أبحاث تقنيةالأخبار

فاروق وطارق يختلفان حول الذكاء الاصطناعي في «شارك تانك».. ما الذي يميز «مكوك» عن أدوات AI التقليدية؟

 

أثار مشروع «مكوك» نقاشًا تقنيًا خلال إحدى حلقات برنامج «شارك تانك مصر»، بعدما دار حوار بين فاروق وطارق حول طبيعة الحل الذي تقدمه الشركة، ومدى اختلافه عن أدوات الذكاء الاصطناعي التوليدي مثل ChatGPT وClaude، خاصة في مجال اتخاذ القرارات التشغيلية داخل الشركات والمصانع.

وخلال المناقشة، برز تساؤل حول القيمة التي يقدمها نظام «ديوس» (DIOS)، وما إذا كان يمثل حلًا مختلفًا عن استخدام نماذج الذكاء الاصطناعي المتاحة، أم أنه يعتمد على الإمكانات نفسها مع اختلاف طريقة التطبيق.

 

«ديوس».. نظام متخصص لتحسين القرارات التشغيلية

استعرض مؤسس شركة «مكوك» نظام «ديوس»، الذي يستهدف مساعدة الشركات والمصانع على اتخاذ قرارات تشغيلية أفضل، اعتمادًا على البيانات والمعطيات التي تدخلها الشركات إلى النظام.

ويستند هذا النوع من الحلول إلى مجال بحوث العمليات (Operations Research)، الذي يستخدم النماذج الرياضية والخوارزميات لتحليل المشكلات المعقدة، مثل تخطيط الإنتاج وتوزيع الموارد وتحسين كفاءة التشغيل.

ومن خلال هذه المنهجية، يمكن للنظام البحث عن أفضل القرارات وفقًا لأهداف محددة وقيود تفرضها طبيعة العمل، مثل تقليل التكلفة أو الوقت أو الهدر.

ما الفرق بين «ديوس» وChatGPT وClaude؟

لفهم طبيعة الاختلاف، يجب التمييز بين نماذج اللغة الكبيرة (LLMs)، مثل ChatGPT وClaude، وأنظمة التحسين الرياضي المستخدمة في بحوث العمليات.

تعتمد نماذج اللغة الكبيرة على توليد المخرجات وفقًا للأنماط الاحتمالية التي تعلمتها خلال التدريب. ولذلك، قد تختلف الإجابات عند تغيير صياغة السؤال أو سياقه أو إعدادات التوليد.

كما أن الإجابة الأكثر ترجيحًا ليست بالضرورة الإجابة الصحيحة أو الحل الأمثل رياضيًا.

في المقابل، تعتمد أنظمة التحسين الرياضي على نماذج وخوارزميات تبحث عن حلول تحقق أهدافًا محددة، مع مراعاة القيود المرتبطة بالمشكلة.

ومع ذلك، لا يعني هذا أن نماذج الذكاء الاصطناعي التوليدي عاجزة عن التعامل مع المشكلات الرياضية أو التشغيلية؛ إذ يمكن الاستعانة بها في صياغة المشكلة وكتابة الشيفرات البرمجية، ثم استخدام خوارزميات متخصصة لحساب الحل والتحقق منه.

هل تعني النتائج الثابتة أن النظام يقدم الحل الأمثل؟

من المفاهيم المهمة في هذا النقاش الفرق بين الأنظمة الاحتمالية والأنظمة الحتمية (Deterministic Systems).

فالخوارزمية الحتمية تعطي النتيجة نفسها عند تشغيلها على المدخلات نفسها، في ظل الظروف والإعدادات ذاتها.

لكن ثبات النتيجة لا يعني بالضرورة أنها مثالية؛ إذ يعتمد ذلك على صحة النموذج الرياضي، ودقة البيانات، وطريقة تحديد الأهداف والقيود.

كذلك، تختلف الخوارزميات في قدرتها على الوصول إلى الحل الأمثل. فبعضها يستطيع إثبات الوصول إليه، بينما تقدم خوارزميات أخرى حلولًا تقريبية أو جيدة ضمن الوقت والموارد المتاحة.

وهنا تظهر أهمية بحوث العمليات، التي تساعد على تحويل المشكلات الواقعية إلى نماذج رياضية قابلة للتحليل والتحسين.

كيف تستفيد «مكوك» من أدوات الذكاء الاصطناعي؟

تناول النقاش أيضًا دور الذكاء الاصطناعي في تطوير الحل، إذ أوضح مؤسس «مكوك» استعانة الشركة بأدوات مثل Claude في تطوير البرمجيات، إلى جانب الخبرات المتخصصة في مجال بحوث العمليات.

ويكشف ذلك عن اختلاف مهم بين استخدام الذكاء الاصطناعي لبناء الحل، واستخدامه أداة مساعدة في تنفيذ تصميم تقني وضعه متخصصون.

فيمكن للخبراء تحديد متطلبات النظام وبناء المنطق الرياضي الذي يعتمد عليه، ثم الاستعانة بأدوات الذكاء الاصطناعي لتسريع كتابة الشيفرات البرمجية وتطوير النظام.

ولا يتعارض ذلك مع بناء نظام حتمي؛ لأن طبيعة النظام النهائي تتوقف على تصميمه وآليات تشغيله، وليس فقط على الأداة المستخدمة في كتابة الشيفرة.

هل تمثل الحوسبة الكمية مستقبل تحسين القرارات؟

امتد النقاش إلى الحوسبة الكمية (Quantum Computing)، باعتبارها أحد المسارات التقنية التي قد تسهم في معالجة بعض المشكلات المعقدة.

وتختلف الحوسبة الكمية عن الحوسبة التقليدية في أسسها وآلياتها، وقد تتيح مزايا في فئات محددة من المسائل الحسابية.

لكن لا يمكن افتراض أنها ستعالج جميع المشكلات المرتبطة بالذكاء الاصطناعي، أو أنها ستضمن وحدها الوصول إلى إجابات صحيحة في كل مرة.

ويظل تحقيق هذه الإمكانات مرتبطًا بتطور العتاد الكمي والخوارزميات المناسبة، فضلًا عن طبيعة المشكلة المطلوب حلها.

الخلاصة.. المنافسة ليست بين أدوات ذكاء اصطناعي فقط

يعكس النقاش حول «مكوك» ونظام «ديوس» في «شارك تانك مصر» سؤالًا يتجاوز المقارنة بين أدوات الذكاء الاصطناعي، ويتعلق بكيفية توظيف التكنولوجيا في تحسين القرارات داخل بيئات العمل.

فبينما توفر نماذج اللغة الكبيرة إمكانات واسعة في التحليل والمساعدة في البرمجة، تستهدف أنظمة بحوث العمليات معالجة مشكلات تشغيلية محددة من خلال نماذج رياضية وخوارزميات تراعي الأهداف والقيود.

ويمكن الجمع بين النهجين للاستفادة من قدرات الذكاء الاصطناعي التوليدي في التطوير، ودقة النماذج الرياضية في حساب الحلول.

وفي النهاية، لا يتحدد الفارق الحقيقي بمجرد استخدام الذكاء الاصطناعي، بل بمدى ملاءمة المنهج التقني للمشكلة، وقدرة النظام على تقديم نتائج قابلة للتحقق والقياس في بيئة العمل الفعلية.

اظهر المزيد

مقالات ذات صلة

زر الذهاب إلى الأعلى