למידת מכונה… איך לגרום למכונות לחשוב כמו בני אדם

למידת מכונה תסתכל סביבך ותמצא מכונות רבות שמקיפות אותך אם תסתכל עליהן מעט, תגלה שלכל אחת מהן יש פונקציה ספציפית שהיא מבצעת במדויק, עם זאת, אם תבקש ממנה לעשות משהו יוצא דופן, זה לא יעשה את מה שהקצית לה לעשות.

לבני אדם יש אינטליגנציה מולדת המאפשרת להם להתמודד עם המשתנים והנסיבות השונים בהם הם נמצאים ולקבל החלטות על סמך אותם, בעוד שלמכונות אין יכולת זו ואינן מצליחות לבצע את משימותיהן באופן הנדרש אם הנסיבות הסובבות משתנות.

אז אנחנו מנסים לתת למכונות מידה של בינה שמאפשרת להן להתמודד עם נסיבות ונתונים, לקבל החלטות ולפעול בצורה דומה למוח האנושי. זה נעשה באמצעות טכנולוגיות של בינה מלאכותית (AI).

ישנם שני סוגים של בינה מלאכותית:

1- AI חזק

הסוג הזה נקרא גם AI רחב הסוג הזה עדיין נמצא בקפלים של המוח האנושי וקיים רק בסרטי מדע בדיוני, המכונה שולטת בעצמה ויש לה מניעים, השתייכות ורגשות.

2-AI חלש

סוג זה נקרא גם AI צר והוא הסוג המשמש בחיים האמיתיים ובכל תוכניות הבינה המלאכותית כיום בעולם.

אנו יכולים לומר שטכנולוגיית בינה מלאכותית היא תחום רחב הכולל תחומים עמוקים יותר, שהם:

למידת מכונה (ML)

למידה עמוקה (DL)

ניתן לתאר את הקשר בין שלושת התחומים כמו באיור המחשה הזה:

במאמר זה נדבר על למידת מכונה ונבין כיצד אנו יכולים להפוך את המכונה מכלי מטומטם שזקוק להתערבות אנושית מתמדת וישירה לביצוע משימותיו לכלי חכם בעל יכולת ניתוח וקבלת החלטות כך שיוכל לבצע את משימותיו במינימום התערבות אנושית.

ראשית: מהי למידת מכונה (ML)?

ניתן להגדיר למידת מכונה כמעניקה למכונות את היכולת ללמוד באופן אוטומטי מנתוני העבר ומחוויות העבר ולזהות דפוסים לביצוע תחזיות תוך התערבות אנושית מינימלית.

כלומר, למידת מכונה מאפשרת למכונות ללמוד, לצמוח ולהתפתח באופן עצמאי, כך שהן אינן זקוקות לתכנות מפורש, שכן לאלגוריתמים של למידת מכונה יש שיטות חישוביות ללמוד ישירות מנתונים שהוזנו באופן רציף במקום להסתמך על מודלים מוגדרים מראש.

שנית: איך עובדת למידת מכונה (ML)?

אלגוריתמים של למידת מכונה מסתמכים על נתוני אימון כדי ליצור מודל (נתוני קלט מודל) וכאשר מוזנים נתוני קלט חדשים, הם משתמשים בהם כדי לבצע חיזוי (Prediction).

לאחר ביצוע חיזוי בודקים את הדיוק שלו וניתן לחזור על התהליך עד לקבלת הדיוק הנדרש (מודל מוצלח).

התרשים הבא ממחיש כיצד תהליך למידה מכונה טיפוסי עובד, אך יכולים להיות גורמים נוספים, משתנים ושלבים נוספים:

שלישית: מהם סוגי למידת מכונה (ML)?

ניתן לסווג למידת מכונה לפי האופן שבו האלגוריתמים שלה פועלים לארבעה סוגים עיקריים:

1- למידת מכונה מפוקחת:

סוג זה כולל פיקוח על הכשרה של מכונות על מערכי נתונים מסומנים המאפשרים להם לחזות תפוקות על סמך ההכשרה הניתנת.

החשיבות העיקרית של סוג זה טמונה בקישור משתנה הקלט עם משתנה הפלט ניתן לחלק את הסוג הזה לשתי קטגוריות:

-מִיוּן:

אלגוריתמים מסוג זה מטפלים בבעיות סיווג כאשר משתנה הקלט הוא קטגורי, למשל: כן או לא, נכון או לא נכון, זכר או נקבה.

סוג זה משמש בעולם האמיתי לזיהוי דואר זבל וסינון דואר אלקטרוני.

-נְסִיגָה:

אלגוריתמים מסוג זה עוסקים בבעיות שבהן יש קשר ליניארי בין משתני קלט ופלט.

סוג זה משמש לחיזוי משתני תפוקה מתמשכים כגון תחזית מזג אוויר וניתוח מגמות שוק.

2- למידת מכונה ללא פיקוח:

סוג זה אינו כולל שום סוג של פיקוח, מכיוון שהמכונה מאומנת על מערכי נתונים ללא תווית והיא חוזה את התפוקות ללא פיקוח סוג זה מחולק לשתי קטגוריות:

אשכול:

טכניקה זו מבוססת על סיווג תשומות לפי הדמיון והשוני שלהן, כמו סיווג לקוחות לפי המוצר שהם קונים.

-אִרגוּן:

טכניקה זו מבוססת על מציאת הקשר האופייני בין משתנים וניתן להשתמש בסוג זה בניתוח נתוני שוק.

3-למידת מכונה בפיקוח למחצה:

סוג זה משלב את שני הסוגים הקודמים, שכן הוא משתמש באימון על סוגי נתונים ידועים ולא ידועים, וסוג זה נועד להתגבר על החסרונות של שני הסוגים הקודמים.

4- למידת מכונה לחיזוק:

סוג זה הופך את המכונות לקרובות יותר לטבע האנושי מכיוון שהמכונה אינה מאומנת על אף אחת מהן

הנתונים ידועים אך מסתמכים על משוב, למידה משגיאות וניסויים כדי לנקוט בפעולה ולשפר את הביצועים.

בסוג זה, רכיב הבינה המלאכותית של המכונה מתוגמל על כל מעשה טוב שהיא עושה ונענש על כל מעשה שגוי, מה שתמיד דוחף אותה לשפר את הביצועים שלה כדי לקצור יותר פרסים.

כדי להבין את זה טוב יותר, אנחנו יכולים לדמיין את זה כמשחק אלקטרוני זה סביבת המשחק, וההצלחה שלך בו תלויה בתגובה הנכונה שלך משתפרת עם הניסיון, ואתה תמיד מבקש לשפר את הביצועים שלך כדי לקבל יותר תגמולים.

רביעית: מהם יישומי החיים של למידת מכונה?

להלן נסקור כמה יישומים של למידת מכונה בתחומים שונים:

תחום בריאות:

טכנולוגיית למידת מכונה נמצאת בשימוש יותר ויותר למטרות בריאות שונות כגון:

גילוי סמים  : טכנולוגיית למידת מכונה עוזרת לקצר כמה שלבים כדי להאיץ את התהליך.

מכשירים רפואיים מסוימים : כגון שעוני בריאות חכמים וגששי כושר.

המגזר הפיננסי:

בנקים ומוסדות רבים משתמשים בטכנולוגיית למידת מכונה כדי להילחם בפעילויות הונאה והתקפות סייבר וכדי לזהות הזדמנויות השקעה כדי לאפשר למשקיעים להחליט מתי לסחור.

ארגונים כמו Citibank ו-PayPal משתמשים בלמידת מכונה כדי להילחם בהונאה.

מגזר הקמעונאי:

טכנולוגיות למידת מכונה נמצאות בשימוש נרחב באתרי קמעונאות, כגון אמזון, נטפליקס ויוטיוב, לקמפיינים שיווקיים, אופטימיזציית מחירים והמלצות למוצרים המבוססים על היסטוריית משתמשים.

על פי דו”ח שפורסם בספטמבר 2021 על ידי Grand View Research, Inc., שוק מנועי ההמלצות העולמי צפוי להגיע ל-17.30 מיליארד דולר עד 2028.

שירותי נסיעות:

 למידת מכונה נמצאת בשימוש  נרחב בתעשיית הנסיעות שבה היא משמשת להערכת חוויות משתמש על ידי ניתוח ההערות והרגשות החיוביים והשליליים שלהם.

חברה כמו Uber משתמשת גם בטכנולוגיית למידת מכונה כדי לקבוע באופן דינמי את מחירי הנסיעה. לדוגמה, אם הייתם באזור צפוף ומבקשים נסיעה ב-Uber, הייתם יכולים לקבל את הנסיעה שלכם מיד, אבל תצטרכו לשלם מחיר כפול בגלל העומס שנקבע על ידי טכנולוגיית למידת מכונה.

פלטפורמות מדיה חברתית:

טכנולוגיית למידת מכונה מיוחסת לכך שמיליארדי אנשים משתמשים במדיה חברתית בצורה יעילה כל כך בפלטפורמות כמו פייסבוק ולינקדאין משתמשות בלמידה חישובית כדי להתאים אישית את התוכן המוצג למשתמשים.

בסופו של דבר, ניתן לומר בוודאות מוחלטת כי בינה מלאכותית, על טכנולוגיותיה השונות, מסוגלת לשנות את עתיד האנושות באופן חסר תקדים, והשפעתה משתרעת על כל התחומים, מה שמאפשר לנו לקבוע כי עמידה בקצב ההתפתחות בתחום זה יבוא לידי ביטוי בהכרח בהתפתחות בתחומים שונים אחרים.