ما لم تكن تعيش تحت صخرة، فلا يمكن إنكار مدى انتشار الذكاء الاصطناعي في المنظمات—35% من الشركات قد طورت بالفعل سير عمل تعتمد على الذكاء الاصطناعي إن لم يكن قد تم أتمتة جوانب من أعمالها بالكامل.
ومع ذلك، فإن البنى التحتية لتكنولوجيا المعلومات هي حكاية مختلفة. على الرغم من أنها تعد بإمكانيات تحويلية، يمكن أيضًا اعتبار الذكاء الاصطناعي بمثابة صندوق باندورا، إلى حد ما.
تحت سطح هذه الابتكار يكمن شبكة معقدة من التكاليف الخفية التي غالبًا ما تمر دون ملاحظة حتى تبدأ في التأثير على الميزانيات والعمليات. يجب على المنظمات التنقل عبر هذه التكاليف لتحقيق توازن بين الابتكار والاستدامة المالية. دعونا نلقي نظرة على مدى جدوى الذكاء الاصطناعي حقًا.
الاستثمارات في البنية التحتية والأجهزة
تتطلب أحمال عمل الذكاء الاصطناعي قوة حوسبة هائلة، وغالبًا ما تتجاوز قدرات البنية التحتية لتكنولوجيا المعلومات القياسية. هذا صحيح بشكل خاص لنماذج الوكلاء المتعددة المتطورة من مايكروسوفت وOpenAI، لكن معظم هذه الحلول ليست مخصصة للمنظمات العادية.
مع إطلاق OpenAI لخطة اشتراك بقيمة 200 دولار شهريًا، أصبح من الواضح بشكل متزايد أن الاعتماد على الأطراف الثالثة ليس حكيمًا من الناحية المالية كما كان يُعتقد في البداية. فما هي البدائل، إذن؟
واحدة من الخيارات هي للشركات أن تستأجر خوادم GPU المستضافة في مراكز البيانات وتفرغ بنية الذكاء الاصطناعي لديها. إنها “النقطة المثالية” بين أدوات الطرف الثالث والتوجه بالكامل نحو الموقع. لا يزال، هذا يعني أن طرفًا ثالثًا يتحمل على الأقل جزءًا من المسؤولية. ماذا عن الذهاب بالكامل محليًا؟
سيكلفك Nvidia H100 حوالي 28،000 دولار، بينما يزيد سعر خادم يحتوي على 8 وحدات معالجة رسومية H200 عن 250،000 دولار أمريكي.
لا ننسى أنه سيتعين عليك استخدام أنظمة تبريد متقدمة لإدارة الحرارة الكبيرة المنبعثة، ويمكن أن تمثل هذه الأنظمة وحدها جزءًا كبيرًا من نفقات التشغيل. ترقيات مزودات الطاقة وتوسيع المساحة الفعلية – وفي بعض الأحيان الحاجة إلى منشآت مراكز بيانات جديدة تمامًا – تزيد من العبء المالي.
بعد هذه التكاليف المباشرة، يجب أن تنظر أيضًا في الأوقات التوقفية أو التأخيرات خلال مرحلة التكامل، مما يؤثر بشكل إضافي على الإنتاجية والميزانيات. يتجاوز التكلفة التراكمية لهذه الترقيات في كثير من الأحيان توقعات الميزانية الأولية، مما يخلق التزامات مالية طويلة الأمد يجب إدارتها بعناية. وهذا فقط الجزء المتعلق بالأجهزة.
تكاليف الحصول وإدارة البيانات
بمجرد أن تمتلك البنية التحتية الصحيحة، حان الوقت لتدريب وضبط النماذج التي ستستخدمها. يتطلب تدريب نماذج الذكاء الاصطناعي كميات هائلة من البيانات، غالباً ما تكون من مصادر داخلية ومزودين من الطرف الثالث. بينما تكون تكلفة الحصول على مجموعات البيانات الخاصة ضئيلة، تكون المصاريف المتعلقة بتعليم البيانات، تليها تنظيمها وتخزينها عادةً ما تكون مستهانة.
البيانات غير المهيكلة أو ذات جودة منخفضة يمكن أن تؤدي إلى عدم الكفاءة والأخطاء في تدريب الذكاء الاصطناعي، مما يستدعي الاستثمار في فرق الهندسة البيانية أو الأدوات لتجهيز مجموعات البيانات. يمكنك استخدام أدوات تنقيب البيانات مثل Trifacta أو Alteryx لتبسيط العملية من خلال أتمتة المهام المتكررة للتنظيف.
ومع ذلك، تأتي هذه الأدوات مع رسوم ترخيص وتتطلب مشغلين مهرة لتحقيق أقصى استفادة منها. بالإضافة إلى ذلك، يمكنك النظر في استغلال منصات تحديدية لتعلم الآلة مثل Databricks لإدارة البيانات بكفاءة، ولكن التكاليف لا تزال موجودة.
مع نمو مجموعات البيانات، تتصاعد تكاليف التخزين – خاصة عندما تتطلب تنظيمات الامتثال الاحتفاظ لفترة طويلة أو تنسيقات محددة. تستطيع الحلول العالية الأداء للتخزين مثل Amazon S3 أو Azure Blob Storage استيعاب القابلية للتوسعة واحتياجات الامتثال، ولكنها غالباً ما تفرض رسومًا إضافية لميزات الأمان المتقدمة أو التخزين الخاص بمنطقة معينة.
يجب على المنظمات أن توازن بين هذه المتطلبات وضغوط الميزانية الخاصة بها، مع إعادة النظر باستمرار في استراتيجيات التخزين لتجنب النفقات المتزايدة. وذلك دون حتى ذكر التدريب، واختبار الأسئلة والأجوبة، والوقت الذي يقضى في العبث بالنماذج الجديدة الصادرة.
تطوير البرمجيات والتكامل
على الرغم مما قد تخبرك به كل شركة ناشئة أخرى، فإن تنفيذ الذكاء الاصطناعي ليس عملية توصيل وتشغيل. على الأقل إذا كنت لا تريد حلاً مكررًا. وبالتالي، فإن تخصيص برمجيات الذكاء الاصطناعي لتتوافق مع احتياجات الأعمال المحددة يتطلب جهود تطوير كبيرة. تشمل هذه الجهود دمج أنظمة الذكاء الاصطناعي مع بيئات تكنولوجيا المعلومات الحالية، مما غالبًا ما يتطلب تعديل الأنظمة القديمة لضمان التوافق.
يتكبد التطوير المخصص نفقات مسبقة، بالإضافة إلى تكاليف متكررة للتحديثات والتحسين. في الوقت نفسه، ستحتاج إلى تدريب الفريق وتصميم الإطار لعمليات العمل الجديدة.
تقلل العديد من المنظمات من الوقت والخبرة المطلوبة لسد الفجوة بين خوارزميات الذكاء الاصطناعي المتطورة والتطبيقات الوظيفية والموثوقة. ونتيجة لذلك، يؤدي هذا إلى اختناقات في التطوير وفقدان التماسك.
المخاطر التشغيلية ومخاطر الامتثال لنماذج الذكاء الاصطناعي
مع تكلفة البحث باستخدام ChatGPT أكثر بمعدل 900% من البحث في Google، ليس من الأسرار أن الذكاء الاصطناعي يحتاج إلى طاقة كبيرة. ناهيك عن أن نماذج الذكاء الاصطناعي تحتاج إلى مراقبة مستمرة وضبط دقيق لتبقى فعالة. غالبًا ما تتغير الظروف في العالم الحقيقي، مما يجعل نماذج اللغة الكبيرة عرضة للانجراف إذا تُركت دون مراقبة.
تتطلب مراقبة الأداء، وإعادة تدريب النماذج، والتكيف مع مجموعات البيانات الجديدة إشرافًا تشغيليًا مستمرًا، مما يؤدي إلى زيادة النفقات التشغيلية. ماذا لو تم إصدار واجهة برمجة تطبيقات جديدة وأفضل؟ كل ساعة مهمة، مما يمكن أن يؤدي إلى دورة مفرغة من الاختبارات المستمرة، والمعايير، وتغيير العمليات.
يعمل الذكاء الاصطناعي ضمن مشهد قانوني وأخلاقي معقد. إن ضمان الامتثال للوائح حماية البيانات مثل GDPR أو HIPAA يتطلب تدقيقات شاملة وإقامة أطر حوكمة قوية. قد يؤدي عدم الامتثال إلى غرامات باهظة، أو أضرار بالسمعة، أو حتى تحديات قانونية.
غالبًا ما يُنظر إلى التدقيقات، والشهادات، والامتثال لإرشادات الذكاء الاصطناعي الأخلاقي كأفكار لاحقة، مما يؤدي إلى تنفيذات متعجلة ومكلفة لاحقًا. يتطلب معالجة هذه المتطلبات بشكل استباقي توظيف خبراء قانونيين ومتخصصين في الامتثال، وإجراء مراجعات منتظمة، وتطبيق أدوات الامتثال الآلي.
الاعتماد على أتمتة السحابة
أثناء أتمتة السحابة تبسيط نشر الذكاء الاصطناعي من خلال توفير بيئات مرنة وقابلة للتوسع، إلا أنها تقدم تبعيات مخفية. بالتأكيد، قد لا تكون مرهونًا بتكاليف الأجهزة، ولكن ماذا عن الأمان؟
في الوقت نفسه، قد تواجه المؤسسات التي تعتمد بشكل كبير على خدمات السحابة تحديات في السيطرة على التكاليف، خاصة مع نماذج التسعير الديناميكية التي تفرض تكاليف استنادًا إلى مقاييس الاستخدام. الاعتماد المفرط على أتمتة السحابة دون إدارة تكاليف صارمة يمكن أن يؤدي إلى تجاوز الميزانية، حيث أنك لست الشخص الذي يتحكم.
ومع ذلك، التخلي عن أتمتة السحابة تمامًا ليس حلاً. القابلية التي توفرها في تكبير الموارد ودمجها مع أنظمة تكنولوجيا المعلومات الأخرى تظل قيمة لا تقدر بثمن لاعتماد الذكاء الاصطناعي. التحدي يكمن في تحسين استخدامها مع التخفيف من المخاطر المالية. فكر على سبيل إدارة بيانات سحابة هجينة، سواء كوسيلة للتنويع أو جهد طفيف نحو اللامركزية من أجل الأمان.
آثار الأمان
أنظمة الذكاء الاصطناعي تعد أهدافًا جذابة للهجمات السيبرانية بسبب بياناتها ذات القيمة العالية وقدرات اتخاذ القرار. نتيجة لذلك، يتطلب الحفاظ على أمان تطبيقات الذكاء الاصطناعي استثمارات في أدوات أمان المعلومات المتقدمة، اختبار الاختراق، والمراقبة المستمرة.
النقطة هي – يعلم المخترقون أنك كنت تزوّد الذكاء الاصطناعي بكمية كبيرة من البيانات ولا يترددون في استخدامها بأنفسهم لأغراض الهندسة الاجتماعية. في بعض الحالات، تحتاج الشركات التي تعتمد بشكل كبير على الذكاء الاصطناعي إلى إعادة توجيه المزيد من الأموال لتأمين البنية التحتية. وبالمثل، تمثل الهجمات العدائية، حيث يقوم الأشخاص الخبيثون بتلاعب النماذج الذكية، تهديدًا فريدًا. لا يزال لا يُمكن التنبؤ بكيفية إنشاء حماية كافية.
استغلال إمكانيات الذكاء الاصطناعي
الذكاء الاصطناعي هو أداة قوية لتحديث البنية التحتية لتكنولوجيا المعلومات، ودفع الابتكار، وتحقيق المزايا التنافسية. ومع ذلك، تتطلب التكاليف الخفية له اتخاذ خطط دقيقة وتخصيص ميزانيات وإدارة مستمرة.
من خلال معالجة هذه التحديات بشكل شامل، يمكنك استغلال إمكانيات الذكاء الاصطناعي مع الحفاظ على الاستقرار المالي والتشغيلي. ناهيك عن أن الأمور ستتحسن فقط كلما حصلنا على نماذج أقوى وأكثر تطورًا.