הכותרת החוזרת על עצמה "דו"ח MIT אומר ש -95% מהטייסים של AI ארגוניים נכשלים" מפספסת את הנקודה לחלוטין. זה לא כמעט כל כך קודר, ובעוד שחברות מוצאות בינה מלאכותית מאתגרת, זה לא בגלל ש- AI לא עובד - זה בגלל שהן מתקרבות אליו בצורה לא נכונה. אותו דו"ח אומר כי טייסי LLM למטרות כלליות מצליחים 83% מהזמן בעוד שכלי AI ארגוניים מצליחים רק 25% מהזמן, הרבה יותר טוב מ -5%, אם כי עם מקום משמעותי לשיפור.

החדשות הטובות: עם האסטרטגיה, ההדרכה והמיקוד הנכונים, חברות יכולות להתקדם במהירות במעלה העקומה, למנף את הבינה המלאכותית בדרכים שלא רק מזיזות את המחט, אלא שהן באמת טרנספורמטיביות.

כנקודת מוצא, בהתחשב בכותרת 'כישלון של 95% 'ממשיכה למשוך תשומת לב, כדאי לחקור את הנתונים הבסיסיים במסגרת אחרת: טייסי LLM למטרות כלליות (GPLLM) מצליחים 83% מהזמן, בעוד שכלי AI ארגוניים נוקשים מצליחים רק 25% מהזמן - אפילו באמצעות ההגדרה השמרנית של המחקר להצלחה, שיפור משמעותי ב- KPI תוך 6 חודשים בלבד מסיום הפיילוט. זה מתיישב עם מחקרים אחרים המראים ניסויים נרחבים וגם לכידת ערך מבטיחה אך מוגבלת. ההנחה השימושית יותר היא שאתה רק צריך את האסטרטגיה הנכונה.

אז מדוע נראה כי כל כך הרבה טייסי AI של Enterprise נכשלים?

ישנם מקרי שימוש רבים, אך נתמקד בכמה קטגוריות בסיסיות כאן: שימוש בינה מלאכותית לשיפור תהליכים קיימים, כמו צ'אט בוט לשירות לקוחות או אופטימיזציה של שרשרת אספקה, ושימוש בינה מלאכותית לפרודוקטיביות אישית, כמו תגובה למיילים וכתיבת דוחות.

כלי AI ארגוניים נכשלים מסיבה פשוטה: הם נבחרים לעתים קרובות על ידי צוותים מרכזיים בהתבסס על יכולות AI ולא התאמה עסקית ומציאות זרימת עבודה. התוצאה? מערכות נוקשות ולעתים קרובות מחוסמות שאינן משתלבות בזרימות עבודה קיימות, דורשות העברת נתונים ידנית ואינן יכולות ללמוד ממשוב, ודורשות תיקון מתמיד לאותן טעויות.

יחד עם זאת, 90% מהחברות מדווחות כי "לפחות חלק מהעובדים" כבר משתמשים בכלים גמישים כמו ChatGPT עבור האחרונים, פרודוקטיביות אישית, רבים משתמשים בחשבונות האישיים שלהם, ומפגינים ערך מוחשי ונגיש.

מה עושים צוותים מצליחים?

1. הניע שימוש יעיל ב- LLMs למטרות כלליות (GPLLMs):

חברות מצליחות מנצלות את ההזדמנות להשתמש ב- GPLLMS כדי להגדיל את הפרודוקטיביות. חברות רבות מפיצות יכולת כמו Microsoft Copilot, בהנחה מרומזת שהחלק הקשה נעשה. למרבה הצער, רוב העובדים מנסים את זה, מושכים בכתפיים כי זה לא עשה מה שהם רוצים וממשיכים הלאה. חברות מצליחות מכירות שמדובר בפרויקט ניהול שינויים. הם לא רק מפעילים יכולת כמו Copilot, הם מעורבים ומאמנים צוותים באופן פרואקטיבי ובשיתוף לפתח את מקרי השימוש ולזהות את היתרונות.

זהו צעד קריטי. צוותי קו החזית מבינים את העבודה היומיומית שלהם טוב יותר מכל אחד אחר. זה לא מספיק לעשות אימונים מקוונים, אנשים רבים לא רוצים 'לקרוא את המדריך'. אתה צריך להפגין איך כדי להשתמש בכלים אלה, היכן הם יכולים לשמש, ואז בית מלאכה מקרי שימוש. לגרום לצוותים לעסוק בסיעור מוחות כיצד הם יכולים להפיק תועלת, ואז להפעיל אותם בפועל. ברגע שאתה לוכד את הדמיון שלהם והם "מקבלים" אותו, אתה באמצע הדרך.

שתי גישות יעילות ביותר הן: סדנאות מעשיות והאקתונים של AI, המכוונות למשתמשים ומפתחים, בהתאמה.

סדנאות יעילות מכיוון שהן מעשיות: אתה מפגיש צוות עם בעיות זרימת העבודה האמיתיות שלהם ומבלה כמה שעות כדי להשתמש ב- ChatGPT או Claude כדי לפתור עבודה אמיתית. הם עוזבים לאחר שהשיגו משהו מוחשי, לא עם מדריך לקריאה מאוחר יותר. סוג זה של למידה חווייתית ממוקדת עוזר להם להתקדם מספיק במעלה עקומת הלמידה כדי להבין באופן אינטואיטיבי כיצד AI יכול ליצור ערך עבורם, מה שמבטיח שהם ימשיכו להשתמש בו לאחר מכן.

האקתונים הם למידה מעשית למפתחים. ההכנה הממוקדת והזמן המוקדש לבנייה עם AI נותנים לאנשים ולצוותים את המומנטום הדרוש להם כדי להתנסות, ללמוד ולהצליח. אירועים אלה יוצרים לעתים קרובות שינוי חשיבה משמעותי, מה שמניע את העובדים לחפש הזדמנויות מונעות בינה מלאכותית בכל מה שהם עושים.

2. פריסה אסטרטגית של AI ארגונית

חברות מצליחות חושבות באופן מעשי מאוד על AI ארגוני, תוך התמקדות בשילוב זרימת עבודה, הסתגלות ולמידה. קל ומפתה לרדת במקום זאת בחור הארנבים המסיח את הדעת של המורכבות, לזהות קריטריונים להערכה וניקוד, לזהות קבוצה אינסופית ושאפתנית לכאורה של מקרי שימוש ולהפעיל טייסים.

חברות מצליחות מתחילות במהירות, ומעורבות קווי עסקים כדי למקד בעיות שהן הזדמנויות מעשיות ומציאותיות עבור AI. יש כמה גורמים חשובים שיש לקחת בחשבון כאן: שהשימוש הוא מעשי בתוך תהליכים וכלים קיימים; זה משהו שהצוות יכול לעסוק בו ולעמוד מאחוריו; המאמץ וההחזר על ההשקעה מתאימים; וזה ייצר נראות בארגון הרחב יותר (יש לו השפעה, ייצר עניין).

מבחינת הגישה הטכנולוגית, התמקדו בכלים הניתנים להתאמה עם שלושה מאפיינים מרכזיים: 1) הם יכולים להשתלב בזרימות עבודה, כלים ותהליכים קיימים; 2) הם ניתנים להתאמה בקלות ככל שהצרכים משתנים; ו- 3) הם לומדים.

‍

‍

יש להימנע מכל פתרון הדורש העתקה או העברת נתונים בין מערכות או דורש שינוי תהליך ללא כל תועלת ניכרת. וכל מערכת שצריך לתקן שוב ושוב, להציג את אותן אי הבנות או לחזור על אותן טעויות שוב ושוב, לא תיצור ערך.

ואל תרדוף רק אחר מדדים בשורה העליונה והתחתונה. סוויטות ולוחות C מכוונים באופן טבעי בשורה העליונה והשורה התחתונה. זה בסופו של דבר מה שחשוב. זה מוביל לדגש טבעי על אימוץ AI לייצור הכנסות מהשורה העליונה והפחתת הוצאות בשורה התחתונה. אלה ניתנים למדידה ישירה וקלים "לדווח עליהם". ישנן הזדמנויות רבות כאן, החל מצ'אטבוטים לשירות לקוחות, ליצירת תוכן איכותי ועד דיווח וניתוח אוטומטיים.

עם זאת, זה מפספס הזדמנות ענקית עבור AI לשפר, ואפילו להמציא מחדש, תהליכי המשרד האחורי. אלה אינם ניתנים למדידה בקלות בדולרים. לדוגמה, כלי מפתחים להגברת יעילות הקידוד עשויים לקזז באופן מיידי את צרכי הגיוס, וליצור השפעה מהשורה התחתונה הניתנת למדידה, אך שימוש בכלים אלה לאב-טיפוס מהיר יותר של מושגים לאימות לקוחות יוצר יתרונות שקשה למדוד. בסופו של דבר זה אמור לתרגם לזמן מהיר יותר לשוק, יתרון תחרותי, ובסופו של דבר, הכנסות, אבל זה ניתן למדידה בשנים, לא חודשים. הדבר נכון גם לגבי צמצום הזמן למשא ומתן על חוזי רכש.

‍

‍

זה לא אומר שאלו אינם בעלי ערך, אך הם דורשים את האמונה והמחויבות לשיפור אופן הפעולה של העסק: שהשיפורים הללו מביאים לעסק מהיר יותר, זריז ומגיב יותר.

3. להמציא מחדש את התהליך

זוהי ההזדמנות הגדולה באמת: לחשוב מחדש על התהליך והמטרה.

ככל שתקדימו לבנות את המומחיות הזו של AI ארגונית, כך תוכלו להתחיל לחשוב בצורה רחבה יותר על האופן שבו AI יכול לשנות את העסק שלכם. מה אתה יכול לעשות אחרת בגלל AI - גלים קודמים של חדשנות טכנולוגית הולידו עסקים חדשים לגמרי. האינטרנט לא רק איפשר תקשורת מהירה יותר באמצעות דואר אלקטרוני, הוא איפשר הזרמת וידאו ומחשוב ענן. מחשוב ענן בתורו איפשר לרצועה של סטארט-אפים להשיק ולהתרחב ללא הוצאות הון גדולות. האייפון וחנות האפליקציות אפשרו שיתוף נסיעות. מסחר אלקטרוני איפשר למותגים ישירות לצרכן להשיק מבלי לעסוק בקמעונאי.

‍

‍

הניגוד כאן הוא משמעותי. משמאל, כלי AI מאיצים צעדים בודדים אך נשארים מנותקים. הערכת תמונות AI מייצרת הערכה, אך ללא הקשר מדוחות משטרה או טלמטיקה, הדיוק סובל, מה שמוביל ל"לולאת התוספות "המוכרת שבה חנויות גוף מבקשות תיקונים. בני האדם עדיין מתאמים מקצה לקצה.

מימין, מערכת סוכנית מתזמרת את כל זרימת העבודה. הוא בולע מספר מקורות נתונים בו זמנית, מאמת ממצאים (התמונה מראה נזק אחורי; בדוח המשטרה כתוב "אחורי") ומקצה ציוני ביטחון. תביעות בעלות ביטחון גבוה נפתרות באופן אוטומטי. מקרים מורכבים עוברים למומחים אנושיים שהחלטותיהם נכנסות למערכת, ומשפרות את הדיוק העתידי. תפקידו של המתאם עובר מעיבוד לשיפוט.

אסטרטגיית יישום ועקרונות:

תתחילו. באגרסיביות.

למתחרים שלך כבר יש. מחקר שנערך לאחרונה מדד את השפעת ההכנסות הישירות של פריסת צ'אטבוטים AI בעסקי מסחר אלקטרוני: עלייה של 16% במספר העסקאות שהושלמו. צ'אטבוטים הורידו את החיכוך למכירה - בשווקים תחרותיים, צמיחה זו באה על חשבון מתחרה. זה גם ממחיש את הסכנה המקבילה של המתנה. אתה יכול לתפוס נתח שוק, או לאבד אותו.

בעת יישום, זכור את העקרונות הטכניים הבאים:

• התחל עם MVP אל תבנו הכל בבת אחת. העבירו ערך במסגרת הזמן המהירה ביותר האפשרית, ואז חזרו.
• השתמש בכלי המתאים לתפקיד הקוד הוא דטרמיניסטי; השתמש בו במקום שבו הדיוק חשוב. השתמש ב- AI לעבודה יצירתית, אנליטית ולא דטרמיניסטית. גישות היברידיות עובדות לרוב בצורה הטובה ביותר.
• בניית מערכות למידה — לכידת משוב אנושי בלולאה. מערכות צריכות להשתפר עם הזמן, לא לחזור על אותן טעויות.
• עיצוב לאינטגרציה - כלים הדורשים עזיבת זרימות עבודה קיימות לא יאומצו. בנה או קנה לאינטגרציה חלקה.

אל תשכח את האבטחה, הרגולציה והאילוצים הארגוניים

כל מה שדיברנו עליו עד כה נוגע למקרה השימוש ויצירת הערך, אך ישנם אילוצים אחרים שחיוניים לקחת בחשבון. ניגע בשלוש קטגוריות גדולות כאן:

1. אבטחת מידע ופרטיות

יש כאן מספר נושאים, העיקריים שבהם הוא ששליחת נתונים קנייניים ל- LLMs חיצוניים יוצרת סיכון לחשיפת נתונים, כולל הדלפת מודיעין תחרותי, נתוני לקוחות ו- IP קנייני. המשמעות היא להחליט מה ניתן לעשות בבטחה כעת, סיווג רגישות הנתונים ושימוש ב- LLMs ציבוריים, מקרים פרטיים ויכולות מיוחדות בהתאם למידת השליטה הדרושה. מופעים פרטיים של LLMs מאובטחים מטבעם לא פחות מפריסות ענן ארגוניות, אך הם פחות בוגרים, לכן יש להקפיד. אם יש ספק, התחל בפיילוט עם נתונים סינתטיים או אנונימיים - אינך צריך בהכרח לחכות.

דאגה ביטחונית נוספת, במיוחד בתעשיות מוסדרות כמו שירותים פיננסיים ובריאות, היא ש- AI עשוי ליצור סיכון תאימות או בעיות אחריות, ועלול לזרוע הרס שלא נבדק. לכן, הגבל את רדיוס הפיצוץ, התחל במקרי שימוש בהם שגיאות הן בעלות תוצאה נמוכה, כמו מחקר פנימי או יצירת טיוטות מסמכים, לפני שתתמודד עם החלטות בסיכון גבוה כמו התחייבויות לקוחות או קביעות ציות. בנה אמון והבנה של היכולות והסיכונים, החל ממקרי שימוש פנימיים, שילב מודלים אנושיים בלולאה, הטמיע מסלולי ביקורת והבנת שיטות אבטחה ופגיעויות סוכניות.

2. התנגדות ארגונית וניהול שינויים

נגענו בזה בקצרה קודם לכן, אחת הבעיות הגדולות ביותר באימוץ AI כיום היא שעובדים פשוט לא מאמצים אותה. בעוד ש -90% מהארגונים מדווחים על שימוש מסוים ב- AI, האימוץ ברוב הארגונים נותר מוגבל לשבריר קטן מהעובדים, ולכן האימוץ עדיין מוגבל מאוד. אתגר קשור הוא "עייפות שינוי", התחושה ש"ניסינו טרנספורמציה דיגיטלית בעבר וזה נכשל, פשוט נחכה לזה".

המפתחות כאן, כאמור בסעיף 1, הם הכשרה מעשית, באמצעות סדנאות והאקטונים, ומעורבות ישירה של מנהלי קו החזית. בפרט, עבוד עם מנהלים לפיתוח מקרי שימוש במגדלור: כאשר עובדים רואים עמיתים מקבלים ערך אמיתי, האימוץ מואץ באופן טבעי. אילוץ כלים על צוותים עמידים עלול לגרום לתוצאה הפוכה.

3. נעילה של ספק וסיכון טכנולוגי

התחייבות לפלטפורמה או ספק שמתיישן, או שנרכש ומשנה את המיקוד, היא סיכון ממשי מאוד. זה הופך את ההסתמכות על ספקי פלטפורמות כדי להפעיל יכולות AI, או לקנות פלטפורמות חדשות שלמות, למסוכנת. מערכות שמשתלבות על זרימות עבודה קיימות ניתנות להחלפה בקלות רבה יותר ומסיכונים נמוכים יותר מאשר פלטפורמות הדורשות החלפה סיטונאית.

אף אחד מהאילוצים הללו אינו בלתי ניתן להתגבר עליו. אל תחכו לתנאים מושלמים, תיפלו מאחורי מתחרים שבונים מומחיות כעת. פיתוח גישה מעשית, התאמת הגישה שלך לאילוצים האמיתיים שלך.

מפת דרכים מעשית

המסגרת שלמעלה מתארת כיצד נראה אימוץ בינה מלאכותית מוצלח - שלושת השלבים שחברות צריכות לעבור בזמן שהן בונות יכולת. אבל איך אתה באמת מבצע את זה? הנה מפת דרכים מעשית להתחלה.

1. להתחייב

הצעד הראשון הוא גם החשוב ביותר, התחייבות ליישום בפועל, לא לניתוח נוסף. אתה יכול, וכנראה שתשנה את המסלול לאורך הדרך, וזה בסדר, אבל בלי מחויבות אמיתית להשפיע על העסק שלך, לא רק ללמוד אותו, אתה בסופו של דבר במעגל הערכה אינסופי.

אם כבר יש לך את הבהירות והמומחיות הנדרשים באופן פנימי, בכל האמצעים התקדם בעצמך. אם לא, מצא מישהו שיכול לעזור לך לשמור על מיקוד ולהימנע ממלכודות שעלולות לעכב את ההתקדמות בחודשים.

2. לנתח

התבונן בעסק שלך וזהה זרימות עבודה שבהן AI יכול להיות שימושי. התמקד באזורים שבהם יש לך כרגע חיכוך. לדוגמה, אם אתה מבלה יותר מדי זמן בתיאום עם צוותי פיתוח חוזים, התמודדות עם אי הבנות ושינויי היקף, זה מקום מצוין עבור AI לעזור - הן ביצירת מפרט טוב יותר והן באוטומציה של משימות פיתוח שגרתיות.

דוגמה נוספת: הלקוחות שלך אינם מרוצים מהתמיכה האוטומטית שלך, אינם מסוגלים למצוא פתרונות או להגיע לסוכן. או שצוות השיווק שלך לא יכול לשמור על איכות התוכן להשקות מוצרים חדשים בגלל הנפח העצום הנדרש. אלה סוגים של בעיות שבהן AI יכול ליצור ערך מוחשי במהירות יחסית.

ככל שיכולות הבינה המלאכותית הארגונית שלך גדלות, תהיה בעמדה הרבה יותר חזקה לחשוב מחדש ולהמציא מחדש זרימות עבודה שלמות. אבל זה שאפתני מדי אם עדיין לא פיתחת את הכישורים הדרושים.

3. סדר עדיפויות

סדר עדיפויות דורש איזון בין גורמים מרובים. האם אתה יכול ליישם זאת בתוך תהליכים וכלים קיימים, או שזה דורש שינויים סיטונאיים? האם הצוות יעסוק בזה, או שהוא יתנגד? האם ההיקף שאפתני מספיק כדי ליצור נראות ועניין, אך מציאותי מספיק כדי לספק בפועל? האם אתה יכול לבצע בתוך משאבים זמינים ומסגרת זמן סבירה? האם זה יביא ROI למדידה?

בהתאם לנסיבות שלך, ייתכן שתמצא שיקולים נוספים, אך אלה הם הבסיסיים ביותר.

4. ליישם

התחל לבנות, ואל תנתח יתר על המידה. תוכלו ללמוד לאורך הדרך ולהתאים את המסלול. אל תצפו שהכל יתנהל בצורה חלקה, אך הישאר ממוקד ביעדים שלכם.

הערך אם יש לך את הכישורים והידע לעשות זאת בעצמך. אם לא, מצא שותף ליישום שיוכל לעזור לך לבצע תוך שיפור מיומנות הצוות שלך.

5. למדוד ולתקן

יהיו לך הצלחות וכישלונות, אז וודא שאתה מבין מה עובד והתאם את המסלול בהתאם. בחר KPIs כדי למדוד את ההתקדמות וההשפעה. לדוגמה, אם אתה מתקן תהליך תמיכה, האם ציוני שביעות רצון הלקוחות שלך גדלים? אתה מבין למה? האם אתה בודק A/B, והאם אתה יכול להבחין בהשפעות מצטברות? מה אתה יכול ללמוד שמשפר את ההחזר על ההשקעה שלך לאורך זמן? אתה צריך אסטרטגיה לא רק כדי ליישם, אלא כדי לשפר.

6. חזור

זהו מעגל. אנחנו ממש בתחילת אימוץ הבינה המלאכותית. תוכלו למצוא דרכים רבות להשתמש ב- AI, במיוחד כשאתם מתקדמים לקראת המצאה מחדש של זרימות עבודה. גם הטכנולוגיה מתקדמת במהירות. מקרי שימוש חדשים יופיעו, דברים שעדיין לא אפשריים יתאפשרו, יידרשו גישות ותשתיות חדשות. הארגון שלך ילמד וישפר את יכולתו להשתמש בטכנולוגיות AI, אז אל תבנה לשלמות - התמקד בהכנסת ה- MVP שלך לייצור במהירות האפשרית.

התחל

החברות שישלטו בשווקים שלהן בעוד 2-3 שנים בונות היום מומחיות בינה מלאכותית. הם לא מחכים לפתרונות מושלמים, מפות דרכים מלאות או בהירות רגולטורית - הם לומדים על ידי עשייה, מונחים על ידי עקרונות ברורים ומיקוד מעשי.

תרכובות היתרון. עובדים מוקדמים בונים מומחיות המאפשרת להם לתפוס ערך מהר יותר, ופותחים פער שלא ניתן לשחזר בקלות. ערך זה מממן השקעה נוספת ביכולת ובכישרון, ויוצר אפקט גלגל תנופה. בינתיים, מתחרים שמחכים מוצאים את עצמם לא רק מאחור בטכנולוגיה, אלא מאחור בלמידה ארגונית, מיקום בשוק והמשאבים הכספיים כדי להתעדכן.

זה לא שיפור מצטבר - זה שינוי מהותי באופן שבו העבודה מתבצעת ונוצר ערך. האינטרנט לא רק הפך את העסקים הקיימים למהירים יותר; הוא איפשר מודלים עסקיים חדשים לגמרי שלא היו קיימים קודם לכן. AI עוקב אחר אותו דפוס. השאלה היא לא אם השינוי הזה יקרה. השאלה היא אם אתה תוביל אותו או שתפריע על ידי זה.

התחל עכשיו. בנה מומחיות בעזרת כלים למטרות כלליות. פרסו בינה מלאכותית ארגונית באופן אסטרטגי במקום שהוא מתאים לתהליכי העבודה שלכם. והתחל לדמיין מחדש מה אפשרי כאשר AI מאפשר לך לחשוב מחדש על תהליכים שלמים, לא רק לבצע אוטומציה של שלבים.

הפער בין מנהיגים לפגרים כבר גדל. באיזה צד החברה שלך נמצאת?

‍

אודות המחברים

ביל קווין עוזר לצוותי מנהיגות לראות את הקשרים האסטרטגיים שאחרים מפספסים - כיצד דינמיקת שוק, שינויים טכנולוגיים ומיצוב תחרותי מצטלבים כדי ליצור הזדמנויות לפני שהם הופכים ברורים. הוא מייעץ באסטרטגיית AI מנקודת מבט עסקית: אילו הזדמנויות לחפש, כיצד לבנות יכולת ארגונית וכיצד ליצור יתרון תחרותי והצעות ערך בר קיימא. הוא הוביל יוזמות מפיתוח מוצרים וקטגוריות חדשות ועד לביצוע רכישות אסטרטגיות בחברות כולל Keysight Technologies, CSR/Zoran ו- HP. לפני הטכנולוגיה, הוא היה גיטריסט ראשי וכותב שירים ב- PKRB, להקת רוק מקורית - קורס מהיר בבניית משהו מכלום וחזרה מהירה. הוא בעל תואר שני במנהל עסקים מ- MIT Sloan. [קרא עוד ניתוח אסטרטגי ב בילקווין. סוסטאק. קום]

התחבר: ביל קווין (לינקדאין)

ד"ר עופר הרמוני הוא יזם, אסטרטג AI ויועץ לארגונים גלובליים בנושא אימוץ AI, חדשנות ושינוי ארגוני. הוא המייסד של iForAI, חברת ייעוץ המתמקדת בשיפור מיומנויות כוח אדם בינה מלאכותית, אסטרטגיית AI ויישום מעשי של AI עבור ארגוני שוק בינוני וארגוני Fortune 500. עופר הוא מייסד שותף ויו"ר נבחר לשעבר של קרן לינוקס AI & נתונים, ותורם פעיל לקונסורציום מכון הבטיחות AI של NIST. עם תואר דוקטור במדעי המחשב ויותר מ-60 פטנטים בתחום AI, אבטחה ורשתות, הוא מסייע לחברות לבנות יכולות AI מעשיות בעלות השפעה גבוהה שמתרחבות. [קרא עוד ב מדיום.com/ @oferher]

התחבר: ד"ר עופר הרמוני (לינקדאין)

‍