ساكيت سوراب، الرئيس التنفيذي والمؤسس المشارك لشركة Nexla – سلسلة المقابلات
ساكت صورابالرئيس التنفيذي والمؤسس المشارك لشركة Nexla، هو رجل أعمال لديه شغف عميق بالبيانات والبنية الأساسية. وهو يقود تطوير منصة هندسة البيانات الآلية من الجيل التالي والمصممة لإضفاء الحجم والسرعة على أولئك الذين يعملون مع البيانات.
في السابق، أسس سوراب شركة ناشئة ناجحة في مجال الهواتف المحمولة حققت إنجازات مهمة، بما في ذلك الاستحواذ، والطرح العام الأولي، والنمو إلى شركة بملايين الدولارات. كما ساهم في العديد من المنتجات والتقنيات المبتكرة خلال فترة عمله في إنفيديا.
نيكسلا يتيح أتمتة هندسة البيانات بحيث تكون البيانات جاهزة للاستخدام. ويحققون ذلك من خلال نهج فريد من نوعه نيكستس – منتجات البيانات التي تسهل على أي شخص دمج البيانات وتحويلها وتسليمها ومراقبتها.
Whهل ألهمك أحد المشاركين في تأسيس Nexla، وكيف ساهمت تجاربك في مجال هندسة البيانات في تشكيل رؤيتك للشركة؟
قبل تأسيس Nexla، بدأت رحلتي في هندسة البيانات في شركة Nvidia لبناء تكنولوجيا متطورة وقابلة للتطوير على جانب الحوسبة. بعد ذلك، قمت برحلة استحواذ وطرح عام أولي لشركتي الناشئة السابقة في مجال الإعلان عبر الهاتف المحمول، حيث كانت كميات كبيرة من البيانات والتعلم الآلي جزءًا أساسيًا من عروضنا، حيث نقوم بمعالجة حوالي 300 مليار سجل من البيانات يوميًا.
بالنظر إلى المشهد في عام 2015 بعد طرح شركتي السابقة للاكتتاب العام، كنت أبحث عن التحدي الكبير التالي الذي أثار حماسي. ومن خلال هاتين الخلفيتين، كان من الواضح جدًا بالنسبة لي أن تحديات البيانات والحوسبة كانت تتقارب مع تحرك الصناعة نحو تطبيقات أكثر تقدمًا مدعومة بالبيانات والذكاء الاصطناعي.
ورغم أننا لم نكن نعلم في ذلك الوقت أن الذكاء الاصطناعي التوليدي سوف يتقدم بالسرعة التي تقدم بها، فقد كان من الواضح أن التعلم الآلي والذكاء الاصطناعي سوف يشكلان الأساس للاستفادة من البيانات. لذا بدأت أفكر في نوع البنية الأساسية اللازمة لتمكين الناس من النجاح في العمل بالبيانات، وكيف يمكننا أن نجعل من الممكن لأي شخص، وليس المهندسين فقط، الاستفادة من البيانات في حياتهم المهنية اليومية.
وقد أدى ذلك إلى ظهور رؤية Nexla – لتبسيط وأتمتة الهندسة وراء البيانات، حيث كانت هندسة البيانات حلاً مخصصًا للغاية داخل معظم الشركات، وخاصة عند التعامل مع مشاكل البيانات المعقدة أو واسعة النطاق. وكان الهدف هو جعل البيانات في متناول مجموعة أوسع من المستخدمين، وليس فقط مهندسي البيانات. وقد غذت خبراتي في بناء أنظمة وتطبيقات بيانات قابلة للتطوير هذه الرؤية لإضفاء الطابع الديمقراطي على الوصول إلى البيانات من خلال الأتمتة والتبسيط.
كيف تُجسّد Nexsets مهمة Nexla المتمثلة في جعل البيانات جاهزة للاستخدام للجميع، ولماذا يعد هذا الابتكار أمرًا بالغ الأهمية للمؤسسات الحديثة؟
تُجسّد Nexsets مهمة Nexla المتمثلة في جعل البيانات جاهزة للاستخدام للجميع من خلال معالجة التحدي الأساسي المتمثل في البيانات. كانت الأبعاد الثلاثة للبيانات – الحجم والسرعة والتنوع – مشكلة مستمرة. وقد أحرزت الصناعة بعض التقدم في معالجة التحديات المتعلقة بالحجم والسرعة. ومع ذلك، ظل تنوع البيانات يشكل عقبة كبيرة حيث أدى انتشار الأنظمة والتطبيقات الجديدة إلى تنوع متزايد في هياكل البيانات وتنسيقاتها.
إن نهج Nexla هو إنشاء نموذج تلقائي للبيانات وربطها من مصادر متنوعة في كيان متماسك ومُجمَّع، وهو منتج بيانات نطلق عليه اسم Nexset. وهذا يسمح للمستخدمين بالوصول إلى البيانات والعمل بها دون الحاجة إلى فهم التعقيد الأساسي لمصادر البيانات المختلفة وبنياتها. يعمل Nexset كبوابة، حيث يوفر واجهة بسيطة ومباشرة للبيانات.
وهذا أمر بالغ الأهمية بالنسبة للمؤسسات الحديثة لأنه يتيح لعدد أكبر من الأشخاص، وليس فقط مهندسي البيانات، الاستفادة من البيانات في عملهم اليومي. ومن خلال تجريد تنوع البيانات وتعقيدها، تتيح Nexsets لمستخدمي الأعمال والمحللين وغيرهم التفاعل المباشر مع البيانات التي يحتاجون إليها، دون الحاجة إلى خبرة تقنية واسعة النطاق.
كما عملنا على جعل التكامل سهل الاستخدام بالنسبة لمستهلكي البيانات الأقل تقنية – من واجهة المستخدم وكيفية تعاون الأشخاص وإدارة البيانات إلى كيفية بناء التحويلات وسير العمل. إن تجريد تعقيد تنوع البيانات هو المفتاح لإضفاء الطابع الديمقراطي على الوصول إلى البيانات وتمكين مجموعة أوسع من المستخدمين من استخلاص القيمة من أصول المعلومات الخاصة بهم. هذه قدرة بالغة الأهمية للمؤسسات الحديثة التي تسعى إلى أن تصبح أكثر اعتمادًا على البيانات والاستفادة من الرؤى المدعومة بالبيانات في جميع أنحاء المؤسسة.
ما الذي يجعل البيانات جاهزة للذكاء الاصطناعي، وكيف تتعامل Nexla مع هذه المتطلبات بشكل فعال؟
تعتمد الإجابة جزئيًا على كيفية استخدامك لـ GenAI. تطبق غالبية الشركات تقنية GenAI Retrieval Augmented Generation (RAG). يتطلب ذلك أولاً إعداد البيانات وترميزها لتحميلها في قاعدة بيانات متجهة، ثم استرداد البيانات عبر البحث لإضافتها إلى أي موجه كسياق كمدخل إلى نموذج لغة كبير (LLM) لم يتم تدريبه باستخدام هذه البيانات. لذا، يجب إعداد البيانات بطريقة تعمل بشكل جيد لكل من عمليات البحث المتجهة ونماذج اللغة الكبيرة (LLM).
بغض النظر عما إذا كنت تستخدم RAG أو Retrieval Augmented Fine-Tuning (RAFT) أو تقوم بتدريب النموذج، فهناك بعض المتطلبات الأساسية:
تنسيق البيانات: غالبًا ما تعمل برامج الماجستير في إدارة الأعمال في مجال الذكاء الاصطناعي بشكل أفضل مع البيانات بتنسيق معين. يجب هيكلة البيانات بطريقة يمكن للنماذج استيعابها ومعالجتها بسهولة. كما يجب “تجزئتها” بطريقة تساعد برامج الماجستير في إدارة الأعمال على استخدام البيانات بشكل أفضل.الاتصال: يجب أن يكون لدى طلاب الماجستير في الذكاء الاصطناعي القدرة على الوصول بشكل ديناميكي إلى مصادر البيانات ذات الصلة، بدلاً من الاعتماد على مجموعات البيانات الثابتة. وهذا يتطلب اتصالاً مستمراً بأنظمة المؤسسة المختلفة ومستودعات البيانات.الأمان والحوكمة: عند استخدام بيانات المؤسسة الحساسة، من الضروري أن يكون لديك ضوابط أمان وحوكمة قوية. يجب أن يكون الوصول إلى البيانات واستخدامها آمنًا ومتوافقًا مع سياسات المؤسسة الحالية. تحتاج أيضًا إلى إدارة البيانات التي يستخدمها أصحاب المشاريع الصغيرة والمتوسطة الحجم للمساعدة في منع خروقات البيانات.قابلية التوسع: يمكن أن تكون نماذج GenAI LLM كثيفة البيانات والحوسبة، لذلك يجب أن تكون البنية الأساسية للبيانات الأساسية قادرة على التوسع لتلبية متطلبات هذه النماذج.
تعالج Nexla هذه المتطلبات اللازمة لجعل البيانات جاهزة لـ GenAI بعدة طرق رئيسية:
الوصول الديناميكي للبيانات: توفر منصة تكامل البيانات الخاصة بـ Nexla طريقة واحدة للاتصال بمئات المصادر وتستخدم أنماط تكامل مختلفة وسرعة بيانات، إلى جانب التنسيق، لتزويد GenAI LLMs بأحدث البيانات التي يحتاجون إليها، عندما يحتاجون إليها، بدلاً من الاعتماد على مجموعات البيانات الثابتة.إعداد البيانات: تتمتع Nexla بالقدرة على استخراج البيانات وتحويلها وإعدادها بتنسيقات مُحسّنة لكل حالة استخدام GenAI، بما في ذلك تقسيم البيانات المدمج ودعم نماذج الترميز المتعددة.الخدمة الذاتية والتعاون: مع Nexla، لا يتمكن مستهلكو البيانات من الوصول إلى البيانات بأنفسهم وبناء مجموعات Nexsets والتدفقات فحسب، بل يمكنهم أيضًا التعاون ومشاركة أعمالهم عبر سوق يضمن وجود البيانات بالتنسيق الصحيح ويحسن الإنتاجية من خلال إعادة الاستخدام.التوليد التلقائي: يعد التكامل والتوليد التلقائي للذكاء الاصطناعي أمرًا صعبًا. تقوم Nexla تلقائيًا بإنشاء العديد من الخطوات اللازمة بناءً على اختيارات مستهلك البيانات – باستخدام الذكاء الاصطناعي والتقنيات الأخرى – حتى يتمكن المستخدمون من القيام بالعمل بأنفسهم.الحوكمة والأمان: تتضمن Nexla ضوابط أمان وحوكمة قوية في جميع أنحاءها، بما في ذلك التعاون، لضمان الوصول إلى بيانات المؤسسة الحساسة واستخدامها بطريقة آمنة ومتوافقة.إمكانية التوسع: تم تصميم منصة Nexla للتوسع للتعامل مع متطلبات أحمال عمل GenAI، مما يوفر قوة الحوسبة اللازمة والتوسع المرن.
يجب بناء التكامل المتقارب والخدمة الذاتية والتعاون والتوليد التلقائي وحوكمة البيانات معًا لجعل ديمقراطية البيانات ممكنة.
كيف تساهم أنواع البيانات والمصادر المتنوعة في نجاح نماذج GenAI، وما الدور الذي تلعبه Nexla في تبسيط عملية التكامل؟
تحتاج نماذج GenAI إلى الوصول إلى كافة أنواع المعلومات لتقديم أفضل الأفكار وتوليد النتائج ذات الصلة. إذا لم تقدم هذه المعلومات، فلا ينبغي أن تتوقع نتائج جيدة. وينطبق الأمر نفسه على البشر.
تحتاج نماذج GenAI إلى التدريب على مجموعة واسعة من البيانات، من قواعد البيانات المنظمة إلى المستندات غير المنظمة، لبناء فهم شامل للعالم. توفر مصادر البيانات المختلفة، مثل المقالات الإخبارية والتقارير المالية وتفاعلات العملاء، معلومات سياقية قيمة يمكن لهذه النماذج الاستفادة منها. كما يسمح التعرض للبيانات المتنوعة لنماذج GenAI بأن تصبح أكثر مرونة وقابلية للتكيف، مما يمكنها من التعامل مع مجموعة أوسع من الاستعلامات والمهام.
تقوم Nexla بتلخيص تنوع كل هذه البيانات باستخدام Nexsets، وتجعل من السهل الوصول إلى أي مصدر تقريبًا، ثم استخراج البيانات وتحويلها وتنظيمها وتحميلها حتى يتمكن مستهلكو البيانات من التركيز فقط على البيانات، وجعلها جاهزة للذكاء الاصطناعي.
ما هي الاتجاهات التي ستشكل النظام البيئي للبيانات في عام 2025 وما بعده، خاصة مع صعود GenAI؟
تركز الشركات في الغالب على استخدام GenAI لبناء مساعدين أو مساعدين لمساعدة الأشخاص في العثور على إجابات واتخاذ قرارات أفضل. يعد الذكاء الاصطناعي الوكيل، الذي يقوم بأتمتة المهام دون إشراك الأشخاص، اتجاهًا متزايدًا بالتأكيد مع انتقالنا إلى عام 2025. يحتاج الوكلاء، تمامًا مثل مساعدي الطيارين، إلى التكامل لضمان تدفق البيانات بسلاسة – ليس فقط في اتجاه واحد ولكن أيضًا في تمكين الذكاء الاصطناعي من التصرف بناءً على هذه البيانات.
ومن الاتجاهات الرئيسية الأخرى لعام 2025 التعقيد المتزايد لأنظمة الذكاء الاصطناعي. حيث أصبحت هذه الأنظمة أكثر تعقيدًا من خلال الجمع بين مكونات من مصادر مختلفة لإنشاء حلول متماسكة. وهذا يشبه الطريقة التي يعتمد بها البشر على أدوات مختلفة طوال اليوم لإنجاز المهام. وسوف تتبع أنظمة الذكاء الاصطناعي المتمكنة هذا النهج، من خلال تنسيق أدوات ومكونات متعددة. ويمثل هذا التنسيق تحديًا كبيرًا ولكنه أيضًا مجال رئيسي للتطوير.
من منظور الاتجاهات، نشهد دفعًا نحو الذكاء الاصطناعي التوليدي الذي يتقدم إلى ما هو أبعد من مطابقة الأنماط البسيطة إلى التفكير الفعلي. هناك الكثير من التقدم التكنولوجي يحدث في هذا المجال. وفي حين أن هذه التطورات قد لا تترجم بالكامل إلى قيمة تجارية في عام 2025، إلا أنها تمثل الاتجاه الذي نتجه إليه.
ومن الاتجاهات الرئيسية الأخرى زيادة استخدام التقنيات المتسارعة لاستنتاج الذكاء الاصطناعي، وخاصة مع شركات مثل إنفيديا. تقليديا، كانت وحدات معالجة الرسوميات تستخدم بكثافة لتدريب نماذج الذكاء الاصطناعي، ولكن الاستدلال في وقت التشغيل ــ النقطة التي يتم فيها استخدام النموذج بنشاط ــ أصبح بنفس القدر من الأهمية. ويمكننا أن نتوقع تقدما في تحسين الاستدلال، مما يجعله أكثر كفاءة وتأثيرا.
بالإضافة إلى ذلك، هناك إدراك بأن بيانات التدريب المتاحة قد وصلت إلى الحد الأقصى إلى حد كبير. وهذا يعني أن التحسينات الإضافية في النماذج لن تأتي من إضافة المزيد من البيانات أثناء التدريب ولكن من كيفية عمل النماذج أثناء الاستدلال. في وقت التشغيل، أصبح الاستفادة من المعلومات الجديدة لتحسين نتائج النموذج محورًا بالغ الأهمية.
في حين تبدأ بعض التقنيات المثيرة في الوصول إلى حدودها القصوى، ستستمر الأساليب الجديدة في الظهور، مما يسلط الضوء في نهاية المطاف على أهمية المرونة بالنسبة للمؤسسات التي تتبنى الذكاء الاصطناعي. إن ما يعمل بشكل جيد اليوم قد يصبح عتيقًا في غضون ستة أشهر إلى عام، لذا كن مستعدًا لإضافة أو استبدال مصادر البيانات وأي مكونات من خطوط أنابيب الذكاء الاصطناعي الخاصة بك. إن البقاء على استعداد للتكيف والانفتاح على التغيير أمر بالغ الأهمية لمواكبة المشهد المتطور بسرعة.
ما هي الاستراتيجيات التي يمكن للمؤسسات تبنيها لكسر صوامع البيانات وتحسين تدفق البيانات عبر أنظمتها؟
أولاً، يتعين على الناس أن يقبلوا حقيقة أن صوامع البيانات ستظل موجودة دائماً. وهذا هو الحال دائماً. تحاول العديد من المؤسسات تجميع كل بياناتها في مكان واحد، معتقدة أن هذا من شأنه أن يخلق إعداداً مثالياً ويطلق العنان لقيمة كبيرة، لكن هذا يكاد يكون مستحيلاً. وكثيراً ما يتحول هذا إلى مسعى طويل ومكلف ويستغرق عدة سنوات، وخاصة بالنسبة للمؤسسات الكبيرة.
لذا، فإن الواقع هو أن صوامع البيانات موجودة لتبقى. وبمجرد قبولنا لهذا، يصبح السؤال: كيف يمكننا العمل مع صوامع البيانات بكفاءة أكبر؟
إن التشبيه المفيد هنا هو التفكير في الشركات الكبيرة. فلا تعمل أي شركة كبرى انطلاقاً من مكتب واحد يعمل فيه الجميع معاً على مستوى العالم. بل تنقسم هذه الشركات إلى مقار رئيسية ومكاتب متعددة. والهدف ليس مقاومة هذا التقسيم الطبيعي، بل ضمان قدرة هذه المكاتب على التعاون بشكل فعّال. ولهذا السبب نستثمر في أدوات الإنتاجية مثل Zoom أو Slack ــ لربط الأشخاص وتمكين سير العمل السلس عبر المواقع.
وعلى نحو مماثل، تشكل صوامع البيانات أنظمة مجزأة ستظل موجودة دوماً عبر الفرق أو الأقسام أو الحدود الأخرى. والمفتاح هنا ليس القضاء عليها، بل جعلها تعمل معاً بسلاسة. ومع إدراكنا لهذا، يمكننا التركيز على التقنيات التي تسهل هذه الاتصالات.
على سبيل المثال، توفر تقنيات مثل Nexsets واجهة مشتركة أو طبقة تجريد تعمل عبر مصادر بيانات متنوعة. ومن خلال العمل كبوابة لصوامع البيانات، فإنها تبسط عملية التفاعل مع البيانات المنتشرة عبر صوامع مختلفة. وهذا من شأنه أن يخلق الكفاءة ويقلل من التأثيرات السلبية للصوامع.
في جوهر الأمر، ينبغي أن تتمحور الاستراتيجية حول تعزيز التعاون بين الصوامع بدلاً من محاولة محاربتها. وترتكب العديد من الشركات خطأ محاولة دمج كل شيء في بحيرة بيانات ضخمة. ولكن، لكي نكون صادقين، فإن الفوز في هذه المعركة يكاد يكون مستحيلاً.
كيف تتعامل منصات البيانات الحديثة مع التحديات مثل السرعة وقابلية التوسع، وما الذي يميز Nexla في معالجة هذه القضايا؟
من وجهة نظري، تم تصميم العديد من الأدوات داخل مجموعة البيانات الحديثة في البداية مع التركيز على سهولة الاستخدام وسرعة التطوير، والتي جاءت من جعل الأدوات أكثر سهولة في الوصول إليها – مما مكن محللي التسويق من نقل بياناتهم من منصة تسويق مباشرة إلى أداة تصور، على سبيل المثال. غالبًا ما تضمن تطور هذه الأدوات تطوير حلول محددة، أو أدوات مصممة لحل مشاكل محددة بدقة.
عندما نتحدث عن قابلية التوسع، غالبًا ما يفكر الناس في التوسع من حيث التعامل مع كميات أكبر من البيانات. لكن التحدي الحقيقي لقابلية التوسع يأتي من عاملين رئيسيين: العدد المتزايد من الأشخاص الذين يحتاجون إلى العمل بالبيانات، والتنوع المتزايد للأنظمة وأنواع البيانات التي تحتاج المؤسسات إلى إدارتها.
إن الأدوات الحديثة، بسبب تخصصها الشديد، تميل إلى حل مجموعة صغيرة فقط من هذه التحديات. ونتيجة لهذا، ينتهي الأمر بالمؤسسات إلى استخدام أدوات متعددة، كل منها يعالج مشكلة واحدة، مما يخلق في النهاية تحدياته الخاصة، مثل التحميل الزائد للأدوات وانعدام الكفاءة.
تعالج Nexla هذه المشكلة من خلال إيجاد توازن دقيق بين سهولة الاستخدام والمرونة. فمن ناحية، نوفر البساطة من خلال ميزات مثل القوالب والواجهات سهلة الاستخدام. ومن ناحية أخرى، نقدم المرونة والقدرات الملائمة للمطورين والتي تسمح للفرق بتحسين المنصة باستمرار. ويمكن للمطورين إضافة قدرات جديدة إلى النظام، ولكن تظل هذه التحسينات متاحة كأزرار ونقرات بسيطة للمستخدمين غير الفنيين. ويتجنب هذا النهج فخ الأدوات المتخصصة بشكل مفرط مع تقديم مجموعة واسعة من الوظائف على مستوى المؤسسة.
ما يميز Nexla حقًا هو قدرتها على الجمع بين سهولة الاستخدام وقابلية التوسع والاتساع التي تتطلبها المؤسسات. تربط منصتنا بين هذين العالمين بسلاسة، مما يتيح للفرق العمل بكفاءة دون المساومة على القوة أو المرونة.
تتمثل إحدى نقاط القوة الرئيسية في Nexla في بنيتها المجردة. على سبيل المثال، في حين يمكن للمستخدمين تصميم خط أنابيب البيانات بصريًا، فإن الطريقة التي يتم بها تنفيذ خط الأنابيب قابلة للتكيف بدرجة كبيرة. بناءً على متطلبات المستخدم – مثل المصدر أو الوجهة أو ما إذا كانت البيانات بحاجة إلى أن تكون في الوقت الفعلي – تقوم المنصة تلقائيًا بربط خط الأنابيب بأحد ستة محركات مختلفة. وهذا يضمن الأداء الأمثل دون الحاجة إلى قيام المستخدمين بإدارة هذه التعقيدات يدويًا.
كما أن المنصة مرتبطة بشكل فضفاض، مما يعني أن أنظمة المصدر وأنظمة الوجهة غير مرتبطة ببعضها البعض. وهذا يسمح للمستخدمين بإضافة المزيد من الوجهات بسهولة إلى المصادر الموجودة، وإضافة المزيد من المصادر إلى الوجهات الموجودة، وتمكين التكاملات ثنائية الاتجاه بين الأنظمة.
ومن المهم أن تقوم Nexla بتلخيص تصميم خطوط الأنابيب حتى يتمكن المستخدمون من التعامل مع البيانات المجمعة، والبيانات المتدفقة، والبيانات في الوقت الفعلي دون تغيير سير العمل أو التصميمات. وتتكيف المنصة تلقائيًا مع هذه الاحتياجات، مما يسهل على المستخدمين العمل مع البيانات بأي تنسيق أو سرعة. ويتعلق الأمر بالتصميم المدروس أكثر من تفاصيل لغة البرمجة، مما يضمن تجربة سلسة.
يوضح كل هذا أننا قمنا ببناء Nexla مع وضع المستهلك النهائي للبيانات في الاعتبار. تم تصميم العديد من الأدوات التقليدية لأولئك الذين ينتجون البيانات أو يديرون الأنظمة، لكننا نركز على احتياجات مستهلكي البيانات الذين يريدون واجهات متسقة ومباشرة للوصول إلى البيانات، بغض النظر عن مصدرها. مكننا إعطاء الأولوية لتجربة المستهلك من تصميم منصة تبسط الوصول إلى البيانات مع الحفاظ على المرونة اللازمة لدعم حالات الاستخدام المتنوعة.
هل يمكنك مشاركة أمثلة حول كيفية تحويل ميزات عدم الكود والرمز المنخفض لهندسة البيانات لعملائك؟
لقد أدت الميزات التي تتطلب عدم كتابة أكواد أو استخدام أكواد قليلة إلى تحويل عملية هندسة البيانات إلى تجربة تعاونية حقيقية للمستخدمين. على سبيل المثال، في الماضي، كان فريق عمليات الحسابات في DoorDash، الذي يدير البيانات للتجار، بحاجة إلى توفير المتطلبات لفريق الهندسة. ثم يقوم المهندسون ببناء الحلول، مما يؤدي إلى عملية متكررة ذهابًا وإيابًا تستهلك الكثير من الوقت.
الآن، مع الأدوات التي لا تتطلب أكوادًا وأدوات ذات أكواد منخفضة، تغيرت هذه الديناميكية. يستطيع فريق العمليات اليومي استخدام واجهة ذات أكواد منخفضة للتعامل مع مهامه بشكل مباشر. وفي الوقت نفسه، يستطيع فريق الهندسة إضافة ميزات وقدرات جديدة بسرعة من خلال نفس المنصة ذات أكواد منخفضة، مما يتيح التحديثات الفورية. ثم يستطيع فريق العمليات استخدام هذه الميزات بسلاسة دون تأخير.
لقد أدى هذا التحول إلى تحويل العملية إلى جهد تعاوني بدلاً من كونها عنق زجاجة إبداعي، مما أدى إلى توفير كبير في الوقت. فقد أفاد العملاء أن المهام التي كانت تستغرق في السابق شهرين إلى ثلاثة أشهر يمكن الآن إكمالها في أقل من أسبوعين – وهو تحسن في السرعة يتراوح بين 5 إلى 10 أضعاف.
كيف يتطور دور هندسة البيانات، خاصة مع تزايد اعتماد الذكاء الاصطناعي؟
تتطور هندسة البيانات بسرعة، مدفوعة بالأتمتة والتطورات مثل GenAI. أصبحت العديد من جوانب هذا المجال، مثل إنشاء التعليمات البرمجية وإنشاء الموصلات، أسرع وأكثر كفاءة. على سبيل المثال، مع GenAI، تحسنت وتيرة إنشاء الموصلات واختبارها ونشرها بشكل كبير. لكن هذا التقدم يفرض أيضًا تحديات جديدة، بما في ذلك زيادة التعقيد والمخاوف الأمنية والحاجة إلى حوكمة قوية.
إن أحد المخاوف الملحة هو إساءة استخدام بيانات الشركات. حيث تشعر الشركات بالقلق من استخدام بياناتها الخاصة عن غير قصد لتدريب نماذج الذكاء الاصطناعي وفقدان ميزتها التنافسية أو التعرض لاختراق البيانات مع تسرب البيانات إلى آخرين. إن التعقيد المتزايد للأنظمة والحجم الهائل للبيانات يتطلب من فرق هندسة البيانات تبني منظور أوسع، والتركيز على قضايا النظام الشاملة مثل الأمن والحوكمة وضمان سلامة البيانات. لا يمكن حل هذه التحديات ببساطة من خلال الذكاء الاصطناعي.
في حين يمكن للذكاء الاصطناعي التوليدي أتمتة المهام ذات المستوى الأدنى، فإن دور هندسة البيانات يتحول نحو تنظيم النظام البيئي الأوسع. يعمل مهندسو البيانات الآن مثل الموصلات، حيث يديرون العديد من المكونات والعمليات المترابطة مثل وضع الضمانات لمنع الأخطاء أو الوصول غير المصرح به، وضمان الامتثال لمعايير الحوكمة، ومراقبة كيفية استخدام المخرجات التي يولدها الذكاء الاصطناعي في القرارات التجارية.
قد تكون الأخطاء والهفوات في هذه الأنظمة مكلفة. على سبيل المثال، قد تستخرج أنظمة الذكاء الاصطناعي معلومات قديمة عن السياسات، مما يؤدي إلى استجابات غير صحيحة، مثل الوعد برد الأموال للعميل عندما لا يُسمح بذلك. تتطلب هذه الأنواع من المشكلات إشرافًا صارمًا وعمليات محددة جيدًا للقبض على هذه الأخطاء ومعالجتها قبل أن تؤثر على العمل.
ومن بين المسؤوليات الرئيسية الأخرى التي تقع على عاتق فرق هندسة البيانات التكيف مع التحول في التركيبة السكانية للمستخدمين. فلم تعد أدوات الذكاء الاصطناعي مقتصرة على المحللين أو المستخدمين الفنيين الذين يمكنهم التشكيك في صحة التقارير والبيانات. وتستخدم هذه الأدوات الآن من قبل الأفراد على أطراف المنظمة، مثل وكلاء دعم العملاء، الذين قد لا يتمتعون بالخبرة اللازمة لتحدي النتائج غير الصحيحة. ويزيد هذا التوسع في استخدام التكنولوجيا من مسؤولية فرق هندسة البيانات عن ضمان دقة البيانات وموثوقيتها.
ما هي الميزات أو التطورات الجديدة التي يمكن توقعها من Nexla مع استمرار نمو مجال هندسة البيانات؟
نحن نركز على العديد من التطورات لمعالجة التحديات والفرص الناشئة مع استمرار تطور هندسة البيانات. أحد هذه الحلول هو الحلول القائمة على الذكاء الاصطناعي لمعالجة تنوع البيانات. أحد التحديات الرئيسية في هندسة البيانات هو إدارة تنوع البيانات من مصادر متنوعة، لذلك نحن نستفيد من الذكاء الاصطناعي لتبسيط هذه العملية. على سبيل المثال، عند تلقي البيانات من مئات التجار المختلفين، يمكن للنظام تعيينها تلقائيًا في هيكل قياسي. اليوم، غالبًا ما تتطلب هذه العملية مدخلات بشرية كبيرة، لكن قدرات Nexla القائمة على الذكاء الاصطناعي تهدف إلى تقليل الجهد اليدوي وتعزيز الكفاءة.
كما نعمل على تطوير تقنية الموصلات الخاصة بنا لدعم الجيل القادم من تدفقات عمل البيانات، بما في ذلك القدرة على إنشاء وكلاء جدد بسهولة. تمكن هذه الوكلاء من إجراء اتصالات سلسة مع الأنظمة الجديدة وتسمح للمستخدمين بأداء إجراءات محددة داخل هذه الأنظمة. وهذا موجه بشكل خاص نحو الاحتياجات المتزايدة لمستخدمي GenAI وتسهيل التكامل والتفاعل مع مجموعة متنوعة من المنصات.
ثالثًا، نواصل الابتكار في مجال تحسين المراقبة وضمان الجودة. ومع زيادة عدد المستخدمين الذين يستهلكون البيانات عبر أنظمة مختلفة، تزايدت أهمية مراقبة البيانات وضمان جودتها بشكل كبير. ويتمثل هدفنا في توفير أدوات قوية لمراقبة النظام وضمان الجودة حتى تظل البيانات موثوقة وقابلة للتنفيذ حتى مع زيادة الاستخدام.
أخيرًا، تتخذ Nexla أيضًا خطوات لإتاحة بعض قدراتنا الأساسية للمصدر المفتوح. والفكرة هي أنه من خلال مشاركة تقنيتنا مع المجتمع الأوسع، يمكننا تمكين المزيد من الأشخاص من الاستفادة من أدوات وحلول هندسة البيانات المتقدمة، وهو ما يعكس في النهاية التزامنا بتعزيز الابتكار والتعاون في هذا المجال.
شكرًا لك على الردود الرائعة ، يجب على القراء الذين يرغبون في معرفة المزيد أن يزوروا نيكسلا.
Source link
