רגע, רובוטריקים הם לא רק רובוטים? הנתונים יפוצצו את דעתך

אנשים שואלים אותי לעתים קרובות, "האם רובוטים ישתלטו על העבודה שלנו?" השאלה הזו נשמעת פשוטה, אבל היא מסתירה דאגה גדולה יותר: איך עסק יכול להשתמש באוטומציה מבלי לאבד את שיקול הדעת האנושי, איכות השירות או האמון? אני לא רואה ברובוטים תחליף לכל עובד. אני רואה בהם כלים למשימות שחוזרות על עצמן, מסוכנות או תובעניות פיזית. השאלה הטובה יותר היא לא, "רובוטים או אנשים?" זה, "אילו משימות צריכות לטפל במכונות, ואיפה אנשים צריכים להישאר בשליטה?" רובוט יכול להעביר מלאי על פני מחסן במשך שעות. זה יכול לבדוק את אותה מדידה שוב ושוב. זה יכול לעבוד באזורים שעלולים לחשוף אנשים לחום, כימיקלים או עומסים כבדים. הוא עדיין עלול להיאבק בחבילה שבורה, בקשת לקוח חריגה או מצב שאינו תואם את הוראותיו. אנשים מביאים הקשר, אכפתיות ושיפוט לאותם רגעים. במחסנים האוטומטיים של Ocado, רובוטים עוזרים להעביר הזמנות מכולת דרך המתקן. עובדים אנושיים עדיין תומכים בתכנון הזמנות, תחזוקה, בדיקות איכות ובעיות הנופלות מחוץ לתהליך הרגיל. המערכת פועלת כי למכונות ולאנשים יש תפקידים שונים. המאזן הזה מציע מודל שימושי לעסקים אחרים. ### התחל עם המשימה, לא המכונה לפני קניית רובוט, אני מפרט את העבודה שגורמת ללחץ הרב ביותר: - הרמה חוזרת - תנועה למרחקים ארוכים - ספירה ידנית - בדיקה בסיסית - ניקוי מסוכן - הזנת נתונים בתהליך קבוע רובוט עשוי לעזור כאשר משימה עוקבת אחר אותו דפוס. תהליך בהובלת אדם עשוי להיות טוב יותר כאשר העבודה תלויה בשיחה, בשיפוטיות או בתנאים משתנים. ### הגדר תפקיד אנושי ברור אוטומציה לא צריכה להסיר אחריות מהצוות. מישהו צריך לבדוק את הביצועים, להגיב לשגיאות ולהחליט מה קורה כאשר המערכת נתקלת במקרה חריג. אני מעדיף כלל ברור: הרובוט מטפל בחלק שניתן לחזור עליו, בעוד שאדם מיומן שולט בחריגים ובהשפעת הלקוח. גישה זו גם עוזרת לעובדים להבין מה משתנה. אנשים עשויים לדאוג פחות כאשר הם יכולים לראות כיצד המערכת החדשה תומכת בעבודתם במקום פשוט להחליף אותה. ### בדוק תהליך אחד בכל פעם פיילוט קטן יכול לחשוף בעיות שייתכן שמצגת מכירות לא תציג. עסק יכול למדוד: - זמן חסך - שיעורי שגיאות - צרכי תיקון ותחזוקה - שעות הדרכת צוות - תגובת הלקוח - חששות בטיחות התוצאות אמורות להנחות את ההחלטה הבאה. אם הרובוט יוצר יותר עבודה ממה שהוא מסיר, התהליך עשוי להזדקק לעיצוב חדש. ### הגן על חווית הלקוח אוטומציה לא אמורה להקשות על לקוחות להגיע לאדם. צ'אטבוט עשוי לענות על שאלת מסירה, אך ייתכן שחבר צוות יצטרך לטפל בהזמנה פגומה או בתלונה רגישה. אני תמיד שואל שאלה מעשית אחת: אם המערכת נכשלת, האם הלקוח עדיין יכול לקבל עזרה? תהליך גיבוי שימושי עשוי להיות פחות גלוי מהרובוט, אך לעתים קרובות הוא חשוב יותר. ### להכשיר אנשים לזרימת העבודה החדשה ייתכן שהעובדים יצטרכו לנטר ציוד, לקרוא התראות מערכת, לנהל נתונים או לפתור תקלות. ניתן ללמד מיומנויות אלו באמצעות מפגשים קצרים, מדריכים ברורים ותרגול בפיקוח. הכשרה גם נותנת לעובדים הזדמנות להצביע על סיכונים. האנשים שמשתמשים בתהליך מדי יום מבחינים לעתים קרובות בבעיות שמתכננים מפספסים. רובוטים יכולים לשנות את אופן העבודה, אבל הם לא מסירים את הצורך בהחלטות טובות. מכונה עשויה להשלים משימה במהירות ובעקביות. אנשים עדיין מגדירים את המטרה, בודקים את התוצאה ומחליטים מה ראוי לטיפול. אז כשמישהו שואל אותי אם רובוטים יחליפו אנשים, אני מציע לשאול שאלה טובה יותר: אילו חלקים בעבודה צריכים להפוך לקלים יותר, בטוחים יותר ואמינים יותר? זה המקום שבו לאוטומציה יש את התפקיד הכי שימושי.

החיים מדברים דרך דפוסים. חלבון כתוב כשרשרת של חומצות אמינו. DNA נושא רצפים המנחים כיצד תאים גדלים ומגיבים. הרשומות הרפואיות מכילות הערות, תוצאות בדיקות ולוחות זמנים. צורות הנתונים הללו נראות שונות, אך הן חולקות תכונה אחת: המשמעות תלויה לעתים קרובות ביחסים בין חלק אחד לרבים אחרים. שם נכנסים לתמונה דגמי שנאים. אני רואה בשנאים מערכות לקריאת תבניות. הם לא "מבינים את החיים" במובן האנושי. הם חוקרים אוספים גדולים של נתונים ביולוגיים או רפואיים ולומדים אילו אלמנטים נוטים להופיע יחד. זה יכול לעזור לחוקרים לשאול שאלות טובות יותר, להשוות אפשרויות ולצמצם את הזמן המושקע במיון מידע. הערך מגיע מהתהליך, לא מהבטחה שמודל יכול להחליף שיקול דעת מדעי. ## מה שנאי רואה בנתונים ביולוגיים שנאי קורא נתונים כרצף של אסימונים. בשפה, אסימון עשוי להיות מילה או חלק ממילה. בביולוגיה, זה יכול להיות בסיס DNA, חומצת אמינו, סוג תא או קטע של הערה רפואית. לאחר מכן המודל בוחן קשרים על פני הרצף. קטע DNA קצר עשוי להשפיע על אזור רחוק ממנו. חומצת אמינו ליד תחילתו של חלבון עשויה להשפיע על צורתו של קטע מאוחר יותר. סימפטום שתועד בביקור אחד עשוי להיות הגיוני יותר כאשר רואים אותו לצד תוצאות בדיקות קודמות. רובוטריקים יכולים לסקור קישורים אלה בקנה מידה גדול. הם משתמשים במנגנוני קשב כדי להקצות רמות שונות של מיקוד לחלקים שונים של הקלט. המודל אינו מתייחס לכל סמל כאל שימושי באותה מידה. גישה זו הפכה מודלים לשוניים שימושיים לביולוגיה מכיוון שרצפים ביולוגיים מכילים גם מבנה, חזרה והקשר. ## איך שנאים עוזרים לפענח חלבונים חלבונים בנויים מחומצות אמינו. הסדר שלהם משפיע על האופן שבו הם מתקפלים ועל האופן שבו הם מתקשרים עם מולקולות אחרות. חוקרים יכולים לאמן מודל על מסדי נתונים גדולים של רצפי חלבונים. המודל לומד תבניות מבלי להזדקק לתווית עבור כל רצף. כאשר הוא רואה חלק חסר או יוצא דופן, הוא מעריך מה עשוי להתאים בהתבסס על ההקשר שמסביב. זה לא אומר שהמודל יודע את תפקידו המלא של חלבון. חיזוי רצף הוא רמז מחקרי, לא תוצאת מעבדה. מודלים של שפת חלבונים יכולים לתמוך במשימות כגון: - השוואת רצפי חלבון קשורים - מציאת אזורים תפקודיים אפשריים - הערכת ההשפעה של כמה שינויים ברצף - קיבוץ חלבונים לפי דפוסים משותפים - בחירת מועמדים לבדיקות מעבדה דוגמה מעשית היא ESM, משפחה של מודלים של שפת חלבונים שפותחו על ידי חוקרים ב-Meta. מודלים אלה אומנו על אוספים גדולים של רצפי חלבון. הפלט שלהם יכול לעזור למדענים לחקור את מבנה החלבון ותפקודם, גם כאשר לחלבון יש מידע ניסיוני מוגבל. המעבדה עדיין חשובה. מודל עשוי להציע אילו מועמדים ראויים לתשומת לב, בעוד ניסויים בודקים אם התחזית מתקיימת. ## איך שנאים קוראים מידע גנטי נתונים גנומיים אינם מדריך הוראות פשוט. אותו רצף יכול להתנהג בצורה שונה בהתאם לסוג התא, התזמון והאותות הסובבים אותו. חוקרים משתמשים במודלים מבוססי שנאים כדי לחקור תחומים כגון: - ביטוי גנים - DNA רגולטורי - השפעות מוטציות - הבדלי סוג תאים - קשרים בין אזורים גנומיים מודל עשוי להיות מאומן לחזות האם רצף מקושר עם פעילות ביולוגית מסוימת. זה גם יכול להשוות דוגמאות ולזהות דפוסים הראויים למחקר נוסף. דוגמה אחת היא Enformer, מודל שנוצר על ידי חוקרים בגוגל ומוסדות שותפים כדי לחקור כיצד רצף DNA עשוי להתייחס לביטוי גנים. עבודתו מראה כיצד מודל יכול לבחון קטעים ארוכים של הקשר גנומי במקום להסתכל רק על אזור סמוך קטן. התוצאה אינה אבחנה. זוהי דרך ליצור שאלת מחקר הניתנת לבדיקה. ## כיצד שנאים תומכים בניתוח רשומות רפואיות מידע רפואי מתפזר לרוב במקומות רבים. למטופל עשויות להיות תוצאות בדיקה במערכת אחת, הערות במערכת אחרת ופרטי תרופות ברשומה נפרדת. שנאי יכול לעזור לארגן מידע זה על ידי זיהוי: - תאריכים ואירועים - אזכורים לתרופות - תסמינים - תוצאות בדיקות - שינויים בטיפול - קשרים בין ביקורים. זה יכול להפחית את המיון הידני עבור משימות מחקר או ניהול מאושרות. הייתי משתמש במערכת כזו בתור עוזר קריאה, לא כמקבל ההחלטות הסופי. ייתכן שרופא יצטרך לבדוק את הערת המקור, לאשר את התאריך ולבדוק את ההקשר המלא של המטופל. מודל יכול לפספס שלילה, לא להבין את הקיצור או לחבר שני אירועים שנראים רק קשורים. לדוגמה, פתק עשוי לומר, "המטופל מכחיש כאבים בחזה." מערכת רשלנית יכולה להתייחס ל"כאב בחזה" כסימפטום מאושר. בדיקה טובה חייבת למדוד שגיאות אלו לפני השימוש בכלי בזרימת עבודה קלינית. ## דרך מעשית להעריך שנאי של מדעי החיים הייתי עוקב אחר תהליך ברור. ### 1. הגדירו את שאלת המחקר הימנע מלתת ב"מה בינה מלאכותית יכולה לעשות?" שאל שאלה צרה יותר: האם המודל יכול לסווג משפחות חלבונים? - האם זה יכול לזהות דפוסי ויסות גנים סבירים? - האם זה יכול לארגן הערות קליניות לפי אירוע? - האם זה יכול לעזור בבחירת מועמדים למעבדה? שאלה צרה הופכת את התוצאה לקלה יותר לבדיקה. ### 2. בדוק את מקור הנתונים המודל לומד מנתוני ההדרכה שלו. אם הנתונים אינם שלמים, מיושנים, מוטים או מסומנים בצורה גרועה, הפלט עלול לשאת את אותן בעיות. הייתי רושם: - מאיפה הנתונים הגיעו - אילו קבוצות או דגימות הם מייצגים - איזה מידע חסר - איך נוצרו תוויות - האם נתונים פרטיים מטופלים בצורה בטוחה גם נתונים ביולוגיים צריכים טיפול זהיר מכיוון שמידע גנטי יכול להיות רגיש. ### 3. צור נקודת השוואה יש להשוות מודל עם שיטה פשוטה, כלי קיים או סקירת מומחה. זה עוזר לענות על שאלה שימושית: האם השנאי מוסיף ערך, או שהוא רק מוסיף מורכבות? מודל סטטיסטי בסיסי עשוי לעבוד היטב עבור מערך נתונים קטן ונקי. שנאי עשוי להיות שימושי יותר כאשר הרצף ארוך ומערכות היחסים מפוזרות על פני עמדות מרוחקות. ### 4. בדיקה עם נתונים שהמודל לא ראה תוצאה חזקה על נתוני אימון אומרת מעט על דגימות חדשות. הייתי מפריד את הנתונים לקבוצות הדרכה, אימות ובדיקות. עבור עבודה רפואית או גנטית, הייתי גם בודק ביצועים באוכלוסיות שונות, מוסדות ומצבי דגימה שונים. מודל שעובד בבית חולים אחד עשוי להופיע אחרת בבית חולים אחר מכיוון שסגנונות הכתיבה, הציוד וקבוצות המטופלים משתנים. ### 5. סקור שגיאות לפי סוג ציון ממוצע יכול להסתיר טעויות חמורות. הייתי בוחן: - חיובי כוזב - שליליים כוזבים - ערכים חסרים - מצבים נדירים - רצפים חריגים - רשומות סותרות המטרה היא לא לגרום לכל פלט להישמע בטוח. המטרה היא להבין מתי המערכת שימושית ומתי אדם חייב לבדוק אותה. ## איפה שאנשים עדיין חשובים רובוטריקים יכולים לעבד דפוסים בקנה מידה שקשה לאדם אחד לנהל. הם אינם מחליפים את הצורך בידע בתחום. ביולוג מבין איזו תוצאה כדאי לבדוק. קלינאי סוקר את מצבו וההיסטוריה של המטופל. יועץ גנטי מסביר אי ודאות והשפעות אישיות אפשריות. מומחה נתונים בודק אם המודל לומד אות אמיתי או קיצור דרך נסתר. אני סומך יותר על מערכות אלו כאשר הן מציגות מגבלות, מספקות תשומות שניתן לעקוב בהן ומתאימות לתהליך סקירה. תחזית ללא הקשר יכולה להוביל אנשים לכיוון הלא נכון. השימוש הטוב ביותר בשנאי הוא לרוב שקט. זה עשוי לעזור לחוקר לצמצם רשימה מאלפי רצפים לקבוצה קטנה יותר. זה עשוי לעזור לצוות למצוא הערות רלוונטיות במערך שיא גדול. זה עשוי לחשוף דפוס שאדם יכול לבדוק בשיטות מבוססות. זוהי השקפה שימושית יותר של "פענוח חיים". רובוטריקים אינם מתרגמים ביולוגיה לתשובות פשוטות. הם עוזרים לאנשים לבחון מערכות יחסים בתוך נתונים שקשה יהיה לסקור אותם ביד. הפלט שלהם הופך לבעל ערך כאשר השאלה ברורה, הנתונים נבדקים, התוצאה נבדקת, והשיפוט האנושי נשאר חלק מהתהליך.

רוב האנשים רואים בינה מלאכותית כלי שכותב מיילים, עונה על שאלות או יוצר תמונות. אני רואה משהו שימושי יותר: AI יכול לחשוף דפוסים שקשה להבחין בהם כשאני עסוק, מוסח או קרוב מדי לבעיה. הכוח החבוי הזה לא נובע מהפקת מילים נוספות. זה נובע מכך שעוזר לי להשוות מידע, לבדוק רעיונות, לזהות פערים ולהפוך מחשבות מעורפלות לצעדים הבאים ברורים. הערך תלוי איך אני משתמש בו. הנחיה חלשה לרוב יוצרת תוצאה חלשה. מטרה ברורה, הקשר שימושי וסקירה אנושית יכולים להפוך בינה מלאכותית לשותף חשיבה מעשי. ### בינה מלאכותית יכולה להראות לי מה חסר לי כשאני עובדת על פרויקט, אני מתמקדת לעתים קרובות במשימה שלפניי. אני עשוי לערוך דף מוצר, לענות על שאלות לקוחות או לתכנן קמפיין שיווקי. AI יכול לסקור את אותו החומר מזווית אחרת. אני יכול לשאול: - אילו שאלות עדיין עשויות להיות ללקוח חדש? - אילו חלקים נשמעים לא ברורים? - איזה מידע חסר? - אילו התנגדויות יכול קונה להעלות? - אילו טענות זקוקות להוכחה? - איפה המסר נשמע רחב מדי? הנחיות אלו אינן מבקשות מ-AI לקבל את ההחלטה הסופית. הם מבקשים ממנו לחפש כתמים עיוורים. בעל עסק קטן עשוי להשתמש בשיטה זו לפני פרסום דף שירות. הדף עשוי להסביר היטב את השירות, אך לא אומר דבר על זמן אספקה, תמיכה, תשלום או מה קורה לאחר הרכישה. לקוח מבחין בפערים הללו במהירות. ייתכן שהבעלים לא יבחין בהם כי השירות מרגיש מוכר. AI יכול להתנהג כמו קורא חיצוני. זה לא מחליף מחקר לקוחות, אבל זה יכול לעזור להכין שאלות טובות יותר. ### בינה מלאכותית יכולה להפוך הערות מפוזרות למבנה שימושי. לעתים קרובות אני אוסף רעיונות במקומות שונים: פתק טלפון, מסמך פגישה, שרשור אימייל וגיליון אלקטרוני. המידע עשוי להיות שימושי, אך קשה לראות את הצורה. בינה מלאכותית יכולה לקבץ את החומר לנושאים כגון: - בעיות חוזרות ונשנות של לקוחות - בקשות מוצר נפוצות - שאלות שצריכות תשובה - משימות שעלולות להתעכב - סיכונים הדורשים סקירה אנושית - רעיונות שעשויים להזדקק לעוד ראיות לדוגמה, חנות מקוונת קטנה עשויה לקבל עשרים הודעות לקוחות בשבוע אחד. מספר לקוחות עשויים להשתמש במילים שונות כדי לתאר את אותה בעיה: "איפה ההזמנה שלי?" "אפשר לעקוב אחר משלוח?" ו"האם החבילה שלי נשלחה?" AI יכול לקבץ את ההודעות האלה תחת נושא אחד, כגון עדכוני מסירה. לאחר מכן, בעל החנות יכול לשפר את דוא"ל ההזמנה, להוסיף קטע מעקב או לעדכן את דף העזרה. היתרון הוא לא רק מהירות. הבעלים יכול לראות ששאלה חוזרת עלולה להצביע על בעיה בתהליך. ### בינה מלאכותית הופכת שימושית יותר כאשר אני נותן לה תפקיד בקשה רחבה מייצרת לעתים קרובות תשובה רחבה. "שפר את הדף הזה" נותן AI מעט כיוון. בקשה טובה יותר מסבירה את הקהל, המטרה והגבולות. אני עשוי לכתוב: > סקור את דף המוצר הזה כלקוח בפעם הראשונה. זהה טענות לא ברורות, פרטים חסרים ושאלות שעלולות לעצור רכישה. אל תכתוב עדיין את הדף מחדש. תן לכל נושא הסבר קצר. הנחיה זו יוצרת משימה ברורה. לאחר מכן אני יכול לבקש מעבר שני: > שכתוב את הדף עבור קורא ללא רקע טכני. השאר את הטענות העובדתיות ללא שינוי. השתמש בפסקאות קצרות, באנגלית פשוטה ובטון רגוע. הגישה הדו-שלבית עובדת טוב יותר מאשר לבקש שכתוב מלא בבת אחת. אני יכול לבדוק את הבעיות לפני שאני מקבל שינויים כלשהם. פרטים שימושיים שיש לכלול בהנחיה הם: 1. קורא היעד 2. מטרת התוכן 3. מידע המקור 4. הטון 5. הפורמט 6. הגבולות 7. הנקודות שצריכות אישור אנושי ככל שאני מספק יותר הקשר רלוונטי, כך אני מקדיש פחות זמן לתיקון הנחות. ### AI יכול לבדוק רעיונות לפני שאני משקיע זמן רעיונות רבים נשמעים טוב כשאני חושב עליהם לבד. סקירה מהירה יכולה לחשוף נקודות תורפה לפני שאני מוציא כסף או זמן צוות. אני יכול לבקש מבינה מלאכותית לבחון רעיון מכמה תפקידים: - לקוח שיש לו זמן מוגבל - עובד תמיכה שחייב לענות על תלונות - מנהל כספים בודק עלויות - מנהל בוחן סיכוני מסירה - מתחרה שמשווה את ההצעה - אדם שלא מבין את מונחי התעשייה השיטה הזו עוזרת לי לראות פשרות. דמיינו בית קפה מתכנן מנוי למשלוח קפה שבועי. הרעיון עשוי למשוך לקוחות קבועים, אך הוא גם יוצר שאלות לגבי אזורי משלוח, שבועות שדילגו, החזרים כספיים, אריזה ושינויי תשלום. AI יכול לרשום את השאלות האלה לפני שבית הקפה בונה את המערכת. העסק עדיין זקוק למשוב לקוחות ולבדיקות פיננסיות. AI רק עוזר ליצור סקירה רחבה יותר. ### בינה מלאכותית יכולה למצוא דפוסים בשפת הלקוח ניסוח הלקוח מכיל אותות שימושיים. אנשים לא יכולים להשתמש באותו מונח כמו חברה. עסק עשוי לתאר מוצר כ"ניטור אנרגיה ביתי", בעוד שלקוחות מחפשים "איך להוריד את חשבון החשמל שלי". אם אתר אינטרנט משתמש רק בביטוי העסקי, הוא עלול לפספס את השפה שאנשים משתמשים בהם כשהם צריכים עזרה. אני יכול לבקש מ-AI לסקור ביקורות של לקוחות, הודעות תמיכה ושאילתות חיפוש. המשימה יכולה להתמקד במילים חוזרות, חששות ותוצאות רצויות. הנחיה פשוטה יכולה להיות: > קבץ את הערות הלקוחות האלה לפי בעיה, תוצאה רצויה ודאגה רגשית. שמור ציטוטים ישירים נפרדים מהפרשנות שלך. ההבחנה הזו חשובה. ציטוט ישיר מראה מה אדם אמר. פרשנות היא משמעות אפשרית. ערבוב בין השניים יכול להוביל להחלטות גרועות. התוצאות עשויות לעזור עם כותרות דפים, מאמרי עזרה, תיאורי מוצרים או סקריפטים לתמיכה. תביעות עדיין צריכות לבדוק מול המוצר בפועל. ### בינה מלאכותית זקוקה לגבולות בינה מלאכותית יכולה לייצר תשובה בטוחה המכילה שגיאה. זה גם עלול להמציא מקור, לא להבין בקשה או לפספס פרט מוסתר במסמך. אני משתמש בתהליך סקירה קצר: - בדוק שמות, תאריכים, דמויות וקישורים. - השוו טענות עם המקור המקורי. - הסר הבטחות שלא ניתן לתמוך בהן. - בקשו לסמן אי ודאות. - שמור על נתוני לקוחות ועסק פרטיים מוגנים. - סקירת טון לפני הפרסום. - בדוק את ההודעה הסופית עם קורא אמיתי. אני גם נמנע מלבקש מבינה מלאכותית לקבל החלטות הדורשות שיפוט משפטי, רפואי, פיננסי או אישי ללא ביקורת אנושית מוסמכת. תשובה חלקה אינה הוכחה לכך שהתשובה בטוחה או נכונה. ### ההשקפה המעשית שלי כוח העל החבוי של AI הוא לא שהוא יודע הכל. תפקידו השימושי קרוב יותר לקבוצת עיניים שנייה. זה יכול להשוות, לקבץ, להטיל ספק ולעצב מחדש מידע בזמן שאני מתמקד בשיפוט ובאחריות. אני מקבל תוצאות טובות יותר כשאני משתמש בבינה מלאכותית בשלוש נקודות: לפני שאני מתחיל, בזמן שאני מארגן מידע ולפני שאני מפרסם או פועל. בכל נקודה אני נותן לה משימה צרה ובודק את התוצאה בעצמי. זרימת העבודה החזקה ביותר היא לא "תנו לבינה מלאכותית לעשות הכל". זה "תן ל-AI לעזור לי לשים לב יותר, להחליט עם מידע טוב יותר ולתקשר עם פחות בלבול."

פעם חשבתי שמכונות שלומדים שייכות למעבדות מחקר ולחברות טכנולוגיה גדולות. ואז שמתי לב אליהם בשגרת היומיום שלי: מסנני דואר זבל ממיינים אימייל, אפליקציות מפות שמעריכות את זמן הנסיעה, שירותי סטרימינג המציעים הופעות ובנקים בודקים עסקאות חריגות. למידת מכונה היא לא מכונה שחושבת כמו אדם. זוהי מערכת שחוקרת נתונים, מוצאת דפוסים ומשתמשת בדפוסים הללו כדי לבצע חיזוי או החלטה. איכות התפוקה שלו תלויה בנתונים, במטרה ובדרך שבה אנשים מנטרים אותם. ## מה זה אומר כשמכונה לומדת? תוכנת מחשב מסורתית עוקבת אחר כללים שנכתבו על ידי מפתח. לדוגמה: - אם הודעת דואר אלקטרוני מכילה מילה מסוימת, סמן אותה כדואר זבל. - אם לקוח מוציא יותר מסכום מוגדר, שלח התראה. - אם הטמפרטורה עוברת גבול, עצור את המכונה. מערכת למידת מכונה לוקחת דרך אחרת. אנשים נותנים לזה דוגמאות, והמערכת בונה דפוס מהדוגמאות האלה. מסנן דואר זבל עשוי לסקור הודעות דוא"ל רבות המסומנות כ"ספאם" או "לא דואר זבל". הוא יכול ללמוד ששילובים מסוימים של מילים, קישורים, פרטי שולח ודפוסי הודעות מופיעים לעתים קרובות בדואר לא רצוי. כאשר מגיע מייל חדש, המערכת מעריכה לאיזו קבוצה הוא שייך. המכונה לא מבינה כל הודעה באותו אופן שבו אדם מבין. הוא מחשב תוצאה על סמך דפוסים. ## מדוע עסקים משתמשים בלמידת מכונה לעתים קרובות אני רואה חברות אוספות כמויות גדולות של מידע אך נאבקות להשתמש בו היטב. לצוות מכירות עשויים להיות רישומי רכישה של שנים, הודעות תמיכה, ביקורים באתר וביקורות על מוצרים. מודל למידת מכונה יכול לעזור להפוך חלק מהמידע הזה לאותות שימושיים. שימושים נפוצים כוללים: - חיזוי ביקוש למוצר - מיון בקשות לקוחות - זיהוי תשלומים חריגים - המלצה על תוכן - בדיקת תמונות לאיתור פגמים גלויים - הערכת זמני אספקה ​​- תמיכה בצוותי שירות לקוחות - זיהוי ציוד שעשוי להזדקק לבדיקה קמעונאי, למשל, יכול ללמוד מכירות עבר, נתוני מזג אוויר, חגים ודפוסי קנייה מקומיים. המודל עשוי לעזור להעריך כמה מוצרים יכולה כל חנות להזדקק. אנשי הצוות עדיין מקבלים את החלטות ההיצע הסופיות, במיוחד כאשר אירוע חריג משפיע על הביקוש. ## דוגמה פשוטה משירות הלקוחות תארו לעצמכם שאני מנהל חנות מקוונת שמקבלת מאות הודעות תמיכה בכל יום. לקוחות עשויים לשאול לגבי: - סטטוס משלוח - החזרות - הגדרת מוצר - בעיות תשלום - סחורה פגומה כלי למידת מכונה יכול למיין את ההודעות הללו לפי קטגוריות. זה עשוי לשלוח שאלות משלוח לצוות המשלוח ושאלות תשלום לצוות החיוב. עובד תמיכה יכול אז להשקיע פחות זמן בפתיחה ובתיוג של כל הודעה. זה לא מבטל את הצורך בתמיכה אנושית. הודעה יכולה להכיל מספר בעיות, להשתמש בשפה לא ברורה או לתאר מצב רגיש. המערכת עשויה להקצות את הקטגוריה הלא נכונה. הייתי מקיים תהליך בדיקה ונותן לצוות לתקן את התוצאות. תיקונים אלה יכולים להפוך לנתוני אימון חדשים, אם כי יש לטפל במידע אישי בזהירות. ## איך עובד פרויקט למידת מכונה פרויקט שימושי מתחיל בדרך כלל בשאלה עסקית ברורה. ### 1. הגדר את המשימה "אני רוצה להשתמש בבינה מלאכותית" היא רחבה מדי. שאלה ברורה יותר תהיה: - אילו לקוחות עשויים להזדקק לעזרה בהתקנה? - אילו חשבוניות מכילות פרטים חריגים? - אילו מוצרים עשויים להימכר פחות בחודש הבא? - אילו כרטיסי תמיכה זקוקים למענה אנושי? המשימה צריכה להתחבר להחלטה שמישהו כבר צריך לקבל. ### 2. איסוף נתונים מתאימים הנתונים צריכים להתאים למשימה. אם אני רוצה להעריך את זמן האספקה, ייתכן שאזדקק ל: - רישומי משלוח קודמים - מרחק - שיטת משלוח - גודל הזמנה - תנאי מזג אוויר - מיקום המחסן - אזור אספקה ​​מערך נתונים גדול אינו מבטיח מודל שימושי. רשומות חסרות, תוויות שגויות, ערכים כפולים ומידע ישן עלולים להשפיע על התוצאה. ### 3. הכן את המידע שאנשים עשויים להזדקק להם כדי להסיר רשומות כפולות, לתקן שגיאות ברורות ולטפל בערכים חסרים. ייתכן שיהיה צורך להמיר טקסט לפורמט שהמערכת יכולה לעבד. תמונות עשויות לדרוש גדלים ותוויות עקביים. שלב זה דורש לרוב יותר מאמץ ממה שאנשים מצפים. מודל יכול לעבד נתונים במהירות, אבל הוא לא יכול לתקן כל החלטת נתונים גרועה בעצמו. ### 4. אימון המודל המערכת בוחנת דוגמאות ומתאימה את ההגדרות הפנימיות שלה. המטרה היא ליצור דפוס שיכול לעבוד על נתונים חדשים, לא רק לחזור על הדוגמאות שהוא כבר ראה. לדוגמה, דגם שהוכשר לזהות חבילות פגומות צריך לסקור תמונות חבילות רבות מזוויות ותנאי תאורה שונים. אם כל תמונת הכשרה מגיעה ממחסן אחד וממצלמה אחת, הדגם עשוי להתפקד פחות טוב במיקום אחר. ### 5. בדוק את התוצאות הייתי בודק את המודל עם נתונים שהוא לא השתמש בו במהלך האימון. שאלות שימושיות כוללות: - באיזו תדירות המודל נכון? - אילו סוגי שגיאות מופיעים? - האם זה עובד עבור קבוצות לקוחות שונות? - כמה התראות שווא זה יוצר? - מה קורה כאשר הנתונים אינם שלמים? - האם העובדים יכולים להבין את הסיבה להמלצה? ציון בודד אינו מספר את כל הסיפור. בזיהוי הונאה, התראה כוזבת עלולה לעכב תשלום תקף. מקרה שתפספס עלול לאפשר לעסקה חשודה לעבור. המדד הנכון תלוי בעלות של כל שגיאה. ### 6. מעקב אחר המערכת לאחר ההשקה מודל יכול להשתנות בערכו ככל שהתנהגות הלקוח, המוצרים, המחירים או תנאי השוק משתנים. מודל ביקוש שאומן על הרגלי קנייה ישנים עלול להיאבק לאחר שינוי גדול במוצר. מודל הונאה עשוי להזדקק לבדיקה כאשר התנהגות התשלום משתנה. מודל שפה עשוי להגיב אחרת כאשר משתמשים משנים את אופן הכתיבה. הייתי עוקב אחר ביצועים, מתעד משוב משתמשים ומגדיר תהליך ברור לבדיקה. למידת מכונה היא מערכת עובדת, לא התקנה חד פעמית. ## דוגמה מעשית: תחזוקת מכונות מפעל עשוי להשתמש בחיישנים כדי לתעד רטט, חום, לחץ וזמן פעולה. מודל למידת מכונה יכול להשוות את האותות הללו לרישומי תחזוקה קודמים. אם תבניות מסוימות הופיעו לפני שמנוע נזקק לשירות, המערכת עשויה להתריע לטכנאי כאשר דפוסים דומים מתרחשים שוב. ההתראה לא מוכיחה שהמנוע יכשל. זה נותן לצוות סיבה לבדוק את הציוד. זה יכול לעזור להפחית זמן השבתה בלתי צפוי תוך שמירה על מעורבות של אדם בהחלטה. התוצאה תלויה באיכות החיישן וברישומי התחזוקה. אם טכנאים לא תיעדו תקלות קודמות בצורה מדויקת, למודל יש מידע פחות שימושי ללמוד ממנו. ## לאילו מכונות שלומדים לא מצליחות למידת מכונה יש מגבלות שיש לדון בהן לפני תחילת פרויקט. מודל עשוי: - לחזור על דפוסים לא הוגנים בנתונים ישנים - לייצר תשובה בטוחה ושגויה - להיאבק באירועים נדירים - לקרוא שפה לא ברורה - לעבוד טוב בבדיקות אך בשימוש יומיומי גרוע - להיות תלוי בנתונים שקשה לאסוף - ליצור סיכוני פרטיות אם המידע מטופל ברשלנות. אני לא מתייחס לתחזית כאל עובדה. אני מתייחס לזה כאל קלט אחד להחלטה. גישה זו חשובה בגיוס עובדים, הלוואות, בריאות, חינוך ותחומים אחרים שבהם תוצאה לא נכונה עלולה להשפיע על חייו של אדם. סקירה אנושית, רישומים ברורים ודרך לערער על החלטה יכולים להפוך את התהליך לבטוח יותר. ## איך לבחור פרויקט למידת מכונה הייתי מתחיל במשימה קטנה שיש לה תוצאה ברורה ומקור נתונים אמין. פרויקט התחלתי טוב עשוי: - להפחית את עבודת המיון החוזרת על עצמה - לעזור לצוות למצוא מידע - להעריך פעילות עסקית מדידה - לתמוך בבדיקה או בדיקות איכות - לספק המלצות שעובדים יוכלו לבדוק. הצוות צריך להסכים על הצלחה לפני בניית משהו. חיסכון בזמן לצוות, הפחתת שגיאות, שיפור מהירות התגובה או סיוע ללקוחות למצוא מידע רלוונטי הם אמצעים אפשריים. המדד צריך להיות ספציפי מספיק כדי לבדוק. ## ההשקפה שלי על מכונות שלומדים השימוש החזק ביותר בלמידת מכונה אינו החלפת כל משימה אנושית. מדובר בסיוע לאנשים להבחין בדפוסים, להתמודד עם עבודה חוזרת ולקבל החלטות עם מידע טוב יותר. אנשים עדיין מגדירים את המטרה. אנשים בוחרים את הנתונים. אנשים בודקים את השגיאות. אנשים מחליטים אם התפוקה מתאימה למצב. כאשר אני מעריך מערכת למידת מכונה, אני שואל שלוש שאלות פשוטות: 1. איזו בעיה היא פותרת? 2. באיזה מידע הוא משתמש? 3. מה יעשה אדם כשהתוצאה לא נכונה? אם לשאלות האלה יש תשובות ברורות, לפרויקט יש בסיס טוב יותר. אם לא, הוספת מודל מורכב יותר עשויה רק ​​להפוך את הבעיה לקשה יותר לראות.

עבור אנשים רבים, טכנולוגיה עדיין פירושה מסגרות מתכת, לוחות מעגלים, סוללות ומסכים. אני רואה כל יום צד אחר של זה: החלק שעוזר לאנשים לעבוד, לתקשר, ללמוד ולפתור בעיות קטנות בפחות מאמץ. מכשיר עשוי להיראות מרשים על שולחן העבודה, אך ערכו תלוי במה שקורה לאחר הפעלתו. האם זה יכול לחסוך זמן? האם אנשים יכולים להשתמש בו ללא הכשרה ארוכה? האם זה משתלב בשגרה היומיומית? שאלות אלו חשובות יותר מצורת המוצר. אני מאמין שטכנולוגיה טובה צריכה להרגיש שימושית לפני שהיא מרגישה מרגשת. מוצר שפותר בעיה אמיתית כאשר אני מעריך מוצר חדש, אני מתחיל בשגרה של המשתמש. ייתכן שבעל עסק קטן לא יזדקק למערכת מלאה בהגדרות מתקדמות. ייתכן שהם צריכים דרך פשוטה לעקוב אחר הזמנות, לענות על שאלות לקוחות ולבדוק מלאי ממקום אחד. ייתכן שמורה לא צריך את הטאבלט החזק ביותר. הם עשויים להזדקק למסך אמין, שיתוף קבצים קל, וכלים התומכים בתלמידים עם צורכי למידה שונים. זה המקום שבו הטכנולוגיה עוברת מעבר למתכת ולמעגלים. המוצר הפיזי הוא רק חלק אחד מהחוויה. החלקים האחרים כוללים תוכנה, שירות, הדרכה, אבטחה ותמיכה. מוצר שימושי מכבד את זמנו של המשתמש. זה לא מאלץ אנשים ללמוד תכונות שאולי לעולם לא ישתמשו בהן. עיצוב שעוקב אחר התנהגות אנושית אני מקדיש תשומת לב רבה למה שאנשים עושים, לא רק למה שהם אומרים. לקוח עשוי לטעון שהוא רוצה אפשרויות רבות. כאשר הם משתמשים במוצר, אפשרויות רבות מדי עלולות להאט אותם. תפריט ברור, טקסט קריא והוראות פשוטות יוצרים לרוב חוויה טובה יותר מאשר רשימה ארוכה של פונקציות. פעם עבדתי עם צוות קמעונאי קטן שהשתמש בכלים נפרדים לרישומי מכירות, הודעות לקוחות ועדכוני מלאי. הצוות בילה חלק מכל יום בהעתקת מידע ממערכת אחת לאחרת. הבעיה לא הייתה מחסור בטכנולוגיה. הבעיה הייתה חיבור לקוי בין הכלים. לאחר שהצוות עבר לזרימת עבודה פשוטה יותר, העובדים יכלו לעדכן רשומות במהלך משימות רגילות. הם לא היו צריכים להזין את אותו המידע מספר פעמים. השינוי לא היה דרמטי מבחוץ, אבל הוא צמצם את הבלבול ונתן לצוות יותר זמן לדבר עם הלקוחות. הניסיון הזה עיצב את דעתי: טכנולוגיה טובה צריכה להסיר חיכוך מתהליך, לא להוסיף עוד שכבה של עבודה. אמון חייב להיות מובנה במוצר גם לאנשים אכפת ממה שקורה למידע שלהם. מכשיר מחובר עשוי לאסוף נתוני שימוש, פרטי מיקום, פרטי חשבון או רישומי תשלום. למשתמשים מגיע הסבר ברור מה נאסף ומדוע הוא נחוץ. הם אמורים להיות מסוגלים למצוא הגדרות פרטיות מבלי לחפש בדפים מבלבלים. אבטחה היא לא רק בעיה טכנית. זה חלק מטיפול בלקוחות. חברה יכולה לתמוך באמון על ידי שימוש בהגנה חזקה על חשבון, אספקת עדכוני תוכנה והסבר על שינויים בשפה פשוטה. זה יכול גם להציע דרך ברורה ליצור קשר עם התמיכה כאשר למשתמש יש בעיה. אף מוצר לא יכול להסיר כל סיכון. תקשורת כנה עוזרת לאנשים לעשות בחירות מושכלות. טכנולוגיה התומכת במשתמשים שונים אנשים משתמשים במוצרים בדרכים שונות. לחלקם יש ראייה מוגבלת. חלקם מסתמכים על קוראי מסך. אחרים צריכים כתוביות, שליטה קולית, טקסט גדול יותר או פחות שלבים בדף. אין להתייחס לנגישות כאל תכונה נוספת עבור קבוצה קטנה. לעתים קרובות זה משפר את החוויה לכולם. קלט קולי יכול לעזור לאדם עם מוגבלות, אבל זה יכול לעזור גם למי שמבשל, נוהג בבטחה או נושא ארגזים. ראיתי צוותים משפרים שירות פשוט על ידי בדיקתו עם אנשים מחוץ לפרופיל הלקוחות הרגיל שלהם. עמוד שנראה קל לצוות העיצוב הפך לקשה עבור משתמשים עם טלפונים ישנים יותר או חיבורי אינטרנט איטיים יותר. לאחר התאמה של הפריסה, השירות נעשה קל יותר לשימוש בכל בסיס הלקוחות. משוב אמיתי חושף לעתים קרובות בעיות שביקורות פנימיות מחמיצות. דרך מעשית לבחור טכנולוגיה טובה יותר כאשר אני משווה מוצרים, אני משתמש בתהליך פשוט: 1. אני מגדיר את הבעיה. אני כותב מה צריך לשפר. "אנחנו צריכים תוכנה חדשה" הוא רחב מדי. "אנחנו צריכים לצמצם את הזנת ההזמנות הידנית" נותן לצוות יעד ברור. 2. אני מזהה את המשתמשים האמיתיים. ייתכן שהקונה אינו המשתמש היומיומי. מנהל יכול לבחור את המערכת, בעוד העובדים מטפלים בה במשך מספר שעות בכל יום. לשתי הקבוצות צריך להיות קול. 3. אני בודק את זרימת העבודה הבסיסית. אני מבקש מהמשתמשים לבצע משימות נפוצות. האם הם יכולים ליצור חשבון, למצוא תכונה, לתקן שגיאה וליצור קשר עם התמיכה? פעולות אלו מציגות יותר מאשר חוברת מוצר. 4. אני בודק את העלות המלאה. מחיר הרכישה הוא רק חלק אחד מהתקציב. הדרכה, תחזוקה, שדרוגים, אחסון נתונים ותמיכה עשויים להשפיע על העלות הכוללת. 5. אני בודק נתונים והגדרות אבטחה. אני מחפש בקרות הרשאות ברורות, מדיניות עדכון, אפשרויות גיבוי והגנה על חשבון. מוצר אמור להקל על שימוש בטוח. 6. אני מתכנן לשימוש יומיומי. כלי שעובד במהלך הדגמה עשוי שלא להתאים ליום עבודה עמוס. אני בודק איך הוא מתפקד בתנאים רגילים, עם קבצים אמיתיים, משתמשים אמיתיים והפרעות נפוצות. גישה זו עוזרת לי להימנע מבחירת מוצר המבוסס רק על מראה חיצוני או רשימת תכונות ארוכה. הערך ממשיך לאחר הרכישה השקת מוצר אינה סוף חווית הלקוח. זו הנקודה שבה מתחיל השימוש האמיתי. אנשים צריכים הוראות הגדרה ברורות, דפי עזרה שימושיים ותמיכה שמבינה את הבעיה. שיפורים קטנים יכולים לעשות הבדל גדול. מדריך קצר שנכתב באנגלית פשוטה עשוי לעזור יותר ממסמך טכני ארוך. הודעת שגיאה מעוצבת היטב יכולה למנוע בקשת תמיכה. חברות צריכות להקשיב גם לאחר השחרור. ביקורות, כרטיסי תמיכה וראיונות משתמשים יכולים לחשוף מה צריך לשנות. מוצר המשתפר באמצעות משוב כנה צפוי להישאר שימושי ככל שצורכי הלקוח מתפתחים. מעבר למתכת ולמעגלים, הטכנולוגיה הופכת לחלק מההרגלים של אנשים. זה משפיע על האופן שבו הם עובדים, לומדים, קונים, מטיילים ומתחברים לאחרים. התפקיד הזה מביא אחריות. אני מחפש מוצרים שפותרים בעיה ברורה, מכבד את פרטי המשתמש, תומכים בצרכים שונים ונשארים מעשיים לאחר הרכישה. הבחירה הטובה ביותר היא לא תמיד המוצר עם הכי הרבה תכונות. לעתים קרובות הוא זה שאנשים יכולים להבין, לסמוך עליו ולהשתמש בו ללא מאמץ מיותר.

נתונים משנים את האופן שבו אני עובד, קונה, מטייל ומקבל החלטות. עסק קטן יכול ללמוד אילו מוצרים מושכים תשומת לב. בית חולים יכול לעקוב אחר דפוסי המטופלים. עיר יכולה ללמוד תנועה ולהתאים את התחבורה הציבורית. האתגר הוא לא כמות הנתונים. האתגר הוא לדעת אילו נתונים חשובים, כיצד להשתמש בהם וכיצד להגן על האנשים שמאחוריהם. ראיתי חברות אוספות דוחות גדולים שלעולם אינם מנחים החלטה מועילה. יחד עם זאת, רישום מכירות פשוט יכול לגלות שלקוחות מעדיפים מוצר במהלך עונה מסוימת, ממיקום מסוים או לאחר קריאת עמוד מסוים. מהפכת הנתונים הופכת שימושית כאשר מידע מוביל לפעולה ברורה. ### מה השתנה עסקים הסתמכו פעם על סקרים, רישומי נייר וניסיון אישי. למקורות אלה עדיין יש ערך, אך הם מציעים רק תצוגה מוגבלת. כיום, חברה עשויה לאסוף: - ביקורים באתר - שאילתות חיפוש - היסטוריית רכישות - הודעות שירות לקוחות - סקירות מוצרים - רשומות משלוח - פעילות באפליקציה לנייד - קריאות חיישנים - תגובות ברשתות חברתיות מידע זה יכול להראות מה אנשים עושים, לא רק מה הם אומרים שהם יעשו. נטפליקס מציעה דוגמה מוכרת. נתוני הצפייה שלו עוזרים לחברה להבין במה משתמשים צופים, מתי הם מפסיקים לצפות ואילו סוגי תוכן מושכים תשומת לב. הנתונים אינם מחליפים עבודה יצירתית. זה נותן לצוותים מידע נוסף כשהם בוחרים מה לייצר, להציג או להמליץ. קמעונאי מקומי יכול להשתמש באותו רעיון בקנה מידה קטן יותר. יכול להיות ששמתי לב שמבקרים קוראים מדריכי מוצרים לפני שהם יוצרים קשר עם החנות. הדפוס הזה מצביע על צורך בפרטי מוצר ברורים יותר, לא רק בפרסום רב יותר. ### נקודות הכאב מאחורי השימוש בנתונים עסקים רבים מתמודדים עם בעיות דומות. הם אוספים נתונים מכמה כלים, אך המספרים אינם תואמים. פלטפורמת מכירות עשויה להציג תוצאה אחת בעוד שחשבון פרסום מציג תוצאה אחרת. אנשי הצוות מבלים שעות בהכנת דוחות במקום לעזור ללקוחות. חברות מסוימות גם אוספות יותר מידע ממה שהן יכולות להגן. שמות לקוחות, כתובות דוא"ל, פרטי תשלום ורישומי מיקום דורשים טיפול זהיר. דליפת נתונים עלולה לפגוע באמון וליצור עלויות מתמשכות. איכות נתונים ירודה יוצרת סיכון נוסף. קוד מוצר שגוי, רישום לקוח מיושן או תאריך חסר יכולים להוביל להחלטה גרועה. דוח מפורט שנבנה על מידע חלש עדיין נותן הדרכה חלשה. אני מעדיף סט קטן של אמצעים אמינים על פני לוח מחוונים גדול שאף אחד לא מבין. ### דרך מעשית להשתמש בנתונים #### 1. התחל עם שאלה עסקית אחת אני מתחיל בשאלה שמתחברת להחלטה אמיתית. דוגמאות כוללות: - אילו דפי מוצר מובילים לשאלות? - למה לקוחות עוזבים בזמן התשלום? - איזה שירות מקבל הכי הרבה הזמנות חוזרות? - כמה זמן לוקח משלוח בכל אזור? - אילו בעיות תמיכה מופיעות לרוב? שאלה ברורה שומרת את הפרויקט ממוקד. זה גם עוזר לצוות לבחור נתונים שימושיים במקום לאסוף את כל מה שזמין. #### 2. בחרו קבוצה קטנה של אמצעים חברה לא צריכה עשרות מספרים כדי להבין בעיה. עבור חנות מקוונת, אמצעים שימושיים עשויים לכלול: - ביקורים בדף מוצר - פעולות הוספה לעגלת הקניות - רכישות שהושלמו - בקשות החזרה - שאלות לקוחות - הזמנות חוזרות מספרים אלו יוצרים נתיב פשוט מהתעניינות לרכישה ולשירות לאחר המכירה. עבור עסק שירות, אני עשוי לעקוב אחר פניות, זמן תגובה, פגישות שהוזמנו, ביטולים ולקוחות חוזרים. האמצעים הנכונים תלויים בהחלטה המתקבלת. #### 3. בדוק את איכות המידע לפני שאני נותן אמון בדוח, אני שואל: - האם הנתונים עדכניים? - האם קיימות רשומות כפולות? - חסרים שדות חשובים? - האם מערכות שונות משתמשות באותן הגדרות? - האם ניתן לבדוק את המקור? עסק יכול להגדיר "לקוח" כל מי ששולח פניה. אחר עשוי לספור רק אנשים שהשלימו רכישה. שני הנתונים יכולים להיות נכונים בתוך המערכות שלהם, אך ההשוואה תהיה מטעה. הגדרות ברורות מונעות בעיות דיווח רבות. #### 4. קשר נתונים עם ניסיון אנושי המספרים מראים דפוסים. לעתים קרובות שיחות מסבירות אותם. שיעור נטישת עגלה גבוה עשוי להצביע על בעיה טכנית. הודעות לקוחות עשויות לגלות כי דמי משלוח מופיעים מאוחר מדי. שיעור רכישה חוזרת נמוכה עשוי להתייחס לאיכות המוצר, הוראות לא ברורות או תמיכה איטית. אני אוהב לשלב דוחות עם ראיונות עם לקוחות, רישומי תמיכה ומשוב על מוצרים. זה נותן לדמויות הקשר שימושי. #### 5. בדוק שינוי אחד בכל פעם עסק יכול לשפר דף קופה, לשכתב את פרטי המוצר, לקצר טופס או לשנות את לוח הזמנים של הדוא"ל שלו. כאשר מספר שינויים מתרחשים יחד, קשה לדעת מה גרם לתוצאה. מבחן פשוט יוצר קשר ברור יותר בין פעולה לתוצאה. ייתכן שהתוצאה לא תואמת את הציפייה המקורית. זה גם מידע שימושי. מבחן שנכשל אינו בזבוז מאמץ כאשר הוא מראה לאיזה כיוון צריך פחות תשומת לב. ### פרטיות הנתונים צריכה להנחות את התהליך אנשים צריכים לדעת מדוע המידע שלהם נאסף וכיצד ישמשו אותו. עסק צריך לבקש רק את המידע הדרוש לו למטרה ברורה. פרקטיקה טובה כוללת: - הגבלת גישה לרשומות רגישות - שימוש באבטחת חשבון חזקה - הסרת נתונים שאינם משרתים עוד מטרה עסקית - הסבר השימוש בנתונים בשפה פשוטה - בדיקת ספקים המעבדים מידע לקוחות - הכשרת צוות להימנע משיתוף רשלני אמון הוא חלק מחוויית הלקוח. אפליקציה חלקה לא יכולה לתקן את הנזק שנגרם מטיפול רשלני בנתונים. עסקים צריכים גם לציית לכללי הפרטיות החלים על השוק שלהם. ייעוץ משפטי עשוי להיות שימושי כאשר חברה מטפלת בנתונים בריאותיים, פיננסיים, ילדים או מיקום. ### איך עסקים קטנים יכולים לקחת חלק מהפכת הנתונים אינה מוגבלת לחברות גלובליות עם צוותי טכנולוגיה גדולים. חברה קטנה יכולה להתחיל עם גיליון אלקטרוני וסקירה שבועית. הבעלים רשאי לרשום את המקור של כל פנייה, את השירות המבוקש, את התוצאה ואת הזמן הדרוש לתגובה. בית קפה יכול להשוות מכירות לפי שעה וסוג מוצר. חנות תיקונים תוכל לרשום תקלות נפוצות ואת החלקים בהם נעשה שימוש. ספק הדרכה יכול ללמוד אילו דפי שיעור מקבלים הכי הרבה שאלות. רישומים בסיסיים אלה יכולים לחשוף דפוסים שהעבודה היומיומית מסתירה. עבדתי עם תוכנית תוכן פשוטה שבה כל מאמר ענה על שאלה אחת של לקוח. הצוות בדק ביקורים בחיפוש, זמן שהייה בדף, פניות ומשוב. חלק מהדפים משכו ביקורים רבים אך מעט פניות. דפים אחרים קיבלו פחות תעבורה אך עזרו לקוראים לבחור שירות. תוצאה זו שינתה את המיקוד של הצוות ממספרי מבקרים בלבד לפעולות שימושיות. ### הימנעות מטעויות נפוצות פרויקט נתונים גדול עלול להיכשל כאשר המטרה אינה ברורה. רכישת כלי אחר עשויה ליצור דוחות נוספים מבלי לפתור את הבעיה המקורית. עסק עשוי גם לרדוף אחרי תעבורה גבוהה תוך התעלמות מהתאמה לקויה של לקוחות. עמוד יכול לקבל ביקורים רבים מאנשים שאינם מחפשים את השירות. תוכן ברור שמושך קהל קטן יותר ורלוונטי עשוי לתמוך בפניות טובות יותר. טעות נוספת היא ההתייחסות לכל דפוס כהוכחה. עלייה במכירות עשויה לנבוע מאירוע עונתי, שינוי מחיר, ספק חדש או שינוי זמני בשוק. הנתונים זקוקים להקשר לפני שחברה משנה את התוכנית הרחבה יותר שלה. אני גם נמנע מלשפוט עובדים עם מספרים שהם לא יכולים לשלוט בהם. עובד תמיכה עשוי לקבל ציון שביעות רצון נמוך בגלל עיכוב באספקה ​​שנגרם על ידי צוות אחר. מדידה הוגנת דורשת ראייה ברורה של כל התהליך. ### תפקיד האנשים טכנולוגיה יכולה לעבד רשומות במהירות, אבל אנשים עדיין קובעים את השאלות ומקבלים את ההחלטות. מנתח נתונים עשוי למצוא דפוס. מנהל מוצר יכול להחליט אם זה משנה. צוות שירות לקוחות עשוי להסביר את הסיבה. מנהיג עסקי יכול לבחור אם עלות השינוי היא סבירה. תהליך משותף זה עובד טוב יותר כאשר צוותים משתמשים באותן הגדרות ודנים בתוצאות בגלוי. נתונים צריכים לתמוך בשיקול דעת טוב, לא להשתיק אותו. החברות החזקות ביותר מתייחסות לנתונים כאל הרגל עבודה ולא כפרויקט חד פעמי. הם שואלים שאלות טובות יותר, בודקים את איכות המידע שלהם, מקשיבים ללקוחות ומבצעים שינויים מדודים. עבורי, מהפכת הנתונים היא לא באיסוף הכמות הגדולה ביותר של מידע. מדובר בהפיכת ראיות שימושיות לבחירות טובות יותר תוך כיבוד האנשים שיוצרים את הראיות הללו. שאלה ברורה, מדד אמין ופעולה אחראית יכולים לתת לעסק יותר ערך מאשר מערכת מורכבת מלאה במספרים שאינם בשימוש. מעוניין ללמוד עוד על מגמות ופתרונות בתעשייה? צור קשר עם איימי וו: amy.wu@ihuagroup.com/WhatsApp +8613612662976.

Vaswani, Ashish, et al. 2017 Attention Is All You Need Rives, Alexander, et al. 2021 מבנה ותפקוד ביולוגיים נובעים מהגדלת למידה ללא פיקוח ל-250 מיליון רצפי חלבון Avsec, Žiga, et al. 2021 חיזוי אפקטיבי של ביטוי גנים מרצף על ידי שילוב אינטראקציות ארוכות טווח Mitchell, Tom M. 1997 Machine Learning Kitchin, Rob. 2014 מהפכת הנתונים: ביג דאטה, נתונים פתוחים, תשתיות נתונים והשלכותיהן נורמן, דון. 2013 העיצוב של דברים יומיומיים: מהדורה מתוקנת ומורחבת