البيانات الذكية: التنبّؤ والتوصية والتخصيص

ماذا لو استطاعت منصّة أن تتوقّع ما تبحث عنه قبل أن تصوغ طلبك أصلاً؟

تفتح تطبيق موسيقى، فيقترح عليك أغنية تناسب مزاجك بشكل مدهش. تتصفّح متجراً إلكترونياً، فتظهر لك منتجات معيّنة قبل غيرها. تعود إلى منصّة تعليمية، فتقترح عليك أن تراجع تحديداً المفهوم الذي واجهت فيه صعوبة.

للوهلة الأولى، تبدو هذه الخدمات وكأنها تُخمّن ما تريد. لكنها في الحقيقة لا تقرأ أفكارك؛ بل تستخدم البيانات لرصد الأنماط وتقدير الاحتمالات وتكييف ما يُعرض عليك.

تؤدّي ثلاث آليات هنا دوراً محورياً:

• التنبّؤ (prédiction)، الذي يقدّر ما قد يحدث؛
• التوصية (recommandation)، التي تُرتّب الخيارات الأكثر ملاءمة؛
• التخصيص (personnalisation)، الذي يكيّف التجربة حسب شخصٍ أو موقفٍ معيّن.

قد تجعل هذه الآليات الخدمة أكثر فائدة، لكنها قد تحبس المستخدم أيضاً في خيارات متكرّرة، أو تضخّم بياناتٍ رديئة، أو تمنح انطباعاً باليقين حيث لا يوجد سوى تقدير.

«كيف نحوّل بياناتٍ عاديّة إلى قراراتٍ مفيدة دون أن نفقد ثقة المستخدم؟»

01 متى تصبح البيانات مفيدة؟

البيانات هي معلومة مسجّلة: نقرة، أو بحث، أو تقييم، أو تاريخ، أو مدّة، أو طلب شراء، أو موقع تقريبي، أو إجابة عن استبيان.

لكن البيانات المعزولة لا تفسّر الموقف تلقائياً. فمعرفة أن شخصاً غادر صفحة بعد عشرين ثانية لا تكفي للاستنتاج بأنه لم يعجبه المحتوى؛ فربما وجد المعلومة المطلوبة فوراً، أو تلقّى مكالمة، أو واجه مشكلة في الاتصال.

تصبح البيانات مفيدة فعلاً حين تكون:

• ذات صلة بالسؤال المطروح؛
• مسجّلة بشكل صحيح؛
• حديثة بما يكفي للاستخدام المقصود؛
• مقارَنة بمعلومات أخرى؛
• مفسَّرة ضمن سياقها.

فالكمّية لا تُغني عن الجودة. قد تكون كمّية صغيرة من البيانات المختارة بعناية أنفع من قاعدة ضخمة مليئة بمعلومات قديمة أو ناقصة أو لا علاقة لها بالهدف.

02 التنبّؤ: تقديرٌ لا معرفةٌ بالمستقبل

التنبّؤ تقديرٌ يستند إلى بيانات سابقة وإلى خصائص موقفٍ حالي.

يمكن لنظامٍ ما، مثلاً، أن يقدّر:

• احتمال وصول طلبٍ متأخراً؛
• الطلب المتوقّع على منتج؛
• خطر تخلّي عميل عن اشتراكه؛
• احتمال أن تكون معاملة غير معتادة؛
• المفهوم الذي قد لا يتقنه طالب.

التنبّؤ لا يقول: «سيحدث هذا بيقين»، بل يقول: «وفقاً للمعلومات المتاحة، تبدو هذه النتيجة أرجح من غيرها.»

الاحتمال المرتفع ليس دليلاً، والاحتمال المنخفض ليس استحالة.

هذا التمييز جوهري. وعلى الخدمة الجادّة أن تستخدم التنبّؤ كإشارةٍ تساعد على اتخاذ القرار، لا كحقيقةٍ مطلقة.

03 التوصية: اختيار ما يُعرض أولاً

لا يكتفي نظام التوصية بتقدير حدثٍ ما، بل يقارن عدّة خيارات ويرتّبها حسب مدى ملاءمتها المتوقّعة.

في منصّة موسيقى قد يرتّب الأغاني، وفي متجرٍ قد يرتّب المنتجات، وفي أكاديميةٍ قد يرتّب الدروس أو التمارين.

توصية بحسب تشابه المحتوى

يبحث النظام عن عناصر تشبه ما أعجب المستخدم سابقاً. فإن كان شخصٌ يتابع كثيراً تدريباتٍ قصيرة عن صناعة المحتوى، فقد تقترح المنصّة دروساً أخرى قريبة منها في الموضوع أو المستوى أو الشكل.

توصية قائمة على سلوكيات متشابهة

يلاحظ النظام أن عدّة مستخدمين اختاروا محتوىً معيّناً أعجبهم أيضاً محتوىً آخر، فيقترح هذا الثاني على شخصٍ يشبه سلوكه سلوكهم.

توصية سياقية

يعتمد الاقتراح على الوضع الراهن: الجهاز المستخدم، أو الوقت، أو مرحلة الرحلة، أو اللغة، أو الهدف الآني.

عملياً، كثيراً ما تجمع المنصّات بين عدّة أساليب. والهدف ليس إيجاد خيارٍ «مثالي»، بل تقليل عدد الخيارات وعرض ما يبدو أنفع منها أولاً.

04 التخصيص: تكييف التجربة

يذهب التخصيص أبعد من التوصية، إذ يمكنه تعديل عدّة عناصر في الخدمة تبعاً للشخص أو الموقف.

ويمكنه أن يكيّف:

• ترتيب المحتوى؛
• صعوبة تمرين؛
• لغة الشرح أو طوله؛
• توقيت التذكير؛
• الرسائل المعروضة؛
• طريقة عرض الواجهة.

التخصيص المفيد يجب أن يساعد المستخدم على فهمٍ أفضل أو اختيارٍ أو فعلٍ أفضل. أما تعديل الشاشة لمجرّد زيادة الوقت المُستغرَق فليس بالضرورة تقدّماً لمصلحة الشخص.

05 كيف تتحوّل البيانات إلى فعل؟

قد يكون العمل التقني معقّداً، لكن المسار العام سهل الفهم.

كثيراً ما تُهمَل المرحلة الأخيرة. فالتوصية ليست مفيدة لمجرّد أنه نُقر عليها؛ بل يجب التحقّق مما إذا كانت قد ساعدت الشخص فعلاً على بلوغ هدفه.

06 مثال: منصّة تعليمية

لنتخيّل أن منصّة ترغب في مساعدة طالب على اجتياز وحدة دراسية.

يمكنها أن تلاحظ:

• الدروس المُكتمَلة؛
• الإجابات الخاطئة؛
• الوقت المخصّص لكل جزء؛
• المفاهيم التي رُوجِعت مرّات عدّة؛
• المستوى الذي صرّح به الطالب.

انطلاقاً من هذه المعلومات، يمكن للنظام أن:

لكن المنصّة المسؤولة يجب ألّا تستنتج أن طالباً «ضعيف» من خطأ واحد. عليها أن تراعي السياق، وتتيح التصحيح، وتتجنّب تحويل تقديرٍ مؤقّت إلى وصمٍ دائم.

07 مطبّات حلقة التوصية

حين يوصي النظام بمحتوى، يصبح المستخدم أكثر احتمالاً لرؤيته. وإن نقر عليه، فقد تُفسَّر هذه النقرة لاحقاً كدليل على إعجابه، فيقترح النظام مزيداً من المحتوى المشابه.

قد تحسّن هذه الحلقة مدى الملاءمة، لكنها قد تقلّل التنوّع تدريجياً أيضاً.

البداية الباردة

حين يصل مستخدم جديد، لا تعرف المنصّة عنه إلا القليل. فتقوم التوصيات الأولى على خيارات عامّة، أو بعض الأسئلة الأولية، أو المحتوى الرائج.

فقاعة التفضيلات

إذا عرض النظام ما يشبه الخيارات السابقة فقط، فقد لا يكتشف المستخدم أي جديد. والتوصية الجيّدة يجب أحياناً أن تُدخل خياراً مختلفاً، وتوضّح سبب اقتراحه، وتترك للشخص تعديل تفضيلاته.

الإشارة المضلّلة

لا تعبّر النقرة دائماً عن تفضيل؛ فقد يفتح الشخص محتوىً بدافع الفضول أو الخطأ أو الضرورة. وتفسير كل فعلٍ كنيّةٍ مؤكّدة قد يشوّه الملف الذي يبنيه النظام.

التوصية تؤثّر في السلوك الذي تدّعي أنها تكتفي بمراقبته.

08 الجودة والتحيّز وحماية البيانات

قد يعيد نظامٌ قائمٌ على البيانات إنتاج العيوب الموجودة في المعلومات المستخدَمة.

قد تأتي الأخطاء من مصادر عدّة:

• بعض الفئات أقل تمثيلاً من غيرها؛
• البيانات القديمة لم تعد تطابق الوضع الحالي؛
• المقياس المختار لا يمثّل الهدف تمثيلاً صحيحاً؛
• أخطاء التسجيل تُنشئ إشاراتٍ زائفة؛
• النظام يحسّن نتيجة تقنية بدل منفعة حقيقية.

مثلاً، التوصية بالمنتجات الأكثر شراءً فقط تُفضّل تلقائياً ما كان ظاهراً أصلاً، فتبقى المنتجات الجديدة غير مرئية، وإن كانت تلبّي بعض الاحتياجات بشكل أفضل.

حماية البيانات يجب ألّا تُضاف بعد بناء الخدمة، بل يجب أن تؤثّر منذ البداية في المعلومات المجموعة، ومدّة حفظها، ومَن يحقّ له الوصول إليها، والقرارات التي قد تنبثق عنها.

09 كيف نقيس تخصيصاً مفيداً؟

يمكن لمنصّة أن تقيس عدد النقرات بسهولة، لكن كثرة النقرات لا تعني دائماً تجربة أفضل.

تبعاً للخدمة، قد يكون من الأجدى قياس:

• الوقت المُوفَّر فعلاً؛
• مدى فهم مفهومٍ ما؛
• انخفاض الأخطاء؛
• الرضا بعد الاستخدام؛
• تنوّع الخيارات المُكتشَفة؛
• إمكانية الاحتفاظ بالتحكّم في التوصيات.

التخصيص الجيّد ليس ما يجعل المستخدم معتمداً على النظام، بل ما يساعده على بلوغ هدفٍ يفهمه واختاره بسهولة أكبر.

«هل يخدم هذا التكييف المستخدمَ فعلاً، أم يخدم أداء المنصّة فقط؟»

الذكاء الاصطناعي الموثوق: الهلوسة والتزييف العميق والتحقّق

يمكن للبيانات أن تساعد على استباق حاجة وتخصيص خدمة، لكن النظام قد يُنتج أيضاً معلومة مقنِعة لكنها خاطئة، أو يولّد صورة يصعب تمييزها عن الواقع.

وسنجيب عن هذا السؤال: كيف نستفيد من قوّة الذكاء الاصطناعي دون أن نخلط بين إجابةٍ مقنِعة ومعلومةٍ مُتحقَّق منها؟