1
00:00:01,120 --> 00:00:03,890
ברוכים הבאים לפרק השני בפודקאסט שלי,

2
00:00:04,000 --> 00:00:07,360
היום נדבר על ChatGPT וההכרזות שלהם לעסקים.

3
00:00:08,300 --> 00:00:12,020
אני אוהב את ההכרזות של OpenAI כי המוצרים בהם אשכרה זמינים,

4
00:00:12,699 --> 00:00:16,770
הדמואים רגועים יותר, וגם פה, 4 צעירים יושבים על ספה

5
00:00:18,709 --> 00:00:20,329
ומסבירים איך נראה ChatGPT לארגונים.

6
00:00:21,129 --> 00:00:24,079
לפני שבועיים כתבתי על הדו"ח של מרי מיקר ואיך חברות

7
00:00:24,360 --> 00:00:25,940
ה-AI הגדולות מנסות להיכנס בצורה רוחבית לארגונים

8
00:00:29,680 --> 00:00:34,029
ה-ChatGPT לעסקים של OpenAI עושה בדיוק את זה. רוצה להיות ה-אפליקציה

9
00:00:34,479 --> 00:00:36,720
שבה עובדים מנווטים שאלות על החברה,

10
00:00:36,799 --> 00:00:37,590
על העולם

11
00:00:38,180 --> 00:00:39,110
וגם על עצמם.

12
00:00:39,959 --> 00:00:44,880
אני לא יודע כמה המוצר הזה מתרומם כי הוא דורש שינוי חשיבה ושינוי התנהגות

13
00:00:45,250 --> 00:00:47,119
אבל בוא נבדוק מה הוא נותן קודם

14
00:00:47,569 --> 00:00:50,299
ואם שווה להתרגל בשבילו לממשק חדש.

15
00:00:51,750 --> 00:00:53,720
ארגון הוא כאוס מסודר,

16
00:00:53,840 --> 00:00:56,479
מאות או אלפי עובדים שמייצרים תוכן בטקסט,

17
00:00:56,560 --> 00:00:57,630
שיחות וקבצים,

18
00:00:58,279 --> 00:00:59,220
המון קבצים.

19
00:01:00,029 --> 00:01:06,309
OpenAI לא מנסה להיות בית חדש לקבצים שלך, היא 20 שנה מאוחר במשחק הזה

20
00:01:06,839 --> 00:01:08,910
שחציו שייך למיקרוסופט

21
00:01:09,199 --> 00:01:10,260
וחציו לגוגל.

22
00:01:10,919 --> 00:01:14,449
היא מתחברת לקבצים במערכות האלה באמצעות קונקטורים

23
00:01:14,919 --> 00:01:17,839
ויש קונקטורים גם למערכות ארגוניות אחרות

24
00:01:18,199 --> 00:01:20,389
כמו לוח שנה ו-CRM כמו HubSpot.

25
00:01:21,169 --> 00:01:21,180
אבל

26
00:01:22,239 --> 00:01:27,919
זו נקודה כואבת ל-OpenAI. המתחרות שלה (Q for Business של אמזון,

27
00:01:28,040 --> 00:01:31,029
Glean ו-Onyx) מתחברות כבר למאות מערכות,

28
00:01:31,760 --> 00:01:35,589
OpenAI גם מפרידה בין מערכות שזמינות בחיפוש מיידי

29
00:01:36,080 --> 00:01:38,650
(ויש מעט כאלו) למערכות שזמינות

30
00:01:39,860 --> 00:01:39,870
ב-Deep Research.

31
00:01:40,949 --> 00:01:42,889
הרבה מושגים, תנו לי לעשות סדר,

32
00:01:43,599 --> 00:01:48,870
כדי להתאים דאטה ל-LLM צריך להעביר אותו בתהליך אינדוקס שנקרא embedding

33
00:01:49,430 --> 00:01:53,360
הוא מפרק את המידע לפסקאות של ידע שאותם אפשר למקם

34
00:01:53,739 --> 00:01:55,489
כווקטורים במרחב

35
00:01:55,779 --> 00:01:56,620
רב-ממדי.

36
00:01:57,389 --> 00:02:01,470
תחשבו שפסקה מתוך מסמך שמדבר על לקוח כלשהו,

37
00:02:01,949 --> 00:02:03,209
למשל רמי לוי,

38
00:02:03,790 --> 00:02:07,019
צריכה להיות בסמוך למצגת על עוף בשקל

39
00:02:07,349 --> 00:02:09,470
ועשרות מיילים וזימונים במייל,

40
00:02:09,508 --> 00:02:11,169
כולם קשורים לרמי לוי.

41
00:02:12,220 --> 00:02:15,250
תהליך האינדוקס הזה אומנם חד פעמי אבל ארוך

42
00:02:15,820 --> 00:02:18,210
ובמיליוני פריטים הוא גם יקר מאוד.

43
00:02:19,270 --> 00:02:22,899
אחרי שממקמים את כל הפריטים במרחב אפשר לבקש

44
00:02:23,470 --> 00:02:25,820
סכם לי אינטראקציות מהשנה האחרונה

45
00:02:26,070 --> 00:02:28,660
עם כל לקוחות הסופרמרקט של החברה

46
00:02:29,350 --> 00:02:32,639
והפסקאות הרלוונטיות יימשכו אל תוך החיפוש

47
00:02:32,949 --> 00:02:34,320
בתהליך שנקרא Rag,

48
00:02:34,960 --> 00:02:36,990
זה מה שייתן לשיחה את ה-Context,

49
00:02:37,270 --> 00:02:37,860
ההקשר,

50
00:02:38,750 --> 00:02:40,910
זה מרגיש כמו קסם כי זה מה שזה,

51
00:02:41,550 --> 00:02:44,139
לראשונה אפשר להוסיף לשיחה טבעית

52
00:02:44,429 --> 00:02:46,929
מידע שהמודל לא התאמן עליו.

53
00:02:47,630 --> 00:02:50,110
אפשר גם לראות מקורות לכל חלק בתשובה,

54
00:02:50,229 --> 00:02:52,320
כולל לינק עמוק לפריטי המידע.

55
00:02:53,449 --> 00:02:58,529
אז OpenAI מפרידה בין גישה כזו שאפשר לשאול עליה כל שאלה ומיד

56
00:02:58,929 --> 00:03:01,399
וזה דומה לצ'אט הרגיל של ChatGPT

57
00:03:02,130 --> 00:03:06,720
ובין שאלות Deep Research איטיות, ארוכות שהולכות למקורות

58
00:03:07,169 --> 00:03:08,429
(ולא לאינדקס שלהם).

59
00:03:09,449 --> 00:03:10,600
מצד אחד,

60
00:03:10,610 --> 00:03:16,000
הגרסה הזאת כושלת במשימה בסיסית - להנגיש את כל הידע הארגוני מיד ובמקום אחד.

61
00:03:16,770 --> 00:03:17,919
ומצד שני,

62
00:03:18,009 --> 00:03:20,559
היא היחידה מכל המוצרים שאני מכיר

63
00:03:21,139 --> 00:03:23,399
שמאפשרת Deep Research עמוק

64
00:03:23,539 --> 00:03:24,869
שמוציא תובנות.

65
00:03:25,940 --> 00:03:27,199
"זו פעם ראשונה

66
00:03:27,380 --> 00:03:32,570
שמתכנתים, שלא רגילים לתשאל או לעבוד עם מערכות שאינן קוד,

67
00:03:33,020 --> 00:03:34,979
מקבלים גישה למידע ארגוני",

68
00:03:35,660 --> 00:03:36,309
נאמר שם.

69
00:03:36,919 --> 00:03:42,210
מה שלא נאמר, שאינדוקס מידע ארגוני צריך להיעשות בזהירות ורגישות

70
00:03:42,619 --> 00:03:45,460
כי הוא מכיל דברים שאני כעובד לא אמור לראות,

71
00:03:46,020 --> 00:03:49,630
כמו קבצים פרטיים או משכורות של המנהל שלי.

72
00:03:50,949 --> 00:03:52,470
הדמו הראה עוד כמה דברים.

73
00:03:52,589 --> 00:03:53,389
קודם כל באג,

74
00:03:53,710 --> 00:03:54,820
אחת המתכנתות,

75
00:03:54,830 --> 00:03:57,279
ביקשה מסמך שהיא יודעת שהוא קיים

76
00:03:57,750 --> 00:03:59,259
והמודל לא מצא אותו,

77
00:03:59,990 --> 00:04:03,740
מעבר לבעיית אמינות של משתמש מול המודל זו בעיית איחזור

78
00:04:04,350 --> 00:04:06,009
יותר משהיא בעיית מודל

79
00:04:06,509 --> 00:04:08,860
והיא צפויה לגדול ככל שמוסיפים

80
00:04:09,149 --> 00:04:10,300
עוד ועוד מסמכים.

81
00:04:11,309 --> 00:04:11,669
שנית,

82
00:04:11,750 --> 00:04:14,990
תראו איך עוברים מניתוח מידע טקסטואלי לגרף.

83
00:04:15,990 --> 00:04:18,399
הבעיה שהדגימו את זה גם בגרף וגם בקוד.

84
00:04:19,070 --> 00:04:21,390
"תראה לי את מספר המשתמשים הפעילים".

85
00:04:22,250 --> 00:04:24,899
אני באמת רוצה לראות את הקוד שיצר את זה?

86
00:04:25,299 --> 00:04:25,649
למה?

87
00:04:26,660 --> 00:04:33,489
הבנתי שהגרף, יחד עם סיכומים נוספים שהיא הדגימה היה אמור להפוך למצגת ב-look & feel הארגוני שלי,

88
00:04:34,059 --> 00:04:35,510
אבל לא ראיתי את זה קורה.

89
00:04:36,019 --> 00:04:39,049
התוצאה הסופית הייתה דוח טקסטואלי ארוך

90
00:04:39,540 --> 00:04:40,619
וקצת משעמם.

91
00:04:41,940 --> 00:04:47,089
עכשיו מישהי מציגה שירות תיקצור ותימלול שעובד ברקע ומסכם פגישות,

92
00:04:47,700 --> 00:04:50,690
זה קצת מוזר כי אף אחד לא מקליט שיחות ככה

93
00:04:51,100 --> 00:04:55,559
חברות מנהלות אותן בגוגל מיט, זום או Teams רחמנא ליצלן,

94
00:04:56,019 --> 00:04:58,459
למה שאלחץ על כפתור הקלטה במחשב שלי?

95
00:04:59,140 --> 00:05:00,450
מה אני סוכן חשאי?

96
00:05:01,549 --> 00:05:06,570
נראה ש-OpenAI צריכה לאנדקס עוד הרבה מקורות כדי שתוכנית ה-Business שלה

97
00:05:06,779 --> 00:05:07,859
תראה ביזנס,

98
00:05:08,579 --> 00:05:10,769
ובינתיים היא מאפשרת לחברות ליצור MCP משלהן

99
00:05:12,739 --> 00:05:15,529
שאפשר לתכנת אותו כדי להביא דאטה חיצוני.

100
00:05:16,679 --> 00:05:17,799
זה רעיון מעולה,

101
00:05:17,850 --> 00:05:20,890
חברות אחרות מציעות crawler או API אישי בדיוק לזה,

102
00:05:21,570 --> 00:05:24,600
אבל רוב הארגונים רוצים שיעשו להם את העבודה.

103
00:05:25,489 --> 00:05:26,799
בלי קונקטורים אין דאטה,

104
00:05:28,140 --> 00:05:30,109
בלי דאטה אין טעם לצ'אט,

105
00:05:30,850 --> 00:05:35,320
בלי צ'אט אני ארים את הראש מהמקלדת ואשאל את הקולגה שלי מה שאני צריך.

106
00:05:36,399 --> 00:05:38,000
תודה למשה שם-טוב,

107
00:05:38,040 --> 00:05:40,839
גם הוא מ-Forter שמדבר איתי כל היום על AI.

108
00:05:41,829 --> 00:05:45,429
עד הפעם הבאה, תהיו טובים ותמשיכו להיות סקרנים.

109
00:05:46,029 --> 00:05:46,500
יאללה ביי.