كيفية استخدام IBM Watsonx للتحليلات التنبؤية

كان التنبؤ بنتائج أعمالك يتطلب في السابق فريقًا متخصصًا في علم البيانات، وشهورًا من تطوير النماذج، والدعاء.

ولكن الآن، مع استخدام 78% من المؤسسات للذكاء الاصطناعي في وظيفة عمل واحدة على الأقل، وفقًا لشركة McKinsey، فقد تقلص هذا الوقت من أشهر إلى رؤى فورية تقريبًا.

مع هذا التغيير، أصبح الضغط لتسليم النماذج التنبؤية بسرعة أكبر من أي وقت مضى.

يعمل IBM Watsonx على تكثيف عملية إنشاء النماذج التنبؤية ونشرها في سير عمل موحد قائم على المتصفح يمكن لفريق التطوير لديك تشغيله في غضون دقائق. لكن السرعة وحدها لا تكفي. فإذا لم ترتبط التنبؤات التي تولدها هذه النماذج بسير العمل التنفيذي الذي تؤثر عليه، فإنها لن تحقق تأثيرًا حقيقيًا.

يغطي هذا الدليل كل مرحلة، بدءًا من تحميل أول مجموعة بيانات وتدريب النموذج وصولًا إلى نشره كواجهة برمجة تطبيقات (API) مباشرة، والأهم من ذلك، ربط الرؤى التي يولدها بسير العمل التنفيذي في أدوات مثل ClickUp. 🔨

ستتعلم كيفية بناء النموذج في Watsonx وكيفية تفعيل مخرجاته بحيث تؤدي التنبؤات إلى اتخاذ إجراءات على مستوى فريقك.

ما هو IBM Watsonx وكيف يدعم التحليلات التنبؤية؟

قد يعني توفير نماذج الذكاء الاصطناعي لشركتك تدريب نماذجك في مكان واحد، وإدارة بياناتك في مكان آخر، والتعامل مع الحوكمة أو الامتثال في أداة ثالثة.

IBM Watsonx هي منصة البيانات والذكاء الاصطناعي للمؤسسات من IBM — وهي مصممة لحل الجانب التقني لهذا التجزؤ. وهي في الأساس مجموعة من منتجات الذكاء الاصطناعي لبناء وتدريب وتشغيل الذكاء الاصطناعي داخل المؤسسة، دون أن يبدو كل شيء مشتتًا أو تجريبيًا.

تعالج المنصة مشكلات سير العمل المجزأ من خلال توفير مساحة عمل واحدة للمشروع. يمكنك تحميل البيانات وإجراء التجارب وتكوين أدوات المراقبة دون مغادرة البيئة.

تتضمن مجموعة Watsonx ثلاثة مكونات رئيسية:

بالنسبة للتحليلات التنبؤية على وجه التحديد، فإن watsonx.ai هو الواجهة الرئيسية التي ستستخدمها. وهو يتضمن AutoAI، وهو أداة إنشاء تجارب بدون كتابة أكواد برمجية تختار الخوارزميات وترتب النماذج المرشحة تلقائيًا.

يركز باقي هذا الدليل على سير عمل AutoAI داخل watsonx.ai. هذا هو أسرع طريق لبدء تشغيل نموذج تنبؤي فعال.

دليل تفصيلي لإنشاء نموذج تنبؤي في Watsonx

يفترض هذا الدليل التفصيلي أن لديك بالفعل حساب IBM Cloud ومشروع Watsonx تم إنشاؤه. يمكن إكمال العملية بأكملها مباشرةً في متصفحك دون الحاجة إلى إعداد أي بيئة محلية. وإليك كيفية القيام بذلك:

الخطوة 1: قم بإعداد بياناتك وتحميلها

ابدأ بتنظيم بياناتك في شكل جدولي، مثل ملف CSV. يجب أن يحتوي هذا الملف على عمود هدف محدد بوضوح يحدد الشيء المحدد الذي تريد التنبؤ به. كما يحتاج أيضًا إلى أعمدة ميزات، وهي المدخلات التي يتعلم منها النموذج.

لتحميل بياناتك، انتقل إلى مشروع Watsonx الخاص بك وافتح علامة التبويب "الأصول". من هناك، يمكنك تحميل ملف CSV مباشرةً أو الاتصال بمصدر بيانات عبر watsonx.data.

تأكد من الانتباه إلى بعض المشكلات الشائعة المتعلقة بالبيانات قبل البدء:

الخطوة 2: تدريب نموذج تنبؤي باستخدام AutoAI

هنا تبدأ عملية تدريب النموذج. من مساحة عمل مشروعك، انقر على "إنشاء تجربة AutoAI جديدة".

حدد مجموعة البيانات التي قمت بتحميلها واختر العمود المستهدف. من هناك، يمكنك تكوين نوع التجربة وأي إعدادات اختيارية، مثل كيفية تقسيم بياناتك بين التدريب والاختبار.

قم بتشغيل التجربة للسماح لـ AutoAI بإنشاء لوحة تصنيف خط الأنابيب تلقائيًا. تصنف لوحة التصنيف هذه النماذج المرشحة وفقًا للمقياس الذي اخترته، مثل الدقة أو درجة F1.

يمثل كل صف في لوحة المتصدرين مزيجًا فريدًا من خوارزميات التعلم الآلي وهندسة الميزات. وعادةً ما يكون المسار الأعلى تصنيفًا هو الذي توصي به AutoAI لمجموعة البيانات الخاصة بك.

لا تفترض أن المسار الأعلى تصنيفًا هو الخيار الصحيح تلقائيًا. من المفيد مقارنة المسارين أو الثلاثة مسارات الأعلى تصنيفًا بدلاً من اختيار المسار الأول دون تردد. يمكنك النقر فوق أي منها للتحقق من أمور مثل الميزات الأكثر أهمية أو كيفية ارتكاب النموذج للأخطاء باستخدام مصفوفات الارتباك.

الخطوة 3: نشر نموذجك التنبئي

بمجرد اختيار مسار عمل ناجح، احفظه كنموذج في مشروعك. يجب عليك بعد ذلك ترقية هذا النموذج المحفوظ إلى مساحة نشر. مساحة النشر هي بيئة منفصلة مصممة خصيصًا لأحمال العمل الإنتاجية.

يمكنك الاختيار بين النشر عبر الإنترنت والنشر الدفعي. يوفر لك النشر عبر الإنترنت واجهة برمجة تطبيقات REST في الوقت الفعلي للتنبؤات عند الطلب. أما النشر الدفعي فيقوم بتقييم مجموعات البيانات الكبيرة وفقًا لجدول زمني محدد.

استخدم علامة التبويب "الاختبار" المدمجة لإرسال عينة من حمولة الإدخال. يتيح لك ذلك التحقق من ناتج التنبؤ قبل دمجه مع الأنظمة التالية. ينتج عن النشر نقطة نهاية واجهة برمجة تطبيقات (API) وعنوان URL للتقييم لتستدعيه التطبيقات الخارجية.

الخطوة 4: مراقبة أداء النموذج وتقييمه

قد يتدهور أداء النموذج الذي تم تدريبه على البيانات التاريخية بمرور الوقت مع تغير الأنماط في العالم الواقعي. يُطلق على هذا التدهور اسم "الانحراف"، ويمكن أن يؤدي إلى انخفاض جودة النموذج بشكل تدريجي بمرور الوقت.

لتتبع أداء نموذجك باستمرار في العالم الواقعي واكتشاف المشكلات قبل أن تتفاقم، قم بتمكين المراقبة من خلال مكون Watson OpenScale، ثم اربط عملية النشر بأداة المراقبة وقم بتكوين عتبات الجودة الخاصة بك من حيث الدقة والإحكام.

إذا كان تنبؤك يتضمن سمات حساسة، فتأكد من تكوين أدوات مراقبة الإنصاف للحفاظ على الحياد.

يمكن للنظام إنشاء تفسيرات لكل تنبؤ توضح بالضبط الميزات التي أدت إلى نتيجة معينة. ومن هناك، يمكنك تعيين وتيرة شهرية لمراجعة لوحات معلومات المراقبة هذه وإعادة تدريب النموذج في حالة انخفاض الجودة.

قبل أن نختتم هذا القسم، من المهم أن نفهم أن كل خطوة في هذه العملية تشمل أشخاصًا مختلفين. وبدون نظام لتتبع التنفيذ، يمكن أن تتباطأ العملية بسرعة وتخرج عن نطاق السيطرة.

بدون طريقة منظمة لإدارة ذلك، قد ينتهي بك الأمر سريعًا إلى الاعتماد على الملاحظات المتناثرة أو رسائل Slack أو رسائل البريد الإلكتروني أو الذاكرة، وهنا تحدث التأخيرات وتفوت الخطوات. ونتيجة لذلك، تصبح إدارة المهام أمرًا بالغ الأهمية.

بدلاً من ترك هذه الخطوات منفصلة عن بعضها، توفر مهام ClickUp نظامًا حيث:

ولا يتوقف الأمر عند هذا الحد. فكل مهمة مدعومة أيضًا بالسياق والبيانات المنظمة التي تدعم تنفيذها.

وبالتالي، بدلاً من أن تكون المهام عبارة عن مهام غامضة، تصبح وحدات عمل مدمجة تمامًا في السياق، وواضحة، ومخصصة، وجاهزة للتنفيذ.

ولكن الأمر لا يقتصر على مجرد تتبع المهام؛ فهذه المهام ليست إجراءات تتم مرة واحدة فقط. إنها سير عمل مستمر يحتاج باستمرار إلى مستوى معين من الإجراءات اليدوية المتكررة.

على سبيل المثال:

تخطو ClickUp Automations خطوة إلى الأمام من خلال القضاء على عمليات التسليم اليدوية بين سير العمل هذه عن طريق تشغيل إجراءات تلقائية بناءً على شروط محددة مسبقًا.

في حالة تحميل مجموعة بيانات جديدة، يتم إنشاء مهمة التحقق تلقائيًا وتعيينها لمحلل البيانات. وبمجرد وضع علامة "جاهز" عليها، يتم تعيين مهمة تدريب النموذج تلقائيًا لمهندس التعلم الآلي. وعند اكتمال التدريب، يتم تشغيل مهمة النشر لأخصائي عمليات التعلم الآلي.

وبهذه الطريقة، تتسلسل كل خطوة إلى التالية دون الحاجة إلى عمليات نقل يدوية. يتم إنشاء المهام وتخصيصها وإثرائها بالسياق تلقائيًا، بحيث يستمر سير العمل بأكمله دون انقطاع.

حالات استخدام التحليلات التنبؤية للفرق

فيما يلي الطرق الأكثر شيوعًا التي تستخدم بها الفرق التحليلات التنبؤية:

في كل هذا، من المهم ملاحظة أن قيمة هذه التنبؤات تتضاعف فقط عندما يتم تغذية النتائج مباشرةً إلى الأدوات التي يستخدمها فريقك بالفعل لتنفيذ القرارات التي تؤثر عليها.

🎯 اقتراحنا: انقل هذه الرؤى إلى مساحة عمل متكاملة للذكاء الاصطناعي مثل ClickUp.

مع ClickUp، لا تقتصر مهمتك على إدارة سير عمل تدريب النماذج فحسب. بل تدير أيضًا عملياتك اليومية في نفس المكان، بحيث يمكن لتلك التنبؤات أن تؤدي مباشرةً إلى عمل حقيقي عبر الفرق.

يمكن لكل فريق تنظيم سير العمل الخاص به داخل مهام ClickUp، تمامًا كما يفعل فريق التعلم الآلي الخاص بك للتدريب والنشر. إنه نفس النظام، ولكن مع حالات استخدام مختلفة.

ولا يقتصر الأمر على التنفيذ فقط. باستخدام لوحات معلومات ClickUp، يمكنك:

كل ما عليك فعله هو اختيار الأداة التي تفضلها، سواء كانت مخططات شريطية أو مخططات دائرية أو مخططات خطية أو أدوات تتبع التقدم. بهذه الطريقة، لن ينتهي الأمر بنموذجك في أداة واحدة، وتنفيذك في أداة أخرى؛ بل يبقى كل شيء متصلاً في مكان واحد.

كما أن رؤيتك لا تقتصر على توجيه القرارات فحسب؛ بل إنها تحفزها وتُخصص وتتبع وتُنفذ فعليًا.

💡 نصيحة للمحترفين: يمكنك استخدام ClickUp Brain كمساعد ذكاء اصطناعي مدمج في مساحة العمل بأكملها.

إنها ليست أداة منفصلة؛ بل هي طبقة الذكاء داخل مساحة عمل ClickUp الخاصة بك، مما يعني أنها تحتوي بالفعل على سياق لمهامك وبياناتك وسير عملك.

وبالتالي، بدلاً من مجرد تتبع المهام، سيكون لديك مساعد ذكاء اصطناعي يعمل إلى جانبك، ويساعدك على فهم ما يحدث والتحرك بسرعة أكبر نحو الخطوة التالية التي يجب القيام بها.

على سبيل المثال، يمكنك @mention Brain في تعليق على المهمة، تمامًا كما تفعل مع زميل في الفريق، وتسأل:

• "لخص أحدث تقرير عن الانحراف وسلط الضوء على ما يحتاج إلى اهتمام."
• "ما الذي تغير في أداء نموذجنا خلال آخر 30 يومًا؟"

جرب ClickUp Brain

سيستمد البيانات من مساحة العمل الخاصة بك ويقدم لك إجابة واضحة وفورية. كما يمكنه إنشاء مهام لك. يمكنك أن تطلب منه:

• اكتب تحديثًا سريعًا للمساهمين يشرح سبب إعادة نشر النموذج
• ضع خطة لإعادة التدريب بناءً على الانخفاضات الأخيرة في الأداء
• قم بإنشاء قائمة مراجعة للتحقق من صحة مجموعة بيانات جديدة قبل التدريب

نظرًا لأن ClickUp يوفر مساحة عمل متكاملة، فلن يضطر فريقك إلى التوفيق بين أدوات منفصلة للتواصل والتنفيذ أيضًا.

يمكن إجراء جميع محادثاتك مباشرةً في ClickUp Chat، سواء كان ذلك لمناقشة انخفاض دقة النموذج، أو مراجعة تنبيه انحراف تم الإبلاغ عنه، أو تحديد الخطوات التالية بعد فشل عملية النشر.

ولكن الأهم من ذلك، أن تلك المحادثات لا تبقى حبيسة النظام.

لضمان أن تؤدي المناقشات إلى اتخاذ إجراءات، استخدم ميزة "تعيين التعليقات". في أي وقت أثناء المحادثة، يمكنك تعيين رسالة إلى عضو معين في الفريق، لتحويلها على الفور إلى بند عمل واضح.

وبالتالي، بدلاً من أن تضيع المحادثات أو تنتهي بعبارة "يجب أن نفعل هذا"، فإنها تصبح مهام يتم تنفيذها فعليًا وتتبعها من البداية إلى النهاية، كل ذلك داخل ClickUp Chat.

🎥 لفهم المشهد الأوسع لتطبيقات الذكاء الاصطناعي في مجال الأعمال بشكل أفضل، شاهد هذا العرض العام لحالات استخدام الذكاء الاصطناعي في العالم الواقعي، والتي توضح كيف تطبق المؤسسات الذكاء الاصطناعي عبر مختلف الوظائف والقطاعات. ✨

قيود استخدام IBM Watsonx للتحليلات التنبؤية

كل أداة لها مزاياها وعيوبها، وWatsonx ليس استثناءً. إنه قوي، نعم، ولكن ضع في اعتبارك هذه القيود قبل الالتزام بالمنصة:

تسلط هذه القيود الضوء ببساطة على النقاط التي يجب أن تتدخل فيها الأدوات التكميلية. وينطبق هذا بشكل خاص على الجانب العملي من مسار التنبؤ.

أدوات الذكاء الاصطناعي البديلة للتحليلات التنبؤية

Watsonx ليس الخيار الوحيد المتاح في السوق للنمذجة التنبؤية. اعتمادًا على خبرتك التقنية، قد تكون هناك منصات أخرى تناسب نظامك بشكل أفضل. يقارن الجدول أدناه بينها في لمحة سريعة.

لا تكتفِ بالتنبؤ، بل نفذ مع ClickUp

يتبع استخدام IBM Watsonx للتحليلات التنبؤية مسارًا واضحًا بدءًا من إعداد البيانات وحتى مراقبة الانحرافات، ولكن هذا هو الجزء الأسهل. أما الجزء الأصعب فيتمثل في التأكد من أن هذه التنبؤات تغير بالفعل طريقة عمل فريقك.

التنبؤات الموجودة في لوحات المعلومات التي لا يتحقق منها أحد هي مجرد إهدار للموارد الحاسوبية، أما الفرق التي تحقق قيمة حقيقية فهي تربط مخرجات نماذجها مباشرة بسير عمل التنفيذ من خلال التنبيهات الآلية والمهام التي أعيد ترتيب أولوياتها.

إذا كنت تريد مساحة عمل واحدة تجمع بين رؤى الذكاء الاصطناعي وتنفيذ المشاريع والتواصل بين أعضاء الفريق، فابدأ اليوم مجانًا مع ClickUp. ✨

الأسئلة الشائعة

إنها منصة بيانات وذكاء اصطناعي للمؤسسات مخصصة لإنشاء نماذج التعلم الآلي وتدريبها ونشرها. تستخدمها الفرق لإدارة مستودعات البيانات الخاصة بها ومراقبة حوكمة الذكاء الاصطناعي من بيئة سحابية واحدة.

AutoAI هي أداة لا تتطلب كتابة أي كود، تعمل على تحليل بياناتك الجدولية تلقائيًا لاختيار أفضل خوارزميات التعلم الآلي. وهي تقوم بتصميم الميزات وتصنيف النماذج المرشحة في قائمة ترتيب حتى تتمكن من نشر الخيار الأكثر دقة.

تتطلب المنصة فهمًا عميقًا لمفاهيم السحابة لتكوين مساحات النشر وأدوات مراقبة الحوكمة. كما أنها لا تقوم بأتمتة العملية اليدوية لتنظيف البيانات الأولية وتنظيمها قبل تحميلها.