ניהול ידע בארגון באמצעות בינה מלאכותית: מחיפוש קבצים למענה מדויק בעברית

ברוב החברות, חלק ניכר משעות העבודה מתבזבז על איתור מידע בתוך תיקיות עמוסות, קובצי PDF ארוכים ומערכות פנימיות מבוזרות. ניהול ידע בארגון באמצעות בינה מלאכותית משנה את המצב: במקום לפתוח עשרות מסמכים או לחפש שמות קבצים מדויקים, עובדים ומנהלים יכולים לשאול שאלות ישירות ולקבל תשובות ברורות בעברית. במאמר זה נסקור כיצד פועל המעבר מחיפוש טקסטואלי מסורתי לתשובות מבוססות הקשר, איך מטפלים באתגרים הייחודיים לשפה העברית, וכיצד מחברים מאגרי מסמכים לערוצי העבודה היומיומיים בצורה מאובטחת.

למה חיפוש קבצים מסורתי כבר לא מספיק בארגון?

תקציר: חיפוש מילות מפתח קלאסי מציג רשימת קבצים ללא הקשר, מחמיץ הקשרים תחביריים בעברית ומאלץ את העובד לפתוח כל מסמך ידנית.

במשך שנים, כלי ניהול ידע ארגוניים הסתמכו על אינדוקס מילות מפתח. בשיטה זו, כאשר עובד מחפש "נוהל ביטול עסקה לספק", המערכת סורקת כותרות קבצים או תוכן ומחזירה עשרות תוצאות אפשריות. העובד נדרש לפתוח מסמך אחר מסמך, לסרוק את התוכן ולבדוק האם מדובר בגרסה עדכנית או בטיוטה ישנה.

הקושי מתחדד סביב שלושה גורמים מרכזיים:

1. ביזור מקורות מידע: מסמכים שמורים במקביל בכונני SharePoint, בתיקיות Dropbox, בשרתים מקומיים או במערכות ניהול משימות. אין נקודת גישה אחידה שמרכזת את כלל הידע.
2. היעדר הקשר: מנוע חיפוש פשוט לא מבין את כוונת השואל, אלא רק בודק התאמה מדויקת של אותיות ומילים.
3. עומס קבצים סטטיים: מידע קריטי קבור בתוך קובצי PDF של חוזים, ספרי נהלים או טבלאות אקסל מורכבות.

כתוצאה מכך, עובדים רבים מוותרים על החיפוש העצמאי ופונים לעמיתים, מה שיוצר עומס מתמשך על מנהלי צוותים, אנשי תפעול ומחלקות משאבי אנוש.

איך פועלת מערכת AI לחיפוש מידע פנים ארגוני?

תקציר: המערכת מפרקת מסמכים למקטעים, מתרגמת אותם למשמעות סמנטית (Embeddings), ומאתרת את התשובה המדויקת ביותר בהתאם להרשאות המשתמש.

הקמת מוח ארגוני חכם נשענת על ארכיטקטורה המכונה RAG (Retrieval-Augmented Generation). במקום שהבינה המלאכותית תנחש עובדות או תמציא מידע, היא פועלת בשני שלבים מוגדרים:

• שליפה (Retrieval): סריקת מאגרי המידע הארגוניים ואיתור הפסקאות הרלוונטיות בלבד לשאלה שנשאלה.
• הפקה (Generation): ניסוח תשובה קוהרנטית וממוקדת המתבססת אך ורק על המקטעים שנשלפו.

בתהליך זה, מסמכים מכל הסוגים (כמו וורד, מצגות, נהלים וקובצי PDF) עוברים תהליך עיבוד מקדים. הטקסט מחולק לחלקים בעלי היגיון פנימי, ומומר לייצוג מתמטי שמייצג את המשמעות של הדברים ולא רק את המילים הספציפיות. כאשר עובד מציג שאלה, המערכת מזהה את כוונת השאילתה, מאתרת את המקורות המדויקים, ומציגה תשובה ישירה בלי צורך לפתוח את הקבצים עצמם.

האתגרים הייחודיים בעיבוד עברית: מימין לשמאל ומורפולוגיה

תקציר: השפה העברית מחייבת טיפול באותיות יחס, כיווניות טקסט בטבלאות ופענוח מורכב של קובצי PDF כדי למנוע היפוך אותיות וטעויות נתונים.

שליפת מסמכים בארגון דורשת התאמה יסודית לשפה שבה הארגון פועל. בעוד שכלים רבים פועלים היטב באנגלית, עבודה עם נתונים ומסמכים בעברית מציבה מורכבויות טכניות מובהקות:

1. מורפולוגיה עשירה ואותיות יחס

בעברית, אותיות יחס וחיבור (אותיות מש"ה וכל"ב) מתחברות ישירות למילים (לדוגמה: "ובנהלים", "מההסכם"). מנוע חיפוש רגיל מתקשה לזהות ש"בחוזה" ו"החוזה" מתייחסים לאותו מושג. מודלים מותאמים מזהים את שורש המילה ומשמעותה ללא תלות בתוספות הדקדוקיות.

2. כיווניות טקסט וטבלאות (RTL)

מסמכים עסקיים בעברית משלבים לרוב מונחים באנגלית, מספרים, סמלי מטבע ותאריכים. שילוב זה (BiDi) גורם לעיתים קרובות לשיבושי קריאה בקובצי PDF, שבהם סדר המילים או העמודות בטבלאות נקרא משמאל לימין במקום מימין לשמאל. כדי לספק מענה אמין, שכבת עיבוד המידע חייבת לדעת לפענח טבלאות מימין לשמאל ולשמור על הסדר הלוגי של הנתונים.

3. מונחים עסקיים מקומיים

שאלות של עובדים בישראל כוללות מושגים ייחודיים כמו "טופס 101", "ניכוי במקור", "הפרשות סוציאליות" או "תעודת משלוח". מערכת ניהול ידע ארגונית צריכה להבין מושגים אלה מתוך ההקשר המקומי ולא כתרגום מילולי מאנגלית.

איחוד מקורות: חיפוש ב-SharePoint וב-Dropbox לצד מאגרי נתונים

תקציר: חיבור ישיר לתיקיות ענן ולמסדי נתונים מייתר העלאה ידנית של קבצים ומאפשר שילוב מידע ממספר מקורות בשאלה אחת.

אחד החסמים הגדולים בניהול ידע הוא הצורך בעדכון ידני מתמיד. ברגע שמערכת דורשת מעובדים להעלות קבצים מחדש לפורטל ייעודי, המידע בה מתיישן במהירות.

פתרון מודרני מתחבר ישירות למקורות שבהם המידע כבר נוצר ומנוהל:

• כונני ענן ומסמכים: חיבור ל-SharePoint ול-Dropbox מאפשר גישה ישירה לנהלים, מפרטים טכניים, חוזים וטפסים ארגוניים.
• גיליונות וטבלאות: קריאת נתונים מתוך Google Sheets, קובצי אקסל ו-CSV.
• מערכות ליבה עסקיות: שילוב נתונים ממערכות ERP כמו פריוריטי (בתמיכה מלאה) ו-SAP, לצד מערכות כמו monday.com, מורנינג ומסדי נתונים SQL.

באמצעות WizBI, ניתן לבנות שכבת אינטליגנציה אחת מעל כל הנתונים, המסמכים והמערכות של החברה. כאשר עובד שואל שאלה מורכבת – למשל: "מה תנאי התשלום של הלקוח לפי החוזה ומה יתרת החוב שלו כרגע במערכת?" – המערכת יודעת לשלוף את התנאים מתוך מסמך ה-PDF ב-SharePoint, להצליב אותם עם הנתונים העדכניים ממערכת ה-ERP, ולהחזיר תשובה שלמה ומדויקת.

במערכות ענן החיבור מתבצע באמצעות משתמש ייעודי או API token ללא צורך בהתקנה, ועבור מסדי נתונים מקומיים החיבור נעשה דרך סוכן מאובטח, ללא פתיחת פורטים נכנסים.

הנגשת המידע במקום שבו העובדים נמצאים

תקציר: הטמעת המענה בתוך ערוצי התקשורת הקיימים מאפשרת שליפת מידע מיידית בשיחה טבעית, בפורמטים מגוונים של טבלאות וגרפים.

הצלחה של פרויקט ניהול ידע אינה נמדדת בטכנולוגיה בלבד, אלא במידת האימוץ של העובדים בשטח. אם כדי לקבל תשובה צריך להיכנס לממשק נפרד ומורכב, עובדים רבים יימנעו מכך.

הגישה האפקטיבית היא להביא את הידע ישירות לערוצי התקשורת שבהם הצוות כבר מנהל את שגרת העבודה היומית:

• צ'אטים ארגוניים: קבלת תשובות ישירות בוואטסאפ, Microsoft Teams, Slack וטלגרם.
• דואר אלקטרוני וממשק Web: מענה לשאלות במייל או באזור עבודה ייעודי.
• סוכני AI חיצוניים: חיבור לכלים כגון Claude או Microsoft Copilot באמצעות תקן MCP.

התשובות אינן מוגבלות לפסקאות טקסט בלבד. המערכת מחזירה נתונים בהתאם לאופי השאילתה: מספר בודד, תקציר מנהלים, גרפים, טבלאות מסודרות, או הפקה של קובצי אקסל ו-PDF. בנוסף למענה על שאלות, ניתן להגדיר דוחות מתוזמנים (למשל דוח סטטוס קבוע בכל יום ראשון ב-08:00) והתראות סף כאשר ערך מסוים חורג מהטווח המוגדר.

שלבי הטמעה מומלצים של מערכת ידע בארגון

תקציר: מומלץ להתחיל בהיקף ממוקד סביב מאגר מידע בודד ושאלות נפוצות, ומשם להתרחב בהדרגה.

כדי להבטיח עלייה חלקה לאוויר ותוצאות מוחשיות, מומלץ לפעול לפי סדר פעולות ברור:

1. מיפוי שאלות נפוצות: ריכוז השאלות שחוזרות על עצמן בתדירות הגבוהה ביותר בקרב צוותי שירות, מכירות או תפעול.
2. בחירת מאגר מידע ראשוני: חיבור מקור נתונים מרכזי אחד, כגון תיקיית נהלים ב-SharePoint או מערכת הנהלת חשבונות.
3. הגדרת הרשאות: שיוך הרשאות צפייה בהתאם למבנה הארגוני, כך שכל משתמש יוכל לגשת רק למידע המותר לו.
4. בדיקת איכות המענה: בדיקת שאלות אמת על ידי צוות פיילוט קטן לצורך כיוונון אופן שליפת המסמכים.
5. התרחבות למקורות נוספים: הוספת מערכות נוספות, ערוצי הפצה ואוטומציות תהליכיות מותאמות אישית.

ב-WizBI מתחילים במערכת אחת ובשאלות האמיתיות של הצוות, ורואים תשובות ראשונות תוך ימים ספורים.

אבטחת מידע, הרשאות ופרטיות

תקציר: פלטפורמת ידע ארגונית מחייבת הפרדה מלאה בין נתונים, עמידה בתקני אבטחה, ומניעת שימוש בנתונים פנימיים לאימון מודלים.

כאשר מאפשרים למערכת בינה מלאכותית לקרוא מסמכים פנימיים, אבטחת המידע היא תנאי יסוד. ארגונים אינם יכולים להרשות לעצמם זליגת מידע פיננסי, משפטי או אישי בין מחלקות או אל מחוץ לארגון.

WIZBI.AI LTD מוסמכת לתקן המחמיר ISO/IEC 27001:2022. התשתית רצה על גבי Google Cloud, ומודלי ה-AI פועלים בתוך Google Cloud בתנאים ארגוניים קפדניים. הנתונים של כל ארגון מבודדים לחלוטין, מוצפנים הן בתעבורה והן באחסון, ואינם משמשים לאימון מודלים.

מבחינת משתמשי הקצה, המערכת מיישמת מודל הרשאות מדורג לפי ארגון, קבוצה ומשתמש בודד. אותו אדם נהנה מאותן הרשאות בדיוק בכל ערוץ שבו הוא פונה (בוואטסאפ, בסלאק או במייל). עובד לא יוכל לקבל תשובה המבוססת על מסמך שאינו מורשה לצפות בו במערכת המקורית, וכל שאלה ופעולה מתועדות לצורכי בקרה ומעקב.

סיכום

מעבר לניהול ידע באמצעות בינה מלאכותית מחליף את החיפוש הידני המייגע במענה ישיר ומדויק. היכולת לעבד מסמכים וטבלאות בעברית, לחבר כונני ענן כמו SharePoint ו-Dropbox, ולהגיש תשובות ישירות בוואטסאפ או בסלאק – הופכת את המידע הארגוני לנכס נגיש שמשרת את העובדים בכל רגע.

רוצים להפוך את הידע הארגוני שלכם לזמין ומדויק? שלחו לנו הודעה בוואטסאפ לטלפון 055-989-2317 או כתבו לנו לכתובת contact@wizbi.ai.