مما لا شك فيه أن مبادرات مثل الذكاء الاصطناعي التوليدي (GenAI) والهجرة السحابية قد استحوذت على الجزء الأكبر من الاهتمام بين أصحاب النفوذ وقادة البيانات هذا العام، حيث حاولت المؤسسات تحديد كيف وما إذا كانت منطقية لأعمالهم. ويبدو أن هذا الاتجاه سيستمر في عام 2024، حيث تدور جميع التوقعات الإستراتيجية العليا لشركة Gartner تقريبًا حول الذكاء الاصطناعي وتأثيره. علاوة على ذلك، تعلق شركة التحليل أنه بحلول عام 2027، سيتم الاعتراف بقيمة إنتاجية الذكاء الاصطناعي على أنها المؤشر الاقتصادي الأساسي من القوة الوطنية .
في حين أنه لا ينبغي تجاهل ضجة الذكاء الاصطناعي التوليدي، مثل أي شيء آخر استراتيجية البيانات، من المهم أن يكون متخصصو البيانات والتحليلات واضحين تمامًا بشأن أولوياتهم ومتوافقة مع خطط العمل والأولويات والأهداف.
وفي العام المقبل، ستقوم المؤسسات بتقييم وتحديث ممارسات إدارة البيانات لتحقيق نتائج أعمال أكبر؛ تحديد متى يتم تنفيذ الذكاء الاصطناعي؛ فهم أفضل للدور الذي تلعبه البيانات الوصفية الدلالية في أنسجة البيانات؛ والإسراع في اعتمادها الرسوم البيانية المعرفية - والتي ستكون مدفوعة بنماذج اللغة الكبيرة (LLMs) وتقارب الرسوم البيانية للخصائص الموسومة (LPG) وأطر وصف الموارد (RDF).
في عام 2024، ستشمل اتجاهات إدارة البيانات والمعرفة ما يلي:
1. ستقوم المؤسسات (أخيرًا) بإدارة الضجيج حول الذكاء الاصطناعي.
ومع وصول الضجيج الذي يصم الآذان حول GenAI إلى ذروته، ستضطر المؤسسات إلى تخفيف الضجيج وتعزيز نهج واقعي ومسؤول تجاه هذه التكنولوجيا المدمرة. سواء كانت أزمة الذكاء الاصطناعي حول النقص في وحدات معالجة الرسومات، أو التأثيرات المناخية لتدريب نماذج لغوية كبيرة (LLMs)، أو مخاوف بشأن الخصوصية والأخلاق والتحيز و/أو الإدارة، فإن هذه التحديات سوف تتفاقم قبل أن تتحسن مما يدفع الكثيرين إلى التساؤل عما إذا كان الأمر كذلك. يستحق تطبيق GenAI في المقام الأول.
في حين أن ضغوط الشركات قد تدفع المؤسسات إلى "القيام بشيء ما باستخدام الذكاء الاصطناعي"، فإن الاعتماد على البيانات يجب أن يأتي أولاً ويظل الأولوية القصوى. وفي نهاية المطاف، فإن ضمان تنظيم البيانات الأساسية وقابليتها للمشاركة والترابط لا يقل أهمية عن التساؤل عما إذا كانت نماذج GenAI موثوقة وموثوقة وحتمية وقابلة للتفسير وأخلاقية وخالية من التحيز.
قبل نشر حلول GenAI للإنتاج، يجب أن تتأكد المؤسسات من حماية ملكيتها الفكرية والتخطيط لمشكلات المسؤولية المحتملة. وذلك لأنه على الرغم من أن GenAI يمكن أن تحل محل الأشخاص في بعض الحالات، إلا أنه لا يوجد تأمين على المسؤولية المهنية لـ LLMs. وهذا يعني أن العمليات التجارية التي تتضمن GenAI ستظل تتطلب مشاركة واسعة النطاق من "البشر في الحلقة" والتي يمكن أن تعوض أي مكاسب في الكفاءة.
في عام 2024، من المتوقع أن نرى البائعين يسرعون التحسينات على عروض منتجاتهم من خلال إضافة واجهات جديدة تركز على تلبية اتجاه سوق GenAI. ومع ذلك، يجب على المنظمات أن تدرك أن هذه قد لا تكون أكثر من مجرد ضمادات مثبتة بمسامير. إن التصدي للتحديات مثل جودة البيانات وضمان الوصول الموحد والمتسق لغويًا إلى بيانات دقيقة وجديرة بالثقة سيتطلب وضع استراتيجية واضحة للبيانات، بالإضافة إلى اتباع نهج واقعي قائم على الأعمال. وبدون ذلك، ستستمر المؤسسات في دفع "ضريبة البيانات السيئة" حيث ستكافح نماذج الذكاء الاصطناعي/التعلم الآلي لتجاوز إثبات المفهوم وتفشل في النهاية في تحقيق الضجيج.
2. سوف يتسارع اعتماد الرسم البياني المعرفي بسبب LLMs والتقارب التكنولوجي.
أحد العوامل الرئيسية التي تؤدي إلى إبطاء اعتماد الرسوم البيانية المعرفية (KG) هو العملية الواسعة (والمكلفة) لتطوير نماذج المجال الضرورية. يمكن لـ LLMs تحسين العديد من المهام بدءًا من تطور التصنيفات وتصنيف الكيانات واستخراج خصائص وعلاقات جديدة من البيانات غير المنظمة. إذا تم تنفيذها بشكل صحيح، يمكن لـ LLMs خفض تكاليف استخراج المعلومات، حيث يمكن للأدوات والمنهجية المناسبة إدارة جودة خطوط تحليل النص وبدء تشغيل/تطوير رياض الأطفال بجزء صغير من الجهد المطلوب حاليًا. ستعمل LLMs أيضًا على تسهيل استهلاك رياض الأطفال من خلال تطبيق الاستعلام والتلخيص باللغة الطبيعية.
ستساعد الرسوم البيانية للخصائص المُصنفة وأطر وصف الموارد أيضًا في دفع اعتماد الرسم البياني المعرفي، حيث إن كل منها عبارة عن نماذج بيانات قوية ذات تآزر قوي عند دمجها. لذلك، في حين تم تحسين RDF وLPG لأشياء مختلفة، يدرك مديرو البيانات وبائعو التكنولوجيا أنهم يقدمون معًا نهجًا شاملاً ومرنًا لنمذجة البيانات وتكاملها. إن الجمع بين مجموعات تكنولوجيا الرسم البياني هذه سيمكن المؤسسات من إنشاء ممارسات أفضل لإدارة البيانات، حيث يتم التعامل مع تحليلات البيانات والبيانات المرجعية وإدارة البيانات الوصفية ومشاركة البيانات وإعادة استخدامها بطريقة فعالة ومستقبلية. بمجرد إنشاء أساس رسم بياني فعال، يمكن إعادة استخدامه وإعادة استخدامه عبر المؤسسات لتحقيق نتائج على مستوى المؤسسة، بدلاً من الاقتصار على تطبيقات رياض الأطفال المنفصلة.
ومع اكتساب التقنيات المبتكرة والناشئة مثل التوأم الرقمي، وإنترنت الأشياء، والذكاء الاصطناعي، وتعلم الآلة المزيد من المشاركة الفكرية، ستصبح إدارة البيانات أكثر أهمية. وباستخدام قدرات غاز البترول المسال وRDF معًا، يمكن للمؤسسات تمثيل علاقات بيانات معقدة بين نماذج الذكاء الاصطناعي وتعلم الآلة، بالإضافة إلى تتبع بيانات إنترنت الأشياء لدعم حالات الاستخدام الجديدة هذه. بالإضافة إلى ذلك، ومع زيادة حجم البيانات وتنوعها، فإن هذا المزيج سيلبي أيضًا الحاجة إلى أداء أفضل.
ونتيجة لذلك، نتوقع أن يستمر اعتماد الرسم البياني المعرفي في النمو في عام 2024 حيث تتطلع الشركات إلى ربط مجموعات البيانات كبيرة الحجم المستخدمة حاليًا ومعالجتها وتحليلها والاستعلام عنها.
3. سوف يصل نسيج البيانات إلى مرحلة البلوغ وسيستخدم البيانات الوصفية الدلالية.
تعتمد القرارات الجيدة على البيانات المشتركة، وخاصة البيانات الصحيحة في الوقت المناسب. في بعض الأحيان، يتمثل التحدي الذي نواجهه في أن البيانات نفسها غالبًا ما تثير أسئلة أكثر مما تجيب. وسيستمر هذا الاتجاه في التفاقم قبل أن يتحسن، حيث تصبح أنظمة البيانات المفككة ذات الأدوات والمنصات المتباينة وصوامع البيانات المنفصلة تمثل تحديًا متزايدًا للمؤسسات. ولهذا السبب ظهر مفهوم نسيج البيانات كوسيلة لإدارة بياناتهم ومشاركتها بشكل أفضل.
الهدف الشامل لنسيج البيانات هو تتويج لأدوات إدارة البيانات المصممة لإدارة البيانات بدءًا من تحديد البيانات والوصول إليها وتنظيفها وإثرائها وتحويلها وإدارتها وتحليلها. إنه أمر طويل الأمد وسيستغرق عدة سنوات حتى ينضج قبل أن يتم اعتماده عبر المؤسسات.
لم يتم تطوير الحلول الحالية بشكل كامل لتحقيق جميع الوعود المتعلقة بنسيج البيانات. في العام المقبل، ستقوم المؤسسات بدمج الرسوم البيانية المعرفية والذكاء الاصطناعي لإدارة البيانات الوصفية لتحسين العروض الحالية وستكون بمثابة معيار رئيسي لجعلها أكثر فعالية. وستكون البيانات الوصفية الدلالية بمثابة عامل تمكين لإدارة البيانات اللامركزية، باتباع نموذج شبكة البيانات. كما سيوفر سياقًا رسميًا حول معنى عناصر البيانات التي يتم التحكم فيها بشكل مستقل، وتخدم وظائف عمل مختلفة وتجسد منطق وافتراضات عمل مختلفة. بالإضافة إلى ذلك، ستتطور هذه الحلول وتدمج تحليلات البيانات الوصفية للتعلم الذاتي، مما يؤدي إلى تحديد أنماط استخدام البيانات لتحسين البيانات الخاصة بالمجال وأتمتتها والوصول إليها من خلال منتجات البيانات.
تستمر مشكلات أمن البيانات والوصول إليها وإدارتها والتحيز في التأثير بشكل روتيني على الأعمال اليومية، ومع حصول الذكاء الاصطناعي التوليدي على الكثير من الاهتمام، ستتطلع المؤسسات إلى الاستفادة من نسيج البيانات المدعوم بالتقنيات الدلالية لتقليل تكلفة الملكية وتكاليف التشغيل، مع تحسين البيانات المشاركة والثقة.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.dataversity.net/supercharging-value-from-data-in-2024/
