בשנים האחרונות הבינה המלאכותית הרפואית עברה משלב המעבדה לשטח. יישומי AI כבר פועלים בקופות ובבתי חולים, והתוצאות מבטיחות – סיוע לצוותים בקבלת החלטות קליניות, "תרגום" של תוצאות בדיקות לשפה שהמטופל מבין, זיהוי דפוסים חבויים ברשומות רפואיות, ועוד. לאחרונה OpenAI ואנת'רופיק (Anthropic) הצטרפו לטרנד עם ההכרזות על ChatGPT Health ו-Claude for Life Sciences. ליכולת להפיק תובנות קליניות מתוך כמויות עצומות של מידע יש פוטנציאל ברור, אבל החסם המרכזי אינו היכולות של המודלים, אלא הדאטה עצמו. וזה לא שאין דאטה – להפך, יש המון. אבל הוא מפוזר, לא מובנה, לא נגיש, לעיתים קיים רק כ-PDF ולעיתים משוכפל. מודלים סטטיסטיים לא יודעים מה לעשות עם כל זה ואיזו משמעות לייחס לכל פרט בבליל המידע שהוזן אליהם. בתחומים כמו AdTech או מנועי המלצות, עמימות בנתונים היא מחיר נסבל. ברפואה, עמימות היא סכנה מוחשית רשומה רפואית היא לא טבלת SQL מסודרת רשומה רפואית היא יצור הטרוגני הנבנה לאורך עשורים במערכות שונות בבתי חולים, קופות, מעבדות ומכונים חיצוניים, כשלכל אחת מאותן רשומות דיאלקט משלה. כאשר מודל שפה פועל בתוך ארגון אחד, הוא לומד את מבנה הנתונים שלו. אבל כשהוא נדרש לעבד מידע ממקורות שונים, הוא צריך לנחש את המשמעות כמו גם את הקונטקסט: מה נחשב כ-"אבחנה פעילה" לעומת היסטוריה רפואית?  איך מבדילים בין תצפית (Observation) להערכה קלינית? והאם תרופה X נלקחת על ידי המטופל או שהוא אלרגי אליה? המודל אולי מזהה בקלות "אבחנה", אבל הוא צריך לנחש אם היא מייצגת מצב רפואי ודאי של המטופל, היסטוריה משפחתית או בכלל אינדיקציה לשלילה ("המטופל אינו סובל מ…"). מודלי שפה סטטיסטיים נוטים להיכשל בדיוק בנקודות האלו. בתחומים כמו AdTech או מנועי המלצות, עמימות בנתונים היא מחיר נסבל. ברפואה, עמימות היא סכנה מוחשית. צריכה כוונון מדויק. הבינה המלאכותית הרפואית. צילום: ImageFlow, Shutterstock OpenAPI של עולם הבריאות כאן נכנס לתמונה חוק ניוד מידע רפואי. החוק מחייב את ארגוני הבריאות בישראל להנגיש את המידע שברשותם למטופל, ולאפשר לו לניידו בין גופים שונים. מעבר להיבט הצרכני (הזכות של המטופל על המידע שלו), מטרת החוק היא גם לדחוף את המערכת לשפה משותפת. במקום שכל מקור מידע ידבר ב"דיאלקט" משלו, החוק מחייב סטנדרטיזציה באמצעות תקן בינלאומי בשם FHIR® כך שמידע יעבור כגרף נתונים מובנה עם משמעות ברורה. FHIR הוא לא עוד פורמט JSON למפתחים ולמדעני נתונים, אלא שהוא ה-OpenAPI של עולם הבריאות. בפועל, מדובר ביצירת חוזה נתונים משותף. בדיוק כפי שתקני OpenAPI בעולם הבנקאות הפתוחה הגדירו מהו "חשבון" ומהי "תנועה" כדי שאפליקציות צד-ג' לא יצטרכו לנחש הקשרים פיננסיים, תקן FHIR מנסה לעשות דבר דומה ברפואה – להגדיר ישויות, הקשרים קליניים ומשמעות, כדי שמכונות יכולות להבין בלי לנחש. התקן מחלק את המידע הרפואי ל-Resources ומגדיר API מוסכם לביצוע פעולות שונות, אך ההבניה הסמנטית היא הכוח האמיתי שלו. ב-FHIR, לכל שדה בכל Resource יש משמעות מוסכמת, ולרוב נדרש לקודד את הערכים באמצעות קטלוגים סטנדרטיים בינלאומיים כמו SNOMED-CT לאבחנות, או LOINC לבדיקות מעבדה. בזכות נורמליזציה מובנית זו, המודל לא צריך להסיק בעצמו ש"גלוקוז" במעבדה A ו-GLU במעבדה B הם אותם נתונים, או לנחש באילו יחידות מידה מדובר. המבנה והקידוד הסטנדרטיים לא משאירים מקום לטעויות ולהזיות. תשתית לפני חוכמה הפיתוי האופנתי-טכנולוגי הוא לדחוף עוד שכבות של Deep Learning, Prompt Engineering, להזין עוד דאטה גולמי לעוד מנועי LLM וכדומה. אבל ברפואה, הסדר חייב להיות הפוך: מודל נתונים אחיד (Standardization) משמעות קלינית מוגדרת (Terminology) קישוריות רב-מערכתית (Interoperability) AI מניסיוננו בליווי ארגוני הבריאות בהטמעת החוק, האתגר הגדול הוא לקחת מידע ממערכות שונות (חלקן Legacy) ולעשות בו סדר. לא מדובר במאמץ חד-פעמי, כי מידע ממשיך להיווצר ולהתעדכן באופן שוטף. נדרשת התגייסות של מומחים קליניים ולא רק טכנולוגיים, ביצוע Reverse Engineering למערכות ותיקות ויצירת קישוריות בין נתונים ממערכות שלא דיברו אחת עם השנייה עד כה. כל אסטרטגיית הדאטה והארכיטקטורה דורשות בחינה מחדש. אנחנו משלבים פתרון טכנולוגי וייעוץ כדי להקל על המהלך המורכב הזה היכן שאפשר, ועדיין מדובר באתגר משמעותי הדורש משאבים רבים כדי להגיע לתוצאות אמינות. הבינה המלאכותית לא אמורה לפתור בעיות סמנטיקה, היא צריכה לעבוד על סמנטיקה מוגדרת היטב. AI היא המנוע, אבל הנתונים הם הדלק שלה. ללא דלק נקי ואיכותי, המנוע יחנק. הכותב הוא המייסד וה-CTO של אאוטברן (Outburn)

חברת פרולוג'יק (Prologic) תייצג ותפיץ בישראל את פתרונות חברת הסייבר האמריקנית פיירמון (FireMon). במסגרת ההסכם, תקים פרולוג'יק רשת של אינטגרטורים ושותפים שתעסוק במכירה, אינטגרציה, תמיכה ותחזוקה של הפתרונות של פיירמון בשוק המקומי. פיירמון היא ספקית של פלטפורמה לניהול מדיניות אבטחת מידע בארגונים גדולים, המתמקדת בתחום ניהול מדיניות הפיירוול NSPM (ר"ת Network Security Policy Management). היא פועלת כדי לסייע לארגונים להתמודד עם האתגר המרכזי של ניהול סביבות אבטחה מורכבות, המכילות לעיתים אלפי חוקי פיירוול בסביבות מקומיות, בענן ו/או היברידיות. הבעיה המרכזית בתחום זה נובעת מהצטברות של חוקים חריגים, זמניים או הרשאות רחבות מדי, אשר יוצרים קושי בניהול הגישה למערכות ומייצרים סיכוני אבטחת מידע. NSPM – מרכזת את כלל מדיניות הפיירוול הפלטפורמה של פיירמון מרכזת את כלל מדיניות הפיירוול, ממפה את החוקים ומזהה כפילויות או חשיפות מסוכנות. היא מאפשרת תהליך שינוי מנוהל בחוקה, ומעבירה את הארגון מניהול ידני של חוקת הפיירוול לשליטה מבוססת נתונים ואוטומציה במדיניות האבטחה. יכולות נוספות כוללות איתור ותיקון של תצורות שגויות (מיסקונפיגורציות), התרעה מפני שינויים בחוקה אשר עלולים ליצור סיכון, והפקת דו"חות תאימות לתקנים ורגולציות. כמו כן, הפלטפורמה מציעה יכולות לניהול סגמנטים ברשת הארגונית, במטרה לשפר את היכולת להתמודד עם פורצים. הפתרון משתלב עם מגוון רחב של יצרני אבטחה ורשתות. פיירמון הוקמה בשנת 2001, והמטה שלה ממוקם בטקסס, ארה"ב. החברה פעילה ביותר מ-70 מדינות ומשרתת למעלה מ-1,700 ארגוני אנטרפרייז גדולים ברחבי העולם, עבורם היא מבצעת אוטומציה של ניהול מדיניות אבטחת רשת. בין לקוחותיה נמנים ארגונים כמו לוקהיד מרטין, טסלה, יבמ, דל ותאגיד הפיננסים צ'ארלס שוואב. ליאור לוי, מייסד ומנכ"ל פרולוג'יק, התייחס להסכם ומסר כי "במציאות הנוכחית של מחסור בכוח אדם מיומן בעולמות הסייבר, היכולת לחסוך בזמן עבודה ובתהליכים באמצעות אוטומציה היא הכרחית. פיירמון מציעה פלטפורמה מוכחת, מבוססת אוטומציה, לניהול חוקת הפיירוול. אנו מאמינים כי השוק הישראלי ימצא בפתרון זה מענה הולם לצרכים של ארגונים רבים".

שם ותפקיד: "אלינה זולוטריוב, מהנדסת חומרה בצוות פיתוח בקאפאו (CaPow)". תפקידים קודמים: "תפקיד ראשון בתחום, לאחר סיום התואר". השכלה ושירות צבאי: "תואר ראשון בהנדסת חשמל ומחשבים מאוניברסיטת בן גוריון. שירות צבאי מלא כטכנאית מחשבים באגף המודיעין". משפחה: "נשואה רשמית פחות משנה, חיה עם בן הזוג שלי כבר כמה שנים". מה הביא אותך לתחום הטכנולוגיה? "השילוב בין עניין וסקרנות לבין מקצוע עם ביטחון כלכלי יציב יחסית. מגיל קטן התחברתי לפתרון בעיות לוגיות והפן הריאלי אצלי די חזק, מצד שני מאוד אהבתי לצייר ולפסל ואפילו הייתי ממש טובה בזה. כילדה למשפחה שעלתה לארץ ושאמצעיה הכלכליים היו מוגבלים, השיקול לבחור מקצוע עם פוטנציאל ליציבות כלכלית היה בראש הרשימה והצד הריאלי קיבל את מלוא תשומת הלב. לאחר התלבטות בין מספר מקצועות הנדסה, בחרתי ללמוד הנדסת חשמל ולהתמחות במחשבים ואלקטרוניקה. לאחר הלימודים אני ממשיכה להתפתח בתחום החומרה ונהנית מהאופי המאתגר והמגוון של התפקיד". האם את חושבת שיש אפליה נגד נשים בתעשיית ההיי-טק? "אני לא חושבת שיש אפליה נגד נשים בתעשייה או לפחות ברובה. זה נכון שאחוז הנשים בעולמות החומרה, ואולי אפילו הקושחה, הוא נמוך מאוד. אך מהתבוננות, גם אחוז הנשים שבוחרות ללמוד את המקצועות הללו – נמוך. יתרה מכך, נשמעים קולות שאומרים שהיו שמחים לגייס יותר נשים לתפקידים אלו, אך אין הרבה היצע. אוסיף ואומר, שעדיין יכול להיות שקיימים הבדלי שכר, ומקרים שבהם ישנה מורכבות באינטראקציה בין המינים במסגרת העבודה אבל אני לא חושבת שהדבר ייחודי לתעשיית ההיי-טק". האם נתקלת באפליה בענף, נגדך אישית, על רקע היותך אישה? "אישית לא יצא לי לחוות משהו שלילי, למזלי אני נמצאת במקום שבו אני מרגישה שווה בין שווים. אומנם שאלו אותי בחיי שאלות כמו, 'למה בחרת במקצוע הזה, נשים בדרך כלל לא מתעסקות בזה?' או שקיבלתי תגובות כמו 'בחיים לא ראיתי אישה שיודעת לתפעל את המכשיר הזה', אבל אני בוחרת לקחת את זה לצד החיובי, זה ממש לא מעליב אותי בשום צורה. או שאני לוקחת את זה בקלילות ואפילו מתבדחת בחזרה, או שאני נותנת לזה לעבור ליידי. זה לא מרגש אותי".

חברת אודיוקודס (AudioCodes) גאה להציג את Meeting Insights On-Prem – פתרון Voice AI מתקדם, שנועד לסייע לארגונים במגזר הציבורי להפוך את הידע שעולה בפגישות לנכס ארגוני מתועד, נגיש ובטוח. בסביבה ממשלתית, שבה כל החלטה נושאת אחריות ציבורית, Meeting Insights On-Prem מעניקה שקיפות ויכולת מעקב מלאה, מבלי להתפשר על אבטחת מידע מחמירה. הופכים דיונים לתוצרים בשטח פגישות במגזר הציבורי מייצרות ידע קריטי, אך חלק ניכר ממנו אובד בתוך סיכומים ידניים או זיכרון חלקי. המערכת מקליטה, מתמללת ומנתחת פגישות בסביבות וירטואליות, היברידיות ופרונטליות – סיכום אוטומטי וממוקד: הפקה מיידית של משימות לביצוע, החלטות מרכזיות ושאלות פתוחות. הפרדת דוברים וזיהוי קולי: יצירת פרוטוקול פגישה מדויק ומהימן באמצעות הפרדת דוברים אוטומטית ושיוך הנאמר לדובר הספציפי. התאמה אישית של תוצרי הפגישה: יכולת לקבוע את הפורמט המדויק של המסמך המופק, כולל סוג הסעיפים, סדר הופעתם, שילוב לוגו ארגוני והתאמה מלאה לסטנדרטים המקובלים בארגון. פלטפורמה אחודה לכל סביבות העבודה Meeting Insights On-Prem משתלבת באופן טבעי בכלל הכלים הארגוניים: מ-טימס של מיקרוסופט (Microsoft Teams) ו-זום (Zoom) ועד למערכות ליבה ותיקות (Legacy) מבוססות SIP. כל התוצרים נשמרים במאגר מרכזי מאובטח, המאפשר חיפוש מתקדם, שימור ידע לטווח ארוך ומוכנות מלאה לביקורת (Audit). מוכנות מלאה לפריסה במסגרת רובד 5 של פרויקט נימבוס פתרון Meeting Insights On-Prem מוצע כפתרון Non-SaaS, המאושר לרכישה ולפריסה במסגרת רובד 5 של פרויקט נימבוס, בהתאם לדרישות הרגולציה והאבטחה. הפתרון מאפשר למשרדי ממשלה וליחידות במגזר הציבורי לממש יכולות מתקדמות לניהול, תמלול וניתוח פגישות, תוך עמידה מלאה במדיניות ריבונות מידע, אבטחת מידע וחוקי הגנת הפרטיות הרלוונטיים. יתרונות מרכזיים למגזר הציבורי המערכת תוכננה לתת מענה לצרכים המבצעיים והרגולטוריים הייחודיים של המגזר הציבורי, ומספקת יתרונות מעשיים המייעלים את העבודה הממשלתית – התאמה לשפה הארגונית: מודלי שפה (LLMs) הלומדים טרמינולוגיה ממשלתית ספציפית. פרוטוקולים תואמי רגולציה: הפקת מסמכים בפורמטים הנדרשים בחוק ובנהלים הארגוניים. אחידות בין-משרדית: צמצום הסיכון לאובדן מידע וסנכרון מלא בין מחלקות וגופים. המקום שבו כל פגישה מחזקת את השירות לציבור Meeting Insights On-Prem היא לא רק כלי טכנולוגי; היא תשתית לניהול ידע מודרני. היא מאפשרת למנהלים במגזר הציבורי להשתחרר מהמנהלה ולהתמקד במה שחשוב באמת: קבלת החלטות מושכלות ושיפור איכות השירות לאזרח.