קורס בינה מלאכותית וניהול ידע של KMGN- מפגש 20. היום הרציתי אני על נושא של הפקת לקחים בפרויקטי בינה מלאכותית.
תהליכי הפקת לקחים הם קריטיים בפרויקטים של בינה מלאכותית העוסקים בלמידת מכינה. כן- אני אומרת זאת בקול רם וברור. כולנו יודעים שפרויקטים בתחומים אלו אינם דומים לאף פרויקט אחר שהורגלנו בו. אנחנו כולנו יודעים שמדובר בטכנולוגיות ומתודולוגיות שעודן מתפתחות ואינן יציבות. ברור לכן, שבסיבה שכזו, הפקות לקחים הן תהליך חשוב. אך האמת, שהצורך, עומק עוד יותר. הרבה שלבים של פרוייקטי למידת מכונה הם איטרטיביים: בחירת האלגוריתמים המתאימים, טיוב הנתונים, אימון המכונה, הכנתה לייצור ואפילו- ביום שאחרי, הניטור המתמיד אחר שגיאות בקבלת ההחלטות או ההמלצות. וכפי שאמר אחד המשתתפים בקורס, באופן כה מדויק, וכה עצוב בו זמנית- אנחנו נשגה; ולא פעם אחת, אם כי שוב ושוב. והאיטרציות האלו של ניסוי, טעיה, לימוד, שיפור ללא מתודה סדורה ללמידה הן בזבוז של זמן, אנרגיה וכסף. תכפילו את זה במספר הפעמים שאנחנו מריצים לולאות אלו, ודי ברור לכל רואה, למה למידה מתודית הינה תהליך קריטי.
הבנת ההטיות הטיפוסיות של אנשים ונתונים, תסייע לנו בתהליך מתודי זה של למידה. הכרת ההטיות הקוגניטיביות שלנו כאנשים, יכולות להוביל להתנהגות אמינה יותר של המכונה, כאשר זו מחקה את השגיאות שלנו, מבוססות ההטיות, כאנשים. הבנת ההטיות של הנתונים, בין אלו הנובעות מתת ייצוג של אוכלוסייה, או התאמת יתר של מודל, תסייענה לנו בתהליך שיהיה לא רק מתודי, אם כי גם יעיל.
אני נוהגת להשתמש במתודת AAR. כשאני מבצעת AAR אני עוד יותר מקפידה על מיקוד הנושא המתוחקר (מה ציפינו), תוך תמציתיות בתיאור המציאות (מה קרה), ותוך הקפדה לירידה לסיבות שורש שאכן תאפשרנה שינוי (למה). כך אני מצליחה לבצע תהליך שהוא גם זריז וגם אפקטיבי.
אני מאמינה שלמידה שיטתית היא מפתח ללמידה ארגונית, שהינה, כפי שכבר אמרו חכמים וטובים ממני, מפתח להצלחת פרויקטי הבינה המלאכותית.
מנהלי ידע – הנה אנחנו באים! הנה עוד מקום שבו אנחנו כמנהלי ידע יכולים לתרום ובגדול.