טכנולוגיות למידה עמוקה יכולות לעזור בזיהוי תמונה וטקסט ברמה שעד לא מזמן נחשבה בלתי אפשרית. אבל נראה שחזית המחקר בנושא עוסקת ביכולת של בינה מלאכותית ליצור שילובים חדשים מרכיבים קיימים. למשל - לנסות לכתוב מופע סטנדאפ (כפי שנטפליקס ניסתה לעשות לאחרונה), או לייצר תמונות חדשות בסגנון של אומן כמו סלבאדור דאלי (כמו שג׳יפיטי-3 עושה, ועסקנו בכך בעבר). אבל הדוגמא האחרונה שניתקלנו בה - קצת גרמה לנו לנוע בחוסר נוחות - צפו בוידאו הבא שבו רואים כיצד אלגוריתם סורק קוביות לגו בערימה ענקית, ממפה את הקוביות (אתגר לכל ילד בן 3-40), ומציע על בסיס מסד הנתונים שנבנה - מה ניתן לבנות ממה שבערימה.. מטוס, דג, טלפון.. בהתחלה, אנחנו מודים שהתלהבנו, ואף שקלנו להראות את הוידאו לקרובי משפחה זאטוטים. אבל מהר מאוד - הגענו למסקנה שיש דברים שעדיף שלא לחשוף אליהם ילדים קטנים, ולאפשר להם ללמוד ולפתח את דמיונם לבד. הגדולה של לגו כמשחק - היא בפיתוח יכולת ההמצאה של הילד, לבנות מכוניות מכוערות ולהתקע עם שלושה גלגלים, לעצב מטוס שלא יעוף, ולהיות מתוסכל מכך שלא מצאנו חלק מסויים, וכן - לאלתר ולהתמודד עם תסכול. את החיקוי והיצירה המושלמת - נשאיר לבינה מלאכותית בינתיים. רועי ששון ומירב מופז |
|
|
מצאתם משהו מעניין בניוזלטר? העבירו את המייל לשלושה חברים! קיבלתם את המייל הזה מחבר/ה? הירשמו לניוזלטר בקישור |
|
|
הסוד של אינסטגרם - מומלץ להכנס? |
|
|
העולם שבו אנחנו חיים הוא עולם עם הצפה של מידע. אתרי קניות, אתרי חדשות, רשתות חברתיות, נטפליקס ועוד רבות - נחשבות למערכות המלצה. מערכת המלצה לומדת את ההעדפות האישיות של משתמשים ומתרגמת אותן לסט קטן של המלצות רלוונטיות. כדי לבנות מערכת המלצה צריך קודם כל להגדיר מיהם המשתמשים (מי שבונים עבורו את ההמלצה) ואייטמים (מה שרוצים להמליץ עליו). ההגדרה מתבצעת באמצעות פיצ'רים - סט של משתנים שמאפיינים על בסיסם גם את המשתמשים וגם את האייטמים (רועי אוהב מאוד לגו, הכתבה הזאת עוסקת מאוד בלגו). העבודה המרכזית של מדען נתונים היא לדעת לבנות את הפיצ'רים הללו ולאפיין מהו דמיון בין המשתמש לאייטם. לאינסטגרם למשל יש מליוני אפשרויות של פוסטים להמליץ עליהם למיליארדי משתמשים. זוהי בעיה בלתי פתירה באמצעים לא מחוכמים. כדי לעשות זאת - היא מאפיינת את המשתמשים והפוסטים לפי אותה רשימה של פיצ'רים ואז ממליצה למשתמשים על פוסטים באמצעות שימוש בפונקצית דמיון. פוסט באינסטגרם שהוא בעל סט מאפיינים דומה לסט המאפיינים של משתמש מסויים, יוצג למשתמש הזה בהסתברות גבוהה באפליקציה. ניתן גם לחשב דמיון בין שני משתמשים ולהמליץ למשתמש על פריטים שמשתמש שמאוד דומה לו אהב. זו שיטה אחת של מערכות המלצה אבל יש עוד הרבה שיטות אחרות (כדי ללמוד על שיטות נוספות ניתן לקחת את הקורס בקישור). לקריאה נוספת על מערכת ההמלצה של אינסטגרם כנסו לקישור.
בכל מערכת המלצה יש את האתגרים שלה אך קיים אתגר המשותף לכל המערכות שנקרא exploration exploitation dilemma. גישה אחת היא לנצל את הידע הקיים על ההעדפות של משתמשים ו"ללכת על בטוח" - כלומר, להמליץ למשתמש על מה שפופולרי בקרב כלל המשתמשים. גישה שניה היא חקירה - "לקחת סיכון" ולהמליץ על מוצרים נישתיים או על מוצרים חדשים שעוד אין עליהם מידע, כדי לבחון את התגובה של המשתמש וללמוד טוב יותר את ההעדפות האישיות שלו. כאשר נוקטים בגישה זו יש לשלם בכך שאולי ההמלצה לא תהיה טובה בהתחלה אבל להרוויח תוך זמן קצר דיוק גבוה יותר של ההמלצות. לרוב קיים יש זנב ארוך של מוצרים שכל אחד מהם אהוד על-ידי קבוצה קטנה של משתמשים והיכולת להמליץ דווקא עליהם ולא רק על הדברים הכי פופולריים, זה מה שמבדיל בין מערכת המלצה טובה למערכת המלצה לא טובה. זו הסיבה שאיזון בין שתי הגישות הוא המפתח להמלצות טובות - שילוב של המלצות על מוצרים פופולריים ושל מוצרים שנמצאים בזנב הארוך. |
|
|
בכל רגע נתון בשנת 2006 יזמה נטפליקס תחרות לשיפור מנגנון חיזוי העדפות הסרטים של המשתמשים והציעה פרס על סך מיליון דולר למי שישפר את הדיוק של מערכת ההמלצה הקיימת שלהם ב-10%. בתום שלוש שנים של תחרות, ב-21 בספטמבר 2009, העניקה החברה פרס של מיליון דולר, כפי שהבטיחה, לצוות שהצליח לשפר את המערכת ב-10.06%. אחד הצוותים המתחרים הצליחו להשוות את התוצאה אבל מאחר והגישו את התוצאות 20 דקות מאוחר יותר הם הפסידו את מיליון הדולרים. |
|
|
לנהל את הקריירה כמו שמנהלים מוצר |
|
|
בשונה מעולם ניהול המוצר, כאשר מסתכלים על תהליכי קבלת החלטות בעולם הקריירה אנשים נוטים להסתמך על אינטואיציות ומזל ולא להסתכל על הפיתוח המקצועי שלהם בראייה אסטרטגית. בפוסט שבקישור אלנה ורנה ואריקה וורן מציעות להעריך את עצמנו כחברה ולהשתמש במודלים של צמיחה הנהוגים בעולם ניהול המוצר כדי ליישם אותם בעולם הקריירה. לדוגמא - במוצרים רבים, ובעיקר בכאלו שבהם התוכן מיוצר על-ידי הלקוחות (למשל רשתות חברתיות), לשימור לקוחות לאורך זמן יש השפעה כפולה - פעם אחת בגלל שהפעולות שהמשתמש מבצע במערכת מאפשרות לחברה להכיר אותו יותר ולהתאים את המוצר לצרכיו, ופעם נוספת כי משתמשים שאוהבים את המוצר מביאים משתמשים חדשים למערכת מה שמאפשר להגדיל את הרווח מהמוצר. המעגל הזה מזין את עצמו כי ברגע שהופכים לרווחיים ומצליחים להגיע למספר לקוחות מספיק גדול, נפתחים ערוצי שיווק שלפני כן היו יקרים מדי וזה מאפשר לגדול אפילו יותר ולהשיג יתרון תחרותי. באופן דומה, בעולם הקריירה התמדה בחברה אחת לאורך זמן צפויה להביא לערך רב יותר בטווח הארוך על פני החלפה של חברה כל כמה שנים. ככל שצוברים יותר ניסיון וותק בחברה מסויימת, כך היכולת להתקדם ולהתמודד עם פרויקטים בעלי השפעה גדולה יותר עולה. גם עבור מעסיקים עתידיים ההתמדה הזו מוערכת יותר ומציירת את המועמד כמי שיכול לתרום לחברה יותר ולאורך זמן. זה גם מאפשר למועמד לדרוש יותר כסף בעבור הניסיון וההישגים שנצברו. בנוסף, הידע הייחודי שנצבר לאורך זמן בחברה אחת, עוזר למועמד להתבלט ולהשיג "יתרון תחרותי" על פני מועמדים אחרים. אך כדי לצבור ידע ייחודי, צריך להעמיק ולהתנסות בפתרון בעיות קשות ומסובכות. קשה עד בלתי אפשרי להשיג עומק אמיתי כאשר מחליפים חברה אחת לשנתיים. אנחנו חושבים שניתן להרחיב את הרעיון הזה ולהסתכל גם על למידה בתור מנוע צמיחה בעולם הקריירה. התמדה בלמידה לאורך זמן על-ידי לקיחת קורסים, בייחוד בעולם הנתונים שרלוונטי היום למגוון רחב של אפיקי קריירה, מאפשרת לעובד לקבל כלים לפתרון בעיות מורכבות בחברה הנוכחית וגם לבנות תשתית ליצירת יתרון תחרותי על פני מועמדים אחרים בעבודה הבאה. בכל רגע נתון למעלה מ-43% מבני דור ה-Y מעריכים שיעזבו את מקום עבודתם תוך שנתיים בעוד שרק 28% שואפים להישאר באותו מקום עבודה למעלה מ-5 שנים (מקור: dynamic signal). |
|
|
עולם החינוך עובר בשנים האחרונות טרנספורמציה לאור התפתחות הטכנולוגיה המואצת. חלק ממה שהביא להאצה של התהליך הזה הוא משבר הקורונה שאילץ את מערכת החינוך למצוא פתרונות להוראה מרחוק על-ידי אימוץ של מערכות מתקדמות שמהוות את הבסיס לשינוי משמעותי בחווית הלמידה. השחקנים הגדולים בשוק ה-Edtech מנסים להביא ערך לא רק באמצעות מערכות שיארגנו את המידע ויאפשרו חסכון בזמן ולמידה מרחוק, אלא גם במתן תובנות מבוססות נתונים שיניעו תהליך למידה מותאם אישית ואיכותי יותר. למשל, קיימות היום מערכות שמתריעות למורים על תלמידים שנמצאים בסיכון וזקוקים לעזרה או על תלמידים שביצעו התקדמות משמעותית בין אם ברמת המוטיבציה או בין אם ברמת ההישגים. תובנות כאלו, כאשר הן מסוכמות ומונגשות בצורה קלה ונוחה יכולות להיות קריטיות עבור מורה שמלמד עשרות תלמידים ביום ולא תמיד יכול להקצות לכל תלמיד את מלוא תשומת הלב. על אף ההתקדמות המשמעותית הזו, היום האתגר המשמעותי באמת הוא לא רק להצליח להנגיש ידע בצורה קלה ומותאמת אישית אלא להנגיש את ההבנה לידע. גם אם המערכות המתקדמות יידעו להתאים תכנים בצורה טובה יותר לתלמידים ויספקו למורים תובנות זה לא מבטיח שהתלמידים באמת יבינו וילמדו משהו משמעותי ברמה המעשית. טכנולוגיות של חינוך צריכות להביא חדשנות ולהיות מעניינות לא פחות ממשחקי מחשב ויוטיוב ומצד שני להקנות כישורים. בפוסט שבקישור מוצע מודל שנקרא embedded education לפיו הלמידה צריכה להתרחש בכל מקום וכל הזמן דרך התנסות. לפי גישה זו, כשרוצים ללמוד משהו במקום להגיד - "אני אלך לקורסרה ללמוד את זה" אומרים "אני אעשה את זה ואלמד דרך ההתנסות". אם למשל רוצים ללמוד להשקיע במניות, יותר יעיל יהיה ללמוד על כך דרך פלטפורמה כמו רובין הוד שגם מספקת ידע רלוונטי אבל גם מאפשרת להתנסות ולהשקיע בסכומים קטנים מאשר ללכת ולעשות קורס מקוון על זה. למידה מוטמעת היא כלי יעיל כי במקום שידור חד כיווני של תוכן מגורם אחד לאחר, היא מאפשרת לקצר את התהליך המחשבתי הנדרש כדי לעבור מתיאוריה לפרקטיקה באמצעות עשייה. יש לתיאוריה הזו גם יישומים בעולם המוצר ובפרט בהקשר של פלטפורמות דיגיטליות. פלטפורמות שמאפשרות למידה מוטמעת בתוכן יכולות לייצר לעצמן מנוע צמיחה אפקטיבי שמזין את עצמו. קיום התוכן בפלטפורמה והנגשתו מתניע את אימוץ המוצר על-ידי משתמשים. אם חווית הלמידה בפלטפורמה מהנה ומשמעותית ומשלבת התנסות עולה הסבירות שמשתמשים ישארו ויתמידו במערכת לאורך זמן. בשלב הבא, המשתמשים הטובים ביותר מרגישים מגוייסים ורוצים לתרום בחזרה לפלטפורמה על-ידי יצירת תכנים חדשים עד לבסוף נוצרת קהילה שמתרחבת עם הזמן. ככל שהפלטפורמה גדלה יותר, כך הידע הופך להיות בעל ערך רב יותר ומעגל המשתמשים ממשיך לגדול. Github היא דוגמא לתהליך כזה - הפלטפורמה התחילה כמערכת ניהול קוד והפכה לדרך של מפתחים ברחבי העולם ללמוד על נושאים חדשים. לקריאה נוספת על הגישה זו בעולם המוצר כנסו לקישור. |
|
|
בכל רגע נתון למרות שסקטור החינוך איטי באימוץ טכנולוגיות של למידת מכונה ביחס לענפים אחרים, המגמה היא חיובית וההערכות גורסות כי למעלה מ-47% ממערכות החינוך ישלבו יכולות של בינה מלאכותית במוצרים שלהם במהלך שלוש השנים הקרובות. |
|
|
שלום, אני סטודנט להנדסת תעשיה וניהול ועניין אותי לדעת האם כאשר בונים אסטרטגית צמיחה לחברה האם תמיד נשאף לגידול מעריכי? רוב העסקים של הדור החדש הם מסוג platforms או מרקטפלייס (הנה פוסט של רועי עם המלצות בנושא). קח לדוגמא את וולט, אובר, אירביאנדבי וכדומה - משקיעים בפלטפורמה הרבה ואז ככל שיש יותר משתמשים היא הופכת לרווחית יותר והעלות השולית להרחבה של העסק היא אפסית. בעסקים מהסוג הזה גידול מעריכי הוא טוב. לעומת זאת בעסקים מסוג אחר שבהם יש קשר לינארי בין ההוצאה להכנסה יכול מאוד להיות שנעדיף גידול לינארי כדי לא לפגוע ברמת השירות למשל. קח לדוגמה מקרה של מסעדה חדשה וממש טובה שנפתחת בעיר. בהתחלה המקום לא מוכר ויש מעט לקוחות ואז אם האוכל באמת טעים השמועה מתפשטת מפה לאוזן ברשת ומספר הלקוחות עשוי לעלות קצב מעריכי. זה מביא למצב של עומס יתר על המטבח ועל המלצרים וכן להיווצרות של תורים ארוכים. במידה והמסעדה לא ערוכה לכך חוויית השירות תיפגע וייתכן שהלקוחות לא ירצו לחזור יותר גם אם המוצר טוב. לכן, ייתכנו מקרים מסויימים בהם תהליך נכון יותר לעסק הוא גידול הדרגתי ולינארי שיבוא לידי ביטוי למשל בפתיחה של סניפים נוספים, התרחבות לשירות משלוחים ועוד. |
|
|
יש לכם שאלה עסקית מעניינת בנוגע לדאטה? בכל ניוזלטר נפרסם שאלות והתייעצויות שלכם - מלאו את הטופס ואנחנו מבטיחים לענות על השאלות שלכם |
|
|
מכירים מישהו שיכול להתעניין בנו? נשמח לשיתוף! הישארו מעודכנים והרשמו לניוזלטר בקישור |
|
|
בכל רגע נתון, בכל יום תובנה |
|
|
מצאתם את הנושאים בהם אנו עוסקים מעניינים? בקורס דאטה 360 למנהלים במרכז הבינתחומי נכסה איך לבנות אסטרטגיית נתונים לחברה המשלבת בין טכנולוגיה, מוצר וניתוח נתונים - לינק |
|
|
|
|
