس بيانات، كتالوج بيانات، مصدر السجل، سلسلة نسب البيانات، تاريخ الإصدارات
الحوكمة والخصوصية والتصنيف	هل الغرض من الاستخدام واضح وهل تتوافق المعالجة مع المتطلبات المنطبقة؟	تصنيف البيانات، سياسات الاستخدام، أساس المعالجة عند الحاجة، مدد الاحتفاظ، موافقات الوصول
الأمن والحماية	كيف ستُحمى البيانات أثناء النقل والتخزين والمعالجة؟	صلاحيات الوصول، التشفير، التسجيل والمراقبة، بيئة التشغيل، إدارة الأطراف الثالثة
الاستدامة التشغيلية	هل ستستمر البيانات بالتدفق والجودة نفسها بعد إطلاق الحل؟	مالك مسؤول، مستويات خدمة للمصادر، مراقبة الجودة، آلية معالجة الانحراف والتغييرات

 

هذا التقييم يمنع فريق المشروع من اختزال الجاهزية في عملية تنظيف بيانات سريعة قبل التطوير.

جودة البيانات: «مناسبة للغرض» أهم من «مثالية»

لا تحتاج كل حالة استخدام إلى بيانات خالية تمامًا من الأخطاء؛ فالمطلوب أن تكون الجودة مناسبة للغرض ومستوى المخاطر.

يمكن مثلًا قياس الاكتمال كنسبة القيم المطلوبة المتوفرة إلى إجمالي القيم المطلوبة، وقياس الصلاحية كنسبة السجلات المطابقة لقواعد العمل، ومراقبة التكرار والاتساق والحداثة بحسب طبيعة الحالة.

لكن النسبة نفسها لا ينبغي أن تتحول إلى هدف عام ثابت لجميع المشاريع.

فقد يكون غياب حقل معين في 2% من السجلات غير مؤثر في حالة تحليلية، بينما يكون الحقل نفسه عنصرًا حاسمًا لاتخاذ قرار حساس. لذلك يجب ربط كل قاعدة جودة بمكوّن واضح من حالة الاستخدام، ثم تحديد مستوى القبول بناءً على أثر الخطأ.

وهذا هو جوهر الانتقال من مشروع تنظيف بيانات إلى منظومة جودة بيانات مرتبطة بالقيمة والمخاطر.

البيانات الوصفية وسلسلة النسب: ما الذي يعرفه النموذج عن بياناتكم؟

عند تقييم جاهزية البيانات، لا يكفي أن نجد جدولًا يحتوي على عشرات الأعمدة. يجب أن نعرف ماذا تعني هذه الأعمدة.

ماذا يعني «تاريخ الإغلاق» مثلًا؟ هل هو تاريخ إكمال الخدمة، أم إغلاق الطلب في النظام، أم تاريخ آخر تحديث؟ وهل تغير التعريف بعد ترقية النظام؟

هنا تظهر أهمية البيانات الوصفية، وقواميس البيانات، وكتالوج البيانات، وسلسلة نسب البيانات (Data Lineage). وتوضح خدمات RMG المتخصصة في إدارة البيانات الوصفية أن الميتاداتا توفر السياق اللازم لفهم البيانات والعلاقات بينها وكيفية استخدامها والمخاطر المرتبطة بذلك. [3]

بالنسبة للذكاء الاصطناعي، يساعد هذا السياق أيضًا على اكتشاف مشكلة خطيرة تسمى تسرب البيانات؛ حيث يدخل إلى النموذج متغير يحتوي بصورة مباشرة أو غير مباشرة على معلومة لم تكن متاحة في اللحظة التي يفترض أن يتم فيها التنبؤ. عندها قد تظهر نتائج ممتازة أثناء الاختبار، ثم ينهار الأداء عند التشغيل الحقيقي.

لا تفصل جاهزية البيانات عن الخصوصية والتصنيف

في المشاريع التي تتعامل مع بيانات شخصية أو حساسة، لا يجوز التعامل مع الخصوصية باعتبارها مراجعة تأتي بعد اكتمال النموذج.

الإطار التنظيمي السعودي لحماية البيانات الشخصية يتضمن نظام حماية البيانات الشخصية ولوائحه التنفيذية والوثائق التنظيمية ذات الصلة، بينما توفر سدايا كذلك سياسات لتنظيم تصنيف البيانات وإدارتها. [4]

وبالنسبة للجهات الحكومية، تقدم خدمة السجل الوطني لتصنيف البيانات مثالًا واضحًا على أهمية حصر البيانات المهيكلة وغير المهيكلة وتصنيف مستوى سريتها وفق السياسات والضوابط الوطنية المعمول بها. [5]

لذلك، يجب أن يجيب تقييم جاهزية مشروع الذكاء الاصطناعي مبكرًا عن أسئلة مثل: هل توجد بيانات شخصية؟ ما الغرض من استخدامها؟ هل نحتاج كامل السجل أم مجموعة أقل من الحقول؟ من سيصل إليها؟ هل ستغادر بيئة الجهة؟ وما آلية الحذف أو إخفاء الهوية أو الترميز عندما تنطبق المتطلبات؟

ولا تعني معالجة جانب واحد أن المشروع أصبح ممتثلًا تلقائيًا؛ بل يجب على الجهة تحديد المتطلبات النظامية والسياسات والضوابط المنطبقة على حالتها وبيئتها.

الأمن السيبراني جزء من جاهزية البيانات وليس موضوعًا منفصلًا

قد تكون البيانات ممتازة من حيث الجودة ولكن بيئة استخدامها غير مناسبة أمنيًا.

أصدرت الهيئة الوطنية للأمن السيبراني ضوابط الأمن السيبراني للبيانات DCC-1:2022 بهدف تحديد الحد الأدنى من متطلبات الأمن السيبراني لحماية البيانات خلال جميع مراحل دورة حياتها. كما تنطبق أطر وضوابط أخرى بحسب طبيعة الجهة والأنظمة والخدمات، مثل الضوابط الأساسية للأمن السيبراني وضوابط الحوسبة السحابية عند انطباق نطاقها. [6]

ولهذا فإن تقييم الجاهزية يجب أن يشمل طريقة انتقال البيانات إلى بيئة التدريب أو الاستدلال، وإدارة الحسابات والصلاحيات، ومكان الاستضافة، والتسجيل والمراقبة، والحماية من الوصول غير المصرح به، وآليات التعامل مع مقدمي الخدمات والأطراف الخارجية.

مثال توضيحي: هل بيانات طلبات المستفيدين جاهزة لبناء نموذج تصنيف آلي؟

لنفترض — كمثال افتراضي فقط — أن جهة حكومية ترغب في بناء نموذج يصنف طلبات المستفيدين تلقائيًا ويوجهها إلى الإدارة المختصة.

تمتلك الجهة 100 ألف طلب تاريخي خلال عامين. للوهلة الأولى تبدو البيانات كافية.

لكن عند تنفيذ تقييم الجاهزية تظهر مجموعة من النتائج: بعض الطلبات لم يُسجل لها تصنيف نهائي، ومسميات الفئات تغيرت خلال الفترة، وبعض السجلات أعيد توجيهها أكثر من مرة دون الاحتفاظ بسبب التوجيه، كما أن النصوص تحتوي أحيانًا على معلومات شخصية لا يحتاج إليها النموذج.

هنا يكون القرار الصحيح عدم الانتقال مباشرة إلى تدريب النموذج.

يبدأ الفريق أولًا بتوحيد قاموس الفئات، وتعريف «التصنيف الصحيح» بصورة رسمية، وإنشاء قواعد لمعالجة السجلات غير الصالحة، وتحديد الحقول الضرورية، ومراجعة المتطلبات المتعلقة بالبيانات الشخصية، ثم بناء مجموعة بيانات تدريب واختبار تفصل زمنيًا بين الفترات لتقليل خطر التسرب.

بعد ذلك يمكن إجراء تجربة محدودة. فإذا حقق النموذج نتائج القبول المحددة مسبقًا، ولم تظهر فروقات غير مقبولة بين الفئات، وكانت إجراءات الخصوصية والأمن والتشغيل قابلة للتطبيق، يصبح قرار الانتقال إلى التجربة التشغيلية أكثر استنادًا إلى الأدلة.

قيمة هذا التقييم أنه منع المؤسسة من تفسير «100 ألف سجل» على أنه دليل تلقائي على الجاهزية.

متى نقول إن البيانات جاهزة؟

لا نوصي باختزال القرار في درجة رقمية واحدة فقط.

من الأفضل تصنيف الحالة إلى جاهزة، جاهزة بشروط، أو غير جاهزة حاليًا.

تكون الحالة جاهزة عندما تكون البيانات الحرجة متاحة، ومعانيها ومصادرها واضحة، ومستوى جودتها مقبولًا للغرض، ويمكن استخدامها ضمن المتطلبات النظامية والحوكمة المطبقة، مع وجود وسائل مناسبة للحماية والتكامل ومالك مسؤول عن استمرارها.

أما «الجاهزية المشروطة» فتعني وجود فجوات يمكن معالجتها ضمن خطة زمنية واضحة، مثل استكمال بعض البيانات الوصفية أو تحسين قاعدة جودة محددة قبل التجربة.

في المقابل، ينبغي إيقاف أو إعادة تصميم حالة الاستخدام إذا كانت البيانات الأساسية غير موجودة، أو لا يوجد تعريف موثوق للنتيجة التي سيتعلم منها النموذج، أو لم تُحسم إمكانية الاستخدام النظامي، أو كانت مخاطر الأمن أو التمثيل غير قابلة للمعالجة في النطاق الحالي.

والقرار بعدم البدء ليس فشلًا للمشروع؛ بل قد يكون أحد أهم مخرجات تقييم الجاهزية.

مؤشرات عملية لمتابعة الجاهزية

بعد بدء المشروع، يمكن للجهة إنشاء لوحة مختصرة تربط حالة الاستخدام بمجموعة محدودة من المؤشرات، مثل نسبة اكتمال الحقول الحرجة، ونسبة السجلات المطابقة لقواعد الجودة، ومعدل التكرار، وحداثة مصدر البيانات، ونسبة عناصر البيانات الموثقة في الكتالوج، ونسبة مصادر البيانات ذات المالك المحدد، وعدد قضايا الجودة المفتوحة ومتوسط مدة معالجتها.

وفي حالات البيانات الموسومة يمكن إضافة مؤشرات لاتساق الوسوم، بينما تحتاج حلول الذكاء الاصطناعي التوليدي إلى مؤشرات مختلفة مثل نسبة الوثائق المعتمدة والمحدثة، وتغطية صلاحيات الوصول، وقدرة النظام على تتبع المعلومة إلى مصدرها.

المهم أن تكون المؤشرات مرتبطة بصلاحية البيانات للحالة وليس بمجرد زيادة عدد المؤشرات في لوحة المتابعة.

كيف يمكن لريناد المجد دعم جاهزية البيانات للذكاء الاصطناعي؟

تجمع شركة ريناد المجد (RMG) بين خدمات إدارة وحوكمة البيانات وبين خدمات تطوير حلول الذكاء الاصطناعي، وهو تكامل مهم عندما ترغب الجهة في الانتقال من تحديد حالة الاستخدام إلى تجهيز البيانات ثم بناء الحل.

وتشمل خدمات RMG في إدارة البيانات مجالات مثل حوكمة البيانات، وجودة البيانات، والبيانات الوصفية، وأدلة البيانات، إضافة إلى حلول تقنية مرتبطة بكتالوج البيانات، والتكامل، وإدارة البيانات الرئيسية، وجودة البيانات والمراقبة. كما أعلنت RMG عن شراكة مع Informatica لتعزيز حلول إدارة البيانات في السوق السعودي. [3، 7]

وفي جانب الذكاء الاصطناعي، تعرض الشركة خدمات لتطوير الحلول وحالات الاستخدام المبنية على بيانات الجهة، إلى جانب الاستشارات المتعلقة بالبنية التحتية اللازمة لتشغيل حلول الذكاء الاصطناعي. [8]

وبالتالي يمكن أن تبدأ رحلة المؤسسة بتقييم حالة الاستخدام والبيانات المتاحة، وتحديد فجوات الجودة والحوكمة والتكامل، ثم بناء خارطة معالجة واقعية قبل الانتقال إلى إثبات المفهوم أو التشغيل التجريبي.

إذا كانت مؤسستكم تمتلك فكرة واعدة للذكاء الاصطناعي ولكنها غير متأكدة من جاهزية البيانات، يمكن لفريق ريناد المجد المساعدة في تحويل السؤال من «هل لدينا بيانات كافية؟» إلى تقييم منظم يحدد ما هو جاهز، وما يحتاج إلى تحسين، وما يجب معالجته قبل بدء التطوير.

الخلاصة

البيانات هي الأساس التشغيلي لأي مشروع ذكاء اصطناعي، لكن وجودها لا يعني جاهزيتها.

التقييم الجيد يبدأ من حالة الاستخدام، ثم يفحص الملاءمة والتوفر والجودة والتمثيل والبيانات الوصفية والحوكمة والخصوصية والأمن والاستدامة التشغيلية.

والنتيجة المطلوبة ليست تقريرًا يقول إن البيانات «جيدة» أو «سيئة»، بل قرار عملي يحدد: هل يمكن البدء الآن؟ ما الفجوات التي يجب إغلاقها؟ من المسؤول؟ وما شروط الانتقال إلى التجربة؟

ولهذا، قبل السؤال عن أفضل نموذج ذكاء اصطناعي، اسألوا أولًا: هل بياناتنا قادرة على دعم القرار الذي نريد من الذكاء الاصطناعي أن يساعدنا فيه؟