"האתגר הבא של ווטסון הוא אינטרנט הדברים"

"התפקיד של ווטסון הוא בראש ובראשונה לסייע לעסקים להחליט", אומר קוהלר בראיון ל"כלכליסט". "בינה מלאכותית ומחשוב ענן הולכים יד ביד וזו הסיבה שאיחדנו את חטיבת ווטסון עם חטיבת הענן כי לטעמנו מדובר בטכנולוגיות משלימות", מוסיף קוהלר שצפוי להשתתף בכנס Watson TLV summit שיתקיים מחר (ה').

ווטסון קיבל על עצמו כל מיני תפקידים שנועדו בין השאר לחשוף אותו לקהל הרחב מסיבות שיווקיות בעיקר. הוא השתתף בשעשועון ידע, למד לבשל ואפילו לסייע לרופאים. אבל התפקידים האלה הם רק סוג של הדגמת תכלית.

אז איך זה עובד למעשה?

"החלק העיקרי בווטסון זה להזין אותו במידע - אנחנו כל הזמן מנסים למצוא מידע שניתן להטעין לתוכו - אנחנו מבצעים מעקב כל הזמן אחרי מידע חדש. אנחנו מחפשים להיות יעילים בין אם אנחנו מנתחים יחידות מידע גדולות או יחידות קטנות יותר. לפעמים המידע המעניין נמצא ביחידות מידע קטנות והדרך לנצל אותו הוא בהתאמה של המערכת למקור שממנו הוא מגיע. למשל מידע שמגיע מרמזורים או מחיישנים ספציפיים. לפעמים מדובר במידע שמגיע ממקום מסוים וצריך לנתח אותו כדי להבין את הערך המוסף שלו ולפעמים זה מידע שמגיע ממאגרי מידע ציבוריים - כמו למשל מידע היסטורי על מזג אוויר באזור מסוים או מידע רפואי".

ברייסון קוהלר

הבינה המלאכותית שמנתחת את המידע הופכת אותו למקור לתובנות שמאפשרות לשואל לקבל תשובה על שאלה פשוטה. "אם לקוח רוצה הוא יכול להבין למשל באיזה ימים שווה לו להחזיק צוות מוכרים גדול ובאיזה ימים הוא יכול להסתפק בצוות מצומצם יותר וכך לחסוך בהוצאות", מסביר קוהלר את העיקרון.

מה האתגר הגדול שלכם?

"רוב המידע ההיסטורי הקיים כבר הוטען לווטסון. כיום האתגר הוא ההתמודדות עם חיישני אינטרנט הדברים. לפעמים מדובר ברסיסי מידע שאנחנו צריכים ללכוד כדי להוציא מהם את התובנות. צריך להבין מה המידע שנשלח - האם למשל מדובר בקצב לב, בגלי מוח או בנשימה במקרה של התקן רפואי למשל. צריך גם להבין איך מידע מהתקן אחד משפיע או מנהל אינטראקציה עם התקן אחר. לדוגמה: איך מידע מחיישן בכביש מתחבר למידע מרכב, מרמזור ומחיישן מזג אוויר. הניתוח של כל הגורמים האלה ביחד עשוי לספק תובנות שיהיו שימושיות לעירייה או לבעל עסק באיזור".

ווטסון גם מחלטר כשף לעת מצוא צילום: Jack Plunkett

אבל המידע איננו זמין בצורה שווה עבור כולם. אחת הבעיות עבור ווטסון והחברה זה שבהתאם למקום גם הרגולציה על השימוש במידע משתנה. "אנחנו גם צריכים לנתח מידע בזמן אמת. בסופו של דבר מדובר על איך אני לומד מהר יותר וביעילות גדולה יותר". אתגר נוסף שאנחנו נדרשים אליו זה להתאים את המידע לרגולציה המקומית. ישנם סוגים מסוימים של מידע שלא ניתן להוציא ממיקום גאוגרפי מסוים. למשל מידע אישי על אזרחים אירופים שלא ניתן לנתח בארה"ב."

יש לכם גם את האתגר של התחרות, גוגל, מיקרוסופט ואמזון כבר מציעות מערכות בינה מלאכותית מתקדמות. מה לדעתך ההבדל ביניכם?

"צריך להסתכל על העולם הזה במושגים של 'מה כל מערכת מנסה להשיג'. הניצחון של מערכת ה-AI של גוגל על אלוף העולם בגו היה תרגיל מבריק. אני די בטוח שגם המערכות האחרות מסוגלות לזה. אבל בסופו של דבר כל מערכת מספקת צרכים שונים. בינה מלאכותית זה לא לימוד מכונה ששונה מלמידה עמוקה. אנחנו מייעדים את המערכת שלנו לפתרון בעיות עסקיות. אנחנו מעוניינים לסייע ללקוחות לבצע החלטות עסקיות מושכלות יותר. אנחנו מספקים מערכת שמיועדת לזה ולא דורשת מהם לפתח את היכולות האלה בעצמם. אנחנו מספקים יכולות בתחומים מסוימים כגון: בריאות, אנרגיה או קמעונאות. בסופו של דבר המידע עושה את ההבדל. כי הדרך של המערכת לנתח את המידע מספקת את היכולות המתאימות לניהול העסק".

אז ווטסון לצרכנים זה מחוץ לתחום?

"ווטסון משמש את הצרכנים אבל באופן עקיף. תראה למשל את הרכישה של The Weather Company בידי IBM. מדובר בשירות שמיועד בעיקר לצרכנים. אנחנו מספקים מידע על מזג האוויר - אנחנו מסייעים לכם להבין אם תצטרכו לקחת משקפי שמש או מטריה בבוקר. אז בסופו של דבר אנחנו מסייעים ללקוחות של העסקים".