تتطور إدارة البيانات الأساسية من وظيفة تفاعلية قائمة على القواعد إلى قدرة استراتيجية مدفوعة بالمعلومات الاستخباراتية.
غالبًا ما تواجه الأساليب التقليدية صعوبة في مواكبة البيانات المعقدة والمتعددة المجالات المنتشرة عبر أنظمة تخطيط موارد المؤسسات (ERP) وإدارة علاقات العملاء (CRM) وإدارة دورة حياة المنتج (PLM) وإدارة سلسلة التوريد (SCM)، مما يجعل المؤسسات عرضة للأخطاء والتكرار والسجلات غير المكتملة.
غارتنر تشير التقارير إلى أن سوء جودة البيانات يكلف المؤسسات ما معدله $12.9 مليون سنويًّا. ويعمل الذكاء الاصطناعي والتعلم الآلي على إحداث تحول جذري في هذا المجال من خلال تمكين العمليات المستقلة مثل إثراء البيانات، وتوحيدها، وإزالة التكرارات، وكشف الحالات الشاذة.
تتيح هذه القدرات للمؤسسات الحفاظ بشكل استباقي على بيانات عالية الجودة ومتسقة وقابلة للتنفيذ في مجالات العملاء والمنتجات والصيانة والإصلاح والتجديد (MRO).
من خلال تحويل إدارة بيانات الأجهزة (MDM) من مهمة تركز على الامتثال إلى عملية استباقية مدعومة بالذكاء الاصطناعي، يمكن للشركات تحويل مجموعات البيانات التي كانت في السابق مجزأة وعرضة للأخطاء إلى مصدر وحيد موثوق للمعلومات، مما يدعم اتخاذ قرارات تشغيلية أفضل، ويقلل من المخاطر، ويفتح الباب أمام كفاءات جديدة في جميع مجالات العمل.
حالات الاستخدام
تشمل العمليات في إطار إدارة البيانات الرئيسية مجموعة واسعة من مسارات العمل والعمليات، ويمكن نشر التقنيات التي تعتمد على الذكاء الاصطناعي عبرها؛
توحيد وتقييس سجلات البيانات
إثراء سجلات البيانات الرئيسية
إزالة التكرار
عمليات التكامل عبر مجالات البيانات الرئيسية
حوكمة البيانات الأساسية
في الأقسام التالية، سنتناول كيف يمكن لتقنيات الذكاء الاصطناعي أن تتصدى لبعض التحديات الأكثر تكرارًا ورتابةً واستهلاكًا للوقت في كل مجال من هذه المجالات.
توحيد وتقييس سجلات البيانات
في بيئات المؤسسات، غالبًا ما يتم وصف العنصر نفسه بطرق متعددة عبر المصانع أو الأنظمة أو المناطق، باستخدام اختصارات أو قواعد تسمية أو وحدات قياس مختلفة، أو حتى لغات مختلفة.
وهذا يؤدي إلى حدوث تباينات تعيق عمليات التحليل، وإمكانية البحث، واسترجاع البيانات، ومنطق المطابقة، والتعاون بين الأقسام المختلفة
ومن بين المشكلات الناجمة عن هذه التحديات: صعوبة مطابقة مجموعات البيانات بكميات كبيرة، والتكرار الناتج عن اختلاف قواعد التسمية، والتحديات المتنوعة التي تواجه تنفيذ برنامج حوكمة البيانات.
يتمثل أحد التحديات الرئيسية في إدارة البيانات الأساسية في أن سمات العناصر الحاسمة — مثل الأبعاد، ومستويات الضغط، ودرجات المواد — غالبًا ما تكون مخبأة ضمن الأوصاف النصية الحرة أو الوثائق الفنية مثل ملفات PDF، وصحائف البيانات، والأدلة الفنية، قوائم المواد (قوائم المواد)، أو رسومات التصميم بمساعدة الحاسوب (CAD).
هذه الطبيعة غير المنظمة تجعل من الصعب استخراج هذه السجلات أو توحيدها أو حتى البحث عنها بفعالية. ويؤدي الذكاء الاصطناعي والتعلم الآلي، ولا سيما معالجة اللغة الطبيعية (NLP)، دورًا رئيسيًّا في هذا الصدد.
يمكن لنماذج البرمجة اللغوية العصبية (NLP) المدربة، والتي غالبًا ما تستخدم تقنية التعرف على الكيانات المسماة (NER)، تحليل الأوصاف المعقدة وتحديد السمات الرئيسية تلقائيًا.
على سبيل المثال، وصف منتج مثل «صمام كروي ذو حواف من النوع SS316، PN40، DN25» يمكن تقسيمها بشكل ذكي إلى: المادة = SS316, الضغط = PN40, الحجم = DN25، و النوع = صمام كروي.
أمثلة:
في نظام البيانات الأساسية للعملاء، يُشار في عنوان العميل «أ» إلى ولاية «تكساس» بالاختصار «TX»، في حين قد يُشار إليها في سجل آخر ببساطة باسم «تكساس»؛ كما أن حالات عدم الاتساق المماثلة في العناوين، مثل الإشارة إلى «Parkway» بالاختصار «Pk way»، شائعة جدًّا.
في نظام بيانات المواد، قد يشير البعد الوارد في الوصف المختصر لقطعة غيار إلى الحجم في «بوصات»"أو" "في" أو ببساطة على النحو التالي: ″
قد تؤدي مشكلات كهذه إلى زيادة المخزون (في حالة سجل المواد)، وتكرار الاتصالات (في حالة سجل العملاء)، ومجموعة كبيرة من المشكلات الأخرى
قبل ظهور الذكاء الاصطناعي، كانت هذه التحديات تُدار من خلال مكتبة من التصنيفات القائمة التي لم تكن عمومًا «شاملة»، وكان من الصعب صيانتها وتتبعها، كما كانت تتطلب تحديثات مستمرة، ولم تكن تعمل إلا في إطار قاعدة برمجية منظمة.
بفضل نماذج الذكاء الاصطناعي التي «تراعي السياق» والتي تم تدريبها على مجموعات بيانات ضخمة وقابلة للتحقق؛ أصبح من الممكن الآن استبعاد هذه التناقضات دون بذل جهد كبير استنادًا إلى التصنيف المعتمد.
يكفي تزويد نموذج الذكاء الاصطناعي بمعلومات عن التصنيف المعتمد، وسيتكفل النموذج بتلبية متطلبات التوحيد القياسي.
نصيحة من الخبراء: اختر برنامج إدارة البيانات الرئيسية (MDM) القادر على التعلم الذاتي، والذي يمكن تدريبه أثناء العمل من خلال «التدخل البشري» الذي يتولى التحقق من التغييرات والموافقة عليها
وبهذه الطريقة، يمكن أن يصبح نظام التعلم الذاتي مستقلاً تمامًا، بحيث يقتصر دور مسؤول البيانات على دور المُصادِق.
1. توسيع الاختصارات وتحديد المقابلات المصطلحية: تدرك نماذج الذكاء الاصطناعي التي تم تدريبها على بيانات القطاع أن "Mtr" = "متر"، "SS304" = "الفولاذ المقاوم للصدأ 304"، "CS Ball Vlv" = "صمام كروي من الفولاذ الكربوني"، وهكذا دواليك. وهم يربطون هذه المتغيرات بالمصطلحات الموحدة.
2. توحيد الوحدات وتحويلها: سواء كُتبت الأبعاد على النحو التالي: «10 مم»، «0.01 م»، أو «3 بوصات × 5 ياردات»، يمكن للذكاء الاصطناعي تحويلها وتوحيدها وفقًا لنظام القياس المفضل (مثل النظام المتري)، وتقسيم الحقول المركبة إلى سمات منظمة مثل «العرض» و«الطول».
3. هيكلة غير مرتبطة بلغة معينة: يمكن لنماذج الذكاء الاصطناعي تفسير الأوصاف غير المكتوبة باللغة الإنجليزية والتنسيقات المحلية لضمان الاتساق على الصعيد العالمي.
مثال: وإدراكاً بأن «فلاتر الزيت، 7-1/16 بوصة» في اللغة الإسبانية يشير إلى «فلتر الزيت، 7-1/16 بوصة»، ثم استخراجها وتعيينها بشكل صحيح.
إثراء سجلات البيانات الرئيسية
تعد المعلومات الناقصة إحدى أكثر المشكلات إزعاجًا في إدارة معظم قواعد البيانات الرئيسية. وغالبًا ما يكون ذلك نتيجة لغياب ممارسات حوكمة البيانات الرئيسية أو ضعفها في المقام الأول. وفقًا لـ الذكاء الاصطناعي العام الفائق,
يمكن أن يؤدي إثراء البيانات باستخدام الذكاء الاصطناعي إلى تحسين جودة البيانات بنسبة تصل إلى 90% وتقليل وقت المعالجة بنسبة تصل إلى 80%
يُعد التعامل مع المعلومات الناقصة أمرًا صعبًا، حيث تصبح عمليات إزالة التكرار والتوحيد والتكامل بين المجالات المتعددة معقدة إذا كان سياق سجل البيانات غير متوفر أصلاً.
في الماضي تحسين سجلات البيانات كان يتم إجراؤه إما يدويًّا بواسطة فريق من المتخصصين في هذا المجال، أو من خلال عمليات أتمتة معقدة تتطلب صيانة مستودع البيانات بطريقة منظمة.
أنظمة التشغيل الآلي للمباني في عملية إثراء البيانات التي كانت مطلوبة سابقًا موردو برامج البيانات الأساسية بناء شراكات في مجال البيانات للوصول إلى كتالوجات الموردين وبيانات الاتصال ومعلومات الموظفين وما إلى ذلك، وفقًا لمجال البيانات المعني.
يُعد توظيف فريق من المتخصصين في هذا المجال أمراً مكلفاً للغاية. بل والأكثر من ذلك، أن التحدي المتمثل في معالجة مشكلة البيانات الناقصة يزداد هو الآخر، مما يتسبب في مزيد من التأخير ويؤدي إلى تفاقم التحديات الناجمة عن رداءة جودة البيانات الأساسية.
تتغلب أنظمة الذكاء الاصطناعي الوكيلة على هذا التحدي، حيث إنها «تراعي السياق» وقادرة في الوقت نفسه على تنفيذ مهام معقدة مثل تصفح الويب، واستخراج البيانات من الوثائق والمصادر غير المنظمة الأخرى، وسد الثغرات في سجلات البيانات الحالية.
علاوة على ذلك، بروتوكولات MCP تتطور هذه التقنيات يومًا بعد يوم، حيث تُزوَّد عوامل الذكاء الاصطناعي بمعلومات كافية تمكّنها من تنفيذ سير العمل البسيط والمعقد على حد سواء، وذلك من خلال الاستفادة من برامج الجهات الخارجية.
وبهذه الطريقة، يمكن لعوامل الذكاء الاصطناعي المدربة لغرض محدد، عند تزويدها بالموارد المناسبة، أن تحل جميع تحديات إثراء البيانات تقريبًا بشكل مستقل، وفي جزء بسيط من الوقت المطلوب.
في حالة المستندات الممسوحة ضوئيًا أو ملفات الرسومات الهندسية، تستخدم أنظمة الذكاء الاصطناعي تقنية التعرف الضوئي على الحروف (OCR) مقترنةً بتقنية التعرف على الأنماط لاستخراج البيانات الجدولية أو المواصفات، حتى عندما تظهر في صور أو مخططات هندسية.
وهذا يمكّن المؤسسات من استخراج البيانات من الوثائق الفنية وتحويلها إلى سجلات بيانات أساسية نظيفة ومنظمة وقابلة للبحث.
بعض تطبيقات وكلاء الذكاء الاصطناعي في إثراء البيانات الرئيسية
التطبيقات
1. التحليل الآلي للسمات من الأوصاف
يمكن لنماذج الذكاء الاصطناعي، ولا سيما تلك القائمة على معالجة اللغة الطبيعية (NLP) والتي تم تدريبها على مجموعات بيانات خاصة بالصناعة، استخراج البيانات المنظمة بذكاء من الأوصاف المعقدة وغير المنظمة للمنتجات أو المواد.
مثال: تحويل «3-11/16 بوصة (القطر الخارجي)، 7-1/16 بوصة (الطول الإجمالي)» إلى حقول منظمة مثل القطر الخارجي و الطول في سجلات قاعدة بيانات المواد.
2. الفهم الدلالي من أجل ربط الحقول
تستوعب الذكاء الاصطناعي سياق الكلمات والاختصارات المستخدمة في مختلف القطاعات (على سبيل المثال، «LG» = الطول، «OD» = القطر الخارجي)، وتربطها بحقول البيانات الموحدة.
مثال: مع العلم أن «BALDWIN 915» يشير إلى الشركة المصنعة ورقم القطعة، وتخصيصهما وفقًا لذلك.
3. مواءمة الوحدات وتحويلها
تعمل الذكاء الاصطناعي على توحيد التنسيقات وطرق تمثيل القياسات المختلفة في تنسيق موحد عبر مجموعة البيانات، مما يزيل التباينات.
مثال: تحويل «3 بوصات × 5 ياردات» إلى الوحدات المترية الموحدة وتقسيمها إلى وحدات منفصلة العرض و الطول
يُعد نقص المعلومات، مثل المواصفات أو أرقام قطع الغيار الخاصة بالشركة المصنعة أو وحدة القياس، مشكلة شائعة، لا سيما في مجموعات البيانات القديمة أو البيانات المستوردة من جهات خارجية.
قد تؤدي هذه الثغرات إلى إعاقة سير العمل في مجالات المشتريات والامتثال والتحليلات.
يوفر الذكاء الاصطناعي والتعلم الآلي طرقًا ذكية لملء هذه الفراغات. وباستخدام تقنيات مثل الاستدلال القائم على التشابه، تقوم النماذج بمسح السجلات الموجودة والكاملة لاقتراح قيم محتملة للسجلات غير المكتملة.
على سبيل المثال، إذا كان القطر الخارجي لقطعة جديدة مثل «محمل SKF 6205» غير مذكور، فيمكن للذكاء الاصطناعي استنتاج القيمة (على سبيل المثال، 52 ملم) من قطع أخرى مطابقة أو مشابهة موجودة بالفعل في قاعدة البيانات.
بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي التوليدي مقارنة البيانات الداخلية مع الكتالوجات الخارجية أو قواعد بيانات الموردين لاستخراج تفاصيل أكثر شمولاً، مثل الأبعاد، وصحائف البيانات، وبيانات دورة الحياة، أو البدائل المتاحة للأجزاء.
كما يمكن استخدام النماذج التنبؤية، مثل خوارزميات الانحدار أو أشجار القرار، لتقدير القيم العددية مثل الجهد أو عزم الدوران أو قيم الضغط المحددة، عندما لا يتم ذكرها صراحةً.
يضمن هذا المستوى من الإثراء الحصول على بيانات أساسية أكثر اكتمالاً وقابلية للاستخدام، ويقلل من الحاجة إلى الإدخال اليدوي للبيانات إلى أدنى حد، ويدعم جهود الأتمتة والتوريد والامتثال في المراحل اللاحقة.
من الشائع جدًّا، لا سيما في مجال البيانات الأساسية للعملاء، أن نصادف حالات يكون فيها سجل البيانات ناقصًا، حيث يفتقد عنوان البريد الإلكتروني أو رقم الهاتف أو العنوان.
من خلال الجمع بين بروتوكولات MCP وعوامل الذكاء الاصطناعي، يمكن إثراء هذه المعلومات الناقصة عن طريق استرجاع البيانات من مصادر عامة مثل LinkedIn وحتى من مصادر خارجية تعتمد على الاشتراك مثل DnB أو ZoomInfo.
ويتم الآن تطبيق نهج مماثل بشكل متزايد على قطع الغيار وبيانات الصيانة والإصلاح والعمرة (MRO)، حيث يمكن أن تؤثر التفاصيل الناقصة أو غير المتسقة تأثيرًا خطيرًا على أداء الصيانة وسلسلة التوريد.
غالبًا ما تعاني بيانات قطع الغيار من أوصاف غير كاملة، أو نقص في الخصائص الفنية، أو وجود إدخالات مكررة موزعة على أنظمة متعددة. ويؤدي ذلك إلى حدوث ارتباك أثناء البحث عن قطع الغيار، وتأخير في أعمال الصيانة، وعمليات شراء زائدة عن الحاجة.
يساعد إثراء البيانات المدعوم بالذكاء الاصطناعي في مواجهة هذه التحديات من خلال جعل سجلات قطع الغيار أكثر اكتمالاً واتساقاً وقابلية للتطبيق.
من خلال تحليل سجلات المعدات وكاتالوجات الموردين والبيانات التاريخية، يمكن لأنظمة الذكاء الاصطناعي:
1. استنتاج السمات المفقودة مثل نوع القطعة، أو درجة جودة المادة، أو مواصفات التشغيل.
على سبيل المثال، في بيانات المواد الخام الخاصة بالمصانع الكيميائية، يمكن للذكاء الاصطناعي استنتاج مستويات النقاء المفقودة أو رموز المخاطر أو تعليمات التخزين من خلال مقارنة المواد المماثلة في قاعدة البيانات.
2. تحديد أنماط الشركات المصنعة وأرقام قطع الغيار من أجل تحقيق التوافق بين مختلف الموردين.
في كتالوجات المشتريات، يمكن للذكاء الاصطناعي اكتشاف رموز المنتجات (SKU) المكررة التي توجد تحت أسماء أو رموز موردين مختلفة قليلاً، مما يساعد على تجنب الطلبات الزائدة.
3. توحيد قواعد التسمية من أجل ضمان الاتساق بين المصانع المختلفة.
على سبيل المثال، في البيانات الأساسية للمنتجات، يمكن للذكاء الاصطناعي تحديد حالات التصنيف غير المتسقة، مثل إدراج هاتف ذكي تحت "الإكسسوارات" بدلاً من «الأجهزة المحمولة»، وتصحيحها لضمان اتساق التقارير والتحليلات.
وفقًا لـ تقرير «غارتنر»،
فيما يتعلق بأولويات حوكمة جودة البيانات، يُلاحظ أن حالات عدم الاتساق بين الأقسام المنعزلة (عدم الاتساق، وعدم الاكتمال، وعدم تفرد السجلات) تُعد من بين أكثر القضايا صعوبةً بالنسبة للمؤسسات الكبيرة.
4. التوصية باستخدام قطع غيار قابلة للتبديل أو بديلة بناءً على التشابه في المواصفات أو الاستخدام أو بيانات الاستهلاك التاريخية.
على سبيل المثال، إذا كان السجل لا يضم سوى «GSKT، 4BOLT، SS316»، يمكن للذكاء الاصطناعي التعرف عليها على أنها حشية من الفولاذ المقاوم للصدأ، وتحديد نوع شفة التوصيل الخاصة بها، بل وحتى اقتراح بدائل متوافقة متوفرة في المخزون أو من الموردين المعتمدين.
تسهم هذه النظرة الشاملة لبيانات قطع الغيار والمنتجات في تحسين تخطيط الصيانة، وتسريع عمليات الشراء، وتمكين تحسين إدارة المخزون، لا سيما في العمليات التي تشمل عدة مصانع، حيث غالبًا ما تكون رؤية قطع الغيار أو اتساق السجلات الرئيسية للمنتجات مجزأة عبر المواقع المختلفة.
فيما يلي فيديو عن منتجنا، يوضح كيف يعمل حلنا القائم على الوكالة على إثراء البيانات الواردة من مصادر الطرف الأول والطرف الثالث:
إزالة التكرار من البيانات
تشير شركة «غارتنر» إلى أن سوء جودة البيانات يكلف المؤسسات ما معدله $12.9 مليون سنويًّا.
بمجرد تنظيم سجلات البيانات وتوحيدها وتقييسها وإثرائها بمساعدة الذكاء الاصطناعي، تصبح عملية إزالة التكرار في البيانات أمراً في غاية السهولة.
لا تعتمد عملية إزالة التكرارات في حد ذاتها بشكل كبير على الذكاء الاصطناعي (باستثناء حالة التكرارات من المستوى الثاني)، لكن الخطوات السابقة تعتبر أساسية لضمان دقة عملية إزالة التكرارات عبر مجموعة البيانات بأكملها.
عادةً ما تُصنف الإدخالات المكررة في مجموعة البيانات الرئيسية إلى فئتين – L1 و L2
تعد عملية إزالة التكرار في المستوى L1 بسيطة ومباشرة؛ ففي هذه الحالة، تتم إزالة التكرار من مجموعة البيانات بأكملها استنادًا إلى منطق واحد.
المثال 1: نفس معرّف المادة في حالة المواد المباشرة.
المثال 2: نفس عنوان البريد الإلكتروني أو رقم الهاتف في حالة البيانات الأساسية للعميل
المثال 3: نفس رقم شريك المصنع (MPN) في حالة قطع غيار الصيانة والإصلاح والتجديد (MRO) البيانات.
بشكل أساسي، يُعتبر أي سجل بيانات يحتوي على نفس القيم في إحدى الخصائص — مما يُثبت بشكل قاطع أن السجل هو إدخال مكرر — سجلًا مكررًا من المستوى L1.
لا يكاد يوجد أي نظام ذكاء اصطناعي يمكن استخدامه هنا، نظرًا لأن المنطق موحد ومنظم.
ولهذا السبب، يُعد إثراء البيانات الرئيسية عمومًا خطوة تمهيدية لعملية إزالة التكرار في البيانات الرئيسية، حيث يتيح الإثراء تحديث عدة قيم في النظام، والتي يمكن بعد ذلك الاستفادة منها في عملية إزالة التكرار من المستوى الأول (L1).
أما التكرارات في المستوى L2، فهي أكثر تعقيدًا بكثير، وتُستخدم عمومًا في الحالات التي تكون فيها القيم المطلوبة لتطبيق منطق المستوى L1 غير متوفرة ببساطة.
الذكاء الاصطناعي لم يتطور بعد بما يكفي لتحويل عملية الكشف عن التكرار في المستوى الثاني إلى عملية آلية بالكامل.
وبناءً على ذلك، يمكن للذكاء الاصطناعي أن يجعل المهمة أسهل بكثير، حيث يقوم بتحديد التكرارات المحتملة من خلال فحص السجل الكامل للبيانات ومجموعة البيانات نفسها قبل تعيين «درجة الثقة المكررة"، والتي يمكن بعد ذلك إسنادها كمهمة إلى مراجع بشري ليقوم إما بـ«قبول» سجلات البيانات أو «رفضها» باعتبارها سجلات مكررة.
بعد أن «يوافق» مسؤول البيانات، يتم دمج سجلات البيانات عادةً، حيث يتم دمج البيانات الواردة من 2nd يتم حذف السجل بعد إنشاء الحقول في السجل الأول.
فيما يلي مقطع فيديو يوضح كيفية قيام وكيل الذكاء الاصطناعي الخاص بنا بإزالة التكرارات من البيانات:
تكامل البيانات الأساسية لتحقيق النجاح في مجالات متعددة
من بين الانتقادات الأكثر شيوعًا الموجهة إلى نظام البيانات الرئيسية حقيقة أن كل مجموعة بيانات رئيسية، في الواقع العملي، توجد بمعزل عن المجموعات الأخرى في أنظمة تنظيمية متباينة.
من أجل الفهم الحقيقي لأداء أي وظيفة تنظيمية معينة، يُعد تفسير البيانات عبر مجالات البيانات الأساسية أمرًا بالغ الأهمية.
المثال 1: من المهم معرفة عدد العملاء الذين يمكن الوصول إليهم عبر أي قناة اتصال تسويقي معينة، ولكن من المهم أيضًا معرفة المنتجات التي يفضلها هؤلاء المستهلكون أكثر من غيرها، وهو ما يتطلب تكاملًا عميقًا مع البيانات الأساسية للمنتج
المثال 2: من المهم معرفة عدد قطع الغيار المتوفرة في منصة المشتريات لتأمين احتياجات أنشطة الإنتاج، ولكن الأهم من ذلك هو معرفة أي من هذه القطع ضرورية لصيانة الأصول الحيوية، وهذه هي: قطع الغيار الأساسية.
ولا يمكن تحقيق ذلك إلا من خلال التكامل العميق بين البيانات الرئيسية للأصول والبيانات الرئيسية لمواد قطع الغيار.
حوكمة البيانات
حوكمة البيانات الأساسية تهدف هذه الأطر إلى ضمان دقة البيانات الأساسية وأمنها وتوحيدها وامتثالها للسياسات الداخلية واللوائح الخارجية.
ومع ذلك، مع تزايد أحجام البيانات وزيادة تعقيدها عبر الأنظمة الموزعة (ERP، PLM، CRM، SCM، إلخ)، يصبح التطبيق اليدوي لسياسات الحوكمة غير قابل للتوسع ويقتصر على رد الفعل.
يُدرج التعلم الآلي الأتمتة الاستباقية والذكية في الوظائف الأساسية لإدارة البيانات، من خلال تمكين التنفيذ الديناميكي للسياسات، وكشف الحالات الشاذة، ودعم اتخاذ القرارات الذكية.
يمكن لهذه النماذج مراقبة جودة البيانات وتحسينها بشكل مستمر، مع تقليل العبء اليدوي الملقى على عاتق مسؤولي إدارة البيانات.
التطبيقات:
1. عمليات التحقق الذكية من السياسات
يتعلم الذكاء الاصطناعي الشكل المعتاد للسجلات الصحيحة والمعتمدة، ويقوم بفحص الإدخالات الجديدة للتأكد من عدم وجود حقول مفقودة أو غير صحيحة، حتى في حالة عدم وجود قاعدة محددة.
مثال: إذا كان حقل «الجهد الكهربائي» مملوءًا في معظم سجلات المحركات الكهربائية، بينما لم يتم ملؤه في سجل جديد، فإن الذكاء الاصطناعي يقوم بتمييزه على الفور.
تقوم الذكاء الاصطناعي بدراسة السجلات السابقة، وتتعلم أي الحقول تتوافق مع بعضها، وتستخدم هذه المعرفة لاكتشاف الأخطاء.
2. اكتشاف الحالات الشاذة والأخطاء
تكتشف نماذج التعلم الآلي القيم أو التوليفات غير المعتادة في بياناتك والتي لا تتوافق مع الأنماط العادية.
مثال: يتم وضع علامة على «أنبوب PVC» المُدرج بقيمة «1000 PSI»، لأن مادة PVC لا تستطيع عادةً تحمل هذا القدر من الضغط.
تقوم الذكاء الاصطناعي بتكوين فكرة عما يُعتبر طبيعيًا لكل نوع من العناصر، وتكتشف القيم الشاذة باستخدام نماذج التعرف على الأنماط مثل «غابة العزل» (Isolation Forest) أو «المشفرات التلقائية» (Autoencoders).
3. الموافقة الآلية على السجلات
يقوم الذكاء الاصطناعي بتقييم السجلات الجديدة أو المحدثة بناءً على مدى دقتها واكتمالها. ويمكن الموافقة تلقائيًا على السجلات ذات الثقة العالية، بينما تُحال السجلات ذات الثقة الأقل إلى أحد الموظفين لمراجعتها.
مثال: يتم الموافقة تلقائيًّا على أي عنصر مصنف على أنه «برغي سداسي»، شريطة أن تكون جميع الحقول قد تم ملؤها بشكل صحيح وأن تتطابق مع البيانات السابقة.
تحسب نماذج التعلم الآلي درجة الثقة بناءً على مدى توافق السجل مع المعايير الحالية.
4. مساعدة مسؤولي إدارة البيانات في الوقت الفعلي
تدعم الذكاء الاصطناعي مسؤولي إدارة البيانات أثناء عملهم من خلال اقتراح القيم، أو الإشارة إلى الحقول الناقصة، أو التنبيه إلى المشكلات المحتملة.
مثال: أثناء مراجعة سجل المواد، يرى المسؤول اقتراحات الذكاء الاصطناعي بشأن الحقول الناقصة، ويتلقى تنبيهات إذا كان هناك شيء لا يتطابق مع الإدخالات المماثلة.
تعمل نماذج معالجة اللغة الطبيعية (NLP) والتعلم الآلي (ML) في الخلفية، وتعرض تلميحات وتحذيرات ذكية مباشرةً في الواجهة.
فيما يلي بعض حالات الاستخدام:
البيانات الأساسية للعملاء:
في الشركات الكبيرة متعددة الجنسيات، غالبًا ما تصل سجلات العملاء الجدد عبر قنوات متعددة، مثل بوابات إدارة علاقات العملاء (CRM) أو البيانات المرسلة من الشركاء أو عمليات التحميل الداخلية.
قد يؤدي عدم وجود عناوين البريد الإلكتروني أو أرقام التعريف الضريبية أو عدم اكتمال معلومات الفوترة إلى تأخير إصدار الفواتير وخلق مخاطر تتعلق بالامتثال. تعمل أنظمة حوكمة الذكاء الاصطناعي على الكشف تلقائيًّا عن الحقول الإلزامية الناقصة، وتكملها باستخدام مصادر داخلية وخارجية تم التحقق من صحتها، وتُشير إلى التكرارات المحتملة عند إدخال البيانات.
على سبيل المثال، إذا ظهرت في سجلين العبارتان «Acme Corp» و«Acme Corporation»، فإن النظام يحدد ذلك على أنه تكرار محتمل ويمنع الإدخالات المكررة. وهذا يضمن مستوى عالٍ من—بيانات عملاء عالية الجودة مع تقليل الجهد اليدوي.
بيانات المواد وقطع الغيار:
في مجال المواد أو الصيانة والإصلاح والتشغيل (MRO)، من الشائع وجود نقص في المواصفات أو أرقام قطع الغيار الخاصة بالشركة المصنعة أو معلومات وحدة القياس، لا سيما في قواعد البيانات القديمة أو البيانات المستوردة من جهات خارجية.
تعيق هذه الثغرات عمليات الشراء وتخطيط الصيانة وسير عمل التحليلات. ويمكن لعملية الإثراء المدعومة بالذكاء الاصطناعي استنتاج القيم المفقودة من السجلات الموجودة، ومقارنتها بكتالوجات الموردين، وتوحيد قواعد التسمية عبر عدة مصانع.
على سبيل المثال، يمكن تلقائيًا استكمال القيمة الصحيحة للقطر الخارجي لبطاقة جديدة بعنوان «محمل SKF 6205» غير موجودة في قاعدة البيانات، وذلك بالاستعانة ببيانات عناصر مشابهة موجودة في قاعدة البيانات.
وبالمثل، هناك سجل مدرج تحت عنوان «GSKT، 4BOLT، SS316» يمكن توسيع نطاقه ليشمل تحديد حشية من الفولاذ المقاوم للصدأ، وتحديد نوع الحافة، واقتراح بدائل متوافقة.
كما يمكن للنماذج التنبؤية، مثل خوارزميات الانحدار أو أشجار القرار، تقدير القيم العددية مثل الجهد الكهربائي أو عزم الدوران أو قيم الضغط الاسمية في حالة عدم توفر قيم صريحة.
من خلال تحديد الحالات الشاذة، ومواءمة أرقام قطع الغيار، وتوحيد الأوصاف، واقتراح البدائل، يضمن الذكاء الاصطناعي أن تصبح قاعدة بيانات المواد مصدرًا موثوقًا وقابلًا للتطبيق للمعلومات الصحيحة.
فيما يلي مقطع فيديو عن حل «فيردانتيس» لإدارة البيانات:
تصميم ونشر الذكاء الاصطناعي في إدارة بيانات العملاء (MDM)
ورغم أن فوائد التعلم الآلي في إدارة البيانات الرئيسية واضحة، فإن نجاح تطبيقه يتطلب تكاملاً مدروساً مع بنية المؤسسة ونماذج الحوكمة:
جودة البيانات التدريبية: يرتبط أداء نماذج الذكاء الاصطناعي/التعلم الآلي ارتباطًا مباشرًا بجودة البيانات التاريخية المستخدمة لتدريبها ومدى تمثيلها.
السياق الخاص بالمجال: غالبًا ما تحتاج النماذج الجاهزة إلى ضبط أو إعادة تدريب لتتمكن من التعامل مع الفروق الدقيقة الخاصة بمجالات معينة في بيانات الهندسة أو التصنيع أو المشتريات.
القابلية للتفسير والثقة: يجب أن يتمكن المستخدمون من تتبع وفهم الكيفية التي توصلت بها الذكاء الاصطناعي إلى قرار أو اقتراح معين، لا سيما في القطاعات الخاضعة للتنظيم.
نظام "تدخل الإنسان" (HITL): ينبغي تصميم أنظمة الذكاء الاصطناعي بحيث تعزز دور مسؤولي إدارة البيانات ولا تحل محلهم، مما يتيح الإشراف البشري عند الحاجة ويخلق حلقات تغذية مرتدة من أجل التحسين المستمر.
الخلاصة
لا يقتصر دور الذكاء الاصطناعي والتعلم الآلي على تحسين إدارة البيانات الأساسية فحسب، بل إنهما يعيدان تعريف حدود الإمكانيات. فهاتان التقنيتان توفران مستوى من السرعة والقدرة على التكيف والذكاء لا يمكن للأنظمة اليدوية أو القائمة على القواعد أن تضاهيه.
فيما يتعلق بإدارة الأجهزة (MDM) وإدارة بيانات الصيانة والإصلاح والتجديد (MRO) وحوكمة البيانات، لم يعد الذكاء الاصطناعي مفهومًا ناشئًا — بل أصبح قدرة أساسية لتعزيز جودة البيانات، وتسريع عملية اتخاذ القرار، وضمان استمرارية عمليات المؤسسة في المستقبل.
مع استمرار المؤسسات في تبني التحول الرقمي، ستكون تلك التي تدمج الذكاء المدعوم بالذكاء الاصطناعي في ممارساتها المتعلقة بالبيانات الأساسية في وضع أفضل يتيح لها العمل بمرونة ودقة وبصيرة.
