הספר, Artificial Intelligence הוא הוא קובץ מאמרים בתחום, כחלק מסדרת Harvard Business Review. הספר פורסם בשנת 2019. להלן עיקרי הדברים, באופן מקובץ.

מפת הספר:

אין ספק ש HARVARD מצליחים כאן להנגיש ידע חשוב ומתקדם בדרך קריאה ונהירה.
מדובר בתחום משמעותי מעין כמוהו, ונדמה שכל מנהל, כמו כל עובד ידע, צריכים להתחיל ללמוד ולהיערך ליישום. ארגונים שיחכו יותר מידי- יתכן וישלמו על כך מחיר גדול ביכולת התחרותיות בהמשך.

בהחלט ספר ששווה קריאה.

בינה מלאכותית מוגדרת כחוכמה המומחשת על ידי מכונות (ההגדרה מוויקיפדיה- בספר מתחילים אחרי...).
ללא ספק, בינה מלאכותית הטכנולוגיה הכללית החשובה ביותר של עידן זה.
בעולם- כל אחד חווה אותה אחרת, וכולם צודקים (חלקית) בו זמנית:

• מנהלים חווים AI כטכנולוגיה פורצת דרך, מנה סדרי חיים (disruptive)
• עובדים חוששים מ AI– כי יהרוס להם את אפשרות העבודה
• יועצים מציעים AI- כתרופה לכל מזור
• והמדיה מציגה AI- כ HYPE ומושא הערצה בו זמנית.
  

המונח שהובע כבר בשנת 1956 החליף צורות ופתרונות דרך השנים, אולם בשנים האחרונות, ההתקדמות שלו מואצות, בעקבות שינוי גישה והסתמכות על אלגוריתמים של רשתות נוירוניות. גישה זו קרויה "למידת מכונה" ולעיתים "למידה עמוקה".
גישה זו הביאה, בין השאר, שמשנת 2015, יכולת זיהוי פרצופים על ידי מכונה טוב משל אדם !!!

חשוב להבין שהגישה הרווחת כיום לבינה מלאכותית שונה ממה שהורגלנו אליה שנים; המכונה אינה מחקה את מנגנון ההסקה של האדם ואינה מחקה את תהליכי החשיבה שלו.
להיפך! הלמידה מבוססת תבניות; המכונות מסתכלות על מאגרי מידע ענקיים הכוללים תוצאות ומתוך הדוגמאות לומדות מה טוב ומה אל מול היעד שהוגדר (למשל- האם זה חתול?).
למידה זו מבוססת על שלושה מרכיבים: אלגוריתמיקה, סטטיסטיקה ומאגרי נתונים.
למעשה המכונה לומדת דברים שידועים לנו, אך מסוגלת גם ללמוד על דברים שלא ידענו שאנחנו לא יודעים, ובכך פותחת צוהר להיבטים שמעולם לא יכולנו לתת עליהם את הדעת.

וכיום, לא כל ארגון צריך לפתח הכל בעצמו. ניתן לשכור שימוש באלגוריתמיקה של Google, Amazon, Apple או אחרים, ו"רק" לבצע בתוך הארגון את ההתאמות לבעיה העסקית הנתונה.

אך עם כל ההתלהבות, חשוב לציין שהיישומיות של בינה מלאכותית עדיין צרה מאד, ואינה מכסה את מרבית תחומי חיינו. וכאן יש מקום רב לאנשים- אך על כך בפרק נפרד בהמשך הסיכום.

חזרה

התחומים המרכזיים בהם בינה מלאכותית התקדמה בשנים האחרונות הינם:

• הבנה:
  זיהוי תמונות, ניתוח שפה טבעית והבנתה, זיהוי תחושות של אנשים ועוד.
• קוגניציה (קבלת החלטות):
  פתרון בעיות עסקיות החל ממשחק ה GO דרך חישוב דרך תפעול חדרי שרתים לקירור אופטימלי של השרתים בדרך החוסכת חשמל ועוד.

שימושים שאנחנו רואים כיום בשוק, מבוססים על יכולות אלו. מכוניות בנהיגה עצמית מתבססות על יכולת הזיהוי וההבנה של המתרחש במרחב, וקבלת החלטות מיטבית ביחס לקצב הנסיעה, פניות, עצירות ועוד.

דוגמאות של שימושים שכבר נמצאים בשטח:

1. זיהוי דיבור של אדם (למשל במוקדי שירות, או בעוזרים האישיים בטלפון)
2. BOTS שמבצעים מסחר בבורסה
3. תיוג תמונות
4. פיתוח תרופות
5. אישור בקשות כספיות (הלוואות, אשראי ועוד)
6. זיהוי FRAUD (בעיקר בתחומים פיננסיים ובטחוניים)
7. כוון רמזורים לשיפור זרימת התנועה
8. זיהוי פנים ואנשים בתמונות
9. הרכבה של מכלולים (דוגמת מכוניות)
10. הצעת עקרונות עיצוב מוצר במבוסס על חומרים, מחיר רצוי וביצועים
11. ניתוח פרויקט תוכנה לאמידת עלות פיתוחו
12. שמירה על ביטחון הציבור- זיהוי תנועות קהל דרך מצלמות
13. סינון מועמדים למשרות
14. שירות לקוחות- מענה לפניות; הפניית פניות קשה ליישום, או הכוללות רגשי יתר לאנשים
15. ניטור פעילות בקזינו
16. המלצות לביצוע עבודת תחזוקה במכונות בהתאם לביצועיהן ודרך פעולתן
17. זיהוי סיכונים רפואיים המתבססות על מצב הפציינט
18. בינה "לבישה" הממליצה בספינת שעשועים על פעילויות מותאמות לכל אורח
19. בינה "לבישה" המנטרת פעילות חולים כרוניים (פרקינסון ועוד)
20. המלצות לרכישת בגדים ופריטי אופנה אחרים
21. משקפי ראיה לאוטיסטים המתווכים להם את רגשות הסביבה
22. תמיכה בנפגעי טראומה מתמשכת בהתתודדות.

חזרה

התנעה:

• מתי להיכנס לעולם הבינה העסקית כארגון? לדברי מחבר אחד המאמרים- אתמול. כי הטכנולוגיות מספיק בשלות כדי שיהיה אפשר כבר ליהנות מהן; כי ייקח זמן עד שיהיה אפשר ליהנות מפרי פרויקט כזה בארגון; ולוקח זמן עד שהארגון יתעשת ויתאים את המבנה הארגוני ותהליכי העבודה כדי למנף את פרי תוצאות המכונה.
  כי, בזמן שאתה לא נכנס- יתכן מאד והמתחרים שלך כבר כן שם.
• לפני שמתחילים, כדאי שאנשים ידעו מהי בינה מלאכותית, איך היא עובדת בגדול (לא צריך להיכנס לפרטים מתמטיים עמוקים), איפה יש הוכחות להצלחות, ולאן לא כדאי להתקרב (למשל באזורים בהן יש בעיות אתיות מורכבות).
• מינוי מוביל וצוות מלווה- בהתחלה צוות לבדיקה ובחירה (צוות עסקי וליווי של אנשים המבינים בנתונים) ובהמשך צוות למימוש (אלגוריתמיקה ומחשוב, מדעי הנתונים, הנדסת ידע). מומלץ לשלב יועצים/שותפים חיצוניים שבעלי ניסיון.

תכנון:

• בחירת פיילוט: מומלץ להתחיל ב 1-2 פרויקטים קטנים, העונים על התנאים הבאים:
  o מאפשרים יצירת ניצחונות מהירים
  o בעיה לא מורכבת מידי ולא פשוטה מידי
  o קשורה בתוכן הליבתי של הארגון
  o יוצרים ערך
  מקום טוב להתחיל: חיפוש בעיות מיכון (אוטומציה) המבוצעות כיום ע"י אנשים.
• וידוא התאמה:
  o אם יש אלגוריתם פשוט שנותן חלופה טובה, יש להעדיף אותו ולא לקפוץ למים העמוקים של בינה מלאכותית לטובת נושא זה, רק כי אפשר.
  o לאחר שהוגדרה בעיה עסקית, נכון לנתח בליווי צוות "מדעי הנתונים" שילמד את הבעיה העסקית, ילמד יחד אתכם את הנתונים ומשמעותם. נדרשת הבנה מקדימה של הנתונים כדי להתחיל בפרויקט בינה מלאכותית ולקוות להצליח.
• רתימה ארגונית של המנהלים:
  o יש לוודא שהמנהלים מסכימים שאם הפרויקט יצליח, ייווצר ערך לארגון.

אימון (לימוד המכונה את הדוגמאות):

• תהליך הלמידה של המכונה הוא כמו האות S. בהתחלה איטי, בהמשך קופץ וחוזר ונרגע.
• צריך לקחת בחשבון שיהיו כישלונות. זה חלק מתהליך הפיתוח של הפתרון וחלק מתהליך הלמידה של המכונה. זה גם חלק מהתפעול השוטף בהמשך... צריך עין אנושית בחומת מלווה.
• בחינת הצלחת המכונה לעולם צריכה להיות אל מול יעד עסקי של הלקוח.
  לא נכון לשאול- האם האלגוריתם פועל כמו שרצינו? אלא האם העסק מצליח לייעל/ תפעול או לשפר שירות ללקוח בזכות הפרויקט?

תפעול:

• נתונים: לשלב התפעול נדרשים נתונים שוטפים חדשים, שונים מאלו ששימשו את שלב האימון. הם משמשים גם לטובת קבלת ההחלטות עצמה, וגם כדי לשפר את מנגנון הלמידה, תוך כדי התנועה, היות והמרחב כולו משתנה באופן תמידי.
• בקרה: פרק נפרד המתואר להלן.

תקשור:

• תקשור הצלחות, גם בסיום הפיילוט, אך גם תוך כדי, כאשר מגיעים לאבני דרך משמעותיות.

הערה: בסוף היום, להוציא שלב האימון שהינו ספציפי לטכנולוגי, שלבי הפרויקט דומים לשלבי פרויקט ראשון בניהול ידע, או בכל נושא אחר (מ.ל.).

חזרה

המכונות, כאמור, אינן מושלמות. שלושה סיכונים הקשורים בעבודתם כוללות:

1. המכונות יכולות לייצר הטיות המבוססות על התכנים שמהם למדו מלכתחילה איך לקבל החלטות. הטיות אלו יכולות לייצג החלטות גזעניות, מגדריות או אתיות אחרות.
2. המכונות עובדות על סטטיסטיקות, ולא תמיד יודעות לטפל במקרי קצה. בנושאים בהם יש חשיבות לשלמות, למשל במתקני גרעין או בהחלטות בטיחות, יש כאן מו הסיכון.
3. כאשר המכונות טועות (וכפי הנראה- באיזשהו שלב הן תטעינה), קשה מאד לבקר ולנטר את הטעויות כדי לתקנן.

יש לצאת מהנחה שהמכונות תעבודה באיזשהו שלב (באיון או בתפעול), באופן לא נכון, ועל כן יש לבצע בקרה שוטפת:

• בקרה של מידע הקלט, והגבלתו למידע מתוקף
• בדיקה של הטיות אופייניות באלגוריתם של מגדר, גזע, גיל והטיות נוספות תלויות תוכן
• חיפוש יזום של אפשרויות כישלון ומתן מענה/ מעקף
• היערכות למענה פחות "חכם" כגיבוי, במידה והמערכת כושלת
• אסטרטגיית תקשור מוכנה למקרה של כישלון בשלב התפעול (המתחילה בהתנצלות...)

חזרה

לאורך הספר כולו מודגש מקומם של האנשים בתהליך.
ולא מדובר רק על אלגוריתמיקאים, אנשי מדעי הנתונים ועובדי תוכנה.

נדרשים אנשים:

1. בתהליכים בהם בינה מלאכותית לא יכולה לתת מענה:
   o משימות מורכבות (הכוללות תהליכים מסוגים שונים, לדוגמה- שיווק)
   o משימות הכוללות יצירתיות (לדוגמה- סיעור מוחות, פגישת מכירות, אפיון מערכת)
   o משימות הכוללות קבלת החלטות מבוססת רגשות (לדגמה- איך לנהוג בעת סיכון של לקוח נוטש)
   o ועוד.
2. בתהליכים בהם בינה מלאכותית נותנת מענה חלקי- עבודה משולבת אדם ומכונה:
   o תהליכים הכוללים מספר משימות, חלקן ממוכנות, וחלקן עדינות ומשתנות (לדוגמה- הרכבת מכוניות יוקרה)
   o תהליכים הכוללים מענה רוטיני ע"י מכונה, וטיפול בחריגים ע"י אדם (לדוגמה- בשירות לקוחות)
3. בתהליכים בהם יש בינה מלאכותית:
   o להגדרת הבעיה העסקית והפתרון
   o להחלטה על הנתונים
   o להגדרת דרכי טוב נתונים ובדיקת איכותם
   o להדרכה ראשונית של הבינה- מהו יעד רצוי
   o לאימון הבינה
   o להסבר תוצרי הבינה (קריטי בחלק מהתחומים דוגמת משפט ורפואה, והבינה לא יודעת להסביר את עצמה, שכן היא מזה תבניות ולא מבצעת הסקות)
   o לבקרה על הפעילות הממוכנת
   o לטיפול בעת כישלון.

המלצות לארגונים לשילוב מיטבי בין האנשים והמכונות:

1. הגדרה מחודשת (מבוססת חלום וחזון) של התהליכים הארגוניים
2. שילוב מרבי של עובדים בתהליך, תוך התנסות מרובה מה יעבוד
3. גיבוש אסטרטגיית בינה מלאכותית
4. הגדרת אחריות לאיסוף נתונים
5. עיצוב מחודש של העבודה משולבת הבינה המלאכותית ומיומנויות העובדים.

חזרה

שוק העבודה העתידי
אין הסכמה חד משמעית לגבי איך ייראה שוק העבודה העתידי.
מובאות 5 אסכולות אפשריות:

1. מכונה ואדם יילחמו ביניהם בשליטה על שוק העבודה. המכונות תנצחנה.
2. מכונות חכמות תיקחנה על עצמן יותר ויותר, והתוצאה תהיה רווחה כלכלית, ומיעוט צורך בעבודת אנשים בכלל.
3. מכונות תשתפרנה ותשפרנה תפוקת עבודה. המצב הכלכלי הכולל ישתפר, אך החלוקה לא תהיה שוויונית. אנשים יפנו את זמנם ומרצם ליותר חינוך, ולהשקעה בטכנולוגיות.
4. למרות היכולות המרובות של המכונות, הפריון ישתפר אך במעט.
5. הפריון ישתפר אך רק במגזרים מסוימים, ועבור חברות שמתפקדות טוב מלכתחילה. ייווצרו סוגי מקצוע חדשים, אך תיווצר בעיה לכל אנשי הכפיים שעבודתם תמוכן והם לא יוכלו להשתלב במקצועות החדשים. יש לבצע מחקר וחשיבה כיצד להתמודד עם עולם שכזה.

המלצות למנהלים להיערכות לשוק העבודה העתידי:

• שימוש ומיצוי טכנולוגיות להקטנת העבודה הרוטינית וחיסכון בעלויות; הגדרה מחודשת של מודל התפעול בארגון
• ניצול ההזדמנות והגדרה מחודשת של תפקידים (מה תעשה מכונה, מה ישולב, ומה רק בני אדם); התאמה של המבנה הארגוני לשינויים אלו
• הפיכת העובדים לשותפים בתכנון הארגון החכם.

חזרה

עד כמה שאנחנו מתלהבים מיכולות הבינה המלאכותית שכבר רואים, במעבדות כבר שקדים על הדור הבא של פתרונות שיכלול:

1. רגשות: זיהוי, עיבוד וחיקוי הבעות אנוש.
2. דיוק: המשך שיפור הדיוק בחיזוי רצונות והעדפות אנשים, מה שיביא למודלים עסקיים חדשים במכירה (למשל- משלוח פריטים שחושבים שתרצה אליך הביתה, ומה שאתה לא רוצה- אוספים חזרה)
3. נתונים: פיתוח בינה מלאכותית היכולה להסתייע בפחות נתונים כדי להגיע לאותן תוצאות, או תוצאות קרובות. יוזיל עלויות ויאפשר להחיל בינה מלאכותית על בעיות עסקיות ותחומים נוספים.
4. הבנה קונספטואלית: שיפור יכולות הבנת הבינה, מה שיקל על שלב הלימוד את הבינה.
5. שונות: התמודדות עם מקרי קצה וחריגים.
6. הגיון צרוף (common sense): יכולת הפעלת היגיון כוללת לגבי אובייקטים, מקומות וסוכנים (אנשים ושחקנים אחרים).
7. הערכה טובה יותר: יאפשר יכולת קבלת החלטות טובה יותר בתנאים של חוסר ודאות.

אין ספק שהמציאות מפתיעה כל פעם מחדש. ובהחלט מעורר הערצה ! (מ.ל.)

חזרה

חזרה