تواجه المؤسسات التي تدير أنظمة ذكاء الأعمال على نطاق واسع مشكلة حرجة: مستخدم يفتح لوحة بيانات قبل اجتماع حاسم فيجدها فارغة، بينما جميع فحوصات البنية الأساسية تشير إلى سلامة الأنظمة والخوادم. هذا النوع من الأعطال، وهو نادر النسبة (أقل من 1% من الحالات)، لا يُكتشف بالمراقبة التقليدية لأنه يظهر فقط في واجهة المستخدم النهائية.
قد تعرض عناصر لوحات البيانات بيانات فارغة أو متأخرة أو غير صحيحة، وتتعدد أسباب ذلك من فشل خطوط معالجة البيانات إلى تغييرات الصلاحيات. المخاطر تزداد حين تُرسل بيانات لوحات العمل إلى أنظمة ذكاء اصطناعي تولّد تقارير للقيادات. بنت فريق أمازون حلًا يفحص مئات لوحات البيانات المستضافة على تطبيق AWS Insights، ويستخدم نماذج Claude من Anthropic المتاحة عبر Amazon Bedrock لاكتشاف العناصر المفقودة أو الخاطئة بصريًا.
يعتمد الحل على خمس مراحل معالجة. تبدأ بجدولة فحوصات كل ساعة عبر Amazon EventBridge، ثم التقط لقطات شاشة من خلال جلسات المتصفح بلا واجهة. قبل التخزين، تمسح الصور حساسة عبر Amazon Rekognition التي تُخفي البيانات الحساسة واستبدالها بقيم اصطناعية. تُحلل اللقطات بواسطة نماذج الذكاء الاصطناعي للكشف عن الحالات الشاذة البصرية والأخطاء الهيكلية.
يجمع الحل بين آليتي التحقق: الأولى تحلل المحتوى البصري باستخدام الذكاء الاصطناعي للتمييز بين حالة فارغة مشروعة وبين عطل حقيقي. الثانية تفحص نفس المقياس الرقمي عبر لوحات متعددة، حيث تستخدم نماذج لغة للتعرف على المقاييس ثم كود حتمي للمقارنة الدقيقة مع معالجة اختلاف الوحدات والدقة العشرية. عند تأكيد فشل، يرسل النظام إشعارات Slack فورية لمالك القسم تتضمن لقطة شاشة وتقييم ثقة الذكاء الاصطناعي ورابط تحقيق مباشر.
أظهرت التجربة درسين أساسيين: الإيجابيات الكاذبة تقتل الثقة بأنظمة التنبيهات، لذا يتعين أن تتفوق الدقة على السرعة. الحالات الغامضة مثل المقاطع الفارغة لأن مجموعة الفلاتر لا تُرجع بيانات، تتطلب تفكيرًا سياقيًا عميقًا. تُحفظ نتائج التحليل في Amazon Redshift لتتبع الاتجاهات التاريخية وتحليل الأنماط.
Comments (0)
No comments yet. Be the first.