איך חוקרי בינה מלאכותית נחלצים להציל את העולם

מי שעבד בתעשייה הביטחונית יודע שבימי מלחמה או מבצע גדול עוברים לנוהל “מאמץ מלחמתי”. פרויקטים בשלבי פיתוח או הוכחת היתכנות עוברים נוהל מזורז של מעבר לייצור וניסוי או שימוש בשטח, הצבא משחרר תקציבים ומצמצם בירוקרטיה, האדרנלין שוטף את העורקים וכולם מתגייסים ללילות לבנים של עבודה במטרה להציל חיים.

עתה כל תושבי העולם מוצאים את עצמם במלחמה על החיים, והפעם האויב הוא וירוס הקורונה: COVID-19 בעל הפוטנציאל לסכן את חיי  עשרות מיליוני אנשים ברחבי העולם כולו ראו טבלה השוואתית. 

מפתחי בינה מלאכותית שרגילים לשנות את העולם בעזרת כלים רבי עוצמה שהלכו והתעצמו בעשור האחרון ולשפר את איכות החיים של מיליוני אנשים בעזרת מוצרים ופתרונות מכל תחומי החיים. לא יכולים לעמוד מנגד ולא לנסות ולרתום את העוצמה שבידיהם למלחמה באוייב החדש.

אם אתה מתעניין בבינה מלאכותית, מתלמד או מפתח מנוסה. ולא יכול לעמוד מנגד כשחיי עשרות מיליונים מונחים על הכף. הנה כמה רעיונות שייתנו לך השראה ואפילו נקודת פתיחה איך לתת כתף למאמץ העולמי במלחמה נגד הוירוס המסוכן ביותר שאיים על בני אדם במאה השנים האחרונות.

החל במינוף המוטיבציה שיש בכל אחד מאיתנו כדי להרחיב את הידע והמיומנות שלנו בתחום הבינה המלאכותית

דרך פתרונות להבנה סטטיסטית של מודל התפשטות המגפה ואיך ליישם את מודל התפשטות הקורונה כדי לבלום את הוירוס עם מינימום נזק לכלכלה ועד לחיפוש תרופות וחיסונים בעלי פוטנציאל להתמודד עם הקורונה.

הבלוג החינוכי YouTube – 3 Blue 1 Brown מעביר בצורה אינטואיטיבית רעיונות מתמטיים, אם תרצו להבין למה COVID-19 מתפשט באופן אקספוננציאלי, למה זה בהכרח יגרום לכם להיות מופתעים או מבוהלים מהחדשות ומה זה אומר לשטח את העקומה אז במיוחד בשבילכם הוכן הפרק: גידול אקספוננציאלי ומגפות.

בסופו של דבר אם רוב האוכלוסיה “תזכה” בהזדמנות להידבק בקורונה מי שיחלה לא יוכל להידבק שוב (לפי התיאוריה הרווחת) ויווצר “חיסון עדר” – מצב בו מי שיחלה יתקשה למצוא מישהו להדביק אותו. 

אם תרצו להרחיב, אז בפרק המשך סימולציה של מגפה , תמצאו תשובה על שאלות כמו – במצב סגר איך ישפיעו חריגות אקראיות או אפשרות להידבקות אקראית בנקודה משותפת כמו סופרמרקט ועוד. כולם מודגמים בעזרת סימולציות פשוטות  (הקוד זמין ב GitHub אם כי לא מסודר, והסימולציות פשטניות ונועדו למטרה לימודית בלבד)

פרופ’ ערן סגל ופרופ’ בנימין גייגר ממכון ויצמן, בשיתוף עם פרופ׳ יובל דור מהאוניברסיטה העברית בירושלים ובהתייעצות עם רופאים בכירים ממשרד הבריאות. פיתחו שאלון אנונימי מקוון הכולל שאלות על המיקום הגיאוגרפי המדויק, גיל, מין ודיווח על תסמינים הקשורים למחלת הקורונה (COVID-19) כפי שדווחו בספרות הרפואית. אלה משמשים בסיס נתונים למודל חיזוי מוקדם של צבירים (clusters) של התפרצות המחלה. ובכך משלימים את התמונה המתקבלת מבדיקות מעבדה שאינן זמינות ברמה מספקת. השיטה תהווה כלי שבעזרתו משרד הבריאות יוכל להחליט באילו אזורים להחמיר ובאילו אזורים להקל בצעדים של ריחוק חברתי.

פרופ’ אמנון שעשוע פיתח מודל לניהול קרב הבלימה מול COVID-19 שמרחיק ראות מעבר לסגר הראשוני שהונהג בישראל ובוחן איך יוצאים מהסגר וחוזרים להניע את גלגלי הכלכלה. 

שעשוע מנצל את העובדה שניתן לחלק את האוכלוסייה לאוכלוסיה בסיכון גבוה – בהתאם לגיל ומחלות רקע לאוכלוסיה בסיכון נמוך, כדי להציע תוכנית שמאזנת בין הצורך הרפואי להציל חיי אדם לבין הצורך הכלכלי להחזיר את המשק למסלול ולמנוע קריסה כלכלית.

שעשוע מציע מודל שבו סגר על כלל האוכלוסיה משתחרר בהדרגה, תחילה משוחררת מהסגר האוכלוסייה בסיכון נמוך ומאפשרת לרב המשק לחזור למסלול, בשלב זה אנשים בסיכון נמוך ידבקו בווירוס אבל מאחר ואחוז החולים הקשים יהיה נמוך, מערכת הבריאות תוכל להכיל את החולים הקשים ולתת להם מענה. לאחר שיושג “חיסון עדר” של קבוצה זו תשוחרר בהדרגה האוכלוסייה בסיכון גבוה. עד אז יגדל הסיכוי לפיתוח חיסון או תרופות.

ללא סגר: מערכת הבריאות לא תעמוד בקצב החולים הקשים ותקרוס.  (טראמפ: נייצר חצי מיליון מכונות הנשמה)	עם סגר ממושך: צפי של חודשים רבים, וכניסה למיתון כלכלי עמוק.	הפתרון המוצע ע”י שעשוע: שיחרור מוקדם מהסגר של האוכלוסיה בסיכון נמוך.

Continue reading →

האופן שבו הטכנולוגיה מעצבת את חיי היום-יום שלנו מאתגר את האופן הפילוסופיה הבסיסית של הקיום האנושי, בתקופה שבה תוכנות מתקדמות הפילוסופיה הבסיסית של הקיום האנושי ,בתקופה שבה תוכנות מתקדמות מחליפות את כישורי האינטראקציה האנושית. ויכוחים רבים מתקיימים ביותר מחליפות את כישורי האינטראקציה האנושית .ויכוחים רבים מתקיימים ביותר האתית בטכנולוגיות אלה ועל הסטנדרטים המוסריים של על התמיכה האתית בטכנולוגיות אלה ועל הסטנדרטים המוסריים של על התמיכה תוכנה ואתיקה משיקים זה לזו כאשר מפתחים מוצרים כאלה. פיתוח תוכנה ואתיקה משיקים זה לזו כאשר מפתחים מוצרים כאלה .פיתוח על מוצרי תוכנה במהלך שלבי התכנון, הפיתוח, מקבלים החלטות מקצועיות על מוצרי תוכנה במהלך שלבי התכנון ,הפיתוח , מקבלים החלטות מקצועיות אלה עשויות להשפיע על חיי בני אדם הן הבדיקה והתחזוקה. החלטות אלה עשויות להשפיע על חיי בני אדם הן הבדיקה והתחזוקה .החלטות והן בפרטי. מאחר ששיפוטים טכניים יכולים להשפיע על במרחב הציבורי והן בפרטי .מאחר ששיפוטים טכניים יכולים להשפיע על במרחב הציבורי החלטות טכניות אלה, הקשורות קשר הדוק לאתיקה של ערכים אנושיים, החלטות טכניות אלה ,הקשורות קשר הדוק לאתיקה של ערכים אנושיים , מקור נסתר של כוח בארגונים. תוכנה, הן מקור נסתר של כוח בארגונים.

גם עבור מקצועות מסורתיים כמו רפואה ,משפטים ,פסיכותרפיה והנדסה ,קשה להגדיר את המילה” מקצועי ,”בעיקר מכיוון שחברות ותרבויות שונות מתייחסות למונח באופן שונה .עם זאת ,באופן כללי יש הסכמה על מאפיינים המשותפים לכל המקצועות ; למשל ,המילון של אוקספורד מגדיר” מקצוען “כ”אדם העוסק או המוסמך במקצוע מסוים .”מומחיותם של אנשי המקצוע ,והתחומים שבהם הם מיישמים מומחיות זו , מעניקים להם כוח לשפר את רווחתם של אנשים או לגרום נזק משמעותי.

לאיכות יש השפעה עצומה על האופן שבו מוצרים ושירותים מעצבים את חיי היומיום שלנו .טעויות בתכנון מוצר מתרחשות בצורות רבות .זה קורה אפילו לעסקים המצליחים ביותר ,למשל ,ההאצה הבלתי מכוונת של טויוטה .זה כשלעצמו מדגיש את חשיבות לקיחת האחריות של מהנדסים על תפקידם המקצועי .מכיוון שהמהנדסים ברובם מתנהלים באופן עצמאי ,הם עשויים לתכנן פתרונות שונים לאותן בעיות ,מה שמוביל לתוצאות לא מספקות .

הבעיה מתחילה בכך שלאיכות משמעויות שונות לאנשים שונים . חלקם מגדירים איכות כעמידה ביעד מוגדר שמתבטא בשביעות רצון הלקוחות ,בעוד ISO 9126 שוויינברג הגדיר את האיכות כערך שמעניק דבר-מה לקבוצת אנשים ,ואילו דנו באיכות כתכונות של מוצר המסוגלות לספק צרכים ספציפיים .ברור מאליו שאיכות היא מונח לא חד משמעי.

שיקולים אתיים הם השיקולים העיקריים בפתרון בעיות תכנון בהנדסה ,אחד היסודות של תחום זה .אף בעיית תכנון אינה מצריכה פתרון מסוים מכיוון שהפער בין בעיה לפתרון מותנה ברוב המקרים במהנדס ונקבע על ידו .פער זה אומר שכלים אתיים צריכים להשתלב בליבת ההנדסה בשלבים הראשונים של התכנון .חשבו על האפשרות שמהנדס יישם פתרון שעלול לגרום נזק מיותר ללא כל כוונה ראשונית .עם זאת ,כלים אתיים דורשים תשומת לב .כשמדובר בפתרון למכשול עיצובי ,מהנדסים ,באופן רציונלי , נוטים להשתמש בידע ובמיומנויות המומחה שלהם כדי לטפל בבעיות .ידע זה בדרך כלל הצטבר מניסיון העבר בפתרון בעיות ,וניסיון זה אינו תמיד רלוונטי לכל המקרים , בגלל אתגרים טכנולוגיים חדשים והמיומנויות הטכניות הנדרשות .כדי להימנע מגרימת נזק בלתי צפוי ,מהנדסים עורכים שיקולים אתיים .באופן זה ,כלים אתיים נכנסים לליבת .(NSPE, 2007) ההנדסה

מהנדסים מיומנים לחשוב בצורה אנליטית ולבסס את החלטותיהם הטכניות על עובדות ומחקר רלוונטי .עם זאת ,מהנדסים נתקלים במצבים רבים הכרוכים בשאלות אתיות במהלך פעילותם היום יומית .חוקרים בתחומי הנדסה גיבשו קודים והנחיות כדי להדגיש — שונים כדי ליידע מחנכים וגופים מקצועיים מהי אתיקה ,והחשוב מכול ” .(האתיקה ,”כפי Gottenbarn, 2002) את הערך שהיא מביאה לתהליך ההנדסה בפועל שהיא מוצגת כאן ,מתייחסת למעשים אנושיים מכוונים ,המשפיעים על חייהם וערכיהם של אחרים .ניתן לתאר את הקשר בין מהנדסים לאתיקה כמתרחש כאשר מהנדסים מקבלים החלטות מקצועיות לגבי מוצרים ,במהלך שלבי התכנון ,הפיתוח ,הבדיקה או התחזוקה .החלטות אלה משפיעות על חייהם של אנשים ,כך משפיעים שיפוטים טכניים על ערכי האדם וקשורים לאיכות המוצר .כאשר הוא

מתמודד עם דילמה אתית ,איש מקצוע חייב להיות מסוגל לקבל החלטות רציונליות ובעלות מניע איתן. נמצאות בשלב של קידום ואימוץ מהירים ,בעקבות התפתחויות AI כיום ,טכנולוגיות במתמטיקה ובמדעי המחשב ,וכן בכוח המחשוב וביכולת לאסוף ולאחסן כמויות (מבוססת על קשרים סטטיסטיים שמתגלים AI) גדולות של נתונים .בינה מלאכותית באמצעות כמויות גדולות של נתונים ,בתוספת כללים אלגוריתמיים של הנמקה ולמידה או תיקון עצמי ,שלאחר מכן מיושמים בצורה מדויקת ,אמינה ואחידה בקבלת , בחיי היומיום שלנו אפילו בלי לחשוב על כך .למשל AI- החלטה .אנו משתמשים ב ,איתור דואר ספאם בתיבת הדואר הנכנס שלנו ,קבלת תוצאות חיפוש Waze- ניווט ב רלוונטיות ואפילו מודעות רלוונטיות בגוגל או בפייסבוק ,או המלצות בהתאמה אישית ברשת נטפליקס או באמזון .אפילו כלקוחות ,אנו לא עוצרים וחושבים כיצד חברות היא המדע וההנדסה של יצירת מכונות חכמות ,במיוחד AI . משתמשות בנתונים שלנו תוכנות מחשב אינטליגנטיות .היא קשורה למשימה של שימוש במחשבים להבנת אינה רק טכנולוגיה חדשה הדורשת רגולציה ,אלא היא AI . האינטליגנציה האנושית כוח רב עוצמה המעצב מחדש פרקטיקות יומיומיות ,אינטראקציות אישיות ומקצועיות וסביבות שלמות .לטובת האנושות ,חיוני שכוח זה ישמש למטרות טובות.

פיתוח תוכנה משיק לעולם האתיקה כאשר מפתחים מקבלים החלטות מקצועיות לגבי מוצרי תוכנה בשלב התכנון ,הפיתוח ,הבדיקה או התחזוקה .החלטות אלה יכולות להשפיע על חייהם של האנשים הן בתחום הציבורי והן בתחום הפרטי .מכיוון שהחלטות טכניות יכולות להשפיע על ערכים אנושיים ,החלטות אלה ,הקשורות לאתיקה בתוכנה , מהוות מקור כוח בחברות ובארגונים.

אתיקה ממלאת תפקיד מפתח בתהליך זה .כתוצאה מכך ,יש שטענו כי הקפדה על ויכולה גם להפחית את AI עקרונות אתיים יכולה להבטיח את היישום האתי של .(ועדות כאלה ואחרות בנו מסגרות אתיות Cowls & Floridi, 2018) הסיכונים שלה המלוות בשאלות תואמות שנועדו לספק הנחיות לאופן שבו ניתן ליישם עקרונות אלה .(יש להניח כי ניתן Machine Intelligence Garage Ethics Committee, 2018) בפועל להשתמש בשאלות אלה בישיבות תכנון פרויקטים לפני תחילת תהליך הפיתוח ,כדי להתמודד עם דילמות אתיות .אולם הנושא מורכב יותר ודורש תשובות חברתיות . לשיטור שמכוונת לגברים ממוצא מסוים AI ואתיות מהותיות .שקלו ,למשל ,מערכת גם אם מערכת כזו מוכיחה עצמה כיעילה מאוד בהפחתת הפשיעה ,היא מבוססת על הטיות שיש לטפל בהן מבחינה חברתית-אתית ולא רק מבחינת יעילות טכנולוגית.

דוגמה נוספת ,אם נפנה לתחום הכספים :תהליכים פיננסיים שחייבו באופן מסורתי ,בעיקר כשמדובר AI קבלת החלטות אנושיות מוחלפים או נתמכים יותר ויותר על ידי באישור או סירוב של עסקאות פיננסיות ,גילוי ומניעת הונאה וניהול סיכונים כללי . התפתחויות טכנולוגיות חדשניות והגישה מבוססת-הנתונים הננקטת על ידי חברות .(עם זאת ,כפי Crawford & Calo, 2016) בתחוםAI- פיננסיות רבות תורמות לעליית ה שטוענים קרופורד וקאלו: לא תהיה בהכרח גרועה יותר ממערכות המופעלות על ידי בני אדם בקבלת AI” יכולה לסייע AI תחזיות והחלטות מנחות .עם זאת ,בעוד המהנדסים אופטימיים כי באיתור והפחתת הטיות אנושיות ודעות קדומות ,מחקרים מצביעים על כך שבהקשרים מוטות באופן שאינו פרופורציונלי נגד קבוצות שממילא AI עכשוויים ,מערכות מוחלשות מסיבות כמו גזע ,מין ורקע חברתי-כלכלי.”

תוצאות כאלה עשויות להסתיים בהפסדים כספיים של שני הצדדים ובחוויית שירות באיכות נמוכה.

מבחינה היסטורית ,תפקידים הנדסיים הדגישו רק מיומנויות הנדסיות ,למשל ,פיתוח קוד קל לתחזוקה ,והצגת הפתרונות הטכניים הטובים ביותר לכל האתגרים הטכניים העומדים בפני הארגון .עמידה מול לקוחות חיצוניים נדרשה רק מממשקים של תמיכת עסקים או לקוחות ,נוסף על האינטרס הציבורי שנגזר רק מהאמונות ומהאסטרטגיות של הארגון .בימינו ,הציפייה היא כי מהנדסי תוכנה יביאו פרספקטיבה משלהם על ערכים עסקיים על ידי כך שיהיו מוכווני-לקוחות ולא רק יתנהלו כמומחים טכניים . אתיקה יכולה לתמוך באנשי מקצוע באשר היא מציעה כלים ושיטות מועילים במצבים כאלה.

המאמר פורסם לראשונה ב-Afeka Journal of Engineering and Science, בגיליון ספטמבר 2019

עולם ה AI חולש על כל תחומי חיינו במהירות רבה ממה שאנו מצפים. בכתבה זו נסקור כיצד וכלי AI משפיעים והולכים להשפיע על מערכות החינוך כבר היום ובעתיד הלא רחוק.

אף על פי שעוד לא הפך לסטנדרט בבתי ספר, בינה מלאכותית בחינוך נלמדה מאז הקמת ה- AI בשנות השמונים. במובנים רבים נראה שהשניים קשורים זה לזה. אנו משתמשים בחינוך כאמצעי לפיתוח מוחות המסוגלים להרחיב ולמנף את מאגר הידע, בעוד שה- AI מספק כלים לפיתוח תמונה מדויקת ומפורטת יותר של אופן הפעולה של המוח האנושי.

על ידי מינוף של התכונות הטובות ביותר של מכונות ומורים, החזון ל- AI בחינוך הוא זה בו הם עובדים יחד כדי להשיג את התוצאה הטובה ביותר עבור התלמידים. מכיוון שהתלמידים של היום יצטרכו לעבוד בעתיד בו AI הוא המציאות, חשוב שמוסדות החינוך שלנו יחשפו את התלמידים לטכנולוגיה ולהשתמש בה.

בימים אלה ישנו פיתוחהוראה אינטליגנטי ופיתוח של פלטפורמות דיגיטליות המשתמשות ב AI בכדי לספק למידה, בדיקות ומשוב לתלמידים מרמת הגןלרמת האוניברסיטה המעניקה להם את האתגרים אליהם הם מוכנים, מזהה פערים בידע ומפנה מחדש לנושאים חדשים במידת הצורך. ככל שהטכנולוגיה הופכת להיות מחוכמת יותר, יתכן שהמכונה תוכל לקרוא את הבעת הפנים של התלמיד המצביע על כך שהם נאבקים לתפוס נושא וישנה את השיעור על מנת לעזור לתלמיד להבין את הנושא.

AI שמצביעה על היכן קורסים ושיעורים יכולים להשתפר

לא תמיד מורים מודעים לפערים בהרצאות ובחומרים החינוכיים שלהם שיכולים להשאיר את התלמידים מבולבלים לגבי מושגים מסוימים. בינה מלאכותית מציעה דרך לפתור את הבעיה. דוגמא לכך הוא אתר Coursera, ספק ענק לקורסים מקוונים, כבר מיישם טכנולוגיית AI על מנת לענות על בעיה זו. כאשר נמצא כי מספר גדול של תלמידים מגיש תשובה שגויה למטלת שיעורי בית, המערכת מעבירה התראה למורה ומעבירה לתלמידים לעתיד הודעה בהתאמה אישית המציעה רמזים לתשובה הנכונה.מערכת מסוג זה מסייעת למלא את הפערים בהסבר שיכולים להופיע בקורסים, ומסייעת להבטיח שכל התלמידים בונים את אותו בסיס רעיוני. במקום לחכות לשמוע מהפרופסור או להתבייש לשאול, הסטודנטים מקבלים משוב מיידי שעוזר להם להבין את הרעיון וכיצד לעשות זאת בצורה נכונה בפעם הבאה.

תמיכה נוספת ממדריכים מלאכותיים

אמנם ברור שיש דברים שמדריכים אנושיים יכולים להציע שמכונות לא יכולות, לפחות עדיין לא, אך בעתיד נוכל לראות שיותר סטודנטים יועברו על ידי מורים שהינם תוכנת מחשב. כבר היום קיימות תוכנות המבוססות על בינה מלאכותית ויכולות לעזור לתלמידים במתמטיקה בסיסית, בכתיבה ובמקצועות אחרים.תוכניות אלה יכולות ללמד את היסודות, אך עד כה אינן אידיאליות לתלמידים על מנת ללמוד חשיבה ויצירתיות, דבר שעדיין נדרשים המורים בעולם האמיתי לעשות. עם זאת, זה לא אמור לשלול את האפשרות שמורים מלאכותיים יוכלו לעשות דברים אלה בעתיד. עם הקצב המהיר של ההתקדמות הטכנולוגית שציינה את העשורים האחרונים, מערכות הדרכה מתקדמות עשויות לא להיות חלום. כמו כן, מערכות AI יכולות לתת כלים למורה לבדוק משימות בצורה מהירה ויעילה יותר, כך שיוכל להתפנות יותר לכל תלמיד ולעזור לו במקומות שהוא מתקשה.

הטכנולוגיה משנה את האופן בו אנו מבצעים אינטראקציה עם מידע

לעתים רחוקות אנו שמים לב למערכות ה- AI המשפיעות על המידע שאנו רואים ומוצאים על בסיס היום יום. גוגל מתאימה תוצאות למשתמשים על סמך מיקום, אמזון נותנת המלצות על בסיס רכישות קודמות, סירי מתאימה את עצמה לצרכים ולפקודות שלך וכמעט כל מודעות האינטרנט מכוונות לתחומי העניין והעדפות הקניות שלך.

מערכות אינטליגנטיות מסוג זה ממלאות תפקיד גדול באופן שבו אנו מבצעים אינטראקציהעם מידע בחיינו האישיים והמקצועיים, ויכולות לשנות את האופן בו אנו מוצאים ומשתמשים במידע גם בבתי ספר ובאקדמיה. במהלך העשורים האחרונים, מערכות מבוססות AI שינו כבר באופן קיצוני את האופן בו אנו מבצעים אינטראקציה עם מידע ועם טכנולוגיה חדשה, סטודנטים בעתיד עשויים לחוות חוויות שונות בהרבה במחקר ובחיפוש עובדות מאשר התלמידים של ימינו.

התחרות משתקת

טכנולוגיית AI יכול להפוך את תהליך הניסוי וטעייה שבלמידה לפחות מאיימת.

ניסוי וטעייה הם חלק קריטי בלמידה, אך עבור תלמידים רבים הרעיון להיכשל, או אפילו לא לדעת את התשובה, משתק. חלק פשוט לא אוהבים שמציבים אותם מול בני גילם או דמויות בעלות סמכות כמו מורה. מערכת מחשבים אינטליגנטית, שנועדה לעזור לתלמידים ללמוד, היא דרך פחות מפחידה להתמודד עם ניסוי וטעייה. בינה מלאכותית עשויה להציע לתלמידים דרך להתנסות וללמוד בסביבה נטולת שיקול דעת, במיוחד כאשר המורים המלאכותיים יכולים להציע פתרונות לשיפור. למעשה, AI הוא הפורמט המושלם לתמיכה בלמידה מסוג זה, שכן מערכות AI עצמן לומדות לרוב בשיטת ניסוי וטעייה.

למידה גלובאלית

AI עשוי לגרום לשינוי בהיכן התלמידים לומדים, מי מלמד אותם, וכיצד הם רוכשים כישורים בסיסיים.

בעוד שינויים גדולים עדיין עשויים להימשך כמה עשרות שנים בעתיד, המציאות היא שלבינה מלאכותית יש פוטנציאל לשנות באופן קיצוני כמעט את כל מה שאנחנו לוקחים כמובן מאליו לגבי חינוך.

באמצעות מערכות AI, תוכנה ותמיכה, התלמידים יכולים ללמוד מכל מקום בעולם בכל עת, ותוכנות מסוג זה מחליפות סוגים מסוימים של הדרכה בכיתה, AI עשוי רק להחליף מורים במקרים מסוימים (לטוב ולרע).

תוכניות חינוכיות המופעלות על ידי AI כבר עוזרות לסטודנטים ללמוד מיומנויות בסיסיות, אך ככל שתוכניות אלה גדלות וככל שהמפתחים ילמדו יותר, הם ככל הנראה יציעו לתלמידים מגוון רחב יותר של שירותים.

AI אף יכול להביא ללמידה גלובאלית כלומר בזכות כלי AI יהיה ניתן לתרגם שיעורים לשפות שונות, להתאים לאנשים עם מוגבלות (ע”י הקראה/הקלדה תוך כדי דיבור של המורה באמתעות טכנולוגיות זיהוי קולי).

דוגמא נוספת שונה קצת הינו הסטרטאפ Agree Online. סטארט-אפ חדשני זה יצר פלטפורמה דיגיטלית שעוזרת לילדים ולבני נוער לפתור סכסוכים בהנחיית חברי כיתתם ובני גילם, המשמשים כמנחים צעירים. הפלטפורמה מציעה לצדדים (הילדים בעימותים) פתרונות אפשריים למריבה שלהם ומצביעהגם על פתרונות שמציעים יועצים אחרים. הצדדים בוחנים את הצעות ובוחרים את הפיתרון שהם חושבים שהכי טוב עבורם. בהמשך הדרך הם מנהלים משא ומתן על הבעיה בצ’אט בעזרת מנחה צעיר עד שהם מגיעים לפיתרון המועיל הדדית לכל הצדדים. דוגמאות לסכסוכים שמנוהלים כעת בפלטפורמה כוללים מחלוקת בין אחים לאיזה סרט ללכת לראות, תקשורת פוגעת בין חברים והערות פוגעת בין חברי קבוצת הוואטסאפ שהם חלק מממנה.

מקימי הסטרטאפ אומרים שיש לו יד בסיוע במניעת בריונות ברשת, על ידי ניסיון לפתור קונפליקטים דיגיטליים לפני שהם יסלימו.פלטפורמת ה- Agree Online עוברת פיילוט בעשרה בתי ספר ישראליים בשבע ערים. הערים כוללות את פתח תקווה, רמת גן, תל אביב, באר שבע, רמלה וגבעתיים.

לסיכום

עד כמה שבינה מלאכותית יכולה לעזור ולתרום רבות אנו צריכים לזכור שיחס אישי של המורה. כמו כן, אינטראקציות חברתיות בין ילדים חשובות מאוד להתפתחות הילד ולכן חשוב לעשות את האיזון כך שהילדים לא יהיו מחוברים למכונות. בנימה צינית יותר שלא נצטרך להמציא כלי בינה מלאכותית כדי לפתור בעיות שיצרנו בגלל בינה מלאכותית.

קישורים

Nuance – מייצרת תוכנה לזיהוי דיבור המשמשת סטודנטים ופקולטות. הטכנולוגיה יכולה לתעתק עד 160 מילים בדקה והיא מועילה במיוחד לתלמידים שנאבקים בכתיבה או בעלי מוגבלות בניידות. התוכנה גם משפרת את יכולת האיות ואת זיהוי המילים. מדריכים יכולים להשתמש בתוכנה כדי להכתיב הרצאות לשימוש מאוחר יותר או לזרז משימות מייגעות כמו יצירת מסמכים ודוא”ל.

KNEWTON – יוצר טכנולוגיית למידה אדפטיבית להשכלה גבוהה. התוכנית שלה, המכונה אלטה, מסייעת בזיהוי פערים בידע של סטודנט, מספקת עבודות לימוד רלוונטיות ומציבה את הסטודנטים שוב על המסלול לקורסים ברמת המכללה. אלטה עוזרת גם למדריכים בהוראה ברמות השכלה שונות ומשמשת כיום למתמטיקה, כימיה, סטטיסטיקה וכלכלה.

Century Tech – הפלטפורמה עושה שימוש במדעי המוח הקוגניטיביים ובניתוח נתונים כדי ליצור תכניות למידה בהתאמה אישית ולהפחתת עומסי עבודה עבור המדריכים. פלטפורמת ה- AI עוקבת אחר התקדמות התלמידים, מזהה פערי ידע ומציעה המלצות ומשוב על לימוד אישי. המערכת מעניקה גם למורים גישה למשאבים ומפחיתה את משך הזמן בתכנון, בדירוג ובניהול שיעורי בית.

Volley – טכנולוגיית חינוך לא חייבת להיות מיושמת בכיתה. “מנוע הידע” מבוסס על AI של Volley מסנכרן כל העת את תוצאות הקורס והחידון, וכן תדריכים למציאת פערי ידע בקרב עובדים בארגונים. חברות בכל רחבי העולם מסוגלות לפתור במהירות וביעילות פערי ידע שעלולים להזיק (חוסר ידע כללי בחברה, שיטות ציות או אפילו כישורים טכניים) באמצעות ה- AI של Volley.

Quizlet – הוא יעד מקוון ללימוד ולמידה. החברה הציגה לאחרונה את Quizlet Learn, משאב לימודים חכם המספק תוכניות הסתגלות ועוזרת להוציא את הניחושים ממה ללמוד. הפלטפורמה משתמשת בלימוד מכונות ובנתונים ממיליוני שיעורי לימוד כדי להציג לתלמידים את חומר הלימוד הרלוונטי ביותר.

Sense Education– סטארט אפ ישראלי. חינוך הוא הבסיס להתקדמות בכל הענפים ובכל התחומים. העולם משתנה כאשר הטכנולוגיה מתבטאת יותר בחיי כולם ושינוי מצריך כישורים חדשים וידע חדש.מאמצים כמו קורסי אונליין ניסו לבצע דמוקרטיזציה של תהליך החינוך, אך המטרה לא הושגה. בעוד שפלטפורמות אלה הוכיחו את היכולת להפצת תוכן בקנה מידה גדול, אך מה שלא הוגדל הם מרכיבי ההוראה שאנו מקשרים לקשר בין התלמיד והמורה והתלמיד לתלמיד; דברים כמו, רמזים, משוב ותובנות לגבי ביצוע במשימות פתוחות.המשימה שלנו היא לסגור את הפער הזה.

• https://www.teachthought.com/the-future-of-learning/10-roles-for-artificial-intelligence-in-education/
• http://nocamels.com/2018/03/mindcet-accelerator-edtech-israel/

• https://www.forbes.com/sites/bernardmarr/2018/07/25/how-is-ai-used-in-education-real-world-examples-of-today-and-a-peek-into-the-future/#d056dc2586e8

חצי שנה אחרי שאיגור פיבלש את המודל הוא נזרק לפח, נשכח ב-גיט, נקבר בארכייב. וזה לא בגלל שהיה חרא מודל. להפך, היו לו ביצועים מעולים: Precision בשמים, Recall בעננים. הוא גם פתר בעיה אמיתית: איך מזהים התדרדרות קלינית של חולה הרבה לפני ה-Gold Standard הקיים. גם הדאטה היתה איכותית. הגיעה ממרכז רפואי גדול. כמעט שנה עבד הצוות של איגור על טיוב הנתונים והינדוס הפיצ’רים. בקיצור מודל שאפשר לפרסם ב-Science. היתה רק בעיה קטנטנה, שבכלל לא קשורה לאימון המודל או להרצה שלו. היוזרים לא השתמשו בו. התעלמו ממנו.

איגור הניח, כמו רבים לפניו, שאם גוף מוביל בתחום מזהה בעיה, נותן לו דאטה ואפילו עוזר ב-Labeling, אז הכל בסדר. שמספיק לתת פרדיקציות טובות וזה יתפוס. שמזמין העבודה, אותה מחלקת TTU ואותו פרופ’ מפורסם וכל מי שחתום על החוזה כבר ידאגו לאימוץ המודל. אז זהו שלא! בלי לצלול לעומק ה-Work Flow של המשתמש אי אפשר להצליח. לא משנה כמה טובים הביצועים של המודל. בסופו של כל מודל עומד בן אדם שצריך להשתמש בו. ואם זה לא בא לו בטוב, זה כנראה לא יקרה.

משתמשים

השאלה הראשונה שצריך לשאול היא למי מיועד המודל. מי אמור לקבל את ה-Inference. האם זה רופא, אחות, טכנאי, חולה… גם וגם? אבל שאלת הזהות המקצועית היא רק ההתחלה. היא מעידה על רמת הידע של המשתמש, הרקע שלו, עולם המושגים. היא גם מעידה על שיוך. לאיזו ‘גילדה’ מקצועית הוא שייך. כמה חזק הועד שלהם… ויש גם את שאלת ההיררכיה בתוך הארגון: האם המשתמש הוא זה שמקבל החלטות, מבצע פעולות או מפקח. מה רמת הבכירות.

את המיפוי הזה עושים כדי לזהות הזדמנויות ואיומים. איפה המודל חוסך זמן, משפר יעילות, מאפשר למשתמש לתת שירות או טיפול טוב יותר, להתבלט, לעזור, להמנע מטעויות, להקטין סיכון. ומנגד על מה המודל מאיים. היכן הוא יקטין את חופש הפעולה של המשתמש, יגביר את הפיקוח, את תחושת האח הגדול, יחשוף את ערוותו המקצועית, ואולי אף יגזול את פרנסתו יום אחד.

מודל טוב יושב בתוך מוצר טוב. ומוצר טוב מדגיש את ההזדמנויות ומנהל נכון את האיומים, עבור המשתמשים הספציפיים שלו.

עיתוי

אומרים ש-Timing is everything אז במודל חיזוי העיתוי הוא ההבדל בין הכל ל-כלום. הכוונה היא לא רק לחיזוי שמגיע אחרי הזמן, כשהמציאות כבר מתגלה לנו. אלא לחיזוי שמגיע מתי שהמשתמש זקוק לו, ופתוח לקבל אותו. תארו לכם רופא במיון שבדק את החולה, עבר על הממצאים וקיבל החלטה. חמש דקות לאחר מכן הוא מקבל התרעה ממערכת AI שמשנה את ההחלטה שלו. עד כמה רופא זה יאמץ את המוצר בעתיד, גם אם לא נגרם נזק רפואי וניתן לשנות את ההחלטה במקרה הזה?

עיתוי זה דבר טריקי. בטח בקצבים שכולנו עובדים היום. עיתוי טוב משלב בין טריגר פנימי לחיצוני. טריגר חיצוני מתייחס לתוכן של המידע או ההתרעה. מתי הגיעה בדיקת המעבדה או הדימות. מתי רמת הדופק או לחץ דם חצתה קו אדום. עד כמה הממצאים חריגים. עד כמה הם דחופים. מה אומר הפרוטוקול (Best Practice) בעניין. טריגר פנימי מתייחס למשתמש. על מה הוא מסכל עכשיו. האם זה יותר דחוף. האם הוא עלול להתבלבל בין מטופלים. האם זה Actionable בעיתוי הזה.

מודל טוב מנגיש תוצאות בזמן הנכון. והזמן הנכון הוא החיבור שבין תוכן התוצאה לפעילות המשתמש.

הקשר

פרשת קורח מלמדת אותנו כי חשוב שהצדק לא רק יעשה אלא גם יראה. אבל יש אינספור דרכים להציג תוצאות. אפשר לשלבן במערכות קיימות עליהן המשתמשים כבר רגילים להסתכל, אבל אז השאלה אם הם בכלל ישימו לב לשינוי. אפשר ‘לדחוף’ אותן למשתמשים במגוון ערוצי תקשורת קיימים, אבל אז השאלה אם לא נשחק אותם מהר. אפשר לתת למשתמש Nudge עדין או דש-בורד מקיף אבל אז נשאל אם אין לו כבר יותר מדי דש-בורדים ותזכורות.

אומנות ה-UX נשענת על מדעים קוגניטיביים שמנסים להבין את המודל המנטלי של המשתמש בכל רגע נתון. הקונטקסט שבו נמצא המשתמש משפיע מאד על איך הוא יחווה את האופן שבו המידע יונגש לו. הקונטסקט הזה משתנה ממשתמש אחד למשנהו, משלבים שונים בתהליכי העבודה, מהרקע וההטיות (Biases) של המשתמש. אבל גם ממה שהמוצר הזה ומוצרים אחרים הרגילו את המשתמש לאורך זמן.

מודל טוב משתלב נכון בקונטקסט המנטלי של המשתמש. הקונטקסט מושפע מהרקע של המשתמש, והעיתוי ב-Flow ביחס לתוכן ההתרעה.

שחיקה

אי אפשר לדבר על התרעות בלי להתייחס ל-Alert Fatigue. ובהקשר של מודל AI זה נוגע ישר בעצב החשוף של מידת האמון שהמשתמש נותן בחיזוי. היום עדיין מרבית המשתמשים (מחוץ לקהילת מדעני המידע) מגלים חשדנות רבה כלפי AI. לעיתים הנסיונות להכשיל את המודל מונעים מרצון כן לגלות את ‘גבולות הגזרה’ של המודל כדי לדעת מתי ניתן לסמוך עליו. הרבה תלוי בציפיות. מה נאמר למשתמשים. מה הנסיון הקודם שלהם. מה ההטיות (Bias) איתן הם מגיעים.

לאורך זמן ככל שהמודל יציג פחות תוצאות חיוביות שגויות (False Positives) ופחות תוצאות שליליות שגויות (False Negatives) הוא יקנה את מקומו בלבבות המשתמשים. האתגר הוא איך להגדיר נכון את ה-Threshold בין Recall ל-Precision לאורך זמן. רק הכירות אינטימית עם המשתמשים וה-Work Flows שלהם תוכל לסייע בהשגת איזון נכון לאורך זמן. ולענות על השאלה: האם להתחיל עם מעט התרעות ‘בטוחות’ (והרבה פספוסים חשובים) או להפך. מתי לשנות.

מודל טוב מנהל את האמון שרוכשים בו המשתמשים לאורך זמן. והאמון נרכש כאשר המודל עומד בציפיות המשתנות של המשתמש.

מדידה

אנחנו רגילים לחשוב על מדידה במונחים של ארועי אנליטיקס. ניטור שימושיות במערכת. Funnels של קליקים שאוספים מתוך המוצר. זה יפה ונכון למוצרי תוכנה, קצת פחות למודלי AI. מודל שנועד לסייע בקבלות החלטות DSS מקבל לא פעם ביטוי בעולם האמיתי ולא הוירטואלי. כדי לדעת איך לנהל נכון שחיקה, UX ועיתוי של התרעות אנו זקוקים למידע מהעולם האמיתי. פרוקסי של תוכנה עשוי להטעות.

דאטה סיינס הוא אולי מקצוע התכנות הכי אנושי שיש. הוא מחייב אותנו לחבר בין העולם האמיתי לוירטואלי באופן רציף. לכן, עוד לפני איסוף הדאטה ופיתוח המודל עלינו להבין את תהליכי העבודה ולתכנן כיצד נמדוד את ההשפעה של המודל עליהם. איך נגלה חוסר אמון או ‘מרד’ משתמשים. איך נוכל לייחס שיפור ביעילות למודל (Attribution). מה ההשפעה הצפויה של המודל על מדדים אחרים במערכת (שביעות רצון מטופלים, הפחתת שחיקת מטפלים, בריאות הציבור…).

מודל טוב מתבסס על תכנון נכון של מדידת אימוץ. ומדידה מגיעה מהעולם האמיתי.

אז בפעם הבאה שאתם בונים מודל, רגע לפני שאתם מתחילים לאסוף ולארגן את הדאטה, תזכרו את שאלת האימוץ. איך המודל משתלב בתהליכי העבודה. ומה צריך לעשות כדי שהמשתמשים באמת יעבדו איתו. אחרת אתם דיון תיאורתי: אם מודל סיפק חיזוי ואף אחד לא השתמש בו האם הוא מודל טוב? מעבר על הצ’ק ליסט !הזה יכול להבדיל בין מודל תיאורתי לבין כזה שבאמת עוזר לאנשים. בהצלחה!

הפוסט פורסם לראשונה ב- https://orensteinberg.com/

המחשבים של היום הולכים ונהיים חכמים יותר, וכך גם הטלפונים המכוניות… להכיר את השינויים, להפגין סקרנות ופליאה אלה התכונות שאנחנו רוצים לעודד בילדים ובני נוער. זה יאפשר להם להסתגל טוב יותר לעולם דינאמי, לבקר את מה שהם שומעים ואולי יום אחד להיות המפתחים המובילים את המהפכה ולא רק צרכנים פסיביים.

כחלק מפרויקט ניצוצות, זכיתי ללמד בני נוער מכיתה י, 4 שיעורים בנושא בינה מלאכותית.

מה שהעלה שאלות כמו:

למה לילדים ובני נוער כדאי ללמוד בינה מלאכותית?

איך להנגיש להם את הנושא ולהגביר את המעורבות והעניין שלהם בנושא לא מוכר?

איזה תכנים זמינים יעזרו להשיג את המטרה ?

בעולם שבו לכל ילד מגיל צעיר יש סמארטפון, והוא רואה רק מה שכיף לו;  הילדים לא נחשפים למידע בסיסי על מה שקורה סביבם למרות שכל המידע בעולם זמין בכף ידם. הרוב עובר על ידם בלי שיהיו מודעים לשינויים טכנולוגיים ולהתפתחויות שישפיעו על עתידם.

למה לילדים ולבני נוער כדאי ללמוד בינה מלאכותית?

האם הילדים שלך יודעים במה אתה עובד ? האם הם יודעים לפרט מה הם עושים בעבודה ? האם הם יודעים מה זה רכב אוטונומי ? מה הקשר למובילאיי (שאולי יש לכם ברכב) ? ואיך זה עובד ? האם הם קראו על המחשב שניצח את אלוף העולם בגו ? האם הם חושבים שרובוטים הולכים להשתלט על העולם כמו בסרטי מדע בדיוני ? האם הם יודעים שמחשבים ורובוטים עתידים להשתלט על משרות רבות  בשוק העבודה ולשנות משרות אחרות ?

בעוד 20 שנה העולם שלנו יהיה שונה בדרכים שאי אפשר לדמיין,

גיליתי שהרצאה של 5 דקות מספיקה כדי לגרום להם לפהק ולחפש עיסוקים מעניינים יותר בטלפון, לעומת זאת התנסות חוויתית גורמת להם להתלהבות ללא גבולות.

כמו כן מה שנראה לכם ידוע ומובן מאליו, הילדים שלכם לא שמעו עליו ויתכן שלא ישמעו עליו עד גיל 18 לפחות, כי אם להודות על האמת – האם אתם צופים יחד במהדורות חדשות בטלוויזיה ? האם אתם קוראים יחד בעיתון ?

צריכת מדיה הפכה להיות עניין אישי מגיל צעיר, ילדים ונוער בוהים במסך הטלפון או מעבירים סרטונים ביוטיוב.

כללי הזהב להנגשת הנושא לילדים ולנוער

1. השתמשו ככל האפשר בחומרים בעברית
2. אפשרו להם התנסות חוויתית לנסות בעצמם ולהבין איפה בינה מלאכותית קיימת כבר בעולם שלהם.
3. הדהימו אותם בעזרת דוגמאות מרשימות מחזית הטכנולוגיה.
4. הראו התלהבות בעצמכם, היו סקרנים, דברו איתם על החוויה והמשמעויות.

 מה אתם יכולים לעשות יחד עם ילדיכם

• צפו יחד בסרט
• קראו כתבה בעיתון
• צפו בסרטון YouTube
• בחנו אפליקציה
• שחקו במשחק המאפשר להתנסות בבינה מלאכותית.

 בכתבה זו תוכלו למצוא ריכוז של קישורים בכל אחת מהקטגוריות הנ”ל.

טיפ:  ניתן להוסיף כתוביות בעברית כמעט לכל סרט YouTube ע”י:

← hebrew    ← autotranslate  ←  subtitle    

איפה זה נמצא ?

המחשב יודע לדבר ולהקשיב – עוזרות קוליות

המחשב יודע לראות – זיהוי עצמים

המחשב מבין במוסיקה – Shazam

המחשב יודע מה אתם אוהבים – Netflix, Spotify, Amazon

באפליקציות הטלפון שלכם – SnapChat, FaceApp, SwiftKey-keyboard

המחשב ידע לנהוג – נהיגה אוטונומית

המחשב ידע לבשל – רובוט שף

רובוטים מדהימים – בוסטון דינמיקס

איך זה עובד ?

מבוא פשוט בעברית בשפה מובנת גם לילדים ונוער תוכלו למצוא באוסף הרצאות YouTube – “עתידנות וחדשנות”  (כ-7 דקות לפרק)

כלים להתנסות ?

Google עשתה את העבודה למעננו – עשרות אפליקציות שרצות על הסמארטפון או על מחשב (רצוי עם מצלמה) ללא התקנת תוכנה וללא צורך בידע בתוכנה.

היכנסו ל – Google experiments AI

כל הדגמה כוללת התנסות כיפית וסרטון הדרכה.

פירוט על כמה דוגמאות:

התקינו אפליקציות מבוססות בינה מלאכותית – ביחנו מתי הן עובדות ואיך אפשר לגרום להן להיכשל

שאלו את עצמכם איך זה עובד.

• FaceApp
• Shazam
• Dango – Emoji Finder
• Replica – chat with an AI

עשו אמנות מבוססת בינה מלאכותית

• תמונה שלכם ע”י ואן-גוך? גילוף עץ של הכלב שלכם? תנו למחשב לנסות לצייר בסגנון שתבחרו את מה שתרצו. בעזרת Style-transfer
• על מה חולם המחשב בלילות? – או יותר מדוייק מה הוא מדמיין כשהוא רואה תמונה מסויימת. נסו את Deep-dream

נושאים לדיון ?

עבור בני נוער – תנו להם לבחור כתבה בנושא (לקריאה או בוידאו). אחרי 10-15 דקות קריאה ניתן לדון בכתבה ולפתח את הנושא לכיוונים שונים. נושא טעון ומאוד מומלץ הינו שאלות אתיות לגבי העתיד וההווה של בינה מלאכותית.

נושאים נוספים:

פופולריים

• מדענית נתונים עשתה ניתוח NLP לשירים של דודו פארוק
• מפתח ישראלי יצר ”פייק ביבי”, וזה מרשים ומדאיג באותה מידה
• מחשב קורא מחשבות
• המציג אינו אדם: הסטארט-אפ שרוצה להפוך את כל הדוגמניות למובטלות
• סופר-אמזון: החברה השיקה סופרמרקט ללא קופות או קופאים

מעוררי דיון ומחשבה

• האם המקצוע שלכם יתקיים בעוד 20 שנה?
• אנו צריכים לקחת את המחשב ולהעצים את האדם, לא להחליף אותו.
• What will future jobs look like? | Andrew McAfee
• האם הבינה המלאכותית מסכנת את האנושות?
• כל מה שאתם צריכים לדעת על פרשת פייסבוק וקיימברידג’ אנליטיקה
• “ללחוש באוזן של כל בוחר ובוחר”שערוריית “קיימברידג’ אנליטיקה” היא קו פרשת המים של פייסבוק
• בינה מלאכותית – האירוע הנורא ביותר בהיסטוריית האנושות?
• מי מוצלח יותר בעריכת-דין: בני אדם או בינה מלאכותית?

סקירות וידאו

• The story of Replika, the AI app that becomes you
• How Shazam Works
• FaceApp
• MarI/O – Machine Learning for Video Games
• Google’s DeepMind AI Just Taught Itself To Walk
  
  

צפו יחד בסרט או טריילר

Ex Machina (2014) – Trailer

Odyseey 2001 Trailer

A.I. Artificial Intelligence – Trailer

7 ימים של בינה מלאכותית – סרט קצר

שיהיה לכולנו חופשת קיץ מעשירה !

למי שמסתכל מהצד, ניתוח נתונים על ידי דאטה אנליסט נראה כעסק פשוט. מריצים שאילתה על הדטה-בייס, מבקשים לדעת מה היקף וממוצע המכירות ומסיקים האם עמדנו ביעדים (KPI’s) ואיך עלינו להתקדם מכאן הלאה.

בפועל זה לא תמיד עובד ככה. התייחסות נאיבית לנתונים עלולה לגרום לארגון להגיע למסקנות לא נכונות ולקבל החלטות שגויות. להלן מספר מקרים מפורסמים שמדגימים איך הטיות ופירוש לא נכון של הנתונים עלול לגרום להסקת מסקנות שגויה:

דגימה לא מאוזנת של האוכלוסיה – איך לא להסיק נכון מהנתונים

בשנת 1936 ביצע המגזין Liberty Digest  סקר עצום בגודלו כדי לנסות לחזות את תוצאות הבחירות הקרובות בארצות הברית. המגזין שלח ל- 10 מיליון אנשים סקר בחירות וקיבל בחזרה תשובות מ- 2.5 מיליון אנשים. ניתוח התשובות ניבא שאלפרד לנדון ינצח את פרנקלין רוזוולט בתוצאה של 57% לעומת 43%. להפתעתם של עורכי הסקר והקוראים, רוזוולט ניצח וקיבל 62% מהקולות.

בניתוח הבעיות שהיו בסדר מצאו החוקרים שתי טעויות מהותיות שמכונות טעויות דגימה:

1 – האנשים שאליהם נשלח הסקר לא היוו מדגם מייצג של האוכלוסיה בארצות הברית, כיוון שהסקר נשלח רק לבעלי טלפונים. הסיבה לכך היתה טכנית – למי שהיה ברשתו קו טלפון, כתובתו היתה רשומה בספר הטלפונים, אך בשנת 1936 רק למעמד הגבוה והבינוני היה קו טלפון והסקר לא דגם את תשובותיהם של המעמד הנמוך.

 2 – הסקר נשלח ל- 10 מיליון אנשים ומתוכם ענו עליו 2.5 מיליון. מאפייני האנשים שהסכימו לענות על הסקר עלולים להיות שונים מכלל האוכלוסיה. התופעה הזאת גם קיימת בביקורת על קניית מוצרים באינטרנט: אנשים שלהם דעה שלילית מאד או חיובית מאד על מוצר שהזמינו באינטרנט ייטו יותר לכתוב ביקורת מאשר הלקוחות שדעתם הייתה פושרת כלפי המוצר.

מה אפשר ללמוד מזה?

כאשר רוצים להסיק מסקנות מהנתונים יש לוודא שהם מייצגים את האוכלוסיה שעליה אנחנו מסיקים. למשל, אי אפשר להסיק שאחוז ההמרה של תנועה באתר שמקורה ממנועי חיפוש (תנועה אורגנית) תהיה זהה לתנועה שמקורה מקמפיין ממומן. כדי לנבא מה יהיו הביצועים בקמפיין, יש לוודא שהדגימה של האוכלוסיה שממנה מנבאים דומה לאוכלוסיה המנובאת.

משתנים מתערבים – הסברים חלופיים למסקנות

“האם לזרע של גברים יש תכונות אנטי דיכאוניות אצל נשים?”

זאת הייתה הכותרת של מחקר מדעי אמיתי שבוצע על 256 נשים ופורסם ב-2002. החוקרים הראו שיש קשר סטטיסטי מובהק בין שימוש בקונדום בקרב נשים לבין תסמיני דיכאון.

האם המחקר מוכיח שזרע מפחית דיכאון אצל נשים? התשובה היא: כנראה שלא.

החוקרים השוו בין קבוצת נשים שמשתמשת בקונדום לבין הקבוצה שלא השתמשה ומדדו את רמת הדיכאון אצל הנשים, אבל האם יכול להיות שיש הסברים חלופיים לכך שהיעדר זרע עלול גורם לדיכאון?

אנחנו יודעים שנשים (וגברים) אשר להם פרטנר מזדמן או זוגיות שעדיין בתחילת דרכה נוטים להשתמש בקונדום וככל שהקשר מתפתח נשים נוטות להשתמש בגלולות או אמצעי מניעה אחרים שאינם קונדום. לכן, סביר יותר להניח שזוגיות ארוכה היא זאת המשפיעה על הפחתת תסמינים דיכאוניים ולא הזרע של הגברים. התופעה הזאת מכונה – ‘משתנה מתערב’. משתנה מתערב הוא משתנה שמשפיע על תוצאות המחקר אבל אנחנו לא מודדים ולא מתייחסים אליו בעת הסקת המסקנות.

מה אפשר ללמוד מזה?

משתנים מתערבים עלולים להופיע גם במחקרים בעולם העסקי. למשל ראו את הדוגמה ההיפותטית הבאה:
במחקר של מחלקת סיכונים בבנק החוקרים גילו שהגורם המשפיע ביותר על רמת סיכון הוא אזור מגורים.

כאשר ניסו החוקרים להבין כיצד יתכן שאזור מגורים משפיע על רמת סיכון, הם עברו על מחקרים קודמים שבהם נמצא כי אנשים נוטים לגור בסביבת אנשים שדומים להם בסטטוס הסוציו-אקונומי, ושאנשים ממצב סוציו-אקונומי נמוך נוטים פחות לעמוד בהתחייבויות שלהם להחזר הלוואות. לפיכך הסיקו החוקרים שלמרות שנמצא קשר בין אזור מגורים לרמת הסיכון של הלקוח, המשתנה שבאמת השפיע על התוצאות היה המצב הסוציו-אקונומי של הלקוח ולא אזור המגורים שלו.

חשוב להבין שלא ניתן להימנע ממשתנים מתערבים לחלוטין. בכל מחקר ייתכנו משתנים שלא ידענו על קיומם והם אלו שהשפיעו על התוצאות, אבל ניסיון בעבודה עם נתונים והיכרות עם עולם התוכן שעליו מתבצע המחקר עשויים לצמצם את התופעה הזאת.

Hawthorne Effect  – ממה להיזהר כשעושים A/B testing

בשנות ה- 30 של המאה הקודמת ביצעו במפעל הוט’רון שבארצות הברית מספר מחקרים שבדקו את הקשר בין  עוצמת התאורה במפעל על תפוקת העובדים. המחקרים הראו שכאשר מגבירים את התאורה ביצועי העובדים עולים, אבל באופן מפתיע גם כאשר מנמיכים עוצמת האור ביצועי העובדים עולים. ההסבר לתופעה זאת המכונה Hawthorne Effect על שם המפעל שבו בוצעו הניסויים.

הסיבה לאפקט קשורה לכך שאנשים שמים לב לשינוי פתאומי ולכן שינוי זה משפיע על ההתנהגות שלהם. עובדי המפעל שמו לב לשינוי בתאורה, הם הניחו שבוחנים אותם ובכל פעם כשהיה שינוי הם הגבירו את הביצועים. לאורך זמן גם בעוצמת אור נמוכה וגם בעוצמת אור גבוהה הביצועים של העובדים חזרו לממוצע ללא קשר לעוצמת האור.

מה אפשר ללמוד מזה?

לפי Hawthorne Effect עלינו לחשוד בהשפעות המידיות שנגרמות בעקבות שינויים. למשל, אחת הטכניקות הפופולריות והיעילות למדידת אפקטיביות של שינוי נקראת AB Testing. בטכניקה זאת מוצג לחלק מהגולשים שנבחרו לניסוי וריאציה שונה של האתר ונמדדים הביצועים שלהם אל מול קבוצת הגולשים הרגילים באתר. למשל, באתר E-Commerce  שונה צבע הכפתור בעמוד הרכישה ונבדקה השפעה של השינוי לעומת העמוד המקורי.

לפי Hawthorne effect יש סיכוי שבוריאציה החדשה יהיו יותר לחיצות על הכפתור רק בגלל שהגולשים הקבועים יראו שינוי בעמוד. כלומר, עצם השינוי הוא זה שהשפיע על הלחיצות ולא הכפתור עצמו. כדי לנטרל את השפעות האפקט יש להמתין עם הניסוי לתקופת זמן ממושכת ולבדוק האם גם לאורך זמן יש עליה בשיעור הלחיצות.

לסיכום

מניתי כאן מספר סוגים של הטיות וטעויות העלולים להתרחש במחקר עם נתונים. ישנם עוד סוגי טעויות רבים שלא התייחסתי אליהם, למשל טעויות בהצגת גרפים, ניקוי וטיוב של נתונים, הסתמכות על ממוצע עבור משתנים לא יציבים, וסתם טעויות חישוב מרגיזות שעלולות להופיע.

הדבר החשוב שכדאי לקחת מהמאמר הוא שבעת עבודה עם נתונים יש להפעיל ביקורתויות באשר לתוצאות.
אין זה אומר שאסור להסיק מסקנות מנתונים, להיפך – קבלת החלטות מבוססות על נתונים זה המפתח להצלחה של ארגונים רבים. כדי להימנע מהטיות וטעויות על הדטה-אנליסט לעבוד במשותף עם מנהלי המוצר והגורמים שמכירים היטב את התחום העסקי וביחד לבחון את המהימנות של המסקנות.

רוצים לדעת עוד?

צריכים עזרה בניתוח הנתונים שלכם?

צרו איתי קשר ואשמח לעזור לכם בהפקת תובנות עסקיות מהדטה שלכם

ארגונים רבים שמעו את ‘הבאז וורד’ דאטה אנליסט ותוהים כיצד תפקיד זה יכול לעזור להם להגדיל את הרווחים שלהם. על מנת לתת טעימה מהתפקידים שהאנליסט מבצע הכנתי מאמר קצר שמסביר את המשימות שעומדות בפניו כשהוא נכנס לארגון.

המאמר מתאים גם לסטאראפים קטנים וגם לחברות גדולות, והוא כתוב בצורה קלה להבנה מבלי להיכנס לנושאים מורכבים.

הכתיבה היא בלשון זכר מטעמי נוחות, אך ישנן אנליסטיות מצוינות שעולות על גברים רבים בתחום!

המדדים העסקיים להצלחה

לפני כל שאלה אחרת, כשהאנליסט מתחיל לעבוד בארגון עליו לשאול את השאלה החשובה – מה היעדים של הארגון ואיך מודדים אותם. או במילים אחרות מקצועיות יותר:

מה ה-Key performance indicators ובקיצור KPI’s

כל ארגון עסקי רוצה להגדיל את הרווחים שלו, אבל עבור כל ארגון המודל העסקי שונה, ולכן גם הגדרת ה-KPI’s תהיה שונה. למשל: עבור ארגון אחד ההצלחה תבחן ע”י הגדלת כמות המשתמשים הפעילים, ואילו לארגון אחר חשוב יותר משך הזמן ממוצע (או החציוני) של הגולשים באתר. ישנו ארגון שחשוב לו שהלקוח יעבור את כל שלבי ההרשמה כדי שלא יטריד אח”כ את השרות לקוחות ולארגון אחר חשוב למדוד את שיעור ההלוואות שניתנו ללקוחות בסיכון נמוך.

הגדרת ה- KPI’s היא המשימה הראשונה שהאנליסט צריך לבצע לפני שהוא מתחיל לגשת לנתונים. אבל זה לא מספיק, כל KPI צריך גם להיות מוגדר אופרטיבית. לדוגמה, מה זה אומר ‘משתמשים פעילים’? האם משתמש שגולש פעם בשבוע במוצר נחשב פעיל או אולי משתמש שרוכש פעם בחודש נחשב פעיל? אין תשובה נכונה לשאלות מהסוג הזה, כל ארגון קובע את שיטת החישוב שמתאימה למודל העסקי שלו.

ניתוחים

לאחר הגדרת ה- KPI’s האנליסט “יסתכל על הדאטה” ויבצע אנליזה כדי לחשב את ה- KPI’s. אנליזה כזאת יכולה גם להשוות ולדרג את תוצאות ה- KPI’s בין סגמנטים ומוצרים שונים. למשל, ניתן להשוות בין אחוז הלקוחות מאנגליה שלקחו הלוואות מסוכנות לעומת ארצות הברית או ישראל.

בדרך כלל, אנליזה ראשונה ובסיסית היא רק תחילת התהליך. לרוב לאחר אנליזות כאלה יצוצו שאלות עסקיות חדשות. להלן מספר דוגמאות לאנליזות נוספות:

ההבנה של המשתמשים הפעילים, אלה שהזכרנו בדוגמה הקודמת, היא עדיין מוגבלת מאד. אנחנו לא יודעים כמה זמן הם נשארים פעילים לאחר הקניה הראשונית או כמה כסף לקוח כזה מכניס לארגון וכמה משאבים כדאי להשקיע כדי לגייס לקוח. על מנת לענות על השאלות האלה, ישנם מספר סוגים של ניתוחים, הפופולארים הם ניתוחי נטישת לקוחות ו LTV. בעזרת אנליזות מסוג זה, ניתן גם להשוות אילו מבין שיתופי הפעולה או קמפיינים של פרסום הביאו לקוחות “טובים” יותר. למשל, האם הלקוחות שהגיעו בעקבות הקמפיין ב- Facebook ממשיכים לקנות גם לאחר הקניה הראשונית, או שמא הלקוחות שהגיעו מהשת”פ עם YNET קונים יותר לאורך זמן.

ניסויי AB Testing

ישנם אנליזות שבודקות את האפקטיביות של המוצר עצמו. לדוגמה: חברת סטאראט-אפ בנתה אפליקציה מושקעת עם הרבה פיצ’רים מגניבים אבל מנהל המוצר שם לב שרוב הלקוחות משתמשים רק בפיצ’ר אחד. כדי לבחון האם הבעיה היא בפיצ’רים האחרים או בעיה בסדר הצגתם באפליקציה בעיה ב-UI מנהל המוצר יכול לבקש מהאנליסט לתכנן ניסוי מבוקר שבו יוצגו לשתי קבוצות שונות של משתמשים פיצ’רים בסדר שונה. בתום הניסוי, האנליסט ינתח את הנתונים ויקבע האם אופן הצגת הפיצ’רים השפיע על השימוש בהם או שהבעיה היא בפיצ’רים עצמם. ניסויים מסוג זה נקראים A/B testing.

לפעמים, כאשר הנתונים מאפשרת זאת, האנליסט יכול למצוא לקוחות עם דפוסי התנהלות במוצר שמנהל המוצר לא ידע על קיומם. למשל, בעזרת ניתוח שנקרא Cluster analysis אפשר לזהות קבוצה של לקוחות אשר מגיעים מהר לעמוד הרכישה אך לעומתם ישנה קבוצה אחרת של לקוחות שגולשים הרבה זמן, לא מגיעים לעמוד הרכישה, מתייאשים ויוצאים מהאתר. זיהוי קבוצה מסוג זה יכול לעזור למנהל המוצר למקד את מאמציו בעזרה ללקוחות “המתייאשים” ולהפוך לקוחות אלו ללקוחות קונים שנהנים לחזור לאתר ולרכוש מוצרים.

יש עוד המון אנליזות ושאלות מחקריות שהאנליסט יכול לענות עליהם באמצעות הנתונים. במאמר הזה לא נכנסתי כלל לתחום של ניבוי ופיתוח מוצרים מבוססי דאטה.

מהפכת בינה מלאכותית מאפשרת כלים ויכולות שלא היו קיימות בעבר. יש כבר מוצרים ויכולות שהתאפשרו והשתפרו כתוצאה מהתקדמויות באלגוריתמי הבינה מלאכותית. זה כולל את echo של אמזון (בינה מלאכותית שמדברת איתך) וניהול סיכונים בחברות כרטיס האשראי וחברות ביטוח.

הרבה מדברים על מה בינה מלאכותית עשתה ואיך היא השפיעה בשנים האחרונות על התעשייה. אבל לא פחות מעניין מה יקרה עוד 5-10 שנים? איזו מעצמה תוביל את המהפכה בעוד 10 שנים? ברור לכולם שזה יהיה ארה”ב או סין. אבל מי?

מכוניות יסעו בצורה אוטונומיות בעתיד, השאלה רק מתי והאם חברה סינית תתפוס עמדה מובילה בתחום זה או אמריקאית?

בראיון שנתן קאי-פו לי (מנהל גוגל סין לשעבר), הוא מסביר איך סין תוביל את מהפכת הבינה המלאכותית בעתיד בתחומים רבים כמו מכוניות אוטונומיות וראייה ממוחשבת.

למרות שבארה”ב יש את הטכנולוגיה והחוקרים הכי טובים בראייה ממוחשבת יש לסין יתרונות משמעותיים שיביאו לה את ההובלה.

בינה מלאכותית נשענת על כמויות גדולות של מידע (DATA). המידע בתחום הזה נאסף ע”י סנסורים כמו מצלמות, גי.פי.אס מיקרופון ועוד. בסין יש ~200 מיליון מצלמות ברחבי המדינה שאוספים כמויות עצומות של מידע

מכשיר הטלפון הנייד מכיל מס’ סנסורים שיכולים לאסוף מידע רב. אבל בסין זה רב יותר: יש פי 3 בעלי טלפון נייד – 700 מיליון, פי 50 יותר שימוש בתשלום בנייד, פי 300 שימוש באופניים ופי 10 למשלוחי אוכל  בעזרת אפליקציות מובייל וכו’.

נושא מרכזי נוסף לנותן לסין יתרון משמעותי ב”מירוץ” הינו הרגולציה. לסינים פחות חשובה צנעת הפרט ולכן אין מגבלות על שמירה ושימוש במידע העצום שנאסף, שלא כמו במערב (כולל ארה”ב) שתחום צנעת הפרט והמידע מאוד חשוב.

באירופה (EU), שמאז שנות ה 90 לא היו עדכון לחוקים בתחום הגנת המידע, שקדו ב 7 שנים האחרונות על חוק GDPR – General Data Protection Regulation שנכנס לתוקף במאי 2018. מי שעובר על החוק צפוי לקבל קנס של מעל 20 מיליון יורו.

 מידע אישי הינו כל דבר שיכול להתקשר עם אדם פרטי כלשהו (תמונות שלו, IP, מייל, מס’ טלפון וכו’), נקודות משמעותיות מה GDPR לגבי מידע אישי:

1. המידע צריך להיות שמור ומאובטח
2. אין לשמור מידע ללא סיבה לעתיד
3. צריך להיות ברור איזה מידע נאסף ולאיזה צורך
4. לאפשר לשלוח את המידע לאותו אדם שהוא שייך
5. לאפשר למחוק את המידע
6. לאפשר סיום פשוט של איסוף המידע

אירופה הייתה ותמשיך להיות המובילה בתחום פרטיות המידע והחוקים באירופה נוגעים בצורה ישירה בכל החברות האמריקאיות הגלובליות. החקיקה בארה”ב פחות מקיפה מאירופה אבל לאט לאט מתכנסת לכיוון זה, כאשר מדינת קליפורניה הראשונה להוציא חוק דומה ברוחו ל GDPR.

בזמן שחברות ענק במערב בתחום ה AI נלחמות ברגולציה ממשלתית מגבילה, ממשלת סין שמה לעצמה מטרה לקדם את תחום ה AI ומספקת רוח גבית לחברות סיניות הפועלות בתחום.

מי לדעתכם תוביל את תחום הבינה המלאכותית עוד 10 שנים ולמה?