מהי למידת מכונה?

בדצמבר 2017, DeepMind, מעבדת המחקר שנרכשה על ידי גוגל בשנת 2014, הציגה את AlphaZero, תוכנית בינה מלאכותית שעלולה להביס את אלופת העולם בכמה משחקי לוח.

מעניין, AlphaZero קיבלה אפס הוראות מבני אדם כיצד לשחק במשחקים (ומכאן השם). במקום זאת היא השתמשה בלימוד מכונות, סניף של AI המפתח את התנהגותו באמצעות ניסיון במקום פקודות מפורשות.

תוך 24 שעות השיגה AlphaZero ביצועים על-אנושיים בשחמט וניצחה את תוכנית השחמט הקודמת של אלופת העולם. זמן קצר לאחר מכן, אלגוריתם למידת המכונות של AlphaZero שלט גם את שוגי (שחמט יפני) ואת משחק הלוח הסיני גו, והוא הביס את קודמו, AlphaGo, מאה לאפס.

למידת מכונות הפכה פופולרית בשנים האחרונות והיא מסייעת למחשבים לפתור בעיות שנחשבו בעבר לתחום הבלעדי של הבינה האנושית. ולמרות שזה עדיין רחוק מהחזון המקורי של בינה מלאכותית, לימוד מכונות קירב אותנו הרבה יותר למטרה הסופית של יצירת מכונות חשיבה.

מה ההבדל בין בינה מלאכותית ללמידה במכונה?

גישות מסורתיות לפיתוח בינה מלאכותית כוללות קידוד מדוקדק של כל החוקים והידע המגדירים את התנהגותו של סוכן AI. בעת יצירת AI מבוסס כללי, על המפתחים לכתוב הוראות המפרטות כיצד ה- AI צריך להתנהג בתגובה לכל סיטואציה אפשרית. גישה מבוססת כללי זה, הידועה גם בשם AI מיושן טוב (GOFAI) או AI סמלי, מנסה לחקות את תפקידי ההיגיון והייצוג הידע של המוח האנושי.

דוגמה מושלמת ל- AI סמלי הוא Stockfish, מנוע שחמט בעל קוד פתוח המוביל למעלה מעשר שנים. מאות מתכנתים ושחקני שחמט תרמו ל- Stockfish וסייעו בפיתוח ההיגיון שלה באמצעות קידוד הכללים שלו - למשל, מה ה- AI צריך לעשות כאשר היריב מעביר את האביר שלו מ- B1 ל- C3.

אולם AI מבוסס-כללים נשבר לעיתים קרובות כאשר מתמודדים עם מצבים בהם הכללים מורכבים מדי ומרומזים. זיהוי דיבור ואובייקטים בתמונות, למשל, הם פעולות מתקדמות שלא ניתן לבטא בכללים הגיוניים.

בניגוד ל- AI סמלי, מודלים של AI למידה במכונה מפותחים לא על ידי כתיבת חוקים אלא על ידי איסוף דוגמאות. לדוגמה, כדי ליצור מנוע שחמט מבוסס מכונה למידה, מפתח יוצר אלגוריתם בסיס ואז "מאמן" אותו עם נתונים מאלפי משחקי שחמט ששיחקו בעבר. על ידי ניתוח הנתונים, ה- AI מוצא דפוסים נפוצים המגדירים אסטרטגיות מנצחות, בהן הוא יכול להשתמש כדי להביס יריבים אמיתיים.

ככל שה- AI בודק יותר משחקים, כך הוא משתפר בניבוי מהלכים מנצחים במהלך המשחק. זו הסיבה שלמידה במכונה מוגדרת כתוכנית שביצועיה משתפרים עם הניסיון.

למידת מכונות מתאימה למשימות רבות בעולם האמיתי, כולל סיווג תמונות, זיהוי קולי, המלצת תוכן, גילוי הונאה ועיבוד שפות טבעיות.

למידה בפיקוח וללא פיקוח

בהתאם לבעיה שהם רוצים לפתור, מפתחים מכינים נתונים רלוונטיים לבניית מודל למידת המכונה שלהם. לדוגמה, אם הם רצו להשתמש בלמידה של מכונות לגילוי עסקאות בנקאיות בהונאה, מפתחים ירכיבו רשימה של עסקאות קיימות ותייגו אותם בתוצאותיהם (הונאה או תקפות). כאשר הם מזינים את הנתונים לאלגוריתם, הם מפרידים בין עסקאות ההונאה והתקפות ומוצאים את המאפיינים המשותפים בתוך כל אחת משתי המחלקות. תהליך הכשרת מודלים עם נתונים מצוירים נקרא "למידה בפיקוח" וכיום הוא הצורה הדומיננטית של למידת מכונה.

מאגרים מקוונים רבים של נתונים שכותרתו למשימות שונות קיימים כבר. כמה דוגמאות פופולריות הן ImageNet, מערך נתונים של קוד פתוח של יותר מ- 14 מיליון תמונות עם תווית, ו- MNIST, מערך נתונים של 60, 000 ספרות עם כתובות בכתב יד. מפתחי למידת מכונה משתמשים גם בפלטפורמות כמו Mechanical Turk של אמזון, רכזת עובדים מקוונת לפי דרישה לביצוע משימות קוגניטיביות כמו תיוג תמונות ודוגמאות שמע. וסקטור הולך וגדל של סטארט-אפים מתמחים בהערת נתונים.

אך לא כל הבעיות דורשות נתונים מסומנים. ניתן לפתור כמה בעיות של למידת מכונה באמצעות "למידה ללא פיקוח", שם אתה מספק למודל ה- AI נתונים גולמיים ולתת לו להבין בפני עצמו אילו דפוסים רלוונטיים.

שימוש נפוץ בלמידה ללא פיקוח הוא גילוי חריגות. לדוגמה, אלגוריתם ללימוד מכונה יכול להתאמן על נתוני התעבורה ברשת הגולמית של מכשיר המחובר לאינטרנט - נניח מקרר חכם. לאחר האימונים, ה- AI קובע קו בסיסי עבור המכשיר ויכול לסמן התנהגות מתאימה יותר. אם המכשיר נדבק בתוכנה זדונית ומתחיל לתקשר עם שרתים זדוניים, מודל למידת המכונה יוכל לזהות זאת מכיוון שתעבורת הרשת שונה מההתנהגות הרגילה שנצפתה במהלך האימונים.

לימוד עם חיזוקים

נכון לעכשיו, אתם בטח יודעים כי נתוני אימונים איכותיים ממלאים תפקיד עצום ביעילות המודלים של למידת מכונה. אך למידת חיזוק היא סוג מיוחד של למידת מכונה בה AI מפתח את התנהגותו מבלי להשתמש בנתונים קודמים.

מודלים של חיזוק-למידה מתחילים עם צפחה נקייה. הם מקבלים הוראות רק על הכללים הבסיסיים בסביבתם ועל המשימה העומדת בפניך. באמצעות ניסוי וטעייה הם לומדים לייעל את פעולותיהם למטרותיהם.

AlphaZero של DeepMind הוא דוגמא מעניינת ללמידה חיזוק. בניגוד למודלים אחרים של למידת מכונות, שחייבים לראות כיצד בני אדם משחקים שחמט ולומדים מהם, AlphaZero התחילה רק לדעת מהלכי החלקים ותנאי הניצחון של המשחק. לאחר מכן היא שיחקה מיליוני גפרורים כנגד עצמה, החל בפעולות אקראיות ופיתחה בהדרגה דפוסי התנהגות.

למידת חיזוק היא תחום חם של מחקר. זוהי הטכנולוגיה העיקרית המשמשת לפיתוח דגמי AI שיכולים לשלוט במשחקים מורכבים כמו Dota 2 ו- StarCraft 2 ומשמשת גם לפיתרון בעיות בחיים האמיתיים, כמו ניהול משאבי מרכז נתונים ויצירת ידיים רובוטיות שיכולות להתמודד עם חפצים עם מיומנות דמוית אנוש..

למידה עמוקה

למידה עמוקה היא תת-קבוצה פופולרית נוספת של למידת מכונות. היא משתמשת ברשתות עצביות מלאכותיות, מבני תוכנה בהשראתם הגסה של המבנה הביולוגי של המוח האנושי.

רשתות עצביות מצטיינות בעיבוד נתונים לא מובנים כמו תמונות, וידאו, שמע וקטעים ארוכים של טקסט כמו מאמרים ומאמרי מחקר. לפני למידה מעמיקה, מומחי למידת מכונות נאלצו להשקיע מאמץ רב בחילוץ של תכונות מתמונות וסרטונים והריצו להעלות את האלגוריתמים שלהם על גבי זה. רשתות עצביות מגלות אוטומטית את התכונות הללו מבלי לדרוש מאמץ רב מהנדסים אנושיים.

למידה מעמיקה עומדת מאחורי טכנולוגיות AI מודרניות רבות כגון מכוניות נטולות נהגים, מערכות תרגום מתקדמות וטכנולוגיית זיהוי הפנים באייפון X שלך.

גבולות למידת המכונה

אנשים בדרך כלל מבלבלים בין למידת מכונות לבין בינה מלאכותית ברמה האנושית, ומחלקות השיווק של חברות מסוימות משתמשות במכוון במונחים זה בזה. אך בעוד שלמידה של מכונות עשתה צעדים גדולים לפתרון בעיות מורכבות, היא עדיין רחוקה מאוד מלהקים את מכונות החשיבה שנחשבו על ידי חלוצי AI.

בנוסף ללמידה מניסיון, אינטליגנציה אמיתית מחייבת הנמקה, השכל הישר וחשיבה מופשטת - תחומים שבהם מודלים של למידת מכונה פועלים בצורה גרועה מאוד.

לדוגמה, בעוד שלמידה במכונה טובה במשימות זיהוי תבניות מורכבות כמו חיזוי סרטן השד חמש שנים מראש, היא נאבקת במשימות היגיון ופשטות פשוטות יותר כמו פתרון בעיות מתמטיקה בתיכון.

היעדר כוח ההיגיון של למידת מכונה עושה את זה רע בהכללת הידע שלה. למשל, סוכן לומד מכונות שיכול לשחק סופר מריו 3 כמו מקצוען לא ישתלט על משחק פלטפורמה אחר, כמו מגה מן, או אפילו גרסה אחרת של סופר מריו. זה צריך להיות מאומן מאפס.

ללא הכוח להפיק ידע מושגי מניסיון, מודלים שלמידת מכונה דורשים טונות של נתוני הדרכה לביצוע. לרוע המזל, לתחומים רבים אין מספיק נתוני הדרכה או שאין להם כספים לרכוש יותר. למידה עמוקה, שהיא כיום הצורה הרווחת של למידת מכונות, סובלת גם היא מבעיית הסבר: רשתות עצביות פועלות בדרכים מורכבות, ואפילו יוצריהם נאבקים לעקוב אחר תהליכי קבלת ההחלטות שלהם. זה מקשה על השימוש בכוחן של רשתות עצביות בהגדרות בהן יש דרישה חוקית להסביר את החלטות ה- AI.

למרבה המזל, נעשים מאמצים להתגבר על גבולות למידת המכונה. דוגמא אחת ראויה לציון היא יוזמה נרחבת של DARPA, זרוע המחקר של משרד ההגנה, ליצור מודלים AI שניתן להסביר.

• מהי בינה מלאכותית (AI)? מהי בינה מלאכותית (AI)?
• רוב דולרי AI הולכים למידת מכונה רוב דולר AI לומדים למכונה
• איך אתה רוצה לראות AI בשימוש? איך אתה רוצה לראות AI בשימוש?

פרויקטים אחרים שמטרתם לצמצם את הסתמכות יתר של למידת מכונה על נתונים מצוירים ולהנגיש את הטכנולוגיה לדומיינים עם נתוני הדרכה מוגבלים. חוקרים ב- IBM ו- MIT עשו לאחרונה דרכים בתחום על ידי שילוב AI סמלי עם רשתות עצביות. דגמי AI היברידיים דורשים פחות נתונים לאימונים ויכולים לספק הסברים צעד אחר צעד להחלטותיהם.

לא נותר לראות האם ההתפתחות של למידת מכונות בסופו של דבר תעזור לנו להגיע למטרה חמקמקה של יצירת AI ברמה האנושית. אך מה שאנו יודעים בוודאות הוא שבזכות ההתקדמות בלימוד מכונות, המכשירים היושבים על שולחנותינו ונחים בכיס שלנו הופכים חכמים יותר מדי יום.