fbpx

בינה מלאכותית – כל מה שרציתם לדעת ולא העזתם לשאול

בינה מלאכותית – כולם מדברים על זה, כולם מתלהבים מזה, כולם חושבים שהם יודעים מה זה אבל האם אתם באמת יודעים מהי בינה מלאכותית? מה בעצם ההגדרה של בינה מלאכותית ואיך היא קשורה ל-Machine Learning ול-Deep Learning?

אחד הנושאים הלוהטים ביותר כיום בתחום מדעי המחשב הוא בינה מלאכותית, שנקראת גם Artificial Intelligence או בקצרה – AI. סביר להניח שאין אחד שלא שמע עד היום על בינה מלאכותית, בין אם זה בחדשות בטלוויזיה, בעיתונים, ברחבי האינטרנט או אפילו בסרטי מדע בדיוני. מצד אחד, בינה מלאכותית נשמע כמו מושג מוכר וידוע אבל אם תיקחו רגע ותחשבו, תוכלו להגדיר בצורה מדויקת את המושג בינה מלאכותית?

נכון, מצד אחד מדובר בביטוי שהצליח להגיע אל כולנו, אין אחד שלא יצא לו לחשוב או לדבר על בינה מלאכותית בשלב כזה או אחר, או אפילו לחקור את הנושא אבל מה זה בעצם בינה מלאכותית? מה זה AI? ולמה בעצם כולם מדברים על זה ולמה דווקא עכשיו? האם בינה באמת יכולה להיות מלאכותית?

עד עכשיו, העלנו שאלות רבות ועל כולן ואפילו יותר אענה במאמר הזה. חשוב לציין כי המטרה של המאמר הזה הינה לתת רקע תאורטי בכל הקשור לבינה מלאכותית, למידת מכונות ולמידה עמוקה. במהלך המאמר אסביר בעיקר בצורה תאורטית על המושגים ולא אכנס למושגים טכניים או כתיבת קוד כלל.

Robot AI

מהי בינה מלאכותית?

בינה מלאכותית זהו מושג די כללי, הוא כולל בתוכו המון תחומים וגישות שונות ומגוונות שהתחילו להתפתח תאמינו או לא כבר בסביבות שנות ה-50. בינה מלאכותית זהו מושג המתייחס לכל שיטה או דרך הגורמות למחשב או למכונה להציג רמה כלשהי של חכמה.

במילים אחרות, בינה מלאכותית היא מעטפת הכוללת בתוכה שורה ארוכה של כלים, שיטות ודרכים הנועדו להעניק למחשב יכולות הדומות לאלו של בני האדם, למשל: זיהוי פנים. בינה מלאכותית כפי שאמרנו, התחילה כבר בשנות החמישים ובשנותיה המוקדמות כללה בעיקר אלגוריתמים שנבנו לפי מאגרי נתונים מסוימים, כלומר בכל שינוי של מידע נדרש שינוי של המערכת, כביכול "לימוד מחדש".

למידת מכונות – Machine Learning

בהגדרה של הבינה המלאכותית – AI ציינו כי מדובר במושג כללי הכולל בתוכו תתי תחומים רבים. Machine Learning או בשמו המקוצר ML, הוא אחד מאותם תחומים והוא היה הנפוץ ביותר עד לא מזמן. Machine Learning זו גישה המאפשרת "ללמד" את המחשב לבצע מגוון רחב של משימות.

Machine Learning הוא שם כולל לאוסף של אלגוריתמים המעניקים למחשב יכולת לבצע מגוון משימות שאלגוריתמים רגילים מתקשים לבצע. במסגרת שימוש באלגוריתמי Machine Learning החוקרים או המפתחים מבצעים פעמים רבות תהליך שנקרא Feature extraction או בעברית: חילוץ תכונות. בתהליך הזה, בעזרת אלגוריתמים הנכתבים על ידי בני האדם, המחשב יודע אילו פרטים לחפש בקלט. במקרה של זיהוי פנים, סביר להניח שהמפתחים ינחו את המחשב לחפש פרטים ייחודים כמו מבנה עיניים ותכונות אותן ניתן למצוא כאן.

קיימים כיום אלגוריתמים רבים תחת קטגוריית ה-Machine Learning כמו SVM ו-KNN. בעוד שהם מעולים בעבור בעיות מסוימות כמו יצירת קבוצות מידע בעל מכנה משותף, אלגוריתמים כאלו עשויים להיות לא ממש רלוונטיים לבעיות אחרות. אלגוריתם ה-KNN למשל, לא ממש יעיל כאשר יש צורך לזהות אובייקטים בתמונות.

למידה עמוקה – Deep Learning

תחום ה-Deep Learning הוא תת תחום בתוך Machine Learning. ה-Deep Learning נבדל מ-Machine Learning בנקודה אחת חשובה ומשמעותית, הליך ה-Feature extraction. בלמידה עמוקה, הנקראת גם Deep Learning או DL, אין תהליך של Feature extraction על ידי בני אדם כלל. בעוד שב-Machine Learning קלאסי המחשב יחפש מידע מסוים אותו הוא הונחה לחפש לפי אלגוריתמים שהוגדרו על ידי בני האדם, ב-Deep Learning התהליך מעט שונה.

בלמידה עמוקה, Deep Learning המחשב "לומד בעצמו" על אילו תכונות להסתכל. באופן מעניין המחשב גם מעניק חשיבות שונה לתכונות שונות. אלגוריתמי Deep Learning לומדים בעזרת דוגמאות ומבחנים. אם המטרה של האלגוריתם היא לזהות סוגי רכבים אז המפתחים יביאו לאלגוריתם המון תמונות של רכבים ויבקשו ממנו להגיד את הסוג של כל רכב. לאחר מכן, האלגוריתם יקבל את התשובות הנכונות מהמפתחים וישווה אותן לתשובה שלו. בשלב הסופי האלגוריתם יבצע את השינויים הנדרשים על מנת להגדיל את הסיכויים שלו לתת תשובה נכונה. התהליך הזה חוזר מספר רב של פעמים עד שמגיעים לרמת דיוק מספקת.

artificial intelligence encapsulation

סיכום ביניים: ML, AI ו-DL

לפני שאנחנו עוברים לחלק השני של הכתבה, כדאי לעשות סיכום ביניים קצר ולחבר את כל מה שנאמר או יותר נכון נכתב עד עכשיו. בין שלושת המושגים: AI, ML ו-DL יש קשר ישיר ובולט. בינה מלאכותית – AI כוללת בתוכה את למידת המכונות ML שכוללת בתוכה את הלמידה העמוקה – DL. עד לא מזמן Deep Learning לא היה תחום מאוד נפוץ לעומת אלגוריתמי Machine Learning אחרים ויש לזה הסבר די פשוט.

ההסבר הוא החסרונות של Deep Learning. עבור Deep Learning דורשת כמויות עצומות של מידע, כאלו שלעיתים קשה מאוד להשיג מהסיבה הפשוטה שלא תמיד קיים מספיק מידע נגיש וממוין שמתאים לצרכי אימון, לימוד ובדיקה של האלגוריתמים. הליך הפיתוח של אלגוריתמי Deep Learning עשוי להימשך חודשים ארוכים ולפעמים ללא הצלחה וזה אחד הפחדים הגדולים שיותר של החוקרים.

גם אלגוריתמי Machine Learning רבים מלווים בחסרונות מהותיים, למעשה Feature extraction מהווה גם אתגר לא פשוט. איך אנחנו מגדירים מה חשוב? איך למשל אנחנו יודעים להבדל בין כלב לחתול? מה הפרמטרים עליהם אנחנו מסתכלים? אלו בדיוק השאלות שלא צריך לשאול כשעוסקים בלמידה עמוקה – Deep Learning שאגב הופכת ליותר ויותר פופולרית עם הזמן, הודות למאגרי מידע שהופכים לגדולים יותר, רספונסיביים יותר ונגישים יותר הודות לטכנולוגיות של חברות כמו אינטל, NVIDIA, IBM ועוד.

ההתפתחות הטכנולוגית של המעבדים, כרטיסי המסך, רכיבי האחסון לצד איסוף המידע המאסיבי שמתרחש בכל רגע נתון הופכים את תחום הלמידה העמוקה – Deep Learning להרבה יותר אטרקטיבי ורלוונטי לחברות השונות. אם בעבר היינו רגילים לראות את תחום ה-Deep Learning מאוד מצומצם, כיום הוא רחב במיוחד והמיקוד סביבו גדול מתמיד.

למה עכשיו?

אחת השאלות הנפוצות היא למה עכשיו, כפי שציינו בינה מלאכותית בסביבה כבר משנות ה-50 אבל מתי בדיוק התחיל ה-"בום" והעיסוק הרב סביב הבינה המלאכותית?. כדי לענות על השאלה נחזור בזמן לשנת 2012, לחוקר בשם אלכס קריז'בסקי. אי שם בשנת 2012, הציג קריז'בסקי רשת בינה מלאכותית בשם AlexNet כאשר הייחוד שלה היה שהיא לומדה ובוססה על כרטיסי מסך והציגה אחוז דיוק גבוה במיוחד. היתרון הגדול בכרטיסי מסך הוא ביכולת שלהם לעבד מידע רב במקביל, בקנה מידה שלא אפשרי על גבי מעבדים.

AlexNet לא רק היה מהראשונים למנף את היכולות של כרטיסי המסך אלא גם הצליח להציג קפיצה משמעותית ומרשימה לרמת הדיוק של אלגוריתם ה-Deep Learning שלו. AlexNet הצליחה לגבור בפער מכובד על מספר אלגוריתמים אחרים שהיו באותה התקופה וההתלהבות סביב זה היוותה גורם מרכזי להאצת תחום ה-Deep Learning.

חברת Nvidia, שזיהתה את הפוטנציאל העצום של הבינה המלאכותית יחד עם היכולת העצומה של כרטיסי המסך הקדישה תקציבי עתק של מחקר ופיתוח בנושא הזה, כמה מיליארדים בשנה אם לדייק. עם השנים פיתחה Nvidia חומרה ותוכנה לשיפור הביצועים והדיוק של בינה מלאכותית תוך קיצור הזמן הדרוש ללימוד והפשטת המורכבות שלה. נכון להיום לחברה שירותים רבים כמו NGC ו-Quadro vWS לצד חומרה וארכיטקטורות כמו Volta המוקדשת כל כולה לבינה מלאכותית.

Human touches AI

איך בינה מלאכותית משפיעה עלינו היום ואיך היא תשפיע עלינו מחר

הבינה המלאכותית נמצאת מצליחה להשפיע עלינו מבלי שאנחנו שמים לב על כך. למשל, ידעתם שמנגנוני החיפוש של גוגל משתמשים בבינה מלאכותית? תהיתם לעצמכם אי פעם איך בעזרת תיאור מילולי גוגל (Google) מצליחה לספק תמונות מתאימות?. העוזרות האישיות של Google ו-Apple, זיהוי פנים, זיהוי טביעות אצבע, זיהוי חפצים ב-Google Lens, זיהוי סצנות באפליקציות המצלמה המובנות במחשב הם כולם דוגמאות לשימוש בבינה מלאכותית.

עד עכשיו נתנו כמות מאוד מצומצמת של דוגמאות המציגות איך בינה מלאכותית נכנסה לחיינו והצליחה להשפיע עליהם לטובה אך לבינה מלאכותית יש עוד פוטנציאל כל כך עצום בכל תחום חיים שרק עולה לכם לראש. סביר להניח שבינה מלאכותית הינה אחת ההמצאות החשובות ביותר מאז החשמל.

תחשבו לרגע על בינה מלאכותית המנתחת צילומי רנטגן או בינה מלאכותית המגלה תרופות חדשות, אולי אפילו תרופות למחלות סופניות כמו מחלת הסרטן. שימו לב אילו דוגמאות משמעותיות ומהפכניות ציינו מבלי להזכיר אפילו רכבים אוטונומיים או רובוטים סיעודיים. בינה מלאכותית היא כלי חשוב בהפיכת העולם למקום טוב יותר ואנחנו מתקשים למצוא מישהו שיכול שלא להסכים על כך.

איפה ישראל בכל הסיפור הזה

חלקכם בוודאי תוהים איפה נמצאת ישראל, אומת הסטארט-אפים (Startup Nation) בכל הסיפור של הבינה המלאכותית והתשובה היא שישראל נמצאת ממש במרכז. נכון להיום, בישראל עובדים אלפי סטארט-אפים המשתמשים בבינה מלאכותית. בכל אירוע אליו אנחנו מגיעים אנחנו נחשפים לתחומים ודרכים נוספות בהן בינה מלאכותית תשפיע עלינו בעתיד. נדיר לראות רעיון זהה או את אותה החברה בשני אירועים שונים.

אחת הרכישות הגדולות שנעשו בישראל היתה הרכישה של Mellanox הישראלית על ידי Nvidia. ביחד, שתי החברות מספקות את הכלים והמשאבים הנדרשים למפתחי בינה מלאכותית להמשיך ולהתקדם, יכולות העיבוד של Nvidia לצד הקישוריות המדהימה של Mellanox מאפשרות לחוקרים ומפתחים לעבד ולהעביר כמויות עצומות של מידע. את מנכ"ל Nvidia, מר Jensen Huang יצא לי לפגוש פעמיים ובכל אחת מהן הוא היה נלהב מישראל, הוא נלהב מכמות הסטארט-אפים, מהרעיונות, מההצלחה ומהדברים המדהימים שהאנשים כאן מפיקים הודות לבינה מלאכותית.

סיכום

אנחנו חושבים שהרבה פעמים כשמדברים או חושבים על בינה מלאכותית מפספסים נקודה אחת חשובה. בכל התהליך הזה, בעצם, מלמדים מחשבים, או במילים אחרות חומרים כמו סיליקון ומתכת "לחשוב כמו בני אדם" וזה מדהים. תחשבו על זה לרגע, מלמדים סיליקון ומתכת שעברו תהליכים כימיים ופיזיקאליים "לחשוב" ולבצע פעולות שעד לא מזמן רק בני האדם יכלו לעשות. זה בדיוק מה שעושה את הבינה המלאכותית כל כך מרשימה.

במהלך הכתבה הזו, נגענו בשלושה מושגים עיקריים, ML, AI ו-DL, על כל אחד מהם, אפשר לכתוב מאמרים שלמים באורכים של מאות עמודים. אם אתם רוצים לעסוק בבינה מלאכותית ולפתח אחת, הרי זה מבורך ויש היום המון מקורות מידע ודרכים ללמוד את התחום. מקורסים של חברות העוסקות בתחום ועד לקורסים באתרים כמו Udemy ו-Coursera.

טוני מלינקוביץ'
טוני הוא העורך הראשי שלנו כאן באתר, עם ידע רחב בחומרה ומקורות מהירים, טוני הוא גם הכתב המהיר ביותר שלנו, בנוסף לכתבות המעולות של טוני הוא גם אחראי על רוב הביקורות שלנו באתר וגם על המלל וחוות הדעת על חלק מסיקורי הוידאו שלנו.
דילוג לתוכן