كيف أحرص على ألا تلتهم الذكاء الاصطناعي مسيرتي المهنية في التحليلات

كيف أضمن ألا تلتهم الذكاء الاصطناعي مسيرتي المهنية في التحليلات

كل أسبوع يطل علينا عنوان رئيسي جديد: "الذكاء الاصطناعي أصبح بإمكانه كتابة تقاريرك الآن"، "GPT-4 يجتاز اختبار CPA"، "محللو البيانات هم التاليون على قائمة الاستغناء". كمحترف في مجال التحليلات، كنت أستلقي في الليل وأتساءل كم بقي لي من الوقت قبل أن يحل نموذج لغوي كبير محل كل سطر SQL أكتبه. ثم أدركت أن السؤال ليس ما إذا كان الذكاء الاصطناعي سيأتي ليهدد وظيفتي، بل ما إذا كنت سأستخدم الذكاء الاصطناعي لجعل عملي أفضل وأسرع وأكثر قيمة.

اللاعبون التكنولوجيون الكبار واضحون في توجهاتهم. OpenAI، Google، وMicrosoft يضخون مليارات الدولارات لجعل النماذج التوليدية أذكى وأرخص وأكثر سهولة في الوصول. وفي الوقت نفسه، مجتمع Towards Data Science مليء بالمحللين الذين يتحولون من "مشغلي الأزرار" إلى مستشارين استراتيجيين. خطتي الشخصية ليست التفوق على الآلات، بل امتطاءها. هذا المقال يشرح الخطوات الملموسة التي أتخذها الآن – بما في ذلك الأدوات والكود وسير العمل – لضمان أن مسيرتي في التحليلات تستمر وتزدهر في عصر الذكاء الاصطناعي.

لماذا النهج التقليدي لم يعد كافياً

قبل بضع سنوات، كانت السلامة المهنية تعني إتقان Tableau وExcel وقليل من SQL. اليوم، يمكن لمحلل مبتدئ أن يوجه روبوت محادثة لإنتاج نموذج عرض بيانات (dashboard mockup) في ثوانٍ. المهارات التي كانت تميزك في السابق – كتابة SQL نظيفة، تنسيق الرسوم البيانية – أصبحت سلعاً رخيصة. كما ورد في مدونة Microsoft AI Blog، تقوم الشركة بتضمين Copilot في كل طبقة من طبقات البيانات، من Excel إلى Power BI. وبالمثل، تعرض مدونة Google AI Blog وكلاء Vertex AI الذين يكتبون الاستعلامات أثناء الطيران.

المحللون الذين سيبقون هم أولئك الذين يستطيعون **طرح الأسئلة الصحيحة، والتحقق من الإجابات، وترجمة الأرقام إلى قرارات**. هذه مجموعة مهارات لا يتقنها أي ذكاء اصطناعي (بعد) بشكل كامل. لبناء هذه المهارات، أجمع بين ثلاث استراتيجيات:

• **أتمتة الأجزاء المملة** حتى أتمكن من التركيز على الاستراتيجية.
• **بناء أدوات ذكاء اصطناعي مخصصة** تعزز تفكيري، لا تستبدله.
• **تعميق معرفتي بالمجال** حتى أتمكن من اكتشاف الهراء الذي قد يولده النموذج.

فيما يلي أشرح بالضبط كيف أقوم بإعداد الأساس التقني لهذا النهج.

المتطلبات الأساسية

قبل الخوض في عملية التثبيت، إليك المتطلبات المسبقة للبيئة التي أستخدمها يومياً:

• **نظام التشغيل**: macOS أو Linux (نظام Windows مع WSL2 يعمل أيضاً)
• **Python** 3.10 أو أحدث
• **Git** (للتحكم في الإصدارات واستنساخ المستودعات)
• **جهاز محلي** بذاكرة وصول عشوائي لا تقل عن 16 جيجابايت (لتشغيل نماذج لغوية صغيرة)
• **اتصال بالإنترنت** لتنزيل النماذج والحزم
• (اختياري) مفتاح API من OpenAI إذا كنت تريد الاعتماد على النماذج السحابية

التثبيت خطوة بخطوة

أبني سير عمل التحليلات المعزز بالذكاء الاصطناعي حول ثلاثة مكونات أساسية: نموذج لغوي محلي (عبر Ollama)، وبيئة Python مع LangChain، وقاعدة بيانات متجهية خفيفة (Chroma) لفهرسة المستندات الداخلية. إليك كيف أقوم بإعدادها.

#### 1. تثبيت Ollama للذكاء الاصطناعي المحلي

يقوم Ollama بتشغيل نماذج لغوية كبيرة محلياً، مما يحافظ على البيانات الحساسة بعيداً عن السحابة. أستخدمه للتحليل الاستكشافي عندما لا أرغب في الدفع مقابل كل استدعاء API أو عندما أكون غير متصل بالإنترنت.

# How I’m Making Sure My Analytics Career Doesn’t Get Eaten by AI
curl -fsSL https://ollama.com/install.sh | sh

بمجرد التثبيت، ابدأ تشغيل خادم Ollama في الخلفية:

ollama serve &

الآن اسحب نموذجاً بحجم معقول. أوصي باستخدام `mistral` لمهام التحليلات لأنه سريع ولائق مع الأرقام.

ollama pull mistral

يمكنك اختباره عن طريق تشغيل:

ollama run mistral "What is 15% of 340?"

#### 2. إعداد بيئة Python الافتراضية

أبقي مشاريعي معزولة لتجنب تعارض التبعيات.

# إنشاء دليل جديد للمشروع
mkdir ~/analytics-ai
cd ~/analytics-ai

# إنشاء بيئة افتراضية
python3 -m venv venv

# تفعيلها
source venv/bin/activate

#### 3. تثبيت حزم Python الأساسية

الآن قم بتثبيت المكتبات التي تجمع كل شيء معاً. أستخدم `langchain` لسلاسل الاستفسار (prompt chains)، و`chromadb` للذاكرة المحلية، و`pandas` لمعالجة البيانات.

pip install langchain langchain-community chromadb pandas openai

إذا كنت تخطط لاستخدام Ollama من Python، قم أيضاً بتثبيت:

pip install ollama

#### 4. التحقق من التثبيت

قم بتشغيل فحص سريع للتأكد من أن كل شيء يعمل.

# test_imports.py
import langchain
import chromadb
import pandas as pd
import ollama

print("All imports successful!")

نفذ:

python test_imports.py

إذا لم ترَ أي أخطاء، فأنت جاهز للانتقال إلى أمثلة الاستخدام.

أمثلة الاستخدام

بعد أن أصبحت البيئة جاهزة، يمكنني الآن عرض ثلاثة سيناريوهات حقيقية حيث يعزز الذكاء الاصطناعي عملي التحليلي.

#### مثال 1: أتمتة تلخيص البيانات باستخدام LangChain

بدلاً من كتابة مذكرة متعددة الصفحات، أترك النموذج المحلي ينتج مسودة أولى. النص البرمجي التالي يقرأ ملف CSV لبيانات المبيعات ويطلب من النموذج ملخصاً موجزاً.

# summarize_data.py
import pandas as pd
from langchain.llms import Ollama
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# تحميل ملف CSV نموذجي (استبدله بملفك الخاص)
df = pd.read_csv("sales_data.csv")

# إعداد تمثيل نصي (أول 10 صفوف + وصف الأعمدة)
sample_text = f"Columns: {list(df.columns)}\n\nFirst 5 rows:\n{df.head(5).to_string()}"

# تعريف الاستفسار (prompt)
prompt = PromptTemplate(
    input_variables=["data"],
    template="Given the following sales data, provide a one‑paragraph executive summary highlighting key trends.\n\nData:\n{data}\n\nSummary:"
)

# استخدام نموذج Ollama المحلي
llm = Ollama(model="mistral")
chain = LLMChain(llm=llm, prompt=prompt)

# توليد الملخص
result = chain.run(data=sample_text)
print("AI‑generated summary:\n", result)

قم بتشغيل النص البرمجي:

python summarize_data.py

سيعيد النموذج فقرة مثل: "نمت المبيعات في المنطقة الشمالية الشرقية بنسبة 12% على أساس ربع سنوي، بينما شهدت المنطقة الغربية انخفاضاً بنسبة 3% بسبب نقص المخزون..." **أتحقق دائماً من الأرقام يدوياً**، لكن المسودة توفر لي عشرين دقيقة من الكتابة.

#### مثال 2: طرح أسئلة حول المستندات الخاصة بك باستخدام RAG

غالباً ما أحتاج إلى الإجابة عن أسئلة حول السياسات الداخلية (على سبيل المثال: "ما هي سياسة الاحتفاظ بالبيانات لدينا؟"). تخزين تلك السياسات في قاعدة بيانات متجهية يتيح لي طرح الأسئلة دون تعريضها للإنترنت العام.

# rag_query.py
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings import OllamaEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA
from langchain.llms import Ollama

# 1. تحميل مستنداتك الداخلية (هنا ملف نصي واحد)
loader = TextLoader("company_policies.txt")
documents = loader.load()

# 2. تقسيمها إلى أجزاء
text_splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = text_splitter.split_documents(documents)

# 3. إنشاء التضمينات (embeddings) وتخزينها في Chroma
embeddings = OllamaEmbeddings(model="mistral")
vectordb = Chroma.from_documents(chunks, embeddings, persist_directory="./chroma_db")

# 4. إنشاء سلسلة استرجاع وإجابة (Retrieval QA)
qa_chain = RetrievalQA.from_chain_type(
    llm=Ollama(model="mistral"),
    retriever=vectordb.as_retriever()
)

# 5. طرح سؤال
query = "What is the maximum retention period for customer purchase data?"
answer = qa_chain.run(query)
print("Answer:", answer)

احفظه ثم قم بتشغيله:

python rag_query.py

هذا النهج يجعلني الشخص المناسب للإجابات السريعة – لم أعد مضطراً للبحث في عشرات ملفات PDF.

#### مثال 3: توليد استعلامات SQL روتينية

كتابة SQL المتكرر يقتل روحي. أستخدم LLM لإنتاج استعلام أولي، ثم أراجعه وأحسنه.

# generate_sql.py
from langchain.llms import Ollama
from langchain.prompts import PromptTemplate

prompt = PromptTemplate(
    input_variables=["question", "table_schema"],
    template="Given the table schema below, write a SQL query to answer the question.\n\nTable schema:\n{table_schema}\n\nQuestion:\n{question}\n\nSQL query:"
)

llm = Ollama(model="mistral")
chain = LLMChain(llm=llm, prompt=prompt)

schema = """
Table: orders (
  order_id INT PRIMARY KEY,
  customer_id INT,
  order_date DATE,
  total_amount DECIMAL(10,2)
)
Table: customers (
  customer_id INT PRIMARY KEY,
  name VARCHAR(100),
  region VARCHAR(50)
)
"""

question = "What is the total revenue per region for each month in 2024?"
sql = chain.run(question=question, table_schema=schema)
print("Generated SQL:\n", sql)

قم بتشغيل:

python generate_sql.py

أتحقق دائماً من صحة الصلات (joins) والتجميعات (aggregations)، لكن البدء من استعلام معقول يسرّع التطوير بشكل كبير.

الجانب البشري: التحقق، والأخلاق، والخبرة المجالية

لا قيمة لأي من هذه الأدوات إذا استخدمتها كصندوق أسود. الرؤية الرئيسية من مجتمع Towards Data Science هي أن **الذكاء الاصطناعي هو مساعد مبتدئ، وليس محللاً كبيراً**. كل مخرج أحصل عليه، أتحقق منه:

• الادعاءات الرقمية: هل أنا متأكد من أن النموذج حسب النسبة المئوية بشكل صحيح؟ (غالباً لا).
• الاتساق المنطقي: هل يتعارض الملخص مع قواعد العمل المعروفة؟
• التحيز: هل يتجاهل النموذج شريحة يهتم بها العمل؟

كما أحافظ على معرفتي بالمجال حادة. أقرأ مدونة Google AI Blog لأفهم ما لا تستطيع النماذج فعله (مثل الاستدلال السببي، الاستنتاجات المخالفة للواقع). أتابع مدونة Microsoft AI Blog لأرى كيف تدمج أدوات المؤسسات الذكاء الاصطناعي – ثم أتعلم استخدام تلك الأدوات قبل أقراني.

الخلاصة

التهديد الذي يشكله الذكاء الاصطناعي على وظائف التحليلات حقيقي، لكنه ليس حكماً بالإعدام – إنه إعادة ضبط. المحللون الذين سينجحون هم أولئك الذين سيتوقفون عن كتابة كل سطر كود يدوياً ويبدأون في **تصميم أنظمة تنتج الرؤى بشكل أسرع**، مع تطبيق الحكم البشري لتفسير تلك الرؤى وتحديها وتوصيلها.

أنا أضمن ألا تلتهم الذكاء الاصطناعي مسيرتي المهنية بأكل الذكاء الاصطناعي أولاً: تثبيت النماذج المحلية، بناء خطوط أنابيب استرجاع معززة، وأتمتة الأعمال الروتينية التي كانت تستغرق ساعات. الخطوات التقنية في هذا المقال هي الأساس. لكن الفارق الحقيقي هو الفضول – السؤال "لماذا" عندما يبصق النموذج بإجابة، ومعرفة متى تتجاهلها.

إذا كنت محترفاً في التحليلات، ابدأ اليوم: قم بتثبيت Ollama، واكتب نصاً برمجياً واحداً يعزز تقريراً تنتجه بالفعل، وشاهد كم من الوقت ستوفر. استخدم ذلك الوقت للتحدث مع أصحاب المصلحة، وتعلم نموذج العمل، وتصبح الشخص الذي يربط البيانات بالقرارات. هذه هي الطريقة التي تبقى بها لا يُستغنى عنك.

**قراءات إضافية (سياق عام فقط):**

• Towards Data Science – مقالات حول التحولات المهنية والتفكير التحليلي
• OpenAI News – تحديثات حول قدرات النماذج وسلامتها
• Google AI Blog – أبحاث حول الذكاء الاصطناعي المسؤول وأدوات البيانات
• Microsoft AI Blog – دمج الذكاء الاصطناعي في المؤسسات في التحليلات

*لم يتم الاستشهاد بأي مقالة أو تاريخ أو مؤلف محدد من المصادر المذكورة أعلاه لأن المصادر هي صفحات رئيسية عامة.*