מכונות לומדות במשאבי אנוש: מציאות או פיקציה?

מכונות לומדות במשאבי אנוש: מציאות או פיקציה?

כדי להטמיע בצורה נכונה בינה מלאכותית בארגון, צריך לשלב ראיה אסטרטגית רחבה עם תהליכים מקיפים ונרחבים

שיתוף
מכונות לומדות

מכונות לומדות

בינה מלאכותית נתפשת כ"גביע הקדוש" הטכנולוגי הבא של זמננו, מה שמייצר מרוץ מתוח בחדשנות.

ענקיות הטכנולוגיה (אפל, גוגל, פייסבוק, מיקרוסופט, אמזון) משקיעות מיליונים כדי לבסס את עצמן ואת ההתקדמות שלהן בתחום זה, אולם הקרב הוא אף מריר יותר מריר בין מדינות.

סין הכינה תוכנית אסטרטגית לתפקיד מובילה בחדשנות עולמית עד שנת 2030, על פי הפרסומים, וחשפה נתונים אסטרונומיים הן ציבוריים והן פרטיים, להשקעה בבינה מלאכותית. גם ארצות הברית כמובן, פועלת בתחום נמרצות וכן שחקנים אחרים כגון: צרפת, שם מקרון מקדמת אסטרטגיה לאומית להתחרות במגרש הזה, תוך הקצאת תקציב של 1500 מיליון יורו למשך 5 השנים הקרובות לפחות כדי שלא להישאר מאחור.

בנסיבות אלו, הגורואים מדשדשים בין מספר עמדות: איילון מאסק, אשר מזהיר מפני הסכנות שעלולות להוביל התפתחות משתוללת ב- AI בעוד כמה שנים וקורא לרגולציה; חובבי המספרים כגון כמו מארק צוקרברג; והסוג שלישי שהוא ריאליסטי יותר ולוקח בערבון מוגבל את היכולות האמיתיות של בינה מלאכותית וגורס כי אין לנו שום דבר אחר על השולחן, לפחות בטווח הקצר, מלבד יותר כוח מיחשובי וטכניקות נוספות נגישות לניתוח מידע מתקדם.

אין ספק שיש איזו אמת בכל אחד מקווי המחשבה האלה, וכל אחד מהם חייב לחפש את האמצע בין שלושת הקטבים הללו, אך ברור כי לא משנה באיזה תחום אנו עובדים, זה הזמן לשאול את השאלה: האם בינה מלאכותית תתרום לעסק שלי?

בעולם משאבי אנוש יש כבר קווי עבודה ברורים שבהם טכניקות כמו למידה של מכונות יכולות להוות פריצת דרך: חיפוש כישרונות ושימורם, שיפור חוויית העובד בחברה, הסתגלות של אנשים לצוותים או למשרות., ועוד. אלו הם התחומים שבהם כלים חדשים כאלו יכולים לעזור לנו לקבל תשובות שימושיות ומדויקות הרבה יותר. בנוסף, זה מביא אותנו לשאלה הבאה: היכן אנחנו מתחילים?

נתונים איכותיים – זו הדרישה הראשונה ההכרחית. אם ברצוננו להבין טוב יותר, למשל, על חוויית העובדים בחברה – הדבר הראשון שיש לעשות הוא לוודא שאנו מאחסנים את הנתונים הרלוונטיים האותנטיים. יש לאחסן מידע מדויק, דיגיטציה על מחזור עובדים, תוצאות סקרי שביעות רצון, תהליכי משוב (הערכת ביצועים, שיחות אחד לאחד, אימון …) ועוד. לאחר שנקבע בצורה נכונה את מקורות הנתונים, יהיה צורך להבטיח את איכותם באמצעות תהליכי אימות תקינות הנתונים שיאפשרו לנו למחוק נתונים חוזרים, לא עקביים או מיושנים. ישנם מקורות הטוענים, כי רק 25% מהחברות אשר מתחילות להשקיע יוזמות לניתוח מידע, מצליחות באמת לשפר את הרווחים שלהן, בעיקר משום שהן מבססות את הניתוח שלהן על נתונים באיכות נמוכה. IBM העריכה, על פי הפרסומים, כי העלות לכך רק עבור חברות אמריקאיות בלבד, היא יותר מ -3,000 מיליון דולר בשנה.

כשחברה מחזיקה באסטרטגיה טובה מספיק לאיסוף ועיבוד נתונים, השלב הבא הוא מימון. סוג זה של פרויקט להטמעת בינה מלאכותית מתאימה, מצריך זמן, השקעה בפרופילים חיצוניים שאינם בהכרח בין חברי הצוות וכלים, בעיקר כלי תוכנה מתקדמים. הצגת טכניקות כגון למידה ממוחשבת או למידה מעמיקה בתהליכי קבלת ההחלטות של החברה לא תצליח, אם מנסים לנהל אותה כמו כל פרויקט אחר.

לאחר מכן, יש לשלב את האנשים. ב- Glassdoor פורסם, כי המקצוע המוערך והמשולם ביותר בארצות הברית במשך 3 השנים האחרונות היה זה של מדען הנתונים. זה מה שחברות תצטרכנה. מהו בדיוק הוא מדען נתונים? הגדרה שג'וש וילס מספק עבור מדען נתונים היא "מישהו שהוא טוב יותר בהנדסת תוכנה מאשר כל סטטיסטיקאי שטוב בסטטיסטיקה ומאשר כל מהנדס תוכנה."

כנס ההדרכה השנתי 2019

אין תגובות

השאר תגובה