השבר שחווים ומתארים חוקרים במעבר מהאקדמיה לתעשייה

אני מנסה לכתוב מאמר על איך לקחת אנשי מחקר אלגוריתמי מהאקדמיה ולהפוך אותם לאנשי מחקר אלגוריתמי יישומי בתעשייה. כתוצאה מכך הלכתי לחפש ולקרוא על החוויות שלהם שהם משתפים ועל מה שמספרים מנהלי מחקר ומובילי מחקר. יש לי כמובן גם את הניסיון שלי והראייה שלי של הנושא מכמעט 30 שנה במקצוע.

הלם התרבות של יוצאי האקדמיה

יוצאי אקדמיה, במיוחד בעלי תואר דוקטור, מתארים לעיתים קרובות את כניסתם לתעשייה כהתנגשות חזיתית של ציפיות. באקדמיה, המטרה העליונה היא העמקה תאורטית, חיפוש אחר חדשנות מתמטית והגעה לפריצות דרך על גבי מערכי נתונים נקיים, סטטיים וסגורים, שמוכנים מראש לצורכי מחקר. התגמול ניתן על פרסום מאמרים בכנסים נחשבים, גם אם הפתרון אינו ישים בקנה מידה מסחרי.

מנגד, התעשייה מתאפיינת בנתונים רועשים, עתירי חוסרים, חסרי תיוג אמין ולעיתים מוטים. התעשייה דורשת לפתור בעיות מעשיות תחת אילוצי זמן, משאבי עיבוד ותשתיות מיושנות. באחד הדיונים המרכזיים בקהילת המחקר, מעידים חוקרים כי למעלה מ-80% עד 90% מזמנם מוקדש כלל לניקוי נתונים ולבניית תשתיות צינורות הנתונים, ולא לפיתוח מודלים מורכבים ו"סקסיים" מבחינה מתמטית. מאמר המקור מאבחן תופעה זו במדויק, ומציין כי חוקרים יוצאי אקדמיה נוטים להפחית בערכה של עבודה טכנית זו ולראות בה מטלה פחותת ערך שאינה הולמת את כישוריהם.

תחושת התסכול ניכרת היטב בקרב אותם חוקרים. רבים מדווחים על שחיקה מואצת בשל הפער בין הציפיות לעסוק במחקר בינה מלאכותית פורץ דרך לבין המציאות, שבה עיקר עבודתם הוא הנדסת תוכנה טיפוסית וניקוי נתונים אפרורי. 

אני טוען שהפעלת תיווך למשמעות, זאת אומרת להסביך ולתווך מדוע מה שנדרש חשוב וחיוני ומה הערך שיעלה מעבודה זו, על ידי מנהל המחקר, במטרה לחבר את החוקר לתובנה שניקוי הנתונים וכיול התשתיות הם חלק חיוני ובלתי נפרד מההצלחה העסקית, ולא רעש רקע. גישה זו מקבלת חיזוק משמעותי ממומחי תעשייה אשר טוענים שחוקר שאינו מבין את ההקשר של הנתונים בסביבת העסק יפיק, בסופו של דבר, אלגוריתמים מנותקים שמייצרים נזק במקום תועלת.

רפרנס בסיסי תחילה ופשטות אלגוריתמית

היום ישנו קונצנזוס מוחלט בקרב מנהיגים טכנולוגיים ומובילי דעה בתעשיית הבינה המלאכותית שהצעד המתבקש הראשון הוא לבנות רפרנס בסיסי ופשוט שמולו יש לשקול כל פתרון מורכב אחר. מומחי התעשייה מזהירים חזור ושנה מפני הנטייה המיידית של חוקרים לזרוק רשתות עצביות עמוקות על כל בעיה, במקום לנסות לפתור אותה קודם לכן בעזרת לוגיקה עסקית פשוטה, רגרסיה ליניארית, או עץ החלטות בסיסי.

על פי הספרות המקצועית והדיונים בכנסים ייעודיים רפרנס בסיסי מספקת שתי תועלות הכרחיות :

קו הבסיס מספק רף ביצועים מינימלי שאפשר ליישם מיד. ממנו והלאה, ניתן למדוד בצורה מדויקת האם כל שבוע נוסף של פיתוח אלגוריתם מתקדם יותר אכן מצדיק את עלויות כוח האדם וזמן המחשוב. מדובר בכימות בסיסי וחשוב של ה ROI.

מודלים מורכבים דורשים תחזוקה מתמדת בסביבת Production, מועדים לכשליםומקשים על ההסברתיות של התוצאות בפני הלקוח והרגולטור.

הביקורת בשטח מלמדת כי מחלקות מחקר שאינן פועלות לפי תפיסת רפרנס בסיסי תחילה, נוטות לייצר פרויקטי מדע שנמשכים חודשים ארוכים ולבסוף נגנזים כיוון שאינם עומדים במבחן הכלכלי, או כיוון שהשוק השתנה תוך כדי פיתוחם. היה לי בוס מיתולוגי שהיה מכנה את זה "להרתיח את האוקיינוס".

בנוסף לתיווך המשמעות והחשיבות של הצדקת מאמצים ופשטות נראה שחוקרים צריכים שיגבילו אותם בזמן ובמאמץ, מה שנקרה Time Boxing, כדי לאלץ את החוקר לעצור את החקירה האינטלקטואלית ולספק פתרון מספיק טוב בפרק זמן קצוב.

לא קשה לקבל עדויות מהשטח שתהליך זה תרגום אלגוריתמים של מדענים לקוד פרודקשן איכותי הוא לרוב סלע המחלוקת הגדול ביותר, וקבלת אילוצי תעשייה מחייבת ענווה ונכונות ללמוד מצוותי הנדסת התוכנה.

לסיכום

יש עוד תפיסות רבות לגבי חוקרים מהאקדמיה: החל בממשק המשתמש הבעייתי של רבים מהם: לא מבינים מה הם אומרים ורוצים, קשים לניהול, ... אמירות כמו "פרימדונה" או "פרימה בלרינה" וחשש כבד שישתעממו ויעזבו או שישתעממו ויזיקו, וכמובן לגבי היכולת שלהם להתחשב במשמעויות עסקיות, מוצריות ותפעוליות ולא רק בצו'פצ'יק של הקומקום שהם עוסקים בו. לא חסרות הכללות ולא חסרים מקרים של התנגשות בציפיות וברצונות ובתוצאות.

מכירים עוד סטראוטיפים? נכונים יותר או פחות? ספרו לי! שתפו!!

השבר שחווים ומתארים חוקרים במעבר מהאקדמיה לתעשייה