למידת מכונה קוונטית והלקח העסקי מצוואר הבקבוק של הדאטה
מנהלים נוטים לבחון טכנולוגיות AI דרך שאלת המודל: איזה מודל חזק יותר, מהיר יותר או זול יותר. האתגר סביב למידת מכונה קוונטית מזכיר אמת חשובה הרבה יותר: במערכות AI מתקדמות, צוואר הבקבוק נמצא לעיתים קרובות לפני האלגוריתם, בשלב שבו הדאטה נאסף, מיוצג, מנוקה ומוזן למערכת. כאשר שכבת הדאטה אינה מתוכננת נכון, גם מודל תאורטי מבריק נשאר יקר, איטי וקשה להטמעה.
למידת מכונה קוונטית חושפת בעיית דאטה עמוקה
חברת OpenAI הדגישה לאחרונה נקודה שרבים בעולם ה Quantum Machine Learning מכירים היטב: מחשב קוונטי אינו קורא ביטים קלאסיים כמו שרת רגיל או GPU. לפני שניתן לבצע חישוב קוונטי, יש לתרגם מידע קלאסי למצבים של קיוביטים. שלב זה נקרא הכנת מצב קוונטי או הטמעת נתונים קוונטית, והוא עלול למחוק חלק גדול מהיתרון התאורטי של QML.
הבעיה נראית טכנית, אבל המשמעות העסקית שלה רחבה. קידוד בזוויות מתרגם כל תכונה לסיבוב של קיוביט, ולכן אלפי תכונות עלולות לדרוש אלפי פעולות או מעגלים עמוקים. קידוד באמפליטודות נראה אלגנטי יותר, משום שעשרים קיוביטים יכולים לייצג מעל מיליון אמפליטודות. אלא שהכנת מצב קוונטי כללי עלולה לדרוש עלות חישובית שגדלה מהר מאוד, ולעיתים באופן אקספוננציאלי. כלומר, החיסכון בייצוג עלול להיעלם בתהליך הטעינה.
ייעוץ AI מתחיל בארכיטקטורת מידע ולא בבחירת מודל
כאשר אנו מלווים ארגונים בהטמעת AI, אותה תבנית חוזרת גם בלי מחשבים קוונטיים. הנהלה רוצה סוכן חכם, מודל המלצות או אוטומציה תפעולית, אבל מגלה שהדאטה מפוזר בין מערכות, חסר הקשר עסקי, אינו מתועד, או מיוצג בצורה שאינה מתאימה לקבלת החלטות. לכן AI אינו עניין טכני בלבד. הוא דורש ידע מקצועי עמוק, הבנה ניהולית, ניסיון תפעולי ויכולת לתרגם תהליך עסקי למבנה נתונים שמודל באמת יכול לעבוד איתו.
הלקח מ QML חד במיוחד עבור סוכני AI ארגוניים. סוכן שמטפל במאות תהליכים אינו נמדד רק ביכולת ניסוח או קריאה למסמכים. הוא נמדד בשאלה האם יש לו גישה למידע הנכון, בהרשאות הנכונות, בפורמט הנכון, וביכולת לשמר הקשר לאורך תהליך. אדם בלולאה נשאר עיקרון קריטי, אך המטרה אינה להוסיף עובד לכל פעולה. המטרה היא לאפשר לאדם אחד לפקח על מאות תהליכים באמצעות תשתית שבה הדאטה, המדיניות והבקרה מתוכננים מראש.
מודלים חזקים אינם מחליפים תכנון יישומי אחראי
ארגונים צריכים להיזהר מהבטחות שמדלגות על שכבת היישום. לפני השקעה בטכנולוגיה חדשה, כדאי למדוד שלושה פרמטרים פשוטים: כמה עולה להביא את הנתונים למצב שמיש, כמה מהמבנה העסקי המקורי נשמר בייצוג, וכמה בקרה אנושית נדרשת כדי להפעיל את התהליך לאורך זמן. בתהליכים טובים, מדידה כזו מתבצעת בפיילוט של ארבעה עד שמונה שבועות עם יעדי דיוק, זמן טיפול, עלות פעולה ושיעור התערבות אנושית.
העמדה שלנו ברורה: ההתקדמות האמיתית ב AI תגיע מארגונים שיבנו יכולת פנימית לניהול מודלים, סוכנים ודאטה, ולא רק ירכשו כלי נוצץ נוסף. למידת מכונה קוונטית עדיין רחוקה מיישום רחב, אך היא מספקת שיעור מצוין כבר היום. יתרון טכנולוגי נוצר כאשר מחברים מחקר רציני, ארכיטקטורת מידע, הבנה עסקית וניהול שינוי מדויק. מי שיבנה את היכולת הזו עכשיו, יהיה מוכן טוב יותר גם לדור הבא של המודלים וגם לטכנולוגיות הקוונטיות שיגיעו אחריו.
