הרוב המוחלט של יישומי הבינה המלאכותית כיום מבוסס על הפרדה בין שלב הלימוד לשלב המבצעי. בשלב הלימוד המערכת מתאמנת על מערך נתונים מוגדר, שכולל קלטים שונים לצד הפלטים הרצויים עבור אותם קלטים. בחלק המבצעי, המערכת נדרשת להקיש מהו הפלט הנכון עבור קלט חדש בזמן אמת.
שני השלבים - האימון וההקשה - שונים מאוד זה מזה מבחינה תפעולית. בעוד שהאימון ארוך, יקר, ודורש התערבות אנושית משמעותית, שלב ההיקש הוא מהיר ואוטומטי. ההפרדה התפעולית בין שני השלבים נפוצה, אולם התוצאה שלה היא מערכת יותר מקובעת. כל מה שהמערכת 'יודעת' הוא מה שהיא למדה בשלב האימון. מרגע שהפכה מבצעית, אין לה אפשרות להמשיך וללמוד, או להתאים את עצמה לתנאים משתנים.
ברצף של התפתחות האינטיליגנציה המלאכותית, הנקודה שבה מכונות לומדות רק לפני הטמעתן, היא שלב התפתחותי מוקדם, בהשוואה, למשל, לאינטיליגנציה האנושית, בה תהליך הלמידה רצוף ומוביל לשיפור תמידי.
ניפוץ תקרת הזכוכית התפעולית הזו, של הפרדה בין האימון לשלב ההקשה, מתאפשר היום בעזרת תשתית נוחה וזולה הכוללת שלושה מרכיבי מפתח: 1. יחידת קצה בעלת יכולות היקש גבוהות בעלות נמוכה, 2. מנגנון משוב יעיל, ו-3. יחידת ענן לביצוע אימון מתמשך.
תשתית כזו יודעת להתמודד, כמו בתהליך למידה אנושי, גם עם משוב חלקי לשם שיפור הביצועים של רשת הנוירונים. משוב חלקי הוא כזה, שלא כולל תיאור מלא של הפלט הרצוי עבור קלט נתון. כשמוצר המבוסס על ראייה ממוחשבת, לדוגמה, נדרש לעקוב אחר עצם מסוים ברצף של תמונות קלט, תיאור מלא של הפלט לצורך האימון יכלול את מיקומו המדויק של העצם בכל תמונות הקלט. לעומת זאת, משוב חלקי במקרה כזה יכול לכלול רק אינדיקציה כללית על הצלחת או כישלון החיזוי.
אינדיקציות כלליות כאלה הן זולות ופשוטות יותר לאיסוף. האדם שבתהליך, הנדרש לספק משוב למערכת הבינה המלאכותית, יכול להיות אף המשתמש עצמו. מנגנון המשוב, לכן, מותאם לתנאי הבעיה ולדרישות המסוימות של פרויקט הבינה המלאכותית, וכולל גם שלב של בקרת איכות מובנית.
ישנם כמובן היבטים רגולטוריים ואבטחתיים שצריכים להילקח בחשבון בהטמעה של מערכות למידה רציפה, כמו במקרים של מוצרים רפואיים או כאלה שמתפקדים בסביבה שאינה מאפשרת רצף של תקשורת עם הענן. אולם היתרונות, שבבניית יכולות רובוטיות שמתאימות את עצמן לנתונים המצטברים, עולים לאין שיעור על המאמץ הכרוך בהתמודדות עם מכשולים כאלה.
הטמעה של מנועי למידה מתמשכת טומנת בחובה יתרונות מעשיים גם בשלב ההקמה. מנועים כאלה מאפשרים לקצר ולהוזיל את שלב איסוף הנתונים ותיוגם. זמן השקת המוצר יכול להתקצר משמעותית, היות וחלק מאימון המערכת הראשוני יכול להתבצע מיד עם התקנתה. אימון רציף בענן מאפשר לאסוף נתונים מאתרים שונים מהר יותר, ולהרחיב את השונות בנתונים שהבינה המלאכותית קולטת לצורך שיפור ביצועיה.
הכותב הוא מייסד ושותף מנהל בחברת Vision Elements, המספקת שירותי ad hoc לפיתוח אלגוריתמים חישוביים, סימולציות מדעיות ובינה מלאכותית, ומתמחה בראייה ממוחשבת.
לאתר >>> Vision Elements
בשיתוף Vision Elements
