اتخاذ القرار المؤتمت (ADM)

يُعرف اتخاذ القرار المؤتمت (Automated Decision-Making - ADM) بأنه استخدام البيانات والآلات والخوارزميات لاتخاذ قرارات في مجموعة واسعة من السياقات، بما في ذلك الإدارة العامة، والأعمال، والصحة، والتعليم، والقانون، والتوظيف، والنقل، والإعلام والترفيه. وتتفاوت هذه العمليات في درجة الإشراف أو التدخل البشري.

نظرة عامة على أنظمة اتخاذ القرار المؤتمت

تختلف تعريفات اتخاذ القرار المؤتمت بناءً على مستوى الأتمتة المعني. تشير بعض التعريفات، مثل المادة 22 من اللائحة العامة لحماية البيانات في الاتحاد الأوروبي (GDPR)، إلى أن اتخاذ القرار المؤتمت يتضمن قرارات يتم اتخاذها بوسائل تكنولوجية بحتة دون أي تدخل بشري. ومع ذلك، يمكن أن تأخذ هذه التقنيات أشكالاً متعددة:

• أنظمة دعم القرار: تقدم توصيات لصناع القرار البشريين للعمل بناءً عليها، وهو ما يُعرف أحياناً بالذكاء المعزز أو "اتخاذ القرار المشترك".
• عمليات اتخاذ القرار المؤتمتة بالكامل: تتخذ قرارات نيابة عن الأفراد أو المؤسسات دون أي تدخل بشري.

تتراوح النماذج المستخدمة في هذه الأنظمة من القوائم المرجعية البسيطة وأشجار القرار إلى تقنيات الذكاء الاصطناعي المتقدمة والشبكات العصبية العميقة (DNN).

دور البيانات في اتخاذ القرار المؤتمت

تعتمد أنظمة اتخاذ القرار المؤتمت على البيانات كمدخلات يتم تحليلها ضمن عملية أو نموذج أو خوارزمية. وتستخدم هذه الأنظمة أنواعاً ومصادر متنوعة من البيانات حسب الهدف، مثل:

• بيانات المستشعرات للسيارات ذاتية القيادة والروبوتات.
• بيانات الهوية لأنظمة الأمن.
• البيانات الديموغرافية والمالية للإدارة العامة.
• السجلات الطبية في قطاع الصحة والسجلات الجنائية في القانون.

جودة البيانات وتحدياتها

تعتبر جودة البيانات المتاحة وقدرتها على الاستخدام في أنظمة ADM أمراً جوهرياً للنتائج. ومع ذلك، غالباً ما تكون هذه العملية إشكالية بسبب:

• تباين مجموعات البيانات.
• سيطرة الشركات أو الحكومات على البيانات واسعة النطاق وتقييدها لأسباب تتعلق بالخصوصية أو الأمن.
• وجود بيانات غير مكتملة أو متحيزة أو محدودة زمنياً.

تقنيات اتخاذ القرار المؤتمت (ADMT)

تقنيات اتخاذ القرار المؤتمت هي أدوات رقمية مبرمجتة تقوم بتحويل البيانات المدخلة إلى بيانات مخرجة. ويمكن تقسيم هذه التقنيات إلى عدة فئات:

1. العمليات الحسابية الأساسية

تشمل البحث (مطابقة البيانات)، والمطابقة بين عنصرين، والحسابات الرياضية القائمة على الصيغ.

2. التقييم والتجميع

تشمل تحديد ملفات تعريف المستخدمين (User profiling)، وأنظمة التوصية، والتجميع (Clustering)، والتصنيف، وتحليلات التنبؤ.

3. المساحات والتدفقات

تشمل تحليل الشبكات الاجتماعية، ورسم الخرائط، وتوجيه المسارات (Routing).

4. معالجة البيانات المعقدة

تشمل معالجة الصور، ومعالجة الصوت، ومعالجة اللغات الطبيعية (NLP).

تعلم الآلة (Machine Learning)

يتضمن تعلم الآلة تدريب برامج الكمبيوتر من خلال تعريضها لمجموعات بيانات ضخمة وأمثلة للتعلم من الخبرة وحل المشكلات. وقد شهد هذا المجال طفرة كبيرة بفضل:

• الاختراقات في تدريب الشبكات العصبية العميقة (DNNs).
• الزيادة الهائلة في سعة تخزين البيانات وقوة الحوسبة (مثل معالجات GPU والحوسبة السحابية).

تعتمد الأنظمة الحديثة على النماذج التأسيسية (Foundation Models) التي تستخدم مطابقة الأنماط للتدريب على كميات هائلة من البيانات العامة، مثل نماذج GPT من OpenAI ونموذج PaLM من Google.

تطبيقات وأهداف الأتمتة

يتم استخدام اتخاذ القرار المؤتمت لاستبدال أو تعزيز اتخاذ القرار البشري في القطاعين العام والخاص لتحقيق عدة أهداف، منها:

• زيادة الاتساق في اتخاذ القرارات.
• تحسين الكفاءة التشغيلية.
• تقليل التكاليف.
• إيجاد حلول جديدة للمشكلات المعقدة.