למידת מכונה - המנוע המרכזי של תעשיית ההיי-טק - מה זה בעצם - TheMarker
 

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 זה בעצם

למידת מכונה - המנוע המרכזי של תעשיית ההיי-טק

בתקופה האחרונה אנו שומעים לא מעט על המושג למידת מכונה (Machine Learning) ■ החל מסטארט-אפים קטנים ועד לתאגידי ענק בינלאומיים, ניכר כי ישנה השקעה רבה בכל הקשור לאלגוריתמים לומדים ולבינה מלאכותית ■ מה זה בפועל "למידת מכונה" ולמה דווקא עכשיו תחום זה נכנס כמעט לכל תעשייה באשר היא?

3תגובות
גיף למידת מכונה

למידת מכונה הוא תחום במדעי המחשב בו מפתחים אלגוריתמים הלומדים מתוך דוגמות ולא בהכרח מסט חוקים מוגדר וקבוע מראש. מרבית הפיתוחים בעולם התוכנה מתבססים על כתיבת לוגיקה ברורה המורכבת מהגדרת תנאים מסוימים, לולאות, דרכי פעולה לכל מצב ועוד - זהו התכנות הקלאסי והמוכר.

למידת מכונה מתאפיינת בכך שהמפתח לא מגדיר סט חוקים נוקשה אותו האלגוריתם צריך "לעבור" במטרה למצוא את הפתרון הנכון לקלט שקיבל. לדוגמה, במקום להגדיר למחשב שחתול הוא יצור פרוותי שהולך על ארבע רגליים, עם זוג עיניים, שתי אוזניים מחודדות ושפם ארוך ודק, ורק אז לבחון אותו על תמונות של חתולים - במקרה של למידת מכונה פשוט נראה לו כמות עצומה של תמונות חתולים מתויגות והוא כבר יבין לבד מה המאפיינים שמזוהים עם חתול. היכולת להסיק מידע באופן עצמאי מתגלה כמאוד יעילה בסיטואציות מורכבות למדי כמו נהיגה אוטונומית, אבחון גידולים סרטניים, חיזוי של העדפות משתמש, בהן קשה להגדיר סט חוקים מראש.

אם תרצו לצלול פנימה עוד יותר ולהעמיק את ההגדרה הנ"ל, ניתן להפריד את סוגי הלמידה ל-2 סוגים עיקריים: למידה מונחית (supervised learning) - סוג למידה בה אנו מתבססים על מידע מתויג ומאפשרים לאלגוריתמים להתאמן על כמות גדולה של מידע שלגביו הוא מקבל הבהרות וסימון (האם יש לפניו בתמונה חתול או כלב למשל). לבסוף אנו בוחנים את האלגוריתם עם מידע חדש שהוא טרם נחשף אליו, והוא בתורו אמור להגיד לנו בכמה אחוזים הוא בטוח בחיזוי שלו. סוג נוסף של למידה נקרא למידה בלתי מונחית (unsupervised learning) - סוג למידה בה אנו לא מגדירים מראש לאלגוריתם את המחלקות השונות (חתול או כלב) אותן יתבקש לסווג, אלא מאפשרים לו למצוא תבניתיות או חוקיות באופן עצמאי. כך אנו מאפשרים לאלגוריתם לסדר את הנתונים שמולו בצורה עצמאית, כאשר לכל קבוצה יש מאפיין מובהק משלה.

Getty Images IL
כל מה שצריך לדעת על קריירה בהייטק
כנסו למתחם

אלגוריתמים של למידת מכונה קיימים כבר עשורים רבים - מדוע רק עכשיו עלו לכותרות?

על אף שלרבים נראה כי מדובר על תחום חדש ורענן, בפועל מדובר על תחום שקיים מזה שנים רבות והקונספטים הבסיסיים של למידת מכונה הומצאו לפני מספר עשורים. אז מה פתאום השתנה והפך את למידת המכונה לשיחת היום? ובכן, יש לכך שני אלמנטים עיקריים: כמויות דאטה עצומות וכוח חישוב עצמתי. כדי לאמן אלגוריתם לזהות תמונות של חתולים, אנו צריכים במקרה הטוב מאות או אולי אלפי תמונות מתויגות של חתולים שונים. פעם, לפני עידן האינטרנט, שלא נדבר לפי עידן המובייל, היה מאוד קשה למצוא כמות כזו של תמונות. שלא נדבר על תמונות מתויגות ומקוטלגות מהן מתאפשר למחשב ללמוד. כיום ישנם מאגרי מידע עצומים וחברות גדולות יכולות לאסוף הררי מידע תוך זמן יחסית קצר.

אלמנט נוסף ומאוד חשוב שעזר לצמיחת התחום הוא כוח החישוב שהשתפר וכרטיסים גרפיים חזקים שהאיצו את תהליך הלימוד. הודות לפיתוחים של חברות כמו Nvidia למשל, מפתחים יכולים להשתמש בחומרה חזקה מאי פעם ולהריץ תהליכי למידה שפעם היו לוקחים להם שבועות, בימים בודדים. השילוב של שפע מידע מתויג וכרטיסים גרפיים חזקים, אפשרו את הרנסנס הגדול של למידת המכונה שהתרחש בשלושת השנים האחרונות.

כפי שאתם יכולים בוודאי להבין, הזינוק המדהים ביכולות של אלגוריתמים שונים ופריצות הדרך המדעיות אליהן חוקרים שונים הגיעו, אפשרו מסחור של הטכנולוגיה ושימוש שלה מעבר לכותלי האוניברסיטאות. בשנים האחרונות, אנחנו רואים עוד ועוד מערכות מבוססות למידת מכונה אשר משמשות כלב הפועם של מספר רב של מוצרים של סטארטאפים וחברות טכנולוגיה רבות. כפועל יוצא מכך, אנו עדים להשקעות מסיביות ואקזיטים עצומים של חברות אשר עושות שימוש בלמידת מכונה.

שבבים
Bloomberg

מנגד, אנחנו רואים גם חברות שמצליחות לבנות מודלים עסקיים חזקים סביב אלגוריתמים לומדים אשר משנים תעשיות שלמות מבפנים הודות ליכולות שעד לפני מספר שנים היו נחשבות כמדע בדיוני. כל זאת ועדיין לא הזכרנו את מירוץ החימוש בעולם החומרה שקשר את גורלו יד ביד עם ההתקדמות בבינה המלאכותית. חברת Nvidia הצליחה לשבור מחדש את שווי השוק שלה פעם אחר פעם, לא מעט בזכות העובדה שהיא שחקנית דומיננטית בשוק המאיצים הגרפיים הרלוונטיים לאימון אלגוריתמים מסוג זה. החזון בו אלגוריתמים לומדים יצליחו לחסוך המון פעולות של בני אדם, או אפילו לייתר חלק מהם, שווה המון כסף לאותן חברות שיציעו את הפתרונות מבוססי הבינה מלאכותית שלהן.

חשוב להדגיש כי לא מדובר על חזון רחוק כל כך וכבר היום ישנן דוגמות רבות להתקדמות, ולא פחות חשוב מכך, לבשלות של אלגוריתמים לומדים. תעצרו לרגע ותבחנו מוצר או שירותי טכנולוגי בו אתם עושים שימוש יומיומי ותופתעו לגלות שמאחורי הקלעים ישנם לא מעט אלגוריתמים מתחום למידת המכונה. בוחרים סרט בנטפליקס? משתמשים ב-Quick Reply בדוא"ל של גוגל? שמחים שאתם לא מקבלים ספאם? כל אלה הם תוצרים של אלגורתמים לומדים. אלו כמובן דוגמות פשוטות, אך גם רכבים אוטונומיים, אבחונים רפואיים חכמים, עוזרים קוליים וכמעט כל תחום אחר שחם עכשיו - רובם כך או כך מתבססים על אלגוריתמים שלא כפופים לחוקים מסוימים.

לסיכום, על אף שמדובר בתחום שכבר מצליח לחולל שינוי של ממש בחיינו, הוא לא חף מבעיות. אנחנו עוד רחוקים שנות אור מלחקות באופן אמיתי את התבונה או אפילו את יכולת הלמידה של המוח האנושי. לעיתים המרדף אחר אותו חזון גורם לחברות שונות להבטיח הבטחות משוללות בסיס, מה שלפעמים מפיל גם משקיעים מנוסים שנגררים אחר החזון האוטופי המצטייר לפניהם. להערכתי אנחנו נמשיך לראות התקדמות יציבה והדרגתית בתחום ובכל שנה נזכה לראות את האלגוריתמים משתפרים בקצב הלימוד, ביכולות הלימוד ולבסוף גם ביכולת שלהם לספק תובנות באופן עצמאי.

אורי אליאבייב הוא יועץ עסקי בתחום הבינה המלאכותית ומייסד קהילת Machine & Deep Learning Israel אשר מרבה לכתוב על נושא זה בבלוג שלו.



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

*#