מהר יותר, גבוה יותר, חכם ויעיל יותר

ארגונים מוצפים בדאטה מסוגים ופורמטים שונים, כאשר הגישה אליהם וניהולם היא אתגר מורכב שלרוב אינו עובד בצורה טובה. סקרים  ומחקרים (Gartner, Capital One) מצאו, שרוב הארגונים דיווחו אודות קשיים בטיפול בנתוניהם: 76% מהנשאלים, דיווחו כי הם חווים קשיים בהבנת הנתונים, בעוד שכמעט 80% דיווחו שארגון הנתונים מהווה אתגר רציני. רק 18% מה- CEOs טוענים כי ניהול וניתוח הנתונים בארגונם הוא אפקטיבי בייצור עקבי של ערך עסקי ברור עבור הארגון. יתרה מכך ארגונים רבים מחזיקים אוסף של מערכות שאינן מחוברות האחת לשנייה, דבר שיוצר כפילות, חוסר סנכרון והיתוך לא נכון של הנתונים. ללא פתרון רוחבי והוליסטי, מקבלי ההחלטות נאבקים להבין מהם הנתונים, מקורם, שימושם וכיצד להתך את המידע.

נשאלת השאלה, כיצד ניתן להשתמש בדאטה וביכולות הבינה המלאכותית וליישמן בארגונים על מנת להפיק בקלות ובמהירות ידע רב יותר מהמידע הקיים.

צרכי הארגונים בכלל המגזרים באשר הם (כולל המגזר הממשלתי/ציבורי) לא השתנו עשורים. כולם מחפשים, כיצד להתייעל, למקסם את המשאבים, לקבל החלטות נכונות, למנוע תקלות ולהעלות  את שביעות הרצון.

בינה מלאכותית מאפשרת לנו כיום, הרבה מאוד מהצרכים:
– התייעלות, אופטימיזציה במשאבים, קיצור ואוטומטיזציה של תהליכים, צמצום שגיאות וטעויות אנוש.
– קבלת החלטות מבוססות דאטה, זיהוי טרנדים, מגמות, אנומליות, חיזוי, יכולת ניתוח ומענה בזמן אמת, תחקור ולימוד.
– העלאת שביעות רצון, ניהול ושיתוף ידע בפשטות ומהירות, הנגשת המידע בתוך ומחוץ לארגון בשפה חופשית הזהה לשיחה עם עובד.

הדרישות של הארגונים הינם לפלטפורמה אחת כוללת אשר עושה שימוש ב- AI ומנתחת את כל סוגי הנתונים והפורמטים, ולאחריו מאפשרת לייצר תהליך עסקי בצורה אוטומטית או ידנית. האתגר הוא להצליח להכיל מסמכים רשמיים שנוצרים בתוך ארגון, הודעות טקסט, מסמכים סרוקים, שיחות מוקלטות, תמונות, סרטונים ואפילו פוסטים ברשתות חברתיות.  לצורך כך הפלטפורמה צריכה להיות בעלת יכולת לאגם את המידע ולתייגו באמצעות אלגוריתמי AI באופן אוטומטי, בשילוב המטא-דאטה, על מנת לספק תשובות/תובנות גם בשפה חופשית (CHAT).

בהקשר זה, הלקוחות "התרגלו" ולכן דורשים יכולות בינה מלאכותית אשר  עומדות בשורה אחת עם היצע יצרני הטכנולוגיה הגדולים, כגון פלטפורמת Gemini של גוגל או ChatGPT של OpenAI, תוך שימוש באותם עקרונות של מודלים של שפה גדולה (LLM) ועיבוד שפה טבעית (NLP), אך מותאמים ל- Use Cases-ים הארגוניים השונים על ידי היתוך מקבילי של מודלים וסוגי מידע שונים.

בתחום המרת האודיו, האתגר הוא להבדיל בין מספר קולות, להקטין רעשי רקע ולנתח מספר שפות, בהן עברית, ערבית ורוסית. על-מנת להשיג אחוזי דיוק גבוהים מאוד של מעל  90% עליהם הלקוחות אינם מוכנים לוותר יש צורך באלגוריתמיקה מתקדמת, אימון ושילוב מודלים. לאחר המרת השמע לטקסט נדרש לאפשר ניתוח של הטקסט עצמו ברמה התחבירית(לדוגמא סיכום, זיהוי סנטימנט, נושא, נשוא ועוד) ולספק בין היתר תרגום בזמן אמת בין שפות, מה שיאפשר למשתמשים לנהל שיחה כל אחד בשפתו.

בשוק קיימים מספר פתרונות ומוצרים לניתוח דאטה לא מובנה אבל רובם מתמקדים בטכנולוגיה אחת: סאונד, ווידאו ותמונות, טקסט (NLP / LLM). הרצון של הארגונים הוא לשלב את כולם בפלטפורמה אחת אינטגרטיבית.

בנוסף, צרכי הלקוחות השונים דורשים בהתאם יכולת תמיכה במספר סביבות: ענן GCP ו- AWS, שמשמשים את המגזר הציבורי במסגרת נימבוס רובד 5 בתצורת SaaS או Non-SaaS,  On-Premise עבור לקוחות וארגונים מסויימים הנדרשים לכך, ותצורה היברידית.  Kal Sense הינה פלטפורמה שפותחה על ידי הסטארט-אפ הצפון-ישראלי Kaleidoo, חברת בת של בינת תקשורת מחשבים המתמחה ומובילה בביג-דאטה ובינה מלאכותית ב- 5 השנים האחרונות. הפלטפורמה מנתחת כל פיסת נתונים, תוך שימוש באלגוריתמים מתקדמים, על מנת לתת מענה לאתגרים שתוארו לעיל.