מהו מחקר אלגוריתמי יישומי?

מחקר אלגוריתמי יישומי הוא מונח שמורכב משלושה היבטים משלימים:

א. ההיבט המחקרי: הגדרת מטרות, פיתוח מתודולוגיית מחקר ויישומה, הגדרה ובנייה של שיטות הערכה הולמות, איסוף נתונים ועיבודם, בניית אלגוריתמים/מודלים ושיפורם, וכמובן הסקת מסקנות.

ב. ההיבט האלגוריתמי: שימוש בכלי מדעי המחשב, שיטות חישוביות, מבני נתונים ואופטימיזציה לפתרון הבעיה. ג. ההיבט היישומי: התאמת הפתרון למציאות תוך התחשבות באילוצים עסקיים, כלכליים, משפטיים ותפעוליים; ובלוחות זמנים זריזים ומהירים.

השילוב של השלושה מבטיח שהפתרון שנוצר לא יהיה רק הוכחת התכנות אקדמאית בתנאי מעבדה, אלא פתרון מעשי, בר-קיימא ובעל ערך אמיתי.

בעוד שבמחקר יחסית דיי ברור למה הכוונה וגם באלגוריתמים, דווקא החלק היישומי כאן דורש אולי התעמקות והרחבה כדי להבין.

הממד היישומי: מכוונות לתכלית עסקית ואופרטיבית

התכונה הראשונה, שמהווה את המצפן לפעילות כולה, היא האוריינטציה היישומית. בשונה ממחקר אקדמי, מחקר אלגוריתמי יישומי חייב להיות מעשי, Hands-on ולשרת מטרות עסקיות ספציפיות, מדידות ומוגדרות מראש. ההבנה שהמחקר חייב בסופו של יום לפגוש סביבת ייצור ממשית, כזו שמתמודדת עם עומסי משתמשים, נתונים רועשים, מגבלות זמן תגובה, ודרישות אבטחה, מכתיבה שורת דרישות מחמירות על אופן ביצוע המחקר מתחילתו ועד סופו. כדי שהמחקר יהיה באמת יישומי ויוכל להשתלב במערכות ארגוניות קיימות,אנו ב-Mathematic.ai גורסים כי עליו לעמוד בחמש דרישות איכות נוקשות, אשר אינן בגדר המלצה אלא מהוות תנאי סף לקיומו של הפרויקט:

הדרישה הראשונה היא הסברתיות, Explainability. על פלט האלגוריתמים וההחלטות המתקבלות על ידם להיות כאלו שניתן להסבירם ולנמקם בבהירות. מערכות קבלת החלטות המבוססות על מודלים עמוקים של בינה מלאכותית, ובעיקר רשתות נוירונים עמוקות, נוטות פעמים רבות לתפקד כקופסה שחורה אטומה, המספקת תוצאה מבלי להבהיר את המנגנון הסיבתי שהוביל אליה. גישת המחקר היישומי דורשת כי יהיה ברור לא רק מהי ההחלטה שהתקבלה, אלא גם המדוע והכיצד מאחוריה. בתעשיות עתירות רגולציה כגון אבטחת סייבר, מערכות פיננסיות, או יישומי בריאות, הסברתיות אינה בגדר מותרות אלא דרישת סף הנדסית וחוקית חיונית. לדוגמה, במערכות לפתרון זהויות בסייבר או בגילוי הונאות תחת משטרי AI, היכולת להסביר מדוע משתמש מסוים סווג כזדוני ולחקור את כוונת המשתמש היא חיונית הן לשם מניעת התראות שווא והן לשם בניית אמון במערכת.

הדרישה השנייה היא תחזוקתיות. אלגוריתמים, מבריקים ככל שיהיו, מאבדים מרילוונטיות שלהם אם לא ניתן לתחזק אותם לאורך זמן בסביבה משתנה. הדרישה היא שהאלגוריתמים והמימוש שלהם בקוד יהיו פרקטיים לניפוי שגיאות, דינמיים וסתגלניים למצבים חדשים. יתרה מכך, עליהם להיות ידידותיים לתחזוקת תוכנה בסביבת פרודקשן, תכונה שכוללת יכולת לקלוט עדכונים בצורה חלקה, לבצע שדרוגים תכופים ולתמוך במערכי ניטור ובקרה שוטפים. מודל בינה מלאכותית שאינו בר-תחזוקה יהפוך לנטל טכני משמעותי ברגע שבו יחול שינוי טבעי בהתפלגות הנתונים שעליהם אומן במקור, ולכן התחזוקתיות מתוכננת אל תוך ארכיטקטורת הפתרון משלב השרטוט הראשוני, דרך כתיבת הקוד ועד להטמעה.

הדרישה השלישית עוסקת בעקביות וביכולת שחזור. זהו עקרון יסוד בעולם המדע המדויק, אשר המחקר היישומי מיישם במלואו בעולם העסקי-תאגידי. המחקר חייב לכלול בתוכו, באופן שקוף ונגיש, את כל ההקשר המחקרי, הנתונים הגולמיים והמעובדים ששימשו בבסיס ההשערה, תהליכי העבודה המדויקים, קוד המקור במלואו, התוצאות הכמותיות והמסקנות האנליטיות. רמה זו של תיעוד היסטורי ומתודולוגי נועדה לאפשר לכל חוקר או גורם הנדסי אחר לשחזר במדויק את התוצאות, ולאפשר לחברי הצוות (ולצוותים בארגון הלקוח בעתיד) להמשיך את המחקר באופן אינטראקטיבי ואינקרמנטלי, או לחלופין לבחון השערות חלופיות מבלי להזדקק להתחלה מאפס.

הדרישה הרביעית היא שקיפות מלאה. התנהלות מחקרית בסביבת אי-ודאות תלויה לחלוטין בבניית מערכת אמון עמוקה מול הלקוח. לפיכך, כל תוצרי המחקר מונגשים ומסופקים דרך כלי שיתוף פעולה מקוונים וטכנולוגיים, כך שתמיד מתקיימת נראות מלאה מצידו של הלקוח על המתרחש במעבדת המחקר, החל מרמת ניסוח ההשערות ועד לתוצאות הפצה בסביבות ייצור.

הדרישה החמישית, והיא אולי מהווה את אחד מחידושי הליבה של המתודולוגיה שלנו ב-Mathematc.ai, היא זריזות וגמישות מחקרית רדיקלית. בעוד שמחקר אקדמי מסורתי או מחקר ופיתוח תאגידי נמדד לעיתים קרובות במחזורי חיים של חודשים או אף שנים, המתודולוגיה שלנו גורסת סגירת פוזיציות מחקר על בסיס יומי. המשמעות המעשית היא ייצור תוצרים יומיומיים אשר זמינים לבחינה, שימוש ואינטראקציה על ידי הלקוחות באופן מיידי. גישה איטרטיבית תדירה זו מאפשרת ללקוחות ללמוד את תהליך העבודה של החוקרים תוך כדי התרחשותו בזמן אמת, להבין באופן עמוק את הטבע האמיתי של מחקר אלגוריתמי יישומי, לפתח ציפיות ריאליות שמלוות בתחושת ודאות גוברת, ויכולת חיונית לתעדף מחדש משימות על בסיס עובדות, נתונים קונקרטיים וראיות מוצקות הנחשפות מדי יום, במקום לבסס החלטות על תחושות בטן או הבטחות רחוקות טווח. הצפת הערך המתמשכת מול הלקוח באופן זה מקדמת תחושת ביטחון, אמינות ועצמאות ארוכת טווח.

אצלינו בחברת Mathematic.ai, מתמטיקאי מחקר ופיתוח בע"מ, מחקר אלגוריתמי יישומי אינו רק מתודולוגיה, אלא הבסיס למודל העסקי וצורת העבודה של החברה, והוא בא לידי ביטוי במספר דרכים מרכזיות:

צוות מולטי-דיסציפלינרי תארים גבוהים Hands-on במערכות פרודקשן

החברה מורכבת מכ-10 חוקרים אלגוריתמיים יישומיים, כולם בעלי תארים אקדמיים מחקריים גבוהים רב-תחומיים וניסיון מעשי כמהנדסי תוכנה וארכיטקטים הן במחקר, הן בסביבות פרודקשן והן הבאה מלאה של תוצרי מחקר למערכות מסחריות בסקייל גבוה. יכולת זו מאפשרת לאנשי הצוות לחבוש מספר כובעים במקביל (מחקר, פיתוח, ארכיטקטורה וניהול מוצר) וליישם את הפתרונות בעולמות תוכן רבים כגון סייבר, רפואה, פינטק ובינה מלאכותית.

שקיפות מלאה ואספקת תוצרים יומיומית

בניגוד למחקרים ארוכי-טווח שתוצאותיהם נראות רק בסוף התהליך, Mathematic.ai מספקת את תוצריה באופן שקוף ועל בסיס יומיומי. גישה זו מאפשרת למקבלי ההחלטות אצל הלקוח לבחון מחדש את הנחות היסוד שלהם, לתעדף משימות מחדש ולקבל החלטות מבוססות-נתונים באופן שוטף.

הימנעות מ-Vendor Lock-in והטמעה חיצונית

החברה מתאימה את עצמה לטכנולוגיות ולקוד הפתוח שקיימים בארגון הלקוח, ומעדיפה שצוותי הפיתוח של הלקוח יהיו אלה שיטמיעו את הפתרון בסביבת הייצור (פרודקשן), על מנת להבטיח אוטונומיה מלאה ללקוחותיה. אנחנו מספקים תוצרים בר-שחזור, מתועדים היטב ברמה יום יומית שמאפשרת למי מטעם הלקוח להבין, ללמוד, להטמיע ולהפוך לאלוף העולם בכל מה שנחקור ונפתח בעבורו.

הקניית עצמאות ללקוח ובעלות על הקניין הרוחני

המחקר מבוצע כך שכלל הקניין הרוחני שאנחנו מייצרים שייך ללקוח, אשר לעיתים קרובות גם רושם עליו פטנטים, והחברה לעולם אינה ממחזרת פתרונות בין לקוחות שונים. השקיפות היומיומית מאפשרת לצוותי הפיתוח של הלקוח ללמוד את התהליך תוך כדי תנועה, להפוך לבעלים של הידע, ולהימנע מתלות ארוכת טווח בחברה. כל ניסיון עתידי להרחיב או לשנות באופן טבעי את הפיתוחים יוכל להתבצע עצמאית על ידי הלקוח או מי מטעמו ובאופן זה חוזרים ופונים אלינו לצורך קפיצות המדרגה הבאות בלבד.

התחשבות באילוצים תפעוליים ועסקיים מהיום הראשון

בהתאם להגדרת ההיבט היישומי, הפתרונות האלגוריתמיים של החברה לוקחים בחשבון שיקולים אופרטיביים כבר בשלבי המחקר, כגון: עלויות תחזוקה, הוזלת עלות הבעלות, ה-Unit Economics, אוטומציה והחזר השקעה. כמובן גם היבטים של הסברתיות והנמקה; התאמה ותחזוקה לנוכח שינויים במצב, בנתונים, ביכולות ובמשאבים; התאמת קריטריוני הטיב ושיטות ההערכה לצרכים העסקיים והמוצריים.

מנהיגות טכנולוגית כשירות

החברה מציעה גם שירות שבו אנשיה משמשים כמדענים ראשיים או מנהלים טכנולוגיים בהיקף גמיש לפי הצורך והמצב, מה שמכונה Fractional CTO / Chief Scientist as a Service. בתפקיד זה, הם מלווים את הארגון מניסוח הבעיות, הגדרת האסטרטגיה המחקרית והדרכת הצוותים, דרך תקשורת הערך של המוצר למשקיעים ולאנשי המכירות, ועד לירידה הדרגתית במעורבות כדי להשאיר את הלקוח עצמאי לחלוטין.

מהו מחקר אלגוריתמי יישומי?

נשמע מעניין? צריכים משהו שכזה? רוצים להבין יותר? רוצים שנחשוב ביחד?

דברו איתי:

שלמה יונה

מייסד ומדען ראשי, מתמטיקאי מחקר ופיתוח בע"מ

053-7326360

shlomo.yona@mathematic.ai 

https://mathematic.ai

פודקאסט על החברה ועליי, שלמה יונה, ואופן העבודה שלנו ואיתנו: A technical deep dive about Mathematic.ai