"בינה מלאכותית ממקדת ארגונים בשאלת השאלות הנכונות"

"מנמ"רים נדרשים לשלל אתגרים במסגרת משימת ה-IT הארגוני, להיות שירותיים ולספק במהירות פונקציונליות, שירותים ומוצרים למשתמשים החיצוניים והפנימיים. אלא שפעמים רבות פרויקטי IT נכשלים, כי אין הבנה אמיתית, מהותית ועמוקה – של ה'מה'. מה מטרת הפרויקט? מה הארגון ולקוחותיו רוצים – או צריכים? רבות הן החברות המבזבזות זמן יקר ערך ומשאבים, כשהן חושבות שיהיה פתרון מצוין – רק שהן לא מבינות שהן ענו על השאלה הלא נכונה, או לא שאלו את השאלה כלל – מה שיביא לפרויקט להיכשל, או להצליח רק באופן חלקי", כך אמר איל שטיינברג, סגן נשיא עולמי לתחומי דטה, בינה מלאכותית ומיכון, ב-יבמ (IBM).

יבמ

בראיון בלעדי לאנשים ומחשבים אמר שטיינברג כי "בכל ארגון יש מצוקות שונות ואתגרים שונים. מעל לכל, המשותף הוא אתגרי ה-IT: טיפול בריבוי נתונים ובהגירת מידע, צמצום עלויות המחשוב, מעבר לענן, או לעננים, ניתוח מעמיק אודות הלקוחות, וכן שיפור התפעול של המחשוב".

"ישנן דרכים רבות לניתוח השאלה 'מה הוא הדבר הכי משמעותי לחברה?' ולכן מאוד חשוב להגיע לשאלה הנכונה, בטרם המענה", אמר. "אתגר נוסף הועצם בשל הקורונה: איך לענות על ציפיות העובדים הרוצים יותר גמישות בהיבטים שונים בעבודה. את כל אלה עוטפים אתגרי האג'יליות ואבטחת המידע. ארגונים לא מוכנים לשאת את המחיר של פרויקטי ERP ענקיים שהיו נפוצים בשוק בתחילת המילניום, זה כבר לא עובד. כיום הציפיות שונות. אם המשתמשים לא יקבלו פתרון IT קל, פשוט וידידותי מהמנמ"ר – הם יצרכו אותו בחוץ, בתצורת SaaS ויגדילו את עומס היתר של 'צל IT', ובהתאמה – את כאב הראש של המנמ"ר".

דרושים: מדעני נתונים

אתגר נוסף, ציין שטיינברג, "הוא העלייה בחשיבות המידע והניתוח שלו מחד, והמחסור במדעני נתונים מאידך. בשנים האחרונות, בוגרי האוניברסיטאות לא הולכים בסיום לימודיהם למקום בארגון בו יושבת קבוצת מדעני מידע, אלא לקווים העסקיים, או האפליקטיביים, שהם יותר 'סקסיים'. לכן, המנמ"ר נדרש לקבל גישה לנתונים, ולהפיץ אותם לכמה שיותר משתמשים רלוונטיים".

לדבריו, "לאחר הבנת השאלה הנכונה והחלטה על המענה, המנמ"ר מתלבט האם לבנות פתרון המורכב מכמה פתרונות של ספקים שונים – שיהיה עשיר יותר, אבל גם מורכב ומסובך – או לוותר על חלק מהפונקציונליות, לטובת פתרון אחד מוכלל".

"כך בנינו לפייפאל (PayPal)", סיפר, "פתרון במוקד שירות הלקוחות שלהם, מבוסס ווטסון אסיסטנט

(Watson Assistant). הסייען החכם יכול לחזות את צורכי המשתמש, להציג המלצות בצורה יזומה ולהתאים עצמו באופן אישי. במקרה זה, הסייען טיפל ביותר ממיליון שיחות בחודש למוקד, להן ענה בוט ולא מוקדן אנושי. המהלך הניב להם חיסכון שנתי של ארבעה מיליון דולר".

ניתוח רב-שכבתי ומעמיק של מגוון נתונים שאינם קשורים

"באחד מלקוחותינו, ארגון בריאות", ציין שטיינברג, "המדענית, אחות במקצועה, רצתה להבין ולבודד את אחת מהסיבות למוות, של אנשים שמתים בעקבות נפילות – באמבטיה, אבל לא רק. על בסיס הכלים שלנו, אנשי ה-IT שלה פיתחו אפליקציה שאיגדה את הנתונים מהמקורות השונים, למשל – 'מתי המטופל השתמש באמבטיה', 'האם הוא היה זקן', 'כמה חולה ומה היה לו, בטרם הנפילה?'. ניתוח רב-שכבתי ומעמיק של מגוון נתונים שאינם קשורים ביניהם, הביא לשינוי בדפוסי ההנחיות של הארגון למטופלים – וצמצם את היקף התמותה".

שטיינברג נמצא בענק הכחול זה שבע שנים. זו הפעם השנייה שבה הוא עובד ביבמ: בראשונה הגיע אליה אחרי שיבמ רכשה את מערכות הניתוח האנליטי של נטיזה (Netteza) ב-2010 תמורת 1.78 מיליארד דולר. לאחר מכן עבד בשלוש חברות קוד פתוח ולפני שנתיים מונה לתפקידו הנוכחי, ולו צוות בן 2,500 עובדים בתחום.

"אנו מציעים פלטפורמה אחת לניהול כל צרכי הטיפול במידע – IBM Cloud pak for Data", סיכם. "יש לנו היסטוריה ארוכה בקידום תחום הבינה המלאכותית לטובת תהליכים ארגוניים שונים. אנו מדברים את השפה הזו, 'שוחים בחומר', מדורגים על ידי חברות אנליסטים כשחקן מוביל. אנו אומרים ללקוחות שהתרגום של 'מיכון' ו'חוכמה' – זה 'שימור לקוחות'. למרכז המו"פ שלנו בחיפה, הגדול ביותר מחוץ לארה"ב – יש תרומה חשובה לתחום".