348: דמוקרטיזציה של דאטה - איך בנינו אייג׳נט שמנגיש מידע לכל עובד בחברה

היי כולם, אני דרה ורתיים, ואתם הגעתם לסטארטאפור סטארטאפ, והיום אנחנו נדבר על איך בנינו את קרמר, שזה אג'נט הדאטה אינטליג'נט שלנו במנדי, שבעצם מאפשר לכל העובדים לקבל איזה נתון שהם רוצים וגם לעבוד איתו. תיארתי את זה נכון? מדויק. אז נמצאים איתי כאן מיקי רוזן, דאטה דיירקטור במנדי. היי מיקי. היי. ובין חבבו, שאתה טקלי דאטה אנג'ניר במנדי. היי. היי, איזה כיף שאתם פה. כיף להיות כאן. אז אנחנו נדבר ב ת על למה בכלל בנינו את קרמר, מה האתגרים בדרך, איך בכלל ניגשים לבנייה של כלי כזה לכל מי שרוצה לבנות אג'נט כזה, וממש כזה ניכנס גם קצת לפרטים הטכניים. נתחיל? נתחיל. יאללה. אז אולי נתחיל רגע, כזה רתי דאטה דיירקטור ודאטה טק ליד, תספרו כזה קצת מה זה אומר התפקידים שלכם, שלמה זה נימי הקונטקסט? אז אני דאטה דיירקטור במנדי, בעצם מובילה את הדאטה בארגון, בארגון של ביג בריין, עובדת בעצם עם כל ה-BI בשביל לבנות תהליכים עבור האנליסטים, כדי שבעצם כל הארגון בסופו של דבר יוכל להוציא תובנות עסקיות על בסיס הדאטה שאנחנו ממדלים. נכון, נגיד רק שביג בריין זה, היו לנו על זה הרבה פרקים בעבר, אבל למי שמצטרף פעם ראשונה, זה בעצם המוח הפנימי של מנדי, מערכת שמאפשרת לכל העובדים בחברה לעבוד עם דאטה, נכון? מדויק. ובין? אז נעים מאוד קודם כל מתרגש להיות פה, אני בין טק ליד בצוות של דאטה אינג'נירינג אינפרה, בעצם קבוצה אחת של דאטה אינג'נירינג שמכילה שני צוותים, צוות אחד זה בעצם האינפרה, צוות השני זה דאטה אפליקיישנס, ובעצם אנחנו נותנים שירות לארגון מבחינה אינפראית דאטה אינג'נירינג, איך אנחנו מביאים את המידע, מה אנחנו עושים איתו ובעצם מנגישים אותו החוצה. אחד מהלקוחות שלנו זה ה-BI, אחד הלקוחות הגדולים כמובן, וזהו. אז הלקוחות שלכם כמו שאתם מתארים את זה, זה בעצם, זה לא היוזרים של מנדי לצורך העניין, אלא זה אנליסטים בתוך החברה, אנשים שעובדים עם הדאטה ו ורים להוציא ממנו תובנות. כן, רק לא אנליסטים בתוך החברה, אלא כל החברה, כל העובדים של החברה, זה נקודה ממש משמעותית, שבעצם השתנתה. זהו, אז כזה, נכון, בדיוק, אז כזה, עד עכשיו זה היה אנליסטים, ובעצם קרמר שאנחנו נדבר עליו עכשיו קצת שינה את המצב. נכון. אז בואו תספרו לי ב ת בכמה מילים כזה, בכותרת, מה זה בכלל קרמר? אוקיי, אז תחשבו על זה שהיום בעצם בשביל להוציא דאטה, אנחנו צריכים אנליסטים, אנחנו צריכים מישהו שיידע SQL, מישהו שיתרגם את השאלה העסקית בעצם לאיזשהו קטע קוד, כדי שנוכל ב ת להוציא את התובנות. אנחנו בעצם ניסינו לחשוב מה תהיה הדרך שהאנליסטים לא היו בדרך, שלא היו בעצם בתפר הזה, וכל אחד יוכל לשאול כל שאלה עסקית שהוא רוצה, ולקבל כל תשובה שהוא צריך, ובעצם תשובה שתכיל גם את האקשן אייטמס ואת התובנות העסקיות ומה הוא צריך לעשות, וזה מה שהוביל אותנו. וזה ממש ממש בגדול מה זה קרמר? זה אותו דאטה אג'נט שהוא השותף שלנו, שהוא האנליסט האישי של כל עובד כאן, שיכול לעזור בכל שאלה אנליטית שהיא שמעניינת אותו. ונגיד ב ת שקרמר נקרא על שם תומר קרמרמן, נכון? כן, זה התחיל כבדיחה ב ת, רנו תומר ב ת… מה התפקיד של תומר פה? כן, תומר הוא דאטה דירקטור של אנליטיקס בארגון, ל-CEO. ונר לי קצת כמו שטיארט, אפשר לשאול אותו כל שאלה על דאטה והוא יחזיר תובנות. נכון, אז רצינו כזה. ואז רנו אם יש לנו קרמרמן, אז למה שלא יהיה לנו קרמר אג'נט? התחיל כבדיחה וממש תפסת, זה בטוח יאביך אותו מאוד. מעולה, אז נר לי שכזה הבשורה ב ת הגדולה פה זה שלצורך העניין, אני, אם עכשיו יש לי איזו שאלה בעולמות הדאטה, אני צריכה איזשהו מידע, אז יש את השאלות המאוד מאוד בסיסיות שאני אולי אדע לעשות את זה לבד. אבל ברוב המקרים זה דורש כן ידע טכני, זה דורש הבנה מעמיקה יותר של הנתונים ובשביל זה ב ת לרוב כן אנחנו נשתמש באנליסטים. וקרמר בעצם עוזר לנו לעבוד בצורה הרבה יותר עצמאית. נכון. אז למה בכלל כזה, מאיפה הגיע הצורך בין אולי נשאל אותך? אז אם נגיע לצורך, אם נלך לפני כל העידן של ה-AI, בעצם כשרצינו לשאול שאלת דתאית, אז היינו צריכים לעבור דרך כל התווך הזה של אנליסט וגם האינטריבריה הוא היה מאוד מאוד גבוה. ובעצם אף אחד לא ידע, לא כולם ידעו SQL, כמובן מיעוט ונורא נורא קשה להגיע ולהשיג את אותו המסקנה שחיפש. אז בעצם המקום הזה כאילו הגיע הצורך, ש רנו אנחנו רוצים to bridge it ולתת את היכולת ולתת איזשהו דאטה אייג'נט שבעצם ידע לענות על השאלות.

מעולה. אז בואו ניגש ישר, כזה נצלול ממש לאיך עשינו את זה. אני בטוחה שהרבה חבר'ה שמאזינים לנו גם רוצים משהו כזה אצלם בחברה. נר לי שזה צורך מאוד מאוד נפוץ. אז מי כי הבנתם את הצורך, מה הצעד הבא בכלל? איך ניגשים לזה? ה ת היא שהבנו את הצורך לפני נר לי שלוש שנים בין, משהו כזה? ממש בהתחלת המהפכה. כן, אני חושבת שעוד הרבה לפני שאנליסטים ביקשו מאיתנו או מישהו בחברה ביקש מאיתנו, זה היה נורא נורא ברור שאנחנו רוצים שהדאטה יהיה נגיש לכולם. דאטה דמוקרטיזיישן זה האוקיי הרע הכי משמעותי שלי. אולי אפילו הייתי מוסיף שזה גם לא איזשהו צורך, זה היה המישן שלנו כקבוצה. כן, רנו אנחנו חייבים להנגיש את הדאטה לכולם, לא משנה אם אתה אנליסט או לא. זה נכון, חשוב להגיד שאנחנו גם מדברים על זה פה בפודקאסט הרבה, זה משהו שמאנדלי מנסה לעשות מאז ומתמיד. אני חושבת שפשוט עכשיו יש את הכלים לעשות את זה בצורה הרבה יותר משמעותית. בדיוק. אז כשהתחלנו ב ת, אז התחלנו גם מרגע להבין איזה חברות יש בתחום, נפגשנו עם המון חברות שרגע ככה נתנו לנו כל אחת מענה כלשהו, והמשכנו גם פה פנימית אצלנו, ונטע בטח יכול לספר את מה שהיה לנו. אפילו כאילו נר איך ממש ממש להתחלה, זה התחיל כאילו בהמפכה של ה-AI, התחלנו לעשות כל מיני אימפלמנטציות שונות עם AI, אחד מהם זה היה בעצם ה-NLQ, מה שתיארתי קודם, והתחלנו בצורה נאיבית. אני חושב שכאילו גם היום עדיין אנשים כאילו מתחילים בצורה כזאת באזורים האלה, ולקחנו את כל הטייבל סטרקצ'ר שיש לנו בעולמות של מנדי, וזרקנו את זה לתוך ה-AI, ו רנו ל-AI תתמודד. קח, תענה לי עכשיו על שאלות. רגע, כשאומרת כל הטייבל סטרקצ'ר, תסבירו לי, נגיד, אז אני אסביר שנייה, בדיוק כמו ש רתי קודם בתור אחראית על ה-BI, אז אנחנו בעצם בונים את כל הטבלעות, את כל המודלים שונים על כל השאלות. אנחנו ממש שמים שם את הלוגיקות העסקיות, כדי שאנליסטים בסופו של דבר יוכלו להוציא תובנות על בסיס זה, כדי שכולם יוכלו לחשב ARR באותה תצורה. אז ב ת לקחנו את הטבלעות האלה, שהן כבר ממודלות, חשבנו איזה יופי, כבר עשינו את רוב העבודה, ניתן ל-AI, הוא חכם, הוא ידע להוציא את התובנות. ישבנו, הראינו, התלהבנו. ומה קרה? והתבאסנו. והוא עבד בתוך התצורה של מה שהוא ידע לראות, אבל כששאלו שאלה מחוץ למה שהוא יודע, אז כל הזמן צריך לתחזק את אותה שכבה סמנטית. אוקיי, שזה בעצם אותו table structure שתיארתי קודם. ורצינו ללכת למקומות טיפה יותר מתקדמים, ושם בעצם פגשנו המון חברות שנותנות פתרונות של שכבה סמנטית. ופה בעצם כאילו נכנס לאיזשהו מסע של בערך שנה, שנה וחצי. של מה, לחפש פתרונות בחוץ? לחפש את הפתרונות, כן. לחפש וגם לנסות לבד לחשוב, אולי אנחנו בכל זאת יכולים לפתח לבד. זה היה בעצם האתגר הכי משמעותי שלנו, וחשוב לי להגיד שזה האתגר הכי משמעותי, ואני בטוחה שזה גם האתגר של כל החברות, של הקונטקסט. בסוף זה הדבר הכי חשוב. אין יותר חשוב מזה. זאת אומרת, גם אם עכשיו אתם מוצאים את הכלי הכי שמספר, שב ת הולכים לפתור את כל בעיות העולם, כולל שלום במזרח תיכון, סביר להניח שחייבים שיהיה קונטקסט מסודר. ואני חושבת שזה היה האתגר הכי גדול. איך אוספים קונטקסט מכך הרבה מקומות? יש לנו כבר מעל מ אנליסטים, כל אחד משתמש בעצם בכלים שונים, כל אחד כותב את ה-query שלו במקומות אחרים, יש לנו כלי ויזואליזציה שונים. איך אוספים את כל הקונטקסט הזה לאיזשהו מאגר אחד, ומנגישים אותו בצורה טובה לאייג'נט? זו שאלה ענקית. אני חושבת שזו שאלה שאינדיבידואלית אפשר להתעכל בה. אתם יודעים, אפילו בקונטקסט שאני מדברת עם אייג'נט כלשהו, עליי, ואני מרגישה שהוא לא יודע מספיק. אז כשלוקחים את זה ברמה ארגונית, זה פתאום הופך להיות אתגר שאני ב ת לא יודעת איך נותנים לו מענה. אני רק רוצה להבין יותר לעומק, כי בעצם רתם שכן, כזה זרקתם לו את כל הדאטה שיש. זה לא מספיק קונטקסט? מה היחסר פה בדיוק? זה לא מספיק, כי אם אנחנו לוקחים רק את ה-table structure, זאת אומרת את העמודות ואת התיאור של הטבלעות ואת התיאור של אותן עמודות, זה בסוף יש לנו טבלה אחת, אבל איך היא מתחברת לאחרת? איך הטבלה הזאת בסוף נראית? ויש המון המון אגריגציות שונות, שאפילו תשאלי כמה אנליסטים בתוך החברה איך מחשבים מטריקה מסוימת, תקבלי תוצאות שונות, כי כל אחד מסתכל בצורה אחרת. זאת אומרת, מרקטינג מסתכל בצורה כזאת, ופודאק מסתכל בצורה אחרת, ושניהם צודקים. שאלה מה קורה כשמישהו שואל את השאלה בצורה יותר שהיא ה-high level. כן, זה כבר השכבה הזאת של הפרשנות שב ת בשביל זה צריך אנליסטים, ובעצם עדיין לא היה מספיק חכם בשביל לעשות את זה. בדיוק, בדיוק. וב ת חיפשנו. אני אתן לך דוגמה של שאלות. אז ממש ממש התלהבנו, רנו, השאלה הראשונה, כמה יש לנו ב-ARR ב-Vibe? וקיבלנו תשובה יפה מאוד, אפס. ואז רנו, רגע, נר לנו לא מדויק. ואז הבנו שבעצם הוא מסתכל בדיוק כמו שבן ר, על המטה דאטה, על הטבלה, על העמודה עצמה. הוא אומר, אוקיי, אז יש לי פה עמודה שנקראת כנר פרודקט, אני מחפש וייב, לא מוצא, מניח שזה אפס. הוא לא ידע שבעצם…

בפועל זה נקרא Monday Vibe. הוא חיפש ספציפית המילה Vibe? אני רתי, אם כתוב Monday Vibe זה כבר מונח אחר? לגמרי. כלומר הוא היה צריך ממש… הוא לא חכם מספיק, נכון? בדיוק. וזה נורא נורא בייס אותנו, אבל כמובן לא הורדנו רגל מהגז לרגע להפך. נר לי זה נתן לנו עוד בוסט של עכשיו אנחנו ברבק נצליח. כן, אנחנו אגב מדברים על זה כל הזמן שנר לי שהטעות הכי גדולה והנפוצה גם בעבודה עם AI, זה להשקיע בה בהתחלה נורא ולראות שזה לא עובד ואז להגיד אוקיי זה לא עובד. בעצם זה היה צריך להבין שזו ההתחלה ומפה צריך להתחיל ל ן אותו, ללמד אותו. נכון. זה בדיוק אותו סייקל שקורה עם AI. כי כמו שתיארת AI הוא מאוד מאוד חכם, בטח כאילו בעידן של היום, האלם הם הם מאוד מאוד חכמים, אבל הם גינריים. אוקיי, וכדי שאנחנו נוכל להכניס אותם לתוך הארגון שלנו ושהם יהיו ממש קולגה שיושבת לידי ומכירה את הקונטקסט שלי, אז אנחנו צריכים להשקיע בקונטקסט. שזה גם מה שתיארנו קודם, שבעצם איך מחשבים את הדברים, מה הארגון שלנו צריך, איך הוא נר על מה אנחנו מסתכלים, מה הקי-פי-אייס ובעצם להכיל את כל הדבר הזה ולהנגיש אותו ורק ככה בעצם אנחנו נותנים לו את הסטאפ הנכון כדי שהוא ב ת יצליח לענות על שאלות עסקיות. אז מה עושים? אז רגע, אני רוצה עוד להמשיך ב ת בהמשך למה שבנט התחילה להגיד, שהשלב הבא שלנו היה אחרי שניסינו ולא הצלחנו, זה לבנות בעצם איזושהי שכבה סמנטית. מה זה אומר? רנו אוקיי, אז אנחנו נשב עם האנליסטים, אנחנו נשב עם ה-BI ופשוט נבנה המון המון מודלים ונלמד בכל עולם תוכן את האייג'נט איך לענות. זה נשמע לנו סביר, אני רק יכולה לספר לכם כמה עבודה זה דורש. זאת אומרת, זה ממש מחייב עכשיו אנליסטים בכל דומיין, לשבת ולהסביר בשפה מסוימת של איך אתה מוציא דאטה על X, איך אתה מוציא דאטה על Y. זה כמובן לא scale-ability בעליל. זהו, וזה המון שעות של עבודה. המון שעות של עבודה וגם זה משהו כמו חצי שנה של עבודה שב ת השקענו גם אנחנו וגם האנליסטים והבנו שזה בעצם לא תהליך שיכול לעבוד, בטח לא בסקייל ובטח לא באופן שוטף. זה לא מחזיק את עצמו, אני מניחה. ברור. ובטח לא במנדי. מנדי זה מפלצת, אנחנו מדברים פה על אלפי טבלאות שנמצאות בתוך הדאטהווירס, בטח אם אנחנו מפרקים את זה למטריקות, אנחנו מדברים פה על כמויות מאוד מאוד גדולות. אז גם זה תהליך שלמדנו והבנו שבעצם הוא לא מספיק טוב. זה גם היה סוג של התנסות של רגע אוקיי, אז מה קורה? ובינתיים אני חושבת שמה שקרה זה שגם ה-AI בכלל בעולם התפתח מאוד מאוד מאוד. המודלים שלו מאוד מאוד השתפרו, כרסר יצא, ו רנו אוקיי, עכשיו יש לנו את ההזדמנות של רגע לנסות לקחת את מה שעשינו ולעשות אותו קצת אחרת. ופה נר לי היה כזה הקפיצת מדרגה של רגע, הצלחנו ב ת, קודם כל רתמנו אנליסטים, זו נקודה מאוד מאוד חשובה, אי אפשר לעשות את זה לבד. חייבים, חייבים שיתוף פעולה גם של BI, גם של דאטה אנג'יניארס וגם של אנליסטים. אז בא לי להתעכב רגע על הנקודה הזאת, כי אני בטוחה שזה ב ת איזשהו אזור שיכול גם להעלות התנגדויות. כאילו בסוף אתם אומרים, אני בונה פה איזה אנליסט נורא חכם. אז אולי אני כאנליסטית דווקא רוצה כזה יותר לשמור על המקום שלי. ושוב, וזה רלוונטי למנדי, אני בטוחה שזה רלוונטי להמון מקומות אחרים, גם לתפקידים אחרים. אז איך רותמים אותם בעצם? אז קודם כל אני חייבת להגיד שמנדי, אחת החברות, טוב אני לא אובייקטיבית, אבל ב ת שמעודדת את כל הקדמה והטכנולוגיה, ואני חושבת שהרצון דווקא לנסות ולעשות את זה, בא מהם לא פחות מאשר ממה שהוא בא מאיתנו. וזה היה מדהים לראות, זאת אומרת זה היה ממש שיתוף פעולה, אנשים להפך, רצו רגע להבין איך הם בעצם לוקחים את הדבר הזה, ומצליחים להבין ממנו או לומדים ממנו מה הווליו שהוא יכול לתת להם כדי לעשות את העבודה שלהם טוב יותר. אז דווקא פחות ראיתי התנגדות, זה כן משנה את התפקיד של האנליסט, חייבים לזכור את זה. אנליסט עם היכולות אנליטיות בלבד, הוא כנר לא פונקציה שתישאר לאורך זמן. אני חושבת שאנליסט פשוט מתרחב. כן, כמו תפקיד פיתוח, כמו ייצור. בדיוק. כמו שדיזיינר עכשיו מצפה להיות פרודקט, ופרודקט מצפה להיות מפתח. אותו דבר גם כאן, אנליסטים הופכים להיות יותר פרודקט, יותר אולי BI וData Engineers. הם בעצם מתפתחים לתפקידים נוספים, מעבר לזה שהם עכשיו מצליחים לעשות הרבה הרבה יותר עבודה ממה שהם עשו קודם. זאת אומרת זה הפך להיות גם כלי עבודה בשבילם. אני גם אצטרף ואני אגיד גם שבסופו של דבר האנליסט האינסטנטיב שלו, זה גם שיהיה לו פחות אומס ופחות רעש, כי הוא מקבל המון המון בקשות ושאלות. ואם בסופו של דבר אנחנו מצליחים ב צעות קרמר לתת את הפתרון, הוא מקבל פחות אומס, הוא יכול לקבל פוקוס על המשימות שלו, וזה בעצם גם מה שגורם להם לתרום לאותם מקומות. כן, מעולה. אוקיי, אז הבנתם שאתם צריכים לי בעצם את השאלה?

של האנליסטים בתוך הדבר הזה. ואין דן ווט. כאילו, אוקיי, נכנס קרסר לעניינים, הטכנולוגיה התקדמה. כן, אז עשינו כמה הקטונים מדהימים, דרך אגב, עם כל האנליסטים, והתחלנו בעצם לייצר את אותו ריפו, בסדר? שבעצם שומר גם את כל המוח של האנליסטים, כדי שנוכל ללמד את האייג'נט שלנו לעבוד נכון יותר. הבנו שבעצם רק לתת לו טבלאות או מטה דאטה, או גם אפילו את התוכן של הטבלאות, זה לא מספיק, כי כמו שבן ר, יש גם את האנליסט שהוא בעצם יודע איך לנתח דברים מסוימים. אם מרקטינג מסתכלים על פאנל בצורה מסוימת, ופרודקט מסתכלים על זה בצורה אחרת, רק הם יודעים. הם יודעים איך נכון לעשות את זה. אז עשינו בעצם את אותו הקטון, או כמה הקטונים ביחד עם האנליסטים, והתחלנו לייצר סקילים. סקיל זה בעצם מה שמאפשר לאייג'נט להבין איך משתמשים במשהו. לא רק מה התוכן של הטבלאות, אלא מה המוח מאחורה, איך אנליסט צריך, או איך קרמר צריך לטשטל את הדאטה כמו אנליסט. אוקיי, אז עכשיו אני מתחילה להבין גם למה קרסר, כאילו, הכניסה של קרסר וקלוד קוד הייתה כל כך משמעותית, כי בעצם עד אז ב ת סקיל זה לא משהו שהשתמשו בו, נכון? היה, אבל ממש מעט. מעט או פחות. ואני יודעת עכשיו כמה זה משמעותי, ב ת, כאילו, וכמה זה חוסך זמן, כאילו, מי שקצת נכנס לעומק של מה זה סקיל, מה זה אייג'נט, אז בעצם זה מקצר את הדרך כל כך הרבה, ברגע שלאייג'נט יש איזה סקיל מסוים, והוא יכול פשוט לרוץ עליו, אז כאילו עשיתם מהקטונים של בניית סקילס? ממש ככה. כן, אם בעצם רגע ניכנס לאיך הריפו הזה נר בעצם זה נקרא אצלנו Data Cookbook, הוא בעצם מכיל פולדר שנקרא Domain OS, בתוך הדומיין OS יש את כל אותם הדומיינים, שבתוך כל דומיין יש בעצם את אותם סקילים, שזה בעצם אותם מטריקות או איזושהי סביבת עבודה שעליה מוכל כל הקונטקסט. זה בעצם מוכל, הסקיל זה בעצם MD, Markdown, זה MD Files, שמכיל את כל מה שהאייג'נט צריך כדי בעצם לפתור את אותה שאלה. אז כשהארנסים האלה הגיעו, שקרסר, קלוד קוד וכל וחבריו הגיעו, בעצם הוא יכול לעבור בתוך אותם סקילים, לצרוך את אותו תוכן ולענות על השאלה הזאת בצורה יותר טובה, גם אם זה לא מכיל בדיוק את אותו סקיל שצריך, הוא יכול לאסוף את המידע מכמה סקילים שונים ובעצם לתת תשובה. אז זה הקטונים התמקדו, מעניין אותי, כאילו יותר בבניית סקילס עכשיו ולא להגיד לו, כי ב ת דיברנו על זה כמה קשה זה לתת קונטקסט שהוא מספיק רחב, אז כאילו ברגע שיש לו את הסקיל, הוא יודע לגשת לשאלת בצורה הנכונה יותר, נכון? בדיוק, בדיוק. אז גם על זה צריך רגע לדייק ולהגיד שלא מספיק בעצם שכל צוות או כל קבוצה בעצם תאפיין לעצמה את הסקילים הרלוונטיים, אנחנו צריכים גם לחשוב על סקילים שהם גלובליים. מה קורה אם יש עכשיו סקילים שמתחרים? אנליסט עכשיו, לא יודעת מה, בדומיין מסוים מייצר סקיל והסקיל הזה הוא מאיזושהי סיבה להיות קונטרדיקטי, להסתכן. להסתור בעצם את מה שהסקיל אחר. בדיוק, אז אנחנו צריכים בעצם לייצר איזשהו סקיל נוסף שהוא גלובלי, שהוא מסתכל האם יש פה דופליקציות, מה נכון, מה לא נכון. יש תהליך מאוד מאוד מסודר של פי ארים, של אישורים. בסוף צריך לזכור שקרמר ניזון מכל הדבר הזה, אז מספיק שמשהו אחד לא עובד מדויק, כל קרמר נותן תשובה לא מדויקת. אז רת כל קרמר, זה מרים לי לאיזו שאלה, של האם ב ת זה אייג'נט אחד שיודע לגשת לכל כך הרבה סוגים שונים של שאילתות ו-use cases, או שבעצם בניתם המון המון המון המון אייג'נטים שהם כולם כאלה סופר אנליסטים, ויש לצורך העניין קרמר של מרקטינג וקרמר של פרודקט, כאילו איך ניגשים לזה? ה ת שזאת נקודה מעולה. אז קודם כל מה שכרגע קיים לנו, זה קרמר אחד שהוא תשתיתי והוא נותן תשובה לכל המערכת שלנו, לכל התשתית שלנו. אבל אנחנו כן הולכים למקום שאנחנו מייצרים, אנחנו קוראים לזה בייבי קרמר, שזה בעצם כאילו כל אחד יכול לייצר לעצמו את הסאבסט של העולם תוכן שלו, כמו שתיארנו קודם, יש מישהו שרוצה, מתעניין רק במרקטינג, והוא לא צריך בעצם את כל הדבר הזה, כי זה יכול לייצר גם רעש כשקרמר מנסה לענות על שאלה, ולפעמים אנחנו רוצים למקד אותו, לייצר אקספרטיז בעולם מסוים, ולכן אנחנו הולכים לאזור הזה. אבל זה מבחינת התשתית שאנחנו נותנים, עדיין מבחינת האימפלמנטציה שלנו, קרמר כבר יכול, אתה יכול להשתמש בו כתשתית ולבנות אייג'נט מעליו, שיכוון אותו לאן שהוא צריך. אז כאילו יש לנו גם את התצורה הזאת וגם את התצורה הזאת. ולמה בעצם לא מראש לעשות רק בייבי קרמרס ולא משהו גדול? כי פשוט מההתחלה הלכנו בכיוון של סינגל אייג'נט, שהוא כבר עונה על הכל והוא היה תשתית, והאימפלמנטציה תהיו מעל. ככל שזה יתקדם אנחנו מבינים שאנחנו צריכים כן לפרוט את הדאטה אייג'נט שלנו, ולתת את זה יותר מהתשתית, כי גם כשאנחנו ממסכים את זה ואנחנו נותנים אייג'נט שמסתכל…

ומנחה את קרמר איך לעבוד, את הסינגל אייג'נט הזה, הוא עדיין רו את הכול, וגם עם ההנחיה שמגיעה מלמעלה, בסוף אלה להם, הוא יכול להתבלבל. אנחנו רוצים פרוגרמטית בעצם לחסום אותו מקונטקסט. אז אם אני מקבילה את זה, זה קצת כאילו בניתם את ה-Chat GPT כזה של הדאטה של הארגון, ועל גביו אפשר לבנות כזה GPT, ג' ס כאלה שהם מות ים יותר, אבל בסוף יש כן עדיין את המודל הזה שמכיל את הכול, את כל הידע. נכון. איזה אתגרים נתקלתם בהם בבנייה, עכשיו אפילו כשזה כבר עובד? מלא. זהו, בטוח. אפשר להגיד שבאופן כללי בעולמות של דאטה, של אייג'נטס באופן כללי, זה בעצם אבלואשן. איך אנחנו עושים לדבר הזה אבלואשן? כי קרמר הוא יכול לענות על שאלות דתאיות. הוא יכול לענות על אנליזות, יכול לענות על מיליון ואחת תצורות על שאלות דתאיות. ואיך אנחנו עושים בעצם לזה אבלואציה? בהתחלה בצורה נאיבית, בנו ו רנו בוא נבחן רק את ה-NLQ שלו, את התשובות בעצם שהוא מחזיר. וזה פשוט לא הצלחנו למצוא את האלגוריתם הנכון שיעשה את זה, כי הראשון שבחנו זה בוא נשווה תוצ לתוצ . אז כשאני שואל מה הירר, אז אני מקבל מספר X, אז אני יכול להשוות X ל-X, זה קל. אבל כשהשאלות יכולות… אתה יודע, נגיד, אתה יודע מה היה, או אתה רוצה לראות שהוא ענה את התשובה הנכונה. כן, אפילו צעד אחד אחורה, כאילו, איך עושים אבלואציות באופן כללי לייג'נטס? אז יש לנו גולדן דאטה סט, שזה בעצם איזושהי שאלות ותשובות שמוכנות מראש, אז אנחנו יודעים את השאלה, אנחנו יודעים את התשובה שלה, ואז בעצם אנחנו שואלים את אותה שאלה גם את הייג'נט, ואז אנחנו משווים מול הגולדן דאטה סט את התשובה שג'ון ראתה. לראות שזה טועם. בודקים שזה טועם. עכשיו, בניגוד למערכות הייג'נטים אחרות, התשובה פה היא מספר. אז אני צריך להשוות את המספר למספר, וזה מה שמאוד מאוד מקשה על התהליך, כי כמה טולרנטיות יש לי לפרסיז'ן. האם זה שהוא החזיר לי, לא יודע, 100 מיליון או 100 מיליון ואחד, זה תקין או לא תקין? האם באזורים מסוימים אנחנו רוצים להיות יותר טולרנטים, במקומות מסוימים אנחנו רוצים להיות מאוד מאוד מדויקים, וגם פה נכנס העולם הטקסטואלי. כי הוא לא מחזיר לי רק מספר, הוא מחזיר לי ה-ARR שהיה ככה וככה, הוא כזה וכזה. ואז בעצם אנחנו גם צריכים לבוא ולקחת את הטקסט ולהשוות אותו. אז בהתחלה לקחנו רק את השאילתה והשווינו, אבל ראינו שזה פשוט לא עבד, הביצועים, הסקור היה מאוד מאוד נמוך, כי גם ששאלנו מה ה-ARR בחיתוך של מדינה, אז פעם זה היה קאונטריקוד, ופעם זה היה הקאנטרי נאים, וזה היה מאוד מאוד קשה למדוד את זה. אז היום אנחנו מציינים מערכת איבלויישן שהיא טיפה שונה, שהיא בעצם עובדת כ-LMS הג'אג', ואנחנו עובדים עם חמישה פרמטרים, שכל אחד בעצם הוא LMS הג'אג', הוא בודק עם איזה טבלאות הוא לקח, אם זה הטבלאות שלנו שהן נמצאות במודלים יותר גבוהים, האם זה תואם למה שהיה בגולדן דאטה סט, אם הוא המשיך עם איזשהו אינסייט, אם בעצם היה לו, אם זה תואם לשאלה שהוא שאל, ובעצם הוא המשיך על אותו גרדיאנט. ואנחנו לוקחים את כל הדבר הזה, ואז אנחנו עושים לזה בעצם ממוצע של כל אותם מטריקות. ואתם מנסים לקבל איזשהו ציון שכזה מעליו זה נחשב מספיק טוב? בדיוק. אז אם אני מבינה נכון, בעצם יש סוג של אייג'נטים נוספים שכל התפקיד שלהם זה לבדוק את קרמר, כאילו לבדוק שהוא עונה את התשובות שאנחנו מצפים שהוא יענה. נכון. עכשיו, דיברתם על זה שזה בסקל, כאילו אנחנו ורים לעשות את זה, בעצם נותנים שירות לכל העובדים של החברה, יש בטח, מעניין אותי, אתם יודעים כמה שאילתות יש ביום, בשבוע? כמה יש לנו? שמונה מאות יוזרים יוניקים בחודש, שזה ב ת נתון מטורף, ומ חמישים אינטראקציות בממוצע לבן אדם ביום. ביום. ביום. מטורף. מטורף, ממש. אז איך בכלל מתחילים לפקח על דבר כזה, כאילו אני מניחה שעדיין בסוף גם אם יש רת, אל אליהם איזה ג'אדג', עדיין בסוף יש את הגורם האנושי שבסוף גם יכול לשבת בן אדם בקצה ולהגיד וואי אני מקבל שטויות. או אפילו לא לדעת שהוא מקבל תשובה לא נכונה. זו נקודה ממש משמעותית, אנחנו בעצם לא משנה איזה כלי אנחנו מוציאים, אנחנו תמיד אומרים בסוף, מדובר ב-AI, חייבים להבין את זה, גם הסקיילים שדיברנו עליהם קודם, הם כן סטטיסטיים. זאת אומרת, יכול להיות שהוא ייתן תוצ אחת, ופעם הבא שתשאלי את אותה שאלה, הוא ייתן תשובה קצת אחרת. כלומר, אני ממליצה לא להשתמש בעצם בקרמר בשביל להוציא דאטה לבורד, או לישיבות מאוד מאוד משמעותיות. כן, שבמקרים סופר רגישים. כמובן.

אנחנו חייבים רגע בשביל זה יש אנליסט וצריך רגע לבדוק, אבל כמו שבן ר, אנחנו מנסים לייצר איזשהו תהליך של LLM as a judge או כל מה ש רנו קודם, של ב ת לייצר אבולואציה בסקייל. עכשיו דיברנו על אבולואציה כזאת, אבל מה קורה עם סקיילים? תחשבו שסקיילים הופכים להיות לא רלוונטיים באיזשהו שלב, או גם אותם צריך להתקן, גם את זה צריך לעשות בסקייל. אז גם פה יש אירוע גדול שצריך לתחזק. נכון. איך עושים את הדבר הזה? הכל חייב להיות אג'נטי, אין פתרון אחר, זאת אומרת אני לא רו אנליסט עכשיו יושב ונכנס ועובר על הקוד וזה. אנחנו צריכים לחשוב על איזשהו תהליך שאנחנו כבר בעצם חושבים עליו, של לעבור על כל השאילתות של כל האנשי דאטה שלנו, להבין מתוך השאילתות האלה מה הדברים שמתשלים, להבין האם הסקיילים שלנו בעצם מכסים את עולמות התוכן האלה, ואם לא, אז רגע לייצר את הסקיילים. כל הדבר הזה חייב להיות תהליך אג'נטי, מאלף עטף, כדי שב ת זה יתפוס בסקייל. מעולה, כאילו יש פה הרבה, כל המאחורי הקלעים הוא חייב להיות ב ת כמו שאת מתארת, חייב להתעמך על ידי אג'נטים נוספים, אחרת זה ב ת זה פשוט לא יחזיק את עצמו. זה יהפוך להיות מי אוטדייטד כזה מאוד מהר. נכון. יש ריסק באג'נט כזה? ברור. מה? אז קודם כל רת מה האתגרים, אז אחד האתגרים ב ת כאילו אבלואציה, כבודו במקומו לגמרי, אבל יש את כל הנושא של הפרמישנים, של סקיורטי, תחשבו שעכשיו קרמר בעצם יכול להתחבר לכל דבר, לכל אג'נט בחברה, כל אחד יכול לתשל את הדאטה שלו, זאת אומרת אי אפשר לצאת עם אג'נט כזה בלי לחשוב מראש על נושא ההרשאות. כן, ועוד יותר כשאנחנו בעצם חברה ציבורית ולא לכולם יש גישה לכל הדאטה. ברור, לגמרי. זה נגיד משהו שב ת בנינו אותו כבר מראש, בן והצוות שלו, איך אנחנו בעצם מונעים מאנשים לראות דאטה שהוא דאטה רגיש. בין אם זה דאטה רגיש כמו HR ופייננס, ודאטה רגיש שהוא פשוט כחברה ציבורית אסור לנו לחשוף לכל העובדים. זה נגיד נקודה שחייבים לחשוב עליה לפני שיוצאים עם האג'נט, כי צריך לזכור שאנשים מהר מאוד מתלהבים, מתמיים את זה בכל מערכת אפשרית, בכל כלי AI אחר שיש, וקשה מאוד להחזיק את הדבר הזה. כן, ואז אפילו בתמימות גם יכול להיות ב ת איזה דאטה בריץ' או… לגמרי. פשוט שמישהו ייחשף לאיזה נתון שהוא לא ור הוא להיות חסוף אליו. חד משמעית. ב ת אם אנחנו מדברים, למשל, נר לי שהדוגמה שהיא הכי קלה להבין זה ניצוחי הנתוני שכר. אם פתאום מישהו מקבל גישה לכל הנתוני שכר של כל החברה, זה יכול להיות בעייתי. מאוד בעייתי. כן. אז איך בכלל פותרים את זה? איך ניגשים לפתור כל כך הרבה בעיות של סקיוריטי? אז אני רוצה רגע להגיד רק משפט. אני חושבת שאחד הדברים הממש מדהימים שבעצם הצוות בנה זה שהוא התייחס לקרמר כ-MCP. זאת אומרת, אנשים מסתכלים על זה כאיזה משהו שהוא מכלול אחד שכולל בתוכו כל מיני טולים. ואז יש לנו בעצם את הכוח לשלוט במרכאות על היצור הזה. זאת אומרת, אם עכשיו יש איזשהו דאטה ברידג' או כל דבר אחר, בן יכול ממש לקחת ולהוריד הרשאות לכולם. זאת אומרת שאף אחד לא יוכל לתשל את קרמר. אם אנשים בונים את זה בצורה של כל אחד בונה לעצמו ולא משהו שהוא מרכזי, זה יכול להיות הרבה הרבה יותר בעייתי. אז זה נקודה שלדעתי מאוד משמעותית. ממש לבנות את זה כאיזשהו MCP אחד שבעצם מונגש לכל אחד מהכלים. כן, אבל בעצם לכם יש את השליטה עליו. בדיוק, ולנו יש את השליטה ואנחנו יכולים לעצור בכל רגע נתון, לעשות לא יודעת מה שידרו גרסה או כל דבר שאנחנו רוצים, אבל זה יהיה באחריות שלנו. אז אתה יכול קצת לספר על מה שעשינו בפרט A ופרט B? כן, אז לנו כחברה ציבורית אסור לנו לחשוף נתונים שהם עדיין לא דובכו לבורסה. כן, זאת אומרת גם בתוך החברה יש אנשים שיכולים להיות חשופים לכל המידע שיש למענה, ויש אנשים שחשופים רק למידע מסוים. נכון. אז בעצם אנחנו צריכים פה מנגנון שהוא מאוד מאוד מתקדם, כי לצורך העניין אם אנחנו נדבר על ARR, וזה בעצם בדיוק אותה מטריקה שאנחנו מדווכים מחוצה, אז אנחנו קוראים לזה פרט A ופרט B. פרט B זה בעצם מי שכן יכול לראות את הנתונים נכון להיום, ופרט A זה מי שיכול לראות נכון לריבון אחורה, בעצם תאריך שבו דיווכנו לבורסה. אז פה בעצם אנחנו צריכים לממש מנגנון של RLS, Rule Level Security, שמימשנו את זה ב צעות Snowflake, ששם בעצם הדאטה שלנו נמצא. וככה שאם אני נגיד פרט B ואת תהיה פרט A, כששנינו נתשל את אותה טבלה, את תוכלי לראות רק את הנתונים של ריבון אחורה. אני אקבל תוצאות שונות משלך. בדיוק, את תראי את הריבון אחורה, אני אוכל לראות את הנתונים של היום. איך בעצם עשינו את זה? כשאת מתחברת ל-MCP, את בעצם מעבירה את הזהות שלך. ואז עם הזהות שלך כבר היה לנו מערכת הרשעות שהיא כבר הייתה בנויה, ואז התחלנו לחלחל את זה הל . מגניב, אז זה כאילו בנוי על… טוב, אולי אנחנו נכנסים פה ממש על פרטים, אבל אני כאילו צריכה להירשם לפלטפורמה, נכון? זה כאילו ממש יודע מי אני כיוזרית. נכון, אבל…

בדיוק הנקודה שדווקא כן פתרנו אותה. עד עכשיו בעצם אנשים היו ממש נכנסים עם התוקן האישי, זאת אומרת עם מי את, עם ההרשאות שלך, הבנו שזה גם יכול להיות בעייתי, כי מה שקורה זה שאם את נרשמת עם התוקן האישי, כל ההרשאות שלך בעצם מחלחלות למטה לאייג'נט שאת מייצרת. אם עכשיו ייצרת אייג'נט והשתמשת בהרשאות HR, אז אותו אייג'נט שהוא כבר ייצור עצמאי לחלוטין. עכשיו פתוח לכולם. עכשיו פתוח לכולם עם ההרשאות שלך, ולכן בעצם מה שעשינו זה מימשנו יוזר אפליקטיבי. היוזר אפליקטיבי אגב גם כן גישה מומלצת, שבעצם מנגישה לכולם דתה רק של פרט A, בלי כל ה-HR ופייננס וכל מה שאנחנו לא רוצים בעצם לחשוף. עכשיו במידה ויש איזשהו צורך, אז זה עובר איזשהו תהליך אישורי מאוד מאוד מסודר, אבל כדפולט, כברירת מחדל, זה אך ורק פרט A. תגידו איך מודדים הצלחה של אייג'נט כזה? כאילו אוקיי יש את כל העניין של ה-Evaluation, אבל איך מודדים ברמה רחבה יותר? כן. אז אני חושבת שכשלב ראשון בדיוק מה שבין ר, אז יש לנו ב ת מטריקות של Adoption ו-Retention. זה ממש מוצר לכל דבר, כמו שאנחנו מוציאים מוצר ללקוחות חיצוניים, אותו דבר זה מוצר פנימי שלנו. אז בעצם כמה יוזרים יש לנו, רנו שיש לנו סביבה 800 כבר נכון להיום, כמה פעולות הם עושים ביום, איזה אינטראקציות, אנחנו בודקים את הסקילים, עד כמה הסקילים מדויקים, לא מדויקים, סביעות רצון, כמה מחברים את האייג'נט הזה לאייג'נטים אחרים, למערכות אחרות, היום בעצם קרמר מחובר כבר לכל הכלים שלנו, אנחנו עובדים עם קלוד, קלוד קורק, אנחנו עובדים עם קרסר, עם האייג'נטים של מנדי כמובן, אז בעצם כל הדבר הזה זה גם כן איזה מטריקה של סביעות רצון, עוד דברים שפספסתי? אני יכול להגיד שהמטריקה דווקא היא לא כזאת מטריקה שאנחנו מודדים אותה, זה אינסידנט שהיה לנו ביום רבי, שבוע שעבר, קרמר היה למטה למשך כמה שעות, ואני חושב שזאת ההצלחה המסחרת שלפחות שאני חוויתי, מעבר לכל המטריקות האלה שרשומות לנו בדשפורט, פשוט קיבלנו כמות פניות מטורפת, כאילו זה למטה, מתי הוא עולה, מתי הוא עולה, איזה פרסום שלילי כמו שאומרים, לא זה בעולמות ה-NPS קור, אז יש ממש שאלה שאפשר לשאול של כמה תהיה מאוכזב אם ייקחו לך את הכלי? כאילו לא רק כמה אתה ממליץ עליו לאחרים, אלא ממש, אז זה בדיוק זה, לקחתם להם את קרמר והם היו מאוד מאוכזבים, אז זה מעולה שהם היו מאוכזבים. נכון, ממש. מדהים. אז איפה בעצם אנחנו נמצאים עכשיו? אנחנו כזה, נשמע שגם יש אדופשן רחב של הכלי, לאן אתם רואים את זה מתפתח? איזה עוד הזדמנויות יש כאן? ה ת היא אין סוף. אני מרגישה שככל שאנחנו מפתחים משהו, זה נותן לנו רעיונות לדברים נוספים. תחשבו שבעצם ה-MCP הזה זה המון המון טולים בפנים. אנחנו יכולים לחשוב על אין סוף טולים נוספים. כל העולם של ויזואליזציה. אנחנו רוצים להנגיש את הוויזואליזציה היום, שבעצם כל אחד יוכל לייצר לעצמו דשבורד בצורה של פרומפט. בסדר? כבר לא צריך לייצר, להכיר את כל הדרכים האלה של כל כלי הוויזואליזציה שקיימים היום. נכון, ב ת גם לא רנו את זה. קרמר הוא טקסטואלי בלבד, זאת אומרת זה צ'אט. לגמרי צ'אט. כן, לגמרי צ'אט. אז לחשוב על זה שאת יכולה היום להוציא דאטה, הוא ייתן לך את התובנות, הוא יגיד לך מה האקשן אייטמס ואיפה צריכה להשקיע את הזמן שלך וכו. וגם לייצר דשבורד. אבל לא סתם דשבורד, הוא ייצר דשבורד של מנדי, שהוא יר שהוא ירגיש, שהוא יהיה בדיוק מנדי. כלומר גם שם מאחורה יש סקיל. עכשיו מה שאומר, איך אנחנו במנדי מייצרים דשבורדים? אז היום כל אחד יכול לייצר לעצמו דשבורד בקלות. עכשיו איך אנחנו משתפים את הדשבורד הזה, איך אנחנו הופכים אותו להיות אינטראקטיבי? יש פה אתגר מסוים, שנפתור גם אותו. אז גם לשם אנחנו עכשיו ככה הולכים. אפשר לחשוב על אינסוף טולים, כאילו עכשיו קרמר הוא ריאקטיבי. זאת אומרת את שואלת אותו שאלה, הוא עונה לך. אנחנו רוצים להפוך אותו להיות פרו אקטיבי. שהוא יזהה אולי דברים שצריכים לב אליהם ויצביע. כן, הוא כבר הופך להיות סוג של אייג'נט פרו אקטיבי. מעולה. בסדר? אז יש לנו אינסוף רעיונות גם באזורים האלה, למשל אייג'נט לפאנל, איך אנחנו מנגישים את כל עולם הפאנל ונמנעים מוורום בעתיד, אם חלילה קורה משהו. אז גם באזורים האלה. אני חושבת שככל שאנחנו גם עובדים יותר עם יוזרים, אז אנחנו גם שומעים על יותר צרכים שעולים מהם. כן. אז אנחנו עוד יותר, זה כאילו משהו מכונה כזאת שמזינה את עצמה. הם מדליקים אותנו, אנחנו נדלקים עושים, הם מדליקים אותנו. זה מוצר לכל דבר, זה ב ת ככה עובד, מדהים. יש עוד משהו שאתם מכוונים אליו בתקופה הקרובה? כן, אז אני חושבת שבכלל כל עולם הקונטקסט הפך להיות הרבה יותר רחב. דאטה היום זה לא רק הדאטה המובנה של הטבלאות, של הדאטה ראוס. הדאטה הוא הרבה הרבה יותר רחב. יש לנו את כל עולמות האנסטראקטשר. תחשבו על כל…

גורו ובורדים וגוגל סליידס, גוגל שיט, כל דבר שאתם בעצם שומרים בו דאטה, אבל לא במבנה טבלאי. כן, הוא לא מסודר ברמה של דאטה סט כזה. בדיוק, ואנחנו רוצים להיות מסוגלים לענות על שאלות כמו מה הפוליסי של לידים, וגם על כמה לידים חולקו. אנחנו רוצים שקר ר ידע לענות גם על השאלה הזאת וגם על השאלה הזאת. כאילו גם דברים שהם קצת רכים יותר, כאילו לא בהכרח תשובה כזה מספרית ברורה. נכון, בדיוק, לא דאטה וויראוס. אז גם זה נגיד עולמות שאנחנו כבר נכנסנו להם, ובן והצוות פיתחו את ה-AI בריין אצלנו, שבעצם כל אחד יכול למעשה לשמור את התוכן, את הדברים הרלוונטיים אליו, לקבוצה שלו, ואז קר ר בעצם ידע עם פוינטר מסוים לגייש את לדאטה בהתאם לשאלה. זה נגיד נושא שהוא מרתק ואני בטוחה שהרבה אנשים ירוויחו ממנו. אפילו יש פרק על זה. על AI בריין, נכון. לא זוכרת איזה מספר. אני חושב לפני שנה וחצי. זה כבר עוד אחד, זה כבר לא עדכני. אני רוצה לשאול מה אתם ממליצים לאנשים ששומעים אותנו עכשיו, וב ת נתקלים בבעיות דומות בחברה שלהם ורוצים אולי לבנות משהו. דיברנו על זה קודם שהטכנולוגיה גם מאוד התקדמה. כאילו אתם התחלתם לעבוד על זה אולי לפני שלוש שנים, אנחנו היום במקום אחר. עדיין הייתם ממליצים לאנשים לבנות איזה תמידים מאפס כזה אצליהם, או שאולי דווקא עכשיו כן יש איזה כלים שהם יכולים להטמיע מבחוץ? אני רוצה רגע לענות על זה לפני הכלים. אני חושבת שמה שהתחלנו איתו, שהדבר הכי חשוב זה הקונטקסט. אז אני חושבת שזה הדבר. זאת אומרת, לא משנה איזה סדר גודל של חברה, AI לא יפתור את כל הבעיות. נו צריך להבין שלא משנה איזה טכנולוגיה תביאו ומה תפתחו בעצמכם, אם אין קונטקסט מסודר לארגון, זה פשוט לא יעבוד טוב. הוא ייתן תוצאות לא נכונות. אז בעיניי זה הדבר הכי חשוב שצריך להשקיע בו, בין אם זה לבנות קונטקסט מסודר, לא יודעת מה, דאטה תשתיתי של רגע טבלאות, ודוקומנטציה של עמודות ומטא דאטה, ובצורה מסודרת לייצר את כל הסקיילים ולתת את כל הקונטקסט הרחב, זה א' ב', בלי זה אי אפשר בכלל להתקדם. ואז מבחינת פיתוח בדיוק הייתה לנו שיחה כזאת דומה אתמול. אז אני חושבת שזה מאוד מאוד תלוי. זאת אומרת, אם החברה היא מאוד מאוד טכנולוגית, עם R&D גדול, אז לדעתי פיתוח פנימי שיענה בדיוק על הצרכים הספציפיים של הארגון זה יכול להיות אחלה. אני מ ינה שיש היום כלים בשוק, אנחנו נפגשנו עם חלקם, שכן נותנים איזשהו מענה, לא פתרו את זה עד הסוף. לכל אחד יש את האתגרים שלו היום, אבל אני מ ינה שהתחום הזה הוא כל כך בפוקוס, אם לא היום אז מחר זה כבר יהיה. אני אצטרף ואני אגיד שבסוף קונטקסט זה הכי חשוב. כמו ש רנו קודם, צריך לראות איך אנחנו מצליחים לעשות בתוך החברה, לא משנה איפה לא תהיו, איך נשים את זה בצורה אורגנית שהקונטקסט שלכם גדל ומכיר אתכם טוב יותר, אובר טיים. אז יש איזשהו פוסט שמיכאל לימאס שחרר לו מזמן, שבעצם מדבר בדיוק כזה על התים קונטקסט, ובדומה לתים קונטקסט, כי אנחנו צריכים לעשות גם לאייג'נטים שלנו. צריכים לתת להם שיקירו איפה אנחנו עובדים, מה אנחנו עושים, מי הם ה-point of contact שלנו, את כל העולם הזה, ואם אני רגע מזכיר את זה לעולם הדתי, אז שוב, איזה טבלאות אנחנו, איזה אנליזות לאחרונה עשינו ודברים כאלה. וחשוב שתשקיעו על הפידבק הזה, על אותו לופ, שזה תמיד יהיה evolving וילמד עוד וימשיך להגדיל את הקונטקסט שלכם. כן, זאת אומרת, גם אם השקענו פעם אחת בבניין עצומת, זה מה שחייבים להמשיך להתפתח. זה לא מספיק, אפילו מחוויה אישית. כשאנחנו התחלנו עם התים קונטקסט, אז בהתחלה התחלנו עם איזשהו documentation day. רנו, כאילו, בוא נשבור רגע את הסיילוס בתוך הצוות. בואו נעשה יום שכולם ישבו, יבנו את כל הקונטקסט של המערכות שלהם, ועשינו את זה. וישבנו שמונה שעות, כתבנו, היה מאוד מאוד קשה. באותו רגע שקמנו מהשולחן, נגמר. זה נשאר שם. יום אחר כך וזה כבר אוטייט. כן, בדיוק, זה כבר אוטייטד. אז מה שעשינו עם התים קונטקסט, כאילו, כמשפט, רק כדי שזה יוכל לחבר ולתת את ההמלצה לאחרים, זה בעצם כולנו בסוף עובדים עם אותה מרנסים. אנחנו מדברים עם קלוד, אנחנו מדברים עם קרסר. פשוט בסיום הסשן שלכם, תייצרו איזושהי סביבה אחת שכל הצוות שלכם או כל אותה סביבת עבודה שלכם עובדת דרכה, ובסיום הסשן שלכם, תבקשו מקלוד שירשום את הקונטקסט של מה שהוא למד חזרה לתוך אותה סביבה. ואז בעצם ככה אנחנו נוכל מהפעם הב להתחיל עם מקום הרבה יותר גבוה. מעולה. טיפ זהב. נר לי אם זה נסיים.

אז רגע לפני שנסיים נגיד שאם יש לכם שאלות אתם מוזמנים לפנות עלינו באתר, בקהילה, בלינקטין, באינסטגרם, אנחנו שם ואתם שם ותענו למה שצריך, ואם אתם רוצים לדעת בכל מי יוצא פרק חדש אתם מוזמנים לעקוב אחרינו בכל אחת מהאפליקציות. תודה רבה מיקי ותודה בן. תודה רבה. ותודה שהזנתם.