כלכלת האלגוריתמים כבר כאן

מדהים להסתכל לאחור ולראות כיצד במשך מעט השנים האחרונות ואלה הקרובות מאוד, כל כך הרבה תעשיות מתהפכות על פיהן ומוגדרות מחדש. כך, למשל, המכוניות האוטונומיות יגדירו מחדש את האופן שבו אנחנו מסתכלים על תחבורה; חברות כמו נטפליקס (Netflix) כבר הגדירו מחדש את חוויית הבידור וצריכת המדיה שלנו; פרסום פרוגרמטי שינה לחלוטין את שיווי המשקל בין מפרסמים, סוכנויות, גופי מדיה ומוציאים לאור; וחברות כמו Instacart מגדירות מחדש את חוויית הקנייה שלנו.

בלב כל מהפכה כזו נמצאים אלגוריתמים. הטכנולוגיה והאוטומציה לכשעצמם אינם מספיקים. זה לא מספיק רק למכן את תהליך הפרסום, הרעיון הוא להפוך אותו ליותר חכם ומדויק. מכוניות אוטונומיות צריכות לדעת "לקבל החלטות" גם במצבים שאינם דיכוטומיים. זה לא רק אוטומציה, זה גם "סמארטיפיקציה".

נדמה שהחפצים מסביבנו הופכים להיות יותר ויותר חכמים: נעל חכמה ששורכת את עצמה, כוס טרמית חכמה שיודעת לספר לנו כמה סוכר יש במשקה שאנחנו שותים; סטטוסקופ חכם שכבר לא מסתמך על הניסיון של הרופא ומשדר לסמארטפון שלנו נתונים; והפייבוריט שלנו- מוצץ המספק להורה דשבורד עם מדדים שונים על התינוק (איך לא היה לנו כזה?!).

אומרים שהנתונים יהיו הנכס העיקרי של ארגונים בשנים הבאות. נכון הוא שחברות שמצליחות להשיג כמה שיותר נתונים נמצאות בעמדת יתרון, אבל השימוש בהם לצורך קבלת החלטות יותר טובות, האלגוריתמים שעל פיהם יפעלו הארגונים ביום יום, הם היתרון האמיתי של חברות בשוק התחרותי. הכוונה היא לכלכלת האלגוריתמים.

Big Data ואנליטיקה

ארגונים רבים כבר מבינים ש-Big Data זה לא המטרה אלא האמצעי. אפשר לדמות את ה-Big Data לכביש הסלול ואת האלגוריתם או המודל האנליטי לרכב בו נשתמש כדי להגיע ליעדינו. אבל האם חברות יודעות בכלל להגדיר לאן הן מעוניינות לנסוע? המוקד עמד יותר מדי זמן על בניית וסלילת הכביש, ועדיין, רוב החברות לא יודעות להגדיר את האתגר העסקי שהאלגוריתמים אמורים לפתור.

נשאלת השאלה: איך יכול להיות שמדובר בטכנולוגיה שנמצאת כאן כבר כשמונה שנים ושארגוני אנטרפרייז מתעסקים בה כבר כשלוש שנים, ועדיין לא נוצר סביבה אקו-סיסטם של פתרונות? התחום הוא עדיין מוטה שירותים ומצריך בניית Stack טכנולוגי משמעותי תוך השקעה לא קטנה – מה שמציב חסם כניסה לארגונים רבים.

בכל מקרה, מעניין לראות מהו מצב אימוץ ה-Big Data בארגונים בעולם ולהשוות אותו למצב בישראל. מחקר של NVP, שנערך בחודשים האחרונים בקרב חברות הפורצ'ן 1,000 (Fortune 1,000), גילה שבפעם הראשונה, תחום ה-Big Data בעולם נכנס למיינסטרים. 63% מהארגונים כבר מריצים פרויקטי Big Data בתהליכי הייצור; 70% מעידים שהוא נחשב לתחום בעל חשיבות קריטית לארגון; ויותר מ-50% מהארגונים מעסיקים CDO (ר"ת Chief Data Officer).

הערכות STKI לגבי השוק בישראל ב-2016 מגלות פער של בין שלוש לארבע שנים (!) אל מול השוק הבינלאומי. רק כ-30% מהארגונים הישראליים מבצעים פיילוטים וניסויים בתחום ה-Big Data, ורק 7% מארגוני האנטרפרייז במדינה מריצים פרויקטים מעין אלה בתהליכי הייצור שלהם.

מהם השלבים הבאים באבולוציה של עולם האנליטיקה?

עולמות ה-BI והאנליטיקה הם תחומים ותיקים, שפועלים כבר עשרות שנים. אם בעבר התמקדנו בעיקר בשאלה מה קרה, ועשינו זאת באמצעות כלי BI ודיווח, בשנים האחרונות השקענו די הרבה מאמץ ביכולת לתחקר מדוע זה קרה, באמצעות כלי אנליזה, ויזואליזציה מתקדמת, Data discovery, מעבר לניתוח בשירות עצמי ועוד. כיום העולם עובר לשימוש באנליטיקה ובחיזוי כדי לשאול מה צפוי או עשוי לקרות.

אולם, מהם השלבים הבאים? לאן הסיפור הזה הולך? להערכתנו, השלב הבא, שבעצם כבר נמצא כאן מבחינה טכנולוגית אך עדיין לא מבחינת היישום בארגונים, הוא השימוש ביכולות Artificial Intelligence (ולימודי המכונה במרכזן), בעיקר על מנת להבין על מה המידע שלנו מדבר ו-"מהן השאלות שבכלל ניתן לשאול". מכאן הדרך לשלב הבא יחסית מהירה: הטכנולוגיה לא תיעצר בסיוע למשתמשים האנושיים בשאילת השאלות הנכונות, אלא היא תעשה דברים הרבה יותר מרחיקי לכת מכך. היא תעבד את המידע עבורנו, תדע לייצר תובנות גם מנתונים מורכבים ומאוד בלתי מובנים והחשוב מכל – תדע לקחת החלטות במקומנו, ממש כמונו ואף יותר טוב מאתנו.

פיני כהן, סגן נשיא ואנליסט בכיר ב-STKI. צילום: קובי קנטור

המחשוב הקוגניטיבי הוא עוד ענף בתחום העל הסבוך שנקרא Artificial intelligence, כאשר ממד נוסף שטכנולוגיה זו מציעה הוא היכולת לתחקר איתנו, האנשים, ברמת "שיחה".

זה הזמן המתאים לשאול את עצמנו את השאלה הבאה: האם ייתכן שכלים אנליטיים הגיעו לרמת החשיבה האנושית? התשובה היא שעוד לא, אך סביר שנגיע די קרוב לשם בשנים הבאות. יש כמה התפתחויות שמצביעות על מגמה זו. התחום המדובר ביותר, שזוכה למרב תשומת הלב ואף להתלהבות של קהילת המפתחים והמהנדסים, הוא Deep Learning – ענף של לימודי המכונה ששואב השראה מהדרך בה המוח האנושי פועל.

התא הבסיסי ביותר במערכת העצבים שלנו הוא הנוירון – תא שמעביר "מסרים" בין המוח וחלקים אחרים בגוף. רשתות נוירוניות מנסות לחקות את האופן שבו נוירונים מקבלים ומעבירים מידע, על ידי הוספת שכבה נוספת של מידע. ענף ה-Deep Learning neural networks לוקח זאת צעד אחד קדימה ומוסיף עוד שכבות נסתרות, שמאפשרות עיבוד מידע מתקדם. אחת הדוגמאות הבולטות לשימושי Deep learning היא לצורך עיבוד תמונה. על מנת להבין מהו האובייקט שנמצא מולנו אנחנו צריכים שכבות מידע שונות שיעזרו לנו לקבל את ההחלטה.

מדוע Deep Learning כל כך מעסיק כעת את קהילת המפתחים? בסוף השנה שעברה, גוגל (Google) שחררה את פרויקט ה-DL שלה לקהילת הקוד הפתוח, תחת השם Tensor Flow. בצעד זה, החברה מחפשת את חוכמת ההמונים בפיתוח יכולות ה-Deep Learning שלה, תוך שהיא משחררת לקהילה ספריות ואלגוריתמים שעד כה היו בבחינת סוד מסחרי, כמו יכולות התרגום או זיהוי התמונה שלה. זה יצר מספיק רעש בשוק כדי לדחוף את התחום קדימה, לכותרות.

מהי המשמעות של התפתחויות אלה על הפרקטיקה האנליטית של ארגונים כיום? כיצד תיראה אנליטיקה בארגון בשנים הקרובות? על השאלות האלה – בטור הבא, שיפורסם מחר (ה').

הכותבים הם  EVPs ואנליסטים בכירים ב-STKI.