מה אפשר לבנות כיום ללא ידע בתכנות?
בינה מלאכותית מאפשרת לבנות בין היתר כלים פנימיים לניהול מידע, לוחות בקרה, אוטומציות וסוכנים שמבצעים משימות חוזרות. במקום לכתוב את הקוד בעצמנו, אפשר לתאר את הצורך בשפה רגילה ולהתקדם באמצעות הנחיות ותיקונים. כך גם אנשים ללא רקע בפיתוח יכולים לייצר פתרונות שחוסכים זמן ומשפרים את העבודה.
אבל לצד ההזדמנויות הרבות, הקלות הזאת עלולה ליצור ביטחון מופרז. במסגרת העבודה עם ארגונים אני פוגש אנשים שבנו כלים מרשימים, אבל כשבוחנים כיצד הם פועלים מגלים לא פעם שחסרים יסודות חיוניים. בדומה לבניין, גם כאן המראה החיצוני אינו מעיד בהכרח על יציבות התשתית.
אילו טעויות נפוצות עלולות לשבש את העבודה עם AI?
טעות אחת שחוזרת על עצמה היא בנייה בלי להגדיר איך הכלי יעבוד בפועל: איפה יישמר המידע, לאילו מערכות הוא יתחבר ואיך יוכלו לעדכן ולתחזק אותו. לדוגמה, ממשק להזנת נתונים יכול להיראות תקין לחלוטין, אבל אם לא הוגדר מנגנון שמירה מתאים, המשתמשים עלולים לגלות שהמידע שהזינו אינו זמין בהמשך.
גם ניסיון טכנולוגי אינו מחליף היכרות עם שיטות העבודה בכלים החדשים. לדוגמה, בהדרכה שהעברתי בחברה מתחום התעופה השתתפו מפתחים עם עשרות שנות ניסיון. לצד הידע המקצועי שלהם, הם נדרשו ללמוד איך לארגן את הפרויקט, להגדיר הוראות קבועות ולחבר את המערכת לכלי העבודה הקיימים. אלה דברים שקל לדלג עליהם כשמתמקדים בתוצאה המיידית ולא מתכננים את הפרויקט כולו מההתחלה.
אילו סיכוני אבטחה נוצרים בעבודה עם כלים אלה?
העברת מידע רגיש לכלי שלא נבדק או הענקת הרשאות רחבות מדי עלולות לחשוף נתונים ולאפשר פעולות שהארגון לא התכוון לאשר. במקביל, עובדים עשויים להשתמש בכלים באופן עצמאי, ללא ידיעת ההנהלה. התופעה הזאת, שמכונה Shadow AI, כוללת גם שימוש בכלים מוכרים שלא אושרו לשימוש הארגוני. בהקשר הזה חשוב להבין שאיסור גורף על שימוש בכלים חיצוניים אינו בהכרח פותר את הבעיה. אם הכלי המאושר מסורבל או אינו עונה על הצרכים, הגיוני שהעובדים יחפשו חלופות. לכן חשוב להגדיר מדיניות ברורה ולהנגיש פתרונות שימושיים לצד הדרכה מתאימה.
לדוגמה, בחברת סליקה גדולה שליוויתי, עבודת ההטמעה נעשתה בשיתוף אנשי ה-IT כדי להתאים את השימוש לדרישות האבטחה. כך, בהתאם לצורך, אפשר לבחון פתרונות ארגוניים, סביבת ענן פרטית או עבודה מקומית, תוך הגדרת הרשאות ובקרות שמתאימות לצרכי הארגון.
איך מונעים עלויות מנופחות ותקלות בפרויקטים?
כשמשלמים על כלי AI לפי היקף השימוש, בחירה לא מתאימה במודל עלולה להוביל להוצאות משמעותיות. כדי להימנע מזה, לפני שמתחילים כדאי לאפיין את המשימה, לחלק אותה לשלבים ולהתאים לכל שלב את הכלי והמודל הנכונים. תכנון מורכב עשוי להצדיק מודל חזק יותר, בעוד שפעולות פשוטות וחוזרות יכולות להתבצע במודל חסכוני יותר.
בנוסף, מומלץ לשמור תהליכים והוראות לשימוש חוזר, להתחיל בפרויקט מצומצם ולעקוב אחר האיכות, העלויות והתקלות לפני שמרחיבים אותו. סדנת AI מעשית על המשימות והמסמכים של הארגון מאפשרת לזהות פערים ולתקן אותם מוקדם. כך אפשר לבסס יכולת עצמאית של הצוות ולפתח כלים שישרתו אותו לאורך זמן, תוך צמצום הסיכון וטווח הטעות.
הכותב מומחה להטמעה ולהדרכה בתחום הבינה המלאכותית, המלווה עסקים וארגונים במיפוי תהליכים, בבניית סוכני AI ובהטמעת כלי עבודה מתקדמים.
דניאל נחמיה
למעבר לאתר >>
לפנייה במייל >>
בשיתוף דניאל נחמיה
