פיתוח אפליקציות עם בינה מלאכותית מתחיל בהחלטה על משימה אחת שהמוצר צריך לבצע טוב יותר. למשל, לסכם תשובות פתוחות לסקר, לסווג פניות או לאתר נוהל מתוך מסמכים. לפיילוט בוחרים מקור מידע מורשה, קובעים מה נחשב לתוצאה נכונה, ומשווים את איכות התוצאה, זמן העבודה ועלות השימוש מול התהליך הקיים. רק אחרי שהערך ברור מרחיבים את היכולת לעוד משתמשים או תהליכים.
מנהל שירות בחברה ישראלית פותח את הבוקר עם עשרות פניות חדשות. חלקן בעברית, חלקן באנגלית, ובכמה מהן המספר החשוב נמצא בכלל בתמונה שצורפה. בקשה כמו ״תוסיפו AI למוקד״ משאירה את צוות הפיתוח עם יותר מדי כיוונים. בקשה כמו ״הציגו לנציג טיוטת סיכום של שלוש שורות, עם מקור לכל פרט שמשפיע על הטיפול״ כבר מגדירה מסך, תוצאה ובדיקה. הפער הזה מכתיב איך נראה הפרויקט כולו.
מה אפליקציה עם AI יכולה לעשות בפועל?
אפליקציה עם בינה מלאכותית מחברת יכולת כמו סיווג, חילוץ, חיפוש או יצירת טקסט לפעולה בתוך הממשק. התוצאה יכולה להיות כרטיס עם סיכום פנייה, שדות שמולאו מתוך מסמך או תשובה עם הפניה לנוהל. היא יכולה גם להיות החלטה פשוטה שמופיעה לפני שהמשתמש פותח מסך, כמו תיוג בקשה לפי נושא והצבתה בתור הטיפול המתאים.
בחרו פעולה שמשתמש אמיתי עושה לעיתים קרובות. שאלו מה משתנה עבורו אחרי שהוא רואה את התוצאה. אם נציג עדיין קורא את כל השרשור מפני שהוא חושש שהסיכום החמיץ התחייבות ללקוח, העבודה זזה ממקום אחד לאחר. לפני הפיתוח, התבוננו בכמה פניות שכבר טופלו ובדקו מה הנציג חיפש, מה הוא אימת, ועל איזה פרט הוא היה צריך לשאול שוב. אלה החומרים שמגדירים את הפיצ׳ר.
| תהליך | תוצר ראשון באפליקציה | מה מודדים בפיילוט |
|---|---|---|
| קריאת פניות ארוכות | טיוטת סיכום עם הפניה להודעות | זמן עד הבנת הפנייה ושיעור תיקונים |
| עבודה עם נהלים | תשובה קצרה וקישור לסעיף במסמך | התאמה למקור ושיעור תשובות בלי אסמכתה |
| קליטת מסמכים | שדות מוצעים עם תצוגת המסמך | דיוק בכל שדה ושיעור העברה לבדיקה |
| ניתוח משוב | אשכולות נושאים עם דוגמאות מהסקר | כיסוי נושאים וזמן עד מסקנה שאפשר לפעול לפיה |
איך מאפיינים פיילוט AI לאפליקציה?
כותבים תרחיש עם התחלה, תוצאה ואדם שאחראי לה
בתרחיש קליטת הזמנה, למשל, עובד מעלה PDF, מקבל תצוגה של המסמך המקורי ושדות מוצעים, בודק חריגות ולוחץ אישור. לוגיקת האפליקציה בודקת שהמוצר קיים בקטלוג ושהכמות עומדת בכללים. השדות שנבחרו, זהות המאשר וסטטוס ההזמנה נשמרים במערכת העסקית. הפרטים האלה קובעים אילו מסכים לבנות, למי נדרשות הרשאות ואיך לזהות עבודה כפולה בפעם הבאה.
את ההצלחה מגדירים מול נקודת ייחוס. מודדים, למשל, כמה זמן נדרש היום כדי לקרוא מסמך ולהזין הזמנה, כמה תיקונים מגיעים בדיעבד, ומה קורה במסמך שבו חסרה ספרה או עמוד. בפיילוט משתמשים באותו סוג מסמכים ובאותה הגדרה של ״הזמנה תקינה״. השוואה מול תוצאה מהדגמה יפה מפספסת את רוב עלות העבודה, כי בהדגמה בדרך כלל בוחרים מראש קלט הגיוני ומסודר.
מגדירים מה קורה כשאין תשובה אמינה
כדאי להחליט כבר באפיון איך האפליקציה תיראה כשהמידע חסר, כשהמשתמש פותח מסמך שאין לו הרשאה לקרוא, או כשהספק לא עונה בזמן. במקרה הראשון אפשר לבקש מהעובד למלא שדה ידנית. במקרה השני מציגים הסבר ענייני על הגישה הזמינה לו. במקרה השלישי מאפשרים להמשיך במסלול הרגיל או לחזור לשלב הסיכום בהמשך. הבחירות האלה הן חלק מחוויית המשתמש, והן משפיעות על כמות קריאות התמיכה ביום שבו הפיצ׳ר עולה לאוויר.
איך מחברים את המודל למידע של העסק?
כשהתשובה תלויה במידע שמשתנה, כמו מחירון או נוהל, האפליקציה צריכה להגיע למקור המעודכן. בחיפוש עם יצירת תשובה, או RAG, המערכת מאתרת קטעים רלוונטיים לפי החיפוש והרשאות המשתמש, ומוסרת אותם למודל כדי שיוכל לנסח תשובה. מומלץ להציג לצד כל תשובה את המקור ותאריך העדכון שלו, כדי שאפשר יהיה לאמת אותה כשהמשמעות שלה משפיעה על החלטה.
שאילתת ״כמה מגיע לי״ דורשת בירור נוסף לפני החיפוש. ייתכן שהעובד שואל על ניצול ימי חופשה, על דמי נסיעה או על יתרה אישית. הנוהל הארגוני יכול להופיע במאגר המסמכים, בעוד שהיתרה האישית שייכת למערכת משאבי האנוש. תשובה טובה מפרידה בין המידע הכללי לבין המספר שנשלף ממערכת מורשית, ומסבירה מה אפשר לבדוק כאשר המידע האישי אינו זמין.
לפעמים אין צורך בחיפוש במסמכים. כשמדובר בסטטוס של הזמנה אחת, בקשה ל־API שמחזיר סטטוס מדויק מספיקה. כאשר רוצים לנסח את ההסבר בעברית נגישה, אפשר להעביר למודל רק את השדות הדרושים לאותה תשובה. פיצול כזה גם מקל על הבדיקות. צוות המוצר יכול לראות אם הבעיה נעוצה בשליפה מהמערכת או בניסוח שהוצג ללקוח.
סרטון הסבר על חיבור אפליקציה למקורות מידע
בסרטון של Google Cloud Tech מדגימים איך מחזרים מידע רלוונטי לפני יצירת תשובה. בצפייה כדאי לשים לב להפרדה בין מנגנון השליפה למודל ולשאלה מה כדאי להחזיר למשתמש לצד הטקסט.
מה מסכי סקר פלוס מלמדים על שילוב AI במוצר?
במוצר סקר פלוס של Dreamview מוצגות יכולות AI בתוך משימה מוגדרת: בניית סקר וניתוח תשובות. זו דרך נוחה לדמיין את ההבדל בין שדה צ׳אט כללי לבין יכולת שמופיעה במקום שבו העבודה מתבצעת. אדם שנמצא בשלב כתיבת השאלות צריך לערוך את הנוסח, לבחור סוגי תשובות ולראות איך ייראה הסקר. בשלב הניתוח הוא צריך להבין מגמות ולבדוק את התשובות שמהן הן עלו.
נניח שמנהלת משאבי אנוש מקבלת מאות תשובות פתוחות אחרי סקר שביעות רצון. סיכום יעיל עשוי לזהות שנושא כמו עומס עבודה חוזר גם כשהעובדים משתמשים במילים שונות. בממשק מומלץ לאפשר לה לפתוח דוגמאות, לראות אם הנושא הופיע בקבוצה אחת או בכמה קבוצות ולסמן סיכום שלא מייצג את התשובות. לפני הפצה, היא יכולה להשוות את הטקסט לדוח הכמותי ולבדוק שמסקנה נחרצת לא נשענת על מעט משיבים.
אפשר להעביר את אותו רעיון לאפליקציות אחרות. בדוח מכירות, סיכום טוב מפנה לגרף או לשורות שמבססות אותו. בדוח מלאי, סימון חריגה מציין את הפריט, המחסן ומועד העדכון. במוקד שירות, טיוטת תשובה מופיעה עם הפרטים שהנציג חייב לבדוק. בכל אחת מהדוגמאות הערך מגיע מהקשר בין המסך, הנתונים והפעולה הבאה.
איך בודקים איכות בעברית לפני השקה?
מכינים סט דוגמאות מייצג ושומרים אותו גם לשינויי גרסה. משלבים טקסטים קצרים וארוכים, עברית מעורבת באנגלית, שמות מוצרים, ראשי תיבות, טבלאות, תאריכים וקלטים שמכילים טעויות כתיב. דוגמה עברית רגילה כמו ״מחר ב־10״ עשויה לדרוש הבנה של אזור זמן, יום עבודה ומועד יצירת ההודעה. אם הפיצ׳ר קורא תמונות, בדקו גם צילום חתוך, מסמך נטוי או דף שבו הטקסט נמרח.
כתבו לכל דוגמה תנאי הצלחה שאדם נוסף יכול לבדוק. בתשובה על נוהל, למשל, התנאי עשוי להיות ציון הסעיף הנכון ושמירה על ההבחנה בין כלל לחריג. בסיכום פנייה, הגדירו פריטים שחובה לשמור, כמו מועד שהובטח, סטטוס הזמנה והבקשה המפורשת של הלקוח. ציון כללי כמו ״נשמע נכון״ מקשה להבחין בין טקסט נאה לבין טעות שדורשת תיקון.
בדקו גם את הצגת התשובה. בעברית, מספר תיק, שם חברה באנגלית ותאריך יכולים להסתדר באופן מבלבל בשורה אחת. במובייל חשוב לבדוק איך שורת מקור נשברת ברוחב קטן, האם קישור למסמך ברור גם לקורא מסך והאם המשתמש יכול להגיע לעריכה בלי לאבד את ההקשר. מסך מסכם אמין דורש בדיקת תוכן ובדיקת ממשק יחד.
בסיום הפיילוט שמרו מספרים בנפרד לפי סוג המשימה. כשחילוץ שמות מוצרים עובד היטב, טעות חוזרת בשדה סכום עדיין עלולה לעצור את ההשקה. השוו גרסאות על אותו סט בדיקות והוסיפו מקרים אמיתיים שהתגלו אחרי הפעלה. כך התוצאות יכולות לשמש גם אם הצוות משנה פרומפט, ספק, מודל או דרך שליפה. מדריך OpenAI לתכנון הערכות איכות מפרט דרכים לבנות הערכות סביב משימות אמת.
איך בונים הרשאות, ניטור ועלות ריצה?
חלוקת אחריות בין האפליקציה למודל
כדאי להחזיק כללי גישה בצד השרת. המשתמש מזדהה באפליקציה, השרת מחליט אילו מסמכים או נתונים זמינים לו, והמודל מקבל רק את מה שנדרש למשימה. נסחו גם כללים לגבי לוגים: אילו פרטים דרושים לתיקון בעיה, למי יש גישה אליהם ומתי הם נמחקים. כאשר האפליקציה משרתת כמה לקוחות, בדקו במפורש שפנייה בחשבון אחד לא יכולה לקבל מסמך מחשבון אחר.
אם המודל מציע פעולה, כמו פתיחת משימה או שליחת תגובה, המערכת יכולה להציג טיוטה ולאפשר למשתמש לאשר אותה. בסביבת העבודה, השירות שמבצע את הפעולה צריך לבדוק שהמשתמש מורשה לכך, שהקלט תקין ושאותה בקשה לא תתבצע פעמיים אם הרשת נופלת. כדאי להפריד בין הצעת הפעולה, האישור והביצוע גם במסך וגם בנתוני הניטור. כך אפשר לחזור להבין מה קרה אם משתמש מדווח על בעיה.
עלות אמיתית נמדדת לפי תהליך שהושלם
חישוב ראשוני של שימוש במודל מתחיל במספר פעולות בחודש, בבקשות לכל פעולה, בגודל הקלט והפלט ובמחיר לשימוש. מוסיפים חיפוש, אחסון, שירותי עיבוד מסמכים ועלות הבדיקה האנושית. אפליקציה שנראית זולה בכל קריאה יכולה להשתמש בכמה קריאות לכל מסמך, להיתקל בכשל ולנסות שוב. לכן כדאי למדוד כמה עולה לספק תוצאה שימושית למשתמש, עם זמני ההמתנה והשיעור שבו הוא בכל זאת חוזר למסלול הידני.
נניח שבפיילוט כל מסמך דורש בממוצע שתי קריאות והלקוח מתכנן לעבד 4,000 מסמכים בחודש. יש בסיס של כ־8,000 קריאות, שאליו מוסיפים ניסיונות חוזרים ומבדילים בין מסמך של עמוד למסמך של עשרים עמודים. המספר הזה עוזר לקבוע אילו מסמכים מתקבלים, מתי נדרש אישור נוסף ולהבין כיצד חודש עמוס ישפיע על התקציב.
תרגיל אפיון לצוות מוצר: בונים סט בדיקה אחד לפני שבוחרים מודל
בחרו תהליך שאפשר לתאר בדף אחד. ניקח כדוגמה מרכז שירות של ספק המתקין ציוד אצל עסקים. לנציג מגיעה פנייה עם תיאור תקלה, תמונה ומספר הזמנה. היעד לפיילוט הוא להציג את ההקשר לטכנאי לפני השיחה הראשונה. מכינים שלוש גרסאות לאותה פנייה: אחת עם מספר ברור, אחת שבה המספר מופיע רק בקובץ המצורף ואחת בלי מספר כלל. פותחים את שלושתן באותו מסך ובודקים כמה מהר הטכנאי מבין מה הלקוח צריך.
מוסיפים שני חריגים שמצריכים החלטה מצד הצוות. בדוגמה אחת, יש שתי הזמנות עם מספרים דומים והטכנאי מורשה לראות רק אחת מהן. התוצאה המצופה היא שימוש במידע הזמין למשתמש, לצד בקשת בירור אם הוא אינו מספיק. בדוגמה השנייה, ההודעה מציעה לטכנאי לתקן הגדרה שאינה נמצאת בנוהל. פלט מתאים יכול לציין שההודעה כוללת הצעה, ולהפנות לנוהל הקיים לפני שמסיקים מה צריך לעשות.
בכל הרצה שומרים את זמן השליפה, את השדות שחזרו, את המקורות שנפתחו ואת התיקון שהטכנאי ביצע. כדאי לסמן גם אם הוא העתיק את הסיכום הלאה או העדיף לכתוב מחדש. כך אפשר לחזור לדיון עם תמונה מעשית: כמה אנשים סיימו את המשימה, איזו טעות חזרה שוב ושוב, ובאילו פניות נדרשה עזרת המוקד. החלטה על מודל או על קריאה נוספת מתחילה באותן תוצאות.
יש ערך גם להרצה שבה איש צוות משחק את תפקיד האפליקציה. הוא קורא את הפנייה וממלא תבנית קצרה בלי לכתוב קוד. אם הטכנאים מבקשים באופן עקבי לראות קודם את הדגם ולאחר מכן את היסטוריית הטיפול, זו תובנה לממשק ולחוזה הנתונים. לאחר מכן חוזרים על אותו ניסוי עם המודל ועם הנתונים שמותר להעביר לסביבת הפיילוט. ההשוואה מראה אילו החלטות שייכות לתכנון המסך ואילו דורשות שינוי בטכנולוגיה.
מתי אפשר להעביר את הפיילוט לייצור?
לפני פתיחה לעוד צוותים מוודאים שלמוצר יש מדדי שימוש, בעל תפקיד שמקבל דיווחים ומסלול גיבוי כשמתגלה בעיה. מתחילים בקבוצת משתמשים מוגבלת, משווים את תוצאותיהם מול נקודת הייחוס, ורק אז בוחרים אם להרחיב את התכולה. כאשר פיילוט נשען על מאגר ידע, הגדירו מי מטפל במסמכים לא מעודכנים. כאשר הוא נעזר בחילוץ נתונים, ודאו שיש דרך לעדכן את כללי הקליטה בלי לאבד את דוגמאות הבדיקה.
פגישת החלטה טובה עוברת על דוגמאות אמיתיות של הצלחה וכישלון. אם לצוות חוסכת האפליקציה זמן אבל משתמשים מתקנים שוב ושוב אותו שדה, אפשר להוציא את השדה מהאוטומציה או להגדיר לו מקור מדויק יותר. אם הפיצ׳ר איטי רק בקבצים גדולים, אפשר להעביר אותם לעיבוד ברקע ולהציג התראה כשהתוצר מוכן. החלטות קטנות כאלה משפרות את המוצר בלי לפזר את הפיתוח.
שאלות נפוצות על פיתוח אפליקציות עם AI
מה צריך להביא לפגישת אפיון ראשונה?
הביאו תיאור קצר של הפעולה שרוצים לשפר, כמה דוגמאות שקל לשתף, הסבר על מי משתמש בתהליך והיכן המידע נשמר. אם יש כבר מדד של זמן, טעויות או נפח פניות, כדאי לצרף גם אותו. בעזרת הנתונים האלה אפשר להציע פיילוט מוגדר ולהחליט מה לבדוק לפני שמתרחבים.
האם אפשר להוסיף בינה מלאכותית לאפליקציה קיימת?
כן. כאשר יש מסלול עבודה ברור ומקור מידע שניתן לגשת אליו, אפשר להתחיל ביכולת אחת כגון סיכום, חילוץ או חיפוש. חשוב להגדיר מה המערכת עושה כשהיכולת אינה זמינה, ולתכנן את נקודת החיבור כך שניתן יהיה למדוד את השימוש ולשפר אותה בלי לעצור את התהליך הקיים.
מתי כדאי לשקול עיבוד AI על המכשיר?
עיבוד מקומי מתאים לבחינה כאשר יש צורך בעבודה בלי חיבור, בזמן תגובה קצר או בשליטה על המידע שמועבר החוצה. רצוי למדוד על מכשירים אמיתיים את איכות התוצאה, זמן העיבוד וצריכת המשאבים, ולבדוק מה קורה במכשירים שבהם היכולת מוגבלת.
רוצים להפוך משימה אחת לפיילוט מדיד? ספרו מה המשתמש עושה היום, באיזו מערכת נמצא המידע ומה אמורה להיות התוצאה הראשונה על המסך. דברו עם צוות Dreamview Apps, או קראו על סוכני AI ואוטומציה לעסקים אם התהליך כולל גם הפעלת מערכות אחרות.