Qlik تبني الذكاء الاصطناعي المؤسسي الموثوق عبر Amazon Bedrock
تواجه المؤسسات تحدياً في الحصول على إجابات موثوقة وسريعة من بياناتها. تقدم Qlik حلاً جديداً يجمع بين الذكاء الاصطناعي التوليدي والبنية التحتية السحابية لضمان الدقة والامتثال.
رضوان عبدالهاديمحرر وكاتب تقني
تجاوز عوائق الذكاء الاصطناعي التوليدي
تواجه المؤسسات تحدياً شائعاً يتمثل في نقص الطرق السريعة لطرح أسئلة حقيقية على البيانات والحصول على إجابات يمكن الوثوق بها. يقضي المحللون ساعات في البحث عبر المستندات ولوحات التحكم، وعندما تحاول المنظمات سد هذه الفجوة بالذكاء الاصطناعي التوليدي، تصطدم غالباً بإجابات تفتقر إلى المصادر أو طرق التحقق. من أجل حل هذه المشكلة، طورت شركة Qlik، وهي رائدة عالمية في تكامل البيانات والتحليلات، منتج Qlik Answers.
منذ إطلاقه العام في فبراير 2026، انتقل Qlik Answers من كونه ميزة تجريبية إلى أداة استخدام يومي. ساهم وكيل الاكتشاف (Discovery Agent) في تحديد أكثر من 100,000 اكتشاف غير متوقع للعملاء منذ الإطلاق، مما يعكس اعتماداً واسعاً على الأدوات الوكيلية في حسابات Qlik Cloud.
تحديات التنفيذ على نطاق مؤسسي
حدد فريق Qlik ثلاثة تحديات رئيسية كان يجب حلها لمواكبة الإنتاجية عبر قاعدة عملائهم. أولاً، تنسيق الاستدلال المتخصص دون إبطاء المستخدمين، حيث تتطلب الأسئلة المؤسسية مسارات مختلفة من البحث السريع إلى الاستخراج من مستندات غير منظمة. ثانياً، تلبية متطلبات السيادة على البيانات عبر مناطق جغرافية مختلفة، حيث تخدم الشركة عملاء في أوروبا وآسيا والمحيط الهادئ والأمريكتين، ولكل منها توقعات مختلفة بشأن إقامة البيانات.
ثالثاً، التنبؤ بسعة النماذج قبل الطلبات بـ 3 إلى 6 أشهر. تطلب ذلك تخطيط استهلاك الرموز (Tokens) وتوفر النماذج مسبقاً، ثم التحقق من هذه التوقعات مقابل الاستخدام الفعلي بعد بدء العملاء باستخدام المنتج، لضمان عدم تحول النمو في الاعتماد إلى مشكلة سعة.
معمارية متعددة الوكلاء والطبقات
للدعم على نطاق واسع، بنَت Qlik النظام حول حدود معمارية واضحة بدلاً من مساعد واحد كبير. تبدأ العملية بطبقة دخول مستقرة داخل Qlik Cloud، تليها طبقة توجيه خفيفة تقرر وجهة الطلب بناءً على سياق المحادثة. ثم تأتي طبقة الإجابة التي تنسق توليد الاستجابة، إما عبر مسار سريع للطلبات البسيطة أو مسار متعمق يقسم السؤال إلى أسئلة فرعية.
تشمل الطبقات الأخرى وكيل متخصص (Specialist agent layer) يحدد كيفية عمل الوكلاء والأدوات، وطبقة تحليلات محادثة للبيانات المنظمة، وطبقة استرجاع تعتمد على Amazon OpenSearch Service للمحتوى غير المنظم. وأخيراً، طبقة وصول للنماذج التي تصل إلى Amazon Bedrock عبر بوابة لغة كبيرة خاصة بـ Qlik.
ضمان الدقة والتحقق من المصدر
كان التأسيس (Grounding) من أهم قرارات التصميم في هذا الإطار. تستخرج طبقة الإجابة سياقات متعددة مثل بيانات التطبيقات المنظمة ومحتوى قاعدة المعرفة وتعريفات المصطلحات. لا يضمن الاسترجاع وحده الدقة، لذا تجري Qlik فحص تحقق من التأسيس على الإجابات المولدة، بمقارنتها بالمحتوى المصدر باستخدام قدرات Amazon Bedrock Guardrails.
هذا الفحص يحوّل التأسيس من مجرد خطوة استرجاع إلى ضابط إنتاجي مُتحقق منه. للأسئلة غير المنظمة، يجلب النظام محتوى محدداً للسؤال من Amazon OpenSearch Service ويضمن تضمين الاقتباسات في الإجابة النهائية. أما للأسئلة المنظمة، فيُحال العمل إلى مسار تحليلات محادثة متخصص.
حالات استخدام واقعية
توضح ثلاث حالات نشر كيف يبدو هذا التطبيق عملياً. شركة Bystronic، المتخصصة في معالجة المعادن، نشرت روبوت محادثة بالذكاء الاصطناعي في 15 دقيقة فقط، مما مكن موظفيها من استعلام بيانات العمليات الفورية والحصول على إجابات مدعومة بالمصادر عبر الأقسام المختلفة.
أما Lintech International، فقد فهرست أكثر من 17,000 مستند تقني في Qlik Answers، مما قلل وقت البحث اليدوي وسرّع زمن الاستجابة بنسبة 75 في المئة، مستعيداً ما يصل إلى 7 ساعات أسبوعياً لمديري الأعمال. بينما تستخدم TouchPoint Support Services، التي تخدم 650 موقعاً صحياً، الأداة لتقديم إرشادات سريعة ومتوافقة مع الامتثال لـ 15,000 موظف في بيئات منظمة وسريعة الإيقاع.
السيادة على البيانات وإدارة النماذج
لتلبية متطلبات السيادة على البيانات، تستخدم المعمارية الاستدلال عبر المناطق (Cross-Region Inference) في Amazon Bedrock. هذا يسمح بتوجيه الطلبات إلى مناطق محددة تلبي متطلبات الإقامة المحلية دون الحاجة إلى بناء 11 نسخة إقليمية منفصلة يصعب صيانتها وتحديثها باستمرار.
عندما لا يكون النموذج الذي يعتمد عليه العميل متاحاً إقليمياً عبر Bedrock بعد، تستضيفه Qlik على Amazon SageMaker AI بدلاً من ذلك، ثم تنقل هذا الحمل إلى Bedrock بعد توفره إقليمياً. كما تطبق Amazon Bedrock Guardrails على كل طلب واستجابة، بما في ذلك تصفية المحتوى لحقن الأوامر، وحماية المعلومات الشخصية، وفحص المواضيع المرفوضة.
المصادر
- AWS Machine Learning BlogHow Qlik built grounded, enterprise-scale AI with Amazon Bedrock
تابع التسلسل الزمني
تغطية الكيانات المرتبطة
أخبار مرتبطة
أمازون تتيح البحث الآمن عبر الويب لـ Claude Desktop عبر Bedrock AgentCore
تقدم أمازون حلاً جديداً لربط Claude Desktop بـ Web Search عبر Amazon Bedrock AgentCore، مما يتيح الوصول للمعلومات الحالية مع الحفاظ على أمان المؤسسات باستخدام JWT و IAM Identity Center.
أمازون تتيح استعلامات ذكية عن المطالبات عبر Bedrock Knowledge Bases
تقدّم أمازون ويب سيرفيسز حلاً تقنياً لبناء مساعد محادثة للمطالبات يعتمد على Bedrock Knowledge Bases، مما يتيح إجابات دقيقة مع استشهادات مبنية على مستندات PDF وWord.
دمج بيئة Positron في Amazon SageMaker AI لتطوير مشاريع علوم البيانات
أعلنت AWS عن دعم تشغيل بيئة التطوير المتكاملة Positron داخل منصة Amazon SageMaker AI، مما يتيح لعلماء البيانات سير عمل موحد وشامل ضمن بيئة آمنة وحوكمة عالية.
NarrateAI يرفع دقة نماذج الذكاء الاصطناعي إلى 99% على Amazon Bedrock
تفصيل تقني لخمس تقنيات متقدمة تضمن جودة مخرجات نماذج اللغة الكبيرة في الوقت الفعلي، مع تقليل الهلوسة الرقمية وتحسين سرعة الاستجابة عبر بنية تحتية سحابية.
