طبقة دلالية تجعل الذكاء الاصطناعي يتحدّث بلغة مقاييسك المالية

الطبقة الدلالية هي فهرس محوكَم يقع بين جداولك الخام وكل ما يستعلم منها، ويحتفظ بتعريف قياسي واحد لكل مقياس وبُعد. فحين تطلب لوحة معلومات أو دفتر تفاعلي (notebook) أو وكيل ذكاء اصطناعي صافي الإيرادات، يُحلّ كل طلب إلى الاستعلام نفسه، بالمرشّحات نفسها ومعالجة العملة نفسها تحته. يعيش التعريف في مكان واحد بدلاً من أن يُعاد اشتقاقه على يد كل من يصادف أن يسأل.

المشكلة التي تحلّها مألوفة إلى حدّ الملل. تطلب الإدارة المالية الإيرادات من مستودع البيانات فتحصل على رقم. ثم يسحب أحدهم الفترة نفسها من نظام الفوترة فيحصل على رقم آخر. وكلاهما قابل للدفاع عنه، لأن كلاً منهما يرمّز قاعدة مختلفة قليلاً بشأن الأرصدة الدائنة والمبالغ المستردة والمبالغ المؤجَّلة واللحظة الدقيقة التي يُعترف فيها بالإيراد. اضرب ذلك في كل مقياس تُبلّغ عنه الشركة، وستحصل على خلاف دائم منخفض الحدّة حول أي الأرقام هو الصحيح. أدخِل وكيل ذكاء اصطناعي إلى هذه البيئة، ولن يُحسَم الخلاف بل يزداد سرعةً. سيولّد النموذج بكل رضا جملةً واثقة تحمل أي رقم إيرادات صادف أن استعلم عنه.

لماذا يجعل الذكاء الاصطناعي مشكلة المقاييس ملحّة

عاشت الصناعة سنواتٍ مع تباعد التعريفات لأن إنساناً كان يجلس بين الاستعلام والقرار. فالمحلّل الذي رأى الإيرادات تعود أدنى بنسبة 8% كان يعرف أن عليه التحقّق مما إذا كانت المبالغ المستردة قد خُصمت، وكان يصحّح الاستعلام بهدوء. هذا الإنسان مرشّح، وهو مكلف، ولا يتوسّع ليغطي مئات الأسئلة الارتجالية يومياً.

وحين تسمح لنموذج لغوي بكتابة استعلامات SQL على الجداول الفيزيائية، فأنت تُزيل المرشّح وتُبقي الغموض. فالنموذج لا يعلم إطلاقاً أن amount_usd في جدول invoices يستبعد الضريبة أصلاً، بينما يشملها جدول orders. إنه يرى عمودين معقولين فيختار أحدهما. لا سوء نيّة ولا خطأ ظاهر يمكن التقاطه. المُخرَج سليم النحو، منسّق، وخاطئ بمقدار بند الضريبة.

• نموذج يُسأل عن الاستنزاف (churn) سيخمّن المقام: العملاء أم المقاعد أم الدولارات، وما إذا كان عليه احتساب عمليات خفض الاشتراك.
• نموذج يُسأل عن هامش الربح الإجمالي سيخمّن أي فئات التكلفة تنتمي إلى ما فوق الخط.
• نموذج يُسأل عن الإيرادات سيخمّن قاعدة الاعتراف، وتاريخ العملة، وما إذا كانت عمليات الاستبعاد بين الشركات (intercompany eliminations) تنطبق.

كل تخمين معقول بمفرده، وغير قابل للتدقيق مجتمعاً. تُزيل الطبقة الدلالية التخمين. فلم يعد النموذج يكتب SELECT SUM(amount)؛ بل يطلب المقياس المُسمّى net_revenue لدرجة زمنية ومجموعة من الأبعاد، وتترجم الطبقة هذا الطلب إلى الاستعلام الواحد الذي اعتمده فريقك المالي.

ما الذي يعيش فعلاً داخل الطبقة

الطبقة الدلالية النافعة أكثر من قاموس لأسماء الأعمدة المستعارة. فهي تحمل أجزاء المقياس التي يتركها الناس عادةً ضمنيّة ثم يختلفون عليها لاحقاً.

• القياس وتجميعه. ليس مجرد “الإيرادات”، بل التعبير الدقيق، والدرجة (grain) التي يصحّ عندها، وما إذا كان يجمع أو يحسب المتوسّط أو يتطلّب عدّاً مميّزاً (distinct count).
• مسارات الربط وتحليل الكيانات. كيف يرتبط عميل في نظام الفوترة بعميل في إدارة علاقات العملاء (CRM) بكيان في دفتر الأستاذ العام، بحيث يعني المقياس المقسَّم حسب العميل العميلَ نفسه في كل مكان.
• الدلالة الزمنية. أي تاريخ يقود المقياس (الحجز، الفاتورة، الاعتراف، النقد)، وكيف يتعامل مع صحّة النقطة الزمنية (point-in-time correctness) بحيث لا تعيد فترة سابقة أُعيد بيانها كتابة الرقم المُبلَّغ عنه للربع الماضي بصمت.
• مرشّحات مدمجة في التعريف. حسابات الاختبار مستبعَدة، والمعاملات بين الشركات مُلغاة، ومجموعة محدّدة من الحالات تُحتسب نشطة. هذه هي القواعد التي لا تصل أبداً إلى عنوان لوحة المعلومات وتسبّب أكبر قدر من التباعد.
• معالجة العملة والوحدة. مصدر سعر التحويل والتاريخ الذي يُطبَّق عنده، بحيث لا يخطئ عقد باليورو مُبلَّغ عنه بالدولار بمقدار شهر من تحرّك سعر الصرف (FX).
• التسلسل (lineage) والملكية. أي الجداول الفيزيائية تغذّي المقياس، ومن يملك التعريف، ومتى تغيّر آخر مرة. هذا ما يحوّل رقماً ولّده الذكاء الاصطناعي إلى شيء وراءه أثر تدقيق.

النقطة الأخيرة تهمّ في المالية أكثر مما تهمّ في أي مجال آخر تقريباً. فحين يهبط رقم في عرض تقديمي لمجلس الإدارة أو في إقرار تنظيمي، يجب أن يكون بمقدور أحدهم تتبّعه رجوعاً إلى المصدر. المقياس المُعرَّف في الطبقة الدلالية يحمل هذا التسلسل بحكم بنيته. أما المقياس الذي أعاد النموذج بناءه من استعلام SQL خام فلا يحمل شيئاً سوى ثقة النموذج.

الحوكمة هي الجزء الصعب، لا محرّك الاستعلام

الهندسة اللازمة لترجمة المقاييس المُسمّاة إلى SQL مطروقة جيداً. فعدّة محرّكات مفتوحة المصدر وتجارية تفعل ذلك. أما العمل الذي يقرّر نجاح الطبقة من عدمه فهو تنظيمي، وهو حيث تقصّر معظم المشاريع في الاستثمار.

يجب أن يملك أحدهم كل تعريف، ويجب أن تمرّ التغييرات عبر مراجعة كما تمرّ الشيفرة البرمجية. طلب دمج (pull request) يغيّر طريقة حساب الاستنزاف ينبغي أن يكون مرئياً، ومناقَشاً، ومُصدَّراً بنسخ، لأنه يغيّر كل رقم لاحق لحظة دمجه. نحن نعامل تعريفات المقاييس كشيفرة: تعيش في المستودع، ولها اختبارات، وأي تغيير مقترح يُشغَّل على مجموعة من الفترات المعروفة ليُظهر بالضبط كيف تتحرّك الأرقام المُبلَّغ عنها قبل أن يوافق أحد.

منظومة الاختبار تلك تستحقّ البناء مبكراً. لكل مقياس، احتفظ بمجموعة صغيرة من الفترات مع قيمة متوقَّعة مُتحقَّق منها يدوياً، تماماً كما تحتفظ بمجموعة تقييم (eval set) لنموذج. حين يعدّل أحدهم التعريف، تعيد المنظومة حساب تلك الفترات وتُعلِّم أي منها تغيّر. معظم التعديلات ينبغي ألا تغيّر شيئاً؛ والتي تغيّر هي التي تحتاج إنساناً ليعتمدها. هكذا تلتقط إعادة الهيكلة حسنة النيّة التي حرّكت بهدوء فئة تكلفة إلى ما فوق خط الهامش.

المطابقة (reconciliation) تنتمي إلى المكان نفسه. مقياس الإيرادات في الطبقة الدلالية ينبغي أن يتطابق مع دفتر الأستاذ العام وفق جدول زمني، وأي انكسار في المطابقة ينبغي أن يرفع تنبيهاً بدلاً من أن ينتظر نهاية الربع ليظهر. وبمجرد أتمتة هذا التطابق، تتوقّف الطبقة عن كونها وسيلة راحة للمحلّلين وتصبح الشيء الذي يمكنك أن توجّه إليه وكيلاً من دون أن تحبس أنفاسك. يطلب النموذج مقياساً، فيحصل على رقم يتطابق مع الدفاتر أصلاً، ويستشهد بتعريف يملكه شخص. هذا هو الفرق بين ذكاء اصطناعي يصوغ رقماً معقولاً وذكاء اصطناعي يمكنك أن تضعه أمام مدقّق حسابات.