כיצד הבינה המלאכותית משנה את העולם
- רובי בוטוביץ'
- אוגוסט 13, 2024
- חדשות בינה מלאכותית
- AI
- 0תגובות
בינה מלאכותית והטרנספורמציה של ארגונים: פותחים את דלת ההבנה האנושית
לא כל כך מזמן, איסוף מיליון נקודות נתונים ביום היה בלתי נתפס עבור רוב הארגונים. כיום, עידן הנתונים מציף אותנו בשפע של מידע גולמי. האתגר הוא לנפות תובנות מתוך זרם הנתונים הבלתי פוסק, ולאחר מכן להפוך אותן לפעולות חכמות שישנו תהליכים וארגונים כולם.
בינה מלאכותית כמנוע שינוי עסקי
שיטות הבינה המלאכותית החדשניות הן הכלי המושלם לאיתור דפוסים וקשרים חבויים בנתונים. בכל ענף, היכולת הייחודית של בינה מלאכותית לנתח ולחלץ תובנות מנתונים גולמיים מבטיחה לטרנספורם באופן מהותי את אופן הפעולה של ארגונים – משיחות מכירה יעילות יותר ועד חיסכון בחיי אדם בתעשיות סיכון גבוה. אך כדי להשיג טרנספורמציה אמיתית באמצעות בינה מלאכותית, עלינו להבין את האדם לא פחות מאשר את הטכנולוגיה.
שלושה צעדים לטרנספורמציה בבינה מלאכותית
כחוקרי מדעי ההתנהגות, אנו מזהים שלושה שלבים מרכזיים בתהליך הטרנספורמציה בעידן הבינה המלאכותית: איסוף נתונים, חילוץ תובנות וביצוע פעולה. השלבים האחרונים דורשים הבנה עמוקה של המניעים המורכבים שמאחורי ההתנהגות האנושית – החששות, המוטיבציות, ההטיות, מגבלות הקיבולת הקוגניטיבית ותהליכי המוח האחרים שמובילים אנשים לנהוג בדרך מסוימת. בעוד שבינה מלאכותית יכולה לזהות דפוסים בנתונים, הבנת האדם היא הכרחית כדי להפיק תובנות מהדפוסים ולעצב יוזמות שינוי ארגוניות אפקטיביות.
תצפית חדר הניתוח: הבינה המלאכותית בפעולה
לחקות את תיבת השחורה של מטוסים
בואו ננתח את תהליך הטרנספורמציה בבינה מלאכותית דרך דוגמה מהשטח. ד”ר טאודור גרנטצ’רוב, פרופסור לניתוחים באוניברסיטת סטנפורד, שאף להשתמש בבינה מלאכותית כדי לנתח ולהפחית שגיאות בחדרי ניתוח. במשך שנים, הוא פיתח ‘תיבה שחורה’ לניטור כל פעולה בחדר הניתוח, בהשראת ‘תיבות הקלטת נתוני הטיסה’ שהוכיחו את עצמן בשיפור בטיחות התעופה מאז שנות ה-50. מטרת התיבה השחורה של גרנטצ’רוב היא לזהות את גורמי השגיאות ולנקוט צעדים למניעתן.
שלב 1: איסוף נתונים
השלב הראשון הוא איסוף נתונים, משימה פשוטה יחסית בעידן הנוכחי. התיבה השחורה לחדרי ניתוח של גרנטצ’רוב איספה עד מיליון נקודות נתונים ביום מכ-20 חדרי ניתוח ברחבי ארה”ב. באמצעות מגוון חיישנים, הוא קלט נתונים אודיו-ויזואליים, רשומות רפואיות אלקטרוניות, קלט ממכשירים ניתוחיים וקריאות ביומטריות של צוות הניתוח עצמו.
שלב 2: חילוץ תובנות
בשלב זה, הבינה המלאכותית יכולה לתרום תרומה משמעותית. ‘זה בלתי אפשרי עבור המוח האנושי לעקוב אחר כל נקודות הנתונים הללו ולחפש דפוסים והקשרים נסתרים,’ מסביר גרנטצ’רוב. ‘וזהו המקום שבו טכניקות בינה מלאכותית מודרניות יכולות להקנות לנו כוח להפוך נתונים לתובנות לפעולה.’
אך כדי לגזור תובנות רלוונטיות, חיונית הבנה של הגורם האנושי. צוות המחקר של גרנטצ’רוב העלה השערות על גורמי לחץ, הפרעות וחוסר תקשורת כמקורות לשגיאות, וניתח את הנתונים בהתאם. הם גילו, למשל, כי מנתחים עצבניים היו בעלי סיכון גבוה פי 66% לביצוע טעויות; ושהסחות דעת כמו שיחות זרות היו גורם מרכזי לשגיאות קטלניות. תובנות אחרות התגלו סביב חשיבות התקשורת הצוותית והביטחון הפסיכולוגי – שפיעה ניכרת יותר מהמיומנות הטכנית של המנתח.
שלב 3: נקיטת פעולה
לאחר שהבינה המלאכותית עזרה לחשוף את מקורות השגיאות העיקריים, יכלו בתי החולים לפעול למניעתן. אך ראשית, יש להבין כיצד מתרחש שינוי התנהגותי. מרכיבי המפתח הם: קביעת עדיפויות ברורות, פיתוח הרגלים חדשים ויצירת מערכות תומכות. בנוסף, נדרשת מכולם בארגון נכונות לקבל כישלונות כחלק מתהליך הלמידה.
במקרה זה, העדיפות היא שיפור תוצאות המטופל, והרגל הנדרש הוא הבעת חששות על ידי הצוות. התרגול יוביל להטמעתם של הרגלים אלו. במקביל, בתי חולים יכולים ליצור מערכות חדשות, כמו כלל נגד שיחות לא רלוונטיות בשלבים קריטיים, כדי להקל על ביצוע ההתנהגות הרצויה.
מסר מרכזי: הבנת האדם היא המפתח
בעידן הנתונים, בינה מלאכותית היא הכלי החזק ביותר שיש לנו לחילוץ תובנות מנתונים גולמיים. אך כדי להפיק תועלת מלאה מתובנות אלו ולהוביל טרנספורמציה אמיתית של ארגונים ותהליכים עסקיים, אנו חייבים להבין לא רק את הטכנולוגיה אלא גם את האדם. רק הבנה מעמיקה של המוטיבציות, היכולות והמגבלות האנושיות תאפשר לנו לתרגם תובנות לפעולה – לשנות הרגלים, לפתח מערכות חדשות ולהוביל שינוי אמיתי וברור מטרה.
