تسعى Databricks إلى نقل الذكاء الاصطناعي المؤسسي من مرحلة البحث الدلالي واسترجاع المعلومات إلى مرحلة أكثر نضجاً، تقوم على بناء طبقة سياق مشتركة يفهم من خلالها الوكلاء الآليون معاني الأعمال داخل المؤسسة. ويأتي ذلك عبر أداة جديدة تحمل اسم Genie Ontology، ما تزال في مرحلة المعاينة، وتهدف إلى توحيد تعريفات العمل وربطها بمصادر المعرفة الداخلية الأكثر موثوقية.
الفكرة الأساسية هنا بسيطة من حيث المبدأ، لكنها معقدة في التنفيذ: بدلاً من أن يجيب النموذج وفقاً لما يبدو قريباً من السؤال فقط، تُنشئ Databricks بنية معرفية حية تستخلص سياق العمل من البيانات ولوحات المعلومات والاستعلامات وخطوط المعالجة والمستندات والتطبيقات، ثم تنظمه في شكل رسم بياني يمكن للوكلاء الاعتماد عليه عند اتخاذ القرار.
من البحث المتشابه إلى فهم معنى البيانات
لطالما اعتمدت تطبيقات الذكاء الاصطناعي المؤسسي على أدوات مثل قواعد البيانات المتجهة وتقنيات الاسترجاع المعزز، أو ما يعرف بـ RAG، لتحسين دقة الإجابات. لكن هذه الأدوات، رغم فائدتها، لا تفهم السياق التشغيلي للمؤسسة بحد ذاته، بل تعيد ما يشبه السؤال من حيث المعنى اللغوي أو الدلالي. هذا هو الفارق الذي تحاول Genie Ontology معالجته.
بدلاً من اعتبار كل المصادر متساوية، تستخدم Databricks آلية ترجيح تحدد أي تعريف تجاري ينبغي أن يُعتمد عليه. وتستند هذه الآلية إلى عدة إشارات، من بينها الجهة التي أنشأت المعلومة، ومدى انتشار استخدامها داخل المؤسسة، وارتباطها بأصول معتمدة أو مجموعات بيانات موثقة، إضافة إلى حداثة التحديث. بهذه الطريقة، لا يعود اختيار الإجابة مسألة تشابه نصي فقط، بل مسألة ثقة ومصدر وملاءمة تنظيمية.
وتقول الشركة إن المؤسسات تستطيع أيضاً تحميل تعريفاتها الخاصة أو أنطولوجياتها الداخلية عبر منصة Unity Catalog Semantics، ما يمنحها مرونة أكبر في مواءمة النموذج مع المصطلحات المستخدمة بالفعل في العمل اليومي.
لماذا تراهن الشركات على طبقة سياق موحدة
في بيئات المؤسسات الكبيرة، كثيراً ما تظهر المشكلة نفسها بصيغ مختلفة: فرق متعددة تستخدم المصطلح ذاته بمعانٍ مختلفة، أو تعتمد لوحات معلومات متباينة لتفسير المؤشر نفسه. ومع توسع اعتماد الذكاء الاصطناعي الوكيل، تصبح هذه الفوضى أكثر حساسية، لأن الوكيل لا يكتفي بالإجابة، بل قد ينفذ إجراءً أو يطلق سير عمل بناءً على ما فهمه.
لهذا السبب يرى محللون أن طبقات السياق الموحدة قد تصبح ركناً أساسياً في عمليات الذكاء الاصطناعي المؤسسي. فهي تمنح الأنظمة درجة أعلى من الاتساق، وتقلل احتمالات ظهور إجابات متناقضة لنفس السؤال، كما تساعد في إظهار المسار الذي استندت إليه النتيجة وصولاً إلى المصدر الأصلي. وفي بيئة تشهد منافسة قوية على بناء وكلاء موثوقين، تعد هذه العناصر حاسمة.
ويشير هذا الاتجاه إلى انتقال الاهتمام من مجرد تحسين دقة الاسترجاع إلى بناء علاقة تشغيلية بين النموذج والبيانات والمصطلحات الداخلية. فالسؤال لم يعد: هل وجد النموذج شيئاً قريباً؟ بل أصبح: هل فهم ما تعنيه المؤسسة عندما تستخدم هذا المصطلح، ومن يملك تعريفه، وأي نسخة منه يجب أن يعتمد؟
جودة البيانات تظل العامل الحاسم
رغم الوعود الكبيرة، يحذر محللون من أن نجاح مثل هذه الطبقات لا يعتمد على التقنية وحدها. فوجود أنطولوجيا أو طبقة دلالية لا يصلح تلقائياً تعريفات مضطربة أو بيانات غير مترابطة أو صلاحيات موزعة بشكل غير متسق. وإذا كانت الأسس ضعيفة من الأصل، فإن إضافة طبقة سياق جديدة قد تسرّع المشكلة بدلاً من حلها.
وتتطلب هذه المقاربة مستوى عالياً من الحوكمة الداخلية، بما يشمل ملكية واضحة للبيانات، وملكية للمؤشرات، وآليات لمراجعة التعريفات المتعارضة، وخبرة مجال قادرة على تحديث المصطلحات مع تغير الأعمال. كما تحتاج المؤسسات إلى الحفاظ على هذه الطبقة محدثة بصورة مستمرة، لا مجرد إنشائها مرة واحدة. فالنموذج الذي يعكس الواقع اليوم قد يصبح قديماً غداً إذا تغيرت السياسات أو الهياكل أو طرق القياس.
ومن هنا جاء التحذير الأبرز لدى بعض الخبراء: إذا لم تكن حوكمة البيانات جاهزة بالفعل، فقد لا تكون الأنطولوجيا حلاً سحرياً، بل مجرد غلاف أكثر أناقة لمشكلة قديمة.
تنافس متصاعد بين مزودي المنصات
إطلاق Genie Ontology لا يندرج فقط ضمن تحسينات Databricks التقنية، بل يكشف أيضاً عن سباق أوسع بين مزودي المنصات السحابية والبيانات للسيطرة على طبقة التنسيق الأساسية للذكاء الاصطناعي المؤسسي. فهناك اتجاه متزايد لدى شركات كبرى أخرى لتقديم مفاهيم مشابهة تحت مسميات مختلفة مثل السياق الدلالي، أو طبقة الفهم المؤسسي، أو التحكم الذكي في المعرفة.
هذا التعدد في الأسماء قد يبدو مربكاً للعملاء، لكنه يعكس حقيقة سوقية أوسع: كل مزود يحاول أن يصبح المكان الذي تُدار منه علاقة المؤسسة ببياناتها ومعانيها ووكلائها الذكيين. وفي هذا الإطار، تتنافس المنصات ليس فقط على التخزين أو التحليلات، بل على أن تصبح طبقة التشغيل التي يستند إليها الذكاء الاصطناعي نفسه.
وتبرز أهمية موقع البيانات هنا بوضوح. فالمؤسسات غالباً ما تميل إلى بناء القدرات الجديدة فوق المنصة التي تحتفظ فيها أصلاً ببياناتها وتتحكم فيها. لذلك، لا يُقاس نجاح هذه الأدوات بمدى جاذبية الفكرة فقط، بل بمدى قدرتها على الاندماج مع البيئة القائمة دون خلق طبقات إضافية من التعقيد.
الرهان الحقيقي: الذكاء الاصطناعي القابل للتحقق
المرحلة المقبلة في الذكاء الاصطناعي المؤسسي تبدو مرتبطة بقدرة الأنظمة على تقديم إجابات موثوقة وقابلة للتحقق، وليس فقط إجابات تبدو مقنعة. فالسياق مهم، لكنه ليس كافياً وحده. قد يلتقط النظام تعريفاً صحيحاً من حيث الشكل، لكنه يخطئ في المنطق، أو يتجاوز سجلات معينة، أو يفسر سير العمل بطريقة غير دقيقة، أو ينفذ إجراءً غير مناسب.
لذلك يصف محللون التحدي المقبل بأنه التنفيذ القابل للتحقق. بمعنى أن المنصة التي ستفوز على المدى الطويل لن تكون بالضرورة الأكثر قدرة على ربط البيانات فقط، بل الأكثر قدرة على إثبات أن ما يقوله الوكيل وما يفعله يمكن تتبعه ومراجعته ومحاسبته.
في هذا السياق، تبدو Genie Ontology خطوة ضمن محاولة أوسع من Databricks لتعزيز موقعها كمنصة مركزية للبيانات والحوكمة وسير عمل الوكلاء. وإذا نجحت الفكرة، فقد لا تكون مجرد ميزة إضافية، بل جزءاً من التحول الأكبر نحو ما يشبه سجل النظام للوكلاء الذكيين، أي المصدر الذي تقرأ منه الأنظمة وتفكر عبره وتتحرك بواسطته.
لكن النتيجة النهائية ستعتمد على شيء واحد أساساً: هل تستطيع المؤسسات ضبط بياناتها وتعريفاتها وحوكمتها بما يكفي لجعل الذكاء الاصطناعي يفهم العمل كما يفهمه البشر داخل الشركة؟ هذا هو السؤال الذي سيحدد ما إذا كانت طبقة السياق ستصبح معياراً جديداً، أم مجرد فصل آخر في تاريخ طويل من مشاريع البيانات الوصفية.