Toward a Causal Data Management Ecosystem for Decision Making and Agentic AI
تجادل الورقة البحثية بأنه لضمان اتخاذ قرارات موثوقة وجديرة بالثقة في الأنظمة البيئية للذكاء الاصطناعي الوكيل الحديث، يجب إنشاء نظام عالمي سببي (CWS) مشترك ومستمر وقابل للاستعلام للتمييز بين الدوافع السببية ومجرد الارتباطات عبر مصادر البيانات المجزأة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول التنقل في مدينة ضخمة ومزدحمة. لفترة طويلة، كانت الخرائط التي نستخدمها تشبه أدلة "الارتباط" البسيطة؛ فقد كانت تخبرك: "مهلاً، في كل مرة تمطر فيها، يشتري الناس المظلات". هذا نمط مفيد، لكنه لا يخبرك بـ "لماذا". إنه لا يعلم أنك لو جعلت المطر يهطل سحرياً داخل المنازل، فلن يشتري الناس المظلات فجأة داخل غرف جلوسهم؛ هم يشترونها فقط بسبب الطقس في الخارج. هذا هو الفرق بين رؤية شيئين يحدثان معاً (الارتباط) ومعرفة أن أحد الشيءين هو ما يتسبب فعلياً في حدوث الآخر (السببية).
اليوم، الذكاء الاصطناعي موجود في كل مكان، لكنه يتغير. لم يعد مجرد برنامج كمبيوتر ذكي واحد؛ بل أصبح منظومة متكاملة من الأدوات المختلفة التي تعمل معاً. لديك نماذج رياضية كلاسيكية، وروبوتات لغوية فائقة الذكاء، وحتى "وكلاء" (Agents) — وهي شخصيات ذكاء اصطناعي يمكنها القيام بأفعال حقيقية، مثل حجز رحلة طيران أو ضبط درجة حرارة الغرفة. المشكلة هي أن هذه الأدوات تتدرب على بيانات تظهر فقط ما حدث في الماضي. إنها بارعة في التنبؤ بما سيحدث تالياً بناءً على الأنماط، لكنها سيئة جداً في فهم ما سيحدث إذا قامت هي بتغيير شيء ما. إذا قرر وكيل ذكاء اصطناعي رفع سعر منتج ما، فقد يخمن نموذج بسيط للأنماط أن المبيعات ستنخفض لأن هذا ما رآه من قبل، لكنه لا يستطيع إخبارك بـ "لماذا"، أو ماذا كان سيحدث لو خفض السعر بدلاً من ذلك. ولجعل الذكاء الاصطناعي جديراً بالثقة وآمناً حقاً، خاصة عندما يبدأ في التصرف من تلقاء نفسه، نحتاج منه أن يفهم السبب والنتيجة، وليس مجرد الأنماط.
هذا هو بالضبط موضوع الورقة البحثية بعنوان "نحو نظام إدارة بيانات سببي لاتخاذ القرار والذكاء الاصطناعي الوكيل" (Toward a Causal Data Management Ecosystem for Decision Making and Agentic AI). يقترح المؤلفون، وهم فريق من جامعة ليون 1، أن نتوقف عن محاولة إصلاح هذا الأمر عبر مجرد جعل نماذج الذكاء الاصطناعي أكبر وأذكى. بدلاً من ذلك، يقترحون بناء نوع جديد من "البنية التحتية" يسمى نظام العالم السببي (CWS). فكر في هذا النظام كخريطة "سبورة" عملاقة وحية للمؤسسة أو المنظومة بأكملها.
في الوقت الحالي، البيانات مبعثرة في كل مكان. لدى فريق ما جدول بيانات للمبيعات، ولدى فريق آخر سجل لشكاوى العملاء، وثالث قاعدة بيانات لنقرات الموقع الإلكتروني. حالياً، ينظر الذكاء الاصطناعي إلى كل هذه الكومات من البيانات ويحاول إيجاد روابط بينها. يجادل المؤلفون بأن هذا ليس كافياً؛ فهم يريدون بناء نظام يأخذ كل هذه المصادر الفوضوية والمختلفة ويدمجها في قصة واحدة واضحة للسبب والنتيجة.
تخيل نظام (CWS) كقائد أوركسترا رئيسي. في السابق، كان الموسيقيون (نماذج الذكاء الاصطناعي ومصادر البيانات المختلفة) يعزفون ألحانهم الخاصة، وكان القائد يحاول فقط التخمين متى سيصلون جميعاً إلى نوتة عالية معاً. أما (CWS) فهو نوع جديد من القادة الذي يعرف بالفعل النوتة الموسيقية؛ فهو يعلم أنه إذا ضرب عازف الطبل ضربة معينة (فعل)، فيجب على عازف الكمان أن يعزف نوتة معينة (نتيجة)، ويعلم تماماً أي النوتات ليست سوى ضجيج عشوائي.
إليك كيف يعمل هذا النظام في العالم الحقيقي، وفقاً للورقة البحثية:
- يربط النقاط ببعضها: يأخذ النظام البيانات من كل مكان — الجداول، المستندات النصية، الصور، الصوت، والسجلات — ويقوم بتنظيفها. الأمر يشبه أخذ غرفة فوضوية مليئة بلغات مختلفة وترجمة كل شيء إلى لغة مشتركة واحدة ليفهم الجميع بعضهم البعض.
- يبني "خريطة سببية": بدلاً من مجرد تخزين البيانات، يبني النظام خريطة تظهر أسهمًا تشير من الأسباب إلى النتائج. على سبيل المثال، يرسم سهماً من "زيادة السعر" إلى "تخلي العملاء عن الخدمة". والأهم من ذلك، أن هذه الخريطة هي "صندوق أبيض" (White-box)، مما يعني أنها ليست صندوقاً أسود سرياً؛ حيث يمكن للبشر والذكاء الاصطناعي الآخر النظر إلى الخريطة، ورؤية الأسهم، والتساؤل: "هل أنت متأكد أن هذا السهم حقيقي؟" أو "من أين حصلت على هذه المعلومة؟".
- يساعد مستخدمين مختلفين:
- بالنسبة للبشر: يجيب على أسئلة "ماذا لو؟". فبدلاً من القول فقط "انخفضت المبيعات"، يمكنه القول: "إذا رفعنا الأسعار بنسبة 5%، فستنخفض المبيعات بنسبة 12%، ولكن إذا قدمنا أيضاً شحناً مجانياً، فيمكننا إلغاء هذا الانخفاض".
- بالنسبة لوكلاء الذكاء الاصطناعي: هذا هو الجزء الأهم. إذا كان وكيل الذكاء الاصطناعي على وشك اتخاذ قرار، فيمكنه التحقق من الخريطة أولاً. يمكنه إجراء محاكاة: "إذا قمت بالفعل (أ)، فماذا سيحدث؟ وإذا قمت بالفعل (ب) بدلاً من ذلك، فماذا سيحدث؟". هذا يمنع الوكيل من اتباع الأنماط بشكل أعمى ويساعده على اتخاذ خيارات ذكية وآمنة.
- بالنسبة لنماذج الذكاء الاصطناعي الأخرى: يمكن للنظام تعليم نماذج الذكاء الاصطناعي الأخرى كيفية التعلم بشكل أسرع. فمن خلال إظهار قواعد السبب والنتيجة لها، لا تحتاج النماذج لرؤية ملايين الأمثلة لتفهم الأمر، بل يمكنها التعلم من هيكل الخريطة نفسها.
يشير المؤلفون بحذر إلى أن هذا مجرد مقترح ورؤية، وليس منتجاً نهائياً قاموا ببنائه واختباره في كل السيناريوهات. ويوضحون أن بناء هذا النظام يمثل تحدياً هائلاً يتطلب دمج المهارات من إدارة البيانات، وتعلم الذكاء الاصطناعي، والسلامة. كما يشيرون إلى صعوبة إبقاء هذه الخريطة محدثة عندما يتغير العالم، وصعوبة ضمان دقة الخريطة عندما تأتي البيانات من مصادر مختلفة.
ومع ذلك، فإن الفكرة الجوهرية واضحة: نحن بحاجة للانتقال من ذكاء اصطناعي يكتفي بالتخمين بناءً على ما رآه، إلى ذكاء اصطناعي يفهم "لماذا" تحدث الأشياء. ومن خلال بناء "نظام عالم سببي" مشترك، يمكننا إنشاء منظومة يتحدث فيها البشر والوكلاء والآلات لغة واحدة هي لغة السبب والنتيجة، مما يجعل قراراتنا أكثر ذكاءً، وأماناً، وموثوقية. الأمر يتعلق بمنح ذكائنا الاصطناعي ضميراً وخريطة، حتى لا يتبع القطيع فحسب، بل يفهم الطريق الذي يسلكه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.