يُحدَّث برنامج إعادة تعبئة محلي سجلاته للمخزون والمبيعات كثيرًا، أحيانًا عدة مرات في الأسبوع، عبر عدة أشخاص. إدخال ناقص، أو رقم لم يحدّثه أحد، أو سجلان يتناقضان بصمت شائعة في ملف مزدحم كهذا، حتى قبل تدخل أي أداة ذكاء اصطناعي. عندما تلخّص أداة ذكاء اصطناعي سجلًا كهذا أو تحسب منه، تكرر نفس الفجوات والتناقضات بسلاسة، لأنها لا تملك طريقة لمعرفة أي نسخة من الحقيقة هي الحالية.
يقدم هذا الدرس طريقة عمل لاكتشاف مشكلات جودة البيانات الأكثر شيوعًا في سجلات برنامج مخزون محلي، بحيث تصلحها قبل أن تطلب من أداة ذكاء اصطناعي تلخيص هذه البيانات أو الحساب منها. بدون هذا، يمكن لإجابة ذكاء اصطناعي تبدو نظيفة أن تحمل بصمت خطأ كان موجودًا بالفعل في الملف.
تحتاج إلى: طريقة الدرس 3.2 للتحقق مقابل حقيقة معروفة، والوصول إلى سجل مخزون أو مبيعات تعمل عليه في العمل.
بنهاية هذا الدرس تستطيع:
لا يغطي هذا الدرس: تصميم قواعد البيانات أو ميزات فحص البيانات الخاصة بأداة جداول بيانات بعينها. يغطي الدرس 3.1 بالفعل أي الحقائق سرية؛ يفترض هذا الدرس أن مشاركة البيانات مسموحة ويسأل هل هي موثوقة بما يكفي لاستخدامها أصلًا.
| المصطلح | المعنى |
|---|---|
| مشكلة جودة البيانات | ضعف في بيانات الإدخال، مثل إدخالات ناقصة أو قديمة أو متضاربة، يجعل أي مخرجات مبنية عليها أقل موثوقية. |
| إدخال ناقص | حقل في مجموعة بيانات لا يحمل قيمة مسجلة، تُرك فارغًا بدلًا من ملئه. |
| إدخال متضارب | سجلان يصفان الحقيقة الفعلية نفسها بقيمتين مختلفتين ومتناقضتين. |
| السجل المصدر | الملف أو النظام الأصلي الذي أُدخلت فيه حقيقة طلبية أولًا ويُحافظ فيه على تحديثها. |
| حقيقة معروفة | رقم أو تفصيلة ثابتة ومؤكدة بالفعل، تُستخدم للتحقق من صحة مخرجات أداة الذكاء الاصطناعي. |
لا تعرف أداة الذكاء الاصطناعي أن خلية فارغة لعدد المخزون تعني "لم يُحصَ بعد" بدلًا من "صفر." لا تعرف أن صفّين يسجلان نفس الموديل بنقطتي إعادة طلب مختلفتين يعني أن أحدهما قديم. تعامل ما هو موجود في الملف كحقيقة، وتنتج إجابة سلسة في الحالتين. جودة السجل نفسه، لا قدرة الأداة، هي ما يقرر مدى موثوقية تلك الإجابة.
| ما الذي يمكن أن يختلف | الأشكال التي ستقابلها | لماذا يهمك هذا |
|---|---|---|
| طلبية محلية بنموذج Make to Stock | سجل إعادة تعبئة يحدّثه عدة أشخاص على دورة روتينية غالبًا ما يجمع إدخالًا ناقصًا أو قيمتين متضاربتين لنفس الموديل. | التحديثات المتكررة من أكثر من شخص هي بالضبط الشرط الذي ينتج إدخالًا متضاربًا. |
| طلبية تصدير بنموذج Make to Order | يُلمس سجل طلبية تصدير مؤكدة أقل، لذا خطر جودة بياناتها الأكبر هو حقل قديم واحد متبقٍ من قبل التأكيد، لا انحراف روتيني. | تعني التحديثات الأقل فرصًا أقل للتضارب، لكن حقلًا قديمًا واحدًا قد يبقى غير ملاحظ لفترة أطول مع ذلك. |
| طلبية هجينة تُدار عبر وكيل | قد يحمل سجل وكيل يمزج أرقام مشتريين إدخالًا ناقصًا من أي طرف أرسل تحديثًا غير مكتمل. | إدخال ناقص من طرف واحد يسهل تفويته عندما يبدو باقي السجل الممزوج مكتملًا. |
| فئات منتجات مختلفة | تضيف الجوارب حقل قياس، وتضيف البياضات حقل مكوّن الطقم، وكل منها يمكن أن يصبح ناقصًا أو متضاربًا بنفس الطريقة التي يمكن أن تصبح بها حقول التي شيرت. | الحقل المحدد يتغير باختلاف فئة المنتج؛ خطر أن يكون ناقصًا أو متضاربًا لا يتغير. |
Cedar & Co. علامة محلية تشتري من Delta Garments بنموذج Make to Stock، ويستخدم برنامج التي شيرت الأساسي لديها القماش نفسه المستخدم في الطلبية A: Single jersey، 180 GSM، Ne 30/1. قبل أن تطلب Mona من أداة ذكاء اصطناعي اقتراح كمية إعادة طلب من ملف مخزون Cedar & Co. نفسه، تتحقق من الملف نفسه بحثًا عن فجوات.
تجد خلية عدد المخزون الحالي لموديل واحد فارغة، وقيمتي إعادة طلب مختلفتين مسجلتين لنفس الموديل في صفّين مختلفين، إحداهما من الشهر الماضي والأخرى من هذا الأسبوع. تملأ الخلية الفارغة بعدد مؤكد من المستودع وتحذف صف نقطة إعادة الطلب الأقدم والقديم قبل أن تدع أداة الذكاء الاصطناعي تحسب أي شيء من الملف.
تقوم Mona بهذا الفحص على الورق أولًا، صفًا صفًا في الملف، بدلًا من أن تطلب من أداة الذكاء الاصطناعي نفسها الإشارة إلى أي فجوات. تعامل الفحص كمسؤوليتها الخاصة، لا كمهمة تُسلَّم لغيرها، لأن أداة الذكاء الاصطناعي لا تملك طريقة لمعرفة أي رقمي Cedar & Co. المتضاربين هو الحالي؛ فقط شخص يعرف عدد المستودع الحقيقي يستطيع حسم ذلك.
The worked numberتصحيحان صغيران، تمّا قبل أن تلمس أداة الذكاء الاصطناعي الملف، هما ما حوّل سجلًا غير موثوق إلى سجل يمكن لـ Mona الوثوق بمخرجاته. لم يستغرق أي تصحيح أكثر من دقائق قليلة، أقل بكثير من الوقت الذي كان سيكلفه قرار إعادة طلب خاطئ لاحقًا.
The methodيبدو هذا الخيار معقولًا عندما يبدو الملف كاملًا للوهلة الأولى، لأن معظم الحقول مملوءة ومعظم الصفوف متفقة مع بعضها. يصبح مكلفًا في اللحظة التي تكون فيها الخلية الفارغة الوحيدة أو الصف المتضارب الوحيد هو تحديدًا الحقل الذي اعتمد عليه الحساب، لأن إجابة أداة الذكاء الاصطناعي ستذكر كمية إعادة طلب واثقة وخاطئة دون أي إشارة إلى أن شيئًا كان ناقصًا.
العادة الأفضل بسيطة: افحص السجل بحثًا عن فجوات وتضاربات قبل أن تطلب من أداة ذكاء اصطناعي تلخيصه أو الحساب منه، لا بعد قراءة إجابتها.
تخيل سجل مخزون كقائمة تسوق كتبها شخص آخر من أجلك. إذا كان عنصر واحد في القائمة بلا كمية بجانبه، وعنصر آخر مكتوب مرتين بكميتين مختلفتين، لن تخمّن وتذهب للتسوق ببساطة. ستتحقق مع من كتب القائمة أولًا.
لا تتحقق أداة الذكاء الاصطناعي مع أحد؛ تقرأ القائمة تمامًا كما كُتبت وتعطيك إجابة واثقة في الحالتين. قبل أن تطلب منها تلخيص أو حساب أي شيء، انظر إلى القائمة بنفسك بحثًا عن فراغ أو إجابتين متناقضتين، فهذه النظرة القصيرة هي وحدها ما يكشف الفجوة التي لا تراها الأداة أبدًا.
يطلب Omar، مالك Cedar & Co.، من Mona اقتراح إعادة طلب سريع قبل نهاية اليوم. وجدت Mona وصحّحت بالفعل خلية عدد مخزون فارغة واحدة، لكنها لم تنتهِ بعد من مقارنة سجل كل موديل بحثًا عن إدخال متضارب ثانٍ محتمل.
هل يجب أن تدع Mona أداة الذكاء الاصطناعي تحسب اقتراح إعادة الطلب الكامل الآن، قبل إنهاء فحص الموديلات المتبقية؟ قرري قبل فتح الإجابة.
لا. يجب أن تنهي Mona فحص كل موديل بحثًا عن إدخال متضارب أولًا، بما أن الموعد النهائي يسمح بذلك، ثم تدع أداة الذكاء الاصطناعي تحسب اقتراح إعادة الطلب.
1. وُجدت بالفعل مشكلة جودة بيانات واحدة مرة في هذا الملف نفسه، مما يعني أن وجود ثانية في موديل غير مفحوص احتمال حقيقي، لا بعيد. 2. يترك موعد Omar النهائي الخاص، "قبل نهاية اليوم،" وقتًا كافيًا لإنهاء الفحص، فلا شيء يجبر Mona على تخطيه. 3. اقتراح إعادة طلب مبني على إدخال متضارب غير مفحوص سيذكر كمية واثقة وخاطئة، وتصحيح إعادة طلب بعد أن يُطلب المخزون فعليًا يكلف أكثر من إنهاء الفحص الآن.
تكلفة تجاوز الفحص المتبقي بسرعة ليست مجرد كمية خاطئة محتملة؛ بل إن Mona لن تملك طريقة لمعرفة أي أرقام اقتراح إعادة الطلب تثق بها بمجرد أن تحسب أداة الذكاء الاصطناعي من ملف غير مفحوص.
نادرًا ما يهدد إدخال ناقص أو متضارب في سجل مخزون محلي قيمة طلبية واحدة كاملة مرة واحدة. تكلفته الحقيقية قرار إعادة طلب خاطئ: طلب مخزون أكثر مما يلزم يجمّد نقدًا يمكن للمنشأة استخدامه في مكان آخر، وطلب أقل مما يلزم يعني نفاد موديل قبل جاهزية دورة إنتاج تالية. تكلف أي من الخطأين مالًا ووقتًا حقيقيين للتصحيح، وتجعل إجابة أداة الذكاء الاصطناعي الواثقة والسلسة الخطأ أصعب ملاحظة مما تفعله معادلة جدول بيانات عادية، لأن جملة سلسة تُقرأ كأكثر موثوقية من رقم مجرد.
أرخص نقطة لمنع هذه التكلفة هي خطوة الفحص نفسها، تُنفَّذ على السجل قبل أن تُطلب أداة الذكاء الاصطناعي لاستخدامه.
استخدم ورقة عمل T18-C03. في ورقة ملاحظات جودة البيانات، اسرد كل حقل فُحص، وهل وُجد إدخال ناقص أو متضارب، وكيف صُحِّح. ابدأ بتصحيحَي Cedar & Co. نفسهما، ثم كرر التمرين على سجل تحتفظ به في العمل.
[تحميل ورقة العمل](../../templates/T18-C03-data-safe-ai-use-worksheet.xlsx)
حمّل ورقة عمل الاستخدام الآمن للبيانات مع الذكاء الاصطناعي (إكسل)
1. لماذا تصحح Mona خلية عدد المخزون الفارغة وتحذف صف نقطة إعادة الطلب الأقدم قبل أن تدع أداة ذكاء اصطناعي تحسب اقتراح إعادة طلب من ملف Cedar & Co.؟
2. يُظهر سجل مخزون محلي لموديل مختلف صفًا بنقطة إعادة طلب 500 وحدة مؤرَّخ قبل ثلاثة أشهر وصفًا ثانيًا بنقطة إعادة طلب 650 وحدة مؤرَّخ الأسبوع الماضي. أي قيمة يجب استخدامها قبل أن تُطلب أداة ذكاء اصطناعي للحساب من السجل؟
| AR | EN | FR | TR | المعنى |
|---|---|---|---|---|
| مشكلة جودة البيانات | Data-quality problem | Problème de qualité des données | Veri kalitesi sorunu | ضعف في بيانات الإدخال، مثل إدخالات ناقصة أو قديمة أو متضاربة، يجعل أي مخرجات مبنية عليها أقل موثوقية. |
| إدخال ناقص | Missing entry | Entrée manquante | Eksik kayıt | حقل في مجموعة بيانات لا يحمل قيمة مسجلة، تُرك فارغًا بدلًا من ملئه. |
| إدخال متضارب | Inconsistent entry | Entrée incohérente | Tutarsız kayıt | سجلان يصفان الحقيقة الفعلية نفسها بقيمتين مختلفتين ومتناقضتين. |
| السجل المصدر | Source record | Registre source | Kaynak kayıt | الملف أو النظام الأصلي الذي أُدخلت فيه حقيقة طلبية أولًا ويُحافظ فيه على تحديثها. |
| حقيقة معروفة | Known fact | Fait connu | Bilinen gerçek | رقم أو تفصيلة ثابتة ومؤكدة بالفعل، تُستخدم للتحقق من صحة مخرجات أداة الذكاء الاصطناعي. |
في الدرس التالي سترى كيف يمكن لبيانات سرية من شكلي طلبية مختلفين أن تختلط عن طريق الخطأ داخل جلسة أداة ذكاء اصطناعي واحدة، وكيفية إبقائها منفصلة. العودة إلى خريطة الدورة