במאמר הקודם הראינו כיצד מודל שפה יכול לקצר דרמטית את מרחק החיפוש בין סתירה הנדסית לבין פתרון, בזכות היכולת שלו לשלוף אנלוגיות ממגוון תחומים. אך יש פער בין פתרון בעיה מוגדרת לבין איתור הבעיה מלכתחילה. וכאן, בניגוד לשלב הפתרון, ה-AI נתקל בקיר אמיתי: הוא לא מכיר את המערכת הספציפית שבה רוצים לטפל.
למה אבחון שונה מפתרון
כאשר מבקשים ממודל שפה הצעה לפתרון סתירה הנדסית, הבעיה מנוסחת בשפה כללית, ולכן ניתנת להשוואה למקרים דומים שהמודל נחשף אליהם. אבחון תקלה הוא דבר אחר: הוא מחייב ידיעה של מה קורה במערכת הזו, כרגע, בהקשר הזה. מכונה שעובדת בקו ייצור אחד עברה היסטוריית תיקונים שונה מזו שבקו ייצור השני; רעש חריג שמתגלה בבדיקה תקופתית עשוי להיות תקין במכונה אחת ומבשר כשל במכונה השנייה, בהתאם לשחיקה המצטברת שלה. מודל שפה, שלא ראה את המכונה הזו, לא מדד אותה, ולא ליווה אותה בזמן, פשוט אינו אחוז בנתונים הייחודיים הללו.
שלושה סוגי ידע שה-AI לא נגיש אליהם
- ידע משתמע (tacit knowledge) – ההיכרות הבלתי-כתובה שיש לטכנאי או למפעיל ותיק: "המכונה הזו תמיד נשמעת קצת מוזר אחרי שעה של עבודה, זה בסדר" – ידע שלעולם לא תועד, ולכן לעולם לא הוכשר עליו מודל שפה.
- נתוני התנהגות בזמן אמת – תבניות רעש, תנודה, חום או צריכת אנרגיה של המערכת הספציפית. מודל שפה עובד עם טקסט, לא עם חיישנים; בלי שמישהו תרגם את ההתנהגות למילים, היא לא קיימת מבחינתו.
- הקשר היסטורי ייחודי – שרשרת האירועים שהביאה את המערכת למצבה הנוכחי: תיקון קודם, חלק שהוחלף, שינוי בתהליך העבודה. זו עובדה חד-פעמית על המכונה הזו, לא תבנית כללית שניתן ללמוד ממקרים אחרים.
התוצאה: כשמהנדס מבקש מ-AI "למה המכונה הזו נכשלת", הוא מקבל בדרך כלל רשימת סיבות אפשריות וגנריות – שחיקת מיסבים, כשל יישור, עומס חריג – שנכונה באופן תיאורטי, אך לא ממוקדת, כי חסר לה הבסיס העובדתי של המערכת הזו ממש.
איך מהנדסים יכולים לגשר על הפער
- להאכיל את ה-AI בהקשר, לא רק בשאלה – צירוף יומני תחזוקה, נתוני חיישנים, או תיעוד תקלות קודמות לשאילתה, במקום לשאול שאלה כללית. ה-AI טוב מאוד בהשוואת תבניות בתוך מסה גדולה של טקסט – אם נותנים לו את הטקסט הרלוונטי.
- להשתמש ב-AI כמחולל השערות, לא כמאבחן – להתייחס לכל תשובה כרשימת כיוונים לבדיקה, ולא כאבחנה סופית. האימות נגד ההתנהגות בפועל של המערכת נשאר תפקיד אנושי.
- לתעד באופן שוטף, לא רק בדיעבד – ידע משתמע הופך לנגיש רק אם הוא נכתב. ארגון שמתעד תקלות, פתרונות וסטיות מהתקין בצורה מסודרת, בונה בפועל את מסד הנתונים שבלעדיו גם הכלי המתוחכם ביותר עובד בעיניים עצומות.
- לחבר חיישנים ומדידה ישירה, לא רק תיאור מילולי – ברגע שהמידע מגיע ממדידה ולא מזיכרון או מתחושה, האבחון נשען על עובדות ולא על תיאור משני שאיבד פרטים בדרך.
השאלה הנאיבית כיתרון
יש זווית אחת שבה חוסר ההיכרות של ה-AI עם המערכת הופך ליתרון, ולא רק למגבלה. בתהליך "חמש פעמים למה", הבעיה השכיחה ביותר היא שהמהנדס – מתוך היכרות עמוקה עם המערכת – מפסיק לשאול "למה" מוקדם מהראוי, כי הוא בטוח שהוא יודע את התשובה. AI שלא חולק את ההיכרות הזו, ושלא נושא את ההנחות הסמויות, ממשיך לשאול "למה" בדיוק במקום שבו מהנדס אנושי כבר נרתע מלשאול. במובן הזה, התפקיד הנכון ביותר ל-AI באבחון הנדסי אינו לספק תשובות – אלא לשמש כחוקר מתעקש וחף-מהנחות, שמחייב את המהנדס לבטא במילים את הידע המשתמע שהוא עצמו לא ידע שהוא מניח כמובן מאליו.