מה ההבדל בין בינה מלאכותית לבין למידת מכונה? - TechNation - TheMarker
 

אתם מחוברים לאתר דרך IP ארגוני, להתחברות דרך המינוי האישי

טרם ביצעת אימות לכתובת הדוא"ל שלך. לאימות כתובת הדואל שלך  לחצו כאן

תיק מניות

רשימת קריאה

רשימת הקריאה מאפשרת לך לשמור כתבות ולקרוא אותן במועד מאוחר יותר באתר,במובייל או באפליקציה.

לחיצה על כפתור "שמור", בתחילת הכתבה תוסיף את הכתבה לרשימת הקריאה שלך.
לחיצה על "הסר" תסיר את הכתבה מרשימת הקריאה.

לרשימת הקריאה המלאה לחצו כאן

מה ההבדל בין בינה מלאכותית לבין למידת מכונה?

למידת מכונה, בינה מלאכותית ולמידה עמוקה הם מונחים חופפים ■ כדי שלא יתקילו אתכם בשיחה הבאה שתנהלו בנושא, הנה הגדרה ורקע על כל אחד מהמושגים ועל הקשר ביניהם

10תגובות
אי־פי

בינה מלאכותית, למידת מכונה ולמידה עמוקה - מונחים אלה חופפים וניתן להתבלבל ביניהם בקלות. אז בואו נתחיל עם כמה הגדרות קצרות.

בינה מלאכותית פירושה להביא את המחשב לכדי חיקוי של התנהגות אנושית בדרך כלשהי.

למידת מכונה, או מכונה שלומדת: היא קבוצת משנה של בינה מלאכותית, והיא מורכבת מטכניקות שמאפשרות למחשבים להבין את הנתונים מתוך המידע ולספק את הבינה המלאכותית.

למידה עמוקה היא קבוצת משנה של "למידת מכונה" המאפשרת למחשבים לפתור בעיות מורכבות יותר.

תיאורים אלה נכונים, אבל תמציתיים. אתאר כל אחד מהתחומים האלה ואספק רקע רחב יותר. פעם הבאה שמישהו יפציץ אתכם במונחים הללו, תוכלו להשתתף בשיחה ולתרום מהידע שלכם.

מה זה בינה מלאכותית?

בינה מלאכותית, כמושג אקדמי, נולד ב-1956. המטרה אז, כמו היום, היתה לגרום למחשבים לבצע משימות, שנחשבו אז לייחודיות לאדם: דברים שדורשים אינטליגנציה. בתחילה, החוקרים עבדו על משחקי דמקה, שחמט ופתרון בעיות לוגיות. בהסתכלות על הפלט ממחשב של אחד מאותם תוכניות משחק, היה אפשר לראות צורה כלשהי של "בינה מלאכותית", במיוחד כאשר המחשב ניצח. כראיה נסו להיזכר בסרטים של שנות ה 70-80 שנתנו ביטוי גדול לפריצת הדרך הטכנולוגית וההבטחה הגדולה לעתיד טוב יותר, ומצד שני הציבו את הפחד מהשתלטות על העולם.

בינה מלאכותית, אם כן, מתייחסת לתפוקת המחשב. המחשב עושה משהו אינטליגנטי, ומכאן השם אינטליגנציה מלאכותית. המונח בינה מלאכותית אינו מצביע על איך אנחנו צריכים לפתור בעיות, או על הדרך שבה הם נפתרו, בשביל זה ישנן טכניקות רבות ושונות, כולל מערכות מבוססות-כללים (Rule-Based) או מערכות יצוא (Export systems) וכו'. אחת מהטכניקות אלו, אשר החלה להיות בשימוש נרחב יותר בשנות ה--80 היתה למידת מכונה.

מדפים עם ספרים
Sergey Tinyakov / Getty Images I

מה זה למידת מכונה?

עם כניסת האינטרנט לעולמנו בתחילת שנות ה-90, חלה התקדמות רבה בתחום למידת מכונה, בעיקר כאשר חוקרים מצאו כמה בעיות שהיו קשות למודל המוקדם של הבינה המלאכותית, כמו אלגוריתמים מסוגים שונים כגון: Hard-coded algorithms או מערכות המבוססות על כללים, שלא עבדו טוב עבור נושאים כמו הכרה בתמונות או חילוץ משמעות מטקסט.

הפתרון לא רק מחקה את ההתנהגות האנושית (אינטליגנציה מלאכותית) אלא גם מחקה את יכולת המוח האנושי ללמידה, קחו לדוגמה את נושא הקריאה, לא למדנו איות ודקדוק לפני שהרמנו את הספר הראשון שלנו. בהתחלה קראנו ספרים פשוטים, ועם הזמן התקדמנו לספרים מורכבים יותר. למעשה למדנו את כללי האיות והדקדוק תוך כדי קריאה. או במילים אחרות, אנחנו מעבדים הרבה נתונים ולמדים מהם.

זהו בדיוק הרעיון עם מכונה לומדת. להזין אלגוריתם בהרבה נתונים ולתת לו להבין. הזנת אלגוריתם בהרבה נתונים על עסקות פיננסיות, ציון אילו שבהן היתה הונאה, ולתת למחשב להבין מה מציין הונאה כך שהוא יוכל לחזות הונאות בעתיד.

ככל שהאלגוריתמים הללו התפתחו, הם יכלו להתמודד עם בעיות רבות. אך יחד עם זאת, דברים שמבחינת בני-אדם הם די פשוטים (כמו דיבור או זיהוי כתב יד) היו עדיין קשים עבור מכונות. ונשאלת השאלה, אם למידת מכונה מחקה בעצם איך בני אדם לומדים, אז למה לא ללכת עד הסוף ולנסות לחקות את המוח האנושי? זהו הרעיון שעומד מאחורי רשתות עצביות. הרעיון של שימוש בנוירונים מלאכותיים (נוירונים – תאי עצב המחוברים על ידי סינפסות ומשתתפים בתהליך של העברת מידע ועיבודו) היה בסביבה במשך זמן מה. רשתות עצביות מדומות בתוכנה, הראו הבטחה רבה ויכלו לפתור כמה מהבעיות המורכבות שאלגוריתמים אחרים לא יכלו להתמודד איתן.

למידת מכונה עדיין מתמודדת עם נושאים אלמנטריים שילדי בית-ספר מתמודדים איתם בקלות. לדוגמה – “כמה כלבים נמצאים בתמונה מסוימת או שאולי הם בכלל זאבים?" או "מה גרם לדמות הזאת בספר לבכות כל כך?" הן שאלות מאתגרות עבור מחשב. התברר שהבעיה לא היתה עם הרעיון של למידה ממוחשבת, אלא עם חיקוי המוח האנושי. רשתות עצביות עם מאה או אף אלף נוירונים, המחוברים בצורה פשוטה יחסית, אינם יכולים לשכפל את מה שהמוח האנושי יכול לעשות, וזה כלל לא אמור להפתיע אותנו היות ולמוח האנושי יש סביב 100 מיליארד נוירונים בחִבְרוּרִיּוּת (כל המרכיבים של מערכת מסוימת מחוברים זה לזה ותלויים זה בזה) מאוד מורכבות, מה שמביא אותנו לאבולוציה הבאה.

גטי אימג'ס

מה זה למידה עמוקה?

למידה עמוקה היא תת תחום של למידת מכונה העושה שימוש ברשתות נוירונים מלאכותיות לשם ביצוע משימות מורכבות. עיקרון של תחום זה טמון בשאיפה לחקות את הדרך בה המוח האנושי פועל ולהשתמש ביעילות מבנה הנירונים כדי להתגבר על אותם אתגרים חישוביים מורכבים.

מדובר על מודל מתמטי חישובי המורכב ממספר "נוירונים" המסודרים בשכבות, כאשר כל נוירון יכול לתקשר עם מספר נוירונים אחרים במערכת. כל נוירון מסוגל לבצע פעולות חישוביות פשוטות, ובתורו להעביר את המידע שהסיק לשאר הנוירנים. באופן זה, עם ההתקדמות של המידע בשכבות, המערכת הופכת את המידע הגולמי למידע בעל ערך וכפועל יוצא מכך, המערכת לומדת לקבל החלטות מדויקות יותר.

כיום, אנחנו עדיין רחוקים מאוד מחיקוי המוח האנושי על כלל המורכבות שלו, אבל אנחנו נעים בכיוון הזה. כאשר אנו רואים את  מחשבי העל עם יכולות זיהוי בדיבור, אנו חווים לימוד עמוק שמתקיים מתחת לעטיפה ובכך אנו חווים צורה כלשהי של בינה מלאכותית, שהרי מאחורי הקלעים, בינה המלאכותית מוזנת ומופעלת על ידי למידה עמוקה.

נבחן מספר בעיות כדי לראות איך למידה עמוקה שונה מרשתות עצביות פשוטות או צורות אחרות של מכונות למידה.

איך עובדת למידה עמוקה?

אם אתן לכם להסתכל על תמונות של סוסים, אתם כנראה תזהו שאלו סוסים, לא משנה אם הסוס שוכב על ספה, או מחופש להיפופוטם. אנחנו מסוגלים לזהות סוס כי אנחנו מכירים את האלמנטים השונים להגדרת הסוס: את צורת הלוע שלו, מבנה הגוף, מספר ומיקום הרגליים וכן הלאה.

למידה עמוקה יכולה לזהות אובייקטים באותו אופן, הנוירונים הראשונים ברשת ידעו לזהות קווים ישרים, הבאים בתור ידעו לזהות פינות או תבניות פשוטות, אלו שאחריהם ידעו כבר לזהות את קווי המתאר של האיברים השונים ולבסוף הנוירונים האחרונים ידעו לזהות אם מדובר באדם או חיה.

דוגמה נוספת של למידה עמוקה נמצאת בפיתוח של כלי רכב אוטונומיים. לפני שמכונית יכולה לקבוע את הפעולה הבאה שלה, היא צריכה לדעת מה יש סביבה. המחשב חייב להיות מסוגל לזהות אנשים, אופניים, כלי רכב אחרים, תמרורים ועוד ולעשות זאת בנסיבות חזותיות מאתגרות.

עיבוד שפה טבעית, אשר נעשה בו שימוש כיום בצ'אט-בוטים ועוזרי הקול בטלפונים החכמים, מבוסס אף הוא על למידה עמוקה. הביטו במשפט הבא ותבדקו מה צריך להיות החלק החסר: נולדתי באיטליה, ולמרות שחייתי בפורטוגל ובברזיל רוב חיי, אני עדיין מדבר ______רהוטה.

התשובה הכי טובה היא איטלקית. מה נדרש כדי להסיק את המסקנה הזו?

ראשית עלינו לדעת כי המילה החסרה היא שפה. אנחנו יכולים לעשות זאת אם אנחנו מבינים "אני מדבר __ שוטפת".

כדי לקבל איטלקית אנחנו צריכים לחזור דרך משפט זה ולהתעלם מהציון של המדינות פורטוגל וברזיל. "נולדתי באיטליה" פירושו לדעת את השפה האיטלקית. השילוב של "למרות" ו-"עדיין" מבהיר כי לא מדובר על פורטוגזית ומחזיר אותנו לאיטליה.

לסיכום, עם השנים, אנחנו חווים את התפתחותה של הבינה המלאכותית, וכניסתה לעולמות חדשים ומאתגרים, החל ביכולות לשחק משחקי מחשב מול אדם אנושי ואף לנצח, ועד ליכולת היום להנהיג רכבים אוטונומיים. פיתוחם של תת מערכות כמו מכונת למידה ולמידה עמוקה, מביאים אותנו לעתיד חדש ומתקדם יותר של בינה מלאכותית.

אלדד ניסני הוא מנהל פיתוח עסקי, Analytics & Big Data באורקל ישראל

אלדד ניסני
יח"צ


תגובות

דלג על התגובות

בשליחת תגובה זו הנני מצהיר שאני מסכים/מסכימה עם תנאי השימוש של אתר TheMarker

סדר את התגובות

כתבות ראשיות באתר

כתבות שאולי פיספסתם

*#