עם הבינה המלאכותית הצטרפו לחיינו שלל מילים ומושגים שלא את כולם אנחנו מבינים. אחד מהם הוא “למידת מכונה” – התקדמות טכנולוגית מרשימה, המשפיעה כמעט על כל תעשייה ותחום חקר ודעת של העת האחרונה. למידת המכונה מחוללת מהפכה בדרך שבה אנחנו עושים דברים מדי יום. בינה מלאכותית היא התוצאה הכוללת של שלל תתי קבוצות בסיסיות ובהן למידת מכונה. במאמר שלפניכם נסביר מהי למידת מכונה, ועל אופן פעולתה והשפעתה על מגוון אינסופי של מגזרים.
למידת מכונה (ML)
למידת מכונה היא תת תחום בבינה מלאכותית. תת תחום זה מתמקד ב”הכשרת” מחשבים ללמוד מהנתונים שהוזנו או מוזנים לתוכם, והכשרת אלגוריתמים למצוא דפוסים ומתאמים במערכי נתונים גדולים, לצורך קבלת התובנות, ההחלטות והתחזיות הטובות ביותר – על סמך ניתוח נתונים זה.
יישומי למידת מכונה משתפרים עם השימוש. הם הופכים מדויקים יותר, ככל שעולה כמות הנתונים הזמינים, מבלי שיהיו מתוכנתים לכך מראש. פיתוח אלגוריתמים ומודלים שונים, מאפשרים לבינה מלאכותית לעשות יותר מאשר עיבוד הנתונים. אלגוריתם מפרק נתונים לחלקיקי מידע אותם יוכל לקשר לשם יצירת יישומים, ביצוע משימות ועוד. כך משתמשת למידת מכונה בנתונים ובתוצאות העיבוד והופכת יותר ויותר חכמה. במילים אחרות, למידת מכונה משתמשת בהסתברות, כאשר אלגוריתמים ומודלים שונים “מתגרים” במחשב ומעוררים אותו ללמוד ולהתפתח.
למידת מכונה – הסתברות – הסבר פשוט
אם מסופקת למחשב כמות נתונים מספקת הוא ידע, באמצעות למידת המכונה, להעריך הסתברויות למצבים שונים. בואו ננסה להמחיש זאת באמצעות הדמיון למוח האדם, מאחר ולמידת מכונה משתמשת באינטליגנציה ובהסתברות כמעט באותה הדרך בה אנחנו עושים זאת:
- זיהוי פנים – כאשר אנחנו חולפים על פניו של אדם אקראי ברחוב בעיר זרה, סביר להניח שהמוח שלנו לא יזכור אותו, מפני שהוא יודע להעריך כי הסבירות שנתקל בפנים אלה שוב, קטן. אך אם נראה אדם בסביבת העבודה הקבועה שלנו, המוח יודע להעריך את הסבירות שראה או שיראה אותם בעבר.
- משחק שח – אתם מכירים את המשחק, מאחר ושחקתם בעבר. המוח “יודע” (הסתברות), מתוך הנתונים שעל לוח המשחק, לקבוע מה יהיו המהלכים הבאים שיסייעו לכם לנצח במשחק.
מה זה ניתוח נתונים?
ניתוח נתונים כולל איסוף כמויות עצומות של נתונים גולמיים כדי לזהות, למיין ולזקק במהירות תובנות חשובות. בין היתר, לשם בניית אסטרטגיות ופתרונות מבוססי מחקר. כלי הניתוח והשיטות לניתוח נתונים מותאמים לצרכים ולמשאבים להם הוא נדרש. למשל עבור עסקים: שיווק, בניית מסד לקוחות, קבלת החלטות ועוד, עבור תחום הרפואה: מיון דפוס מטופלים, מיון תתי קבוצות של מחלות, הגברת יעילות הצוות הרפואי ועוד.
בתחום העסקי (לצורך הדוגמא), לשם שיווק נכון ויעיל ובדיקת התנהגות צרכנים, יבודדו מתוך כלל הנתונים את אותם נתונים הרלוונטיים לתחום כמו: דמוגרפיה, גיל, מצב סוציואקונומי, סוג רכישה, תדירות רכישה וכו’.
שלבים בלמידת מכונה
- איסוף נתונים – ממגוון מקורות כמו: מסדי נתונים, סריקות אינטרנט לחילוץ נתונים מאתרים ומהמדיה החברתית, נתוני חיישנים שונים ועוד. ככל שיגדל המגוון, כך ניתן יהיה לאמן טוב יותר מודלים של למידת מכונה.
- אימון מודלים – לאחר איסוף הנתונים, הם משמשים לאימון מודל למידת מכונה. האלגוריתם לומד מהנתונים ומזהה בתוכם דפוסים או הקשרים.
- בדיקת המודל – לאחר הכשרת מודל, מכניסים אליו נתונים חדשים על מנת להעריך את טיב ביצועיו.
איך עובדת למידת מכונה?
למידת מכונה מורכבת מסוגים שונים של מודלים בטכניקות אלגוריתמיות שונות. אלגוריתמי למידת מכונה נועדו לסווג דברים, למצוא דפוסים, לחזות תוצאות ולקבל החלטות מושכלות – על ידי ניתוח כמויות גדולות של נתונים וזיהוי דפוסים או מגמות, בתוכם. על מנת לזכות בדיוק הטוב ביותר האפשרי, ניתן להשתמש באלגוריתמים בנפרד או בשילוב, בהתאם לסוג הנתונים הנדרש ו/או לתוצאה המצופ
סוגי למידת מכונה
ללא פיקוח
שימוש באלגוריתמים לצורך איסוף ומיון נתונים שאינם מובנים או מתויגים. אלגוריתמים אלה מעולים בזיהוי דפוסים כשאין תיחום חד משמעי בין קטגוריות הנתונים, ללא התערבות אנושית.
עם פיקוח
שימוש בערכות נתונים כדי לעזור לאלגוריתם ללמוד ולזהות אותם. נתוני אימון מוזנים לאלגוריתם כשהם כבר ממוינים ומתויגים, וכך לומד האלגוריתם, לאחר אימון, לסווג על סמך מאפיינים מוגדרים מראש.
מפוקחת למחצה
שילוב שתי הטכניקות שצוינו למעלה (מפוקחת ולא מפוקחת), לצורך מיון ו/או זיהוי נתונים. למידה מפוקחת למחצה כוללת שימוש בכמות מועטה של נתונים מתויגים מסוימים ומתן מספר ערכות נתונים ומבנה, שישמשו לאלגוריתם כנקודת התחלה.
עם חיזוקים
לאלגוריתמי למידה לחיזוק, מוגדרים “כללי המשחק” ללא הפניה להתחלה אמצע או סוף, אך עם מערכת חוקים המיועדות לחיזוק בחירות או הרתעה מבחירות אחרות. המחשב משתמש בניסוי וטעייה כדי לפתח את הפתרון המיטבי לבעיה שהוצגה בפניו.
חלק מהיישומים השונים של למידת מכונה
- פיננסים – למידת מכונה מתמקדת בעיבוד ובסיווג כמויות עצומות של נתונים ביעילות. מסייעת לארגונים לעבד נתונים גולמיים, לנבא תוצאות עתידיות על סמך נתונים היסטוריים, למצוא מגמות וליצור מודלים של נתונים סביב מוצרים פיננסיים. לצורך אבטחת מוצרים פיננסים והגנה מפני הונאה, אוטומציה של תהליכים לצורך דיוק וייעול ועוד.
- בריאות – ניקח את הדוגמא הפשוטה והמוכרת לכולנו – בית המרקחת. בכל פעם שמעובדת בקשת מרשם חדשה, מתבצעת מערכת שלמה של שאילתות המספקות לרוקח תמונה מלאה על המטופל, מתי עליו לקבל את כמות התרופות הבאה, מלאי התרופות בבית המרקחת, ועוד. כמובן שיש עוד דוגמאות נוספות.
- עיבוד שפה טבעית – מאפשרת למחשבים להבין, לפרש וליצור שפה אנושית. בקיצור – צ’אט בוטים, זיהוי דיבור ותרגום שפה.
- זיהוי תמונה – מאפשר למחשבים לזהות אובייקטים, אנשים, רצפים בהתרחשות עלילה ועוד. משמש לזיהוי פנים, כלי רכב אוטונומיים, אבחון הדמיות.
סיכום
למידת מכונה היא טכנולוגיה חזקה ויעילה המשנה את חיינו במגוון תחומים.
ככל שהטכנולוגיה מתקדמת, ארגונים ימשיכו לאסוף עוד ועוד נתונים כדי להצמיח את החברות שלהם, מערכות הבריאות יאבחנו יותר ויותר מחלות וטיפולים חדשניים, והכל בזכות היכולת לעבד את הנתונים המותאמים והנכונים ביעילות.
רוצים לדעת יותר על למידת מכונה? בקורס AI של מכללת הורייזון לאבס תוכלו לקבל את כל המידע וההכשרה המעמיקים ביותר בתחומי הבינה המלאכותית. התייעצו עמנו בכל שאלה.
