תחום למידת המכונה צובר תאוצה ומייצר באאז משמעותי בתעשיית הטכנולוגיה. בצדק. השילוב של בינה מלאכותית ולמידת מכונה מאפשר למפתחים לייצר תובנות מכמויות עצומות של דאטה שעין אדם אינה מספיקה עבורן ולהגיע רחוק יותר בהסקת המסקנות ממה שהמוח האנושי מסוגל. אך אלמנט משמעותי הקשור לתחום למידת המכונה אינו ברור לכל: זהו תחום בו אין "פתרון אחד שמתאים לכולם".
כשמנסים ליישם את יכולותיה של למידת המכונה ניתן להיכשל כפי שאפשר להצליח, שכן התאמת האלגוריתמים והשיטות הנכונות למשימה הספציפית היא קריטית להצלחתה. גם כאן, לפעמים הכל קם ונופל על הדברים הקטנים.
ההבנה הזאת הביאה את שחר כהן ואיציק שטרייספלד להקים את חברת start-up.ai לפני כשנתיים וחצי. החברה מפתחת ומספקת מוצרים ופתרונות מבוססי למידת מכונה התפורים אישית לצרכי לקוחותיה.
עד היום היא סייעה לעשרות חברות להגיע למטרותיהן בעזרת התאמת פתרון הגזור במיוחד למידותיהן, החל בחברות סטארט-אפ הזקוקות לידע של start-up.ai בתחום, דרך חברות טכנולוגיה גדולות ועד ארגונים גדולים במגוון ענפים, הזקוקים ליכולות AI ולמידת מכונה כחלק מן הטרנספורמציה הדיגיטלית שהם עוברים או לייעול תהליכים ארגוניים.
"אין לנו מוצר מדף", מדגיש כהן, מנכ"ל החברה. "אנחנו מפתחים פתרונות עבור כל לקוח לפי צרכיו העסקיים הספציפיים. כך ניתן להימנע מהכישלונות הרבים השכיחים כל כך בענף למידת המכונה. כ-70% מהפרויקטים נכשלים, והכשל נובע מחוסר תשומת לב לפרטים והיעדר התמקדות בהבנת הצורך העסקי ובלימוד הבעיה לעומקה.
יש כיום בענף יותר ויותר מוצרי Out of the box, ובעוד שאנחנו לא שוללים את סוג הפתרונות הזה באופן גורף וברור לנו שחלקם מצויינים - בעינינו חובה לקחת בחשבון שמוצר גנרי שלא נתפר למידותיה של בעיה עסקית ספציפית יכול אולי להתאים ללקוח אחד, אבל לייצר אנומליות וביצועים לא טובים ללקוח אחר".
כדוגמה מביא כהן בניית מערכת המלצות למסעדה, שתפקידה להתאים את המנה המומלצת לכל לקוח. "אם תכננת את המערכת לא נכון והיא מדלגת על העובדה שלקוח מסוים הוא טבעוני ומציעה לו סטייק - איבדת את הלקוח הזה, שאפילו יכול לראות בהמלצה עלבון עבורו. דברים מהסוג הזה קורים בכמעט כל פרויקט למידת מכונה. יש המון פרטים שנובעים מהבנה האמיתית של העסק שיש לקחת בחשבון".
"אנחנו מביאים לתחום את היכולת להיעזר בצוות מקצועי עם ניסיון מצטבר ומהותי", מוסיף שטרייספלד, סמנכ"ל הטכנולוגיות של החברה. "למדנו להתמודד ולפתור בעיות שונות ומגוונות בעזרת למידת מכונה. אנחנו מזהים את התהליך העסקי הדרוש ללקוח, את כל הפרטים המעורבים בו ובונים מוצר ופתרון שידע לדלוור ערך. גם אחרי שדילוורנו את המוצר לחברה אנחנו עומדים לרשותה, שכן אנחנו רואים את עצמנו כחלק מיישום הפתרון בטווח הארוך".
כיצד עובד התהליך?
שטרייספלד: "יש ארבעה שלבים מרכזיים בפרויקט מול לקוח: בראשון אנחנו מבינים את העסק, עם דגש על התהליך העסקי שלתוכו יש לצקת פתרון למידת מכונה. זהו החלק החשוב ביותר בפרויקט - אבל גם הכי קצר וזול שביניהם. בשני אנחנו מתרגמים את הצורך העסקי לכדי מאמץ של ניתוח דאטה ושימוש באלגוריתמים כדי לייצר הוכחת היתכנות שעונה על הצורך הזה.
בשלישי מתבצע החיבור בין הפתרון שבנינו לתהליכי העבודה הארגוניים, שכן קודם היה תהליך עסקי בלי האלגוריתם ועכשיו יש אותו איתו, ולכן צריך לתפור אותו מחדש. וברביעי אנחנו הופכים את הפתרון לכזה שמתפקד בצורה גמישה, רובוסטית ולומדת באופן מתמשך".
