המהפכה הטכנולוגית הרביעית, המיוחסת בין היתר לעידן יישומי הבינה המלאכותית, מייצרת לארגונים באשר הם מגוון הזדמנויות ביצירת טרנספורמציית AI, אשר תאפשר להם השאת ערך בסביבה עסקית תחרותית.
זאת באמצעות שימוש במודלים מתקדמים של למידת מכונה, תוך שילובם והטמעתם במגוון תהליכים עסקיים עתירי נתונים. עם זאת, צריך להדגיש כי הסיקור התקשורתי המתלווה למהפכה זאת מתודלק בשלל ידיעות סותרות וההערכות יתר, הן לאופן והן למהירות שבה יישומי AI עשויים להשפיע על הביצועים העסקיים, זאת בהינתן שהתשתית הטכנולוגית, היישומית והרגולטורית עליה נשענים פיתוחים אלה עדיין אינה בשלה דיה ובפועל עדיין לא מיצבה את עצמה כפרדיגמה מבוססת מובנת וסטנדרטית.
אתגרים וקשיים
וקטור הצמיחה המואץ של תחום ה-AI מהווה אתגר של ממש בבחינה ובחירה בין חלופות טכנולוגיות (technology stack) רבות ומגוונות, אשר ברובן לא הבשילו לכדי תשתית טכנולוגית הכוללת תבניות עיצוב ודפוסים תכנותיים מוגדרים וסטנדרטיים (design patterns), בדומה להנדסת תוכנה למשל. כמו כן, מחסור גובר והולך בהון אנושי מתאים של מדעני נתונים מקשה על בניית יכולות ליבה בתחום. לכן, ארגונים רבים מתקשים ביצירת משטר של חדשנות טכנולוגית לצורך ריענון ולימוד מתמשך ורציף בתחום הצומח בקצב מעריכי.
אתגר נוסף מתייחס להיבטים רגולטוריים באימוץ טכנולוגיות AI, בעיקר בשווקים מוטי רגולציה ענפית, כדוגמת שוק הבריאות הדיגיטלית ושוק הפיננסים. נושא זה נקשר לאחרונה לרגולציה האירופאית המתהווה בתחום ואשר פורסמה לפני מספר חודשים ומתייחסת לסוגיית השימוש באפליקציות בינה מלאכותית מפוקחות בשני היבטים עיקריים.
הראשון מתייחס לשחיקה מתמשכת של שולי המודל, אשר התאמן על סט נתונים היסטורי ועקב כך מהימנותו הולכת ופוחתת לאורך זמן. השני מתייחס לאסדרה כוללת למניעת שילובם של נתונים, אשר עשויים להשפיע על ביצועי המודל בהטיות שונות, כדוגמת הטיות מגדריות ואתניות הטבועות בעולם נתוני האימון של מודלי AI, באופן אשר עשוי להפלות קבוצות אוכלוסייה מוגדרות. לדוגמה, בקביעת דירוג אשראי, מתן אשראי בנקאי או בהקצאה של שירותים חברתיים כדוגמת דיור ציבורי.
קושי מהותי נוסף מתייחס להבנה של דרגים ניהוליים בארגונים רבים, כי שימוש באלגוריתמי AI מחייב אימוץ והכרה באי הוודאות הבסיסית והבלתי נמנעת הכרוכה באופן פעולתם הסטטיסטית. מערכות מבוססות בינה מלאכותית בהגדרה אינן מתקיימות בעולם הדטרמיניסטי כפי שמוכר מעולמות הנדסת התוכנה הקלאסיים. מנהלים רבים תולים תקוות שווא בהבטחה הגלומה ב-AI ואוחזים בדעה המוטעית, לעת עתה, כי AI עשוי להחליף אנשים ובעלי מקצוע ולא מטלות ספציפיות בהן למכונה יש יתרון והמסייעות לגורם האנושי. לדוגמה, ניתוח ואנליזה של מערך נתוני עתק (big data).
אולם, למרות אתגרים אילו, מספר הולך וגדל של ארגונים וחברות מקדמים אימוץ של טכנולוגיות בינה מלאכותית כחלק מתהליכי טרנספורמציה דיגיטלית. בינה מלאכותית הפכה לאחרונה לגורם משמעותי בצמיחתם של עסקים וכולם רוצים בה חלק. היא מאפשרת לעסקים למנף את המידע שהם צוברים כדי להבין טוב יותר את הלקוחות שלהם, להציע לשוק שירותים ומוצרים מדויקים יותר, לייעל ולמטב תהליכי ייצור ושינוע ולחזות טרנדים עתידיים בתעשייה בה הם פועלים.
יכולות אלו מבדלות, ללא ספק, את העסק והופכות אותו לתחרותי יותר. הרצון של ארגונים למנף יכולות AI הביא להולדתו של ענף יחסית חדש - AI "כשירות" (AIaaS), המציע גישה לפתרונות "מדף" AI ענניים, זאת בדומה לשימוש בשירותי תוכנה כשירות - SaaS. יחד עם זאת, ההבטחה הקיימת ב-AIaaS נושאת אתגרים חדשים משלה ובפועל היא מחייבת גישה היברידית הכוללת שילוב של הקמת מרכז מצוינות פנים-ארגוני - AI CoE - זאת לפני שארגונים יוכלו לצרוך מגוון שירותי AI אלסטיים על-פי דרישה ועל-פי הצורך.
מהו AIaaS ולמה מתלהבים ממנו?
בדומה לצריכת שירותי מחשוב ותשתיות ענן, AIaaS מאפשר לחברות המעוניינות בפיתוח מוצרים ושירותים מבוססי ניתוח נתונים, שילוב ושימוש מבוקר ובעלות נמוכה יחסית של תוכנות AI מדף ענניות מוכנות, כדוגמת צ'אט בוטים לשירות לקוחות ומכירות, ממשקי API קוגניטיביים, המאפשרים יכולות עיבוד שפה, תרגום, חיפוש, מיפוי מידע, ניתוח סמנטי של תמונות, וכן פתרונות למידת מכונה המאפשרים שימוש מיידי ומהיר.
על פניו, ניתן לעשות שימוש הן ברכיבים מוכנים וארוזים, המחייבים שינויים והתאמות מינוריות לצרכי הארגון הספציפיים, והן בפיתוח מהיר של פתרונות AI ברמת מורכבות סבירה. השימוש המיידי והזמין בשירותי AIaaS אמור לסייע לרוב בבחינה מהירה של בדיקות היתכנות ראשוניות (POC). בפועל, מן הראוי לציין, כי מערכות AI מורכבות דורשות רמת תחכום אלגוריתמי עמוק יותר המחייב הבנה מתמטית וסטטיסטית רחבה.
אולם ככלל, השימוש בשירותים אלה אפקטיבי במיוחד לארגונים אשר הנתונים התפעוליים שלהם מאוחסנים אצל ספקי ענן שונים, ולעיתים הקושי בפיתוח המודל הוא משני ביחס לקושי הכרוך בהטמעה בסביבת ייצור תפעולית המחייבת שימוש בשירותים מובנים של MLops, זאת בדומה ל-DevOps. סט שירותים אלה מאפשר אוטומציה של תהליכי אספקת התוכנה (delivery) ושל שינויי תשתית הנדרשים מעת לעת כתוצאה של מאמצי פיתוח מתמשכים (continuous development), בדיקות אינטגרציה מתמשכות, פריסה רציפה וניטור רציף של התשתית הטכנולוגית לאורך כל מחזור חיי הפיתוח (CI/CD) והצינור הטכנולוגי על כל שלביו.
חסרונות ארכיטקטורה מוכוונת - שירותים מבוססי AIaaS
אימוץ גורף של שירותי AIaaS אינו בהכרח חלופה אפשרית וזמינה לכל ארגון ומן הסתם גם לא לכל סוג אפליקציה מבוססת AI. ארגונים רבים לא יכולים לנייד את הנתונים שלהם אל סביבות ענן ציבוריות מטעמי אבטחת מידע, ובמקרים רבים ניוד של מסדי נתונים גדולים על גבי רשת האינטרנט הוא בבחינת חלופה שאינה מעשית. כמו כן, הפתרונות המוצעים במסגרת זו עדיין אינם בשלים דיים על מנת לאפשר פיתוח של מודלים בעלי רמת מורכבות גבוהה.
יתרה מכך, פעמים רבות הארגון אינו בשל על מנת להטמיע בתוכו פתרונות AIaaS. ארגון המאמץ כלי AI מהמדף ללא תשתית הולמת עלול למצוא את עצמו עם בליל של פתרונות AI מספקים שונים, שאינם מנוהלים ואינם מנוטרים. בנוסף, שינויים בנתונים המוזנים למודלי ה-AI יכולים לגרום לטעויות קריטיות ללא פיקוח מקצועי. סחף בהתפלגות נתונים, שהנם קריטיים למודל, יכול לגרום להידרדרות משמעותית בביצועי המודל.
שילוב של פתרונות AI שאינם מנוהלים כהלכה, לצד דאטה שאינו מנוטר, יכול לגרום לטעויות בקבלת החלטות עסקיות ויתרה מכך - לקבלת החלטות מסוכנות בסביבה של דיאגנוסטיקה רפואית מבוססת AI.
מה דרוש על מנת שפתרונות AI יספקו ROI אמיתי לארגון?
שימוש בפתרונות AI דורש, ראשית, את ההבנה כי קיימת אי-וודאות באופן פעולתם של אלגוריתמים. היכולת להפיק תועלת עסקית מבינה מלאכותית כרוכה בניסיון, תשתיות, כלים, זמן וכוח אדם ייחודי. ארגון המאמץ מודלי AI חייב בהבנת הטרמינולוגיה, בחירת מודלים, פלטפורמות וסוגי פתרונות שונים ובניית התשתית הטכנולוגית לתמיכה בבעיות שונות. יתרה מכך, נדרשת מתודולוגיה המגדירה נהלי פיתוח, הקמה והצבה של מערכות AI בסביבת ייצור תפעולית, ניטור המערכות, אסדרה ואימוץ רגולציות AI ועוד.
כמו כן, הניסיון לשעבד מודלים תשתיתיים וכלכליים השאובים מעולמות ה-SaaS הקלאסיים בהקשר של AI בכלל ו-AIaaS בפרט יהיה נדון לכישלון או להצלחה חלקית. סקירת שוק מקיפה של תחום ה-AI, אשר פורסמה על-ידי קרן ההון סיכון האמריקאית Andreessen Horowitz, המנהלת נכסים בשווי של 16 מיליארד דולר עם פורטפוליו של 404 סטארט אפים ועם 217 אקזיטים, מציינת, כי שוק ה-AI המתהווה מייצר מודל כלכלי חדש, הכולל שילוב של תוכנות ושירותים ואשר במהותו שונה מכלכלת השוק המוכרת של עולם אפליקציות התוכנה.
הפתרון האפקטיבי ביותר לקידום בינה מלאכותית בארגון הוא הקמת מרכז מצוינות (AI CoE), שמטרתו לסייע למנף יכולות AI להפקת ערך עסקי. מרכז המצוינות יאפשר בחינה של טכנולוגיות רלוונטיות, אימוץ מתודולוגיות פיתוח, גיוס, טיפוח ושימור מדעני נתונים ועוד. מרכז שכזה ימלא תפקיד חיוני בפיתוח חזון, אסטרטגיה ומפת דרכים של הארגון, יפקח על השקעות AI שיבצע הארגון וישמש כזרז לפיתוח יכולות פנימיות של חינוך והכשרת עובדים.
היכולת להקים מרכזי מצויינות כאלו נשענת על מודל היברידי, הכולל שילוב חדשני של טכנולוגיות, מתודולוגיות עבודה וכוח אדם מתאים, העוסק בליבת העסקים של אותם ארגונים אשר עבורם נבנה שירות חדשני. שירות זה מסופק על-ידי שחקנים מובילים בתחום ה-AI, בעלי ניסיון מוכח בהקמת מרכזי מצויינות לארגונים. מרכזים אלה כוללים את שלל הרכיבים הדרושים להפעלה מהירה של מודלי AI בעלי הלימה ישירה למטרות עסקיות ספציפיות של כל ארגון.
חברת DSG פיתחה מודל מוכח, חדשני וייחודי של בניית מרכזי מצויינות במגוון וורטיקלים, אשר מומש בהצלחה במספר ארגונים, הן בארץ והן בחו"ל. המודל נשען על ניסיון מעשי וידע אקדמי בתחום הבינה המלאכותית, אשר נצבר לאורך שש שנות פעילותה של החברה. שיתוף פעולה כזה נחתם לאחרונה עם חברת צים ועם חברות נוספות, הן בתחום הפיננסי והן בתחום הרפואי, באופן אשר מסייע להן בבחינה ופיתוח של פתרונות AI מותאמים בתחומים הרלוונטיים להן, תוך בניית ליבת יכולות פנים-ארגוניות.
הכותב הוא מנכ"ל Data Science Group (DSG). מומחה לבינה מלאכותית ומרצה לתארים מתקדמים בפקולטה להנדסה באוניברסיטת תל-אביב
