accessibility-icon
share-icon
צילום: שאטרסטוק
צילום: שאטרסטוק

כך תדעו אם הבינה המלאכותית הפיקה את התוצאה שרציתם

נועם כהן

נועם כהן

לפני כשעה

0

like

0

dislike

הכשל המרכזי שמונע מאיתנו להפיק ערך מהבינה המלאכותית נובע מהזנת נתונים מבולגנים ומטרות מעורפלות • המכונה פועלת כמגבר של הקלט האנושי, ומידע חלקי יוביל לתוצאות גנריות ומאכזבות • הדרך לתוצאה מושלמת מחייבת הגדרת יעדים ברורה, ניקוי מאגרי המידע ומתן הקשר עסקי מדויק המאפשר למכונה לפעול כשותף אסטרטגי


"ניסינו בינה מלאכותית וזה פשוט לא עבד". את המשפט הזה אני שומע כמעט בכל ארגון, אבל האמת כמעט תמיד מפתיעה: הבעיה איננה הכלי, אלא מה שהזינו לתוכו. מודל טוב שמקבל נתונים מבולגנים ומטרה מעורפלת יחזיר לכם בדיוק את זה, בלבול מנוסח היטב.

maximize-image
images-count3+
צילום: שאטרסטוק

לרוב זה נראה כך: קובץ נתונים חצי מעודכן, מפוזר בין כמה גרסאות, עם בקשה עמומה בסגנון ״תעשה לי סדר בזה״. הכלי לא נכשל, הוא פשוט קיבל בלגן והחזיר בלגן, רק הפעם מנוסח יפה.

זאת הנקודה שהכי קשה לעכל, כי היא לא מדברת על הכלי אלא עלינו. בינה מלאכותית היא מגבר. היא לוקחת את מה שאתם נותנים לה ומגדילה אותו. נתונים מסודרים ומטרה ברורה הופכים אצלה למנוף אמיתי, אבל מידע חלקי ומטרה מעורפלת הופכים אצלה לבלבול מהיר ומלוטש יותר. המודל לא קורא את המחשבות שלכם ולא מנקה את הטבלה במקומכם.

maximize-image
images-count3+
צילום: שאטרסטוק

לכן, לפני שמאשימים את הטכנולוגיה, כדאי לעצור ולשאול חמש שאלות:

1. האם הגדרנו מה נחשב תוצאה טובה? אם פתחתי את הבקשה בלי לדעת בעצמי איך נראית תשובה מוצלחת, אין פלא שקיבלתי תשובה גנרית. הכלי לא ממציא לכם מטרה, הוא רק עוזר להגיע אליה.

2. המידע שהוזן נקי ומלא, או מפוזר וחלקי? נתונים סותרים, גרסאות ישנות וחורים באמצע לא נעלמים בקסם. מה שנכנס פגום יוצא פגום, רק מהר יותר ובאריזה משכנעת.

3. האם הבאנו למכונה את ההקשר של הארגון, או רק שאלה כללית? הכלי לא מכיר את הלקוחות שלכם, את המספרים ואת מה שכבר ניסיתם. בלי הרקע האמיתי הוא ינחש. הניחוש הזה יהיה בדרך כלל ממוצע ולא מדויק.

4. האם יש לנו בכלל תוכנית, או שאנחנו מצפים שהכלי יחליט במקומנו? בינה מלאכותית יכולה לזרז החלטה, אבל היא לא תבחר לכם אסטרטגיה. אם אין כיוון, גם התשובה הטובה ביותר תישאר תלושה.

5. אם היינו נותנים בדיוק את אותו קלט לעובד חדש, הוא היה מסתדר? זה המבחן הכי פשוט. אם מה שנתתי לא מספיק בשביל בן אדם, הוא בטח לא מספיק בשביל מודל בינה מלאכותית.

maximize-image
images-count3+
צילום: שאטרסטוק

אני עובד עם ארגונים בדיוק על זה ונתקל בזה באופן יומיומי. החלק הכי פחות זוהר הוא גם המשמעותי ביותר: לסדר את הנתונים ולחדד את המטרה עוד לפני שנוגעים בכלי. זה לא מרגש כמו הדגמה מהירה של יכולות, אבל זה ההבדל בין ארגון שמפיק מהבינה המלאכותית ערך אמיתי לבין ארגון שמתאכזב ומוותר.

בסופו של דבר, חשוב לזכור שלכולם יש גישה לאותם מודלים. מה שמבדיל הוא לא מי מחזיק בטכנולוגיה החכמה יותר, אלא מי עשה את העבודה המשעממת לפני: ניקה את הבית, סידר את המידע והחליט מה הוא באמת רוצה. הבינה המלאכותית לא מסדרת בלגן, היא מגדילה את מה שכבר יש. תנו לה סדר והיא תחזיר לכם כוח.

נועם כהן הוא מייסד CritiqeIL, חברת ייעוץ והטמעת AI לארגונים בישראל.

עקבו אחרינו גם ב-Google News