YUV.AI - בינה מלאכותית בעברית

הידעתם? בינה מלאכותית היא *ממש לא* רק רשתות נוירונים. בואו נדבר על זה!

בשנה וקצת האחרונות, כמעט ואין מקום שבו לא קושרים ביחד את צמד המילים ״בינה מלאכותית״ עם ״רשתות נוירונים״, זאת בדרך כלל במטרה להסביר על בינה מלאכותית.

האמת היא, שבינה מלאכותית זו כותרת מפוצצת. מתחתיה יש עולם שלם שנקרא למידת מכונה. בעולם הזה יש מחקרים ומאמרים אינסופיים שמסבירים תאוריות וטכניקות לאמן מחשב על מאגר מידע מסוים, כך שבתום האימון, המחשב ידע לתת לנו ניבוי כלשהו. לדוגמא, נניח שאנחנו רוצים לבנות מערכת שאומרת לנו כמה עובדים אנחנו צריכים במשמרת. המטרה היא שנזין את התאריך ואת המשמרת, ונקבל חיזוי של ״ביום הזה יהיה עומס, כדאי שיהיו לך X עובדים״.

אם היינו מרחיבים את הדוגמא, נניח שאנחנו עסק של השכרת קורקינטים, אז לצד מספר האנשים במשמרת, היינו שמחים גם לדעת כמה קורקינטים נצטרך לספק, בערך.

עוד דוגמאות? בבקשה! אנחנו רוצים לדעת בכמה נוכל למכור את הבית שלנו בהינתן משתמשים כמו גודל הבית, איזור מגורים, שכונה, מיקוד, קרבה למוסדות חינוך ולמרכזים מסחריים וכדומה. איזה כיף אם יהיה מודל כזה!

אנחנו גם רוצים סינון חכם למייל שלנו - מה ספאם ומה לא. או רכב שיודע לנהוג לבד - מתי להאט ומתי להאיץ. או תרגום משפה לשפה, או תמלול של הקלטות.

כל הדברים האלה הם תולדה של למידת מכונה. קיימים המון אלגוריתמים שמאפשרים לנו להשתמש במאגר מידע מסוים, להחליט כיצד אנחנו רוצים שהמכונה תנבא את התוצאות, לתת למכונה להתאמן על המידע, לתקן את ה״פספוסים״ שלה, ולוודא שהאימון מתבצע בצורה יעילה כך שבסופו נקבל מודל חיזוי מוצלח. כי למידת מכונה בסוף - תפקידה לנבא, לחזות תוצאה. X עובדים, Y קורקינטים, לאבחן מחלות, לסווג מיילים, לזהות הונאות, לתמלל ולתרגם, לנהוג בצורה אוטונומית, להשיב לנו בצורה חכמה ואפילו לשחק משחקים. כן כן. ממש משחקים.

אז יש המון אלגוריתמים שאפשר להשתמש בהם כדי ליישם יכולות של למידת מכונה. המון. יש למידת מכונה ״מושגחת״, בה אנו משתמשים במאגר מידע עם תיוג (למשל, נתונים היסטוריים של מכירות שלנו בכל יום, או איזה מייל הוא ספאם ואיזה לא, או מה זה כל אות בכל שפה וכדומה), ויש למידת מכונה ״לא מושגחת״ בה אנו ״זורקים״ מידע לאלגוריתם והוא לבד מסווג ומזהה דפוסים במידע.

בכל אחד מהסוגים הללו, יש שפע של אלגוריתמים. שפע. עצום. יש מומחים כמו ריגרסיה וקלסיפיקציה, אבל גם בהם יש חלוקה של המון אלגוריתמים שונים. ושימוש ברשת נוירונים זה רק סוג אחד של אימון מודלים. אחד מיני רבים!

אבל! בערך מ-2010, רשתות נוירונים החלו להתפוצץ ולהתפרסם, בעיקר בשל היכולת המדהימה שלהם לעבוד בתצורה של ״למידה מבוססת חיזוקים״ בה המודל מבין מתי הוא טועה ומתי הוא צודק ומשתפר בהתאם. אבל לא רק, היות וכמות המידע שברשותנו התעצמה, והיות ויכולות המחשוב שלנו התעצמו, בדגש על כרטיסי מסך עם יחידות עיבוד גרפיות, מחקרים הראו שככל שאנו מאמנים ברשת נוירונים על יותר דאטה, המודל שלנו יהיה מוצלח יותר! זאת אומרת שרשתות נוירונים מנצחות בגדול כל שיטת אימון אחרת כאשר מדובר בצורך לאמן מודל שמבוסס על כמות גדולה מאוד של מידע! יותר מידע - מודל יותר טוב!

חשוב לסייג שמדובר רק במקרים בהם יש צורך באימון על כמות גדולה של דאטה. לא כל מקרה הוא כזה. יש מקרים בהם אפשר לאמן על כמות קטנה יותר, להשתמש באלגוריתמים אחרים, לכן בינה מלאכותית היא לא רק רשתות נוירונים, אבל רשתות נוירונים הן חלק בלתי נפרד מהמהפכה הגדולה שמלווה אותנו. אגב, ״למידה עמוקה״ היא תת קטגוריה של ״למידת מכונה״, היא שונה מלמידת מכונה ״רגילה״ היות והיא בנויה בתצורה של שכבות, בהן שכבות ״חבויות״ שמעניקות ״עומק״ לתצורה (ויש גם רמז לכך שהאופן שבו הרשת לומדת הוא ״עמוק״ מכדי שנבין למה הרשת לומדת כפי שהיא לומדת. אנו יודעים איך היא לומדת אבל לא בהכרח מבינים למה היא מגיעה למסקנות שהיא מצליחה להסיק).

אז לא, בינה מלאכותית היא לא רק רשתות נוירונים. היא הרבה מעבר. היא למידת מכונה מורכבת ומרתקת. ולהבא, כשתשמעו על בינה מלאכותית, תחשבו למידת מכונה, ואז תשאלו את עצמכם - מה בעצם מנסים לחזות כאן?

אגב, בהקשר של תמונות, מימוש מעניין של רשתות נוירונים הוא רשת נוירונים מסוג GAN, בה יש מעין יריבות בין 2 רשתות: אחת מייצרת תמונות, ואחת אומרת האם כל תמונה אמיתית או מזויפת. ככל שהאימון הזה נמשך בין הרשתות, הרשת שמייצרת תמונות משתפרת, והרשת שמאתרת זיופים מצליחה פחות, ולכן מתקבלות תמונות טובות יותר ברמת הדיוק שלהן. השמיים הם הגבול עם היצירתיות.

553 views18:16