الذكاء الاصطناعي المؤسسي: مقر الشركة أم السحابة وكيف تختار

عندما تتجاوز الشركة مرحلة التجارب، يبرز سؤال عملي: أين ينبغي أن يعمل الذكاء الاصطناعي لديها؟ فالإجابة تؤثر في الأمن والتكلفة والنماذج المتاحة، ويصعب تغييرها لاحقًا إن لم يُخطَّط لذلك.

لا يوجد خيار واحد صحيح. تقارن هذه المقالة بين الأساليب الأربعة الرئيسية وتقدم معايير الاختيار.

الخيارات الأربعة

• السحابة العامة. تتوفر النماذج كخدمة مُدارة، مثلًا على AWS أو Microsoft Azure أو Google Cloud. تدفع مقابل الاستخدام وتبدأ بسرعة.
• السحابة الخاصة. بيئة مخصصة يديرها مزود الخدمة أو تديرها بنفسك، مع عزل أقوى عن العملاء الآخرين.
• التشغيل في مقر الشركة. تعمل النماذج على خوادمك وفي مركز بياناتك، ولا تغادر البيانات بنيتك التحتية.
• النموذج الهجين. تُنفذ المهام المختلفة في أماكن مختلفة: تبقى البيانات الحساسة في الداخل، ويذهب الباقي إلى السحابة.

المقارنة

المعيار	السحابة العامة	السحابة الخاصة	مقر الشركة
وقت البدء	أيام	أسابيع	من أسابيع إلى أشهر
التحكم في البيانات	يعتمد على العقد والإعدادات	مرتفع	كامل
اختيار النماذج	الأوسع	متوسط	النماذج التي يمكنك تشغيلها بنفسك
التكلفة الأولية	منخفضة	متوسطة	مرتفعة
التكلفة عند حمل مرتفع وثابت	قد ترتفع كثيرًا	متوسطة	أقل غالبًا
الفريق المطلوب	صغير	متوسط	فريق بنية تحتية قوي
التوسع	سهل	تحده الخطة	تحده أجهزتك

معايير الاختيار

1. البيانات

ابدأ من هنا. حدد البيانات التي سيتعامل معها النظام وصنّفها: عامة وداخلية وسرية وشخصية. ثم تحقق مما تسمح به العقود والجهات التنظيمية وقوانين حماية البيانات في البلدان التي تعمل فيها. فقد يتعين إبقاء بعض البيانات في مكان محدد أو على بنيتك التحتية، وهذا قد يحسم المسألة فورًا.

2. جودة النماذج

كثيرًا ما تُتاح أقوى النماذج كخدمة فقط. وقد تحسنت كثيرًا النماذج ذات الأوزان المفتوحة التي يمكنك تشغيلها بنفسك، لكن اختبرها على مهامك لا على التصنيفات المنشورة. ولكثير من المهام، مثل التصنيف أو البحث في الوثائق، يكفي نموذج أصغر تمامًا.

3. التكلفة والحمل

تتقاضى الخدمات السحابية رسومًا حسب الاستخدام، لذا تناسب الأحمال غير المنتظمة أو الصغيرة. أما أجهزتك فتكلف المال سواء أكانت مشغولة أم لا، فلا تصبح مجدية إلا مع حمل مرتفع وثابت. قارن التكلفة الإجمالية: الأجهزة والكهرباء والموظفين والتحديثات، لا سعر الخادم فقط. وأكثر الأخطاء شيوعًا هو شراء وحدات GPU لحمل لم يوجد بعد.

4. الفريق

يجب تثبيت النموذج على خوادمك وتحديثه ومراقبته وتأمينه. وإذا لم يتوفر أشخاص لذلك، فسيختفي التوفير الظاهر. وتزيل الخدمة السحابية جزءًا كبيرًا من هذا العمل، لكن ليس الإعداد وضبط الوصول والمراقبة.

5. السرعة والتوافر

إذا احتجت إلى إجابات بأقل تأخير قرب مكان البيانات، أو كان على النظام العمل بدون اتصال بالإنترنت، فهذا يرجح التشغيل المحلي. وإذا احتجت إلى التعامل مع ذروات مفاجئة، فالسحابة أسهل.

مفاهيم خاطئة شائعة

• «مقر الشركة آمن تلقائيًا». تبقى البيانات في الداخل، لكنك تصبح مسؤولًا عن التحديثات والوصول والمراقبة. والخادم سيئ الصيانة ليس أكثر أمانًا من خدمة سحابية جيدة الإعداد.
• «السحابة تتدرب دائمًا على بياناتنا». تختلف الشروط بين عروض الأفراد وعروض الأعمال وبين المزودين. اقرأ العقد: كيف تُستخدم البيانات في التدريب، وكم تُحفظ، وأين.
• «الاختيار نهائي». ليس كذلك إذا خططت له. فطبقة رقيقة بين تطبيقاتك والنموذج تتيح استبدال نموذج أو موقع بآخر.

لماذا يكون النموذج الهجين هو الإجابة غالبًا

قليل من الشركات لديها نوع واحد من البيانات. ومن الأنماط الشائعة إرسال المهام اليومية إلى نموذج سحابي، وتوجيه البيانات السرية إلى نموذج داخل نطاق الشركة. وتطبق طبقة توجيه هذه القاعدة تلقائيًا بناءً على تصنيف البيانات، وتسجل كل استدعاء.

والثمن هو تعقيد إضافي: بيئتان تجب صيانتهما، ونماذج تتصرف بطرق مختلفة. لذا ابدأ ببيئة واحدة، وأضف الثانية عندما تتطلبها مهمة محددة.

كيف تتخذ القرار

1. صنّف بيانات حالات الاستخدام الأولى.
2. قدّر الحمل: عدد الطلبات والذروات والنمو.
3. اكتب مجموعة مهام اختبار مستمدة من العمل الحقيقي.
4. جرّب عليها نموذجين أو ثلاثة مرشحة، منها نموذج يمكنك تشغيله بنفسك.
5. احسب التكلفة الإجمالية للسنتين أو السنوات الثلاث المقبلة.
6. اختر أبسط خيار يلبي متطلبات البيانات.
7. افصل تطبيقاتك عن نموذج بعينه من البداية، لتتمكن من مراجعة القرار لاحقًا.

الخلاصة

تحدد البيانات الحدود، وضمن هذه الحدود توازن بين الجودة والتكلفة والفريق المتاح. والبداية المعقولة لمعظم الشركات هي أبسط خيار تسمح به بياناتها، مع بنية جاهزة للتغيير.

وينطبق الاختيار نفسه على أنظمة RAG ووكلاء الذكاء الاصطناعي. ولتخطيط بيئتك، اطّلع على خدمة بيئة الذكاء الاصطناعي المؤسسية.

المصادر

• AI Risk Management Framework، NIST