إثراء المعرفة للذكاء الاصطناعي المؤسسي

نادرًا ما يفشل الذكاء الاصطناعي المؤسسي لأن لدى المؤسسة محتوى قليلًا جدًا. بل يفشل لأن المحتوى صعب التفسير. فالسياسات تجاور مسودات تم تجاوزها، والفواتير تصل كمسوحات ضوئية، والعقود تستخدم أسماء غير متسقة، ويبقى السياق المهم حبيس المجلدات أو رؤوس الموظفين.

يحوّل إثراء المعرفة ذلك المحتوى غير المهيكل إلى معلومات موثوقة وسياقية وجاهزة للذكاء الاصطناعي يستطيع الأشخاص وأنظمة الذكاء الاصطناعي استخدامها بثقة. فهو يضيف البنية والبيانات الوصفية والكيانات المتعرَّف عليها والعلاقات والمنشأ وسياق العمل مع الحفاظ على المستند المصدر. والنتيجة ليست مجرد وسم أفضل، بل طبقة معنى محكومة تحسّن البحث والأتمتة والتحليلات والعمل المدعوم بالذكاء الاصطناعي.

أهم النقاط

• يربط إثراء المعرفة المحتوى بمعناه التجاري، لا بخصائص ملفه فحسب.
• يجمع مسار عمل عملي بين الالتقاط والتطبيع والتصنيف والاستخراج والتعرف على الكيانات والربط السياقي والتحقق.
• يحسّن السياق الأفضل الاسترجاع، ويقلّل التحضير اليدوي، ويمنح وكلاء الذكاء الاصطناعي حدودًا أكثر أمانًا.
• تبقى الحوكمة أساسية لأن الإثراء وحده لا يقرّر السلطة أو الوصول أو الاستبقاء أو الاستخدام المقبول.
• أفضل نقطة انطلاق هي عملية محدودة النطاق بنتيجة قابلة للقياس، لا برنامج وسم على مستوى المؤسسة بأكملها.

ما هو إثراء المعرفة؟

إثراء المعرفة هو عملية جعل المحتوى غير المهيكل مفهومًا في سياقه. فقد يعرف مستودع أساسي أن الملف بصيغة PDF، ومن رفعه، ومتى تغيّر. أما النظام المُثرى فيستطيع أيضًا أن يعرف أن الملف اتفاقية مورّد موقّعة ونافذة، وأن Acme Trading وACME Ltd. تشيران إلى المنظمة ذاتها، وأن الاتفاقية تحكم أمر شراء معينًا، وأن تاريخ تجديدها يقترب.

هذا التمايز مهم. فالبيانات الوصفية للملف تصف الحاوية. أما المعرفة المُثراة فتصف معنى المحتوى وكيف يرتبط بالعمل.

لهذا السبب يتجاوز إثراء المعرفة تصنيف المستندات. فالتصنيف يحدّد ماهية المستند. أما الإثراء فيبني السياق الأوسع اللازم لإيجاده ومقارنته والاستدلال عليه وإطلاق الإجراء الصحيح.

إثراء المعرفة مقابل إثراء البيانات

يبدو المصطلحان متشابهين لكنهما يحلّان مشكلتين مختلفتين.

إثراء البيانات يحسّن عادةً سجلًا مهيكلًا بإلحاق قيم معروفة به. فقد يكتسب سجل عميل رمز صناعة أو منطقة جغرافية أو حجم شركة من قاعدة بيانات أخرى.

إثراء المعرفة يبدأ بمحتوى لم يُرتَّب معناه بعد في صفوف وحقول. فهو يحلّل مستندًا أو رسالة بريد إلكتروني أو صورة أو نصًا مفرَّغًا أو عرضًا تقديميًا، ويحدّد ما يهم، ويربط ذلك المعنى بمخطط تصنيف أو كائن عمل أو عملية أو رسم بياني معرفي.

يحسّن كلا المنهجين جودة المعلومات. والفرق هو نقطة الانطلاق وعمق السياق. فإثراء البيانات يسدّ الفجوات في مخطط بيانات قائم. أما إثراء المعرفة فيساعد على إنشاء المخطط والعلاقات من محتوى لم تكن له أصلًا.

لماذا يهم إثراء المعرفة الذكاء الاصطناعي المؤسسي

نماذج اللغة الكبيرة طليقة اللسان، لكن الطلاقة ليست سلطة. فالمساعد المؤسسي يجب أن يسترجع الإصدار الصحيح من السياسة، ويحترم أذونات المستند، ويميّز بين المسودة والاتفاقية الموقّعة، ويُظهر من أين أتت إجابته.

يحسّن إثراء المعرفة تلك البيئة بأربع طرق:

1. دقة الاسترجاع. يستطيع البحث الجمع بين التشابه الدلالي ونوع المستند والكيان وحالة دورة الحياة وتاريخ النفاذ وقواعد الوصول.
2. جودة التأصيل. يتلقى الذكاء الاصطناعي المقطع ذا الصلة إضافةً إلى سياق العمل اللازم لتفسيره.
3. قابلية التفسير. يمكن للإجابات أن تشير إلى مصدر معتمد وتكشف عن البيانات الوصفية أو العلاقة التي أدّت إليها.
4. أمان الإجراء. يستطيع الوكلاء التصرف ضمن حدود محدَّدة، مثل بدء سير عمل تجديد فقط لعقد موقّع بتاريخ مُتحقَّق منه.

قد يستشهد مساعد ذكاء اصطناعي يسترجع كل ملف يحتوي على “سياسة السفر” بمسودة بالية. أما النظام المُثرى فيستطيع قصر الاسترجاع على السياسات المعتمدة، والإصدارات الحالية، والولاية القضائية للمستخدم، وتاريخ نفاذ السؤال. وهذا هو الفرق بين نص معقول الظاهر ودعم تشغيلي يُعتمد عليه.

تطبيقات العمل

يفيد إثراء المعرفة أينما التقى حجم المحتوى بالسياق.

النمط المشترك هو أن المستند يصبح أكثر قيمة عندما يستطيع معناه أن يرافقه. وهذا يدعم إدارة المستندات والمحتوى مع تقليل الوسم اليدوي الذي يعطّل كثيرًا من برامج المستودعات.

المقاييس التي تكشف القيمة الحقيقية

لا تقيّم الإثراء بعدد الوسوم التي ينشئها النموذج فحسب. استخدم مقاييس مرتبطة بالجودة والنتائج:

• الدقة والاستدعاء على مستوى الحقل للبيانات الوصفية الحرجة؛
• دقة حلّ الكيانات؛
• نسبة المحتوى المعالَج دون مراجعة؛
• دقائق المراجع لكل مستند؛
• معدل نجاح البحث والزمن اللازم لإيجاد إجابة موثوقة؛
• انخفاض الطلبات الناقصة أو التصحيحات اللاحقة؛
• نسبة إجابات الذكاء الاصطناعي ذات الاستشهادات الصحيحة والمخوَّلة؛
• زمن دورة العملية والتكلفة لكل حالة مكتملة.

يمكن أن تتعايش درجة استخراج مرتفعة مع قيمة عمل ضعيفة إذا لم تصل البيانات المُثراة إلى سير العمل قط، أو إذا لم يستطع المستخدمون الوثوق بها، أو إذا ظل مصدر خاطئ موسومًا بأنه موثوق.

من حجم المحتوى إلى معرفة قابلة للاستخدام

لا يجعل إثراء المعرفة كل مستند قيّمًا بالتساوي، ولا يزيل الحاجة إلى الحوكمة. بل يمنح المؤسسة طريقة منضبطة لتحويل المحتوى المتناثر إلى أدلة سياقية يستطيع البحث وسير العمل والأشخاص والذكاء الاصطناعي استخدامها.

ابدأ صغيرًا: عملية واحدة، ومجموعة محتوى واحدة، وعقد بيانات وصفية أدنى واحد، ونتيجة واحدة قابلة للقياس. وحالما تعمل الضوابط، أعِد استخدام المسار عبر مزيد من المستودعات وحالات الاستخدام. وهذا يبني أساس معلومات جاهزًا للذكاء الاصطناعي دون تحويل الإثراء إلى مشروع بيانات آخر غير محكوم.

إن أردت اختبار هذا المنهج على مستنداتك أنت، تواصل مع فريق Contellect وأحضِر عيّنة ممثِّلة، بما في ذلك الاستثناءات الأصعب معالجةً اليوم.