אז מה קרה לתחושת הבטן?

בינה מלאכותית לא תסייע למי שלא יגדיר במדויק את השאלה העסקית.

ארכימדס פעם אמר "תנו לי נקודת משען ואזיז את העולם ממקומו". על אותו משקל ניתן לומר: "תנו לי מספיק נתונים ושאלה מוגדרת ואמצא לה פתרון".

הדור הנוכחי של מערכות AI נקרא Narrow AI ובתרגום חופשי שלי – אינטליגנציה מלאכותית צרת אופקים. ומדוע "צרת אופקים"? משום שהמערכות הקיימות, או נכון יותר האלגוריתמים הקיימים, מוכוונים למתן מענה לשאלות ספציפיות. הגדרה מקובלת לבינה מלאכותית צרה היא "מערכת אשר מודעת לסביבתה ופועלת על מנת למקסם את הסיכוי להשיג מטרה מוגדרת".

הגביע הקדוש של תחום ה-AI הוא ה-General AI  (בינה מלאכותית חזקה, או בינה מלאכותית כללית), זו בינה מלאכותית אשר שווה לבינתו של אדם, או אף עולה עליה. זוהי בינה של מכונה אשר מסוגלת לבצע כל פעולה מחשבתית או אינטלקטואלית שאדם מסוגל לבצע, והיא אחת המטרות המרכזיות בחקר בינה מלאכותית. לו היו לנו היום יכולות כאלו, או אז ניתן יהיה לתת למערכת שאלה כלשהי, לאו דווקא כזו שהמערכת תוכנתה לענות, ולצפות שהמערכת תספק פתרון אופטימלי.

מכיוון שמערכות כאלו אינן קיימות לשימושים אמיתיים הרי שעלינו להגדיר בצורה מדויקת את השאלה, או את פונקצית המטרה שאותה אנו רוצים למקסם. לצורך כך נהוג להשתמש באחת הנגזרות הנפוצות של בינה מלאכותית הנקראת למידת מכונה או Machine Learning (ML).

זהו תת-תחום במדעי המחשב ובבינה מלאכותית המשיק לתחומי הסטטיסטיקה והאופטימיזציה. התחום עוסק בפיתוח אלגוריתמים המיועדים לאפשר למחשב ללמוד מתוך דוגמאות, ופועל במגוון משימות חישוביות בהן התכנות הקלאסי אינו אפשרי.

לדייק את השאלה
היות ובחברת אברא (abra) אנו מוכוונים למתן פתרונות עסקיים מבוססי מידע, אך טבעי שאנו רותמים את טכנולוגיית למידת המכונה לעולם העסקי. שאלות עסקיות קיימות למכביר ועל כן חשוב לדייק את השאלה ולבחור כזו שתתרום באופן מובהק לשיפור ביצועי הארגון. למשל:

• האם רמות המלאי שלנו תואמות את צפי הצריכה?
• האם יהיו לי מספיק משאבים לביצוע הפרויקטים שעליהם אינני יודע היום, אבל כנראה יידרשו בשנה הבאה? שאלה זו מקבלת משנה תוקף בארגונים המתנהלים בצורה אג'ילית ומכירים בכך שלא הכל ניתן לתכנון מראש
• מה הסיכוי שהפרויקט הכי חשוב בחברה יסתיים בזמן?
• כיצד נוכל לשפר את היחס בין הלידים שלנו וכמות ההזמנות בפועל?

להלן שתי דוגמאות בהן הראינו תועלת עסקית משמעותית ללקוחות:
באגף ה-IT  של ארגון ענק מתבצעים בין עשרות למאות פרויקטים בכל שנה. האגף מכין תוכנית שנתית, שבמסגרתה מתוכננת גם הקצאת משאבים כך שיהיו זמינים לפרויקטים לכשיידרשו.

באופן לא מפתיע, התכנון והמציאות לא תמיד נפגשים. לפיכך, ניהול המשאבים באגף עסק יותר בכיבוי שריפות מאשר בשיפור התכנון. ניתחנו את בעיית הפער בין התכנון והמציאות והפעלנו אלגוריתמי למידת מכונה (Machine Learning) על נתונים ממספר שנים אחורנית. השאלה הייתה: האם ניתן היה לחזות טוב יותר את הצורך במשאבים בשלב תכנון הפרויקט על סמך נתוני פרויקטים מהעבר? והתשובה: בהחלט כן. שיפרנו את יכול החיזוי ב-70%. מכיבוי שריפות האגף עבר לתכנון אמין יותר.

הדוגמא השנייה לקוחה ממשרד ממשלתי המפרסם כמות אדירה של מכרזים. המדגם שקיבלנו כלל עשרות אלפי מכרזים. הבעיה הייתה שאלפי מכרזים נותרו ללא מענה מכיון שתנאי המכרז לא היו מספיק אטרקטיביים. לאחר הפעלת אלגוריתמי למידת מכונה הצלחנו להפחית את כמות המכרזים ללא מענה ב-50% על-ידי שינוי פרמטרים במכרז. לא פעם עמדנו מופתעים מול המלצות המכונה.

מהיכן יגיעו הנתונים? מכמה שיותר מקורות!
זה המקום לחזור לרישא של המאמר. נדרשת שאלה עסקית מדויקת ומספיק נתונים. אך מהיכן מביאים את הנתונים? בשאלת ניתוח הצורך במלאים, למשל, עולה השאלה האם נבחן רק את קצב צריכת המלאי ממערכת ה- ERP שלנו, או גם מה-CRM  שצופה הזמנות שטרם נכנסו למערכת ה-ERP?  או אולי גם ממערכת ניהול הפרויקטים, שבה נמצא את תאריכי סיום הפיתוח של מוצר חדש? ואולי אף ממערכות חיזוי מזג האוויר בכדי לחזות שיבושים בשרשרת האספקה? וכן הלאה.

בחירת מקורות המידע משפיעה ישירות על טיב החיזוי, שהרי בינה מלאכותית מחפשת הקשרים בין פרמטרים שונים שהאדם מחמיץ, או שנדרש לו זמן אינסופי למצוא אותם.
ההתמחות שלנו ב"אברא" בטכנולוגיות חדשניות ומובילות בתחום ניהול המידע הארגוני המשלבות בין מערכות המידע, צרכני המידע וצורכי הארגון מאפשרת לנו לייצר פתרונות פורצי דרך ללקוחותינו.

אנו מטמיעים אצל הלקוחות מגוון רחב של מערכות תפעוליות וביניהן ERP ,CRM מערכות לניהול פרויקטים ופורטפוליו (PPM) מערכות לניהול הפיתוח (ALM) ואת תשתיות הענן שהן המצע עליו מרבית המערכות פועלות. בהטמעת המערכות התפעוליות והניהוליות אנו מכינים מראש את התשתית לשימוש במידע הנוצר בתפעול השוטף למיצוי מידע עסקי.

היכולת להשתמש בנתוני המערכות התפעוליות אותן אנו מטמיעים, הן ליישומי BI מתקדמים והן – ובמיוחד – ליישום מעשי של העקרונות התיאורטיים שמאחורי בינה מלאכותית היא הביטוי האולטימטיבי של סינרגיה. לא רק סיסמה, אלא גורם מאפשר (Enabler) אמיתי.

למידת מכונה הופכת להיות כלי עבודה אפקטיבי למנהלים שיודעים לנסח היטב את השאלה עליהם הם רוצים תשובה. כפי שאלברט איינשטיין אמר: "אם הייתה לי שעה לפתור בעייה שחיי תלויים בפתרונה, הייתי מקדיש 55 דקות לניסוח השאלה וחמש דקות כדי לפתור אותה".

מרגע שהשאלה ברורה, תפקידנו הוא ליצור ולהשתמש במגוון גדול ככל האפשר של נתונים, ובתנאי שהם מטוייבים ורלוונטיים. אברא מציעה גם לייצר את הנתונים דרך הטמעת המערכות התפעוליות וגם להשתמש בהם בדרכים חדשניות שפותרות אתגרים עסקיים.
אז מה קרה לתחושת הבטן? היא עדיין כלי ניהולי חשוב. אל תוותרו עליה!