עיבוד שפה טבעית

עברית ב-NLP: למה מערכות באנגלית לא מספיקות

עברית היא שפה מורפולוגית עשירה — מילה אחת נושאת משמעויות שונות לפי ניקוד, הקשר ומיקום במשפט. "שלום" יכול להיות ברכה, שם פרטי או שם משפחה. "בסדר" יכול להיות הסכמה, חוסר עניין, או אפילו כעס שקט — תלוי בהקשר. מערכות NLP שנבנו לאנגלית לא מבינות את הניואנסים האלה, לא מזהות שמות ישראליים, לא מפרשות עירוב עברית-אנגלית ("יש לנו meeting ביום שני"), ולא מתמודדות עם סלנג עסקי ישראלי.

אנחנו בונים מערכות NLP שמיועדות לעברית מהיסוד: Tokenization מותאם למורפולוגיה עברית, Fine-tuning על מאגרי טקסט ישראליים (פניות לקוחות, חוזים, ביקורות, תקשורת עסקית), ומודלים שמבינים את ההבדל בין "זה לא בסדר" (תלונה) ל"זה בסדר" (אישור). התוצאה: דיוק של 85-95% במשימות NLP בעברית — לעומת 60-70% עם מערכות כלליות.

Sentiment Analysis: לקרוא בין השורות — בעברית

ניתוח רגשות בעברית עסקית הוא אתגר ייחודי. ישראלים כותבים באופן ישיר, משתמשים בסרקזם, ועוברים בין רשמי ללא-רשמי באותה שיחה. מודלי Sentiment שלנו מאומנים על עשרות אלפי פניות לקוחות ישראליים ומבינים: "תודה רבה על הטיפול המהיר" (חיובי ברור), "אני מחכה כבר שבוע" (שלילי — אפילו בלי מילת כעס), "יאללה מספיק כבר" (כעס ישראלי טיפוסי).

Use Cases שכבר עובדים: ניתוח אוטומטי של פניות שירות לזיהוי לקוחות בסיכון נטישה (Alert לנציג כשהרגש שלילי + ותק לקוח גבוה). ניטור ביקורות Google ו-Facebook בזמן אמת — Alert כשמגיע גל ביקורות שליליות. ניתוח שביעות רצון עובדים מסקרים פתוחים — זיהוי מגמות לפני שהן הופכות לבעיית גיוס. מעסיקים ורשתות קמעונאיות ישראליות כבר משתמשים במערכות שלנו לזיהוי בעיות לפני שהן מגיעות לכותרות.

Text Classification: ניתוב אוטומטי של מסמכים ופניות

כשנפח הפניות גדל — ניתוב ידני כבר לא אפשרי. Text Classification מסווג אוטומטית: פניית לקוח → תמיכה טכנית / חיוב / מכירות / כללי. מסמך → חוזה / הצעת מחיר / חשבונית / דוח. מייל → דחוף / שגרתי / שיווקי / ספאם. SLA יורד מ-4 שעות ל-15 דקות כי הפנייה מגיעה ישר לנציג הנכון.

Information Extraction משלים את הסיווג: שליפת שמות, תאריכים, סכומים, כתובות ומוצרים מטקסט חופשי. 100 חשבוניות בפורמטים שונים → נתונים מובנים ב-CSV תוך דקות. 50 קורות חיים → טבלה מסודרת של ניסיון, כישורים ופרטי קשר. חיסכון של 80-90% בעבודת Data Entry ידנית — עם דיוק גבוה מ-90%.

RAG: שאל את הארגון שלך שאלות — ותקבל תשובות

RAG (Retrieval Augmented Generation) הוא הפתרון ל"ידע ארגוני לכוד": נהלים שאף אחד לא קורא, Wiki פנימי שלא מעודכן, מסמכים שפזורים ב-Google Drive. RAG מחבר LLM (Claude או GPT-4) למסד הידע שלך — ומאפשר לשאול שאלות בשפה טבעית ולקבל תשובות מדויקות עם מקור.

יישומים שבנינו: Chatbot לשירות לקוחות שעונה על שאלות מתוך 500 דפי Knowledge Base — בלי שנציג צריך לחפש. מערכת Q&A פנימית לעובדים חדשים: "מהי מדיניות ימי חופשה?" → תשובה מדויקת מנהל HR. כלי ניתוח חוזים: "מהם תנאי ההתקשרות עם ספק X?" → שליפה אוטומטית מ-50 חוזים. RAG בעברית דורש Embeddings מותאמים — אנחנו מתמחים בדיוק בזה.

Summarization: מ-50 עמודים ל-5 שורות

AI Summarization מרכז מידע ממסמכים ארוכים לנקודות עיקריות. שיחת תמיכה של 20 דקות → 3 משפטי סיכום ב-CRM. פרוטוקול ישיבה של 50 עמודים → 10 החלטות מרכזיות. 200 ביקורות מוצר → 5 מגמות עיקריות. דוח שנתי של 100 עמודים → Executive Summary בעמוד. הכל אוטומטי, הכל בעברית קריאה — לא תרגום מכני.

Summarization Pipeline שלנו: Chunking חכם שמפצל מסמכים ארוכים לקטעים לוגיים. Embedding-based Relevance Scoring שמזהה את הקטעים החשובים. LLM Summarization שמייצר סיכום קוהרנטי. Quality Check אוטומטי שמוודא שהסיכום מכסה את הנקודות המרכזיות. מנהלים שמקבלים סיכומים אוטומטיים חוסכים 5-10 שעות בשבוע של קריאת מסמכים.