ראשית חייבים להבין שמדובר בתחום ונושא שיהפוך קריטי וגורם שובר שוויון עבור ארגונים בשנים הקרובות . לכן עדיף להיות מהמאמצים המוקדמים. או לכל הפחות מהבוחנים המהירים. זהו תת תחום תחת Deep Learning המאפשר לארגונים מגוון יכולות כגון תובנות מטקסט / תובנות מקול המוסב לטקסט / הנגשת מידע מדויק לנציגים או לקוחות ועוד
התחום כבר היה קיים לפני שנים רבות אולם לאחרונה פרץ והפך נגיש לאור התפתחות הטכנולוגיה ומספר חברות שפיתחו פתרונות חדשניים שמאפשרים לממש את הפוטנציאל
התחום מתפתח במהירות מטורפת וכל כמה ימים מתעדכן ומתרחב. בקצב התפתחות כזה אימוץ מאוחר של למידה פשוט ישאיר אתכם מאחור
מנו Owner בצד האנליטי עסקי שהוא המשוגע לדבר שיתחיל ללמוד אותו ויתמקצע בו ויאפשר לכם להבין את התחום , את המגמות, לזהות את הפוטנציאל ולהבין משמעויות ההשקעה בו
במקביל הערכו תשתיתית וטכנולוגית ותדאגו לשליטה מקצועית של צד ה IT בסביבה הנדרשת לצורך למידה ובחינה מעשית של התחום
התחילו במיקוד ותיעדוף. בחרו מספר נושאים עסקיים בהם תרצו לשפר יכולות ולהשיג תוצאות ותתמקדו בהם . אי אפשר להתפזר על כל מגוון האפשרויות בתחום . יש להחליט האם אנו רוצים להרחיב מיצוי פוטנציאל מטקסט או מקול או בכלל לשפר מודלים קיימים באמצעות היכולות החדשות או כל אפשרות מעשית אחרת לאחר שלמדתם את התחום ומצאתם שיש בו לתמוך בפעילות שלכם
באופן כללי ומניסיון מומלץ לבחור לשם התחלה יישום שקשור לממשק פנימי מול העובדים בתוך הארגון . למשל הנגשת מידע מקצועי לנציגים שיביא לחסכון בזמן חיפוש תשובות לשאלות ויאפשר למשל קיצור שיחות עם לקוחות והתמקצעות . הבחירה בבחינה פנימה מאפשרת ניהול סיכונים מחושב והתנסות טרום התרחבות ללקוחות החיצוניים
כדי להחליט נכון רצוי למפות תהליכים פנימיים , רפטטיביים וכאלו שפשוט אפשר לייעל על ידי שילוב מעורבות מכונה לומדת ומשתפרת בתהליך
תבינו שבסופו של דבר רוב הארגונים כיום נמצאים בתחום הזה בשלב ניסוי וטעיה . לומדים / מתנסים/ משפרים /מפיקים לקחים. כאן לא רצים לשום מקום.
כאמור כן צריכים להתייחס לנושא כשובר שוויון טכנולוגי אנליטי בתחרות ולהקצות לו ככזה משאבים / סביבה/ הון אנושי ולבנות תכנית בחינה ומימוש הדרגתית
כהמשך ישיר לשני הסעיפים הקודמים אתם חייבים להיות סבלניים . אתם רצים כאן לטווח ארוך . אתם משקיעים ותקצרו את הפירות בהדרגה
ניהול משותף של הצד העסקי והצד הטכנולוגי . כמו בכל פרויקט דאטה ועל אחת כמה וכמה בפרויקט חדשני שכזה קריטי שילוב הכוחות בין הצד העסקי לצד הטכנולוגי. בצד העסקי יעסקו בלמידה / התאמת המודלים / שיפורם ובצד הטכנולוגי בתשתית ובמעטפת התומכת שתאפשר להרחיב את היישום לאחר הצלחת הפיילוט הראשוני. בנוסף חשוב ששני הצדדים יבחנו ויתעדפו את מגוון הכלים והפתרונות שנמצאים כיום בתחום וימצאו את זה שעונה הן לצורך העסקי והן מותאם לסביבה הקיימת
ההון האנושי המעורב בצד העסקי יהיה Data Scientists נבחרים שכאמור יתמקצעו ויובילו את הלמידה. אל לכם לחשוב שאתם חייבים לגייס מומחים לנושא כבר בשלב ההתחלתי . כאמור מדובר בנושא נלמד ויכולות נרכשות ובמידה וקיים אצלכם DS שרוצה ויכול להתפתח בתחום תתחילו איתו. בהמשך עם האוכל בא התיאבון וניתן יהיה לחשוב על התרחבות ככל שתמצאו ערך בפעילות
כתחום חדש שמצריך השקעה וסבלנות חייבת להיות רוח גבית מההנהלה הן לעצם בחינת הנושא והן להגדרת חשיבותו ווידוא שת"פ של כל הגורמים
ניתן לזהות 2 צורות של התקדמות ארגונית בעולם ה Gen AI : התקדמות עם מוצר סגור למשל רכישה של בוט מוכן שפיתח צד ג ויישומו לעומת פיתוח יכולת עצמאית תוך למידה והתקדמות בתוך הארגון ופיתוח יכולת Gen AI מותאמת לצרכים . אין ספק שרק בלמידה עצמית באמת תפתחו יכולות שתוכלו להנות מהם בהמשך לעומת רכישת מוצר סגור שאולי מאפשר יח"צ ומסרים של "הנה גם אנחנו במשחק" אבל לא באמת מצביע על פיתוח שריר והרחבת יכולות או אפילו לא על למידה מספקת של התחום
זיכרו שמגוון האפשרויות ליישום ובחינה הוא עצום: Chat GPT של Open AI ולמעשה של מייקרוסופט/ Bard של גוגל/ Llama של פייסבוק/ ועוד לא אמרנו GPT3 וכבר ארגונים בוחנים את GPT4 – כאמור מדובר בעושר של אפשרויות לבחירה ובחינה מה מתאים לארגון שלכם. מן הסתם רצוי שבשלב ההתלבטות ה Owner שלכם יקבל ייעוץ וליווי מגורמים שיכולים לעזור לו להתמצא בתוך כל ים היכולות
הכשרות /הכשרות /הכשרות – השקיעו בפן של שיפור ידע והתמקצעות של הצוות שמוביל את עולם ה Gen AI
תהיו ביקורתיים כלפי המודל שלכם - מודלי Gen AI נוטים להנגיש ולהחזיר מידע לא מדויק בביטחון יתר ולכן יש לקחת את התשובות שהם מספקים בספק ולבדוק אותן בוודאי בשלב הראשוני
תבצעו אופטימיזציות - מודלים שכאלו עלולים לקחת משאבים רבים , בין אם זה עלות, זיכרון, זמני ריצה ותגובה וכו
תתעדפו ותשקיעו בטיוב של הדאטה עימו אתם אמורים להשתמש ולאמן את מודלי ה Gen AI - ככל פרויקט דאטה ובוודאי במקרה של למידת מכונה מתקדמת איכות התוצר כאיכות הדאטה הנלמד
תשמרו ידע - תוודאו כי כל הידע שצברתם בנושא מתועד ומסודר ומתוחזק כנכס אסטרטגי
במקרה של יישומי Gen AI לאור למידה ואימון מבוסס מגוון מקורות וגישה לדאטה רחב יש לשקול ולבחון היבטים איתיים ומשפטיים של שימוש בכלים השונים . רצוי לבחון נושא זה לעומק במסגרת הלמידה לפני שקופצים להרפתקנות יישומית
הקפידו על חווית המשתמש בקצה . גם אם המודלים יעבדו נכון ונניח ינגישו תוצאות מיידיות לעובדים או ללקוחות חשוב לפתח ממשק חוויתי שיקל את השימוש בכלי החדש וחלילה לא יביא למסקנות לא רצויות או משוב שלילי עקב חוויה לא תקינה ולא עקב בעיה בדאטה או במודל עצמו
תכננו קדימה. בעולם כה מתפתח יש להערך עם תכנית סדורה, אבולוציונית שתאפשר להתקדם בהדרגה בצירים מקבילים עסקי וטכנולוגי ולממש מקסימום פוטנציאל מהפעילות החדשה מחד תוך התקדמות בקצב מרתון ולא בספרינטים מסוכנים ומאידך מתוך הבנה שאתם מאפשרים לארגון לקפוץ מדרגה ולמקסם ביצועים