يغيّر الذكاء الاصطناعي التوليدي مَن يستطيع بناء نظام لإنترنت الأشياء (IoT)، والوقت الذي يستغرقه ذلك. فطوال معظم العقد الماضي، كان ربط المستشعرات بشيء مفيد يعني الاستعانة بمُكامل أنظمة: شخص يعرف أي جهاز يشتري، وكيف يفك ترميز رسائله، وكيف ينمذج البيانات، وكيف يكتب المنطق الذي يحوّل القراءة إلى تنبيه. أما اليوم فتستطيع النماذج اللغوية أن تتولى جزءًا معتبرًا من أعمال الإعداد هذه انطلاقًا من وصف بسيط للهدف.

هذا تحول كبير، ومن السهل المبالغة فيه. فالنموذج الذي يكتب قاعدة مقنعة قادر أيضًا على كتابة قاعدة مقنعة بوحدة قياس خاطئة. والأسئلة المفيدة هي: أي أجزاء العمل تنتقل إلى الذكاء الاصطناعي، وأيها يبقى لدى البشر، وكيف تميّز الأداة التي تساعد فعلًا عن أداة لا تبرع إلا في العروض التوضيحية.

باختصار

  • يكون الذكاء الاصطناعي التوليدي أكثر فائدة في إنترنت الأشياء حين يؤدي دور الباني: يختار العتاد، ويكتب مفككات الترميز، ويصوغ مسودات القواعد ولوحات المعلومات انطلاقًا من هدف موصوف.
  • أما القرارات المتكررة والحساسة للوقت فما زال مكانها القواعد الحتمية التي تعمل بالطريقة نفسها في كل مرة.
  • الخطر الرئيسي هو الأخطاء التي تبدو معقولة، لذا يحتاج كل إعداد مولَّد إلى وسيلة لاختباره ومراجعته قبل تشغيله.
  • عند مقارنة البرمجيات، انظر إلى طريقة فحص التغييرات التي يجريها الذكاء الاصطناعي والتراجع عنها، لا إلى ما يستطيع توليده فقط.

كيف يُستخدم الذكاء الاصطناعي التوليدي في إنترنت الأشياء؟

يظهر الذكاء الاصطناعي التوليدي في إنترنت الأشياء في أربعة أنواع من العمل، ومن المفيد الفصل بينها لأن مخاطرها مختلفة جدًا.

يأتي الإعداد أولًا. يصف الشخص ما يريده، «أخبرني عندما تتجاوز حرارة غرفة الخوادم 27 °C، واعرض القراءات على شاشة»، فيقترح النموذج الأجهزة والقاعدة ولوحة المعلومات. وهنا يكون توفير الوقت في أكبر صوره، لأن الإعداد كان يتطلب خطوات تقنية صغيرة كثيرة.

وتأتي الشيفرة بعده بفارق بسيط. فكثير من المستشعرات ترسل حمولات ثنائية مضغوطة تحتاج إلى مفكك ترميز (decoder)، وهو دالة قصيرة تحوّل البايتات إلى قيم مسماة. والنماذج بارعة في صياغة مسودات هذه الدوال من ورقة البيانات، مع معادلات التحويل ومدخلات الاختبار.

ثم هناك الأسئلة. فبدلًا من بناء مخطط بياني، يسأل الشخص «أي المجمدات كانت أدفأ من اللازم الليلة الماضية؟» فيحصل على إجابة. وهذا مفيد، وإن كان أداة تحليل لا أداة بناء. والإجابة لا تكون أفضل من البيانات التي تستند إليها، لذا يحتاج النموذج إلى رؤية الطوابع الزمنية والفجوات، لا القيم وحدها.

وتكتمل القائمة بأعمال التوثيق والتسليم: تحويل نظام مُعدّ إلى وصف مقروء لما تفعله كل قاعدة ومن يتلقى أي إنذار. وهو عمل غير لافت وكثيرًا ما يُتجاوز، والنماذج تؤديه جيدًا. كما أن قراءة ملخص مولَّد لقواعدك أنت خطوة مراجعة جيدة على نحو مفاجئ: فإذا قال الوصف إن الإنذار الليلي يذهب إلى الشخص الخطأ، فالأرجح أن القاعدة تفعل ذلك أيضًا.

وما لا يرد في القائمة مهم أيضًا. فالنماذج التوليدية لا تناسب اتخاذ القرارات الآنية نفسها. فمستشعر التسرب الذي يجب أن يغلق صمامًا خلال ثوانٍ، في كل مرة، يحتاج إلى قاعدة ثابتة. أما النموذج فيستدل بطريقة مختلفة قليلًا في كل تشغيل، ويكلّف طلبًا في كل مرة يُسأل فيها.

وهناك سبب أقل وضوحًا يجعل الإعداد المجال الأنسب. فعندما يولّد نموذج إعدادات لمنصة ما، تأتي مخرجاته ضمن بنية المنصة نفسها: جهاز له نوع، وقاعدة لها شرط، وإنذار له مستلمون. وتستطيع المنصة التحقق من ذلك كله قبل تشغيل أي شيء، ويستطيع الشخص فتح كل عنصر في الشاشات المعتادة.

كيف يعمل تطوير AIoT؟

يتبع تطوير AIoT، أي بناء أنظمة متصلة تجمع بين بيانات إنترنت الأشياء والذكاء الاصطناعي، المراحل نفسها التي اتبعها دائمًا. والذي تغيّر هو مقدار ما ينجزه الشخص يدويًا في كل مرحلة.

المرحلة الطريقة التقليدية بمساعدة الذكاء الاصطناعي التوليدي
اختيار العتاد البحث في أوراق البيانات وسؤال المورّدين وصف الهدف والحصول على أنواع وطرازات مستشعرات مقترحة
توصيل الأجهزة ضبط مفاتيح الشبكة والملفات التعريفية لكل جهاز يسجّل الوكيل الأجهزة ويتحقق من أنها ترسل بياناتها
فك ترميز البيانات كتابة مفكك ترميز واختباره لكل طراز جهاز يصوغ النموذج مسودة مفكك الترميز من ورقة البيانات، ويختبرها شخص
بناء المنطق كتابة القواعد أو البرامج النصية يدويًا يصوغ النموذج مسودة القاعدة من جملة واحدة، ويراجعها شخص
التنبيهات ضبط المستلمين والقنوات شاشةً بعد شاشة يقترح النموذج درجة الخطورة وسلسلة التصعيد
لوحات المعلومات وضع كل عنصر عرض وضبطه يعدّ النموذج لوحة المعلومات، ويضيف شخص طرق العرض
الاختبار والتسليم اختبار يدوي وتوثيق مكتوب قراءات محاكاة، وتوثيق مولَّد، واعتماد بشري نهائي

لنأخذ مدير عقارات يريد تنبيهات التسرب في خزائن المرافق في 12 شقة. لو أُنجز ذلك يدويًا، فالخطوات هي: اختيار مستشعر تسرب، وتسجيل 12 جهازًا، وكتابة مفكك ترميز أو العثور على واحد جاهز، وبناء قاعدة، وتحديد من يُبلَّغ ليلًا، وإنشاء لوحة معلومات. أما مع مساعد يستطيع العمل على المنصة، فيصف الشخص الهدف مرة واحدة، ويراجع ما أُنشئ، ويصرف وقته على الأجزاء التي تحتاج إلى تقدير، مثل من ينبغي الاتصال به عند ظهور تسرب في الليل.

وبعض المراحل لا يتقلص على الإطلاق. فما زال على أحدهم أن يجول في المبنى للتحقق من التغطية الراديوية، ويقرر مكان البوابة، ويثبّت المستشعرات حيث يتجمع الماء فعلًا، ويستبدل المستشعر الذي رُكّب مقلوبًا.

صُمم Kilo AI، الذكاء الاصطناعي المدمج في Kilo، لهذا العمل على الشاشات. تصف الهدف، فيضيف الأجهزة، ويعدّ القواعد والإنذارات، وينشئ لوحة المعلومات، ثم تضع أنت فيها المخططات التي تريدها. وهو يكتب شرط القاعدة من طلبك المكتوب بلغة عادية، وبعد النشر يستطيع محاكاة قراءة مطابقة وأخرى غير مطابقة لترى استجابة القاعدة للحالتين. وأي إجراء هدّام، كحذف جهاز أو قاعدة، ينتظر تأكيدك الصريح. ولمقارنة سير العمل هذا القائم على البناء بطريقة إعداد فريقك للمشاريع اليوم، خذ مشروعًا حديثًا واحدًا، واحسب الشاشات والخطوات التي استغرقها، وضعها بجانب ما ينشئه Kilo AI وهو يبني إعدادًا لإنترنت الأشياء ويشغّله من وصف واحد.

ما مخاطر الذكاء الاصطناعي التوليدي في إنترنت الأشياء؟

نادرًا ما تكون المخاطر دراماتيكية. إنها أخطاء قابلة للتصديق، لأن الإعداد المولَّد يبدو صحيحًا في العادة. وإليك الأنماط التي تسبب المتاعب عمليًا.

ترتيب البايتات مثال كلاسيكي. لنفترض أن مستشعرًا يرسل درجة الحرارة في بايتين، 00 F5، أي 245، وتقول ورقة البيانات إن القيمة تُقسم على 10: أي 24.5 °C. أما مفكك الترميز الذي صيغ بقراءة البايتين بالترتيب المعاكس فيحصل على F5 00، أي 62,720، أو 6,272 °C. هذا الخطأ واضح. لكن معامل تحجيم خاطئ يحوّل 24.5 إلى 2.45 أقل وضوحًا، وقد لا تنطلق أبدًا قاعدة مبنية عليه.

والوحدات مثال آخر. فالحد «80» يعني شيئًا بالفهرنهايت وشيئًا مختلفًا تمامًا بالدرجات المئوية، والنموذج الذي يملأ قاعدة انطلاقًا من جملة عابرة مضطر إلى تخمين ما قصدته.

وقد تكون الحدود معقولة لكنها خاطئة بالنسبة إلى الموقع. فعبارة «نبّه عند تجاوز 8 °C» قيمة افتراضية منطقية لثلاجة صيدلية، وقيمة سيئة لقبو نبيذ. والذكاء الاصطناعي التوليدي يملأ الفجوات بقيم نموذجية، لذا يجب فحص كل حد مقابل الموقع المخصص له.

أما قابلية التكرار فمسألة أدق. اطرح على نموذج السؤال نفسه مرتين، وقد تحصل على إعدادين مختلفين قليلًا، وكلاهما معقول. هذا مقبول لمسودة أولى، لكنه يعني أن ما يجب الاحتفاظ به ومراجعته وإدارة إصداراته هو القاعدة أو مفكك الترميز المولَّد نفسه، لا الطلب الذي أنتجه.

والنطاق هو الأخير. فطلب مثل «أطفئ كل شيء في الجناح الشرقي ليلًا» قد يُفسَّر على نحو أوسع مما قُصد إذا كان النموذج يرى أجهزة نسيت أنها وُسمت بهذه الطريقة.

وتكون المراجعة البشرية أهم ما تكون في ثلاث نقاط. افحص مفككات الترميز مقابل قراءة معروفة، كمقياس حرارة موضوع بجانب المستشعر. وافحص شروط القواعد بقيمة يجب أن تفعّلها وأخرى يجب ألا تفعّلها. وافحص أي إجراء يرسل أمرًا إلى المعدات قبل أن يعمل دون إشراف. والمنصة التي تتيح تشغيل القاعدة خطوة بخطوة بقيم اختبار، أو محاكاة القراءات قبل التشغيل الفعلي، تجعل هذه الفحوص جزءًا من سير العمل المعتاد.

كيفية اختيار حلول برمجيات إنترنت الأشياء بالذكاء الاصطناعي

تتباين حلول برمجيات إنترنت الأشياء بالذكاء الاصطناعي تباينًا كبيرًا، وتميل العروض التوضيحية إلى إبراز خطوة التوليد لأنها تبدو جيدة على الشاشة. أما الأسئلة التالية فتصل إلى ما يهم بعد أن يعمل النظام فعلًا. وهي تنطبق على أي مورّد، بما في ذلك برمجيات إنترنت الأشياء بالذكاء الاصطناعي المخصصة التي تُبنى داخليًا.

هل يربط الأجهزة التي لديك بالفعل، عبر البروتوكولات التي تستخدمها، دون استبدال العتاد؟ هل تستطيع رؤية كل ما أنشأه الذكاء الاصطناعي وتعديله، في الشاشات نفسها التي يستخدمها أي شخص؟ كيف يُظهر لك ما غيّره الذكاء الاصطناعي، وهل يمكن التراجع عن التغيير؟ هل يستمر النظام في العمل في الموقع إذا انقطع الاتصال بالإنترنت؟ هل يتصرف الذكاء الاصطناعي بصلاحيات الشخص الذي يستخدمه، أم بصلاحيات أوسع خاصة به؟ ما حجم مجتمع المستخدمين والمُكاملين الذين يمكنك طلب المساعدة منهم؟ كيف يُسعَّر: لكل جهاز، أم لكل مستخدم، أم لكل طلب ذكاء اصطناعي، وماذا يحدث للتكلفة حين تكبر من 20 جهازًا إلى 2,000؟ وهل تستطيع تصدير بياناتك إذا غادرت؟

طبّق سؤال التسعير على حساب سريع بأرقامك أنت. فالسعر لكل مستخدم يبدو رخيصًا لفريق من ثلاثة أشخاص، ومكلفًا لشركة تريد أن يرى كل واحد من 40 مدير موقع مبناه. أما السعر لكل جهاز فيتناسب مع العتاد بدلًا من ذلك. وإذا كان استخدام الذكاء الاصطناعي يُحتسب لكل طلب، فاسأل عن عدد الطلبات التي يستهلكها إعداد نموذجي أو ملخص يومي، لأن الوكيل الذي يفحص كل جهاز كل ساعة قد يجري آلاف الاستدعاءات يوميًا.

وينبغي للمورّد الذي يقدم خدمات تطوير AIoT أن يجيب عن كل سؤال منها بوضوح.

أسئلة شائعة عن الذكاء الاصطناعي التوليدي في إنترنت الأشياء

هل يستطيع الذكاء الاصطناعي التوليدي كتابة شيفرة أجهزة إنترنت الأشياء؟

نعم، بالنسبة إلى الأجزاء المحددة جيدًا مثل مفككات ترميز الحمولة وتحويلات البيانات والبرامج النصية الصغيرة، فكثيرًا ما يقدم مسودة أولى جيدة. أما البرنامج الثابت (firmware) الذي يعمل على الجهاز نفسه فأصعب، لأن حدود الذاكرة والتوقيت واستهلاك الطاقة تعتمد على الشريحة بعينها، وقد لا تظهر الأخطاء إلا بعد أسابيع في الميدان. ويجب أن يمر البرنامج الثابت المولَّد بالاختبارات نفسها التي يمر بها أي برنامج ثابت آخر.

هل تطوير AIoT هو نفسه الذكاء الاصطناعي التوليدي؟

لا. يشمل AIoT، أي الذكاء الاصطناعي للأشياء (Artificial Intelligence of Things)، كل ذكاء اصطناعي يعمل على بيانات إنترنت الأشياء، بما في ذلك التعلم الآلي التقليدي مثل كشف الحالات الشاذة والرؤية الحاسوبية على الكاميرات. والذكاء الاصطناعي التوليدي فرع واحد منه، وهو النوع الذي ينتج النصوص والشيفرة والإعدادات، ويساعد في تطوير AIoT أساسًا في بناء النظام وشرحه.

هل سيحل الذكاء الاصطناعي التوليدي محل مُكاملي إنترنت الأشياء؟

إنه يغيّر عملهم أكثر مما يلغيه. فالإعدادات الروتينية تصبح أسرع، ما يتيح للمُكاملين قضاء وقت أطول في المسوحات الميدانية للمواقع، والتغطية الراديوية، والتركيب، والمنطق المرتبط بالسلامة، والنقاشات حول من ينبغي أن يستجيب لأي إنذار. أما التركيب المادي والمسؤولية عن النتيجة فما زالا يحتاجان إلى بشر.

تصلح غرفة تخزين تعاني مشكلة رطوبة اختبارًا جيدًا لجانب البناء. صف الهدف في جملة واحدة، كتحذير عندما تتجاوز الرطوبة 70%، ودع Kilo AI يضيف الجهاز ويكتب القاعدة وينشئ لها لوحة معلومات على الخطة المجانية، التي تتسع لقاعدة واحدة بالضبط. ثم أضف مخططًا للرطوبة إلى لوحة المعلومات هذه في المحرر. ثم افحص الشرط المولَّد بقراءة واحدة فوق الحد وأخرى تحته قبل أن تعتمد عليه.