Jerry Dotson · نائب الرئيس، حلول الحكومة، Avaya
يعمل التحديث بأفضل شكل عندما تكون الفرق واضحة بشأن ما يجب أن يظل موثوقاً به وما يمكن تغييره بأمان. البنية المعمارية غير المتحيزة للذكاء الاصطناعي هي الطريقة للقيام بذلك للاتصالات المهمة، مع الحفاظ على الأساس ثابتًا بينما تتطور قدرات الذكاء الاصطناعي حوله.
في منشورتي الأخيرة حول الاستعداد لـ IL4، شرحت نهج Avaya بهذه الطريقة. لا نحدد الأدوات أو النماذج التي يستخدمها وزارة الحرب. نركز على ضمان أن طبقة الاتصالات يمكنها دعم هذه الاختيارات بأمان دون إغلاق الوكالات على خارطة طريق موفر واحد.
هذا التمييز مهم. هذا ما أقصده بـ “العمارة غير المتحيزة للذكاء الاصطناعي”، وهو الفرق بين إضافة قدرة جديدة والضرورة لإعادة بناء الأنظمة كلما تغير السوق.
ما الذي يعنيه بنية تحتية غير معتمدة للذكاء الاصطناعي فعليًا
العمارة غير المتحيزة للذكاء الاصطناعي تشير إلى الأنظمة المصممة للحفاظ على وظائف المهمة الأساسية مستقرة مع تطور قدرات الذكاء الاصطناعي. تستمر منصات الاتصالات في توفير الاعتمادية، الأمان، والتوافر حتى مع إدخال أدوات تحليلية جديدة، أوتوماتيكية، أو دعم القرار، أو تحسينها أو استبدالها.
هذا مهم لأن الابتكار في الذكاء الاصطناعي يتحرك أسرع من معظم الأنظمة التشغيلية التي صممت لتستوعبها. تتعامل المؤسسات بشكل متزايد مع نماذج ذكاء اصطناعي متعددة من مزودين مختلفين في وقت واحد بدلاً من التوحيد على خيار واحد. على مستوى البنية التحتية، تظهر هذه المرونة بالفعل في كيفية تعامل الشركات مع بيئات السحابة، حيث أصبحت نشرات السحابة المتعددة شائعة الآن لإدارة أحمال العمل المتنوعة.
المنشأة غير متحيزة للذكاء الاصطناعي تتماشى مع تلك الحقيقة. تتجنب النشر المنفصل وتسمح لأنظمة المهمة أن تتطور دون أن تكون مرتبطة بمزود واحد أو خارطة طريق.
حيث يلتقي التسريع مع الهندسة المعمارية
يُظهر استراتيجية تسريع الذكاء الاصطناعي لوزارة الحرب نموذجها التشغيلي: دورات أسرع، تكرار سريع، وهياكل مفتوحة معيارية مبنية للتغيير.
هذا التركيز يغيّر مكان وجود المخاطر.
عندما يطلب القسم التوافق النموذجي وتيرة التحديث السريعة، فهو يعترف بأن نهجًا واحدًا لن يبقى صحيحًا طويلاً. عندما يفضّل المنافسة على التخطيط المركزي، يخلق مساحة لعدة حلول لتعايش. عندما يعزز مبادئ MOSA، يشير إلى أن الأنظمة يجب أن تُبنى لاستبدال المكوّنات بدلاً من إعادة التصميم الشامل. في هذا البيئة، تصبح البنية إما مضاعف قوة أو عنق زجاجة.
إذا كانت الاتصالات المهمة مرتبطة بشبكة واحدة، يصبح كل تغيير أكثر صعوبة. تتباطأ التحديثات، وتصبح التجارب مكلفة. مع مرور الوقت، يتحول التسارع إلى احتكاك—خاصة في بيئات مستوى الأثر حيث لا يمكن أن تتراجع الأمان والتوافر.
حيث يظهر التثبيت أولاً
نادراً ما يظهر التثبيت كفشل تقني واضح. غالباً ما يظهر عندما تحاول الفرق إدخال شيء جديد وتكتشف أن المسار المتاح أضيق من المتوقع:
- قد يجد مركز الاتصال أن إضافة قدرة جديدة تتطلب إعادة تصميم كل سير عمل لأن موفر الذكاء الاصطناعي مدمج بعمق جدًا.
- قد تُقيد تحسينات التحليلات بدورة إصدار لا تتطابق مع احتياجات المهمة.
- يمكن أن تتوقف جهود الأتمتة عندما يثير كل تغيير جولة أخرى من الموافقات أو إعادة الاختبار.
تتجه هذه الضغوط إلى أنظمة الاتصالات أولاً. تدعم التفاعلات ذات الحجم الكبير، وتقع مباشرة تحت تنسيق المهمة، ولا يمكنها تحمل الانقطاع مع تزايد وتيرة التغيير. في تلك اللحظات، تسمح المرونة بالاستمرار في التحديث دون كسر ما يعمل بالفعل.
"الالتزام لا يبطئ الابتكار على الحافة. إنه يبطئ الأنظمة التي يستخدمها الناس يوميًا."
ما الذي يمكّن طبقة الاتصالات غير المتحيزة للذكاء الاصطناعي
يوفر طبقة اتصالات غير متحيزة للذكاء الاصطناعي استقرارًا بينما يستمر كل ما فوقها في التطور. يتيح ذلك للمؤسسات تقديم واختبار وتحسين قدرات الذكاء الاصطناعي دون تعطيل طريقة تواصل الناس أو تشغيل المهام اليومية.
من الناحية العملية، يهم هذا الفصل
- يمكن أن تتغير نماذج الذكاء الاصطناعي دون إجبار الفرق على إعادة كتابة تدفقات المكالمات.
- يمكن تحليلات البيانات أن تتطور دون تغيير منطق التوجيه الأساسي
- يمكن إضافة الأتمتة واختبارها واستبدالها دون الحاجة إلى إعادة تصميم أو إعادة اعتماد النظام بأكمله
خلال تلك التغييرات، يظل الأمن والتوافر متسقين.
"في Avaya، هذه هي مشكلة التصميم التي نركز عليها. الحفاظ على اتصالات المهمة مستقرة وآمنة، مع منح الفرق مرونة تبني قدرات الذكاء الاصطناعي وفقًا لشروطهم الخاصة."
الإرشادات الأمنية من NIST وCloud Security Alliance تؤكد باستمرار على معماريات طبقية، معيارية لتحسين المرونة وتقليل المخاطر النظامية مع تطور الأنظمة. ينطبق نفس المنطق تحت شروط مستوى التأثير الصارمة. عندما يجب أن تبقى الأنظمة آمنة، متاحة، ومرنة بينما تتغير القدرات، يجعل الأساس غير المتحيز التكيف أكثر أمانًا بدلاً من أن يكون أكثر خطورة.
كيف تتعرف على منصة حقيقية غير متحيزة للذكاء الاصطناعي
طريقة واحدة لتقييم بنية تحتية غير معتمدة على الذكاء الاصطناعي هي طرح بعض الأسئلة العملية:
- هل يمكن تغيير أدوات أو نماذج الذكاء الاصطناعي دون تعطيل سير العمل المهم؟
- هل يمكن للتشغيل الآلي التطور دون إعادة تصميم نظام الاتصالات الأساسي؟
- هل يمكن للعديد من المزودين الوجود بأمان داخل نفس البيئة؟
- هل يدعم المنصة النماذج السحابية، على-prem، والهجينة مع تغير المتطلبات؟
- هل يظل الأمان متسقًا مع تغير القدرات؟
إذا كان الجواب "لا"، فمن المحتمل أن يتباطأ التسارع في اللحظة التي تهم أكثر.
المرونة هي ما يدعم التسارع
تسريع الذكاء الاصطناعي ليس مبادرة لمرة واحدة. إنه حالة مستمرة.
الحفاظ على هذا الوتيرة يتطلب أنظمة يمكن أن تتغير دون كسر الثقة أو الاستمرارية أو جاهزية المهمة. يدعم التصميم غير المتحيز للذكاء الاصطناعي هذا الهدف من خلال الحفاظ على استقرار الاتصالات مع السماح للابتكار بالتحرك بسرعة تتطلبها المهمة.
هذا هو المكان الذي يتم فيه خلق القيمة الحقيقية. ليس من خلال تحديد أدوات الذكاء الاصطناعي التي يجب على الوكالات استخدامها، بل من خلال ضمان أن الأنظمة التي تحمل المحادثات، والطلبات، والتنسيق مبنية لتتكيف.
تعرف أكثر على كيفية دعم Avaya للاتصالات الآمنة والجاهزة للمهام لوزارة الحرب.
الأسئلة المتداولة حول بنية تحتية غير متحيزة للذكاء الاصطناعي
س. ما هي بنية غير متحيزة للذكاء الاصطناعي؟
تشير بنية معمارية غير متحيزة للذكاء الاصطناعي إلى تصاميم نظام تسمح لأدوات الذكاء الاصطناعي والنماذج بالتحول مع مرور الوقت دون الحاجة لإعادة بناء أنظمة المهمة الأساسية.
Q. هل الذكاء الاصطناعي غير متحيز هو نفس الشيء مع عدم التحيز للنموذج أو عدم التحيز للـLLM؟
إنها مرتبطة لكنها ليست متطابقة. عادةً ما يُشير النموذج غير المتحيز أو LLM غير المتحيز إلى القدرة على العمل مع نماذج ذكاء اصطناعي مختلفة. الذكاء الاصطناعي غير المتحيز أوسع، ويشمل كيف تُدمج النماذج، الأدوات، التحليلات، والأتمتة في الأنظمة التشغيلية دون خلق اعتماد على مزود واحد.
س. لماذا يهم التصميم غير المتحيز للذكاء الاصطناعي للمنظمات الحكومية والدفاعية؟
تعمل بيئات الحكومة والدفاع تحت متطلبات أمان صارمة، وتوافر، وجاهزية للمهام. يساعد التصميم غير المتحيز للذكاء الاصطناعي الوكالات على تبني قدرات جديدة بسرعة مع تجنب قفل البائع الذي قد يبطئ التكيف أو يُدخل مخاطر تشغيلية.
س. هل يقلل التصميم غير المتحيز للذكاء الاصطناعي من الحوكمة أو الضوابط؟
لا. الأمان والحكم والامتثال لا يزالان أساسيين. الفرق هو أن الضوابط تُطبّق على المستوى المعماري بدلاً من ربطها بمزود ذكاء اصطناعي واحد.
س. كيف يرتبط هذا بمستويات الأثر؟
يجب أن تتعامل الأنظمة التي تعمل على مستويات تأثير أعلى، مثل IL4، مع البيانات الحساسة مع البقاء مرنة. يدعم البنية التحتية غير المتحيزة للذكاء الاصطناعي تلك التوقعات من خلال السماح بالتغيير دون إضعاف الأمان أو التوافر.
س. كيف يمكن للمنظمات معرفة ما إذا كانت المنصة حقًا غير متحيزة للذكاء الاصطناعي؟
اختبار مفيد هو ما إذا كان يمكن تغيير أدوات أو نماذج الذكاء الاصطناعي دون تعطيل سير العمل، ما إذا كان يمكن للعديد من الموفرين التعايش بأمان، وما إذا كان الأمان والصلابة يظلان متسقين مع تطور القدرات.

