מיקוד המכונה: איך להפיק מהדטה הארגוני תובנות זהב?

מהפכת הבינה המלאכותית ולמידת המכונה כבר כאן, וארגונים שהצטרפו אליה זוכים ליתרון תחרותי משמעותי. "היכולת לקבל החלטות על סמך מודלים אנליטיים ומנבאים הופכת למנוע צמיחה משמעותי של ארגונים", אומר חזי הבר, מנכ"ל ג'יניוס (Genius) – חברה שמתמחה בבינה מלאכותית ומהווה חלק מזרוע הדטה של קבוצת SQLink. הבר אמר את הדברים בראיון לקראת כנס Big Data של אנשים ומחשבים, שייערך ביום א' הקרוב.

מה מונע מארגונים להצטרף למהפכה?
"ארגונים רבים מתייחסים לניתוח דטה כמו הגביע הקדוש, ובמידה רבה של צדק. אם הדטה הוא המלך, יכולות ה-AI ולמידת המכונה הן הארמון, שמאפשר להשקיף על המתרחש מנקודת תצפית אסטרטגית ולהוביל לצמיחה עסקית משמעותית. אלא שעל אף שיותר ויותר מדברים בקהילה העסקית על עולמות ה-AI ולמידת המכונה, יש כמה מכשולים שמפריעים לארגונים לקפוץ למים ולמצות את היכולות המתקדמות. אחד מהם הוא השאלה מאיפה מתחילים – ממקרה ספציפי? מסגמנט מסוים? ממוצר או משירות? מהתובנות העסקיות או אולי בכלל ממערכות המידע?"

מאיפה הבלבול הזה נובע?
"ניתוח דטה הוא קצת כמו מגדל בבל, שמפגיש אנשים שדוברים שפות שונות: מצד אחד השפה העסקית, שבה מדברים הדרגים העסקיים, ומהצד השני מודלים אנליטיים, שנבנים על ידי הפונקציות הטכנולוגיות – אנשי מדעי הנתונים. בנקודת המפגש של העשייה העסקית והטכנולוגיה עלולים להיווצר קצרים בתקשורת, שיובילו למיצוי מוגבל של יכולות הדטה".

אלון שושני, סמנכ"ל המכירות של קבוצת SQLink. צילום: אורי אלון

איך פותרים את הקצרים הללו?
אלון שושני, סמנכ"ל המכירות של SQLink: "צריך להיעזר בגורם שמכיר את שתי השפות – העסקית והטכנולוגית – ויודע לתרגם את הצרכים העסקיים למודלים אנליטיים שבונה הדרג התכנותי. או, בשפה פשוטה יותר, אנחנו מבינים לקוחית. מתוך הבנה זו אנחנו מספקים מעטפת שמתייחסת לכל שלבי ניתוח הדטה, בגישת Business Oriented Data Science. אנחנו מבינים בעסקים וגם בדטה, ולכן יכולים לנהל את התהליך מתחילתו ועד סופו: מהגדרה מדויקת של האתגר או הצורך העסקי ועד לתרגומו למודלים אנליטיים ולהטמעתם במערכות הארגוניות".

מהם האתגרים בהטמעת המודלים?
הבר: "ארגונים רבים פונים לספקים שמביאים אותם עד הארץ המובטחת עם מודלים אנליטיים מתקדמים, בלי שיוכלו להיכנס אליה ולהקים את אותם מודלים לחיים. לבנות את המודל זה לא מספיק. להריץ את המודלים בתוך המערכות הארגוניות ולבצע היזון חוזר בזמן אמת כדי לכוונן את המכונה הלומדת – זה המייל האחרון של התהליך, שיכול במידה רבה לקבוע את מידת הצלחתו. זה בדיוק מה שאנחנו עושים במסגרת התהליך".

מהן התוצאות בשטח?
"תהליך העבודה ההוליסטי מוביל לבניית מודלים מנבאים, שמאפשרים להציע ללקוחות קצה את ההצעה הנכונה שתגדיל מכירות או, לחילופין, להוביל להתייעלות תפעולית, שתשפיע על אלפי אנשים. כך, למשל, פיתחנו מערכת לחיזוי כניסה ויציאה של מכולות מנמל אשדוד: המערכת מאפשרת לדעת מתי צפויים לאסוף כל מכולה ומכולה, ובאופן הזה לאחסן אותה בצורה אופטימלית, לחסוך שטח אחסון ולייצר חלוקה יעילה של עומסי עבודה. כל אלה מסייעים לפינוי מהיר יותר של סחורות, ולהפחתת צווארי בקבוק בכניסה וביציאה מהנמל. דוגמה נוספת היא מודל לחיזוי הקורונה בצה"ל, שפיתחנו עבור מפקדת קצין רפואה ראשי. המודל ניבא את תחלואת הקורונה השבועית בצבא ביעילות גבוהה, שאפשרה לצבא לתכנן בצורה טובה יותר את הפעילות השוטפת".

סיפורי המקרה של צמיחה מבוססת למידת מכונה ו-AI בגופים מובילים הוצגו בהרחבה על ידי ג'יניוס מקבוצת SQLink בכנס Big Data Analytics של אנשים ומחשבים. רוצים לשמוע עוד? לחצו כאן.