הכוכב הבא – לא רק לאירוויזיון, או: מה שצריך לדעת על AI

כל כמה שנים טכנולוגיה חדשה נמצאת בהייפ והופכת לכוכב הבא, ככזו היא שואבת את כל החמצן וגונבת את ההצגה והכותרות לתקופה מסוימת. רשימת הטכנולוגיות אשר תורמות לקידום עסקים ולהתפתחותם מרשימה מאוד. הן אחראיות לרווחים גדולים, אולם לפעמים סובלות מחיי מדף מוגבלים, לאור תוצאות לא מרשימות. לרוב הן מוחלפות בטכנולוגיה חדשה ונוצצת יותר, אשר מבצעת את עבודתה בצורה טובה ומהירה יותר, וה"פח" מלא במפסידניות אשר לא הצליחו להתאים עצמן לשוק דינמי ותחרותי.

ה-Harvard Business Review פרסם לאחרונה כתבה אשר מצביעה על הסכנה הניצבת בפני עסקים אם לא יאמצו בינה מלאכותית בהקדם. זה נשמע כמו כותרת עיתונאית זורעת פחד, אבל המאמר מעלה מספר נקודות נכונות. הכותבים לא טוענים שבינה מלאכותית היא פתרון לכל בעיה בעולם, אלא שמדובר בתוצאה של התקדמות טבעית. כל הכלים הטכנולוגים הנוצצים המתקדמים, בשלו עם הזמן עד לבניית טכנולוגיית ה-AI הקיימת היום. כלומר, בינה מלאכותית צמחה בתהליך התלכדות של אותן טכנולוגיות לאורך זמן ובצורה טבעית ולא כתוצאה של החלפות מסיביות.

אם אתם מהססים אם להתחיל כעת להשקיע בבינה מלאכותית, המלצתי היא להתחיל עכשיו, ויש לכך מספר סיבות. ראשית, כל מערכות הבינה המלאכותית צמחו מהתלכדות. אף אחד אינו מתעורר בוקר בהיר אחד ומיישם בהצלחה מערכת AI, הדבר לוקח זמן. קיימת מחזוריות בדומה לשחיית חתירה, הליכה או ריצה, לגבי האופן בו חברות יכולות לעבור מרמת השילוב ההתחלתי של AI, ליישום מודלים מצליחים ובסוף לבניית AI בקנה מידה מלא בהצלחה.

יישומי AI בסקאלה מלאה לא מתבצעים על ידי כמה מדעני דטה עם כמה התקני GPU אשר מפתחים כמה מודלים מוצלחים באופן נקודתי. קיימת סביבה הוליסטית בה מדעני דטה ומהנדסי דטה יכולים לסדר דטה, לסווג אותה, להקרין תוצאות, לפתח מודלים, ולהתאים את המודלים האלה לסקלה מלאה ביעילות. המערכת עשויה להיות מורכבת מכמה מודלים המעבדים סטים גדולים של דטה כל יום לכל מדען דטה, ודורשת לסדר את הנתונים בצורה קבועה על ידי מהנדסי דטה.

שיבוש בסביבה משתנה

ההשקה האחרונה של Nvidia, המכוונת להתקני GPU עבור מהנדסים ומדעני הנתונים, צפויה בוודאות להוות שיבוש בסביבה משתנה. מדובר בהתפתחות חדשה במשחק אשר מחדשת את הכלים העומדים לרשות מדעני הנתונים ומהנדסי נתונים. היעילות הנדרשת להאיץ ולבצע סקיילינג למשימות של הנדסת נתונים באמצעות GPU, צפויה לקחת זמן. זה חלק מאופי ההתלכדות בבניה של סביבות גדולות. בדומה ל-Rapids, תמיד תימצא חדשנות חדשה.

הסיבה השנייה לכך שצריך להתחיל כבר עכשיו לעבוד עם AI, נעוצה בעובדה שניהול לא מתרחש ביום אחד. אסור להתבלבל בין ניהול AI ואנליטיקה מתקדמת לעומת יישום פרוצדורות באתר. שני סוגי ניהול משלימים אך לא אקסקלוסיביים. ניהול נכון של אנליטיקה מתקדמת כולל תיקון של הטעיות (או אפשרות שמודל מתבסס על הנחות שגויות או קישורים מוטעים), של מודלים לא רלוונטיים כבר (כאשר הנתונים הדמוגרפיים או ההיסטוריים עליהם נבנה השתנו), ושל התיישרות (כאשר המודל והתוצאות מתיישרים עם משימת החברה ולא משדרים הצהרה שגויה לגבי החברה).

מערכות ADAS (ר"ת Advanced Driver Assistance Systems) לתמיכה בנהיגה מהוות דוגמה טובה לכך. רוב המערכות של יצרני הציוד נבנות עבור כיול יומי. היצרנים פיתחו סביבה שבה ניתן לאמן את כל הסימולציה של מודל ביום אחד בלבד. זו דוגמה של תעשייה בה הניהול התקני (או הבטיחות) כרגע מוגבל, אך מתקדם.

על ידי צפי מראש של הצרכים, כדי שניתן יהיה להתייחס במהירות לבעיית בטיחות פתאומית, ניהול ה-AI במקרה זה צריך להיות ערוך לכל שינוי עתידי הנובע מהחלטת ממשלה. היכולת לספק מוצרים לשוק מוקדם יותר, היא בגדר בונוס. כך נראה ניהול AI בשל.

הסיבה השלישית הינה מסלול ההשקעה בדרך להטמעת AI. הרבה מנהלי טכנולוגיה נאבקים לקבל מימון לפרויקט ה-AI שלהם. במקרים רבים חברות נהרו לעלות על רכבת ה-AI לפני שמיפו את הדרך. חברות אלה לרוב מתבססות על טכנולוגיית AI של צד שלישי לאתחול המאמץ שלהן. המהלך מאיץ את כניסתן לעולם ה-AI ורוכש להם מהירות בהתחלה.

אולם למרבה הצער, חסר במהלך מסוג זה זכויות יוצרים, כאשר בסופו של דבר, כל הזכויות שייכות לאותו צד שלישי. במקרה כזה, כאשר הייחוד של מוצר החברה נשלט בידי טכנולוגיה של חברה אחרת, הדבר עלול להוביל לבעיות הקשורות לעלות, או לדרך בה החברה מבקשת להטמיע את הטכנולוגיה בפתרון שלה. ללא זכויות יוצרים, היא לא יכולה לעשות זאת. כאן ההבדל בין מודל פלטפורמה כשירות (PAAS), בו משתמשים בתשתית ומחזיקים בבעלות על הטכנולוגיה, לעומת מודל של תוכנה כשירות (SAAS), בו מחזיקים בבעלות על מודלים ספציפיים בלבד הבנויים על טכנולוגיה של מישהו אחר. חשוב להבין את ההבדל וההשלכה עבור העסק שלכם.

הכותב הוא סגן נשיא להנדסה ופיתוח ב-דל טכנולוגיות