איך מעצבי למידה בארגונים נשארים רלוונטיים בעולם של רובוטים ואוטמציה?
השאלה הזו הדהדה לי בראש במהלך כל הכנס Mind The Tech TLV של כלכליסט שהתקיים היום (25/11/19) בתל אביב. לקרוא פרטים נוספים על הכנס – כאן. הבאז וורד'ז של רובוטים, AI (אינטלגנציה מלאכותית) ובוטים לא זרה לנו. אבל, האם אנחנו באמת מתכוננים לעתיד שמתקרב במהירות? ואיך נשאר רלוונטיים?
מקווה שתהנו מהסקירה והתובנות אליהן הגעתי, חלקן יראו לכם 'כמובן מאליהם', ממליץ להסתכל דרך 'עיניים טכנולוגיות' גם באתגרים מוכרים.
1. חווית משתמש אימרסיבית אינטואיטיבית.
ניתן לראות כי תשומת הלב של הסטראטאפים היא על חווית המשתמש, חברת XTEND מוכרת בעיקר בגלל יכולת 'הרחבת המציאות' (XR) הדוג' המוכרת היא יכולת הצפייה של NFL (ליגת הפוטבול הלאומית) בצורה חסרת תקדים מזוויות שונות (צפו בסרטון המדגים יכולות – כאן), על כך קיבלו פרס אמי. החברה הציגה גם יכולות מתקדמות בתחום 'הרחבת המציאות' עם כטב"ם (כלי טיס בלתי מאויש) הנקרא Skylord הנושא מאות רחפנים קטנים, אותם רחפנים מתפצלים ליחידות ביצוע וסקירה ומאפשרים יכולת מבצעית רחבה – כל זה יכול להיעשות על ידי משתמש אחד. משתמש אחד?!
משתמש אחד יכול לשלוט בצורה נוחה זה נעשה בכך שממשק המשתמש יוצר חוויה אימרסיבית אינטואטיבית. כלל הממשק נבנה בצורה שלוקחת בחשבון את התהליכים הדרושים לפעולות מבצעיות עם נוחות וקלות שימוש – זאת בשילוב תכנות מתקדם שיוצר הרבה פעולות אוטומטיות תוך כדי השליטה (דוג' רחפן יוכל לבצע פעולות כמו סריקה ודיווח). נראה כאילו הטכנולוגיה יצאה היישר ממראה שחורה.
תהליכי למידה צריכים לשלב טכנולוגיות המאפשרות 'חווית לומד אימרסיבית' ייצור למידה משמעותית, אבל, צריך לבחור טכנולוגיה שמשרתת את הפדגוגיה והתוכן שאנו רוצים להעביר. הטכנולוגיה צריכה להיות עם משמעות אמתית כמשרתת את העצמת חווית המשתמש ומותאמת לשימוש בה.
2. להפסיק ללמוד כמו רובוטים, ללמד איך ללמוד.
איך רובוטים לומדים? שתי הדרכים המרכזיות – חיקוי, ניסוי וטעיה.
אנשי למידה וחינוך מכירים את הדרכים הללו כלמידה הכי בסיסית, כאשר חיקוי נמצא בבסיס הלמידה של 'שולייה' מימי קדם ואילו ניסוי וטעייה זו פרקטיקה שנקט בה האדם הקדום ביותר. אלו דרכים בסיסיות וטובות ללמוד מאחר והן טבעיות לנו כבני אדם.
אבל מה יעשה הרובוט אם הוא לא יודע לענות על השאלה? מה מחיר הטעות של ניסוי וטעיה?
חיקוי: רובוט שהוכנס למערכת המשפט באסטוניה, בה הרובוט בוחן כל מקרה עם טענות של בעד ונגד ופוסק. הפסיקה נבחנת על ידי שופט אשר מאשר או לא מאשר את הפסיקה של הרובוט והשופט גם מציג את הטענות בכתב. הרובוט לומד את הפסיקות של השופט ומטמיע את ההחלטות במאגר המידע שלו בכדי לדעת לפסוק טוב יותר בהמשך (שימוש רחב בלמידת מכונה).
ניסוי וטעיה: רובוט הוכנס ללמד בכיתה בפינלנד. כאשר כל שיעור נבנה ב-30 דקות של העברת מידע לתלמידים ומסתיים ב-15 דקות של שאילת שאלות את התלמידים. שאלות שאינן אבסלוטיות (כלומר כמה זה חמש ועוד שתיים, או מה בירת גרמניה) הרובוט נתקל בבעיה. אין תשובה אחת נכונה לשאלות 'הומניות', לכן הוא שאל מספר תלמידים את התשובה הנכונה ובחר את התשובה (לפי רוב). לאחר מכן הוא בדק בגוגל והיה לומד מהטעויות אותם ביצע, גם מגוגל הוא היה לוקח את שלושת התשובות הנפוצות ביותר.
בעתיד נייצר רובוטים שיודעים ללמוד (machine learning) מבוססי בינה מלאכותית. בניית 'תוכנות' חכמות שיודעות ללמוד, כל תוכנה שאינה תהיה כזו תתיישן ותצא משימוש, זאת ומאחר ויש צורך להתמודד עם כמויות מידע (big data), כמות אינסופית של מידע.
המשימה שלנו היא לבנות רובוטים (תוכנות) מערכות ניהול למידה שלומדות את הלומדים. איך הלומדים לומדים בצורה האפקטיבית ביותר, לאחר מכן להטמיע את הדרך הנכונה לפי הלומד. בעזרת הבינה המלאכותית המערכת למידה תבנה את תהליך הלמידה והתכנים. בתחילה יהיה עלינו להציג יעדים, כישורים ומיומנויות שנרצה ללמד את הלומד. האמירה הזו אינה כבר מדע בדיוני והעתיד כבר כאן.
המצרך היקר ביותר הוא אדם שיודע איך ללמוד. אנחנו נצטרך ללמד איך ללמוד (הללו את האוטודידקט).
בעתיד נצטרך לא רק מכונות, גם בני אדם, אנשים שיעשו ולדיציה לפעולות המכונות. תמיד יהיו בעיות שמכונות לא יצליחו לפתור. משוער שכ-80% מהפעולות ייעשו על ידי רובוטים ואוטומציה ועדיין 20% ייצטרך להיות מבוצעות על ידי בני אדם בעלי יכולות חשיבה גבוהות.
מי שישכיל לפתח מיומנויות למידה עצמית בעיקר אוריינות טכנולוגית יהיה זה שיוביל את מקצועות 'השליטה' בכל מערכות האוטומציה והרובוטים – ריבוי תפקידי 'שליטה' במערכות הללו יהיה המקצוע המבוקש ביותר בעתיד.
השימוש בטכנולוגיה הופכת למיומנות בסיסית לכל אחד מהעובדים"
3. הצורך ב-Reskilling דורש תכנית ארוכת טווח
תכניות הלמידה של ארגון צריכים להבנות לפי הסתכלות ארוכת טווח על הטכנולוגיות שאמורות להיכנס ושינויים הצפויים לקרות בשוק. ראשית, הטכנולוגיות צריכות להשתנות בהדרגה, העדיפות היא להשתמש בטכנולוגיות מוכרות ולבצע בהן אוטומציות. הייעול הזה יגרום שיהיו עובדים שאינם נדרשים לפעולות מסוימות שאליהן היו נדרשים בעבר. לכן, האסטרטגיה הארגונית צריכה לבחון מהי הדרך הכי טובה לנתב את העובדים?
האם לפטר? האם לייצר תפקידים חדשים או להפנות אותם למקומות נדרשים? כיצד לטפח את העובד לביצוע של מקצועות נוספים? כל השאלות הללו מצריכות התייחסות עמוקה של צרכיי הארגון ויכולות העובדים. בחינה של תכניות הכשרה פנים ארגוניות. שימוש נכון במשאב הכי יקר – עובד שכבר נמצא בתוך המערכת הארגונית ומכיר את ההתנהלות והתרבות הארגונית. להסב עובד מתוך המערכת בהצלחה לתפקיד אחר מאשר להביא עובד חדש = חסכון גדול בהוצאות ארגונית.
4. מיומנויות 'רכות' – סתגלתנות, אובססיביות, עבודת צוות, חוסר פחד מכישלון.
מיומנויות רכות של עובד/יזם העתיד:
א. סתגלתנות- היכולת להגיב ולהתאקלם לשינויים. העובד ייצטרך לייצר לעצמו יכולת לבצע משימות שונות בעולמות מומחיות שונים.
ב. אובססיביות – הצורך לסיים משימה, לבצע אותה בדרך הכי טובה. לא לוותר ולהיות עם העיניים על המטרה. *ניתן לקרוא לסעיף זה 'התמדה'.
ג. עבודת צוות – צוות ולא אינדיבדואלים. היכולת לעבודה בצוות ולא רק כאינדיבדואל בכדי לבצע משימות מורכבות שאינן יכולות להיות מבוצעות על ידי אדם אחד.
ד. חוסר פחד מכישלון- להעיז, לנסות למרות הפחד מלטעות ולהיכשל.
פיתוח מיומנויות 'רכות' הן אתגר ענק למעצבי למידה. הדרך היא הכנסת גישות ניהול חדשות שיוצרות דרכי עבודה הדורשות את היכולות הללו (על סרגל קושי עולה ממשימה למשימה, כמו פיתוח של שריר) יאפשרו לפתח אצל העובד את היכולות הללו. זה אינו תהליך קל ומהיר ומצריך המון יכולת הכלה ניהולית והתמדה בצורות העבודה החדשות.
המקצוע שיוביל את תרבות הלמידה בארגונים
התחלתי בשאלה "איך מעצבי למידה בארגונים נשארים רלוונטיים בעולם של רובוטים ואוטומציה?" הגעתי לתובנה שהשם של מפתחי הדרכה / מעצבי הלמידה ישתנה ל'ארכיטקט למידה', כך גם גודל האחריות והמעמד בארגון. אנחנו רלוונטיים מתמיד (כן, צפויה לכם מלא עבודה) רק יידרש להצדיק כלכלית כל פעולה וזאת אומנות לכשעצמה.
מיהו "ארכיטקט הלמידה"?
- סוקר מערכות טכנולוגיות ושינויים ארגוניים ובונה תכנית עבודה ארוכת טווח.
- הכשרה למקצועות פנים ארגונים, שמירת כשירות של בעלי תפקידים.
- ממפה מקצועות עתידיים נדרשים ויוצר כפילויות בהכשרות וכישורי העובדים (עובד יהיה כשיר לביצוע של 2-3 תפקידים).
- אמון על ניהול מערכת הלמידה מבוססת בינה מלאכותית ולמידת מכונה.
- אמון על סנכרון מערכת 'ניהול עובד' (עם המערכת הלמידה) הממפה את המסלול ושינוי התפקידים אותו עובד יעבור לפי נתונים אישיים וצרכי המערכת.
- למידה לאורך החיים – יצירת אפיקי פיתוח אישיים לעובד.
אסיים בהצגת תכלית תיאורטית שהציג אלעד אהרונסון (אלביט): דמיינו כטב"ם (כלי טיס בלתי מאויש) מזהה רכב לבן טויוטה, ברכב שלושה נוסעים, מדבקת חברת אבטחה ולוחית רישוי המסתיימת ב-56. מערכת בינה מלאכותית מריצה את המידע, לכאורה הכל בסדר. אבל, כשהיא בודקת את לוחית הרישוי היא מגלה שאין רכב 56 במאגר המידע שיכול להיות שהוא רכב טויטה (דגל אדום ראשון). לאחר מכן המערכת גם מבינה שאין הסתברות שברכב של חברת אבטחה יהיו שלושה סיירים, לרוב סייר אחד או שניים (דגל אדום שני). הרכב ממוקם קרוב מאוד לנמל תעופה באזור בו המטוסים ממריאים (דגל אדום שלישי).
פיסות המידע השונות לכשעצמן אינן אומרות כלום לרובוט, אבל לבינה מלאכותית המשלבת למידת מכונה ממקרים קודמים יש יכולת להזעיק כוחות בטחון למקרים הללו ולמנוע את האסון הבא. מאחר והכטב"ם היה באוויר, ניתן גם לחזור בזמן ולזהות מאיפה הרכב יצא, משם לייצר חקירה מעמיקה יותר.
בהשלכה לעולמנו היותר מרגש (אם כי טיפה חופר) ארכיטקט הלמידה צריך מערכות בינה מלאכותית עם יכולות למידת מכונה בדיוק כמו שתיארתי בהצגת התכלית. ניתן ליישם את היכולות בעולם הלמידה: זיהוי דפוסי למידה פר לומד, התאמה של תכנים, בניית מסלול למידה מותאם ועוד.
מקווה שנהנתם לקרוא את התובנות הטכנולוגיות בחיבורים לעולם הלמידה, אשמח שתכתבו את המחשבות שלכם (בתגובות).
נתראה בכנס הבא,
אור.
