فهم بنية الذكاء الاصطناعي الأصلي وأربعة حالات استخدام مذهلة

ما هو الذكاء الاصطناعي الأصلي؟

"AI-native" تشير إلى الأنظمة أو المنظمات أو العمليات التي تم بناؤها من الصفر مع وجود الذكاء الاصطناعي كعنصر أساسي، بدلاً من إضافة الذكاء الاصطناعي إلى الهياكل القائمة. إنها تدل على تكامل عميق لقدرات الذكاء الاصطناعي، واتخاذ القرارات المعتمدة على البيانات، وعقلية حيث لا يُعتبر الذكاء الاصطناعي مجرد أداة بل جزءًا لا يتجزأ من العمليات.

هذا يتناقض مع التطبيقات التقليدية التي تدمج الذكاء الاصطناعي من خلال وحدات أو إضافات منفصلة. تفترض الأنظمة الأصلية للذكاء الاصطناعي أن الخوارزميات الذكية والعمليات المعتمدة على البيانات هي متطلبات مركزية، مما يشكل كيفية تفاعل المستخدمين، وتدفق البيانات، واتخاذ القرارات.

يغير نهج الذكاء الاصطناعي الأصلي كل من مجموعة التكنولوجيا وطريقة تطوير المؤسسات للمنتجات. ويؤكد على التكيف المستمر والتحسين الذاتي من خلال البيانات، معاملة الذكاء الاصطناعي كخدمة نشطة ومتطورة بدلاً من قدرة ثابتة. ومن خلال ذلك، يفتح آفاقًا جديدة للأتمتة، وقابلية التوسع، والتخصيص، مع معالجة التحديات المتعلقة بالتكامل والأخلاقيات والموثوقية.

هذا جزء من سلسلة من المقالات حول أمن المعلومات في الذكاء الاصطناعي

الخصائص الرئيسية لمعمارية الأصل الذكي

وفقًا لبحث حديث من إريكسون، هذه هي الخصائص الرئيسية لهندسة الذكاء الاصطناعي الناجحة:

• ميزة تعريفية هي الذكاء في كل مكان. يمكن نشر أحمال العمل الخاصة بالذكاء الاصطناعي مثل الاستدلال، تدريب النماذج، والمراقبة في أي مجال شبكي أو طبقة من الطبقات، مسترشدين بتحليل التكلفة والفائدة. يتطلب هذا الوجود الواسع للذكاء الاصطناعي بيئات تنفيذ عبر جميع الطبقات المادية والمنطقية، مع أنظمة إدارة النماذج التي تنسق بين الإصدارات، والنشر، وإعادة التدريب.
• تعتمد هذه الذكاء الشامل على بنية بيانات موزعة. تتطلب نماذج الذكاء الاصطناعي الوصول إلى بيانات ذات صلة وفي الوقت المناسب، وغالبًا عبر مجالات مختلفة. لهذا السبب، يجب معالجة البيانات ونقلها وتخزينها بطرق تدعم الاستهلاك المرن والواعي للسياق. يجب أن تعمل مكونات البنية التحتية مثل الرصد، والمعالجة المسبقة، وهندسة الميزات، وتنظيم النماذج معًا لدعم تنفيذ الذكاء الاصطناعي بكفاءة.
• لإدارة هذا التعقيد، تتضمن بنية الذكاء الاصطناعي عمليات بدون تدخل بشري. بدلاً من الاعتماد على سير العمل الموجه من قبل البشر، تستخدم هذه الأنظمة آليات مستقلة لإدارة التكوين والتدريب والتحسين واستعادة الفشل. لا يزال هناك إشراف بشري، لكنه يركز على تحديد المتطلبات العامة بدلاً من توجيه الإجراءات التفصيلية.
• أخيرًا، تدعم بنية معمارية أصلية للذكاء الاصطناعي الذكاء الاصطناعي كخدمة (AIaaS). يتم عرض القدرات الأساسية للذكاء الاصطناعي والبيانات مثل بيئات تدريب النماذج، ومحركات التنفيذ، أو واجهات برمجة التطبيقات للوصول إلى البيانات كخدمات معيارية. يمكن استهلاك هذه الخدمات داخليًا أو تقديمها لأطراف ثالثة، مما يمكّن الابتكار الخارجي ويوسع فائدة المنصة إلى ما هو أبعد من نطاقها الأصلي.

الذكاء الاصطناعي الأصلي مقابل الذكاء الاصطناعي المدمج مقابل الذكاء الاصطناعي الممكن

يتم دمج الذكاء الاصطناعي في الأنظمة بطرق مختلفة، والفروق بين الذكاء الاصطناعي الأصلي، الذكاء الاصطناعي المدمج، و الذكاء الاصطناعي الممكن مهمة لفهم قدراتهم وقيودهم.

الأنظمة المدعومة بالذكاء الاصطناعي

الأنظمة المدعومة بالذكاء الاصطناعي هي تطبيقات تقليدية تضيف الذكاء الاصطناعي كعنصر خارجي أو خدمة. يدعم مكون الذكاء الاصطناعي ميزات مثل التوصيات، التصنيف، أو اكتشاف الشذوذ، لكن النظام الأساسي لا يعتمد على الذكاء الاصطناعي ليعمل. هذه الأنظمة سهلة التعديل نسبيًا، لكن ذكائها محدود لمهام ضيقة ولا يمكنها التكيف خارج الحدود المحددة مسبقًا.

الأنظمة الذكية المدمجة

تضع أنظمة الذكاء الاصطناعي المدمجة نماذج الذكاء الاصطناعي مباشرة داخل الأجهزة أو التطبيقات، غالبًا للاستخدام منخفض الكمون أو غير المتصل. تشمل الأمثلة التعرف على الصوت في الأجهزة المحمولة أو اكتشاف الأجسام في الكاميرات. هنا، يتم دمج الذكاء الاصطناعي بشكل أعمق من الأنظمة المدعومة بالذكاء الاصطناعي، ولكنه لا يزال يعمل كعنصر يؤدي دورًا محددًا مسبقًا. يبقى باقي النظام ثابتًا إلى حد كبير، وتكون الذكاء محليًا بدلاً من أن يكون منتشرًا عبر الهيكل.

أنظمة أصلية للذكاء الاصطناعي

تذهب الأنظمة المعتمدة على الذكاء الاصطناعي إلى أبعد من ذلك من خلال جعل الذكاء الاصطناعي أساس التصميم بالكامل. يتم نسج الذكاء في كل طبقة، بما في ذلك معالجة البيانات، واتخاذ القرارات، وتخصيص الموارد، وتفاعل المستخدم. تتكيف هذه الأنظمة باستمرار من خلال التغذية الراجعة، والتعلم الفيدرالي، والتحسين الذاتي، مما يمكّن من الأتمتة على نطاق واسع والقدرة على التحمل.

أفضل حالات استخدام الذكاء الاصطناعي الأصلي

1. الأمن السيبراني وحماية البنية التحتية الحيوية

أصبحت الأساليب المعتمدة على الذكاء الاصطناعي ضرورية للأمن السيبراني الحديث وحماية البنية التحتية الحيوية. من خلال دمج الذكاء الاصطناعي في عمليات الكشف والاستجابة، يمكن لهذه الأنظمة التعرف على التهديدات الجديدة، والتكيف مع الهجمات المتقدمة، وأتمتة التخفيف من التهديدات بشكل أسرع مما تسمح به الحلول اليدوية.

بالإضافة إلى استجابة التهديدات، تدير هذه المنصات الكشف عن الثغرات، وتحديد أولويات التصحيحات، وتطبيق السياسات بشكل ديناميكي بشكل مستقل. تستفيد القطاعات الحيوية، بما في ذلك الطاقة والمالية والنقل، من الأمن القائم على الذكاء الاصطناعي حيث يتعلم باستمرار من أساليب الهجوم الجديدة. وهذا يؤدي إلى تدابير دفاعية استباقية، وتقليل ملفات المخاطر، والامتثال للمتطلبات التنظيمية بشأن استجابة الحوادث وحماية البيانات.

2. الشبكات الأصلية للذكاء الاصطناعي والاتصالات

تستفيد الشبكات المعتمدة على الذكاء الاصطناعي من اتخاذ قرارات مستقلة تعتمد على البيانات لتحسين تدفق الحركة، وتخصيص الموارد، والتنبؤ بالانقطاعات أو التهديدات. على عكس الشبكات التقليدية التي تتطلب ضبطًا يدويًا ومجموعات قواعد ثابتة، تستخدم هذه الأنظمة تحليلات في الوقت الحقيقي وسياسات تكيفية لتحسين جودة الشبكة باستمرار. يمكن لمزودي خدمات الاتصالات تقديم موثوقية أفضل في الخدمة وتقليل زمن الانتظار مع خفض التكاليف التشغيلية.

بالإضافة إلى ذلك، فإن دمج الذكاء الاصطناعي في كل مستوى من مستويات شبكة الاتصال يمكّن من ميزات مثل تخصيص الطيف الديناميكي، واستعادة الأعطال بشكل تلقائي، وتجارب مستخدم مخصصة. كما تدعم الهياكل المعتمدة على الذكاء الاصطناعي الشبكات ذاتية التنظيم، حيث تتعاون الوكلاء الذكيون لتحقيق توازن الأحمال، وتأمين النقاط النهائية، وتطوير التكوينات.

3. الأنظمة الذاتية الوكيلة

تعتبر الأنظمة الذاتية الوكالة منصات أصلية للذكاء الاصطناعي مصممة للعمل بشكل مستقل والتنسيق مع بعضها البعض، لتحقيق الأهداف من خلال التفاوض والإدارة الذاتية. تستخدم هذه المنصات هياكل متعددة الوكلاء، مما يمكّن الأنظمة من اكتشاف الموارد، وتحسين العمليات، وحل النزاعات بشكل مستقل.

في الإنتاج، يمكن لمثل هذه الأنظمة التعامل مع سير العمل المعقد، وإعادة توجيه العمليات تلقائيًا حول الفشل، أو الاستجابة للفرص الجديدة في الوقت الحقيقي. تدرك الصناعات التي تستخدم الهياكل الوكيلة مكاسب كبيرة في النطاق التشغيلي والكفاءة لأن البرمجيات تنظم المهام دون تعليمات واضحة، بل تستجيب بذكاء لمتطلبات وأهداف متطورة.

4. الرعاية الصحية والمنصات السريرية

تدمج منصات الرعاية الصحية المعتمدة على الذكاء الاصطناعي تقنيات التعلم الآلي ومحركات التفكير في جميع مراحل رعاية المرضى، بدءًا من الفرز وحتى التشخيص والعلاج والمتابعة. تقوم هذه المنصات بمعالجة كميات هائلة من البيانات السريرية وصور الأشعة وتاريخ المرضى لتوليد رؤى قابلة للتنفيذ في الوقت الفعلي. وهذا يدعم تشخيصات أكثر دقة وخطط علاج شخصية.

تعتبر هذه المنصات أيضًا حيوية في دعم المراقبة عن بُعد، والتحليلات التنبؤية لصحة السكان، وإدارة التجارب السريرية التكيفية. من خلال التعلم من مصادر البيانات المتعددة، تحدد أنظمة الرعاية الصحية المعتمدة على الذكاء الاصطناعي الاتجاهات الناشئة بسرعة وتخصص التدخلات، مما يعزز كفاءة العمليات ويحسن نتائج المرضى.

أفضل الممارسات لبناء تطبيقات تعتمد على الذكاء الاصطناعي

يجب على المنظمات أن تأخذ في اعتبارها الممارسات التالية عند بناء تطبيق يعتمد على الذكاء الاصطناعي.

1. إنشاء نماذج تفاعل جديدة

تتيح التطبيقات المعتمدة على الذكاء الاصطناعي أنماط تفاعل جديدة تتجاوز الواجهات الرسومية التقليدية. تعيد معالجة اللغة الطبيعية، وأوامر الصوت، والتعرف على النوايا، والتوصيات المستندة إلى السياق تعريف كيفية تواصل المستخدمين مع الأنظمة. تستوعب هذه الواجهات المرنة مجموعة واسعة من تفضيلات المستخدمين واحتياجات الوصول.

يجب على المطورين تصميم واجهات لدعم التفاعلات متعددة الأنماط، مع تخصيص التجارب ديناميكيًا بناءً على سلوك المستخدم وسياق البيئة. إن دمج أوضاع الإدخال التكيفية مثل اللمس، والصوت، والإشارات البصرية، أو التعرف على الإيماءات يعزز من التفاعل بشكل أكبر. هذه النماذج الأكثر غنىً تتيح للأنظمة الذكية توقع النوايا والاستجابة بشكل استباقي.

2. تسريع دورات التغذية الراجعة

تعتبر حلقات التغذية الراجعة المتسارعة ضرورية لأنظمة الذكاء الاصطناعي الأصلية لتظل سريعة الاستجابة وقابلة للتحسين الذاتي. من خلال جمع وتحليل وتكامل تفاعلات المستخدمين وقياسات الأداء بشكل مستمر، يمكن لهذه المنصات اكتشاف اختناقات الأداء واحتياجات المستخدمين الناشئة أو السلوكيات الخاطئة بسرعة. تضمن التغذية الراجعة في الوقت الحقيقي أن النماذج المتعلمة ومحركات التوصية وسياسات الأتمتة تتكيف بسرعة مع الظروف المتغيرة.

تمكن دورات التغذية الراجعة السريعة من إجراء تجارب أكثر دقة وتحسينات متكررة. يمكن للمطورين تنفيذ اختبارات A/B، ومراقبة النتائج في العالم الحقيقي، وإعادة تدريب النماذج في الإنتاج. هذه الطريقة تقصر المسافة من الملاحظة إلى العمل، مما يسمح للمؤسسات بضبط عروضها، وتقليل الأخطاء، والبقاء في المقدمة على المنافسين من خلال اتخاذ قرارات أفضل مستندة إلى البيانات.

3. تفعيل التخصيص الفائق

في التطبيقات المعتمدة على الذكاء الاصطناعي، يُعتبر التخصيص الفائق نتيجة مباشرة لتعلم الآلة المنتشر. تقوم الأنظمة بجمع ومعالجة كميات هائلة من بيانات المستخدمين الفردية لتقديم محتوى أو توصيات أو خدمات فريدة لكل مستخدم. تعزز التجارب المخصصة التفاعل الأقوى والاحتفاظ بالمستخدمين، بينما تزيد من معدلات التحويل.

لتنفيذ التخصيص الفائق بفعالية، يجب على المنظمات بناء أنظمة بيانات، وضمان إدارة بيانات تحترم الخصوصية، واستخدام نماذج قابلة للتكيف يمكن أن تتطور مع تغير احتياجات المستخدمين. من خلال الاستفادة من المعلومات السياقية (مثل الموقع، والنية، ووقت اليوم)، يمكن للحلول المعتمدة على الذكاء الاصطناعي تعديل الواجهات والعروض بشكل فوري.

4. تحسين الأداء في الوقت الحقيقي

تتطلب تطبيقات الذكاء الاصطناعي الأصلية معالجة ذات زمن استجابة منخفض لتوفير قرارات وإجراءات فورية وواعية بالسياق. يعني تحسين الأداء في الوقت الحقيقي اختيار أطر معالجة بيانات سريعة، ومحركات استنتاج نماذج فعالة، وأنظمة تخزين بيانات مبسطة. غالبًا ما تكمل الحوسبة الطرفية والهياكل الفيدرالية الخوادم المركزية لجلب الذكاء أقرب إلى المستخدم أو الجهاز.

يجب ألا تتأخر العمليات اليومية، مثل اكتشاف الشذوذ أو توجيه المستخدم في الوقت الحقيقي، بسبب الحسابات الطويلة أو نقل البيانات. إن إعطاء الأولوية للأحمال الحساسة للزمن وضمان قنوات الاتصال عالية الإنتاجية أمران حاسمان. كما أن الاختبار تحت أحمال مختلفة وسيناريوهات الفشل يضمن أن التطبيق يلبي التوقعات من حيث السرعة والموثوقية.

5. تعزيز الخبرة في الذكاء الاصطناعي المتخصص في مجالات معينة.

يتطلب بناء أنظمة ذكاء اصطناعي متخصصة خبرة عميقة في كل من التعلم الآلي ومجال التطبيق المستهدف. يعمل المتخصصون في المجال مع علماء البيانات لضمان أن النماذج تعكس القيود الواقعية، والمتطلبات الدقيقة، ومعايير الامتثال. تتجنب هذه المقاربة التعاونية الفخاخ الشائعة عندما تفشل النماذج الجاهزة في أخذ التعقيدات الخاصة بالقطاع في الاعتبار.

يجب تخصيص نماذج المعرفة والأنتولوجيات لكل مجال، سواء كان الرعاية الصحية أو المالية أو التصنيع أو الشبكات. من خلال تعزيز الخبرة المتخصصة، يمكن للفرق تصميم حلول الذكاء الاصطناعي التي تقدم رؤى قابلة للتنفيذ، وأتمتة موثوقة، وقيمة ذات مغزى. إن الاستثمار في التعليم المستمر، ونقل المعرفة، والتعاون يسرع من الابتكار.

محتوى ذو صلة: اقرأ دليلنا حول الشبكات الأصلية للذكاء الاصطناعي (سيصدر قريبًا)

الأمان الأصلي المعتمد على الذكاء الاصطناعي مع Exabeam

تستخدم Exabeam Nova إطار عمل ذكاء اصطناعي وكيل لتحويل كيفية اكتشاف مراكز العمليات الأمنية (SOCs) وكشف التهديدات والتحقيق فيها والاستجابة لها. تعمل كتحليل ذكي، تستخدم Exabeam Nova عدة وكلاء متخصصين لأتمتة التحقيق، وتقديم المشورة حول الوضع الأمني، وتصوير النتائج الرئيسية، مما يقلل من عبء العمل اليدوي عبر عملية كشف التهديدات والتحقيق والاستجابة بنسبة تصل إلى 80%.

تشمل الميزات الرئيسية ما يلي:

• البحث بلغة طبيعية: تمكّن Exabeam Nova المحللين من استعلام بيانات الأمان بطريقة محادثة باستخدام لغة يومية. بدلاً من كتابة استعلامات معقدة، يمكن للمستخدمين طرح أسئلة مثل "عرض تسجيلات الدخول الفاشلة من أجهزة جديدة هذا الأسبوع" والحصول على نتائج فورية غنية بالسياق مدعومة بأدلة مترابطة.
• الوكيل الاستشاري في Outcomes Navigator: ضمن Outcomes Navigator، يعمل Exabeam Nova كوكيل استشاري، حيث يحلل تغطية السجلات والوضع الأمني عبر حالات الاستخدام المرتبطة بالتهديدات الداخلية، وتسريب البيانات، وغيرها من السيناريوهات الحرجة. كما يقيم الجاهزية وفقًا لتقنيات وتكتيكات إطار MITRE للهجوم والتكتيكات والتقنيات المشتركة (ATT&CK)، ويرشد الفرق بشأن مصادر السجلات أو الضوابط التي يجب تعزيزها لتحقيق تغطية كشف شاملة.
• وكيل التصور: Exabeam Nova يتضمن وكيل تصور يقوم تلقائيًا بإنشاء مخططات، ورسوم بيانية، وملخصات بصرية للتقارير ولوحات المعلومات التنفيذية. إنه يترجم التحقيقات والنتائج المعقدة إلى مرئيات واضحة وقابلة للمشاركة، مما يساعد قادة SOC على التواصل مع المعنيين الفنيين وغير الفنيين.
• تفكير الذكاء الاصطناعي الوكالي: شبكة من وكلاء الذكاء الاصطناعي تكرر سير عمل المحللين - جمع الأدلة، بناء الجداول الزمنية، ربط الكيانات، وتقديم التوصيات للخطوات التالية. كل وكيل يساهم بخبرة متخصصة، مما يحسن الدقة والاتساق عبر الكشف، التحقيق، والاستجابة.
• تجربة موحدة لمركز العمليات الأمنية: Exabeam Nova يتكامل بسلاسة مع قدرات Exabeam في SIEM وUEBA وSOAR، مما يخلق نظامًا متصلًا يقوم بأتمتة الكشف والتحقيق والاستجابة من البداية إلى النهاية.

تقدم Exabeam Nova الذكاء الاصطناعي الوكالي مباشرة إلى مركز العمليات الأمنية (SOC)، حيث تجمع بين التفكير، التفاعل بلغة طبيعية، التصور، والذكاء الاستشاري لتوفير كشف أسرع، ورؤى أوضح، وتقليل قابل للقياس بنسبة 80% في جهد TDIR.