כולם משקיעים ב-AI.

כולם משקיעים ב-AI. למה כל כך מעט ארגונים מצליחים לממש את הפוטנציאל?

טכנולוגיית הבינה המלאכותית אולי הפכה לנחלת הכלל, אבל בואו נודה באמת – ארגונים רבים מגלים שפרויקטים בתחום מתקשים לייצר החזר השקעה ממשי. לעיתים קרובות, ובמיוחד כשמדובר בבינה מלאכותית יוצרת, היוזמות האלו פשוט נתקעות בשלב המעבדה ולא מגיעות לייצור מבצעי. הפער הזה לא נובע מחוסר מודעות בקרב ההנהלה, אלא מבעיות תשתית עמוקות שקשורות לאופן שבו הארגון מנהל, מאבטח וניגש למידע שלו.

על בסיס מה נבחנה מוכנות הנתונים

כדי להבין מה באמת קורה בשטח, חברת קלאודרה בשיתוף פירמת המחקר ResearchScape בדקו את הנושא לעומק. הם סקרו למעלה מאלף ומאתיים מנהלי טכנולוגיות מידע בכל רחבי העולם. המחקר הקיף תעשיות כמו אנרגיה ותשתיות, פיננסים, בריאות והמגזר הציבורי. התובנות שעלו משם נותנות לנו הצצה אמיתית וכנה לאתגרים שארגוני ענק חווים כשהם מנסים לשלב מערכות חכמות בפעילות שלהם.

אשליית המוכנות ומשבר הגישה לנתונים

הנתונים מספרים סיפור מרתק. רוב מוחלט של 96 אחוזים מהארגונים מדווחים שהם כבר משלבים בינה מלאכותית בתהליכי הליבה שלהם, ו-85 אחוזים טוענים שיש להם אסטרטגיית נתונים מסודרת. אבל המציאות מורכבת הרבה יותר. עבור לא מעט חברות, אפילו השלב הכי בסיסי של מיפוי הנתונים בארגון לוקח חודשים ארוכים.

מעבר לזה, יש פער ענק בין לדעת איפה הנתונים יושבים לבין היכולת לשלוף אותם בפועל. כמעט 80 אחוז מהארגונים מעידים שהפרויקטים שלהם מתעכבים פשוט כי אין להם גישה חלקה למידע בסביבות שונות. פיילוטים מקומיים יכולים להצליח נהדר כשמזינים נתונים ידנית למודל. אבל בעולם האמית, מבינים מהר מאוד שהמעבר לייצור דורש חיבור אוטומטי ודינמי למערכות הליבה. בגלל שהמידע מפוזר בין עננים שונים, שרתים מקומיים ומערכות חיצוניות, נוצרים data silos מבודדים שפשוט חוסמים את הגישה החלקה של הסוכנים.

כדי להבין איך זה נראה כשהתשתית עובדת נכון, כדאי להסתכל על תאגיד הבנקאות האמריקאי ריג'נס. הבנק התמודד עם כאב ראש רציני של התראות הונאה מרובות. העובדים פשוט טבעו בהתראות שווא, בעיקר בגלל שהנתונים ההיסטוריים ונתוני העסקאות היו במערכות נפרדות. זה הקשה מאוד על בניית תמונה מלאה ומהירה.

במקום להמשיך להילחם בdata silos, הבנק החליט ליישם data lake מרכזי יחד עם מערכת משילות נתונים מאוד קפדנית. התשתית האחידה הזו אפשרה להם לאמן ולפרוס מודלים של למידת מכונה ישירות בסביבת הייצור המבצעית. התוצאה המעשית לא פחות ממדהימה: המודל החדש לדירוג סיכונים שיפר את זיהוי ההונאות ב-95 אחוזים, חתך את התראות השווא בשליש, והכי חשוב – הוריד ב-50 אחוזים את ההפסדים הכספיים היומיים של הבנק. זו דוגמה קלאסית לאיך ביטול הdata silos הופכת את הבינה המלאכותית מניסוי מעבדה למנוע עוצמתי שחוסך מיליונים ומשפר את השירות.

אתגר המשילות והסיכונים בסוכנים חכמים

נקודה נוספת ומדאיגה שעולה מהדו"ח היא שרק 18 אחוזים מהארגונים מנהלים את הנתונים שלהם תחת משילות מלאה. כדי שסוכן חכם ייתן ערך אמיתי, הוא חייב לקבל גישה למערכות הארגון. בלי מערכת בקרה הדוקה, סוכן כזה יכול בטעות להוביל לדלף של סודות מסחריים.

73 אחוזים מהמשיבים סיפרו שביצועי התשתית שלהם מגבילים את היוזמות שלהם. הצלחה של פרויקטים כאלה דורשת לא רק השקעה כספית משמעותית בתשתיות ובחומרה, אלא גם שינוי תפיסתי עמוק בתוך החברה. מעל הכל, נדרשת השקעה משמעותית בהדרכת העובדים ופיתוח אוריינות נתונים כדי להטמיע את ההבנה שהנתונים הם נכס יקר שיש להגן עליו באותה רמת קפדנות שבה מנוהלים כספי הארגון.

אז מה צריכים ארגונים לעשות כבר היום?

מעבר מוצלח מסביבת ניסוי לייצור מחייב ארכיטקטורה סדורה. הנה 5 צעדי מפתח שכדאי לאמץ:

1. גילוי נתונים ומידע נלווה: הפכו את גילוי המידע ומעקב אחר השינויים שלו לאוטומטיים כדי שתמיד תבינו את המקור של כל פריט מידע.
2. בניית מארג נתונים: הקימו שכבת משילות והרשאות המאפשרת גישה בטוחה למקורות המידע השונים בארגון.
3. אינטגרציה וסטנדרטים פתוחים: פתחו יכולת לתשאל נתונים ישירות במקום שבו הם נמצאים בלי להעתיק ולשכפל אותם כל הזמן. אימוץ תקנים פתוחים ימנע מכם להיות תלויים בספק טכנולוגי אחד.
4. אבטחת איכות נתונים: יישמו בקרות קפדניות. נתונים פגומים או חלקיים תמיד יובילו להחלטות שגויות ותוצאות לא אמינות של מערכות הבינה המלאכותית.
5. יכולת פעולה היברידית: עצבו מערכת גמישה שמאפשרת לשלב ולהחליף מנועים טכנולוגיים בקלות כדי שהארגון יוכל להתאים את עצמו לחידושים בשוק במהירות.

לסיכום, אנחנו ניצבים בעיצומה של מהפכה אמיתית בעולם הנדסת הנתונים. שילוב מוצלח של בינה מלאכותית בארגונים גדולים כבר מזמן לא מסתכם רק בבחירת המודל הכי חדשני שיש. ההצלחה תלויה לחלוטין ביכולת לספק גישה חלקה, בטוחה ומנוהלת היטב לנתוני הארגון בזמן אמת. רק ארגונים שיבנו יסודות חזקים של מוכנות נתונים יצליחו להפוך את הטכנולוגיה החדשה למכפיל כוח משמעותי באמת.

כותב: ניצן ששון, Senior solution engineer, קלאודרה

מקורות:

1. https://www.cloudera.com/campaign/the-data-readiness-index-understanding-the-foundations-for-successful-ai.html
2. https://www.cloudera.com/customers/regions-bank.html