بدأت مسيرة الشطرنج لـ Tal Shaked بالصدفة في سن السابعة، عندما قاده ترتيب مرافقي غير مريح للانضمام إلى ناديه المحلي. لكن موهبته الطبيعية سرعان ما اتضحت.
بعد حصوله على إحراج من الجوائز الإقليمية في مسقط رأسه في ولاية أريزونا، توج شاكيد بطلاً وطنيًا للشباب في عام 1997، مما دفعه إلى عالم الشطرنج المحترف جنبًا إلى جنب مع أمثال جاري كاسباروف وفلاديمير كرامنيك وغيرهم من العظماء.
في سن التاسعة عشرة، أكسبه الفوز في بطولة العالم للناشئين لقب سيد الشطرنج، وهي واحدة من أكثر الجوائز المرغوبة في هذه الرياضة، والثانية بعد بطل العالم.
بعد حصوله على إحراج من الجوائز الإقليمية في مسقط رأسه في ولاية أريزونا، توج شاكيد بطلاً وطنيًا للشباب في عام 1997، مما دفعه إلى عالم الشطرنج المحترف جنبًا إلى جنب مع أمثال جاري كاسباروف وفلاديمير كرامنيك وغيرهم من العظماء.
في سن التاسعة عشرة، أكسبه الفوز في بطولة العالم للناشئين لقب سيد الشطرنج، وهي واحدة من أكثر الجوائز المرغوبة في هذه الرياضة، والثانية بعد بطل العالم.
ومع ذلك، فإن مشكلة الشطرنج الاحترافي هي أن كسب العيش بطريقة جيدة ليس بالأمر الهين، بصرف النظر عن حالة المعلم الكبير. أخبرت شاكيد TechRadar Pro أن أقلية صغيرة فقط في قمة اللعبة قادرة على تحقيق مكاسب كبيرة. يجب أن يكمل الباقي بالدروس الخصوصية والنشاطات الجانبية الأخرى.
المشكلة الأخرى هي أن اللاعبين يصلون عادة إلى ذروتهم في منتصف الثلاثينيات من العمر، وبعد ذلك يتم إزاحتهم بسرعة عن طريق المواهب الجديدة التي ترتفع عبر الرتب.
لتهدئة عقول والديه (كانوا قلقين من أنه قد يتحول إلى "لعبة الشطرنج"، مع وجود عدد قليل من الاحتمالات على المدى الطويل)، تقاعد شاكيد من اللعبة الاحترافية في سن العشرين وعاد إلى المدرسة لدراسة علوم الكمبيوتر. كما اتضح، كان جيدًا في ذلك أيضًا.
جوجل يطرق
عندما وصلت شاكيد إلى Google في عام 2004، كان لدى الشركة 3000 موظف فقط ولم تبدو مثل الشركة العملاقة المترامية الأطراف التي هي عليها اليوم. تم إحضاره كمهندس مبتدئ للعمل على بحث Google.
في ذلك الوقت، لم تكن ترتيبات البحث في Google مدعومة بأي شكل من أشكال الذكاء. بدلاً من ذلك، تم تكليف فريق متخصص من المهندسين بإدارة نظام معقد قائم على القواعد مصمم لتقديم أفضل النتائج وأكثرها صلة للمستخدمين.
على الرغم من أن النظام كان متطورًا، إلا أنه كان شديد التعقيد وبالتالي كان صعب الحل، وظن شاكيد أن لديه طريقة أفضل. إلى جانب Yoram Singer، وهو الآن خبير مشهور عالميًا في هذا المجال، طور نظام تصنيف قائم على التعلم الآلي، يسمى Rankboost.
لقد عمل نظام ML بشكل جيد حقًا، حيث تفوق على النظام الآخر في جميع المقاييس التي يمكننا قياسها. ولكن كانت هناك مشاكل عندما يتعلق الأمر بالمقاييس التي لم نتمكن من قياسها حقًا، [حيث تم تضمين عنصر الذاتية]، أوضح.
المشكلة الأخرى هي أن اللاعبين يصلون عادة إلى ذروتهم في منتصف الثلاثينيات من العمر، وبعد ذلك يتم إزاحتهم بسرعة عن طريق المواهب الجديدة التي ترتفع عبر الرتب.
لتهدئة عقول والديه (كانوا قلقين من أنه قد يتحول إلى "لعبة الشطرنج"، مع وجود عدد قليل من الاحتمالات على المدى الطويل)، تقاعد شاكيد من اللعبة الاحترافية في سن العشرين وعاد إلى المدرسة لدراسة علوم الكمبيوتر. كما اتضح، كان جيدًا في ذلك أيضًا.
جوجل يطرق
عندما وصلت شاكيد إلى Google في عام 2004، كان لدى الشركة 3000 موظف فقط ولم تبدو مثل الشركة العملاقة المترامية الأطراف التي هي عليها اليوم. تم إحضاره كمهندس مبتدئ للعمل على بحث Google.
في ذلك الوقت، لم تكن ترتيبات البحث في Google مدعومة بأي شكل من أشكال الذكاء. بدلاً من ذلك، تم تكليف فريق متخصص من المهندسين بإدارة نظام معقد قائم على القواعد مصمم لتقديم أفضل النتائج وأكثرها صلة للمستخدمين.
على الرغم من أن النظام كان متطورًا، إلا أنه كان شديد التعقيد وبالتالي كان صعب الحل، وظن شاكيد أن لديه طريقة أفضل. إلى جانب Yoram Singer، وهو الآن خبير مشهور عالميًا في هذا المجال، طور نظام تصنيف قائم على التعلم الآلي، يسمى Rankboost.
لقد عمل نظام ML بشكل جيد حقًا، حيث تفوق على النظام الآخر في جميع المقاييس التي يمكننا قياسها. ولكن كانت هناك مشاكل عندما يتعلق الأمر بالمقاييس التي لم نتمكن من قياسها حقًا، [حيث تم تضمين عنصر الذاتية]، أوضح.
سوف يستغرق الأمر عدة سنوات قبل أن تجد الشركة طريقة فعالة لنشر نظام ترتيب البحث الذي طورته شاكيد. ولكن على مدار ذلك الوقت، انتقل بين مختلف الإدارات الداخلية - من البحث إلى الإعلانات إلى YouTube- حيث قام بنشر ML لمساعدة الشركة على تحسين مصادر الدخل المختلفة.
بفضل جزئية على الأقل من عمل Shaked، أصبحت Google اليوم من بين حفنة من الشركات التي تعمل في طليعة التعلم الآلي والعميق، والتي تدعم تقريبًا جميع منتجاتها بطريقة أو شكل ما.
ولكن على الرغم من التأثير الكبير لعمله في Google، فقد توصلت شاكيد إلى معرفة حقيقة غير مريحة ؛ كانت الخبرة التي اكتسبها هو وأقرانه على مر السنين محصورة إلى حد ما داخل الشركة.
قال: "بعد أن قضيت 17 عامًا تقريبًا في Google، فقد حان الوقت للنظر في فرص جديدة". "لقد كان تحديًا مثيرًا للاهتمام، إنشاء قيمة في العالم الخارجي من خلال الاستفادة مما تعلمته".
ML خارج جوجل
كان لشاكيد بالفعل "نكهة لما بدا عليه ML لبقية العالم" من فترة وجيزة عمل خلالها في شركة Lyft لمشاركة الركوب.
فاجأه ما وجده هناك. تعني الموارد المتاحة في Google أن كل مهندس يمكنه التصرف بشكل فعال بشكل مستقل، بينما تطلب الشركات الأخرى فرقًا كاملة لتنفيذ كل خطوة في عملية تطوير ML، من معالجة البيانات إلى النمذجة إلى الإنتاج.
أخبرتنا شاكيد أن هذا يخلق "ذهابًا وإيابًا غير ضروري" مما يفرض ضريبة كبيرة على سرعة الحركة، وهي على ما يبدو "مشكلة مشتركة" للمنظمات العادية.
عندما غادر Google للمرة الثانية للانضمام إلى منصة البيانات السحابية Snowflake، منذ ما يقرب من تسعة أشهر، كان طموحه هو "تمكين بقية العالم من بناء منتجات تعمل بنظام ML". لم يكن الأمر يتعلق بالضرورة بتكرار ما تفعله Google في بيئة أخرى، بل بالأحرى مساعدة الشركات الأخرى بشكل أكثر فاعلية في جني فوائد ML.
بفضل جزئية على الأقل من عمل Shaked، أصبحت Google اليوم من بين حفنة من الشركات التي تعمل في طليعة التعلم الآلي والعميق، والتي تدعم تقريبًا جميع منتجاتها بطريقة أو شكل ما.
ولكن على الرغم من التأثير الكبير لعمله في Google، فقد توصلت شاكيد إلى معرفة حقيقة غير مريحة ؛ كانت الخبرة التي اكتسبها هو وأقرانه على مر السنين محصورة إلى حد ما داخل الشركة.
قال: "بعد أن قضيت 17 عامًا تقريبًا في Google، فقد حان الوقت للنظر في فرص جديدة". "لقد كان تحديًا مثيرًا للاهتمام، إنشاء قيمة في العالم الخارجي من خلال الاستفادة مما تعلمته".
ML خارج جوجل
كان لشاكيد بالفعل "نكهة لما بدا عليه ML لبقية العالم" من فترة وجيزة عمل خلالها في شركة Lyft لمشاركة الركوب.
فاجأه ما وجده هناك. تعني الموارد المتاحة في Google أن كل مهندس يمكنه التصرف بشكل فعال بشكل مستقل، بينما تطلب الشركات الأخرى فرقًا كاملة لتنفيذ كل خطوة في عملية تطوير ML، من معالجة البيانات إلى النمذجة إلى الإنتاج.
أخبرتنا شاكيد أن هذا يخلق "ذهابًا وإيابًا غير ضروري" مما يفرض ضريبة كبيرة على سرعة الحركة، وهي على ما يبدو "مشكلة مشتركة" للمنظمات العادية.
عندما غادر Google للمرة الثانية للانضمام إلى منصة البيانات السحابية Snowflake، منذ ما يقرب من تسعة أشهر، كان طموحه هو "تمكين بقية العالم من بناء منتجات تعمل بنظام ML". لم يكن الأمر يتعلق بالضرورة بتكرار ما تفعله Google في بيئة أخرى، بل بالأحرى مساعدة الشركات الأخرى بشكل أكثر فاعلية في جني فوائد ML.
تم الاستعانة بشاكيد من قبل Grzegorz Czajkowski، نائب الرئيس الأول في Snowflake، والذي عمل معه في Google في عدد من المشاريع. احتراماً لصاحب العمل السابق، فرض Czajkowski حظراً لمدة عام على صيد المواهب غير المشروع من Google، لكنه اتخذ خطوة لصالح Shaked بعد فترة وجيزة. ومنذ ذلك الحين، تابع المزيد من موظفي Google.
أوضحت شاكيد أن هذا النوع من الهجرة الجماعية ظاهرة شائعة نسبيًا. بعد كل شيء، "من الصعب الذهاب إلى مكان جديد حيث لا تعرف أحدا".
"أعتقد أنه أمر جيد حقًا للصناعة ؛ لقد تعلمت الكثير من هذه الشركات الرائدة في مجال التكنولوجيا الكثير واستحوذت على الكثير من المواهب، ولكن هناك الكثير من الابتكارات التي يمكن أن تحدث عندما يطبق هؤلاء الأشخاص ما تعلموه بطريقة مختلفة".
"إنه لأمر جيد أن تحصل على هجرات المواهب هذه، لأن هناك مجموعة كاملة من المشاكل التي تواجهها شركة Snowflake والشركات الأخرى".
إضفاء الطابع الديمقراطي على التعلم الآلي
على الرغم من أن Shaked تشارك في جميع أنواع مشاريع ML في Snowflake، سواء الداخلية أو التي تواجه العملاء، فإن أحد العوامل الأساسية في قراره بالانضمام كان تطوير Snowflake Marketplace.
يتمثل الطموح وراء مشروع السوق في المساعدة في إضفاء الطابع الديمقراطي على الوصول إلى موارد ML، من خلال تسهيل شراء العملاء لمجموعات بيانات واسعة النطاق من مزودين موثوقين لاستخدامها في تدريب نماذجهم الخاصة.
وإذا كان تدريب نموذج ML خارج مجال خبرتهم، فيمكن للسوق أيضًا تسهيل شراء التطبيقات والنماذج الجاهزة المقدمة من أعضاء شبكة العملاء والشركاء.
بشكل منفصل، يستثمر Snowflake بكثافة في تقنية غرفة البيانات النظيفة، والتي تسمح لأطراف متعددة بالتعاون في مجموعات مشتركة من البيانات دون الكشف عن معلومات الأعمال الحساسة، وإطلاق العنان لفرص جديدة مختلفة من منظور ML من خلال تحسين جودة البيانات التي يتم تغذيتها في النماذج.
قالت شاكيد: "هدفنا هو أن نجعل من السهل على العملاء الاستفادة من نماذج ML المتقدمة دون الحاجة إلى البناء من الصفر، لأن ذلك يتطلب قدرًا كبيرًا من الخبرة".
أوضحت شاكيد أن هذا النوع من الهجرة الجماعية ظاهرة شائعة نسبيًا. بعد كل شيء، "من الصعب الذهاب إلى مكان جديد حيث لا تعرف أحدا".
"أعتقد أنه أمر جيد حقًا للصناعة ؛ لقد تعلمت الكثير من هذه الشركات الرائدة في مجال التكنولوجيا الكثير واستحوذت على الكثير من المواهب، ولكن هناك الكثير من الابتكارات التي يمكن أن تحدث عندما يطبق هؤلاء الأشخاص ما تعلموه بطريقة مختلفة".
"إنه لأمر جيد أن تحصل على هجرات المواهب هذه، لأن هناك مجموعة كاملة من المشاكل التي تواجهها شركة Snowflake والشركات الأخرى".
إضفاء الطابع الديمقراطي على التعلم الآلي
على الرغم من أن Shaked تشارك في جميع أنواع مشاريع ML في Snowflake، سواء الداخلية أو التي تواجه العملاء، فإن أحد العوامل الأساسية في قراره بالانضمام كان تطوير Snowflake Marketplace.
يتمثل الطموح وراء مشروع السوق في المساعدة في إضفاء الطابع الديمقراطي على الوصول إلى موارد ML، من خلال تسهيل شراء العملاء لمجموعات بيانات واسعة النطاق من مزودين موثوقين لاستخدامها في تدريب نماذجهم الخاصة.
وإذا كان تدريب نموذج ML خارج مجال خبرتهم، فيمكن للسوق أيضًا تسهيل شراء التطبيقات والنماذج الجاهزة المقدمة من أعضاء شبكة العملاء والشركاء.
بشكل منفصل، يستثمر Snowflake بكثافة في تقنية غرفة البيانات النظيفة، والتي تسمح لأطراف متعددة بالتعاون في مجموعات مشتركة من البيانات دون الكشف عن معلومات الأعمال الحساسة، وإطلاق العنان لفرص جديدة مختلفة من منظور ML من خلال تحسين جودة البيانات التي يتم تغذيتها في النماذج.
قالت شاكيد: "هدفنا هو أن نجعل من السهل على العملاء الاستفادة من نماذج ML المتقدمة دون الحاجة إلى البناء من الصفر، لأن ذلك يتطلب قدرًا كبيرًا من الخبرة".
"من خلال مشاريع مثل Snowflake Marketplace، نريد أن نمنح العملاء طريقة لتشغيل هذه الأنواع من النماذج مقابل بياناتهم، على نطاق واسع وبطريقة آمنة".
عند سؤاله عما إذا كان يعتقد أن شركات مثل Google لديها زمام المبادرة في مجال ML، أوضح شاكيد أننا ندرس الموقف من الزاوية الخطأ. في الواقع، تعمل Google على مستوى مختلف تمامًا.
وأوضح قائلاً: "عندما تنتقل [شركة] من عدم وجود تعلم آلي إلى البعض، يمكن أن تكون مكاسب الإيرادات هائلة، في المنطقة من 10 إلى 100%".
"في Google، يحاولون الآن الضغط على 1% هنا وآخر هناك، وهو ما يمثل مليارات الدولارات على هذا النطاق. لكن بقية العالم لا يحتاج إلى أحدث النماذج التي تمتلكها Google، فهم بحاجة إلى شيء يعمل بشكل جيد إلى حد معقول".
قد يكون الأمر كذلك أن النظام في Google معقد جدًا بالنسبة لـ Google نفسها. أخبرتنا شاكيد أنه بمجرد تحسين النظام إلى درجة معينة، يصبح غير مرن ويصعب على نحو متزايد تجربته.
"لا ينبغي أن ينظر إلى هذا على أنه منافسة؛ كل شخص يقوم ببناء منتجات مختلفة لمستخدمين مختلفين. هناك الكثير من القيمة التي يمكن الحصول عليها ونريد أن نجعل من السهل على الشركات الحصول على هذه القيمة قدر الإمكان. يتعلق الأمر بمساعدة المزيد من الأشخاص في حل مشاكل العمل الأكثر إثارة للاهتمام".
عند سؤاله عما إذا كان يعتقد أن شركات مثل Google لديها زمام المبادرة في مجال ML، أوضح شاكيد أننا ندرس الموقف من الزاوية الخطأ. في الواقع، تعمل Google على مستوى مختلف تمامًا.
وأوضح قائلاً: "عندما تنتقل [شركة] من عدم وجود تعلم آلي إلى البعض، يمكن أن تكون مكاسب الإيرادات هائلة، في المنطقة من 10 إلى 100%".
"في Google، يحاولون الآن الضغط على 1% هنا وآخر هناك، وهو ما يمثل مليارات الدولارات على هذا النطاق. لكن بقية العالم لا يحتاج إلى أحدث النماذج التي تمتلكها Google، فهم بحاجة إلى شيء يعمل بشكل جيد إلى حد معقول".
قد يكون الأمر كذلك أن النظام في Google معقد جدًا بالنسبة لـ Google نفسها. أخبرتنا شاكيد أنه بمجرد تحسين النظام إلى درجة معينة، يصبح غير مرن ويصعب على نحو متزايد تجربته.
"لا ينبغي أن ينظر إلى هذا على أنه منافسة؛ كل شخص يقوم ببناء منتجات مختلفة لمستخدمين مختلفين. هناك الكثير من القيمة التي يمكن الحصول عليها ونريد أن نجعل من السهل على الشركات الحصول على هذه القيمة قدر الإمكان. يتعلق الأمر بمساعدة المزيد من الأشخاص في حل مشاكل العمل الأكثر إثارة للاهتمام".