لم تعد الحوسبة السحابية Cloud Computing مجرد وسيلة لتخزين الملفات وتشغيل التطبيقات عن بُعد. خلال السنوات الأخيرة تحولت السحابة إلى واحدة من أهم البنى التحتية التي تعتمد عليها الشركات وشبكات الاتصالات ومراكز البيانات والخدمات الرقمية.
ومع ظهور الذكاء الاصطناعي التوليدي Generative AI، دخلت الحوسبة السحابية مرحلة جديدة تمامًا.
فالنماذج اللغوية الكبيرة ونماذج توليد الصور والفيديو والصوت والبرمجيات تحتاج إلى قدرات حوسبية هائلة، وذاكرة واسعة، وتخزين سريع، وشبكات ذات سعات مرتفعة. وهذه المتطلبات تجعل البنية السحابية عنصرًا أساسيًا في تدريب النماذج وتشغيلها وتوسيع نطاق استخدامها.
وفي المقابل، بدأ الذكاء الاصطناعي التوليدي نفسه في تغيير شكل السحابة.
لم تعد السحابة مجرد مكان تستضيف فيه التطبيقات، بل أصبحت بيئة يمكن فيها تشغيل نماذج الذكاء الاصطناعي، وتحليل البيانات، وبناء الوكلاء الذكيين، وأتمتة العمليات، وربط التطبيقات الذكية بخدمات المؤسسات.
وتزداد أهمية هذا التحول في قطاع الاتصالات تحديدًا، لأن شركات الاتصالات تمتلك كميات ضخمة من البيانات وشبكات معقدة ومراكز بيانات وبنية Edge يمكن أن تستفيد من الذكاء الاصطناعي التوليدي بصورة مباشرة.
وتشير دراسات حديثة إلى أن شركات الاتصالات تنتقل تدريجيًا من مرحلة التجارب المحدودة إلى دمج AI في البنية التحتية والعمليات الأساسية، بينما أصبح دعم أعباء عمل الذكاء الاصطناعي عاملًا مهمًا عند اتخاذ قرارات البنية السحابية. (Omdia)
فما المقصود بالذكاء الاصطناعي التوليدي في السحابة؟ وما الفرص التي يقدمها؟ وما المخاطر التي يجب أن ينتبه إليها مهندس الاتصالات ومسؤول البنية التحتية؟
 |
| الذكاء الاصطناعي التوليدي في بيئات الحوسبة السحابية-الفرص والتحديات |
ما هو الذكاء الاصطناعي التوليدي؟
الذكاء الاصطناعي التوليدي هو نوع من الذكاء الاصطناعي يستطيع إنتاج محتوى جديد اعتمادًا على الأنماط التي تعلمها من بيانات التدريب.
وهذا المحتوى قد يكون:
نصوصًا.
صورًا.
أصواتًا.
فيديوهات.
أكواد برمجية.
ملخصات وتقارير.
إجابات وتحليلات.
محتوى متعدد الوسائط.
ومن أشهر فئات النماذج المستخدمة في هذا المجال Large Language Models – LLMs، وهي نماذج قادرة على فهم اللغة الطبيعية وتوليد النصوص والاستجابة للتعليمات.
لكن تشغيل هذه النماذج على نطاق واسع يحتاج إلى بنية حوسبية قوية جدًا.
وهنا تأتي السحابة.
لماذا أصبحت السحابة مهمة للذكاء الاصطناعي التوليدي؟
يمكن تدريب نموذج ذكاء اصطناعي صغير باستخدام موارد محدودة نسبيًا، لكن النماذج الكبيرة تحتاج إلى قدرات ضخمة.
تحتاج عمليات التدريب والاستدلال إلى:
معالجات قوية.
وحدات معالجة رسومية أو مسرعات AI.
ذاكرة عالية السرعة.
تخزين ضخم.
شبكات داخلية عالية السرعة.
أنظمة تبريد وطاقة.
أدوات لإدارة النماذج والبيانات.
وهذه البنية ليست سهلة الإنشاء داخل كل مؤسسة.
لذلك توفر الحوسبة السحابية نموذجًا أكثر مرونة، حيث تستطيع المؤسسة استئجار الموارد التي تحتاجها بدل بناء كل شيء من الصفر.
وهذا أحد الأسباب الرئيسية وراء النمو السريع للبنية التحتية السحابية المخصصة لأعباء AI. وفي 2026 أصبحت البنية التحتية المحسنة للذكاء الاصطناعي محورًا متزايدًا للإنفاق السحابي، مع نمو واضح في الطلب على قدرات الاستدلال والتشغيل الفعلي للنماذج. (Reuters)
كيف تعمل منظومة Generative AI داخل السحابة؟
يمكن تصور المنظومة في عدة طبقات.
في الأسفل توجد البنية التحتية Infrastructure، وتشمل الخوادم ووحدات المعالجة والتخزين والشبكات.
فوقها توجد طبقة Cloud Platform التي توفر أدوات إدارة الموارد والتطبيقات.
ثم تأتي طبقة AI/ML Platform التي تتضمن أدوات تدريب النماذج وتشغيلها وإدارتها.
بعد ذلك تأتي النماذج نفسها، مثل النماذج اللغوية الكبيرة.
وفي أعلى المنظومة توجد التطبيقات التي يستخدمها الموظف أو العميل.
وبهذا الشكل يصبح المسار تقريبًا:
Cloud Infrastructure → AI Platform → Foundation Model → Application
لكن في البيئات المتقدمة قد تضاف طبقات أخرى مثل Edge Computing وData Lake وAPI Gateway وSecurity وObservability.
وهنا تصبح البنية أكثر تعقيدًا، لكنها أيضًا أكثر قدرة على دعم التطبيقات الذكية واسعة النطاق.
الفرق بين تدريب النموذج وتشغيله
من الأخطاء الشائعة التعامل مع تدريب النموذج وتشغيله باعتبارهما العملية نفسها.
هناك فرق كبير بينهما.
Training يعني تدريب النموذج على كميات ضخمة من البيانات حتى يتعلم الأنماط.
أما Inference فهو استخدام النموذج بعد تدريبه لإنتاج إجابات أو تنبؤات بناءً على طلبات المستخدمين.
وهذا الفرق مهم جدًا عند تصميم البنية السحابية.
فالتدريب قد يحتاج إلى قدرات حوسبية ضخمة خلال فترة محددة، بينما يمكن أن يستمر الاستدلال بصورة متواصلة مع آلاف أو ملايين الطلبات.
ولهذا بدأت بنية مراكز البيانات تتغير لتناسب متطلبات AI، ولم يعد السؤال فقط "كم تبلغ قدرة التدريب؟"، بل أصبح أيضًا "كيف سنشغل النموذج بكفاءة عند ملايين الطلبات؟".
الذكاء الاصطناعي التوليدي في شركات الاتصالات
يمثل قطاع الاتصالات بيئة مثالية لتطبيق Generative AI بسبب كثرة البيانات وتعقيد العمليات.
فشركة الاتصالات قد تمتلك:
شبكات 4G و5G.
شبكات ألياف ضوئية.
مراكز بيانات.
أنظمة OSS/BSS.
مراكز خدمة عملاء.
منصات سحابية.
أنظمة مراقبة الشبكات.
قواعد بيانات ضخمة.
أنظمة فوترة.
منصات أمنية.
هذه الأنظمة تنتج كميات هائلة من المعلومات.
والذكاء الاصطناعي التوليدي يمكن أن يعمل كطبقة تفاعل ذكية فوق هذه البيانات والأنظمة، بشرط وجود ضوابط مناسبة للوصول إلى البيانات.
وهذا يفسر لماذا أصبحت شركات الاتصالات تنظر إلى AI باعتباره جزءًا من تحول البنية التحتية، وليس مجرد أداة لخدمة العملاء. (IDC)
الفرصة الأولى: أتمتة عمليات الشبكة
يمكن أن يساعد Generative AI مهندسي الشبكات في فهم المعلومات المعقدة بصورة أسرع.
فبدل أن يراجع المهندس عشرات الشاشات والسجلات، يمكن لنظام ذكي أن يجمع البيانات ويقدم ملخصًا عن حالة الشبكة.
على سبيل المثال:
إذا حدثت مشكلة في منطقة معينة، يمكن للنظام تحليل التنبيهات وسجلات الأحداث ومؤشرات الأداء ومحاولة تلخيص المشكلة.
وقد تكون النتيجة:
"هناك انخفاض في جودة الخدمة في المنطقة X، ويرتبط بارتفاع الحمل على محطة معينة، مع ظهور مؤشرات غير طبيعية في رابط النقل."
هذه القدرة لا تعني أن النظام أصبح مهندسًا مستقلًا، لكنها تقلل الوقت المطلوب للوصول إلى المعلومات المهمة.
الفرصة الثانية: دعم مهندسي الاتصالات
يمكن للذكاء الاصطناعي التوليدي أن يعمل كمساعد رقمي للمهندس.
يمكنه المساعدة في:
شرح سجلات الشبكة.
تلخيص تقارير الأداء.
إنشاء أوامر أولية.
شرح إعدادات معينة.
كتابة Scripts.
تحليل الأخطاء.
إعداد تقارير الصيانة.
البحث داخل الوثائق الفنية.
تبسيط المعلومات المعقدة.
وهنا تظهر قيمة كبيرة.
فالمهندس لا يحتاج دائمًا إلى استبدال خبرته، وإنما يحتاج إلى أداة تساعده في الوصول إلى المعلومات بسرعة.
الفرصة الثالثة: خدمة العملاء الذكية
ربما يكون هذا المجال من أكثر استخدامات Generative AI وضوحًا.
يمكن إنشاء مساعدين ذكيين قادرين على فهم أسئلة العملاء والتعامل معها باللغة الطبيعية.
بدل أن يختار العميل عشرات الخيارات داخل نظام الرد الآلي، يمكنه وصف مشكلته مباشرة.
وقد يستطيع النظام التعامل مع أسئلة مثل:
"لماذا أصبحت سرعة الإنترنت لدي منخفضة؟"
ثم يبحث في المعلومات المتاحة ويقدم تفسيرًا أو يوجه العميل إلى الخطوة المناسبة.
لكن هنا يجب الانتباه إلى نقطة مهمة:
الذكاء الاصطناعي لا يجب أن يخمن معلومات حساسة أو غير مؤكدة.
في قطاع الاتصالات، إجابة خاطئة حول الفواتير أو العقود أو الخدمات قد تؤدي إلى مشكلات كبيرة.
الفرصة الرابعة: تحليل البيانات غير المنظمة
تمتلك الشركات كميات هائلة من البيانات النصية غير المنظمة.
مثل:
محادثات خدمة العملاء.
البريد الإلكتروني.
تقارير الصيانة.
تذاكر الدعم الفني.
الوثائق.
سجلات الأعطال.
الملاحظات الهندسية.
تقليديًا، كان تحليل هذه البيانات يحتاج إلى وقت كبير.
أما Generative AI فيمكنه تلخيصها وتصنيفها واستخراج المعلومات المهمة منها.
وهذا يجعل البيانات القديمة مصدرًا جديدًا للقيمة.
الفرصة الخامسة: إنشاء المساعد الهندسي الذكي
يمكن بناء نظام داخلي يعتمد على نموذج لغوي كبير، ويتم ربطه بوثائق الشركة وشبكاتها وقواعد المعرفة الخاصة بها.
عندها يستطيع المهندس طرح سؤال باللغة الطبيعية.
مثل:
"ما أسباب ارتفاع معدل Drop Call في هذه المنطقة؟"
ويقوم النظام بالبحث في مصادر البيانات المسموح له بالوصول إليها ثم يقدم تحليلًا.
هذه الفكرة يمكن أن تتطور إلى AI Engineering Copilot.
لكن نجاحها يعتمد بدرجة كبيرة على جودة البيانات والمعلومات التي يتم تزويد النموذج بها.
RAG ودوره في بيئات الاتصالات
من التقنيات المهمة جدًا هنا Retrieval-Augmented Generation – RAG.
بدل أن يعتمد النموذج فقط على المعلومات التي تعلمها أثناء التدريب، يتم ربطه بمصادر بيانات خارجية يمكن البحث فيها عند وصول السؤال.
وهذا مفيد جدًا لشركات الاتصالات.
فقد تمتلك الشركة آلاف الوثائق التي تحتوي على:
مواصفات المعدات.
تعليمات التشغيل.
إجراءات الصيانة.
سياسات الأمن.
خرائط الشبكة.
أدلة الموردين.
وثائق المنتجات.
يمكن لنظام RAG البحث في هذه المصادر وتقديم إجابة مبنية على المعلومات المتاحة.
وبذلك يصبح النموذج أكثر ارتباطًا ببيئة الشركة الفعلية.
الفرصة السادسة: تحسين عمليات البرمجة والأتمتة
تزداد أهمية البرمجيات في شبكات الاتصالات الحديثة.
فمع الانتقال إلى Cloud-Native Networks وSDN وNFV والأتمتة، أصبح مهندس الاتصالات يتعامل بصورة أكبر مع البرمجيات وواجهات API وScripts.
يمكن للذكاء الاصطناعي التوليدي المساعدة في:
كتابة الأكواد.
شرح الأكواد القديمة.
اكتشاف الأخطاء.
إنشاء Scripts.
تحويل متطلبات مكتوبة إلى كود أولي.
إنشاء اختبارات.
توثيق البرمجيات.
وهذا قد يؤدي إلى تسريع عملية التطوير.
لكن لا ينبغي تنفيذ الكود الذي يولده AI مباشرة في شبكة إنتاجية دون مراجعة واختبار.
الفرصة السابعة: تحسين عمليات مراكز البيانات
تحتاج تطبيقات الذكاء الاصطناعي إلى مراكز بيانات قوية.
وفي الوقت نفسه يمكن استخدام AI لإدارة مراكز البيانات نفسها.
يمكن تحليل:
درجة الحرارة.
استهلاك الطاقة.
أداء الخوادم.
حركة البيانات.
الأحمال.
أنظمة التبريد.
ثم استخدام النتائج لتحسين توزيع الأحمال وتقليل الهدر.
ومع ارتفاع متطلبات الطاقة والحوسبة الخاصة بأعباء AI، أصبحت كفاءة مراكز البيانات قضية هندسية وتجارية أساسية. (Reuters)
الفرصة الثامنة: Hybrid Cloud وMulti-Cloud
ليس من الضروري أن تعمل جميع تطبيقات AI في سحابة عامة واحدة.
قد تحتاج بعض المؤسسات إلى Hybrid Cloud تجمع بين السحابة الخاصة والعامة.
وقد تستخدم مؤسسة أخرى استراتيجية Multi-Cloud لتوزيع الخدمات على أكثر من مزود.
وفي قطاع الاتصالات، يمكن أن تكون هذه الاستراتيجية مفيدة بسبب اختلاف متطلبات:
الأمن.
الأداء.
التكلفة.
السيادة الرقمية.
القوانين.
زمن الاستجابة.
وتشير تحليلات قطاع الاتصالات إلى استمرار توجه المشغلين نحو البيئات الهجينة ومتعددة السحب، مع وجود تحديات تتعلق بالتوافقية والاعتماد على الموردين وقيمة الاستثمار. (IBM)
التحدي الأول: تكلفة البنية التحتية
إذا كان الذكاء الاصطناعي التوليدي يحتاج إلى قدرات حوسبية ضخمة، فمن الطبيعي أن ترتفع تكلفة البنية التحتية.
وهذه التكلفة لا تقتصر على الخوادم.
بل تشمل:
المعالجات والمسرعات.
الذاكرة.
التخزين.
الشبكات.
الكهرباء.
التبريد.
إدارة البيانات.
البرمجيات.
الخبرات البشرية.
ولهذا يجب ألا تبدأ المؤسسة بشراء بنية ضخمة لمجرد أن AI أصبح اتجاهًا عالميًا.
الأصح هو تحديد حالات الاستخدام أولًا ثم تحديد الموارد المطلوبة.
التحدي الثاني: استهلاك الطاقة
أصبحت الطاقة واحدة من أهم القضايا في بنية AI.
فكلما زادت عمليات التدريب والاستدلال، زادت الحاجة إلى الكهرباء والتبريد.
وهذا يجعل تصميم مراكز البيانات عاملًا أساسيًا.
وفي المستقبل، لن يكون السؤال فقط:
"كم عدد وحدات GPU الموجودة؟"
بل:
"كم عدد العمليات التي يمكن تنفيذها لكل وحدة طاقة؟"
ولهذا يتزايد الاهتمام بالبنية التحتية عالية الكفاءة للطاقة والتبريد المتقدم وتحسين عمليات الاستدلال.
التحدي الثالث: أمن البيانات
هذه النقطة شديدة الحساسية بالنسبة لشركات الاتصالات.
فالشركة قد تمتلك بيانات العملاء وبيانات الشبكة والوثائق الهندسية ومعلومات تجارية حساسة.
إذا تم إرسال هذه البيانات إلى نموذج خارجي دون ضوابط، فقد تظهر مخاطر كبيرة.
ومن هنا يجب تحديد:
أين يتم تخزين البيانات؟
من يستطيع الوصول إليها؟
هل يتم استخدامها لتدريب نموذج؟
كيف يتم تشفيرها؟
كيف يتم تسجيل عمليات الوصول؟
ما مدة الاحتفاظ بها؟
وهذه ليست مجرد أسئلة تقنية، بل أسئلة تتعلق بالحوكمة والامتثال أيضًا.
التحدي الرابع: الهلوسة Hallucination
واحدة من أشهر مشكلات الذكاء الاصطناعي التوليدي هي Hallucination.
قد ينتج النموذج إجابة تبدو مقنعة جدًا لكنها غير صحيحة.
وهذا مقبول نسبيًا في سؤال ترفيهي.
لكن ماذا لو كان السؤال:
"ما الأمر الذي يجب تنفيذه على جهاز الشبكة؟"
هنا يمكن أن تصبح الإجابة الخاطئة مشكلة خطيرة.
لذلك يجب استخدام آليات مثل:
RAG.
التحقق من المصادر.
الاختبارات.
Human-in-the-loop.
سياسات الصلاحيات.
مراقبة المخرجات.
ويؤكد إطار NIST الخاص بالذكاء الاصطناعي التوليدي أهمية إدارة المخاطر عبر دورة حياة النظام، وليس التعامل مع النموذج باعتباره مجرد أداة مستقلة. (NIST)
التحدي الخامس: جودة البيانات
يمكن أن يكون لديك أفضل نموذج AI في العالم، لكنه سيظل محدودًا إذا كانت البيانات التي يعتمد عليها سيئة.
وفي شركات الاتصالات تحديدًا قد تكون البيانات موزعة بين أنظمة قديمة متعددة.
قد تجد معلومات الشبكة في نظام، وبيانات العملاء في نظام آخر، وتقارير الأعطال في نظام ثالث.
وقد تكون البيانات:
مكررة.
قديمة.
ناقصة.
غير موحدة.
مخزنة بتنسيقات مختلفة.
ولهذا فإن Data Engineering أصبح عنصرًا أساسيًا في مشاريع الذكاء الاصطناعي.
التحدي السادس: الأنظمة القديمة Legacy Systems
هذه من أكبر العقبات أمام شركات الاتصالات.
هناك شبكات ومعدات وأنظمة تم بناؤها قبل سنوات طويلة، وبعضها لم يصمم أصلًا للتعامل مع الذكاء الاصطناعي الحديث.
ويمكن أن يؤدي ذلك إلى صعوبة في ربط الأنظمة الجديدة بالقديمة.
وهنا تظهر الحاجة إلى:
APIs + Integration Layers + Data Platforms + Automation
بدل محاولة استبدال كل شيء دفعة واحدة.
وتشير خبرات الصناعة إلى أن الأنظمة القديمة والبيانات المعزولة ونقص المهارات من العوائق المتكررة أمام توسيع استخدام Generative AI في قطاع الاتصالات. (Google Cloud)
التحدي السابع: الاعتماد على مزود سحابي واحد
قد تبدو السحابة العامة سهلة ومريحة، لكن الاعتماد الكامل على مزود واحد قد يؤدي إلى Vendor Lock-in.
وهذا يعني أن نقل التطبيقات والبيانات إلى بيئة أخرى قد يصبح مكلفًا أو معقدًا.
لذلك تحتاج المؤسسات إلى دراسة:
قابلية نقل البيانات.
معايير التشغيل البيني.
استخدام الحاويات.
Kubernetes.
APIs المفتوحة.
Multi-Cloud.
Hybrid Cloud.
قبل اتخاذ قرارات استراتيجية طويلة الأجل.
التحدي الثامن: زمن الاستجابة
ليست كل تطبيقات AI مناسبة للسحابة المركزية.
بعض التطبيقات تحتاج إلى استجابة سريعة جدًا.
مثل:
بعض تطبيقات التحكم الصناعي.
المركبات المتصلة.
بعض تطبيقات الأمن.
بعض حالات مراقبة الشبكة.
وهنا قد تكون Edge AI أكثر ملاءمة.
بدل إرسال كل البيانات إلى مركز بيانات بعيد، يمكن تشغيل النموذج أو جزء منه بالقرب من مصدر البيانات.
وهذا يقودنا إلى مستقبل يجمع بين:
Cloud AI + Edge AI
بدل اختيار أحدهما فقط.
Cloud AI أم Edge AI؟
السؤال الصحيح ليس:
"أيهما أفضل؟"
بل:
"أين يجب تشغيل كل عملية؟"
يمكن تشغيل النماذج الكبيرة والمعقدة في السحابة.
بينما يمكن تشغيل نماذج أصغر أو عمليات استدلال حساسة للزمن في الحافة.
وهذا يوفر توازنًا بين:
القدرة الحوسبية.
التكلفة.
الخصوصية.
زمن الاستجابة.
استهلاك الشبكة.
ومن هنا يصبح تصميم البنية Cloud-Edge Continuum مفهومًا مهمًا في مستقبل الاتصالات.
الذكاء الاصطناعي التوليدي و5G
هناك علاقة قوية بين Generative AI و5G.
فشبكات 5G توفر بنية اتصال متقدمة يمكن استخدامها لربط عدد هائل من الأجهزة.
أما AI فيستطيع تحليل البيانات الناتجة عن هذه الأجهزة.
وفي بعض الحالات يمكن أن تعمل الحوسبة الطرفية بالقرب من محطات 5G لتقديم استدلال سريع.
وهكذا يمكن بناء منظومة:
5G → Edge → AI → Cloud
تنتقل فيها البيانات بين طبقات مختلفة وفقًا لاحتياجات التطبيق.
ماذا عن 6G؟
مع الانتقال إلى 6G ستزداد أهمية الذكاء الاصطناعي أكثر.
فالجيل السادس لا يُنظر إليه فقط كشبكة ذات سرعة أكبر، وإنما كبيئة أكثر ذكاءً وتكاملًا.
ومن المتوقع أن يصبح AI جزءًا أعمق من تصميم الشبكة وإدارتها.
وقد نشهد تكاملًا بين:
الذكاء الاصطناعي.
الاتصالات.
الاستشعار.
الحوسبة.
الشبكات السحابية.
الحوسبة الطرفية.
وبذلك تصبح البنية التحتية نفسها أكثر اعتمادًا على AI.
هل ستصبح السحابة مركز الذكاء الرقمي؟
من المرجح أن تلعب السحابة دورًا محوريًا في تشغيل الكثير من خدمات AI، لكنها لن تكون وحدها.
فالمشهد المستقبلي سيكون أكثر توزيعًا.
سنجد:
Cloud
للتدريب والحوسبة الضخمة والتخزين.
Edge
للتطبيقات الحساسة للزمن.
On-Premises
للبيانات شديدة الحساسية أو المتطلبات الخاصة.
Device AI
لتنفيذ بعض عمليات الذكاء مباشرة على الأجهزة.
وهذا التوزيع سيجعل هندسة البنية التحتية أكثر تعقيدًا، لكنه يمنح المؤسسات مرونة أكبر.
كيف يجب أن تبدأ شركة اتصالات مشروع Generative AI؟
الخطأ الأكبر هو البدء بالنموذج قبل تحديد المشكلة.
الأفضل اتباع منهج تدريجي.
أولًا: تحديد حالات الاستخدام
يجب اختيار مشكلة واضحة لها قيمة قابلة للقياس.
ثانيًا: تقييم البيانات
هل البيانات متاحة؟ وهل هي نظيفة وموثوقة؟
ثالثًا: تحديد نموذج التشغيل
هل الأفضل استخدام Public Cloud أم Private Cloud أم Hybrid Cloud؟
رابعًا: وضع الضوابط الأمنية
من يستطيع الوصول إلى ماذا؟
خامسًا: اختبار النموذج
يجب اختبار الدقة والأمان والاستقرار.
سادسًا: البدء بنطاق محدود
يتم إطلاق المشروع في بيئة محددة قبل تعميمه.
سابعًا: قياس العائد
يجب معرفة هل أدى AI فعلًا إلى تقليل التكلفة أو تحسين الخدمة أو رفع الإنتاجية.
وهذا يتوافق مع الاتجاه الحالي في الصناعة نحو الانتقال من التجارب إلى مشاريع AI قابلة للقياس التجاري والتشغيلي. (IDC)
مستقبل الذكاء الاصطناعي التوليدي في السحابة
المستقبل لن يكون مجرد روبوت محادثة داخل موقع الشركة.
بل نتجه إلى أنظمة أكثر تكاملًا يمكنها فهم البيانات وتنفيذ سلسلة من المهام.
وقد تظهر AI Agents تستطيع التخطيط وتنفيذ عمليات متعددة الخطوات، مع ارتباطها بأنظمة المؤسسة.
وفي قطاع الاتصالات يمكن أن تساعد هذه الوكلاء في مهام مثل:
تحليل أعطال الشبكة.
إنشاء تقارير.
متابعة تذاكر الدعم.
تحليل الأداء.
اقتراح إجراءات.
تنفيذ بعض العمليات المسموح بها.
وتشير اتجاهات الصناعة الحديثة إلى توسع الاهتمام بالـAI Agents في قطاع الاتصالات، خصوصًا في العمليات وتجربة العملاء وإدارة الشبكات. (Google Cloud)
لكن كلما زادت قدرة النظام على تنفيذ الأوامر، أصبحت الحوكمة والصلاحيات والمراجعة البشرية أكثر أهمية.
مستقبل شركات الاتصالات في عصر Cloud + AI
قد يتغير دور شركة الاتصالات نفسها.
في الماضي كان المنتج الأساسي هو:
الاتصال.
ثم أصبح:
الاتصال + الخدمات الرقمية.
ومع AI قد يصبح المنتج:
الاتصال + الحوسبة + البيانات + الذكاء + الأتمتة.
وهذا يفتح فرصًا جديدة أمام مشغلي الاتصالات، خصوصًا إذا استطاعوا الجمع بين شبكاتهم الواسعة ومراكز البيانات وEdge والبنية السحابية.
وتشير تحليلات السوق في 2026 إلى أن النقاش داخل القطاع يتحول تدريجيًا من سؤال "هل نستخدم AI؟" إلى سؤال "كيف نحول AI والبنية الرقمية إلى قيمة تجارية قابلة للقياس؟". (IDC)
الخلاصة
يمثل الذكاء الاصطناعي التوليدي في بيئات الحوسبة السحابية تحولًا مهمًا في هندسة البنية التحتية الرقمية.
فالسحابة توفر القدرة الحوسبية والمرونة اللازمة لتشغيل النماذج، بينما يوفر الذكاء الاصطناعي طبقة جديدة من الفهم والتحليل والتوليد والأتمتة.
وفي قطاع الاتصالات، يمكن أن تكون الفوائد كبيرة، بدءًا من تحسين عمليات الشبكة وخدمة العملاء، وصولًا إلى دعم المهندسين وأتمتة العمليات وتحليل البيانات وإنشاء مساعدين ذكيين وربط AI مع شبكات 5G وEdge.
لكن الفرصة الكبيرة تأتي معها تحديات كبيرة.
التكلفة، والطاقة، وأمن البيانات، والهلوسة، وجودة البيانات، والأنظمة القديمة، والاعتماد على الموردين، وزمن الاستجابة كلها قضايا يجب التعامل معها من البداية.
ولهذا فإن النجاح في مشاريع Generative AI لن يعتمد على اختيار أفضل نموذج فقط.
بل سيعتمد على بناء بنية سحابية قوية، وبيانات موثوقة، وأمن محكم، وحوكمة واضحة، ونماذج قابلة للقياس، ومهندسين قادرين على دمج AI مع الاتصالات والشبكات.
وفي النهاية، قد لا يكون السؤال في المستقبل:
"هل ستستخدم شركات الاتصالات الذكاء الاصطناعي؟"
بل:
"أي شركة اتصالات استطاعت دمج الذكاء الاصطناعي داخل بنيتها بصورة أكثر أمانًا وكفاءة وذكاءً؟"
وهنا ستبدأ المنافسة الحقيقية.
الأسئلة الشائعة حول الذكاء الاصطناعي التوليدي والحوسبة السحابية
ما المقصود بالذكاء الاصطناعي التوليدي في السحابة؟
هو استخدام البنية السحابية لتشغيل وتطوير نماذج الذكاء الاصطناعي التوليدي، مع الاستفادة من موارد الحوسبة والتخزين والشبكات المرنة التي توفرها السحابة.
لماذا تحتاج نماذج الذكاء الاصطناعي إلى السحابة؟
لأن تدريب وتشغيل النماذج الكبيرة يحتاج إلى قدرات حوسبية وذاكرة وتخزين وشبكات قد تكون مكلفة جدًا إذا تم بناؤها بالكامل داخل المؤسسة.
هل يمكن لشركات الاتصالات استخدام Generative AI في الشبكات؟
نعم، يمكن استخدامه في تحليل البيانات والتقارير ومساعدة المهندسين وخدمة العملاء وأتمتة بعض العمليات، مع ضرورة فرض ضوابط صارمة قبل السماح له بتنفيذ تغييرات مباشرة على الشبكة.
ما الفرق بين Cloud AI وEdge AI؟
Cloud AI يعتمد على موارد حوسبية مركزية أو سحابية، بينما Edge AI ينفذ عمليات الذكاء بالقرب من مصدر البيانات لتقليل زمن الاستجابة وتقليل نقل البيانات عند الحاجة.
ما أكبر خطر في استخدام الذكاء الاصطناعي التوليدي؟
من أبرز المخاطر الهلوسة، وتسرب البيانات، وضعف الخصوصية، والهجمات على النماذج، واتخاذ قرارات خاطئة، والاعتماد المفرط على مخرجات النموذج.
هل يمكن استخدام ChatGPT أو نموذج لغوي عام مباشرة داخل شبكة اتصالات؟
يمكن استخدام نماذج لغوية في بيئات الاتصالات، لكن الأنظمة الحساسة تحتاج إلى تصميم مؤسسي يراعي البيانات والصلاحيات والأمان والتدقيق وربط النموذج بمصادر موثوقة، وليس مجرد استخدام نموذج عام دون ضوابط.
هل ستعتمد شبكات 6G على الذكاء الاصطناعي؟
من المتوقع أن يكون الذكاء الاصطناعي عنصرًا أكثر تكاملًا مع بنية 6G، بحيث ينتقل من مجرد أداة لتحليل البيانات إلى مكون أساسي في إدارة الشبكة وتحسينها وأتمتتها.
0 تعليقات