התמלול לפרק זה נעשה באמצעות שירות AI, אם מצאת טעות, נשמח לקבל עדכון כאן

דריה ורטהיים : היי כולם, אני דריה ורטהיים ואתם הגעתם לסטארטאפ פור סטארט אפ, והיום אנחנו נדבר על איך בנינו את קרמר, שזה אייג'נט הדאטה Intelligence שלנו במאנדיי, שבעצם מאפשר לכל העובדים לקבל איזה נתון שהם רוצים וגם לעבוד איתו. תיארתי את זה נכון? מדויק? יופי, אז נמצאים איתי כאן מיקי רוזן, דטה דיירקטור ומנהל היי מיקי, היי ובן חבבו, שאתה tech data Engineer ב Monday. אהלן היי, איזה כיף שאתם פה. כיף להיות כאן אז אנחנו נדבר באמת על למה בכלל בנינו את קרמר? מה האתגרים בדרך? איך בכלל ניגשים לבנייה של כלי כזה? לכל מי שרוצה לבנות Agent כזה וממש כזה ניכנס גם לקצת לפרטים הטכניים. נתחיל? נתחיל. יאללה.

דריה ורטהיים : אז אולי נתחיל רגע כזה אמרתי דאטה דיירקטור דאטה תקליד. תספרו כזה קצת מה זה אומר? התפקידים שלכם של המאזינים יהיה קונטקסט.

מיקי רוזן : אז אני דאטה דיירקטור במאנדיי 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 מגדלים.

דריה ורטהיים : נכון, נגיד רק ש big brain זה היו לנו על זה הרבה פרקים בעבר, אבל למי שמצטרף פעם ראשונה זה בעצם כזה. המוח הפנימי של מאנדיי, המערכת שמאפשרת לכל העובדים בחברה לעבוד ולעבוד עם דאטה נכון, מדויק ובין.

בן חבבו : אז נעים מאוד. קודם כל מתרגש להיות פה. אני בן תקליט בצוות של Data Engineering אינפרא. בעצם קבוצה אחת שיודעת Engineers שמכילה שני צוותים, צוות אחד זה בעצם האינפרא. הצוות השני זה data applications ובעצם אנחנו נותנים שירות לארגון מבחינה פראית. Data Engineering איך אנחנו מביאים את המידע? מה אנחנו עושים איתו בעצם? מנגישים אותו החוצה. אחד מהלקוחות שלנו זה ה BI אחד הלקוחות הגדולים כמובן וזהו.

דריה ורטהיים : אז על הלקוחות שלכם כמו שאתם מתארים את זה, זה בעצם זה לא היוזרים של מאנדיי לצורך העניין, אלא זה אנליסטים בתוך החברה, האנשים שעובדים עם הדאטה ואמורים להוציא ממנו תובנות.

מיקי רוזן : כן. רק לא אנליסטים בתוך החברה, אלא כל החברה, כל העובדים של החברה. זו נקודה ממש משמעותית שבעצם השתנתה.

דריה ורטהיים : אז נכון, בדיוק כזה עד עכשיו זה היה אנליסטים, ובעצם קרמר, שאנחנו נדבר עליו עכשיו קצת שינה את המצב. נכון. אז בואו תספרו לי באמת בכמה מילים כזה בכותרת. מה זה בכלל קרמר?

מיקי רוזן : אוקיי, אז תחשבו על זה שהיום, בעצם בשביל להוציא דאטה אנחנו צריכים אנליסטים. אנחנו צריכים מישהו שידע עסקי, מישהו שיודע לתרגם את השאלה העסקית בעצם לאיזשהו קטע קוד, כדי שנוכל באמת להוציא את התובנות. אנחנו בעצם ניסינו לחשוב מה תהיה הדרך שאנליסטים לא יהיו בדרך שלא יהיו בעצם בתפר הזה, וכל אחד יוכל לשאול כל שאלה עסקית שהוא רוצה ולקבל כל תשובה שהוא צריך, ובעצם תשובה שתכיל גם את האקשן Items ואת התובנות העסקיות. ומה הוא צריך לעשות. וזה מה שהוביל אותנו. וזה ממש ממש בגדול. מה זה קרמר? זה אותו Data agent שהוא השותף שלנו, שהוא אנליסט האישי של כל עובד כאן, שיכול לעזור בכל שאלה אנליטית שהיא שמעניינת אותו.

דריה ורטהיים : ונגיד באמת קרמר נקרא על שם תומר קרמרמן, נכון?

מיקי רוזן : כן, זה התחיל כבדיחה. באמת אמרנו? תומר באמת?

דריה ורטהיים : מה התפקיד של תומר פה?

מיקי רוזן : תומר הוא הדירקטור, הוא דירקטור של Analytics בארגון Ceo.

דריה ורטהיים : ונראה לי קצת כמו שתיארת. אפשר לשאול אותו כל שאלה על דאטה, והוא החזיר תובנות בדיוק כזה.

מיקי רוזן : ואז אמרנו אם יש לנו קרמרמן אז למה שלא תהיה לנו קרמר? Agent התחיל כבדיחה וממש תפס. זה בטוח יביך אותו מאוד.

דריה ורטהיים : מעולה! אז נראה לי שזה הבשורה באמת הגדולה פה זה שלצורך העניין אני אם עכשיו יש לי איזו שאלה בעולמות הדת אני צריכה איזשהו מידע. אז יש את השאילתות 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 באמת לרוב כן. אנחנו נשתמש ב אנליסטים וקרם בעצם עוזר לנו לעבוד בצורה הרבה יותר עצמאית. נכון, נכון? אז למה בכלל כזה? מאיפה הגיע הצורך בין עולם? אני אשאל אותך.

בן חבבו : אז אם נגיע לצורך? אם נלך לפני כל העידן של ה AI, בעצם כשרצינו לשאול שאלה דתית אז היינו צריכים לעבור דרך כל התווך הזה של אנליסט וגם Entry Barrier. הוא היה מאוד מאוד גבוה ובעצם אף אחד לא ידע. לא כולם ידעו. Excel היה כמובן מיעוט ונורא נורא קשה להגיע ולהשיג את אותה מסקנה שחיפשת. אז בעצם מהמקום הזה הגיע הצורך שאמרנו אנחנו רוצים To בריג'יט ולתת את היכולת ולתת איזשהו דאטה Agent שבעצם ידע לענות על השאלות האלה. מעולה!

דריה ורטהיים : אז בואו ניגש, ישר נצלול ממש לאיך עשינו את זה. אני בטוחה שהרבה חבר'ה שמאזינים לנו גם גם רוצים משהו כזה אצלהם בחברה. נראה לי שזה צורך מאוד מאוד נפוץ. אז מיקי הבנתם את הצורך? מה? מה הצעד הבא בכלל? איך? איך ניגשים לזה?

מיקי רוזן : אז האמת היא שהבנו את הצורך לפני. נראה לי שלוש שנים משהו כזה. שלוש שנים בדיוק.

בן חבבו : ממש בהתחלת המהפכה.

מיקי רוזן : כן, אני חושבת שעוד הרבה לפני שאנליסטים ביקשו מאיתנו או מישהו בחברה ביקש מאיתנו, זה היה נורא נורא. ברור שאנחנו רוצים שהדת יהיה נגיש לכולם. דת הדמוקרטיה זה האופי הכי משמעותי שלי.

בן חבבו : אולי אפילו הייתי מוסיף שזה גם לא איזשהו צורך. זה היה Mission שלנו כקבוצה.

מיקי רוזן : כן, אמרנו, אנחנו חייבים להנגיש את הדאטה לכולם, לא משנה אם אתה אנליסט או לא.

דריה ורטהיים : זה נכון. חשוב להגיד שאנחנו מדברים על זה בפודקאסט הרבה. זה משהו שאני מנסה לעשות מאז ומתמיד. אני חושבת שפשוט לא עכשיו. יש את הכלים לעשות את זה בצורה הרבה יותר משמעותית.

מיקי רוזן : בדיוק אז כשהתחלנו באמת, אז התחלנו גם לרגע להבין איזה חברות יש בתחום. נפגשנו עם המון חברות שרגע ככה נתנו לנו כל אחת מענה כלשהו, והמשכנו גם פה פנימית אצלנו בין. אתה בטח יכול לספר את מה שהיה לנו.

בן חבבו : כן, אפילו אפילו כאילו נלך ממש ממש להתחלה. זה התחיל במהפכה של מהפכה של היי. התחלנו לעשות כל מיני פנטזיות שונות עם AI אחד מהם. זה היה בעצם מעין אל קיו מה שתיארתי קודם והתחלנו בצורה נאיבית. אני חושב שכאילו גם היום עדיין אנשים מתחילים בצורה כזאת באזורים האלה ולקחנו את כל ה table structure שיש לנו בעולמות של מאנדיי וזרקנו את זה לתוך איי ואמרנו לו היי, תתמודד, קח, תענה לי עכשיו על שאלות.

דריה ורטהיים : רגע, אני שומר את כל ה טייבל Structure? תסבירו לי נגיד?

מיקי רוזן : אז אני אסביר שנייה בדיוק כמו שאמרתי קודם בתור אחראית על BI אז אנחנו בעצם בונים את כל הטבלאות ואת כל המודלים שעונים על כל השאלות. אנחנו ממש שמים שם את הלוגיקה, את העסקיות כדי שאנליסטים בסופו של דבר יוכלו להוציא תובנות על בסיס זה, כדי שכולם יוכלו לחשב הערר באותה תצורה. אז באמת לקחנו את הטבלאות האלה שהן כבר מוגדלות. חשבנו איזה יופי, כבר עשינו את רוב העבודה. ניתן לה AI הוא חכם, הוא יידע להוציא את התובנות. ישבנו, הראינו, התלהבנו ומה קרה? ו התבאסנו בגדול.

בן חבבו : 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. אוקיי, ושם בעצם פגשנו המון חברות שנותנות פתרונות של שכבה סמנטית ופה בעצם כאילו נכנס לאיזשהו מסע של בערך שנה, שנה וחצי.

דריה ורטהיים : של מה לחפש פתרונות.

בן חבבו : ולחפש את הפתרונות.

מיקי רוזן : כן נפגשנו 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 מוציאים את הכלי הכי שמספר שהם באמת הולכים לפתור את כל בעיות העולם, כולל שלום במזרח התיכון, סביר להניח שחייבים שיהיה קונטקסט מסודר ואני חושבת שזה היה האתגר הכי גדול. איך אוספים קונטקסט מכל כך הרבה מקומות? יש לנו כבר מעל 100 אנליסטים. כל אחד משתמש בעצם בכלים שונים. כל אחד כותב את הקורס שלו. במקומות אחרים יש לנו כלי ויזואליזציה שונים. איך אוספים את כל הקונטקסט הזה לאיזשהו מאגר אחד ומדגישים אותו בצורה טובה ל agent?

דריה ורטהיים : זאת שאלה ענקית. אני חושבת שזאת שאלה שהיא אינדיבידואלית. אפשר להיתקל בה, אתם יודעים, אפילו בקונטקסט שאני מדברת עם עם Agent כלשהו עליי ואני מרגישה לא יודע מספיק. אז כשלוקחים את זה ברמה ארגונית, זה פתאום הופך להיות אתגר שאני באמת לא יודעת איך נותנים לו מענה. אני רק רוצה להבין יותר לעומק, כי בעצם אמרתם שכן כזה. זרקתם לו את כל הדאטה שיש. זה לא מספיק קונטקסט? מה היה חסר פה בדיוק?

בן חבבו : זה לא מספיק, כי אם אנחנו לוקחים רק את ה table structure זאת אומרת את העמודות ואת התיאור של הטבלאות ואת התיאור של אותן עמודות זה בסוף. יש לנו טבלה אחת, אבל איך היא מתחברת לאחרת? איך הטבלה הזאתי בסוף נראית ויש המון המון אגרגציה שונות שאפילו תשאלי כמה אנליסטים בתוך החברה איך מחשבים מטריקה מסויימת. תקבלי תוצאות שונות כי כל אחד מסתכל בצורה אחרת לצורך העניין. מרקטינג מסתכל בתצורה כזאתי ופה רק מסתכל בתצורה אחרת ושניהם צודקים. השאלה מה קורה כשמישהו שואל את השאלה בצורה יותר יעילה, כי.

דריה ורטהיים : זה כבר השכבה הזאת של הפרשנות שבאמת בשביל זה צריך אנליסטים, ובעצם עדיין לא היה מספיק חכם בשביל לעשות את זה. בדיוק בדיוק.

מיקי רוזן : ובאמת חיפשנו. אני אתן לך דוגמה של שאלות כאילו אז כאילו ממש ממש התלהבנו. אמרנו השאלה הראשונה כמה יש לנו באי הרבה ווייב וקיבלנו תשובה יפה מאוד. אפס. אז אמרנו רגע, נראה לנו לא מדוייק. ואז הבנו שבעצם הוא מסתכל בדיוק כמו שבן אמר על המטא דאטה על הטבלה, על העמודה עצמה הוא אומר אוקיי, אז יש לי פה המודעה שנקראת כנראה פרודקט. אני מחפש וייב. לא מוצא. מניח שזה אפס. הוא לא ידע שבעצם בפועל זה נקרא מאנדיי וייב.

דריה ורטהיים : אז זה ממש כאילו הוא חיפש ספציפית מילה וייב.

מיקי רוזן : אני אמרתי שהוא.

דריה ורטהיים : חיפש. אם כתוב מאנדיי ו זה כבר מונח אחר לגמרי. כן.

מיקי רוזן : כלומר הוא היה צריך ממש מספיק.

דריה ורטהיים : כן? נכון?

מיקי רוזן : כן, בדיוק. וזה נורא נורא ביאס אותנו, אבל כמובן לא הורדנו רגל מהגז לרגע. להפך, נראה לי שזה נותן לנו עוד בוסט של עכשיו. אנחנו במאבק נצליח.

דריה ורטהיים : כי אנחנו אגב מדברים על זה כל הזמן, שנראה לי שהטעות הכי גדולה והנפוצה גם בעבודה עם AI, זה להשקיע בהתחלה נורא ולראות שזה לא עובד, ואז להגיד אוקיי, זה לא עובד. בעצם זה צריך להבין שזו ההתחלה ומפה צריך להתחיל לאמן אותו, ללמד אותו.

בן חבבו : נכון, זה בדיוק אותו סייקל שקורה עם AI כי כמו שתיארת AI הוא מאוד מאוד חכם, בטח בעידן של היום האלה מאוד מאוד חכמים אבל הם גנריים. 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? איך? מה הארגון שלנו צריך מה, איך הוא נראה, על מה אנחנו מסתכלים, מה Kpi ובעצם להכיל את כל הדבר הזה ולהנגיש אותו. ורק ככה בעצם אנחנו נותנים לו את הסט אפ הנכון כדי שהוא באמת יצליח לענות על שאלות עסקיות.

דריה ורטהיים : אז מה עושים?

מיקי רוזן : אז רגע, אני רוצה עוד להמשיך באמת. בהמשך למה שבן התחיל להגיד שהשלב הבא שלנו היה אחרי שניסינו ולא הצלחנו לבנות בעצם איזושהי שכבה סמנטית? מה זה אומר? אמרנו אוקיי, אז אנחנו נשב עם האנליסטים. אנחנו נשב עם ה BI ופשוט נבנה המון המון מודלים ונלמד בכל עולם תוכן את ה agent. איך לענות? היה 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 איך אתה מוציא את דעתה על Y. זה כמובן לא סקאלה. בילי בעליל.

דריה ורטהיים : זה המון שעות של עבודה.

מיקי רוזן : המון שעות של עבודה, וגם זה משהו כמו חצי שנה של עבודה שבאמת השקענו, גם אנחנו וגם האנליסטים, והבנו שזה בעצם לא תהליך שיכול לעבוד, בטח לא ב scale ובטח לא באופן שוטף.

דריה ורטהיים : כאילו זה בטח לא מחזיק את עצמו, אני מניחה.

בן חבבו : ברור ובטח לא ב Monday Monday. איזה מפלצת אנחנו מדברים פה על אלפי טבלאות שנמצאות בתוך ה data Warehouse? בטח אם אנחנו מפרקים את זה למטריקס. אנחנו מדברים פה על כאילו כמויות מאוד מאוד גדולות.

דריה ורטהיים : כן?

מיקי רוזן : אז זהו, 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 שלנו מאוד מאוד השתפרו Corsair יצא ואמרנו אוקיי, עכשיו יש לנו את ההזדמנות של רגע לנסות לקחת את מה שעשינו ולעשות אותו קצת אחרת. ופה נראה לי היה כזה קפיצת מדרגה של רגע. הצלחנו באמת. קודם כל חתמנו אנליסטים. זו נקודה מאוד מאוד חשובה. אי אפשר לעשות את זה לבד. חייבים חייבים שיתוף פעולה גם של BI וגם של Data Engineering וגם של אנליסטים.

דריה ורטהיים : אז בא לי להתעכב רגע על הנקודה הזאת, כי אני בטוחה שזה באמת איזשהו אזור שיכול גם להעלות התנגדויות. בסוף אתם אומרים אני בונה פה איזה אנליסט נורא חכם. אז אולי אני כאנליסט דווקא רוצה יותר לשמור על המקום שלי אז ושוב, וזה רלוונטי למדי. אני בטוחה שזה רלוונטי להמון מקומות אחרים, גם לתפקידים אחרים. אז איך רותמים אותם בעצם?

מיקי רוזן : אז קודם כל אני חייבת להגיד ש מאנדיי אחת החברות. טוב, אני לא אובייקטיבית, אבל באמת שמעודדת את כל הקידמה והטכנולוגיה. ואני חושבת שהרצון דווקא לנסות ולעשות את זה בא מהם לא פחות מאשר ממשהו בא מאיתנו וזה היה מדהים לראות. זאת אומרת, זה היה ממש שיתוף פעולה. אנשים, להיפך, רצו רגע להבין איך הם בעצם לוקחים את הדבר הזה ומצליחים להבין ממנו או לומדים ממנו. מה ההבדל הוא 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 יכולות אנליטיות בלבד הוא כנראה לא פונקציה שתישאר לאורך זמן. אנליסט פשוט מתרחב.

דריה ורטהיים : כמו תפקידי פיתוח כמו.

מיקי רוזן : בדיוק.

דריה ורטהיים : עיצוב כמו.

מיקי רוזן : Designer. עכשיו מצופה להיות פרודקט פרודקט מצופה להיות מפתח. אותו הדבר גם כאן. אנליסטים הופכים להיות יותר פרודקט יותר אולי Big data 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.

בן חבבו : אני גם מצרף כי אני אצטרף ואגיד גם שבסופו של דבר האנליסט אינסנטיב שלו זה גם שיהיה לו פחות עומס ופחות רעש, כי הוא מקבל המון המון המון המון בקשות ושאלות. ואם בסופו של דבר הוא מצליח, אנחנו מצליחים באמצעות קרמר לתת את הפתרון. הוא מקבל פחות עומס, הוא יכול לקבל פוקוס על המשימות שלו, וזה בעצם גם מה שגורם להם לתרום לאותם מקומות. כן.

דריה ורטהיים : מעולה. אוקיי, אז הבנתם שאתם צריכים בעצם את שיתוף הפעולה של האנליסטים בתוך הדבר הזה? ואן דן וואטס, כאילו, אוקיי, נכנס לעניינים. הטכנולוגיה התקדמה? כן.

מיקי רוזן : אז עשינו כמה האקתונים מדהימים. דרך אגב, עם כל האנליסטים והתחלנו בעצם בלייצר את אותו את אותה את אותו Repo, בסדר שבעצם שומר גם את כל המוח של האנליסטים כדי שנוכל ללמד את את את ה agent שלנו לעבוד נכון יותר. הבנו שבעצם רק לתת לו טבלאות או Metadata או גם אפילו את התוכן של הטבלאות זה לא מספיק. כי כמו שבן אמר, יש גם את האנליסט שהוא בעצם יודע איך לנתח דברים מסוימים עם Marketing מסתכלים על פאנל בתצורה מסוימת ו פרודקט מסתכלים על זה בתצורה אחרת. רק הם יודעים. הם יודעים איך נכון לעשות את זה. אז עשינו בעצם את אותו האקתון או כמה האקתונים ביחד עם האנליסטים והתחלנו לייצר סקילים Skills. זה בעצם מה שמאפשר ל Agents להבין איך משתמשים במשהו, לא רק מה התוכן של הטבלאות אלא מה המוח מאחורה, איך אנליסט צריך או איך קרמר צריך לתשאל את הדאטה כמו אנליסט?

דריה ורטהיים : אוקיי, אז עכשיו אני מתחילה להבין גם למה? כי הרסר ואילו הכניסה של הרסר, וכל עוד קוד היא הייתה כל כך משמעותית, כי בעצם עד אז באמת Skill זה לא משהו שהשתמשו בו.

מיקי רוזן : נכון, היה, אבל ממש מעט.

דריה ורטהיים : מעט או או פחות. ואני יודעת עכשיו כמה זה משמעותי באמת. כאילו וכמה זה חוסך זמן. כאילו מי שקצת נכנס לעומק של של מה זה Skill? מה זה? מה זה Agent? אז בעצם זה מקצר את הדרך כל כך הרבה. ברגע של אייג'נט יש איזה Skill מסוים והוא יכול פשוט לרוץ עליו. אז כאילו עשיתם האקתונים של בניית Skills. ממש ככה.

בן חבבו : כן, אם בעצם רגע אני אכנס לאיך Repo זה נראה בעצם זה נקרא אצלנו הדאטה קוק בוק הוא בעצם מכיל Folder שנקרא Domain AWS. בתוך הדומיין יש את כל אותם הדומיינים שבתוך כל דומיין יש בעצם את אותם סקילים שזו בעצם אותה מתיקות או איזושהי סביבת סביבת עבודה שעליה מוכל כל הקונטקסט. זה בעצם מוכלל סקיל. זה בעצם מרק דאון, זה Media Files שמכיל את כל מה שאת, כל מה שהארגון צריך כדי בעצם לפתור את אותה שאלה. אז כשהאנשים האלה הגיעו שכר סר קלוד קוד, כל חבריו הגיעו. בעצם הוא יכול לעבור בתוך אותם skills, 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.

דריה ורטהיים : אז האקתונים יתמקדו. מעניין אותי ביותר בבניית Skills עכשיו ולא ולא. להגיד לא כי באמת כי דיברנו על זה. כמה קשה זה לתת קונטקסט שהוא מספיק רחב. אז ברגע שיש לו את השכל הוא יודע לגשת לשאילתה בצורה הנכונה יותר. נכון.

מיקי רוזן : בדיוק. אז גם על זה צריך רגע לדייק ולהגיד שלא מספיק בעצם שכל צוות או כל קבוצה בעצם תאפיין לעצמה את skills הרלבנטיים. אנחנו צריכים גם לחשוב על סקילים שהם גלובליים. מה קורה אם יש עכשיו סקילים שמתחרים אנליסט עכשיו? לא יודעת מה בדומיין מסויים מייצר סקיל הסקיל הזה הוא מאיזשהי סיבה להיות קונטר כאילו.

דריה ורטהיים : לסתור.

מיקי רוזן : כן לסתור בעצם את מה סקיל אחר בדיוק. אז אנחנו צריכים בעצם לייצר איזשהו סקיל נוסף שהוא גלובאלי שהוא מסתכל? האם יש פה אפליקציות, מה נכון ומה לא נכון, יש תהליך מאוד מאוד מסודר של PR של אישורים. בסוף צריך לזכור ש קרמר ניזון מכל הדבר הזה, אז מספיק שמשהו אחד לא עובד מדוייק. כל קרמר נותן תשובה לא מדוייקת.

דריה ורטהיים : אז אמרת כל קרמר זה מרים לאיזו שאלה של האם באמת זה Agent אחד שיודע לגשת לכל כך הרבה סוגים שונים של שאילתות use case ים? או שבעצם בניתם המון המון המון המון agent ים שהם כולם כאלה סופר אנליסטים ויש לצורך העניין קרמר של מרקטינג קרמר של פרודקט. כאילו, איך ניגשים לזה?

בן חבבו : האמת שזאת נקודה מעולה. אז קודם כל, מה שכרגע קיים לנו זה קרמר אחד שהוא תשתיתי והוא נותן תשובה לכל. 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 הסאב סט של עולם התוכן שלו. כמו שתיארנו קודם, יש מישהו שרוצה, מתעניין רק ב מרקטינג, והוא לא צריך בעצם את כל הדבר הזה, כי זה יכול לייצר גם רעש. קרמר מנסה לענות. לענות על שאלה, ולפעמים אנחנו רוצים למקד אותו ולייצר Expertise בעולמות בעולם מסוים, ולכן אנחנו הולכים לאזור הזה, אבל זה מבחינת התשתית שאנחנו נותנים. עדיין אותה מבחינת האופטימיזציה שלנו. קרמר כבר יכול. אתה יכול להשתמש בו כתשתית ולבנות Agent מעליו שיכוון אותו לאן שהוא צריך. אז יש לנו גם את התצורה הזו וגם את התצורה הזאת.

דריה ורטהיים : ולמה בעצם לא מראש לעשות רק בייבי קרמר ולא משהו גדול?

בן חבבו : כי פשוט מההתחלה הלכנו בכיוון של single אייג'נט שהוא כבר עונה על הכל והוא התשתית ואנחנו פרלמנטריות יהיו מעל ככל שזה יתקדם. אנחנו מבינים שאנחנו צריכים כן לפרוט את הדאטה אייג'נט שלנו ולתת את זה יותר מהתשתית, כי גם כשאנחנו מנסחים את זה ואנחנו נותנים אייג'נט שמסתכל מעל ומנחה את קרמר איך לעבוד את ה. את הסינגל אייג'נט הזה הוא עדיין רואה את הכל, וגם אם ההנחיה שמגיעה מלמעלה זה בסוף. עליהם הוא יכול להתבלבל. אז אנחנו רוצים פרוגרמטי בעצם לחסום אותו מהקונטקסט.

דריה ורטהיים : אז אם אני מקבילה את זה, זה קצת כאילו בניתם את הצ'אט צ'אט GPT. כזה של הדאטה של הארגון ועל גביו אפשר לבנות כזה GPT ג'יימס. כאלה שהם מותאמים יותר, אבל בסוף יש כן עדיין את. את המודל הזה שמכיל את הכל, את כל הידע.

מיקי רוזן : נכון?

דריה ורטהיים : איזה אתגרים נתקלתם בהם בבנייה עכשיו? אפילו כשזה כבר עובד מלא זה בטוח. יש הרבה אינסוף.

בן חבבו : אפשר להגיד שזה כאילו הכי הכי גנרי בעולמות של של דאטה, של Agency. באופן כללי זה בעצם Evaluation. איך אנחנו עושים את הדבר הזה? Evaluation? קרמר הוא יכול לענות על שאלות שאלות דתיות. הוא יכול לענות על אנליזות, יכול לענות על מיליון ואחד תצורות על שאלות דתיות. ואיך אנחנו עושים בעצם לזה אבולוציה? בהתחלה בצורה נאיבית, באנו ואמרנו אוקיי, בוא נבחן רק את ה אלקיו שלו, את התשובות בעצם שהוא מחזיר וזה פשוט לא הצלחנו למצוא את האלגוריתם הנכון שיעשה את זה, כי הראשון שבחנו בוא נשווה את התוצאה לתוצאה. אז כשאני שואל מה Arr אז אני מקבל מספר X אז אני יכול להשוות x x. זה קל, אבל שהשאלות הופכות.

דריה ורטהיים : להשוות את ה אתה יודע, נגיד אתה יודע מה יקרה? אתה רוצה לראות שהוא ענה את התשובה הנכונה?

בן חבבו : כן, אפילו צעד אחד אחורה. איך עושים אבולוציית? באופן כללי לאיי ג'ינס? אז יש לנו golden data set, שזה בעצם איזשהו שאלות ותשובות שהן מוכנות מראש. אז אנחנו יודעים את השאלה. אנחנו ואנחנו יודעים את התשובה שלה. ואז בעצם אנחנו שואלים את אותה שאלה גם את ה agent, ואז אנחנו משווים מול הגולדן דאטה סט. את התשובה שג'ון ראתה ואני חושב.

דריה ורטהיים : שזה תואם.

בן חבבו : בודקים שזה תואם עכשיו. בניגוד למערכות Agent Agent ים אחרות, התשובה פה היא מספר. אז אני צריך להשוות את המספר למספר. אוקיי, וזה מה שמאוד מאוד מקשה על התהליך, כי כמה טולרנסים יש לי ל Precision. האם זה שהוא החזיר לי לא יודע 100 מיליון או מאה מיליון ואחד זה תקין או לא תקין? האם באיזורים מסויימים אנחנו רוצים להיות יותר טולרנסים במקומות מסויימים? אנחנו רוצים להיות כאלו מאוד מאוד מדוייקים. וגם פה נכנס העולם הטקסטואלי כי הוא לא מחזיר לי רק מספר ומחזיר 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 והקשבנו, אבל ראינו שזה פשוט לא עבד. הביצועים ה score היה מאוד מאוד נמוך, כי גם כששאלנו מה הרהר בחיתוך של מדינה אז פעם זה היה אנטריקוט ופעם זה היה הקאנטרי name וזה היה מאוד מאוד קשה למדוד את זה. אז היום אנחנו נמצאים במערכת Evaluation שהיא טיפה שונה, שהיא בעצם עובדת כאלה עם איזה גאדג'ט, ואנחנו עובדים עם 15 פרמטרים שכל אחד בעצם הוא אללה. איזה גאג הוא בודק איזה טבלאות הוא, איזה טבלאות הוא לקח. אם זה טבלאות 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 של כל אותם מטריצות.

דריה ורטהיים : ואתם מנסים לקבל איזשהו ציון שכזה מעליו. זה נחשב מספיק טוב? בדיוק בדיוק. אז אם אני מבינה נכון, בעצם יש סוג של Agent ים נוספים שכל התפקיד שלהם זה לבדוק את קרמר, כאילו לבדוק שהוא עונה את התשובות שאנחנו מצפים שהוא יענה נכון? עכשיו אתם דיברתם על זה שזה ב scale כאילו אנחנו אמורים לעשות את זה. אתם בעצם נותנים שירות לכל העובדים של החברה? יש בטח. מעניין אותי. אתם יודעים כמה שאילתות יש ביום בשבוע?

מיקי רוזן : כמה יש לנו כבר מהמאה.

בן חבבו : ה 800 800 יוזרים יוניק בחודש, וזה באמת נתון מטורף. כן ו 150 אינטראקציות בממוצע לבנאדם ביום.

דריה ורטהיים : ביום ביום ביום. מטורף מטורף ממש! אז איך בכלל מתחילים לפקח על דבר כזה? כאילו? אני מניחה שעדיין בסוף, גם אם גם אם יש אמרת אלה להם איזה גאג, עדיין בסוף יש את הגורם האנושי שבסוף גם יכול לשבת בנאדם בקצה ולהגיד וואי, אני מקבל שטויות, נכון? או או אפילו לא לדעת שהוא מקבל תשובה לא נכונה וזו.

מיקי רוזן : נקודה ממש ממש משמעותית. אנחנו בעצם לא משנה מה, איזה כלי אנחנו מוציאים אנחנו תמיד אומרים בסוף מדובר ביי. חייבים להבין את זה. גם משכילים שדיברנו עליהם קודם הם כן סטטיסטים. זאת אומרת, יכול להיות שהוא ייתן תוצאה אחת. ובפעם הבאה שתשאלי את אותה שאלה הוא ייתן תשובה קצת אחרת. כלומר, אני ממליצה לא להשתמש בעצם בקרמים בשביל להוציא דעת על הבורד או לישיבות מאוד מאוד משמעותיות.

דריה ורטהיים : במקרים סופר רגישים.

מיקי רוזן : כמובן חייבים רגע, בשביל זה יש אנליסט וצריך רגע לבדוק. אבל כמו שבן אמר, אנחנו מנסים לייצר איזשהו תהליך של ללמד איזה ג'אז או כל מה שאמרנו קודם שזה באמת לייצר אבולוציה ב scale. עכשיו דיברנו על אבולוציה כזאת, אבל מה קורה עם סקילים? תחשבו skills הם הופכים להיות לא רלוונטיים באיזה שהוא שלב או גם אותם צריך לעדכן גם את זה צריך לעשות ב scale. אז גם פה יש אירוע גדול שצריך לתחזק נכון? איך עושים את הדבר הזה? הכל חייב להיות אלגנטי, אין פתרון אחר. זאת אומרת אני לא רואה אנליסט עכשיו יושב ונכנס ועובר על הקוד ואנחנו צריכים לחשוב על איזשהו תהליך שאנחנו כבר בעצם חושבים עליו. שלעבור על כל השאילתות של כל אנשי דאטה שלנו להבין מתוך השאילתות האלה מה הדברים שמתבשלים, להבין? האם ה skills שלנו בעצם מכסים את עולמות התוכן האלה. ואם לא אז רגע. לייצר את הסקיל עם כל הדבר הזה? חייב להיות תהליך אלגנטי מא עד ת כדי שבאמת זה יתפוס סקייל מעולה.

דריה ורטהיים : כאילו יש פה הרבה, כאילו כל מאחורי הקלעים הוא חייב להיות באמת כמו שאת מתארת, כאילו חייב להיתמך על ידי Agent ים נוספים, אחרת זה באמת. זה פשוט לא יחזיק את עצמו כאילו זה יהפוך להיות מאוד רייטד כזה מאוד מהר. נכון, יש ריסק בייג'ינג כזה. ברור מה.

מיקי רוזן : אז קודם כל אמרת מה האתגרים? זה אחד האתגרים. באמת כאילו אבולוציה כבודו במקומו לגמרי. אבל יש את כל הנושא של Permission של Security. תחשבו שעכשיו קרמר בעצם יכול להתחבר לכל דבר. לכל אייג'נט בחברה. כל אחד יכול לתשאל את הדאטה שלו. זאת אומרת, אי אפשר לצאת עם אייג'נט כזה בלי לחשוב מראש על נושא ההרשאות.

דריה ורטהיים : וזה.

מיקי רוזן : משהו.

דריה ורטהיים : שעוד יותר כשאנחנו בעצם חברה ציבורית ולא לכולם יש גישה לכל הדאטה.

מיקי רוזן : ברור לגמרי. זה נגיד משהו שבאמת בנינו אותו כבר מראש. בן והצוות שלו. איך אנחנו בעצם מונעים מאנשים לראות דאטה שהוא דאטה רגיש? בין אם זה data הרגיש כמו HR ו Finance, וועדת הרגיש או פשוט כחברה ציבורית אסור לנו לחשוף לכל העובדים. זו נקודה שחייבים לחשוב עליה לפני שיוצאים עם ה Agents, כי צריך לזכור שאנשים מהר מאוד מתלהבים. מטמיעים את זה בכל מערכת אפשרית, בכל כלי AI אחר שיש וקשה מאוד להחזיק את הדבר הזה.

דריה ורטהיים : ואז אפילו בתמימות, גם יכול להיות איזה דאטה, ברית, או.

מיקי רוזן : לגמרי.

דריה ורטהיים : פשוט שמישהו ייחשף לאיזה נתון שהוא לא אמור להיות חד.

מיקי רוזן : משמעית.

דריה ורטהיים : זה באמת באמת אם אנחנו מדברים, למשל, נראה לי שהדוגמה שהיא הכי הכי קלה להבין זה לצורך העניין נתוני שכר. אם פתאום מישהו מקבל גישה לכל נתוני השכר של כל החברה, זה יכול להיות בעייתי מאוד בעייתי? כן. אז איך בכלל פותרים את זה? כאילו איך? איך ניגשים לפתור כל כך הרבה בעיות של Security?

מיקי רוזן : אז אני רוצה רגע להגיד רק משפט. אני חושבת שאחד הדברים הממש מדהימים שבעצם הצוות בנה זה שהוא התייחס לקרמל כי זאת אומרת אנשים מסתכלים על זה כאיזה משהו שהוא מכלול אחד שכולל בתוכו כל מיני טיולים, ואז יש לנו בעצם את הכוח לשלוט במירכאות על הייצור הזה. זאת אומרת, אם עכשיו יש איזושהי דת הברית או כל דבר אחר בין יכול ממש לקחת ולהוריד הרשאות לכולם, זאת אומרת שאף אחד לא יאכל את השלט. כלומר, אם אנשים בונים את זה בצורה של כל אחד בונה לעצמו ולא משהו שהוא מרכזי, זה יכול להיות הרבה הרבה יותר בעייתי. אז זאת נקודה שלדעתי מאוד משמעותית ממש לבנות את זה כאיזשהו MVP אחד שבעצם מונגש לכל אחד מהכלים.

דריה ורטהיים : כן, אבל בעצם לכם יש את השליטה עליו בדיוק.

מיקי רוזן : ולנו יש את השליטה ואנחנו יכולים לעצור בכל רגע נתון לעשות. לא יודעת מה שדרוג, גרסה או כל דבר שאנחנו רוצים, אבל זה יהיה באחריות שלנו. אז אתה יכול קצת לספר על מה שעשינו בפרטי ופרדי כן.

בן חבבו : אז לנו כחברה ציבורית אסור לנו לחשוף נתונים שהם עדיין לא דיווחו לבורסה. כן.

דריה ורטהיים : אז בעצם גם בתוך החברה יש אנשים שיכולים להיות חשופים לכל המידע שיש למדיה, ויש אנשים שחשופים רק למידע מסוים.

בן חבבו : 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 מדווחים החוצה, אז אנחנו קוראים לזה party ופרט B אוקיי, part B זה בעצם מי שכן יכול לראות את הנתונים. נכון להיום, Party זה מי שיכול לראות נכון לרבעון אחורה, בעצם התאריך שבו דיווחנו לבורסה. אז פה בעצם אנחנו צריכים לממש מנגנון של אליס Row Level Security, שמימשו את זה באמצעות Snowflake שבו בעצם הדאטה שלנו נמצא. וככה שאם אני נגיד Part B ואת Part A, כשאת ששנינו את אותה טבלה את תוכלי לראות רק את הנתונים שלך.

דריה ורטהיים : אני אקבל תוצאות שונות משלך.

בן חבבו : בדיוק את תראי את הרבעון אחורה. אני אוכל לראות את הנתונים של היום. איך בעצם עשינו את זה? כשאת מתחברת להם, את בעצם מעבירה את הזהות שלך ואז הזהות שלך. כבר היה לנו מערכת הרשאות שכבר הייתה בנויה, ואז יכלנו לחלחל את זה הלאה.

דריה ורטהיים : מגניב. אז זה כאילו בנוי על טוב. אולי אנחנו נכנסים פה ממש על פרטים. אני כאילו צריכה להירשם לפלטפורמה. נכון, זה כאילו ממש יודע מי אני כי יוזר.

מיקי רוזן : נכון, אבל זו בדיוק הנקודה שדווקא כן פתרנו אותה. אם עד עכשיו בעצם אנשים היו ממש נכנסים עם התוכן האישי, זאת אומרת עם מי את עם ההרשאות שלך? הבנו שזה גם יכול להיות בעייתי, כי מה שקורה זה שאם את נרשמת עם התוכן האישי, כל ההרשאות שלך בעצם מחלחלות למטה ל agent שאת מייצרת. אם עכשיו יצרת agent ומשתמשת בהרשאות HR, אז אותו Agent שהוא כבר יצור עצמאי לחלוטין.

דריה ורטהיים : בעצם פתוח לכולם.

מיקי רוזן : עכשיו פתוח לכולם אם ההרשאות שלך ולכן בעצם מה שעשינו זה מימשנו יוזר אפליקטיבי יוזר יוזר אפליקטיבי. אגב גם כן גישה מומלצת שבעצם מנגישה לכולם דאטה רק של פרט ה בלי כל ה HR Finance וכל מה שאנחנו לא רוצים בעצם לחשוף עכשיו. במידה ויש איזשהו צורך אז זה עובר איזשהו תהליך אישורים מאוד מאוד מסודר, אבל כ default כברירת מחדל זה אך ורק את part a.

דריה ורטהיים : מעולה! תגידו, איך מודדים הצלחה של agent כזה? כאילו אוקיי, יש את כל העניין של Evaluation אבל איך מודדים ברמה רחבה יותר?

מיקי רוזן : כן, אז אני חושבת כשלב ראשון בדיוק מה שבן אמר. אז יש לנו באמת מטריקה של Hadoop Retention זה ממש מוצר לכל דבר. כמו שאנחנו מוציאים מוצר ללקוחות חיצוניים. אותו דבר זה מוצר פנימי שלנו. אז בעצם כמה יוזרים יש לנו? אמרנו שיש לנו סביב ה 800 כבר? נכון להיום? כמה פעולות הם עושים ביום ואיזה אינטראקציות אנחנו בודקים את ה סקילים? עד כמה סקילים מדויקים, לא מדויקים? שביעות רצון? כמה מחברים את ה Agent הזה Agent ים אחרים למערכות אחרות? היום בעצם, קרמר מחובר כבר לכל הכלים שלנו. אנחנו עובדים עם קלוד קלוד קוק. אנחנו עובדים עם Karcher עם עם ה agent של Monday כמובן. אז בעצם כל הדבר הזה זה גם כן איזה מטריקה של שביעות רצון. עוד דברים שפיספסתי.

בן חבבו : אני יכול להגיד שהמדריכה דווקא שהיא לא היא לא כזאת. מטריקה שאנחנו מודדים אותה זה Incident שהיה לנו. ביום רביעי שבוע שעבר, קרמר ירד, היה למטה למשך כמה שעות, ואני חושב שזאת ההצלחה המסחררת שלפחות שאני חוויתי, מעבר לכל המדריכות האלה שרשומות לנו בדשבורד, פשוט קיבלנו כמות פניות מטורפת כאילו זה למטה. מתי הוא עולה ומתי הוא עולה? וזה פרסום שלילי.

מיקי רוזן : כמו שאומרים.

דריה ורטהיים : לא? אז זה בעולמות הnlp score? אז יש ממש שאלה שאפשר לשאול של כמה תהיה מאוכזב אם ייקחו לך את הכלי. כאילו לא רק איך, כמה תמליץ עליו לאחרים, אלא ממש אז זה בדיוק זה. לקחתם להם את קרמר והם היו מאוד מאוכזבים אז זה מעולה שהם יהיו מאוכזבים. נכון? ממש מדהים. אז איפה בעצם אנחנו נמצאים עכשיו אנחנו כזה. נשמע שגם יש את דשן רחב של הכלי. מה? לאן אתם רואים את זה מתפתח? איזה עוד הזדמנויות יש כאן?

מיקי רוזן : האמת היא אין סוף. אני מרגישה שככל שאנחנו מפתחים משהו זה נותן לנו רעיונות לדברים נוספים. תחשבו שבעצם היום הזה זה זה. המון המון טיולים בפנים. אנחנו יכולים לחשוב על אינסוף טיולים נוספים. כל העולם של ויזואליזציה. אנחנו רוצים להנגיש ויזואליזציה היום שבעצם כל אחד יוכל לייצר לעצמו דשבורד בצורה של Prompt. בסדר. כבר לא צריך לייצר באיזה להכיר את כל ה. את הדרכים האלה של כלי ויזואליזציה שקיימים היום.

דריה ורטהיים : נכון, באמת גם לא אמרנו את זה. קרמר הוא טקסטואלי בלבד. זאת אומרת זה צ'ט לגמרי.

מיקי רוזן : צ'ט כן, לגמרי צ'ט. אז לחשוב על זה שאת יכולה היום להוציא דאטה הוא יתן לך את התובנות. הוא יגיד לך מה האקשן Items ואיפה את צריכה להשקיע את הזמן שלך וכו וגם מייצר דשבורד. אבל לא סתם דשבורד יוצר דשבורד של Monday שהוא יראה שהוא ירגיש שהוא יהיה בדיוק Monday, כלומר גם שם מאחורה יש Skill שממש אומר איך אנחנו 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 טיולים כאילו עכשיו קרמר הוא ריאקטיבי. זאת אומרת, את שואלת אותו שאלה, הוא עונה לך. אנחנו רוצים להפוך אותו להיות פרואקטיבי.

דריה ורטהיים : אקטיבי, שהוא יזהה אולי דברים שצריך לשים לב אליהם ויצביע.

מיקי רוזן : כן, הוא כבר הופך להיות סוג של agent פרואקטיבי. מעולה. בסדר, אז יש לנו אינסוף רעיונות גם באזורים האלה. למשל אייג'נט לפאנל. איך אנחנו מנגישים את כל עולם הפאנל ונמנעים מפורום 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.

דריה ורטהיים : זהו, זה מוצר לכל דבר. זה באמת ממש ככה. עובד מדהים. יש עוד משהו שאתם מכוונים אליו בתקופה הקרובה?

מיקי רוזן : כן. אז אני חושבת שבכלל כל עולם הקונטקסט הפך להיות הרבה יותר רחב. דאטה היום זה לא רק הדאטה המובנה של הטבלאות של Data Warehouse. הדאטה הוא הרבה הרבה יותר רחב. יש לנו את כל עולמות ה structure. תחשבו על כל הגורו בורדים וגוגל סלייד גוגל שיט! כל דבר שאתם בעצם שומרים בו דאטה אבל לא במבנה טבלאי.

דריה ורטהיים : כן או לא מסודר ברמה של דאטה.

מיקי רוזן : סט כזה בדיוק, ואנחנו רוצים להיות מסוגלים לענות על שאלות כמו מה ה policy של לידים, וגם על כמה לידים חולקו. אנחנו רוצים קרמר עידן, לענות גם על השאלה הזאת וגם על השאלה הזאת.

דריה ורטהיים : כאילו גם דברים שהם קצת רכים יותר. כאילו לא בהכרח תשובה מספרית ברורה.

מיקי רוזן : נכון, בדיוק. לא data Warehouse כן, אז גם זה עולמות שאנחנו כבר נכנסנו אליהם. ובן והצוות פיתחו את AI בריין אצלנו, שבעצם כל אחד יכול למעשה לשמור את התוכן, את הדברים הרלוונטיים אליו, לקבוצה שלו? ואז קרמר בעצם יידע אם פוינטר מסוים לגשת לדאטה בהתאם לשאלה. זה נגיד נושא שהוא מרתק ואני בטוחה שהרבה אנשים ירוויחו ממנו.

בן חבבו : אפילו יש פרק כזה.

דריה ורטהיים : על ai brain. נכון, אני לא זוכרת איזה מספר.

בן חבבו : נחשב לפני שנה וחצי.

דריה ורטהיים : זה כבר צריך עוד אחד. זה כבר לא עדכני, זה כן. אני רוצה לשאול מה אתם ממליצים לאנשים ששומעים אותנו עכשיו ובאמת 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 את זה. אתם יודעים, מאפס כזה אצלם? או שאולי דווקא עכשיו כן? יש איזה כלים שהם יכולים להטמיע מבחוץ?

מיקי רוזן : 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. 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 ו דוקומנטציה של עמודות ומטא דאטה. ובצורה מסודרת לייצר את כל ה skills 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 אר אנד די גדול, אז לדעתי פיתוח פנימי שיענה בדיוק על הצרכים הספציפיים של הארגון. זה יכול להיות אחלה. אני מאמינה שיש היום כלים בשוק. אנחנו נפגשנו עם חלקם שכן נותנים מענה. לא פתרו את זה עד הסוף. כולם. לכל אחד יש את האתגרים שלו היום, אבל אני מאמינה שהתחום הזה הוא כל כך בפוקוס כל כך, שאם לא היום אז מחר זה כבר יהיה אני.

בן חבבו : אני אצטרף ואני אגיד שבסוף קונטקט זה הכי חשוב. אוקיי. כמו שאמרנו קודם, וצריך לראות איך אנחנו מצליחים לעשות בתוך בתוך החברה, לא משנה איפה לא תהיו. איך עושים את זה בצורה אורגנית? הקונטקסט שלכם גדל ומכיר אתכם טוב יותר. אובר טיים. אוקיי, אז יש איזשהו פוסט שמיכאל איימס שיחרר לא מזמן שמדבר בדיוק על זה על להתאים קונטקסט ובדומה להתאים קונטקסט כי אנחנו צריכים לעשות גם Agents שלנו, אנחנו צריכים לתת להם שיכירו איפה אנחנו, איפה אנחנו עובדים, מה אנחנו עושים? מי הם? פוינט אוף קונטקסט שלנו, את כל העולם, את כל העולם הזה. ואם אני רוצה מסגיר 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 Evolve וילמד עוד ויכיר וימשיך להגדיל את הקונטקסט שלכם.

דריה ורטהיים : כן, זאת אומרת, גם אם השקענו פעם אחת בבנייה עצומה, זה משהו שחייבים להמשיך.

בן חבבו : לתחזק אפילו מחוויה אישית. כאילו כשאנחנו התחלנו עם מתאים קונטקסט. אז בהתחלה התחלנו עם איזשהו Documentation Day. אמרנו כאילו, בואו נשבור רגע את הסילבוס בתוך הצוות. בואו נעשה יום שכולם ישבו, יבנו, 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.

דריה ורטהיים : איזה קפה, אחר כך זה כבר אאוט.

בן חבבו : זה כבר. כן, בדיוק. זה כבר אאוט דייט. עד אז מה שעשינו היה מתאים קונטקסט כאילו כמשפט, רק כדי שזה יוכל לחבר ולתת את ההמלצה לאחרים. זה בעצם כולנו בסוף עובדים עם אותם מפרנסים. אנחנו מדברים עם קלוד, אנחנו מדברים עם הרסר. פשוט בסיום הסשן שלכם תייצרו איזושהי סביבה אחת שכל הצוות שלכם או כל אותה סביבה בסביבת העבודה שלכם עובדת דרכה, ובסיום הסשן שלכם תבקשו מקלאוד שירשום את הקונטקסט של מה שהוא למד חזרה לתוך אותה סביבה. ואז בעצם ככה אנחנו נוכל מהפעם הבאה להתחיל ממקום הרבה יותר גבוה.

דריה ורטהיים : מעולה! טיפ זהב נראה לי אם זה לסיים. אז רגע לפני שנסיים, נגיד שאם יש לכם שאלות אתם מוזמנים לפנות אלינו באתר הקהילה בלינקדאין באינסטגרם. אנחנו שם ואתם שם ותענו למה שצריך. ואם אתם רוצים לדעת בכל פעם שיוצא פרק חדש אתם מוזמנים לעקוב אחרינו בכל אחת מהאפליקציות. תודה רבה מיקי ותודה בן.

בן חבבו : תודה רבה, תודה רבה.

דריה ורטהיים : תודה שהזנתם.

Speaker 2: הו הו הו הו. הו הו הו הו הו הו.