العمل المعقّد يستحق قرارات أفضل.

بدأت القصة في مجال الطيران.

جاءتنا IAG بمشكلة من إحدى أكثر البيئات تطلّبًا في عالم الأعمال: قطاع الطيران.

الطائرات والمطارات والمسارات والصيانة والطقس والسعة والوقود والطواقم والسلامة وتجربة الركّاب، كلها تتفاعل فيما بينها. القرار الذي يبدو جيدًا في جزء من النظام قد يخلق مخاطرة في موضع آخر. في قطاع الطيران، التعقيد ليس حالة استثنائية. إنه بيئة التشغيل ذاتها.

كان المطلوب في البداية تقديم حلٍّ مصمَّم للتصميم المعقّد والحرِج في صناعة الطيران. تطلّب العمل ما هو أكثر من روبوت محادثة، وأكثر من لوحة معلومات، وأكثر من جدول بيانات. تطلّب وسيلة لاستكشاف المستقبلات المحتملة، وفهم المفاضلات، والحفاظ على المنطق الكامن خلف التوصيات، وتحويل القرارات إلى إجراءات منسَّقة.

بنينا AeroGenie لذلك العالم. ثم أدركنا أن النمط نفسه يظهر في كل مكان تُتَّخذ فيه قرارات عالية المخاطر.

تواجه سلاسل الإمداد صدمات لم تشهدها من قبل. وتضطر فرق التمويل إلى اتخاذ القرار في ظل عدم اليقين ببيانات مجزّأة. وتحتاج فرق الأمن إلى التحرك بسرعة دون فقدان الحوكمة. وعلى فرق العملاء أن تقرر أيّ الحسابات تحتاج إلى تدخّل، وما الإجراء الذي ينبغي اتخاذه، ولماذا. تتغير الصناعة، لكن مشكلة القرار تتكرر.

لماذا تهمّ المحاكاة.

المحاكاة هي طبقة الاستدلال القابلة للتوسّع. وتعلُّم الآلة هو طبقة الصقل الموجَّهة.

صُمِّم AeroGenie للاستدلال بمستوى علمي: بيئة تشغيل رياضية عالية الأداء تضم آلاف الدوال المسرَّعة بـ Mojo للمحاكاة والتحسين والاحتمالات والتنبؤ والتحليل العددي ونمذجة عدم اليقين.

ولهذا أهمية، لأن القرارات الحقيقية كثيرًا ما تتصرف كالمسائل العلمية. تحتاج الفرق إلى اختبار الفرضيات، وإجراء التجارب، ومقارنة النتائج، وقياس عدم اليقين، وتفسير لماذا يكون مسارٌ ما أفضل من غيره. يجلب AeroGenie هذا المنهج العلمي إلى صناعة القرار المؤسسي.

تعلُّم الآلة قوي، لكنه يبدأ عادةً بسؤال محدد. تبني نموذجًا لحالة استخدام، وتدرّبه على البيانات المتاحة، وتتحقق من صحته، وتضبطه، وتصقله. وإذا تغيّر السؤال جوهريًا، أو إذا قرر الفريق أن سمات جديدة باتت مهمة، فغالبًا ما يتعيّن إعادة بناء النموذج أو إعادة تدريبه أو إعادة التحقق منه قبل أن يصبح موثوقًا مجددًا.

هذا يجعل ML قيّمًا، لكن ليس مرنًا بلا حدود. قد يكون النموذج بارعًا للغاية في التنبؤ بمخاطر التأخير أو الانصراف أو الطلب أو احتمال الإخفاق أو حساسية السعر. لكن حين يبدأ أصحاب القرار بطرح أسئلة كثيرة ومختلفة عبر سيناريوهات متعددة، يصبح النموذج أضيق من مشكلة القرار نفسها.

تعمل المحاكاة على نحوٍ مختلف. تبدأ المحاكاة من النظام ذاته: القواعد والقيود والآليات والتدفقات والاحتمالات والتبعيات وفرضيات التشغيل التي تصف كيف يعمل العالم. وبمجرد بناء المحاكاة، تستطيع الفرق طرح أسئلة كثيرة على بيئة القرار نفسها. يمكنها تغيير المدخلات، واختبار الفرضيات تحت الضغط، واستكشاف الحالات الحدّية، ومقارنة المسارات دون إعادة بناء نموذج ML منفصل لكل سؤال.

ولهذا تتوسّع المحاكاة بكفاءة عالية في أعمال القرار. فهي قادرة على استكشاف مستقبلات لم تحدث من قبل، بما في ذلك تصاميم مطارات جديدة، وصدمات جديدة في سلاسل الإمداد، وظروف سوقية جديدة، وسياسات تشغيل جديدة، أو تركيبات من الأحداث بلا سابقة تاريخية تُذكَر. يتعلّم ML بالدرجة الأولى مما حدث. أما المحاكاة فتتيح للفرق التفكير فيما يمكن أن يحدث.

والمُخرَج مختلف أيضًا. يُنتج ML عادةً تنبؤًا نقطيًا: أرجح إجابة بحسب النموذج. أما المحاكاة فتستطيع إنتاج توزيع احتمالي: الحدّ الأدنى، والحدّ الأعلى، وأرجح نتيجة، واحتمال النتائج الواقعة بينهما. وهذا يهمّ حين لا يكتفي القادة برقم واحد. فهم بحاجة إلى فهم نطاق النتائج الممكنة، ومخاطر الجانب السلبي، والفرضيات التي تُحرِّك النتيجة.

يجمع AeroGenie بين الاثنين. فهو يستخدم المحاكاة لتضييق مساحة القرار، وتحديد المتغيرات المهمة، وكشف عدم اليقين، وإظهار السمات الجديرة بالنمذجة. وحين يكون ML مفيدًا، يساعد AeroGenie على إنشاء النموذج وصقله دون تخمين. كما يمكن للمحاكاة أن تُثري ML بإضافة سياق السيناريوهات ونطاقات الاحتمالات وفرضيات قابلة للتفسير حول مُخرَج النموذج.

والنتيجة ليست ML بدلًا من المحاكاة، ولا محاكاة بدلًا من ML. إنها محرك قرارات محكوم بالضوابط، تقدّم فيه المحاكاة بيئة الاستدلال، ويوفّر فيه ML رفعةً تنبؤية موجَّهة، وتنسّق فيه الوكلاء سير العمل، ويبقى فيه الناس مسيطرين على القرار النهائي.

ليس تنبؤًا نقطيًا. بل قرارًا واعيًا بالاحتمالات.

من البيانات الخام إلى الإجراء المحكوم.

يتصل AeroGenie بأنظمة المؤسسة وقواعد البيانات والملفات والإشارات الخارجية. وهو يحلّل مجموعات البيانات الكبيرة والمعقدة، ويُجري محاكاة "ماذا لو" عالية الحجم، ويولّد خطط قرار مُنظَّمة، ويوجّه الموافقات، ويحفظ سجل تدقيق، وينسّق الإجراءات المطلوبة لتنفيذ القرار.

مبنيّ لقراءة البيانات، لا لتصفّحها سريعًا.

روبوتات المحادثة مفيدة للإجابات السريعة، لكن القرارات عالية المخاطر كثيرًا ما تتطلب أكثر من استجابة سريعة. حين يُضطر النظام إلى الإجابة فورًا، فقد يضغط العمل: يقرأ صفحات أقل، ويربط جداول أقل، ويفحص سيناريوهات أقل، أو يعتمد على نافذة سياق أصغر. وقد تواجه سير عمل الوكلاء القيدَ نفسه، بميزانيات محددة للرموز والوقت والأدوات والحوسبة.

بُني AeroGenie للنمط المعاكس. فباستخدام Mojo وتحسينات أداء أخرى، صُمِّم لاستيعاب سياق القرار الكامل وتحليله بسرعة: المستندات والجداول والسجلات المُنظَّمة والمحاكاة والبيانات التشغيلية. الهدف ليس اختصار الطريق للإجابة بسرعة. الهدف قراءة البيانات، والحفاظ على الاستدلال، والتحرك مع ذلك في غضون أجزاء من الألف من الثانية.

لم تُصمَّم المنصة لتحلّ محل أصحاب القرار. صُمِّمت لتمنحهم مجال رؤية أعمق قبل أن يقرروا. فهي تُبرز الخيارات والمفاضلات والمخاطر والفرضيات والمسارات الموصى بها، ثم تُبقي المؤسسة متوافقة مع انتقال القرار من التحليل إلى الإجراء.

هذا التمييز مهم. لوحة المعلومات تُخبر الفريق بما حدث. والنموذج يتنبأ بما قد يحدث. أما AeroGenie فيساعد الفريق على تقرير ما ينبغي فعله تاليًا.

قابلية التفسير ميزة، لا حاشية.

تتطلب القرارات الحرجة ثقة. تحتاج الفرق إلى معرفة البيانات التي استُخدِمت، والفرضيات التي كانت مهمة، والسيناريوهات التي اختُبِرت، ومن وافق على المسار، وما الذي تغيّر بعد بدء التنفيذ. بُني AeroGenie حول تاريخ قرار قابل لإعادة التشغيل، كي تتعلم المؤسسة من قراراتها بدلًا من ضياعها بين الاجتماعات وجداول البيانات والرسائل.

السرعة لا تهمّ إلا حين تحفظ الحُكم السليم.

الأتمتة قيّمة حين تزيل الاحتكاك من أجزاء العمل التي تُبطئ الناس. وهي خطيرة حين تُخفي عدم اليقين أو تتجاوز المساءلة. يُبقي AeroGenie الإنسان ضمن الحلقة، مع منح ذلك الإنسان خريطة أفضل بكثير للميدان.

صناعة القرار المؤسسي.

بنية القرار نفسها تنطبق حيثما يلتقي التعقيد وعدم اليقين والمساءلة.

في الاستجابة لاضطرابات سلاسل الإمداد، يستطيع AeroGenie الجمع بين بيانات المورّدين واللوجستيات والمخزون والطلب، ومحاكاة سيناريوهات الاضطراب، وقياس المفاضلات، وتنسيق التنفيذ عبر فرق المشتريات والعمليات والتمويل واللوجستيات والعملاء.

في استراتيجية التسعير، يستطيع ربط الأنظمة الداخلية وإشارات السوق الخارجية وقواعد البيانات ونماذج التسعير، ثم مقارنة مسارات التسعير عبر الإيراد والهامش والانصراف وثقة العملاء ومخاطر الجانب السلبي.

في الاستجابة للأمن السيبراني، يستطيع استيعاب التنبيهات والسجلات والإشارات وبيانات الحوادث، وتقييم نطاق التأثير، وترتيب التهديدات الجوهرية حسب الأولوية، وتوجيه الموافقات، وتنسيق المعالجة عبر فرق الهندسة والشؤون القانونية والاتصالات والقيادة.

في التمويل، يستطيع دعم تسريع الإقفال، وقرارات الاعتراف بالإيراد، والتنبؤ النقدي، والتحقيق في الانحرافات، والجاهزية للتدقيق، وتحسين رأس المال العامل، وتخصيص رأس المال، وإعداد التقارير لمجلس الإدارة.

في عمليات العملاء، يستطيع تحليل إشارات الصحة، ومحاكاة سيناريوهات الانصراف والتوسّع، وترتيب الحسابات حسب الأولوية بناءً على القيمة المعدَّلة بالمخاطر، وتوليد خطط تدخّل بمنطق واضح.

هذه ليست منتجات منفصلة. إنها تجلّيات للنظام نفسه: استيعاب الأدلة، ونمذجة عدم اليقين، ومقارنة المسارات، وحوكمة القرار، وتنفيذ العمل.

لماذا الآن.

تمتلك المؤسسات بيانات أكثر من أي وقت مضى، لكن الجزء الصعب انتقل إلى موضع آخر. لم يعد عنق الزجاجة هو الوصول إلى المعلومات. بل تقرير ما ينبغي فعله بالمعلومات حين يكون النظام معقدًا، والمستقبل غير مؤكد، وتكلفة الخطأ حقيقية.

يستطيع الذكاء الاصطناعي العام التلخيص والصياغة والإجابة. وتستطيع ذكاء الأعمال عرض المقاييس. وتستطيع جداول البيانات نمذجة مجموعة ضيقة من الفرضيات. لكن العمل الحرِج يحتاج إلى شيء قادر على التنقّل بين كل تلك الأنماط دون أن يفقد خيط القرار.

يوجد AeroGenie من أجل تلك اللحظة. اللحظة التي يملك فيها الفريق بيانات كافية ليغمره الإرهاق، ومخاطر كافية ليحترس، وإلحاحًا كافيًا ليتحرك، ومساءلة كافية ليحتاج إلى الرياضيات الكامنة خلف التوصية.