jhh
תוכן עיניינים:
- מקומם של Artificial Intelligence ו- Machine Learning בעולם ה-Data Science
- מה זה Data Science?
- מה זה Artificial Intelligence – AI?
- Symbolic Artificial Intelligence
- מה זה Machine Learning – ML?
- מה זה Deep Learning – DL?
- שימושים של Deep Learning בתעשיה
לפני שניכנס לפרטים מה זה Artificial Intelligence ו- Machine Learning, נראה כיצד שני התחומים מתכנסים לתוך העולם הגדול של Data Science. מכיוון שהתחום הזה משתנה במהירות, קיימת אי הסכמה כללית לגבי מונחים והגדרות ואף אנשים מסוימים עשויים לא להסכים עם שימוש במונחים כאלה ואחרים בתעשייה. אז ננסה לעשות קצת סדר.
מקומם של Artificial Intelligence ו- Machine Learning בעולם ה-Data Science
תארו לעצמכם בובות מטריושקה. המטריושקה החיצונית היא הבובה הגדולה ביותר, ובתוכה בובה נוספת, קטנה ממנה במקצת כך שתוכל להיכנס בתוך הבובה הגדולה. בתוך המטריושקה הקטנה יותר נמצאת בובה קטנה קצת יותר, וכן הלאה.
באמצעות האנלוגיה הזאת אנחנו יכולים לתאר את מקומו של כל תת-תחום בעולם הגדול של Data Science. הבובה הגדולה ביותר מייצגת את כל העולם ה-Data Science, השניה בגודלה מייצגת את התחום Artificial Intelligence, הבאה בתור מייצגת את התחום Machine Learning, והאחרונה – Deep Learning.
מה זה Data Science?
אנחנו מדברים על עולם מחקר נתונים שמטרתו להפיק תובנות מהדאטה.
Data Science חוקר כמויות גדולות של נתונים על מנת להביא ערך עסקי ולספק לארגונים יתרון תחרותי מול המתחרים על פני כל הענפים. בתור דוגמא, חברות קמעונאיות מנתחות הרגלי הצריכה של הצרכנים כדי למקד טוב יותר את הקמפיינים השיווקיים ולהביא את המבצעים היעילים ביותר ללקוחות שלהם.
במציאות בה כמות הנתונים הולכת וגדלה, חשוב שתהיה אסטרטגיה יעילה ל- Data Science כדי לסייע בקבלת החלטות עסקיות מושכלות. כל התחומים הללו הפכו לבולטים יותר, שכן יש היום יותר ויותר ניסיונות לענות על הדרישה הגוברת למציאת דרכים יעילות יותר להפיק ערך מהדאטה.
השימוש ב- Artificial Intelligence להשגת מטרות אלה הוא תוצאה טבעית באבולוציית הנתונים.
הכשרה נוספת בתחום שאנחנו מציעים הינה הכשרת בוקר אינטנסיבית לכל מי שכרגע פנוי ללימודים מאתגרים כל יום Data Science Bootcamp.
מה זה Artificial Intelligence – AI?
קצת היסטוריה:
לאורך ההיסטוריה של AI ההגדרה עברה מספר שינויים. למעשה Artificial Intelligence הוא מונח די רחב והרעיון התחיל עוד בשנות ה-50. Machine Learning היא קבוצת משנה של AI ו- Deep Learning הוא קבוצת משנה של ML.
מקור התמונה
תחום AI התחיל להיות מוכר ושימש מעבדות מחקר כאשר קבוצת מדעני נתונים חשפו אותו במסגרת כנס Dartmouth Conferences בשנת 1956. בעשורים שחלפו מאז, AI הוצג כמפתח לעתיד זוהר של ציוויליזציה שלנו ומעודד התפתחות טכנולוגית מרחיק לכת.
במהלך השנים האחרונות AI קיבל חיים חדשים, במיוחד מאז 2015.
שימוש רחב ב- GPUs שמאפשרים עיבוד מקבילי, מהיר, זול וחזק, השפיע מאוד על כניסת AI באופן כה אינטנסיבי לעיבוד נתונים. זה גם קשור להתפתחות טכנולוגית מדהימה בתחום של אחסון נתונים וכמובן תחילת העידן של Big Data עם כמויות אדירות של נתונים מאוד מגוונים ולא מובנים – תמונות, טקסט, עסקאות, מיפוי נתונים, ועוד.
כיום, Artificial Intelligence מתאר מכונה/טכנולוגיה שמסוגלת לדמות ולהציג התנהגות החשיבה אנושית בעת קבלת החלטות או פתרון בעיות. אנחנו מדברים על טכנולוגיות אשר מסוגלות לבצע משימות ספציפיות, כמו בני האדם ואף יותר טוב. דוגמאות של AI הן למשל סיווג תמונות ב- Pinterest וזיהוי פנים ב-Facebook. אבל איך לעשות זאת?
הטכניקות למימוש כוללות שימוש בסמלים (Symbolic Artificial Intelligence), תכנון (AI Planning) וכמובן Machine Learning.
Symbolic Artificial Intelligence
אינטליגנציה מלאכותית סימבולית היא אחת הגישות הראשונות ל- AI המבוססת על הטענה כי הבנה ולמידת החשיבה האנושית יכולה להיות מושגת באמצעות מניפולציה של סמלים. זהו הבסיס למערכות סמלים, הנקראות גם מערכות פורמליות, המתמקדות סביב שלושה מושגים בסיסיים העוקבים אחר יכולות החשיבה האנושית:
- סמל – פלוס “+” הינו פועל יוצא של חיבור שני קווים מאונכים – באופן מידי ברור למוח האנושי מה המהות של הסמל הזה – שהוא החיבור.
- מחשבה היא התבנית, למשל סימן פלוס פירושו לחבר דברים ביחד.
- תהליך המניפולציה הוא למעשה קו מחשבה מקצה לקצה – תוצר של שילוב סמלים ותבניות, כמו למשל אנו משתמשים בסימן פלוס במשוואה מתמטית עבור אחד ועוד שניים שווה שלושה.
מה זה Machine Learning – ML?
כעת, כאשר יש לנו מושג אודות Artificial Intelligence – בניית מערכת שיודעת לדמות התנהגות אנושית, מה לגבי Machine Learning ואיך הוא מתכנס בתוך AI? ההבדל הראשוני בין השניים הוא במילה “learning” שכן מדובר במערך לומד.
Machine Learning הוא למעשה פרקטיקה של שימוש באלגוריתמים לניתוח נתונים, הרצה של תהליך למידה, ולאחר מכן מתן הגדרה וחיזוי לגבי כל דבר שיתבקש. המערכת לומדת מכמויות גדולות של נתונים כדי להעניק יכולת לבצע משימות.
האלגוריתמים יודעים לזהות תכונות ייחודיות בתוך הנתונים ולאחר מכן מריצים מודל שמתשמש בתכונות אלו על מנת לבצע חיזוי על נתונים חדשים. המימושים של Machine Learning יעילים מאוד בניתוח טקסטים, ניתוח דיבור, עיבוד תמונות, ועוד.
היכולת של המערכת ללמוד מהנתונים ולאחר מכן ליישם את התובנות על נתונים חדשים שנכנסים במהירות עצומה, ללא צורך במשאבים נוספים והתערבות של בני אדם, מביאה ערך עסקי אמיתי להתפתחות הארגון והשגת יתרון תחרותי.
בעוד ש- Artificial Intelligence מציב מטרה יומרנית למדי – בניית רובוט שמחכה את ההתנהגות האנושית בכל היבטיה, ו- Machine Learning הוא אחת הגישות למימוש, בשנים אחרונות אנחנו רואים ש- Machine Learning קיבל מפנה ודרך עצמאית בעזרתה ארגונים מציבים מטרות עסקיות אסטרטגיות ומשיגים אותן.
חברת Google הייתה חלוצה בתחום הזה, היא החברה הראשונה שהבינה את הערך האמיתי והחשיבות של שימוש ב- Machine Learning בתהליכים עסקיים, ומאז רק שיפרה את האלגוריתמים שלה כדי להתאים אותם טוב יותר לצרכים של המשתמשים/הלקוחות שלה.
נשאלת השאלה, איך החברה מצליחה לעמוד במשימה הקשה של מיקוד בדפוסי גלישה של מליארדי גולשים שלה? התשובה די פשוטה – המימוש מאוד מורכב – ע”י ניתוח נתונים שנצברו באמצעות החדרת Machine Learning למודל העסקי שלה.
מה זה Deep Learning – DL?
Deep Learning הוא הגישה המדוברת ביותר לאחרונה, למעשה זהו תת-תחום או אחד המימושים של Machine Learning.
Deep Learning מריץ אלגוריתם בהיררכיה של שכבות, כאשר הפלט של החלטות משכבה אחת מזין את השכבה הבאה.
הקו המנחה כאן הוא מונח “רשתות ניירוניות” המבוסס על הבנה של תפקוד המוח האנושי מבחינה ביולוגית – קשרי גומלין בין הנוירונים במוח שלנו.
אולם, בניגוד למוח האנושי שבו כל נוירון יכול להתחבר לכל נוירון אחר בתוך מרחק פיזי מסוים, רשתות ניירוניות של Deep Learning בעלות שכבות נפרדות, חיבורים רבים וכיוונים שונים וכל זה בתוך עולם של ריבוי נתונים.
המונח “deep” מתאר מספר שכבות בתוך הרשת כך שכל שכבה הבאה יותר ויותר עמוקה מאשר הקודמת לה. המודל הזה יעיל במיוחד בתחומי עיבוד תמונה, עיבוד טקסט, או עיבוד קול.
שימושים של Deep Learning בתעשיה:
Automated Driving: חוקרי כלי רכב משתמשים ב- Deep Learning כדי לזהות באופן אוטומטי אובייקטים כגון סימני עצירה ורמזורים. בנוסף, Deep Learning משמש כדי לזהות הולכי רגל, מה שמסייע בהפחתת תאונות.
Aerospace and Defense: השימוש ב- Deep Learning הינו לזיהוי חפצים מלוויינים הממוקמים באיזורי עניין, כדי לזהות אזורים בטוחים או לא בטוחים לחיילים או כלי טייס.
Medical Research: חוקרי סרטן משתמשים ב- Deep Learning כדי לזהות באופן אוטומטי תאים סרטניים. צוותים ב- UCLA בנו מיקרוסקופ מתקדם המספק מערך נתונים רב-ממדי אשר משמש לאימון של יישומי Deep Learning כדי לזהות במדויק תאים סרטניים.
Industrial Automation: מודל Deep Learning עוזר לשפר את בטיחות העובדים סביב מכונות כבדות על ידי זיהוי אוטומטי של איזור מסכן חיים סביב המכונות.
Electronics: מודל Deep Learning משמש בתרגום שמיעה ודיבור אוטומטי. לדוגמה, מכשירים ביתיים שונים מגיבים לקול ויודעים את העדפותיו של המשתמש מופעלים על ידי יישומי Deep Learning .
