تقنية mHC من DeepSeek: تطور جديد لكفاءة البيانات في عصر الذكاء الاصطناعي

قديمًا كان التعامل مع البيانات في أنظمة التحليل والذكاء الاصطناعي قائمًا على مبدأ التكديس، فكلما زادت البيانات، زادت الذاكرة، وارتفعت كلفة الحوسبة، وتضاعف التعقيد. وكان التركيز منصبًّا على جمع أكبر قدر ممكن من المعلومات ثم إعطائها للنماذج لمعالجتها دفعة واحدة، مع افتراض أن القوة الحسابية قادرة دائمًا على اللحاق بهذا التضخم.

فتخيل فريق تحليل في شركة تجارة إلكترونية يراقب المبيعات لحظة بلحظة بما يتضمن تدفقات زيارات، وعربات تسوق متروكة، وأسعار منافسين، وحملات إعلانية، وشكاوى نصية من العملاء. كل هذه البيانات تتجمع بسرعة، ومع كل محاولة لتوسيع التحليل أو إضافة نموذج تنبؤي جديد ترتفع الكلفة، ويتباطأ التنفيذ، ثم يتحول القرار من لحظي إلى مؤجل لأن البنية تعجز عن مواكبة الحجم والمعالجة في الوقت نفسه.

في هذا السياق، تظهر تقنية mHC من DeepSeek بوصفها استجابة مختلفة للسؤال القديم ذاته: كيف نُخرج قيمة أعلى من البيانات بكلفة أقل وذكاء أكبر؟ فبدل الاعتماد على الاستهلاك المكثّف للموارد، تتجه mHC إلى إعادة التفكير في كيفية تمثيل البيانات ومعالجتها داخل النموذج نفسه، بما يفتح آفاقًا جديدة لا تمس الجانب التقني فقط، وإنما تُعيد رسم العلاقة بين البيانات والنموذج، وبين الحجم والمعنى، وبين الأداء والاستدامة.

ولكن، ما هي mHC من DeepSeek؟

ببساطة، هي طريقة متطورة لتنظيم مسارات مرور المعلومات داخل النماذج العميقة جدًا، خصوصًا نماذج اللغة الكبيرة، وتقوم فكرتها على إنشاء عدة مسارات متوازية داخل النموذج بدل مسار واحد، بحيث تتبادل هذه المسارات البيانات فيما بينها أثناء مرورها عبر الطبقات، ما يمنح النموذج قدرة أعلى على تمثيل العلاقات المعقدة داخل البيانات. والذي يميز تقنية mHC تحديدًا، أنها تسمح بهذا التبادل وفق قواعد انضباط تجعل المزج بين المسارات أشبه بـ“متوسطات موزونة” مستقرة، فيحافظ النموذج على توازن تدفّق الإشارة عبر العمق الكبير، ويستمر التدريب بوتيرة أكثر اتساقًا عند التوسّع إلى مئات الطبقات.

وقد تبدو mHC تقنية تخص مهندسي البيانات، غير أن أثرها يصل إلى قلب تحليل البيانات عندما تعتمد المؤسسة على نماذج ضخمة في الاستعلام، والتلخيص، واستخراج الرؤى من مصادر متشعبة. وهنا تظهر قيمة هذه التقنية عمليًا:

• كفاءة أعلى عند اعتماد التحليل على نطاق واسع: نماذج أكثر قدرة على التعامل مع السياق المركب دون تضخم غير ضروري في العبء التشغيلي.
• استقرار أكبر في بناء النماذج المعتمدة على بيانات المؤسسة: تدريب أكثر اتساقًا عند تعقيد النموذج، ما ينعكس على جودة النتائج في مهام مثل التفسير، والتصنيف، والاستخلاص.
• قيمة أوضح في التحليلات التي تجمع مصادر متعددة: عندما يحتاج المحلل إلى ربط مؤشرات رقمية مع إشارات نصية أو سياقية، يصبح “ثراء تدفق المعلومات داخل النموذج” عاملًا مساعدًا لتقليل التشويش ورفع جودة الاستدلال.

كيف تُترجم mHC إلى كفاءة في معالجة البيانات داخل المؤسسة؟ مثال عملي

لنفترض أن متجرًأ إلكترونيًأ يعتمد على التحليل المتقدم لاتخاذ قرارات يومية سريعة، ولدى هذا المتجر مصادر بيانات متعددة تعمل في الوقت نفسه:

• معاملات المبيعات اللحظية (أسعار، كميات، مناطق).
• سلوك المستخدمين داخل الموقع (نقرات، مدة الجلسات، مسارات التصفح).
• نصوص غير مهيكلة من شكاوى العملاء وتقييماتهم.
• بيانات حملات تسويقية قادمة من منصات مختلفة.

في النموذج التقليدي، تُمرَّر هذه البيانات إلى نموذج واحد بمسار معالجة موحّد، فيحاول النموذج “استيعاب كل شيء” عبر قناة واحدة. مع تضخم الحجم وتعدد الأنماط، ترتفع الكلفة الحسابية، ويزداد التشويش، ويصبح الربط بين الإشارات الرقمية والنصية أقل دقة. وهنا يظهر دور mHC بصورة عملية، فباستخدامها يعمل النموذج عبر مسارات متوازية:

• مسار يركّز على الأنماط الرقمية للمبيعات.
• مسار آخر يتعامل مع النصوص والسياق اللغوي لشكاوى العملاء.
• مسار ثالث يربط سلوك المستخدم بالحملات التسويقية.

وهذه المسارات تتبادل المعلومات فيما بينها، غير أن هذا التبادل يتم بطريقة مضبوطة ومستقرة، بحيث يُشبه متوسطًا موزونًا ذكيًا بدل تداخل عشوائي. والنتيجة أن النموذج يحتفظ بصورة متوازنة عن المشهد الكامل، إذ يرى الأرقام، ويفهم السياق، ثم يربط بينهما دون أن ينهار الأداء أو تتضاعف الكلفة.

ويتمثل الأثر المباشر على كفاءة تحليل البيانات في:

• رؤى أكثر اتساقًا: تفسير انخفاض المبيعات مثلًا يصبح مرتبطًا بسلوك المستخدم ونبرة الشكاوى، لا رقمًا معزولًا.
• استغلال أفضل للموارد: فالنموذج يعالج التعقيد بذكاء بدل التعويض بقوة حوسبة إضافية.
• قرارات أسرع وأدق: لأن النموذج يحافظ على استقرار التحليل حتى مع تدفق بيانات كثيف ومتغير.

بهذا المعنى، تمثّل mHC انتقالًا مهمًا في فلسفة التعامل مع البيانات، من محاولة جمع كل شيء في مسار واحد، إلى تنظيم التعقيد داخليًا، بما يخدم محلل البيانات وصانع القرار معًا. وإذا كان التحليل الحديث يقوم على فهم العلاقات العميقة بين مصادر مختلفة، فإن mHC توفّر بنية تجعل هذا الفهم ممكنًا بكفاءة أعلى واستدامة أوضح.

ما المهارات اللازمة لاستغلال إمكانات هذه التقنية في تحليل البيانات؟

هذه التقنية من DeepSeek لا تتطلب أن يكون محلل البيانات مهندس بيانات، لكنها تتطلب حزمة مهارات تحليلية وفكرية تمكّنه من توجيه النماذج المتقدمة واستثمار كفاءتها بدل التعامل معها بسطحية، وأبرز هذه المهارات:

• فهم عميق لبنية البيانات وتعدد مصادرها.
• القدرة على تصنيف البيانات بحسب طبيعتها (رقمية، نصية، سلوكية، زمنية) وتحديد ما يمكن تحليله عبر مسارات متوازية داخل النموذج.
• طرح أسئلة تربط بين أكثر من بُعد في الوقت نفسه، مثل العلاقة بين السلوك الرقمي ونبرة النصوص وتأثيرها على الأداء التجاري.
• القدرة على تفسير المخرجات متعددة السياقات وقراءة النتائج بوصفها ناتج تفاعل مسارات مختلفة، مع تمييز الأنماط الخفية من الفوضى التحليلية.
• فهم أثر حجم النموذج وعمقه على الأداء والتكلفة، واتخاذ قرارات تحليلية تراعي الاستدامة التشغيلية.
• معرفة متى يُستخدم نموذج غني متعدد المسارات، ومتى يكفي تحليل أبسط لتفادي التعقيد غير الضروري.
• اختبار الاستنتاجات عبر مقارنات زمنية أو عينات مستقلة للتأكد من استقرار الرؤية وعدم انحيازها لمسار واحد داخل النموذج.
• الربط بين التحليل والسياق التجاري وتحويل المخرجات التقنية إلى رؤى قابلة للتنفيذ، مع تفسير كيف ولماذا ترتبط البيانات ببعضها في الواقع العملي.
• الثقافة البياناتية وفهم أساسيات الذكاء الاصطناعي عبر الإلمام بالمفاهيم الأساسية لبنى النماذج الحديثة لفهم حدودها وإمكاناتها دون الانغماس في التفاصيل الهندسية الدقيقة.

والخلاصة

إن تقنيات مثل mHC ترفع سقف الإمكانات، لكنها لا تلغي الحاجة إلى عقل تحليلي واعٍ، فالقيمة الحقيقية لا تنبع من تعقيد البنية التقنية بحد ذاتها، بل من قدرة المحلل على تنظيم السؤال التحليلي، وفهم السياق المحيط بالبيانات، وقراءة التفاعل بين مصادرها المختلفة. فعندما تتوافر هذه القدرة، تتحول التقنيات المتقدمة إلى أدوات تضاعف جودة الرؤية وسرعة القرار، بدل أن تضيف طبقة جديدة من التعقيد يصعب التحكم فيها.

من هذا المنطلق، تأتي دبلومة تحليل البيانات و ذكاء الأعمال من معهد محترفي البيانات ( IMP ) بوصفها مسارًا يبني هذا النوع من الكفاءة التحليلية بصورة منهجية. فهي لا تكتفي بتعليم الأدوات، بل تركز على ترسيخ الفهم الأساسي لتحليل البيانات، وتنمية مهارات التعامل مع البيانات متعددة المصادر، ثم توظيف أدوات مثل إكسل المتقدم وPower BI في تحويل الأرقام إلى نماذج تفسيرية واضحة. كما تدعم المتدرّب بفهم عملي لأتمتة البيانات ومنهجيات التفكير التحليلي، إلى جانب الثقافة البياناتية وسرد القصص بالبيانات، وهي المهارات التي تجعل محلل البيانات قادرًا على استثمار تقنيات متقدمة مثل mHC بوعي وثقة. بهذا التكامل بين التقنية والعقلية، يصبح الذكاء الاصطناعي شريكًا في التفكير، لا بديلًا عنه، وتتحول الإمكانات العالية إلى قرارات أكثر دقة واستدامة.