חברות קטנות ובינוניות באיטליה מהוות חלק מכריע בכלכלה, אך השימוש בבינה מלאכותית בהן נותר זניח. רק 7% מהעסקים הקטנים ו-15% מהעסקים הבינוניים החלו בפרויקטים המבוססים על בינה מלאכותית, בעוד שהעסקים הקטנים והבינוניים מייצרים למעלה מ-65% מהערך המוסף הלאומי, על פי ניתוח מצב הבינה המלאכותית בעסקים קטנים ובינוניים באיטליה. נתון זה משנה את האופן שבו יש להתייחס לנושא: הבעיה אינה להבין אם הבינה המלאכותית מועילה, אלא איזו בינה מלאכותית באמת ניתנת ליישום בארגון מבלי ליצור מורכבות בלתי ניתנת לניהול.
כאן נכנסות לתמונה מכונות וקטור התמיכה (Support Vector Machines). הן אמנם אינן המודל המדובר ביותר כרגע, אך לעתים קרובות הן מההגיוניות ביותר כאשר יש ברשותכם נתונים מובנים, מקרי שימוש ברורים וצורך בהחלטות אמינות. עבור חברה קטנה ובינונית, משמעות הדבר היא מעבר מגיליונות מפוזרים, תובנות של יחידים ודוחות מאוחרים, לתחזיות תפעוליות המסייעות בתחומי המכירות, הסיכון, שימור הלקוחות והתכנון.
אם מתייחסים לבינה המלאכותית כאל מנוף מעשי בדוח הרווח וההפסד, יש להקדיש תשומת לב למכונות וקטורי התמיכה. לא משום שהן "חדשות", אלא משום שבמסגרות עסקיות רבות הן עדיין מהוות בחירה נבונה.
חברות קטנות ובינוניות מייצרות חלק ניכר מהערך של הכלכלה האיטלקית, אך אימוץ הבינה המלאכותית נותר מוגבל למיעוט של חברות. הפער הזה משמעותי, משום שהוא אינו נוגע לטכנולוגיה חלוצית במובן המופשט. הוא נוגע לרווחיות, לזמני תגובה, לאיכות האשראי, למחזור המלאי וליכולת לזהות סימנים חלשים לפני המתחרים.
בפועל, לחברות רבות כבר יש את החומר הדרוש כדי להתחיל. הנתונים קיימים, אך הם מפוזרים בין מערכות ניהול, CRM, מסחר אלקטרוני, דוחות מנהליים וקבצי אקסל שנוצרו כדי לפתור בעיות דחופות יומיומיות. כאן טמונה הבעיה התפעולית: אם המידע נשאר מפוצל, אפילו החלטה של מומחה עלולה להתבסס בסופו של דבר על תמונה חלקית של העסק.
עבור חברה קטנה ובינונית איטלקית, אם כן, העניין המרכזי אינו לרדוף אחר המודל המדובר ביותר כרגע. מה שחשוב הוא לבחור בשיטה שתעבוד עם מאגרי נתונים מצומצמים, בעלות סבירה ותהליכים שלא יכולים להיתקע במשך חודשים בהמתנה לפרויקט מושלם. זה מסביר מדוע אלגוריתם קלאסי כמו Support Vector Machines ראוי לתשומת לב ניהולית, ולא רק טכנית.
מודל SVM עונה היטב על צורך אופייני של חברות קטנות ובינוניות: הפיכת נתונים לא מושלמים אך שימושיים לסיווגים אמינים. בתחום הקמעונאות, משמעות הדבר היא זיהוי לקוחות הנמצאים בסיכון לנטישה, הערכת הסבירות לתגובה למבצע שיווקי, וזיהוי התנהגויות חריגות ברכישות. בתחום הפיננסי, משמעות הדבר היא תמיכה בהערכת סיכונים, פילוח עמדות רגישות ודיווח על חריגות הדורשות בדיקה אנושית. לא תמיד נדרש המודל העדכני ביותר כדי להשיג יתרון תחרותי. לעתים קרובות, המודל הדרוש הוא זה שמגיע ראשון להחלטה שניתן להגן עליה.
השוק האירופי מתאפיין במכשולים חוזרים ונשנים. תקציבים מוגבלים, כישורים אנליטיים שלא תמיד קיימים בתוך הארגון, קשיים בשילוב עם מערכות קיימות וציפיות לא מציאותיות לגבי התשואה מה-AI. האתגרים של חברות קטנות ובינוניות אירופיות בתחום ה-AI מתארים היטב את ההקשר הזה, אשר באיטליה מורגש ביתר שאת בענפים שבהם כל השקעה טכנולוגית חייבת להצדיק את עצמה בדוח הרווח וההפסד בתוך זמן קצר.
לכן, מכונות וקטורי התמיכה (SVM) מהוות בחירה מעניינת. הן מציעות גשר מוחשי בין התיאוריה האקדמית לתוצאות העסקיות: פחות דגש על הראוותנות הטכנולוגית, ויותר תשומת לב לאיכות ההחלטה. עבור יזם או מנהל תחום ניתוח נתונים, העניין אינו לאמץ בינה מלאכותית במובן הכללי. העניין הוא להשתמש באלגוריתם שיסייע לצמצם טעויות יקרות, לשפר את סדר העדיפויות העסקיות ולהעניק מבנה לנתונים שכיום מייצרים רק דוחות, ולא החלטות.
מכונות וקטור התמיכה (Support Vector Machines) נובעות מרעיון גיאומטרי, ולא מ"קופסה שחורה". הן פותחו באופן רשמי בשנות ה-90 במעבדות AT&T Bell על ידי ולדימיר ואפניק, על בסיס תיאורטי שהחל כבר בשנות ה-70. מטרתן המקורית הייתה סיווג בינארי ברמת הדיוק המרבית האפשרית, כפי שמסכם הערך ההיסטורי על מקורותיהן של מכונות וקטור התמיכה.
אם יש לך שתי קבוצות של לקוחות, למשל אלה שמחדשים את המנוי ואלה שעוזבים, אתה יכול לשרטט קווי הפרדה רבים. כל קו שהוא יוצר הפרדה. לעומת זאת, מודל SVM מחפש את הגבול שמשאיר את המרווח הרחב ביותר האפשרי בין שתי הקבוצות.
האנלוגיה המועילה ביותר היא זו של כביש בין שתי שורות של בתים. אם בונים כביש קרוב מדי לאחת השורות, די במעט כדי ליצור בלבול. לעומת זאת, אם מתכננים את הכביש רחב ככל האפשר, המעבר יציב יותר והגבול ברור יותר. ב-SVM, ה"כביש" הזה הוא המרווח.
הנקודות שבאמת חשובות אינן כל הנקודות. אלא אלה הקרובות ביותר לגבול. נקודות אלה נקראות וקטורי תמיכה (support vectors ) והן מגדירות את מיקומו של המפריד האופטימלי. למעשה, האלגוריתם מקדיש את מירב תשומת הלב למקרים המעורפלים ביותר, כלומר לאלה שמאתגרים את ההחלטה.
מבחינת ארגון, הדבר מתבטא בלוגיקה מוכרת מאוד. לא קשה לסווג לקוח כנאמן באופן מובהק או כאבוד באופן מובהק. ערכו של המודל מתגלה כאשר הוא מתמודד עם מקרים גבוליים – אלה שעליהם מוטלים על הכף שימור לקוחות, אשראי, מבצעים או בקרת סיכונים.
אין להתייחס ל-SVM כאל נוסחה מתמטית המיועדת למומחים, אלא כאל קריטריון ניהולי מובנה:
כלל אצבע: אם הבעיה העסקית שלכם מצריכה הבחנה אמינה בין שתי תוצאות, כדאי לבחון ברצינות את השימוש במכונות וקטור תומכות (SVM).
זה מסביר מדוע הן ממשיכות לתפוס מקום בין אלגוריתמי הלמידה המכונה הארגוניים. לא משום שהן פשוטות בהכרח, אלא משום שהעיקרון המנחה שלהן תואם לצורך עסקי מוחשי מאוד: קבלת החלטות עקביות גם כאשר הנתונים אינם מושלמים.
כאשר SVM מקבלת החלטה, היא לא "מנחשת". היא בונה גבול מתמטי המפריד בין קטגוריות או מעריכה קשר שימושי לצורך החיזוי. הנקודה החשובה, מבחינה עסקית, היא שהגבול הזה לא נבנה תוך מתן משקל זהה לכל תצפית.
מודלים של SVM יעילים במיוחד עם מערכי נתונים קטנים ועמידים בפני התאמה-יתר, מכיוון שפונקציית ההחלטה שלהם מוגדרת רק על ידי תת-קבוצה קטנה של נתונים – וקטורי התמיכה. עובדה זו הופכת אותם לאידיאליים בהקשרים שבהם הנתונים מוגבלים או יקרים, כפי שמסביר תוכן לימודי זה על SVM ווקטורי התמיכה.
די בשלושה מושגים כדי להבין את תמצית המודל.
מושג | מה המשמעות |ההשפעהעלהחברה | היפר-מישור| קו ההפרדה ההחלטתי המפריד בין שתי קטגוריות | קובע מי נכלל בקטגוריה ומילא | מרווח |המרחק בין קו ההפרדה למקרים הקרובים ביותר | ככל שהמרווח רחב יותר, כך המודל נוטה להכלילטוב יותר | וקטורי תמיכה |המקרים הנמצאים בגבול ההפרדה | אלה הם הלקוחות, העסקאות או הרשומות שקובעים למעשה את קו ההפרדה
בפרויקט אמיתי, המישור-העל הוא הכלל התפעולי. המרווח הוא רמת הביטחון של אותו כלל. וקטורי התמיכה הם המקרים שראויים לתשומת לב ניהולית, משום שהם מצביעים על המקומות שבהם העסק נמצא במצב של אי-ודאות רבה יותר.
לחברות קטנות ובינוניות רבות אין מיליוני שורות של נתונים היסטוריים. עם זאת, יש להן נתונים מספקים כדי לזהות דפוסים. בתרחיש זה, התמקדות רק במקרים המגדירים את הגבול היא בחירה יעילה.
לגישה זו יש לפחות שלושה יתרונות מוחשיים:
כאשר יש מעט נתונים, כל שורה צריכה לעבוד יותר. ה-SVM עושות בדיוק את זה.
למי שרוצה להעמיק בהיבט התפעולי, " תהליך אימון האלגוריתמים " מסייע להתייחס למודל לא כאל אובייקט טכני מבודד, אלא כאל רצף של בחירות: נתוני קלט, ניקוי, אימון, אימות ושימוש לצורך קבלת החלטות.
יש נקודה שצוותים רבים מתעלמים ממנה. מחסור בנתונים אינו תמיד מגבלה. לעתים זהו אילוץ המחייב שימוש במודלים צנועים יותר, ולכן מתאימים יותר להקשר.
בחברה קטנה ובינונית איטלקית, הגישה המעשית הזו חשובה. אם מודל מסוים דורש נתונים שנאספו במשך שנים, תשתית כבדה ומיומנויות נדירות, הסבירות לאימוצו פוחתת. לעומת זאת, אם מודל הוא יציב על מערכי נתונים בינוניים ומספק גבולות קבלת החלטות ברורים, אימוצו הופך למציאותי הרבה יותר. זה המקום שבו מכונות וקטורי התמיכה (SVM) מפסיקות להיות נושא ללימוד באוניברסיטה והופכות לכלי עבודה.
לא כל הבעיות העסקיות ניתנות להפרדה בקו ישר. חלק מהלקוחות מפגינים התנהגויות מעורבות. חלק מהעסקאות הלגיטימיות דומות לאלה החריגות. חלק מסימני הסיכון מתגלים רק כאשר מספר משתנים פועלים יחד.
כאן נכנס לתמונה " טריק הקרנל". הרעיון הבסיסי שלו פשוט: אם במרחב המקורי הנתונים מבולבלים, ניתן לבחון אותם מנקודת מבט שונה, שבה ההפרדה נעשית מסודרת יותר.
דמיין דף עם נקודות כחולות ואדומות המעורבבות זו בזו בתבנית מעגלית. במרחב דו-ממדי אי אפשר להפריד ביניהן היטב. אך אם היית יכול להרים את הדף ולהפוך אותו למשטח תלת-ממדי, הנקודות הללו היו יכולות להסתדר בצורה ברורה הרבה יותר. בשלב זה, מישור – ולא עוד קו – היה מפריד ביניהן בקלות.
זה לא אומר שהמודל "ממציא" נתונים. זה אומר שהוא מבצע טרנספורמציה מועילה כדי לחשוף קשרים שהיו מוסתרים קודם לכן.
אפשר לחשוב על גרעינים כעל עדשות שונות.
בתחום הקמעונאות, גמישות זו עשויה להיות מועילה כאשר הסיכון לנטישה אינו תלוי במשתנה אחד בלבד, אלא בשילוב בין תדירות הרכישה, ההנחות שהתקבלו, העונתיות ותקופות חוסר פעילות. בתחום הפיננסי, אותה לוגיקה עשויה לסייע כאשר פרופיל הסיכון מתגלה רק מהשילוב של מספר סימנים חלשים.
"טריק הקרנל" לא הופך את הבעיה לפחות אמיתית. הוא רק הופך את הדפוס לקריא יותר.
הלקח המעשי הוא חשוב. אם צוות פוסל אלגוריתם בטענה ש"הנתונים מורכבים מדי", לרוב הוא מוותר מוקדם מדי. לעתים הבעיה אינה בנתונים עצמם, אלא באופן הצגתם.
מכונות וקטור התמיכה (SVM) אינן התשובה הנכונה לכל דבר. אך דווקא משום כך הן ראויות לבחינה רצינית. כיום הן מוזכרות פחות במאמרים עדכניים בהשוואה ל-Random Forest או לרשתות נוירונים, אך האמינות שלהן עם נתונים בהיקף בינוני הופכת אותן לבחירה מיטבית, שלעתים קרובות אינה מוערכת כראוי, עבור חברות קטנות ובינוניות המחפשות פתרונות אמינים וניתנים לפרשנות, כפי שנדון בהשוואה זו בנוגע לרלוונטיות של SVM בלמידת מכונה.
הנקודה החזקה שלהם אינה האופנה. אלא המשמעת.
בחירה בוגרת מתייחסת גם למגבלות.
מצב | השלכה | מערכי נתונים גדולים מאוד | האימוןעלול להיותמורכביותר| נתונים רועשים או בעלי חפיפה רבה | הגבולעלול להיות פחותיציב | בחירת הקרנל | ישלבדוק ולאמת היטב אתהתצורה | פרשנות פנימית של המודל | לאתמיד מאפשרת קריאה מיידית של עץ החלטות
עבור חברה קטנה ובינונית, השאלה הרלוונטית אינה "האם זהו המודל המתקדם ביותר?". השאלה הרלוונטית היא "האם מודל זה משפר את תהליך קבלת ההחלטות תוך השקעה בת-קיימא?".
נקודה מרכזית: אלגוריתם קלאסי הופך לאסטרטגי כאשר הוא מצמצם את הפער בין תובנה לפעולה.
במילים אחרות, הפער בפופולריות של רשתות SVM אינו תואם לפער בערך. לעתים קרובות הוא תואם לשינוי בשיח הציבורי בנושא הבינה המלאכותית. עבור מי שצריך לייעל את מגוון המוצרים, לצמצם את החובות האבודים, לסווג לידים או לאתר חריגות, הרלוונטיות נותרת מוחשית מאוד.
הפער בין המודל לרווח התפעולי מצטמצם כאשר אתה מתרגם את התחזית להחלטה יומיומית. זה המקום שבו מכונות וקטור התמיכה (SVM) הופכות לשימושיות עבור צוותים שאינם מעוניינים "לעסוק ב-AI" באופן תיאורטי, אלא לנהל טוב יותר את הלקוחות, הסיכונים והעדיפויות.
קמעונאי אוסף באופן רציף אינדיקטורים: תדירות הרכישה, קטגוריה מועדפת, רגישות להנחות, הזמן הממוצע בין הזמנות, החזרות, ערוץ הרכישה. כשלעצמם, אינדיקטורים אלה אינם מספרים הרבה. אך כאשר משלבים אותם במודל סיווג SVM, הם יכולים לסייע בהבחנה בין לקוחות יציבים ללקוחות הנמצאים בסיכון לנטישה.
ההשפעה אינה טמונה בתיאוריה של המודל. היא טמונה ברצף הפעולות הנובע ממנו:
יישום שני נוגע לפילוח. חברות קטנות ובינוניות בתחום הקמעונאות עדיין נוטות לעתים קרובות לבצע פילוח על פי קריטריונים פשוטים, כגון אזור גיאוגרפי או טווח הוצאות. מודל SVM יכול להוסיף רובד שימושי יותר: ההתנהגות בפועל. כך, שני לקוחות עם הוצאות דומות, אך דפוסי התנהגות שונים, יפסיקו להיות מטופלים כאילו היו זהים.
בתחום הקמעונאות, מודל טוב אינו נועד לתאר את הלקוח בצורה טובה יותר. הוא נועד לעזור לקבל החלטות טובות יותר לגבי מה לעשות מחר בבוקר.
בעולם הפיננסי, לסיווג יש ערך ישיר. צוות יכול להשתמש במודל SVM כדי להפריד בין בקשות בעלות סיכון נמוך יותר לבין בקשות הדורשות ניתוח נוסף. עוצמת המודל טמונה ביכולתו לזהות שילובים של משתנים, אשר כשלעצמם אינם מספיקים.
דמיינו מקרה של דירוג אשראי בארגון המנהל לקוחות עסקיים רבים. אף אינדיקטור בודד אינו מספיק כשלעצמו. אך השילוב בין היסטוריית התשלומים, תדירות ההזמנות, שינויים בהיקפים ותדירותן של חריגות מנהליות יכול ליצור הבחנה מועילה בין פרופילים אמינים יותר לפרופילים הדורשים מעקב.
כך גם לגבי זיהוי עסקאות חריגות. המודל אינו מחליף את הבדיקה האנושית, אלא הופך אותה לסלקטיבית יותר. במקום שהצוות ינתח את הכל, המודל מזהה את המקרים שראויים באמת לבדיקה. הדבר משנה את התפוקה של מחלקת הסיכונים.
הטעות האמיתית אינה אי-השימוש במודל. הטעות היא להסתפק בסיווג מבלי לקשר אותו להחלטה.
בתחום הקמעונאות, תחזית נטישה צריכה להפעיל קמפיין או לבחון מחדש את מסע הלקוח. בתחום הפיננסי, התראה על חריגה צריכה להפעיל תהליך בקרה, ולא להישאר כקובץ שנשכח בתיקייה משותפת. מכונות וקטורי תמיכה (SVM) יוצרות ערך כאשר הן משולבות בתהליך התפעולי, ולא כאשר הן נותרות במחברת.
עבור אנליסט, להתחיל לעבוד עם SVM ב-Python זה פשוט יותר ממה שנדמה. עבור מנהל, העניין הוא לא לקרוא את הקוד, אלא להבין שהמודל מפיק תוצאה ברורה: סיווג, ציון או קבוצת רשומות שיש לטפל בהן.
קטע קוד זה משתמש ב-scikit-learn כדי לאמן SVM בסיסי על בעיה של סיווג.
from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfrom sklearn.pipeline import make_pipelinefrom sklearn.svm import SVCfrom sklearn.metrics import classification_report# X = משתנים עסקיים# y = התווית שיש לחזות, לדוגמה: לקוח בסיכון לנטישה = 1, לא בסיכון = 0X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42, stratify=y) model = make_pipeline(StandardScaler(), SVC(kernel="rbf", C=1.0, gamma="scale"))model.fit(X_train, y_train)predictions = model.predict(X_test)print(classification_report(y_test, predictions))
דוגמה זו מציגה שלוש אפשרויות נכונות למקרים רבים במציאות:
העבודה האמיתית מתחילה לאחר מכן predict(). אם המודל מזהה לקוחות בסיכון, עליך להפוך את התוצאה הזו לרשימת פעולות עבור מחלקות השיווק, הצלחת הלקוחות או המכירות. אם הוא מזהה פרקטיקות חשודות, עליך להכניס אותן לתהליך בדיקה.
פלטפורמת ניתוח נתונים מצמצמת בדיוק את החיכוך הארגוני הזה. במקום להשאיר את המודל מוגבל לסביבה טכנית, היא הופכת את התוצאות לקריאות באמצעות לוחות מחוונים, דוחות והתראות המדברים בשפת העסקים.
הנה מה שכדאי לחפש בפועל:
מודל חיזוי הופך לשימושי כאשר הצוות יודע למי להתקשר, מה לעשות ובאיזו סדר עדיפויות.
מכונות וקטור התמיכה (SVM) מספקות לקח מועיל לכל חברה קטנה ובינונית באיטליה. אין צורך לרדוף תמיד אחר המודל הבולט ביותר כדי להשיג יתרון תחרותי. יש לבחור את האלגוריתם שמתאים היטב לנתונים שלכם, לאילוצים שלכם ולהחלטות היומיומיות שלכם.
לכן, מודלי SVM נותרים רלוונטיים. הם אמינים בסיווג, יעילים עם מאגרי נתונים בינוניים ומסוגלים לתרגם אותות מורכבים לגבולות קבלת החלטות שניתן להשתמש בהם בתחומי הקמעונאות, הפיננסים והניהול. בשוק שבו חברות רבות עדיין רחוקות מאימוץ בינה מלאכותית, התחלה עם מודלים אמינים ומובנים היא לרוב הדרך החכמה ביותר.
אם ברצונך להפוך את הנתונים שלך לתובנות ברורות מבלי להוסיף מורכבות טכנית, נסה את ELECTE, פלטפורמת ניתוח נתונים מבוססת בינה מלאכותית המיועדת לעסקים קטנים ובינוניים. היא מסייעת לך לעבור מדוחות מפוזרים להחלטות תפעוליות באמצעות לוחות מחוונים, ניתוחים חיזויים ותובנות אוטומטיות. ILLUMINATE THE FUTURE WITH AI.
.svg)
.svg)
.svg)
.jpg)
