שלום,
נראה שכבר הכרתם את אאוריקה. בטח כבר גיליתם כאן דברים מדהימים, אולי כבר שאלתם שאלות וקיבלתם תשובות טובות.
נשמח לראות משהו מכם בספר האורחים שלנו: איזו מילה טובה, חוות דעת, עצה חכמה לשיפור או כל מה שיש לכם לספר לנו על אאוריקה, כפי שאתם חווים אותה.
»
«
מהי למידת מכונה או למידה חישובית? ומהם מדעני הדאטה?
למידת מכונה (Machine Learning), או למידה חישובית, היא היכולת של מערכת מחשב ללמוד ולהשתפר על ידי התבוננות ופעילות עצמאית שלה עם מידע.
זוהי לא בדיוק טכנולוגיה או כלי ספציפי, אלא תחום מחקרי מדעי, המשלב מרכיבים מעולמות הסטטיסטיקה ומדעי המחשב. באמצעותם מאפשרת למידת המכונה זיהוי אוטומטי של דפוסים מרתקים בכמויות נתונים גדולות.
אבל איך מכונה לומדת?
ובכן, בואו נדמיין לרגע מצב דמיוני. דמיינו מיליוני תלמידים מטומטמים, שלומדים אצל מורה לא מוכשר במיוחד, אולי אפילו אידיוט. כל פעם המורה הזה מראה להם משהו שהוא רוצה שיידעו (מראה להם למשל שתי תמונות ואומר מה מופיע בכל אחת) ואז בוחן אותם. חוץ מלתת ציון לתשובות שלהם, הוא תמיד מעיף מהכיתה שלו את אלו שלא זיהו ומשכפל את אלה שכן. אז מראה המורה עוד משהו ובוחן ושוב מעיף... הוא עושה את זה מיליוני פעמים... כן, דמיינו שהוא חוזר על התהליך הזה עם מיליוני תלמידים, שוב ושוב... קוראים לזה, אגב, "אִיטֵרַצְיות", פעולות שחוזרות על עצמן שוב ושוב במהלך פתרון של בעיה.
כך, בהדרגה ובאופן שלא תמיד מובן לנו, המכונות, סליחה - התלמידים המטומטמים, הולכים ומשתפרים. הם לומדים!
אז לאור הסיפור הזה, איך עושה זאת המחשב?
בצורה דומה אבל טכנולוגית, ככל שמחשב לומד מצויד ביותר נתונים והתנסויות, הוא נעשה חכם יותר. המידע שהוא מעבד מסייע לו לשפר כל הזמן ולגמרי בעצמו, את המודל החישובי שלו.
אנשי הלמידה החישובית מפתחים אלגוריתמים ודרכים שמאפשרים למחשב ללמוד בעצמו ולשפר את יכולותיו.
אם נסכם לרגע, אנשי למידת המכונה יוצרים מכונה המלמדת את עצמה התנהגויות ותובנות, על סמך מפגשים עם מצבים שונים וסיטואציות שמהם ניתן ללמוד ולהסיק מסקנות. המכונה הזו מתנהגת כמו בן-אנוש, שלומד ללא הפסקה, מהתנסויות וטעויות, אבל בהיקפים מטורפים ועם המון דאטה.
על ביג דאטה שמעתם? התחום הזה של מכונה לומדת הוא בדיוק הסיבה שענקי האינטרנט אוספים עלינו מידע בכמויות ענק. בעזרתן הם משפרים את האלגוריתמים והמכונות הלומדות שלהם ויוצרים להן ידע המשתבח והולך.
בלמידת מכונה מצויד המחשב באינטליגנציה מלאכותית ולומד מתוך דוגמאות והתנסויות קודמות שלו ולא בזכות מתכנת אנושי שמזין את הידע למחשב. כלומר, בלמידה כזו מתרחשת הלמידה על ידי המחשב מתוך דוגמאות ומקרים שקרו לו.
האלגוריתם של המחשב ממש מחקה את הדרך שבה פועלת הרשת העצבית שבמוח האנושי. באופן מסוים, מחשבים חכמים כבר הגיעו מזמן לביצועים שמזכירים את הלמידה של תינוקות על ידי חיקוי הוריהם. באופן אחר, הם כל כך משתפרים שיש כבר רבים שמתחילים לחשוש מזה...
המדענים מזהים למידת מכונה, כאשר הביצועים של משימה במחשב הולכים ומשתפרים עם הניסיון. כלומר, בכל פעם שתוכנת המחשב מבצעת משימה, באופן יעיל מאשר ביצעה אותה בעבר. ככל שתוכנה משיגה תוצאות טובות יותר, מבלי שמתכנת אנושי השפיע על הקוד שלה, אז התרחשה למידה חישובית, או למידת מכונה.
איך מכונות לומדות? -הנה (מתורגם):
https://youtu.be/R9OHn5ZF4Uo
מאיפה מגיע המידע הנחוץ לאימון המכונה ומה חשוב באיסופו (מתורגם):
https://youtu.be/x2mRoFNm22g
המקור ההיסטורי של משין לרנינג ודרך פעולתה:
https://youtu.be/HBDp183HEic
עוד הסבר על למידת המכונה:
https://youtu.be/mJeNghZXtMo
אחד האתגרים בלמידת מכינה הוא ליצור למידה שאינה מוטית לכיוונים חברתיים ספציפיים:
https://youtu.be/59bMh59JQDo
הסבר קצר על הלמידה החישובית:
https://youtu.be/ty-kTUzMnjk
והסבר מפורט יותר:
https://youtu.be/EQhwNcQhP4g
מחשב לומד שמתבונן בשחקנים המשחקים במשחקי מחשב ולומד לשחק ברמה מקצועית שיכולה להביס את הטובים שבהם:
https://youtu.be/EfGD2qveGdQ
תוכנה לומדת שמשחקת ומשתפרת כל הזמן במשחק מחשב:
https://youtu.be/qv6UVOQ0F44
רוצים לאמן מכונה ואפילו בלי תכנות? - הנה פעילות נחמדה וחכמה:
https://youtu.be/i9tjzr1KME0
למה טובה פרסונליזציה ברשת?
פרסונליזציה (Personalization) באתרי אינטרנט, באפליקציות ואפילו במערכות הפעלה, היא התאמה אישית של התוכן המוצג למשתמש, לתחומי העניין האישיים שלו ולמה שהוא מעדיף, מחפש ומתעניין.
כל אחד הוא מיוחד ואף אחד הוא לא כמו כולם.
החשיבות של הפרסונליזציה היא שלכל אדם יש תחומי עניין שונים במקצת, כך שאם יותאמו התכנים במיוחד לכל משתמש, קורא, או צרכן, הוא ייהנה מהם הרבה יותר ויבצע פעולות שישתלמו גם לשירות המקוון. זה יקרה משום שהתוכן שיותאם למשתמש יהיה יותר רלוונטי ובעל משמעות רבה יותר עבורו.
כך יוצא שפרסונליזציה היא טכנולוגיה משבשת, אחד הכלים הכי חזקים בדרך לשיבוש חיובי של שווקים שזקוקים לשיבוש, באנגלית "דיסראפשן" (Distruption), כלומר לחדשנות. על ההמלצות של ספוטיפיי שמעתם? - זו פרסונליזציה שנעשית מצוין.
באתרים רבים ניתן כיום למצוא רמות שונות של פרסונליזציה. דוגמאות לכך לא חסרות. הכי מוכרות הן תוצאות החיפוש של מנוע החיפוש של גוגל, שמותאמות לתחומי העניין של המחפש ולהיסטוריית החיפושים שלו. גוגל לומדת כל אחד מאיתנו ומתאימה לנו תוצאות חיפוש אישיות.
אגב, באותה שיטה היא גם מתאימה לנו פרסומות - היא גם יודעת מה חיפשנו או במה עוסק דף האינטרנט שבו אנו מתעניינים כרגע וגם מכירה אותנו, על תחביבינו, תחומי העניין שלנו ומה אנחנו חולמים לקנות או להכיר.
דוגמאות מוכרות נוספות הן למשל הצעות לחברים אפשריים שפייסבוק מציגה לנו, או הצגת פוסטים מומלצים בפיד של המשתמשים. השירות החברתי הזה לא מציג את אותם פוסטים ותכנים לכלל המשתמשים, כמו בבלוג רגיל, אלא בוחר פוסטים מתאימים ומותאמים לכל אחד ואחד. המטרה של פייסבוק היא להשאיר את המשתמשים כמה שיותר זמן ברשת החברתית שלה. הפרס שלה על השימוש המוגדל שלנו ברשת החברתית הוא הרבה לחיצות וצפיות בפרסומות, כמו גם מידע שהיא צוברת עלינו ושווה לה הון.
עוד דוגמאות הן המלצות על ספרים ומוצרים שיעניינו את המשתמש בחנות המקוונת של אמזון. אלה ניתנות על פי הלימוד של תחומי העניין שלו, כפי שבאו לידי ביטוי בקניות קודמות ובעיון באתר. כשהם מוצגים כך אנו מתפתים לקנות יותר מאשר תכננו. התוצאה היא שורת רווח מוגדלת ועשרות מיליארדי דולרים יותר.
פרסונליזציה עובדת טוב לשביעות הרצון שלנו משירותים נוספים. כך גם ממליצים על סרטים בשירות של נטפליקס, שירות שאגב יש לו המון לאיפה להשתפר. כך ממליצים באפליקציית ספוטיפיי על שירים או מוסיקה שתואמת לטעם המשתמש ובאתר YouTube, על סרטונים שהמשתמש עשוי לאהוב.
בשביל המשתמשים הפרסונליזציה עושה הרבה יותר מסתם המלצות טובות. אם נרצה להבין מדוע העיתונות המודפסת הולכת ונסגרת, כדאי להביט באפליקציה של גוגל ניוז. כשהיא מתאימה לנו הקוראים את החדשות המוגשות לנו מאתרי חדשות שונים, כך שנקבל את החדשות שבהם אנו מתעניינים, היא מבצעת פרסונליזציה.
בעולם המהיר שבו אנו חיים, עם אינספור הסחות דעת וכל כך מעט זמן פנוי, ההתאמה שעושים שירותים כאלה היא הצלה לאדם העסוק. כך ורק כך יקבל מי שחובב פוליטיקה הרבה חדשות מהתחום הפוליטי ופחות רכילות, שאותה יקבלו מי שממש אוהבים רכילות ושונאים חדשות פוליטיות או חדשות מעולם הפלילים, שלא פעם אגב מצטלבות דרכיהן באופן מוזר...
הנה פרסונליזציית התוכן:
https://youtu.be/iZko_YquwjU
איש שיווק מסביר איך פרסונליזציה משמשת להגדלת המכירות (עברית):
https://youtu.be/3wYkgclinDM
גם בחינוך מחפשים את הפיצוח הפרסונלי להוראה (עברית):
https://youtu.be/08zPDkfRnJw
ברור שפרסונליזציה של התוכן היא כלי שיווקי מעולה:
https://youtu.be/U39SZCB_i9w
יש לה המון יתרונות והיבטים:
https://youtu.be/iFgnQ0Uwl1M
אנשים בימינו התרגלו ומעדיפים טיפול אישי באתרים מסחריים, גם אם ברור להם שיש לו גם מטרות מסחריות:
https://youtu.be/fJT4xP1oZNE
והנה סרטון מקיף על הפרסונליזציה שב-2024 הופכת לעניין גדול עוד יותר:
https://youtu.be/6QFlakh8z2M?long=yes
מהו זיהוי פנים?
ממצלמות אבטחה במרחב הציבורי, דרך מצלמות מעקב המתעדות מיליוני אנשים בערים ובדרכים ועד לסוכנויות המעקב הממשלתיות, לאחרונה נראה שהיא בכל מקום. היכולת לזהות פנים באופן דיגיטלי מתבססת על המרה של תווי הפנים של אדם למפת נתונים, שניתן להשוות למיליוני מפות נתונים אחרות ולמצוא במי מדובר.
מדובר בטכנולוגיית זיהוי פנים (Facial recognition), המבוססת על יכולת טכנולוגית מבוססת אלגוריתם, או תוכנה, שמסוגלת לזהות אדם על פי צילום דיגיטלי שלו, אם בתצלום ואם בסרט וידאו. מערכות זיהוי פנים רבות מתיימרות כיום לעשות זאת באופן אוטומטי.
אחת השיטות לזיהוי פנים היא על ידי השוואת תכונות תווי הפנים שבתמונה לתמונות שמאוחסנות במאגר נתונים. אלגוריתם פשוט למד כבר מזמן לזהות בזמן צילום דיגיטלי, פנים אנושיות וכך עשה פוקוס עליהם, כדי שהפנים לא יצאו מטושטשים.
בשנים האחרונות הפכו האלגוריתמים של זיהוי פנים מדויקים מבעבר. הם מאפשרים לעבד כמויות אדירות של מידע, במהירות וביעילות, כשהם נעזרים במאגרי נתונים ענקיים המכילים את פניהם של אזרחים רבים.
המדהים הוא שהרשתות החברתיות מהוות כיום את מאגר הנתונים הגדול מאי-פעם, כשלכל צילום מתווספים מיידית שמות המצולם ופרטים מזהים רבים. המרכזיות של המדיה החברתית בחיינו מהווה סיכון לא קטן לפרטיות שלנו וזה יילך ויתחדד, ככל שיימצאו שימושים חדשים לטכנולוגיות הללו.
כל השחקנים הטכנולוגיים הגדולים כבר שם. אם זו פייסבוק, שמזהה את חבריך בתמונות שהעלית לקיר שלך, או גוגל שמזהה לבעלי סמארטפונים את פניהם של המצולמים בתמונות שבנייד האנדרואיד שלהם. מיקרוסופט, שהצליחה לפתח אלגוריתמים לשלטים שמזהים את המתבונן ומציעים לו פרסומות מטורגטות, כלומר פרסומות שונות לכל אדם ומותאמות לנושאים שבהם הוא מתעניין, בצורה די דומה לפרסומות בדפדפן, שמתאימות את עצמן לחיפושים שלך במנוע החיפוש. מוצר אחר של מיקרוסופט המשתמש בזיהוי פנים, הוא מצלמה שמסוגלת להבחין בין תאומים זהים ולזהותם על אף הדימיון הרב ביניהם.
מערכות זיהוי פנים משמשות כיום לאבטחה, לזיהוי החברים המצולמים ברשתות חברתיות ולמעקב אחרי פושעים וטרוריסטים במקומות ציבוריים. לעתים קרובות הן מופעלות ביחד עם טכנולוגיות משלימות, שכן זיהוי פנים היא חלק מתחום הזיהוי הביומטרי. טכנולוגיות נוספות שמשמשות בזיהוי ביומטרי הן זיהוי טביעות אצבע, זיהוי דנ"א וזיהוי קשתית העין.
כך אנו מזהים פנים (עברית):
https://youtu.be/mTSsCYob9mo
זיהוי פנים טכנולוגי:
https://youtu.be/wve5JWX7yoc
זיהוי פנים כאמצעי תשלום (עברית):
https://youtu.be/9yyeH6CK5xk
על זיהוי פנים ופרטיות (עברית):
https://youtu.be/fU3OMXLAKNk
טכנולוגיית האבטחה שמתבססת על זיהוי פנים:
https://youtu.be/9k-rTVfLesQ
מראת הפלא שמזהה בין השאר רגשות של המתבונן בה:
https://youtu.be/uN1yB17S2bk
נראה שזיהוי הפנים של חלונות 10 לא מתבלבל בין תאומים זהים:
https://youtu.be/J1NL246P9Vg
ויש גם זיהוי פנים מעט מביך כמו אלגוריתם שמבטיח לזהות את הגיל של המצולם:
https://youtu.be/Wi8DLKPQqJ0
מהם טוקנים ב-AI ולמידת מכונה?
מאסימוני הטלפונים ועד עולם אבטחת מערכות מחשוב, טוקן (Token), בעברית “אסימון”, הוא מושג המשתנה בהתאם להקשר שבו הוא מוזכר. אפילו בתוך עולם המחשבים יש למושג טוקן כמה שימושים.
בלמידת מכונה, אחת הזירות המרתקות של העידן המודרני והתחום בו פועלים המודלים הפופולריים של ימינו, כמו Claude או ChatGPT, לטוקנים יש משמעות אדירה.
אותם מודלים גדולים, LLMים, הם מודלים מתמטיים. כדי לבצע את המשימות שאנו מבקשים מהם, תוך כדי תקשורת איתם בשפה טבעית, כמו אנגלית, עברית וכדומה, הם משתמשים בתהליך שנקרא "טוקניזציה".
במרכז הטוקניזציה נעשה פילוח של הטקסטים שהמודלים הללו מקבלים כנתונים, כדאטה, ליחידות קטנות יותר, תרגום של חלקי המידע הקטנים למספרים, כשאת יחידות המידע הללו, שהומרו למספרים, הם ינתחו בהמשך.
כך, אחרי שמסתיימת הטוקניזציה, הם מייצרים מהמידע טוקנים, מספרים שכל אחד מהם מייצג פריט מידע קטן. ה"טוקן" משמש בהם בתפקיד "אסימון למידת המכונה", שמתאר באופן מתמטי את יחידות הטקסט הקטנות. אלה מעין יחידות מידה שהמודלים המוכרים יוצרים מהקונטקסט.
לאחר שסיימו להפוך את המידע לטוקנים, מרבית המודלים שאנו מכירים הטוקנים משמשים לייצוג של הטקסט, ביחידות קטנות שהמודל מעבד בצורה מתמטית.
כשאנו משתמשים בטוקנים, זה כדי לסייע למודל להבין את המבנה של הטקסט, כך שיוכל לבצע על פיו את החישובים שלו. טוקן אחד יכול להיות כל חלק ממילה בשפה הרגילה שלנו, או אפילו תו אחד.
כדי להבין ולהגיב לקלט, המודל משתמש בכמות מסוימת של טוקנים. וטוקן יכול להיות כל פיסת מידע, מתו בודד ועד מילה שלמה ולעתים גם יותר. יש שיטות שונות של טוקניזציה והבחירה ביניהן היא בהתאם לאלגוריתם בו משתמשים. יש שהאסימון הוא לפי תווים (Character tokenization), אסימון לפי מילים, לפי משפט, ביטויים, טוקניזציה לפי מילת משנה ולפי מספר.
בשיחה על מודל AI (ה-LLM, כמו ChatGPT או Claude) משמש הטוקן לציון גודל השיחה על המודל והיקף המידע שיכול להיות בה. לכל מודל יש מגבלה של זיכרון התוכן שהוא יכול לעבד בשיחה אחת ולהתבסס עליו בתשובות שלו ובמהלך השיחה.
כל הטקסט שהמודל מכיל ובא מהקלט שמזרים לו המשתמש, כולל השאלות והתשובות וכל מידע נוסף, כל אלו מכונים "קונטקסט" (Context), כלומר "ההקשר".
חלון ההקשר (context window), או "חלון הקונטקסט", מייצג את כמות התוכן שהמודל יכול לעבד בשיחה עם משתמש. הכמות הזו נספרת בטוקנים. אם קלוד, למשל, תומך ב-200 אלף טוקנים, זה אומר שהשיחה יכולה לכלול כ-40 אלף מילים. אם לג'מיני של גוגל יש מיליון טוקנים, זה אומר פי 5 יותר מילים וגודל חלון הקונטקסט שלה, כלומר השיחות עם ג'מיני הוא של כ-2 ספרים ממוצעים.
טוקניזציה כפי שהיא נעשית בידי מדעני נתונים:
https://youtu.be/fNxaJsNG3-s
פרמטרים וטוקנים הם לא הכל במודלים:
https://youtu.be/a1nqXQMOCks
הסבר של Machine Learning Token באנגלית:
https://youtu.be/mnqXgojQCJI
וטוקניזציה באתרי אינטרנט שיכולה לשמש בהקשר אחר כאמצעי אבטחה:
https://youtu.be/Y7I4IDojhJk
מה ההבדל בין למידת מכונה ללמידה עמוקה?
הלמידה העמוקה (Deep Learning) היא טכנולוגיה שמאפשרת למערכות מחשב לחקות את פעולת המוח האנושי ולבצע למידה עצמית, תוך שיפור מתמיד המאפשר למערכת להיות חכמה יותר ויותר כל הזמן.
אבל מה ההבדל בין למידה עמוקה ללמידת מכונה?
אז ראשית, מבחינת מיון - דיפ לרנינג, בעברית למידה עמוקה, הוא תת-תחום של למידת מכונה.
אבל בעוד שב"למידת מכונה" (Machine Learning) קלאסית הלימוד הוא מתוך דאטה שתויג ואורגן מראש לשם כך, על ידי מי שמאמן את המכונה, בעזרת מה שנקרא "דאטה מתויג" (Labeled data), "למידה עמוקה" (Deep Learning) לומדת בעצמה - עם דאטה כמותי, כלומר מידע רב ולא מאורגן. למשל המוני דוגמאות לא מזוהות או מסודרות דווקא הניתנות לתוכנת הלמידה העמוקה והיא מייצרת את הסיווג וה"הבנה" של הדפוסים והסדר, שמאפשרים לה בהדרגה "להבין" את הדאטה הזה ולהפוך אותו לתובנות וידע, שגם הולך ומשתפר כל הזמן, כמו ילד שכל הזמן לומד דברים חדשים ורוכש תובנות טובות יותר על המציאות והחוקים ששוררים בה.
אם למידת מכונה זו למידת בית ספר, ממישהו שמלמד אותך ומתרגל אותך בלמידה, למידה עמוקה היא הלימוד אחרי שעת הלימודים - בשכונה, מתוך התבוננות, סקרנות ועיבוד נתונים עצמי.
משום כך, ככל שמערכת למידה עמוקה פועלת וככל שהיא בשימוש - היא משתפרת, יודעת יותר ויכולה לבצע משימות מורכבות יותר ובהצלחה הולכת וגדלה.
אז ההבדל בין למידה עמוקה ללמידת מכונה הוא בסיסי. בלמידת מכונה, כדי ללמוד ולהשתפר המערכת הממוחשבת צריכה מומחה אנושי, שיאתר תכונות מסוימות שעל פיהן הוא מאמן את המכונה או התוכנה.
בלמידה עמוקה, לעומת זאת, לא נדרשים בהכרח מי שיבצעו את האימון והארגון, התיוג והסידור של המידע בכדי שהמכונה תלמד. פשוט מזינים אליה המוני מקרים, למשל תמונות לזיהוי או מידע לניתוח, ונותנים לתוכנה לאתר בהם מאפיינים, הבדלים, דפוסים וכדומה. כך היא תזהה בעתיד דברים בתמונות או המלצות לשימוש במידע וכדומה. כך היא תלמד את עצמה כל הזמן ותהפוך יותר ויותר חכמה.
זה אולי גם קצת דומה לשני טיפוסי מורים. יש את המורים שמתעקשים להגיש לתלמידים את הידע "בכפית" ולהראות להם על מה להביט בלמידה, בעוד אחרים, נקרא להם "המלמדים העמוקים", נותנים לתלמידים לאתר את ההבדלים, להעלות השערות לגבי דפוסי מידע וחלוקה, להסיק מסקנות וכדומה.
אז כך, ממש כמו התלמידים אצל "המורה העמוק", תוכנת הלמידה העמוקה מקבלת בלמידה כזו המון "הזדמנויות" ללמוד בעצמה ולהתבגר. זאת במקום האימון על ידי אדם, שמתבטא בהוראות ואימון הממחישים לתוכנה מה לחפש בדאטה, כדי להבחין בין המקרים.
זו, אגב, גם הביקורת של המדענים על השיטה הזו. הם גורסים שלא נדרש עוד ממדענים להבין בעיה כדי לפתור אותה, מה שמביא לרדידות ולפתרון בעיות בניסוי וטעייה טכנולוגיים, במקום באמצעות תיאוריות מעמיקות ובחינתן באופן מדעי.
הנה הסבר פשוט של הלמידה העמוקה:
https://youtu.be/6M5VXKLf4D4
למידה עמוקה מחייבת יותר זמן, יותר דאטה ויותר כוח מחשוב מלמידת מכונה:
https://youtu.be/-SgkLEuhfbg
כך הולך ומתפתח עץ ההחלטות המשתפר של מערכת הלמידה העמוקה:
http://youtu.be/nSg4HKHdDs4
שיעור וידאו קצר על שיטות הלמידה השונות (עברית):
https://youtu.be/Bqdn6e-nH18?long=yes
והרצאה אקדמית על למידה עמוקה (עברית):
https://youtu.be/z-aezi4W90o?long=yes
מה היה החורף של הבינה המלאכותית?
החורף של הבינה המלאכותית (The winter of artificial intelligence), או "חורף ה-AI", הוא מונח המתאר תקופה משמעותית בהיסטוריה של מדעי המחשב והטכנולוגיה. תקופה זו, שהתרחשה בעיקר בשנות ה-70 של המאה ה-20, סימנה נקודת מפנה בהתפתחות הבינה המלאכותית ובתפיסה הציבורית שלה.
בתחילת דרכה, בשנות ה-50 וה-60, הבינה המלאכותית הייתה מושא להתלהבות ואופטימיות רבה. חוקרים ומדענים הצליחו לפתח מערכות שיכלו לבצע משימות בסיסיות כמו משחק שחמט ופתרון בעיות מתמטיות פשוטות. ההישגים הללו יצרו ציפיות גבוהות לגבי העתיד, והאמונה הרווחת הייתה שבקרוב נראה מכונות חושבות ברמה אנושית.
אולם, עם כניסת שנות ה-70, החלה להתפשט תחושת פיכחון. התברר כי המערכות שפותחו היו מוגבלות מאוד ביכולותיהן, המחשבים לא ענו על הציפיות הגבוהות שתלו בהם ודרשו תכנות מורכב ומפורט, אפילו לביצוע של מטלות פשוטות יחסית. גם מדענים מצאו את עצמם מתקשים ללמד מחשבים דברים בסיסיים שתינוק יודע לעשות, כמו להבין משפטים על פי ההקשר שלהם ושפה בכלל. הטרידו גם העלויות הגבוהות במיוחד שהיו כרוכות בפיתוח והתחושה בתחום הייתה שהתוצאות לא עומדות בציפיות הגבוהות שנוצרו בעשורים הקודמים.
כתוצאה מכך, ההתלהבות והאופוריה סביב הבינה המלאכותית דעכו. המימון למחקר ופיתוח בתחום הצטמצם באופן דרמטי, וחלק מהחוקרים המובילים עברו לתחומים אחרים. תקופה זו סימנה האטה משמעותית בהתקדמות התחום, והובילה לספקנות רבה לגבי היכולת להגשים את החזון של מכונות חושבות.
חוקרים שונים מגדירים אחרת את אורך התקופה. יש הטוענים שהתקוות המנופצות בחורף של הבינה המלאכותית נמשך עד שנות ה-80, כשתחום ה-AI מתחיל לחוות פריחה מחודשת ואיטית, כשבין השאר שווקו לראשונה מכונות ה-LISP, מכונות הבינה המלאכותית הראשונות. אחרים טוענים שהאביב של הבינה המלאכותית מגיע רק באמצע שנות ה-2000. אין ויכוח שהשינוי הונע, בין השאר, מפיתוח "מערכות המומחה", מערכות ממוחשבות שנועדו לחקות את יכולות קבלת ההחלטות של מומחה אנושי בתחומים ספציפיים. התפתחויות אלו סימנו את תחילתו של "האביב" החדש בבינה מלאכותית.
וכך, בתוך עשור מאז 2005, השתנו מקצה לקצה התפיסה לגבי הבינה המלאכותית והתחזיות לגביה. מי שהובילו לכך היו קבוצות שונות של חוקרים, שניסו בהתמדה לפתח "מוח ממוחשב". הגישה התבססה על הרעיון שהמוח האנושי הוא אוסף רכיבים, המחוברים ביניהם כשלכל אחד מהם תפקיד עצמאי משלו. השינוי שהובילו אותן קבוצות, בהשראת מדעי המוח, היה "הלמידה העמוקה", גישה לבניית מכונות תבוניות, ברעיון שהחל להבשיל ולהתפתח יותר ויותר.
את התוצרים של השינוי המאסיבי הזה אנחנו רואים היום, בעידן הבינה המלאכותית הגנרטיבית, המכונות הלומדות ואינסוף הפיתוחים שמתפוצצים מול עינינו ומושתתים על Deep Learning, אותה "למידה עמוקה", שבה המחשב לומד ומלמד, למעשה, את עצמו.
השפעתו של חורף הבינה המלאכותית חרגה מעבר לתחום המדעי והטכנולוגי. הוא השפיע באופן עמוק על התפיסה הציבורית של התחום, וסימן מעבר מאופטימיות מופרזת לגישה מפוכחת יותר לגבי האפשרויות והמגבלות של טכנולוגיה זו. תקופה זו עיצבה את הדרך שבה אנו מתייחסים לבינה מלאכותית עד היום, ומזכירה לנו את החשיבות של שמירה על ציפיות ריאליסטיות לצד המשך החדשנות והפיתוח הטכנולוגי.
למרות שהחורף של הבינה המלאכותית נתפס בזמנו כתקופה של נסיגה, בראייה לאחור ניתן לראות בו שלב הכרחי בהתפתחות התחום. הוא אילץ את החוקרים לבחון מחדש את הנחות היסוד שלהם ולפתח גישות חדשות ומציאותיות יותר, שבסופו של דבר הובילו להתקדמויות המשמעותיות שאנו עדים להן כיום בעולם הבינה המלאכותית.
הנה סיפור החורף של הבינה המלאכותית:
https://youtu.be/w_v5lumtoPk
כך משתלב חורף הבינה המלאכותית בתולדות ה-AI כשלב קשה ומשתק:
https://youtu.be/yaL5ZMvRRqE
וכך קידמה למידת המכונה את הבינה המלאכותית לשלב הבא (מתורגם):
https://youtu.be/f_uwKZIAeM0
איך מלמדים מחשבים לזהות פנים?
מהו המחשוב הקוגניטיבי?
יתכן ששאלתם את עצמכם פעם איך זה שהמחשבים המשוכללים והמהירים כל כך יכולים לבצע כיום משימות שלא ייאמנו, אבל לא מסוגלים לבצע דברים שאפילו תינוקות עושים בקלות.
מזיהוי אנשים ועד להבנת השפה המדוברת, דרך למידה מטעויות או הבנת ההקשר בשיחה, להסיק מסקנות ועוד, יש לא מעט דברים שבני אדם מקבלים כמובנים מאליהם ואף כפשוטים, בעוד המחשבים מתקשה בהם מאד.
בדיוק לשם כך נוצר תחום חשוב במדעי המחשב. מחשוב קוגניטיבי (cognitive computing) הוא תחום בתוכנה המדמה את החשיבה האנושית.
מדובר בתוכנות שאמורות להיות מסוגלות לבנות ולנתח ידע, לבצע תהליך ארוך ומשמעותי של למידה עצמית, להבין את המידע לעומקו, לנתח טקסטים בצורה תבונית ולתקשר עם בני אדם בדרך שמבינה מצבי רוח, הקשרים חברתיים ואישיים ועוד, בקיצור כל דבר מהמרכיבים הקטנים של השפה האנושית ועד לסתם ללמוד מהניסיון.
במחשוב הקוגניטיבי מנסים לשלב בין יכולות שונות, שחלקן בפיתוח כבר שנים רבות. למידת מכונה, כריית מידע, זיהוי עצמים ייחודיים בתמונות, עיבוד שפה טבעית או איתור של דפוסים ותבניות במידע גולמי - כל אלה ואחרות אמורות לאפשר יצירה של מחשב שיכול לחקות את הדרך בה המוח האנושי עובד ולהפיק תוצאות ברמה גבוהה במיוחד, לקבל החלטות חכמות ועוד.
אם זה מזכיר לכם תחומים כמו אינטליגנציה מלאכותית או למידת מכונה, זה לא מקרה. מדובר בתחומי מחקר קרובים ומשיקים בהרבה מובנים.
מטרת החוקרים והמהנדסים העוסקים בתחום המחשוב הקוגניטיבי להביא לכך שבעתיד יוכלו מחשבים לבצע משימות פשוטות עבור בני-אדם, כמו חשיבת מומחה והבנת השפה האנושית.
כמובן שבצד פעולות "אנושיות" אלה ישלבו המחשבים גם את יכולותיהם המסורתיות כמו עיבוד נתונים בכמויות עצומות, מה שמוכר מתחום הביג דאטה, על מנת להפוך ליועצים נבונים לאנשי מקצוע בתחומים שונים, מרפואה ועד מדע והייטק.
יישומים נוספים שמצפים לפתח בעזרת מחשבים קוגניטיביים הם מערכות תקשורת בשפה טבעית, "נהגים ממוחשבים" ברכבים אוטונומיים (מכונית ללא נהג), עיבוד סמנטי, מנועי חיפוש שלומדים ועוד.
הנה המחשוב הקוגניטיבי המודרני בחצי דקה:
https://youtu.be/1tsFTBqXDdI
מצגת וידאו שמראה מה מאפשרות מערכות מחשוב קוגניטיביות:
https://youtu.be/1mPO-rXcmaw
מומחים מחברת יבמ מסבירים על העתיד של המחשוב הקוגניטיבי:
https://youtu.be/xRamODPdU1U
עולם זיהוי העצמים הממוחשב (מתורגם):
https://youtu.be/Cgxsv1riJhI?long=yes
והאם אנו מתקרבים למחשבים עם תודעה:
https://youtu.be/JTOMNkZJRao?long=yes
למה מחשבים לא חכמים או נבונים כמו בני אדם?
מחשבים יודעים לעשות המון דברים מצוין, אפילו יותר מבני אדם. אבל זה לא אומר שהם נבונים או חכמים מבני אדם. עדיין...
מהירות הפעולה של המחשבים מאפשרת להם לבצע חישובים מסובכים ביותר, בשבריר מהמהירות שאפילו הגאון האנושי הכי גדול יכול רק לקנא בה. הם יכולים לחשב מתמטיקה ולבצע פעולות על תמונות, וידאו, תקשורת ועוד, אפילו לנצח את רובנו בשחמט... מחשב כבר ניצח את האלופים האנושיים, אפילו בשעשועון טלוויזיה שהתנהל בשפה טבעית, שהיא שפה אנושית.
אבל האם זה אומר שהם נבונים או חכמים באמת? ואם לא, האם בעתיד יוכל המחשב להיות חכם כמו ואפילו יותר מבני אדם? ונבון?
כרגע מחשבים הם ממש לא נבונים כבני אנוש. הם מחשבים מצוין, אבל חושבים ברמה של ילד קטן. החשיבה האנושית היא מפותחת כל כך, שהם אפילו לא קרובים לחיקוי שלה.
בקשר לחוכמה, הם לומדים ועושים זאת לא רע, אפילו טוב. למידת מכונה, למשל, מחייבת עדיין בני אדם מקצועיים שיאמנו את המחשב וזו עדיין מלאכה למומחים. זה אומר שמדובר במשהו כמו מורים ברמת פרופסור המלמדים תלמידים בבית הספר היסודי.
אבל למידה עמוקה היא סיפור אחר. כבר היום מחשבים מלמדים את עצמם, באמצעות טיפול בכמויות אדירות של נתונים, מה שקרוי לעתים "ביג דאטה", לזהות ולהסיק מסקנות שמעט מאוד בני אדם יכולים היו להגיע אליהם. זו כבר סוג של תבונה ולא סתם זהו חלק מובחר בעולם של ה"בינה המלאכותית" של ימינו.
ישנם מדענים שמאמינים שבקרוב, ממש בתוך כמה עשרות שנים, יהיו כבר מחשבים נבונים ובעלי רגשות כמו של בני אדם. זה ייצור עולם חדש ומשונה שבו מחשבים יוכלו לבצע ולחשוב בשבילנו. יש אפילו מי שטוענים שזה יאריך את חיינו בהמון שנים. האם זה טוב או שיש בזה גם רע? - כנראה שגם וגם, אבל בכל מקרה זה מעניין וראוי למחשבה!
הנה סרטון על חוכמת המחשב לעומת חוכמת האדם (עברית):
http://youtu.be/YTNasDfDE6U
אולי המחשב כן יכול להיות חכם כמו בן אדם? (מתורגם):
https://youtu.be/3wLqsRLvV-c
למידת מכונה (Machine Learning), או למידה חישובית, היא היכולת של מערכת מחשב ללמוד ולהשתפר על ידי התבוננות ופעילות עצמאית שלה עם מידע.
זוהי לא בדיוק טכנולוגיה או כלי ספציפי, אלא תחום מחקרי מדעי, המשלב מרכיבים מעולמות הסטטיסטיקה ומדעי המחשב. באמצעותם מאפשרת למידת המכונה זיהוי אוטומטי של דפוסים מרתקים בכמויות נתונים גדולות.
אבל איך מכונה לומדת?
ובכן, בואו נדמיין לרגע מצב דמיוני. דמיינו מיליוני תלמידים מטומטמים, שלומדים אצל מורה לא מוכשר במיוחד, אולי אפילו אידיוט. כל פעם המורה הזה מראה להם משהו שהוא רוצה שיידעו (מראה להם למשל שתי תמונות ואומר מה מופיע בכל אחת) ואז בוחן אותם. חוץ מלתת ציון לתשובות שלהם, הוא תמיד מעיף מהכיתה שלו את אלו שלא זיהו ומשכפל את אלה שכן. אז מראה המורה עוד משהו ובוחן ושוב מעיף... הוא עושה את זה מיליוני פעמים... כן, דמיינו שהוא חוזר על התהליך הזה עם מיליוני תלמידים, שוב ושוב... קוראים לזה, אגב, "אִיטֵרַצְיות", פעולות שחוזרות על עצמן שוב ושוב במהלך פתרון של בעיה.
כך, בהדרגה ובאופן שלא תמיד מובן לנו, המכונות, סליחה - התלמידים המטומטמים, הולכים ומשתפרים. הם לומדים!
אז לאור הסיפור הזה, איך עושה זאת המחשב?
בצורה דומה אבל טכנולוגית, ככל שמחשב לומד מצויד ביותר נתונים והתנסויות, הוא נעשה חכם יותר. המידע שהוא מעבד מסייע לו לשפר כל הזמן ולגמרי בעצמו, את המודל החישובי שלו.
אנשי הלמידה החישובית מפתחים אלגוריתמים ודרכים שמאפשרים למחשב ללמוד בעצמו ולשפר את יכולותיו.
אם נסכם לרגע, אנשי למידת המכונה יוצרים מכונה המלמדת את עצמה התנהגויות ותובנות, על סמך מפגשים עם מצבים שונים וסיטואציות שמהם ניתן ללמוד ולהסיק מסקנות. המכונה הזו מתנהגת כמו בן-אנוש, שלומד ללא הפסקה, מהתנסויות וטעויות, אבל בהיקפים מטורפים ועם המון דאטה.
על ביג דאטה שמעתם? התחום הזה של מכונה לומדת הוא בדיוק הסיבה שענקי האינטרנט אוספים עלינו מידע בכמויות ענק. בעזרתן הם משפרים את האלגוריתמים והמכונות הלומדות שלהם ויוצרים להן ידע המשתבח והולך.
בלמידת מכונה מצויד המחשב באינטליגנציה מלאכותית ולומד מתוך דוגמאות והתנסויות קודמות שלו ולא בזכות מתכנת אנושי שמזין את הידע למחשב. כלומר, בלמידה כזו מתרחשת הלמידה על ידי המחשב מתוך דוגמאות ומקרים שקרו לו.
האלגוריתם של המחשב ממש מחקה את הדרך שבה פועלת הרשת העצבית שבמוח האנושי. באופן מסוים, מחשבים חכמים כבר הגיעו מזמן לביצועים שמזכירים את הלמידה של תינוקות על ידי חיקוי הוריהם. באופן אחר, הם כל כך משתפרים שיש כבר רבים שמתחילים לחשוש מזה...
המדענים מזהים למידת מכונה, כאשר הביצועים של משימה במחשב הולכים ומשתפרים עם הניסיון. כלומר, בכל פעם שתוכנת המחשב מבצעת משימה, באופן יעיל מאשר ביצעה אותה בעבר. ככל שתוכנה משיגה תוצאות טובות יותר, מבלי שמתכנת אנושי השפיע על הקוד שלה, אז התרחשה למידה חישובית, או למידת מכונה.
איך מכונות לומדות? -הנה (מתורגם):
https://youtu.be/R9OHn5ZF4Uo
מאיפה מגיע המידע הנחוץ לאימון המכונה ומה חשוב באיסופו (מתורגם):
https://youtu.be/x2mRoFNm22g
המקור ההיסטורי של משין לרנינג ודרך פעולתה:
https://youtu.be/HBDp183HEic
עוד הסבר על למידת המכונה:
https://youtu.be/mJeNghZXtMo
אחד האתגרים בלמידת מכינה הוא ליצור למידה שאינה מוטית לכיוונים חברתיים ספציפיים:
https://youtu.be/59bMh59JQDo
הסבר קצר על הלמידה החישובית:
https://youtu.be/ty-kTUzMnjk
והסבר מפורט יותר:
https://youtu.be/EQhwNcQhP4g
מחשב לומד שמתבונן בשחקנים המשחקים במשחקי מחשב ולומד לשחק ברמה מקצועית שיכולה להביס את הטובים שבהם:
https://youtu.be/EfGD2qveGdQ
תוכנה לומדת שמשחקת ומשתפרת כל הזמן במשחק מחשב:
https://youtu.be/qv6UVOQ0F44
רוצים לאמן מכונה ואפילו בלי תכנות? - הנה פעילות נחמדה וחכמה:
https://youtu.be/i9tjzr1KME0
פרסונליזציה (Personalization) באתרי אינטרנט, באפליקציות ואפילו במערכות הפעלה, היא התאמה אישית של התוכן המוצג למשתמש, לתחומי העניין האישיים שלו ולמה שהוא מעדיף, מחפש ומתעניין.
כל אחד הוא מיוחד ואף אחד הוא לא כמו כולם.
החשיבות של הפרסונליזציה היא שלכל אדם יש תחומי עניין שונים במקצת, כך שאם יותאמו התכנים במיוחד לכל משתמש, קורא, או צרכן, הוא ייהנה מהם הרבה יותר ויבצע פעולות שישתלמו גם לשירות המקוון. זה יקרה משום שהתוכן שיותאם למשתמש יהיה יותר רלוונטי ובעל משמעות רבה יותר עבורו.
כך יוצא שפרסונליזציה היא טכנולוגיה משבשת, אחד הכלים הכי חזקים בדרך לשיבוש חיובי של שווקים שזקוקים לשיבוש, באנגלית "דיסראפשן" (Distruption), כלומר לחדשנות. על ההמלצות של ספוטיפיי שמעתם? - זו פרסונליזציה שנעשית מצוין.
באתרים רבים ניתן כיום למצוא רמות שונות של פרסונליזציה. דוגמאות לכך לא חסרות. הכי מוכרות הן תוצאות החיפוש של מנוע החיפוש של גוגל, שמותאמות לתחומי העניין של המחפש ולהיסטוריית החיפושים שלו. גוגל לומדת כל אחד מאיתנו ומתאימה לנו תוצאות חיפוש אישיות.
אגב, באותה שיטה היא גם מתאימה לנו פרסומות - היא גם יודעת מה חיפשנו או במה עוסק דף האינטרנט שבו אנו מתעניינים כרגע וגם מכירה אותנו, על תחביבינו, תחומי העניין שלנו ומה אנחנו חולמים לקנות או להכיר.
דוגמאות מוכרות נוספות הן למשל הצעות לחברים אפשריים שפייסבוק מציגה לנו, או הצגת פוסטים מומלצים בפיד של המשתמשים. השירות החברתי הזה לא מציג את אותם פוסטים ותכנים לכלל המשתמשים, כמו בבלוג רגיל, אלא בוחר פוסטים מתאימים ומותאמים לכל אחד ואחד. המטרה של פייסבוק היא להשאיר את המשתמשים כמה שיותר זמן ברשת החברתית שלה. הפרס שלה על השימוש המוגדל שלנו ברשת החברתית הוא הרבה לחיצות וצפיות בפרסומות, כמו גם מידע שהיא צוברת עלינו ושווה לה הון.
עוד דוגמאות הן המלצות על ספרים ומוצרים שיעניינו את המשתמש בחנות המקוונת של אמזון. אלה ניתנות על פי הלימוד של תחומי העניין שלו, כפי שבאו לידי ביטוי בקניות קודמות ובעיון באתר. כשהם מוצגים כך אנו מתפתים לקנות יותר מאשר תכננו. התוצאה היא שורת רווח מוגדלת ועשרות מיליארדי דולרים יותר.
פרסונליזציה עובדת טוב לשביעות הרצון שלנו משירותים נוספים. כך גם ממליצים על סרטים בשירות של נטפליקס, שירות שאגב יש לו המון לאיפה להשתפר. כך ממליצים באפליקציית ספוטיפיי על שירים או מוסיקה שתואמת לטעם המשתמש ובאתר YouTube, על סרטונים שהמשתמש עשוי לאהוב.
בשביל המשתמשים הפרסונליזציה עושה הרבה יותר מסתם המלצות טובות. אם נרצה להבין מדוע העיתונות המודפסת הולכת ונסגרת, כדאי להביט באפליקציה של גוגל ניוז. כשהיא מתאימה לנו הקוראים את החדשות המוגשות לנו מאתרי חדשות שונים, כך שנקבל את החדשות שבהם אנו מתעניינים, היא מבצעת פרסונליזציה.
בעולם המהיר שבו אנו חיים, עם אינספור הסחות דעת וכל כך מעט זמן פנוי, ההתאמה שעושים שירותים כאלה היא הצלה לאדם העסוק. כך ורק כך יקבל מי שחובב פוליטיקה הרבה חדשות מהתחום הפוליטי ופחות רכילות, שאותה יקבלו מי שממש אוהבים רכילות ושונאים חדשות פוליטיות או חדשות מעולם הפלילים, שלא פעם אגב מצטלבות דרכיהן באופן מוזר...
הנה פרסונליזציית התוכן:
https://youtu.be/iZko_YquwjU
איש שיווק מסביר איך פרסונליזציה משמשת להגדלת המכירות (עברית):
https://youtu.be/3wYkgclinDM
גם בחינוך מחפשים את הפיצוח הפרסונלי להוראה (עברית):
https://youtu.be/08zPDkfRnJw
ברור שפרסונליזציה של התוכן היא כלי שיווקי מעולה:
https://youtu.be/U39SZCB_i9w
יש לה המון יתרונות והיבטים:
https://youtu.be/iFgnQ0Uwl1M
אנשים בימינו התרגלו ומעדיפים טיפול אישי באתרים מסחריים, גם אם ברור להם שיש לו גם מטרות מסחריות:
https://youtu.be/fJT4xP1oZNE
והנה סרטון מקיף על הפרסונליזציה שב-2024 הופכת לעניין גדול עוד יותר:
https://youtu.be/6QFlakh8z2M?long=yes
ממצלמות אבטחה במרחב הציבורי, דרך מצלמות מעקב המתעדות מיליוני אנשים בערים ובדרכים ועד לסוכנויות המעקב הממשלתיות, לאחרונה נראה שהיא בכל מקום. היכולת לזהות פנים באופן דיגיטלי מתבססת על המרה של תווי הפנים של אדם למפת נתונים, שניתן להשוות למיליוני מפות נתונים אחרות ולמצוא במי מדובר.
מדובר בטכנולוגיית זיהוי פנים (Facial recognition), המבוססת על יכולת טכנולוגית מבוססת אלגוריתם, או תוכנה, שמסוגלת לזהות אדם על פי צילום דיגיטלי שלו, אם בתצלום ואם בסרט וידאו. מערכות זיהוי פנים רבות מתיימרות כיום לעשות זאת באופן אוטומטי.
אחת השיטות לזיהוי פנים היא על ידי השוואת תכונות תווי הפנים שבתמונה לתמונות שמאוחסנות במאגר נתונים. אלגוריתם פשוט למד כבר מזמן לזהות בזמן צילום דיגיטלי, פנים אנושיות וכך עשה פוקוס עליהם, כדי שהפנים לא יצאו מטושטשים.
בשנים האחרונות הפכו האלגוריתמים של זיהוי פנים מדויקים מבעבר. הם מאפשרים לעבד כמויות אדירות של מידע, במהירות וביעילות, כשהם נעזרים במאגרי נתונים ענקיים המכילים את פניהם של אזרחים רבים.
המדהים הוא שהרשתות החברתיות מהוות כיום את מאגר הנתונים הגדול מאי-פעם, כשלכל צילום מתווספים מיידית שמות המצולם ופרטים מזהים רבים. המרכזיות של המדיה החברתית בחיינו מהווה סיכון לא קטן לפרטיות שלנו וזה יילך ויתחדד, ככל שיימצאו שימושים חדשים לטכנולוגיות הללו.
כל השחקנים הטכנולוגיים הגדולים כבר שם. אם זו פייסבוק, שמזהה את חבריך בתמונות שהעלית לקיר שלך, או גוגל שמזהה לבעלי סמארטפונים את פניהם של המצולמים בתמונות שבנייד האנדרואיד שלהם. מיקרוסופט, שהצליחה לפתח אלגוריתמים לשלטים שמזהים את המתבונן ומציעים לו פרסומות מטורגטות, כלומר פרסומות שונות לכל אדם ומותאמות לנושאים שבהם הוא מתעניין, בצורה די דומה לפרסומות בדפדפן, שמתאימות את עצמן לחיפושים שלך במנוע החיפוש. מוצר אחר של מיקרוסופט המשתמש בזיהוי פנים, הוא מצלמה שמסוגלת להבחין בין תאומים זהים ולזהותם על אף הדימיון הרב ביניהם.
מערכות זיהוי פנים משמשות כיום לאבטחה, לזיהוי החברים המצולמים ברשתות חברתיות ולמעקב אחרי פושעים וטרוריסטים במקומות ציבוריים. לעתים קרובות הן מופעלות ביחד עם טכנולוגיות משלימות, שכן זיהוי פנים היא חלק מתחום הזיהוי הביומטרי. טכנולוגיות נוספות שמשמשות בזיהוי ביומטרי הן זיהוי טביעות אצבע, זיהוי דנ"א וזיהוי קשתית העין.
כך אנו מזהים פנים (עברית):
https://youtu.be/mTSsCYob9mo
זיהוי פנים טכנולוגי:
https://youtu.be/wve5JWX7yoc
זיהוי פנים כאמצעי תשלום (עברית):
https://youtu.be/9yyeH6CK5xk
על זיהוי פנים ופרטיות (עברית):
https://youtu.be/fU3OMXLAKNk
טכנולוגיית האבטחה שמתבססת על זיהוי פנים:
https://youtu.be/9k-rTVfLesQ
מראת הפלא שמזהה בין השאר רגשות של המתבונן בה:
https://youtu.be/uN1yB17S2bk
נראה שזיהוי הפנים של חלונות 10 לא מתבלבל בין תאומים זהים:
https://youtu.be/J1NL246P9Vg
ויש גם זיהוי פנים מעט מביך כמו אלגוריתם שמבטיח לזהות את הגיל של המצולם:
https://youtu.be/Wi8DLKPQqJ0
מאסימוני הטלפונים ועד עולם אבטחת מערכות מחשוב, טוקן (Token), בעברית “אסימון”, הוא מושג המשתנה בהתאם להקשר שבו הוא מוזכר. אפילו בתוך עולם המחשבים יש למושג טוקן כמה שימושים.
בלמידת מכונה, אחת הזירות המרתקות של העידן המודרני והתחום בו פועלים המודלים הפופולריים של ימינו, כמו Claude או ChatGPT, לטוקנים יש משמעות אדירה.
אותם מודלים גדולים, LLMים, הם מודלים מתמטיים. כדי לבצע את המשימות שאנו מבקשים מהם, תוך כדי תקשורת איתם בשפה טבעית, כמו אנגלית, עברית וכדומה, הם משתמשים בתהליך שנקרא "טוקניזציה".
במרכז הטוקניזציה נעשה פילוח של הטקסטים שהמודלים הללו מקבלים כנתונים, כדאטה, ליחידות קטנות יותר, תרגום של חלקי המידע הקטנים למספרים, כשאת יחידות המידע הללו, שהומרו למספרים, הם ינתחו בהמשך.
כך, אחרי שמסתיימת הטוקניזציה, הם מייצרים מהמידע טוקנים, מספרים שכל אחד מהם מייצג פריט מידע קטן. ה"טוקן" משמש בהם בתפקיד "אסימון למידת המכונה", שמתאר באופן מתמטי את יחידות הטקסט הקטנות. אלה מעין יחידות מידה שהמודלים המוכרים יוצרים מהקונטקסט.
לאחר שסיימו להפוך את המידע לטוקנים, מרבית המודלים שאנו מכירים הטוקנים משמשים לייצוג של הטקסט, ביחידות קטנות שהמודל מעבד בצורה מתמטית.
כשאנו משתמשים בטוקנים, זה כדי לסייע למודל להבין את המבנה של הטקסט, כך שיוכל לבצע על פיו את החישובים שלו. טוקן אחד יכול להיות כל חלק ממילה בשפה הרגילה שלנו, או אפילו תו אחד.
כדי להבין ולהגיב לקלט, המודל משתמש בכמות מסוימת של טוקנים. וטוקן יכול להיות כל פיסת מידע, מתו בודד ועד מילה שלמה ולעתים גם יותר. יש שיטות שונות של טוקניזציה והבחירה ביניהן היא בהתאם לאלגוריתם בו משתמשים. יש שהאסימון הוא לפי תווים (Character tokenization), אסימון לפי מילים, לפי משפט, ביטויים, טוקניזציה לפי מילת משנה ולפי מספר.
בשיחה על מודל AI (ה-LLM, כמו ChatGPT או Claude) משמש הטוקן לציון גודל השיחה על המודל והיקף המידע שיכול להיות בה. לכל מודל יש מגבלה של זיכרון התוכן שהוא יכול לעבד בשיחה אחת ולהתבסס עליו בתשובות שלו ובמהלך השיחה.
כל הטקסט שהמודל מכיל ובא מהקלט שמזרים לו המשתמש, כולל השאלות והתשובות וכל מידע נוסף, כל אלו מכונים "קונטקסט" (Context), כלומר "ההקשר".
חלון ההקשר (context window), או "חלון הקונטקסט", מייצג את כמות התוכן שהמודל יכול לעבד בשיחה עם משתמש. הכמות הזו נספרת בטוקנים. אם קלוד, למשל, תומך ב-200 אלף טוקנים, זה אומר שהשיחה יכולה לכלול כ-40 אלף מילים. אם לג'מיני של גוגל יש מיליון טוקנים, זה אומר פי 5 יותר מילים וגודל חלון הקונטקסט שלה, כלומר השיחות עם ג'מיני הוא של כ-2 ספרים ממוצעים.
טוקניזציה כפי שהיא נעשית בידי מדעני נתונים:
https://youtu.be/fNxaJsNG3-s
פרמטרים וטוקנים הם לא הכל במודלים:
https://youtu.be/a1nqXQMOCks
הסבר של Machine Learning Token באנגלית:
https://youtu.be/mnqXgojQCJI
וטוקניזציה באתרי אינטרנט שיכולה לשמש בהקשר אחר כאמצעי אבטחה:
https://youtu.be/Y7I4IDojhJk
למידת מכונה
הלמידה העמוקה (Deep Learning) היא טכנולוגיה שמאפשרת למערכות מחשב לחקות את פעולת המוח האנושי ולבצע למידה עצמית, תוך שיפור מתמיד המאפשר למערכת להיות חכמה יותר ויותר כל הזמן.
אבל מה ההבדל בין למידה עמוקה ללמידת מכונה?
אז ראשית, מבחינת מיון - דיפ לרנינג, בעברית למידה עמוקה, הוא תת-תחום של למידת מכונה.
אבל בעוד שב"למידת מכונה" (Machine Learning) קלאסית הלימוד הוא מתוך דאטה שתויג ואורגן מראש לשם כך, על ידי מי שמאמן את המכונה, בעזרת מה שנקרא "דאטה מתויג" (Labeled data), "למידה עמוקה" (Deep Learning) לומדת בעצמה - עם דאטה כמותי, כלומר מידע רב ולא מאורגן. למשל המוני דוגמאות לא מזוהות או מסודרות דווקא הניתנות לתוכנת הלמידה העמוקה והיא מייצרת את הסיווג וה"הבנה" של הדפוסים והסדר, שמאפשרים לה בהדרגה "להבין" את הדאטה הזה ולהפוך אותו לתובנות וידע, שגם הולך ומשתפר כל הזמן, כמו ילד שכל הזמן לומד דברים חדשים ורוכש תובנות טובות יותר על המציאות והחוקים ששוררים בה.
אם למידת מכונה זו למידת בית ספר, ממישהו שמלמד אותך ומתרגל אותך בלמידה, למידה עמוקה היא הלימוד אחרי שעת הלימודים - בשכונה, מתוך התבוננות, סקרנות ועיבוד נתונים עצמי.
משום כך, ככל שמערכת למידה עמוקה פועלת וככל שהיא בשימוש - היא משתפרת, יודעת יותר ויכולה לבצע משימות מורכבות יותר ובהצלחה הולכת וגדלה.
אז ההבדל בין למידה עמוקה ללמידת מכונה הוא בסיסי. בלמידת מכונה, כדי ללמוד ולהשתפר המערכת הממוחשבת צריכה מומחה אנושי, שיאתר תכונות מסוימות שעל פיהן הוא מאמן את המכונה או התוכנה.
בלמידה עמוקה, לעומת זאת, לא נדרשים בהכרח מי שיבצעו את האימון והארגון, התיוג והסידור של המידע בכדי שהמכונה תלמד. פשוט מזינים אליה המוני מקרים, למשל תמונות לזיהוי או מידע לניתוח, ונותנים לתוכנה לאתר בהם מאפיינים, הבדלים, דפוסים וכדומה. כך היא תזהה בעתיד דברים בתמונות או המלצות לשימוש במידע וכדומה. כך היא תלמד את עצמה כל הזמן ותהפוך יותר ויותר חכמה.
זה אולי גם קצת דומה לשני טיפוסי מורים. יש את המורים שמתעקשים להגיש לתלמידים את הידע "בכפית" ולהראות להם על מה להביט בלמידה, בעוד אחרים, נקרא להם "המלמדים העמוקים", נותנים לתלמידים לאתר את ההבדלים, להעלות השערות לגבי דפוסי מידע וחלוקה, להסיק מסקנות וכדומה.
אז כך, ממש כמו התלמידים אצל "המורה העמוק", תוכנת הלמידה העמוקה מקבלת בלמידה כזו המון "הזדמנויות" ללמוד בעצמה ולהתבגר. זאת במקום האימון על ידי אדם, שמתבטא בהוראות ואימון הממחישים לתוכנה מה לחפש בדאטה, כדי להבחין בין המקרים.
זו, אגב, גם הביקורת של המדענים על השיטה הזו. הם גורסים שלא נדרש עוד ממדענים להבין בעיה כדי לפתור אותה, מה שמביא לרדידות ולפתרון בעיות בניסוי וטעייה טכנולוגיים, במקום באמצעות תיאוריות מעמיקות ובחינתן באופן מדעי.
הנה הסבר פשוט של הלמידה העמוקה:
https://youtu.be/6M5VXKLf4D4
למידה עמוקה מחייבת יותר זמן, יותר דאטה ויותר כוח מחשוב מלמידת מכונה:
https://youtu.be/-SgkLEuhfbg
כך הולך ומתפתח עץ ההחלטות המשתפר של מערכת הלמידה העמוקה:
http://youtu.be/nSg4HKHdDs4
שיעור וידאו קצר על שיטות הלמידה השונות (עברית):
https://youtu.be/Bqdn6e-nH18?long=yes
והרצאה אקדמית על למידה עמוקה (עברית):
https://youtu.be/z-aezi4W90o?long=yes
החורף של הבינה המלאכותית (The winter of artificial intelligence), או "חורף ה-AI", הוא מונח המתאר תקופה משמעותית בהיסטוריה של מדעי המחשב והטכנולוגיה. תקופה זו, שהתרחשה בעיקר בשנות ה-70 של המאה ה-20, סימנה נקודת מפנה בהתפתחות הבינה המלאכותית ובתפיסה הציבורית שלה.
בתחילת דרכה, בשנות ה-50 וה-60, הבינה המלאכותית הייתה מושא להתלהבות ואופטימיות רבה. חוקרים ומדענים הצליחו לפתח מערכות שיכלו לבצע משימות בסיסיות כמו משחק שחמט ופתרון בעיות מתמטיות פשוטות. ההישגים הללו יצרו ציפיות גבוהות לגבי העתיד, והאמונה הרווחת הייתה שבקרוב נראה מכונות חושבות ברמה אנושית.
אולם, עם כניסת שנות ה-70, החלה להתפשט תחושת פיכחון. התברר כי המערכות שפותחו היו מוגבלות מאוד ביכולותיהן, המחשבים לא ענו על הציפיות הגבוהות שתלו בהם ודרשו תכנות מורכב ומפורט, אפילו לביצוע של מטלות פשוטות יחסית. גם מדענים מצאו את עצמם מתקשים ללמד מחשבים דברים בסיסיים שתינוק יודע לעשות, כמו להבין משפטים על פי ההקשר שלהם ושפה בכלל. הטרידו גם העלויות הגבוהות במיוחד שהיו כרוכות בפיתוח והתחושה בתחום הייתה שהתוצאות לא עומדות בציפיות הגבוהות שנוצרו בעשורים הקודמים.
כתוצאה מכך, ההתלהבות והאופוריה סביב הבינה המלאכותית דעכו. המימון למחקר ופיתוח בתחום הצטמצם באופן דרמטי, וחלק מהחוקרים המובילים עברו לתחומים אחרים. תקופה זו סימנה האטה משמעותית בהתקדמות התחום, והובילה לספקנות רבה לגבי היכולת להגשים את החזון של מכונות חושבות.
חוקרים שונים מגדירים אחרת את אורך התקופה. יש הטוענים שהתקוות המנופצות בחורף של הבינה המלאכותית נמשך עד שנות ה-80, כשתחום ה-AI מתחיל לחוות פריחה מחודשת ואיטית, כשבין השאר שווקו לראשונה מכונות ה-LISP, מכונות הבינה המלאכותית הראשונות. אחרים טוענים שהאביב של הבינה המלאכותית מגיע רק באמצע שנות ה-2000. אין ויכוח שהשינוי הונע, בין השאר, מפיתוח "מערכות המומחה", מערכות ממוחשבות שנועדו לחקות את יכולות קבלת ההחלטות של מומחה אנושי בתחומים ספציפיים. התפתחויות אלו סימנו את תחילתו של "האביב" החדש בבינה מלאכותית.
וכך, בתוך עשור מאז 2005, השתנו מקצה לקצה התפיסה לגבי הבינה המלאכותית והתחזיות לגביה. מי שהובילו לכך היו קבוצות שונות של חוקרים, שניסו בהתמדה לפתח "מוח ממוחשב". הגישה התבססה על הרעיון שהמוח האנושי הוא אוסף רכיבים, המחוברים ביניהם כשלכל אחד מהם תפקיד עצמאי משלו. השינוי שהובילו אותן קבוצות, בהשראת מדעי המוח, היה "הלמידה העמוקה", גישה לבניית מכונות תבוניות, ברעיון שהחל להבשיל ולהתפתח יותר ויותר.
את התוצרים של השינוי המאסיבי הזה אנחנו רואים היום, בעידן הבינה המלאכותית הגנרטיבית, המכונות הלומדות ואינסוף הפיתוחים שמתפוצצים מול עינינו ומושתתים על Deep Learning, אותה "למידה עמוקה", שבה המחשב לומד ומלמד, למעשה, את עצמו.
השפעתו של חורף הבינה המלאכותית חרגה מעבר לתחום המדעי והטכנולוגי. הוא השפיע באופן עמוק על התפיסה הציבורית של התחום, וסימן מעבר מאופטימיות מופרזת לגישה מפוכחת יותר לגבי האפשרויות והמגבלות של טכנולוגיה זו. תקופה זו עיצבה את הדרך שבה אנו מתייחסים לבינה מלאכותית עד היום, ומזכירה לנו את החשיבות של שמירה על ציפיות ריאליסטיות לצד המשך החדשנות והפיתוח הטכנולוגי.
למרות שהחורף של הבינה המלאכותית נתפס בזמנו כתקופה של נסיגה, בראייה לאחור ניתן לראות בו שלב הכרחי בהתפתחות התחום. הוא אילץ את החוקרים לבחון מחדש את הנחות היסוד שלהם ולפתח גישות חדשות ומציאותיות יותר, שבסופו של דבר הובילו להתקדמויות המשמעותיות שאנו עדים להן כיום בעולם הבינה המלאכותית.
הנה סיפור החורף של הבינה המלאכותית:
https://youtu.be/w_v5lumtoPk
כך משתלב חורף הבינה המלאכותית בתולדות ה-AI כשלב קשה ומשתק:
https://youtu.be/yaL5ZMvRRqE
וכך קידמה למידת המכונה את הבינה המלאכותית לשלב הבא (מתורגם):
https://youtu.be/f_uwKZIAeM0
איך מאמנים מכונות לראות ולזהות פנים?
יותר ויותר מדברים כיום על "האח הגדול", שעוקב אחרי כל אחד מאיתנו ויודע עלינו יותר ויותר. אנשים מתפלאים כיצד הוא מזהה בכל רגע נתון את מקומנו, מי אנחנו בתמונות הפרטיות שלנו ובפוסטים החברתיים ואם אנחנו מתכננים פשע או מותר לנו לבצע עיסקה מסחרית.
אבל כיצד זה מתבצע?
הדרך לזהות אותנו בכל מקום היא ללמד מחשבים לעשות זאת. מדובר במה שנקרא טכנולוגיית זיהוי פנים. כל מחשב כזה מחובר למצלמות שמראות לו פנים והמחשב מזהה אותנו לעומת אחרים.
השיטה מתחילה בללמד תוכנה לזהות אנשים. מזינים אליה מאגר תמונות ענקי ו"מלמדים" אותה מהם פנים ומה לא. עושים זאת בסימון הטעויות שלה, מה שמשפר כל הזמן את יכולותיה. ככל שהמאגר הוא גדול וכוח המיחשוב רב, המכונה תלמד טוב יותר ומהר יותר לזהות פנים.
ככל שהמאגר מגוון, לעומת זאת, המכונה תלמד לזהות יותר סוגי פנים. בתחילת הדרך המאגרים לא היו מגוונים מספיק, מה שגרם לכך שיכולות המחשבים והבינה המלאכותית לזהות נשים, או בני מיעוטים שאינם לבנים, היו נמוכות מאוד.
ככל שהמכונה תלמד מהם פנים, ניתן יהיה להזין אליה את התמונות של כולנו וללמד אותה לזהות אנשים ספציפיים. אז לממשלות ולגופי ביטחון יש מאגרים כאלה, מתצלומי תעודות הזהות שלנו, אבל לגופים אחרים יש בעיה.
אז המצב הזה של ראיית מכונה (Machine vision) הולך ומשתפר דווקא תודות למאגרים העצומים של הרשתות החברתיות. כך תורמת למשל הטכנולוגיה שמאפשרת לדפי פייסבוק לזהות את הפרצופים בתמונות, גם לטובת זיהוי מגוון יותר וחכם יותר.
כך פועלות מערכות לזיהוי פנים ומה המגבלות והבעיות בהן (עברית):
https://youtu.be/DJC013Cg_GY
הדרך בה מאמנים מודלים ממוחשבים לזהות פנים (מתורגם):
https://youtu.be/Cgxsv1riJhI
כיום הטכנולוגיה של זיהוי הפנים פועלת גם על פנים בתנועה:
https://youtu.be/kKaU6JFRu5g
כך פועלת טכנולוגיית זיהוי הפנים בתוכנה:
https://youtu.be/X7_ojlEXnWc
אפליקציות רבות משתמשות ביכולת זיהוי פנים:
https://youtu.be/NiKc1z4kOMM
זה מאפשר לענקיות רשת ומסחר לזהותכם ולגופי ביטחון למנוע פשעים וטרור, לאפשר כניסה למתחמים ועוד:
https://youtu.be/wve5JWX7yoc
והרצאת וידאו מעולה על ראיית מכונה שתסייע לכבדי ראיה לראות (מתורגם):
https://youtu.be/c-0ckmzlypA?long=yes
יותר ויותר מדברים כיום על "האח הגדול", שעוקב אחרי כל אחד מאיתנו ויודע עלינו יותר ויותר. אנשים מתפלאים כיצד הוא מזהה בכל רגע נתון את מקומנו, מי אנחנו בתמונות הפרטיות שלנו ובפוסטים החברתיים ואם אנחנו מתכננים פשע או מותר לנו לבצע עיסקה מסחרית.
אבל כיצד זה מתבצע?
הדרך לזהות אותנו בכל מקום היא ללמד מחשבים לעשות זאת. מדובר במה שנקרא טכנולוגיית זיהוי פנים. כל מחשב כזה מחובר למצלמות שמראות לו פנים והמחשב מזהה אותנו לעומת אחרים.
השיטה מתחילה בללמד תוכנה לזהות אנשים. מזינים אליה מאגר תמונות ענקי ו"מלמדים" אותה מהם פנים ומה לא. עושים זאת בסימון הטעויות שלה, מה שמשפר כל הזמן את יכולותיה. ככל שהמאגר הוא גדול וכוח המיחשוב רב, המכונה תלמד טוב יותר ומהר יותר לזהות פנים.
ככל שהמאגר מגוון, לעומת זאת, המכונה תלמד לזהות יותר סוגי פנים. בתחילת הדרך המאגרים לא היו מגוונים מספיק, מה שגרם לכך שיכולות המחשבים והבינה המלאכותית לזהות נשים, או בני מיעוטים שאינם לבנים, היו נמוכות מאוד.
ככל שהמכונה תלמד מהם פנים, ניתן יהיה להזין אליה את התמונות של כולנו וללמד אותה לזהות אנשים ספציפיים. אז לממשלות ולגופי ביטחון יש מאגרים כאלה, מתצלומי תעודות הזהות שלנו, אבל לגופים אחרים יש בעיה.
אז המצב הזה של ראיית מכונה (Machine vision) הולך ומשתפר דווקא תודות למאגרים העצומים של הרשתות החברתיות. כך תורמת למשל הטכנולוגיה שמאפשרת לדפי פייסבוק לזהות את הפרצופים בתמונות, גם לטובת זיהוי מגוון יותר וחכם יותר.
כך פועלות מערכות לזיהוי פנים ומה המגבלות והבעיות בהן (עברית):
https://youtu.be/DJC013Cg_GY
הדרך בה מאמנים מודלים ממוחשבים לזהות פנים (מתורגם):
https://youtu.be/Cgxsv1riJhI
כיום הטכנולוגיה של זיהוי הפנים פועלת גם על פנים בתנועה:
https://youtu.be/kKaU6JFRu5g
כך פועלת טכנולוגיית זיהוי הפנים בתוכנה:
https://youtu.be/X7_ojlEXnWc
אפליקציות רבות משתמשות ביכולת זיהוי פנים:
https://youtu.be/NiKc1z4kOMM
זה מאפשר לענקיות רשת ומסחר לזהותכם ולגופי ביטחון למנוע פשעים וטרור, לאפשר כניסה למתחמים ועוד:
https://youtu.be/wve5JWX7yoc
והרצאת וידאו מעולה על ראיית מכונה שתסייע לכבדי ראיה לראות (מתורגם):
https://youtu.be/c-0ckmzlypA?long=yes
יתכן ששאלתם את עצמכם פעם איך זה שהמחשבים המשוכללים והמהירים כל כך יכולים לבצע כיום משימות שלא ייאמנו, אבל לא מסוגלים לבצע דברים שאפילו תינוקות עושים בקלות.
מזיהוי אנשים ועד להבנת השפה המדוברת, דרך למידה מטעויות או הבנת ההקשר בשיחה, להסיק מסקנות ועוד, יש לא מעט דברים שבני אדם מקבלים כמובנים מאליהם ואף כפשוטים, בעוד המחשבים מתקשה בהם מאד.
בדיוק לשם כך נוצר תחום חשוב במדעי המחשב. מחשוב קוגניטיבי (cognitive computing) הוא תחום בתוכנה המדמה את החשיבה האנושית.
מדובר בתוכנות שאמורות להיות מסוגלות לבנות ולנתח ידע, לבצע תהליך ארוך ומשמעותי של למידה עצמית, להבין את המידע לעומקו, לנתח טקסטים בצורה תבונית ולתקשר עם בני אדם בדרך שמבינה מצבי רוח, הקשרים חברתיים ואישיים ועוד, בקיצור כל דבר מהמרכיבים הקטנים של השפה האנושית ועד לסתם ללמוד מהניסיון.
במחשוב הקוגניטיבי מנסים לשלב בין יכולות שונות, שחלקן בפיתוח כבר שנים רבות. למידת מכונה, כריית מידע, זיהוי עצמים ייחודיים בתמונות, עיבוד שפה טבעית או איתור של דפוסים ותבניות במידע גולמי - כל אלה ואחרות אמורות לאפשר יצירה של מחשב שיכול לחקות את הדרך בה המוח האנושי עובד ולהפיק תוצאות ברמה גבוהה במיוחד, לקבל החלטות חכמות ועוד.
אם זה מזכיר לכם תחומים כמו אינטליגנציה מלאכותית או למידת מכונה, זה לא מקרה. מדובר בתחומי מחקר קרובים ומשיקים בהרבה מובנים.
מטרת החוקרים והמהנדסים העוסקים בתחום המחשוב הקוגניטיבי להביא לכך שבעתיד יוכלו מחשבים לבצע משימות פשוטות עבור בני-אדם, כמו חשיבת מומחה והבנת השפה האנושית.
כמובן שבצד פעולות "אנושיות" אלה ישלבו המחשבים גם את יכולותיהם המסורתיות כמו עיבוד נתונים בכמויות עצומות, מה שמוכר מתחום הביג דאטה, על מנת להפוך ליועצים נבונים לאנשי מקצוע בתחומים שונים, מרפואה ועד מדע והייטק.
יישומים נוספים שמצפים לפתח בעזרת מחשבים קוגניטיביים הם מערכות תקשורת בשפה טבעית, "נהגים ממוחשבים" ברכבים אוטונומיים (מכונית ללא נהג), עיבוד סמנטי, מנועי חיפוש שלומדים ועוד.
הנה המחשוב הקוגניטיבי המודרני בחצי דקה:
https://youtu.be/1tsFTBqXDdI
מצגת וידאו שמראה מה מאפשרות מערכות מחשוב קוגניטיביות:
https://youtu.be/1mPO-rXcmaw
מומחים מחברת יבמ מסבירים על העתיד של המחשוב הקוגניטיבי:
https://youtu.be/xRamODPdU1U
עולם זיהוי העצמים הממוחשב (מתורגם):
https://youtu.be/Cgxsv1riJhI?long=yes
והאם אנו מתקרבים למחשבים עם תודעה:
https://youtu.be/JTOMNkZJRao?long=yes
מחשבים יודעים לעשות המון דברים מצוין, אפילו יותר מבני אדם. אבל זה לא אומר שהם נבונים או חכמים מבני אדם. עדיין...
מהירות הפעולה של המחשבים מאפשרת להם לבצע חישובים מסובכים ביותר, בשבריר מהמהירות שאפילו הגאון האנושי הכי גדול יכול רק לקנא בה. הם יכולים לחשב מתמטיקה ולבצע פעולות על תמונות, וידאו, תקשורת ועוד, אפילו לנצח את רובנו בשחמט... מחשב כבר ניצח את האלופים האנושיים, אפילו בשעשועון טלוויזיה שהתנהל בשפה טבעית, שהיא שפה אנושית.
אבל האם זה אומר שהם נבונים או חכמים באמת? ואם לא, האם בעתיד יוכל המחשב להיות חכם כמו ואפילו יותר מבני אדם? ונבון?
כרגע מחשבים הם ממש לא נבונים כבני אנוש. הם מחשבים מצוין, אבל חושבים ברמה של ילד קטן. החשיבה האנושית היא מפותחת כל כך, שהם אפילו לא קרובים לחיקוי שלה.
בקשר לחוכמה, הם לומדים ועושים זאת לא רע, אפילו טוב. למידת מכונה, למשל, מחייבת עדיין בני אדם מקצועיים שיאמנו את המחשב וזו עדיין מלאכה למומחים. זה אומר שמדובר במשהו כמו מורים ברמת פרופסור המלמדים תלמידים בבית הספר היסודי.
אבל למידה עמוקה היא סיפור אחר. כבר היום מחשבים מלמדים את עצמם, באמצעות טיפול בכמויות אדירות של נתונים, מה שקרוי לעתים "ביג דאטה", לזהות ולהסיק מסקנות שמעט מאוד בני אדם יכולים היו להגיע אליהם. זו כבר סוג של תבונה ולא סתם זהו חלק מובחר בעולם של ה"בינה המלאכותית" של ימינו.
ישנם מדענים שמאמינים שבקרוב, ממש בתוך כמה עשרות שנים, יהיו כבר מחשבים נבונים ובעלי רגשות כמו של בני אדם. זה ייצור עולם חדש ומשונה שבו מחשבים יוכלו לבצע ולחשוב בשבילנו. יש אפילו מי שטוענים שזה יאריך את חיינו בהמון שנים. האם זה טוב או שיש בזה גם רע? - כנראה שגם וגם, אבל בכל מקרה זה מעניין וראוי למחשבה!
הנה סרטון על חוכמת המחשב לעומת חוכמת האדם (עברית):
http://youtu.be/YTNasDfDE6U
אולי המחשב כן יכול להיות חכם כמו בן אדם? (מתורגם):
https://youtu.be/3wLqsRLvV-c
מהי ראייה ממוחשבת במערכות זיהוי תמונה?
ראייה ממוחשבת (Computer Vision) היא יכולת של מערכת מבוססת מחשב לעבד תמונות או וידאו. במערכות ראייה ממוחשבת עושים שימוש במגוון תחומים, מזיהוי פנים, זיהוי מבנים, מיפוי, מדידה, שיפוץ תמונות, לרוב לצרכים אסתטיים ועוד.
מערכות ראייה ממוחשבת מבוססות על יכולת זיהוי תמונה. במערכות כאלה יכולה המערכת לזהות מרכיבים בתמונה, על סמך מידע שהוזן לתוכה ולמידת מכונה, שבה היא השתכללה עם הזמן.
מכשירים סלולאריים ורובוטים נעזרים בראייה ממוחשבת כדי לראות ולהבין, ממש כמו בני אדם, את סביבתם. הם מצוידים ביכולת לנתח את המרכיבים החזותיים שנקלטו במערכת הראייה מבוססת החיישנים שלהם ולשפר את היכולות שלהם, בהתבססות על מה שלמדו בפעמים קודמות. זו כמובן "למידת מכונה".
מערכות ראייה ממוחשבת משמשות כיום גם לזיהוי פרצופים של חשודים בביצוע עבירות, מחבלים וחברים בארגוני טרור וכדומה.
זוהי טכנולוגיית הראייה הממוחשבת:
https://youtu.be/zLkz6ljKtyw
כך ניתן להשתמש בראייה ממוחשבת לשימושים שונים:
https://youtu.be/ObIjxA9vCR8?t=15s
מכשיר הקינקט הכיל שבב זיהוי תנועה עם ראייה ממוחשבת ועשה פלאים:
https://youtu.be/jGJh63sV66A
והרצאה שלמה על ראייה ממוחשבת (עברית):
https://youtu.be/hG5tRy3FEWI?t=1m14s?long=yes
ראייה ממוחשבת (Computer Vision) היא יכולת של מערכת מבוססת מחשב לעבד תמונות או וידאו. במערכות ראייה ממוחשבת עושים שימוש במגוון תחומים, מזיהוי פנים, זיהוי מבנים, מיפוי, מדידה, שיפוץ תמונות, לרוב לצרכים אסתטיים ועוד.
מערכות ראייה ממוחשבת מבוססות על יכולת זיהוי תמונה. במערכות כאלה יכולה המערכת לזהות מרכיבים בתמונה, על סמך מידע שהוזן לתוכה ולמידת מכונה, שבה היא השתכללה עם הזמן.
מכשירים סלולאריים ורובוטים נעזרים בראייה ממוחשבת כדי לראות ולהבין, ממש כמו בני אדם, את סביבתם. הם מצוידים ביכולת לנתח את המרכיבים החזותיים שנקלטו במערכת הראייה מבוססת החיישנים שלהם ולשפר את היכולות שלהם, בהתבססות על מה שלמדו בפעמים קודמות. זו כמובן "למידת מכונה".
מערכות ראייה ממוחשבת משמשות כיום גם לזיהוי פרצופים של חשודים בביצוע עבירות, מחבלים וחברים בארגוני טרור וכדומה.
זוהי טכנולוגיית הראייה הממוחשבת:
https://youtu.be/zLkz6ljKtyw
כך ניתן להשתמש בראייה ממוחשבת לשימושים שונים:
https://youtu.be/ObIjxA9vCR8?t=15s
מכשיר הקינקט הכיל שבב זיהוי תנועה עם ראייה ממוחשבת ועשה פלאים:
https://youtu.be/jGJh63sV66A
והרצאה שלמה על ראייה ממוחשבת (עברית):
https://youtu.be/hG5tRy3FEWI?t=1m14s?long=yes
מי טען שעיבוד נתונים הוא רק גימיק אופנתי?
"דיברתי עם מיטב החוקרים ואני יכול להבטיח לכם שעיבוד נתונים זה סתם גימיק אופנתי שלא יחזיק מעמד שנה!"
כשעורך ספרי העסקים בהוצאת הספרים הנחשבת Francis Hall אמר את המשפט שלמעלה בשנת 1957 וזלזל בעיבוד הנתונים הממוחשב, הוא עשה את אחת הטעויות הגדולות בתולדות העולם העסקי.
פחות מ-20 שנה לאחר מכן כל העסקים הגדולים בכל העולם הפכו לגופים ממוחשבים ו-10 שנים נוספות אחרי כן גם עסקים קטנים אימצו בהמוניהם את בסיסי הנתונים והחישובים שבצעו המחשבים.
כיום ישנם מחשבי על שיודעים לעשות דברים בלתי נתפסים והעתיד עוד לפניהם. בינה מלאכותית, ביג דאטה, למידת מכונה ולמידה עמוקה - אלה רק חלק מהדברים המדהימים שעושים היום מחשבים, שהיו אמורים לפי ה"נבואה" ההיא להיות גימיק ותו לא...
הנה ווטסון של יבמ, מחשב העל הראשון שהביס מתחרים אנושיים בחידון הטלוויזיה ג'יופרדי והראה את העתיד של הבינה המלאכותית:
https://youtu.be/P18EdAKuC1U
הרצאה של האדם שהובס בידי ווטסון (מתורגם):
https://youtu.be/b2M-SeKey4o?long=yes
והרצאה על ווטסון והג'יאופרדי בטלוויזיה (עברית):
https://youtu.be/XGLmbXDEEdw?t=79s?long=yes
"דיברתי עם מיטב החוקרים ואני יכול להבטיח לכם שעיבוד נתונים זה סתם גימיק אופנתי שלא יחזיק מעמד שנה!"
כשעורך ספרי העסקים בהוצאת הספרים הנחשבת Francis Hall אמר את המשפט שלמעלה בשנת 1957 וזלזל בעיבוד הנתונים הממוחשב, הוא עשה את אחת הטעויות הגדולות בתולדות העולם העסקי.
פחות מ-20 שנה לאחר מכן כל העסקים הגדולים בכל העולם הפכו לגופים ממוחשבים ו-10 שנים נוספות אחרי כן גם עסקים קטנים אימצו בהמוניהם את בסיסי הנתונים והחישובים שבצעו המחשבים.
כיום ישנם מחשבי על שיודעים לעשות דברים בלתי נתפסים והעתיד עוד לפניהם. בינה מלאכותית, ביג דאטה, למידת מכונה ולמידה עמוקה - אלה רק חלק מהדברים המדהימים שעושים היום מחשבים, שהיו אמורים לפי ה"נבואה" ההיא להיות גימיק ותו לא...
הנה ווטסון של יבמ, מחשב העל הראשון שהביס מתחרים אנושיים בחידון הטלוויזיה ג'יופרדי והראה את העתיד של הבינה המלאכותית:
https://youtu.be/P18EdAKuC1U
הרצאה של האדם שהובס בידי ווטסון (מתורגם):
https://youtu.be/b2M-SeKey4o?long=yes
והרצאה על ווטסון והג'יאופרדי בטלוויזיה (עברית):
https://youtu.be/XGLmbXDEEdw?t=79s?long=yes
מי הרג את הרובוט המשרת פפר?
הרובוט המשרת פפר (Pepper) שפותח ביפן יצא ב-2015 למכירה בטוקיו. בתקשורת סיפרו אז שבתוך דקה אחת בודדת הוא אזל מן המלאי.
בגובה של 1.20 מטר, ו-30 קילו הוא הגיע מראש, כשהוא "טעון", אבל לא ברגשות אלא ב-200 אפליקציות שהותקנו עליו מראש..פפר ניחן בבינה מלאכותית ואנשי היצרנית, חברת סופטבנק, הסבירו שביצועיו יילכו וישתבחו, ככל שהוא יעבוד ויכיר את הצרכים של בעליו.
עם משימות אפשריות שהוא יכול למלא, כמו טיפול בקשישים, עוזר אישי בבית, חבר לילדים ובייביסיטר, בתחום המסחרי גם כפקיד קבלה במוסדות ממשלתיים ובבתי עסק מגוונים ואפילו כמוכר בחנויות, העתיד נראה ורוד לרובוט הזה וליצרנית שלו, תאגיד הענק היפני סופטבנק.
אמרו עליו שהוא מבין כמה שפות, יכול לתקשר ולהתממשק עם שלל מכשירים חכמים, לזהות באמצעות טכנולוגיית זיהוי פנים את הרגשות והבעות הפנים של האדם שמולו, להבין את רוב השיחות שמתבצעות איתו, להיות מורה וחבר של הילדים, להכיר וללמוד במהלך השנים את בני המשפחה ולהפוך חלק ממנה.
סיפרו גם שהוא מסוגל לא רק לטפל בקשישים אלא גם להיות להם לחבר של ממש, לספק להם את הצרכים החברתיים, להקל על בדידותם ועוד כהנה וכהנה.
אז הוא נראה כהבטחה גדולה לעולם הביתי והעסקי גם יחד, אבל 6 שנים מאוחר יותר, הכריזה סופטבנק על הפסקת ייצור הרובוט. המיזם, מסתבר, גבה מהתאגיד העשיר מחיר כבד ובאופן מסוים בלתי נסבל.
אז מה הוביל לכך שרובוט כה חמוד מבחינת המראה וכה חכם ועשיר מבחינה טכנולוגית, הפך כה מהר למעמסה שכזו על היצרנית העשירה, עד שהחליטה לזרוק אותו מהסיפון?
בתחום הביתי הוא היה אולי בסדר, אבל העולם העסקי, כמה לא מפתיע, הוא הרבה יותר קשה. מרגע שחברות ועסקים, כמו בתי מלון, מסעדות ואפילו שדות תעופה הצטיידו בו, הם גילו שהרובוט, שעולה $2000 ואז עוד $350 בכל חודש לכל יחידה, הפך במהירות לא רק לנטל כלכלי, אלא גם למטרד, נדנוד חסר יכולת ובעיני רבים אפילו למשהו “קריפי”, מלחיץ.
זה הוביל לכך שרבים מהעסקים שרכשו והעסיקו את הרובוט הטרנדי ופרסמו זאת בגאווה החלו לפטר אותו, כלומר לנתקו מהחשמל ומהשירות והודעות לעיתונות על כך.
נראה שלא צריך היה להדגיש את גודל הנזק למחלקת השיווק של סופטבנק. הוא היה אדיר.
כך יצא שסופטבנק לא הרגה רק את פפר אלא סגרה לחלוטין את כל מחלקת הרובוטיקה, המפוארת לשעבר שלה.
הנה פפר, הרובוט המשרת:
https://youtu.be/aZ5VkgvQFBU
כך הוא נע:
https://youtu.be/osD6O4LAcpo
והרובוט פפר מקבל פני חולים בבית החולים:
https://youtu.be/rQAjNgOtwZM
הרובוט המשרת פפר (Pepper) שפותח ביפן יצא ב-2015 למכירה בטוקיו. בתקשורת סיפרו אז שבתוך דקה אחת בודדת הוא אזל מן המלאי.
בגובה של 1.20 מטר, ו-30 קילו הוא הגיע מראש, כשהוא "טעון", אבל לא ברגשות אלא ב-200 אפליקציות שהותקנו עליו מראש..פפר ניחן בבינה מלאכותית ואנשי היצרנית, חברת סופטבנק, הסבירו שביצועיו יילכו וישתבחו, ככל שהוא יעבוד ויכיר את הצרכים של בעליו.
עם משימות אפשריות שהוא יכול למלא, כמו טיפול בקשישים, עוזר אישי בבית, חבר לילדים ובייביסיטר, בתחום המסחרי גם כפקיד קבלה במוסדות ממשלתיים ובבתי עסק מגוונים ואפילו כמוכר בחנויות, העתיד נראה ורוד לרובוט הזה וליצרנית שלו, תאגיד הענק היפני סופטבנק.
אמרו עליו שהוא מבין כמה שפות, יכול לתקשר ולהתממשק עם שלל מכשירים חכמים, לזהות באמצעות טכנולוגיית זיהוי פנים את הרגשות והבעות הפנים של האדם שמולו, להבין את רוב השיחות שמתבצעות איתו, להיות מורה וחבר של הילדים, להכיר וללמוד במהלך השנים את בני המשפחה ולהפוך חלק ממנה.
סיפרו גם שהוא מסוגל לא רק לטפל בקשישים אלא גם להיות להם לחבר של ממש, לספק להם את הצרכים החברתיים, להקל על בדידותם ועוד כהנה וכהנה.
אז הוא נראה כהבטחה גדולה לעולם הביתי והעסקי גם יחד, אבל 6 שנים מאוחר יותר, הכריזה סופטבנק על הפסקת ייצור הרובוט. המיזם, מסתבר, גבה מהתאגיד העשיר מחיר כבד ובאופן מסוים בלתי נסבל.
אז מה הוביל לכך שרובוט כה חמוד מבחינת המראה וכה חכם ועשיר מבחינה טכנולוגית, הפך כה מהר למעמסה שכזו על היצרנית העשירה, עד שהחליטה לזרוק אותו מהסיפון?
בתחום הביתי הוא היה אולי בסדר, אבל העולם העסקי, כמה לא מפתיע, הוא הרבה יותר קשה. מרגע שחברות ועסקים, כמו בתי מלון, מסעדות ואפילו שדות תעופה הצטיידו בו, הם גילו שהרובוט, שעולה $2000 ואז עוד $350 בכל חודש לכל יחידה, הפך במהירות לא רק לנטל כלכלי, אלא גם למטרד, נדנוד חסר יכולת ובעיני רבים אפילו למשהו “קריפי”, מלחיץ.
זה הוביל לכך שרבים מהעסקים שרכשו והעסיקו את הרובוט הטרנדי ופרסמו זאת בגאווה החלו לפטר אותו, כלומר לנתקו מהחשמל ומהשירות והודעות לעיתונות על כך.
נראה שלא צריך היה להדגיש את גודל הנזק למחלקת השיווק של סופטבנק. הוא היה אדיר.
כך יצא שסופטבנק לא הרגה רק את פפר אלא סגרה לחלוטין את כל מחלקת הרובוטיקה, המפוארת לשעבר שלה.
הנה פפר, הרובוט המשרת:
https://youtu.be/aZ5VkgvQFBU
כך הוא נע:
https://youtu.be/osD6O4LAcpo
והרובוט פפר מקבל פני חולים בבית החולים:
https://youtu.be/rQAjNgOtwZM
איך פועלות תוכנות תרגום?
בספר "מדריך הטרמפיסט לגלקסיה" של דאגלס אדמס מוזכר "דג בבל". בספר תוקעים את הדג הזה באוזן וכך מבינים בלי הגבלה שפות שונות מכל שפות העולם. חברת יאהו קראה לשירות שלה על שמו Babel Fish והוא מתרגם טקסטים לבקשת הגולשים. כמו כל המתחרים, גם התוצאות של השירות המקוון הזה צנועות מעט יותר..
תרגום מכונה (Machine Translation) הוא פעולת תרגום משפה אחת לשפה אחרת שמבצעת תוכנת מחשב לבדה. בניגוד לתוכנת מילון, המתרגמת מילים בודדות, תרגום מכונה מתרגם טקסטים שלמים. תרגום מכונה כזה נקרא בשמות נוספים כמו "תרגום ממוחשב", "תרגום אוטומטי", או "תרגום באמצעות מחשב".
אחת הדוגמאות של שימוש בתרגום מכונה היא תוכנת התרגום של גוגל (Google Translate). תוכנה מקוונת זו היא כבר מזמן אגדה. לא שהיא הראשונה מסוגה והיא אפילו לא המהירה ביותר, אבל היא מתרגמת יותר שפות מכל תוכנה אחרת ועושה זאת לעיתים קרובות בצורה סבירה. אף על פי כן, היא מתרגמת בשגיאות רבות אל ומשפות שאינן שפות אירופיות. על אף שמבחינה טכנולוגית היא מהווה הישג של ממש, הרשת מלאה במקומות שבהם מוצגים התרגומים העילגים שלה באופן הומוריסטי ובלעג.
בניגוד לתוכנות התרגום אשר מבוססות על מסדי נתונים, נמנית גוגל טרנסלייט על התוכנות שמתבססות על לימוד וטעייה. תוכנה כזו לומדת ומתפתחת כל הזמן, על ידי כך שהיא נעזרת במשתמשים המתבקשים, במידה והם מוצאים שגיאות בתרגום, להזין לתוכנה את התיקונים שהם מציעים. כך התוכנה "לומדת" והולכת ומשפרת את כלי התרגום שלה ואת יכולת התרגום העתידי שתעשה.
יש חוקרים שסבורים שתרגום מכונה ללא סיוע אנושי יהיה אפשרי בעתיד והאדם יזכה בעתיד לתרגום מכונה מלא. אחרים סבורים שגם אם יחלפו עוד שנים רבות עד שהמחקר בתחום הזה יבשיל, לעולם לא יתקבל תרגום מכונה שהוא מושלם.
במדעי המחשב נקרא הענף שעוסק בין השאר בתרגום מכונה "עיבוד שפה טבעית", או בלועזית "Natural Language Processing", בקיצור NLP.
הנה תרגום סימולטני, בזמן אמת, של שיחות בתוכנת סקייפ:
https://youtu.be/LKB3FdgjexU
כך מתרגמות תוכנות תרגום בזמן אמת, על המקום:
https://youtu.be/X4BmV2t83SM
כך פועלת תוכנת תרגום של גוגל:
https://youtu.be/_GdSC1Z1Kzs
כך משתמש שחקן כדורגל כדי לתקשר עם המאמן שלו בעזרת תוכנת תרגום סלולארית:
https://youtu.be/oaVQxtzSkp4
לפעמים התרגום של המכונה נשמע מוזר, כמו כאן (מתורגם):
https://youtu.be/Qro3ObmS_0g
וסרטון תיעודי קצר על ההתפתחות של גוגל טרנסלייט:
https://youtu.be/OPTKlycwIkM?long=yes
בספר "מדריך הטרמפיסט לגלקסיה" של דאגלס אדמס מוזכר "דג בבל". בספר תוקעים את הדג הזה באוזן וכך מבינים בלי הגבלה שפות שונות מכל שפות העולם. חברת יאהו קראה לשירות שלה על שמו Babel Fish והוא מתרגם טקסטים לבקשת הגולשים. כמו כל המתחרים, גם התוצאות של השירות המקוון הזה צנועות מעט יותר..
תרגום מכונה (Machine Translation) הוא פעולת תרגום משפה אחת לשפה אחרת שמבצעת תוכנת מחשב לבדה. בניגוד לתוכנת מילון, המתרגמת מילים בודדות, תרגום מכונה מתרגם טקסטים שלמים. תרגום מכונה כזה נקרא בשמות נוספים כמו "תרגום ממוחשב", "תרגום אוטומטי", או "תרגום באמצעות מחשב".
אחת הדוגמאות של שימוש בתרגום מכונה היא תוכנת התרגום של גוגל (Google Translate). תוכנה מקוונת זו היא כבר מזמן אגדה. לא שהיא הראשונה מסוגה והיא אפילו לא המהירה ביותר, אבל היא מתרגמת יותר שפות מכל תוכנה אחרת ועושה זאת לעיתים קרובות בצורה סבירה. אף על פי כן, היא מתרגמת בשגיאות רבות אל ומשפות שאינן שפות אירופיות. על אף שמבחינה טכנולוגית היא מהווה הישג של ממש, הרשת מלאה במקומות שבהם מוצגים התרגומים העילגים שלה באופן הומוריסטי ובלעג.
בניגוד לתוכנות התרגום אשר מבוססות על מסדי נתונים, נמנית גוגל טרנסלייט על התוכנות שמתבססות על לימוד וטעייה. תוכנה כזו לומדת ומתפתחת כל הזמן, על ידי כך שהיא נעזרת במשתמשים המתבקשים, במידה והם מוצאים שגיאות בתרגום, להזין לתוכנה את התיקונים שהם מציעים. כך התוכנה "לומדת" והולכת ומשפרת את כלי התרגום שלה ואת יכולת התרגום העתידי שתעשה.
יש חוקרים שסבורים שתרגום מכונה ללא סיוע אנושי יהיה אפשרי בעתיד והאדם יזכה בעתיד לתרגום מכונה מלא. אחרים סבורים שגם אם יחלפו עוד שנים רבות עד שהמחקר בתחום הזה יבשיל, לעולם לא יתקבל תרגום מכונה שהוא מושלם.
במדעי המחשב נקרא הענף שעוסק בין השאר בתרגום מכונה "עיבוד שפה טבעית", או בלועזית "Natural Language Processing", בקיצור NLP.
הנה תרגום סימולטני, בזמן אמת, של שיחות בתוכנת סקייפ:
https://youtu.be/LKB3FdgjexU
כך מתרגמות תוכנות תרגום בזמן אמת, על המקום:
https://youtu.be/X4BmV2t83SM
כך פועלת תוכנת תרגום של גוגל:
https://youtu.be/_GdSC1Z1Kzs
כך משתמש שחקן כדורגל כדי לתקשר עם המאמן שלו בעזרת תוכנת תרגום סלולארית:
https://youtu.be/oaVQxtzSkp4
לפעמים התרגום של המכונה נשמע מוזר, כמו כאן (מתורגם):
https://youtu.be/Qro3ObmS_0g
וסרטון תיעודי קצר על ההתפתחות של גוגל טרנסלייט:
https://youtu.be/OPTKlycwIkM?long=yes
מה חכם בטלוויזיה החכמה?
טלוויזיה חכמה (Smart TV) היא מכשיר טלוויזיה שפועלת על מערכת הפעלה משלה ומגוון טכנולוגיות שמאפשרות ליהנות מתוכן, בנוסף לערוצי הטלוויזיה הרגילים. טלוויזיה חכמה מספקת שירותי VOD המועדפים עליכם, כגון Netflix, Amazon, YouTube, ובנוסף שירותי צפייה ישירה של מוזיקה, כגון Spotify, ואפילו משחקים שונים ותוכן ספורט להנאתכם. אפילו שידורי כבלים ולוויין בתשלום זמינים לצפייה בטלוויזיות חכמות - עליכם רק להתקין את האפליקציה שמספקת חברת הכבלים או הלוויין.
בנוסף לערוצי טלוויזיה רגילים, מציע עולם מגוון ועשיר של תוכן, דרך אפליקציות שניתן להתקין בה, חיבור ישיר לאינטרנט ואפשרות לחבר אליה שלל התקנים חיצוניים הכוללים או מאחסנים תוכן.
ניתן לנסח משוואה פשוטה:
טלוויזיה + אינטרנט + אפליקציות + חיבוריות למגוון אמצעים = טלוויזיה חכמה
מה טלוויזיה חכמה יכולה לעשות בשביל הצופים?
תוכן אינסופי - התקנת אפליקציות או כאלה שהותקנו מראש מציעות שירותי VOD ושירותי סטרימינג, המזרימות תוכן לצפייה. סרטים וסדרות מציעות אפליקציות כגון Netflix, דיסני, YouTube, Amazon ועוד. מוסיקה ניתן לקבל מאפליקציות סטרימינג של מוזיקה, כגון Spotify ו-Apple music. אפליקציות שירותים נוספות שחלקן בתשלום, מציעות גם משחקים, שידורי ספורט, שידורי כבלים ולוויין ועוד.
חיפוש מהיר ונוח - מאפשר למצוא בקלות את התוכן המבוקש. מהקלדה באמצעות השלט המצביע ועד חיפוש קולי - הדבר החשוב הוא למצוא את התוכן ללא מאמץ. זיהוי קול מחליף את ההקלדה הידנית ואת השימוש בחיישני תנועה המחייבים "הצבעה" על אותיות, באמצעות השלט הרחוק החכם.
המלצה על תוכן - טלוויזיה חכמה מתוכנתת לא פעם להציע תוכן שהצופים יאהבו עוד לפני שמתחילים לחפש. אלגוריתמים המנתחים את העדפות ודפוסי הצפייה והחיפוש מוצאים וממליצים על תוכן תואם, מעדכנים על עונות חדשות של סדרות ותכניות אהובות ומספקות שירותים שמתבססים על נתוני הצפייה של הצופים.
זיהוי התקנים חיצוניים - טלוויזיה חכמה מתוכננת לזהות באופן אוטומטי כל התקן שמחברים אליה באמצעות חיבור ה-HDMI שלה. יש לה בדרך כלל ממיר אינטראקטיבי, שלט רחוק חכם, המסוגל לשלוט במכשירים שמחוברים אליה וניתן לתפעל אותה מהסמארטפון, הטלפון החכם של הצופה.
הנה הסבר על הטלוויזיה החכמה:
https://youtu.be/PURSrRFEDcA
הטלוויזיה עם מערכת ההפעלה אנדרואיד TV היא אפילו יותר חכמה:
https://youtu.be/B-Vri7gKFsI
האבולוציה של הטלוויזיה:
https://youtu.be/aiWiW9DjwFw
וכך ניתן להפוך טלוויזיה פשוטה לחכמה (עברית):
https://youtu.be/5_nX5uQP8Q0
טלוויזיה חכמה (Smart TV) היא מכשיר טלוויזיה שפועלת על מערכת הפעלה משלה ומגוון טכנולוגיות שמאפשרות ליהנות מתוכן, בנוסף לערוצי הטלוויזיה הרגילים. טלוויזיה חכמה מספקת שירותי VOD המועדפים עליכם, כגון Netflix, Amazon, YouTube, ובנוסף שירותי צפייה ישירה של מוזיקה, כגון Spotify, ואפילו משחקים שונים ותוכן ספורט להנאתכם. אפילו שידורי כבלים ולוויין בתשלום זמינים לצפייה בטלוויזיות חכמות - עליכם רק להתקין את האפליקציה שמספקת חברת הכבלים או הלוויין.
בנוסף לערוצי טלוויזיה רגילים, מציע עולם מגוון ועשיר של תוכן, דרך אפליקציות שניתן להתקין בה, חיבור ישיר לאינטרנט ואפשרות לחבר אליה שלל התקנים חיצוניים הכוללים או מאחסנים תוכן.
ניתן לנסח משוואה פשוטה:
טלוויזיה + אינטרנט + אפליקציות + חיבוריות למגוון אמצעים = טלוויזיה חכמה
מה טלוויזיה חכמה יכולה לעשות בשביל הצופים?
תוכן אינסופי - התקנת אפליקציות או כאלה שהותקנו מראש מציעות שירותי VOD ושירותי סטרימינג, המזרימות תוכן לצפייה. סרטים וסדרות מציעות אפליקציות כגון Netflix, דיסני, YouTube, Amazon ועוד. מוסיקה ניתן לקבל מאפליקציות סטרימינג של מוזיקה, כגון Spotify ו-Apple music. אפליקציות שירותים נוספות שחלקן בתשלום, מציעות גם משחקים, שידורי ספורט, שידורי כבלים ולוויין ועוד.
חיפוש מהיר ונוח - מאפשר למצוא בקלות את התוכן המבוקש. מהקלדה באמצעות השלט המצביע ועד חיפוש קולי - הדבר החשוב הוא למצוא את התוכן ללא מאמץ. זיהוי קול מחליף את ההקלדה הידנית ואת השימוש בחיישני תנועה המחייבים "הצבעה" על אותיות, באמצעות השלט הרחוק החכם.
המלצה על תוכן - טלוויזיה חכמה מתוכנתת לא פעם להציע תוכן שהצופים יאהבו עוד לפני שמתחילים לחפש. אלגוריתמים המנתחים את העדפות ודפוסי הצפייה והחיפוש מוצאים וממליצים על תוכן תואם, מעדכנים על עונות חדשות של סדרות ותכניות אהובות ומספקות שירותים שמתבססים על נתוני הצפייה של הצופים.
זיהוי התקנים חיצוניים - טלוויזיה חכמה מתוכננת לזהות באופן אוטומטי כל התקן שמחברים אליה באמצעות חיבור ה-HDMI שלה. יש לה בדרך כלל ממיר אינטראקטיבי, שלט רחוק חכם, המסוגל לשלוט במכשירים שמחוברים אליה וניתן לתפעל אותה מהסמארטפון, הטלפון החכם של הצופה.
הנה הסבר על הטלוויזיה החכמה:
https://youtu.be/PURSrRFEDcA
הטלוויזיה עם מערכת ההפעלה אנדרואיד TV היא אפילו יותר חכמה:
https://youtu.be/B-Vri7gKFsI
האבולוציה של הטלוויזיה:
https://youtu.be/aiWiW9DjwFw
וכך ניתן להפוך טלוויזיה פשוטה לחכמה (עברית):
https://youtu.be/5_nX5uQP8Q0
מהו ניסוי החתולים של גוגל?
כשרוצים ללגלג על יוטיוב והרשת, תמיד מדברים על סרטונים טפשיים של חתולים. אבל האמת היא שניתן לעשות באמצעותם לא מעט. בשנת 2012 הצליחה חברת גוגל להוכיח את היכולת של מערכת הלמידה העמוקה שלה באופן משמעותי. לאחר שהוכיחה שצפייה ב-10 מיליון תמונות מסרטוני יוטיוב, הביאה אותה ליכולת טובה פי שניים מניסיונות קודמים בזיהוי עצמים כמו חתולים בתמונות.
בכך הצליחה לראשונה תוכנה חכמה לחבר באופן לוגי בין תמונה למילה. היכולת לזהות באופן עצמאי את הקשר בין המידע הויזואלי למילה חתול הוא שלב מרשים בצעידה לכיוון של הבינה המלאכותית והלמידה העמוקה. במדעי המוח מזוהה שלב זה עם שלב דומה בלמידה של התינוק. בשלבי הלמידה הראשונים שלו הוא לומד לזהות עצמים עם מילים שלמד מהוריו.
הנה תיאור הניסוי של הלמידה העמוקה בגוגל לזהות חתולים בסרטונים:
https://youtu.be/TK4qLwTye_s
הומור סרקסטי על העובדה שהמוח של גוגל יהפוך בסוף לטיפש מעודף צפייה בסרטוני חתולים ברשת:
https://youtu.be/lWijWH8VnlA
והרצאת טד עם ראייה חכמה וההתקדמות המדהימה שלה (מתורגם):
https://youtu.be/40riCqvRoMs?long=yes
כשרוצים ללגלג על יוטיוב והרשת, תמיד מדברים על סרטונים טפשיים של חתולים. אבל האמת היא שניתן לעשות באמצעותם לא מעט. בשנת 2012 הצליחה חברת גוגל להוכיח את היכולת של מערכת הלמידה העמוקה שלה באופן משמעותי. לאחר שהוכיחה שצפייה ב-10 מיליון תמונות מסרטוני יוטיוב, הביאה אותה ליכולת טובה פי שניים מניסיונות קודמים בזיהוי עצמים כמו חתולים בתמונות.
בכך הצליחה לראשונה תוכנה חכמה לחבר באופן לוגי בין תמונה למילה. היכולת לזהות באופן עצמאי את הקשר בין המידע הויזואלי למילה חתול הוא שלב מרשים בצעידה לכיוון של הבינה המלאכותית והלמידה העמוקה. במדעי המוח מזוהה שלב זה עם שלב דומה בלמידה של התינוק. בשלבי הלמידה הראשונים שלו הוא לומד לזהות עצמים עם מילים שלמד מהוריו.
הנה תיאור הניסוי של הלמידה העמוקה בגוגל לזהות חתולים בסרטונים:
https://youtu.be/TK4qLwTye_s
הומור סרקסטי על העובדה שהמוח של גוגל יהפוך בסוף לטיפש מעודף צפייה בסרטוני חתולים ברשת:
https://youtu.be/lWijWH8VnlA
והרצאת טד עם ראייה חכמה וההתקדמות המדהימה שלה (מתורגם):
https://youtu.be/40riCqvRoMs?long=yes
איך צובעים סרטי קולנוע ישנים?
צביעה אוטומטית של סרטים ישנים שצולמו בשחור לבן (Colorise of old films) היא טכנולוגיה חדשנית, המשתמשת בבינה מלאכותית כדי להחזיר את הצבע לסרטי שחור לבן ישנים.
ההוספה של אפקטים מיוחדים לסרט, עם המודרניזציה שלו והצגת המראה האותנטי של מי ומה שצולמו בו איננה רק טכנולוגיה. מדובר במשהו שמחזיר את החיים למצולמים בו ומאפשרת לצופים להתחבר טוב יותר לתוכן. לפתע הופכות דמויות השחור לבן המרצדות של הסרטים הישנים לאנשים כמונו. זוהי סוג של הנפשה מאוחרת למצולמים בו.
אבל איך זה קורה?
דמיינו שאת סרטי הפילם הישנים ממירים לפורמט דיגיטלי (מה שנקרא "דיגיטציה") ואז נותנים למחשב, שבתוכנה שלו שמור ידע עצום על צבעים אופייניים של מדים בצבא הגרמני, עצים בטבע, מטוסים במלחמת העולם השנייה וכדומה.
בתהליך הצביעה הדיגיטלית צובע המחשב כל אובייקט כזה שמופיע בסרטים. המומחה עובר על הסרטים אחריו וצובע את מה שהמחשב לא ידע לצבוע. אבל המחשב לומד כל אובייקט חדש כזה, שהאדם צבע. בפעם הבאה שאובייקט דומה יופיע על המסך, הוא כבר ייצבע אוטומטית על ידי התוכנה.
מדובר במה שהכרנו בתגית "למידת מכונה".
אם היו צריכים לעשות באופן ידני את התהליך של הוספת צבע לתמונות נעות בצבעי שחור לבן, "פריים אחרי פריים" (Frame הוא תמונה בפילם), זה היה לוקח פרקי זמן עצומים.
אז זה לא שאין יכולת לטכנאי אנושי לעבור בדקדקנות על כל פריים ולצבוע אותו צביעה עשירה ומדויקת. המחשב בימינו פשוט עושה זאת במהירות ובדיוק מדהימים, כש"Frame by Frame", הוא לומד ומשתפר עוד יותר.
טכנולוגיה זו, שפותחה בשנות ה-70 על ידי וילסון מרקל, כצביעה פשוטה וזולה של פריימים בסרטי שחור לבן, רק הראתה את האפשרויות. עם הזמן והמחשב, השתפרה השיטה, כשהטכנאי-צייר נהג לצבוע רק חלק מהתמונה, בעוד המחשב משלים, לפי הכיוון שהוא התווה, את צביעת שאר התמונה.
היום, אגב, הטכנולוגיה כבר עוברת ל"למידה עמוקה". ההבדל הוא שהתוכנה מקבלת עכשיו המוני סרטים צבעוניים ולומדת בעצמה על הצבעים האופייניים לכל סוג של עץ, צבעי המדים של כל צבא, צבע עור של כל אדם לפי תווי פניו וכדומה. בקיצור, את הטכנאי-צייר שלידו, כמעט ולא צריך יותר...
כך החל טרנד צביעת הסרטים הישנים שצולמו בשחור לבן (עברית):
https://youtu.be/Yz2gM9u_kus?end=1m27s
כשצובעים סרטים ישנים - נותנים להם חיים:
https://youtu.be/zRed-Ri9IpI
כתבה על הקסם הצבעוני שמחזיר לחיים את האנשים שנלחמו במלחמת העולם הראשונה (עברית):
https://youtu.be/9pGkIFGcxUE
כך צובעים היום סרטי שחור לבן בני מאה שנים:
https://youtu.be/_cSXfKSRKz4
10 טכנולוגיות בינה מלאכותית של צביעת סרטים:
https://youtu.be/mUXpxxyThr8?long=yes
התפתחות טכנולוגיית צביעת הסרטים שנולדה מצביעה של תמונות שחור לבן:
https://youtu.be/vubuBrcAwtY?long=yes
והעתיד של צביעת הסרטים באמצעות בינה מלאכותית:
https://youtu.be/SM9YwN_Dvv0?long=yes
צביעה אוטומטית של סרטים ישנים שצולמו בשחור לבן (Colorise of old films) היא טכנולוגיה חדשנית, המשתמשת בבינה מלאכותית כדי להחזיר את הצבע לסרטי שחור לבן ישנים.
ההוספה של אפקטים מיוחדים לסרט, עם המודרניזציה שלו והצגת המראה האותנטי של מי ומה שצולמו בו איננה רק טכנולוגיה. מדובר במשהו שמחזיר את החיים למצולמים בו ומאפשרת לצופים להתחבר טוב יותר לתוכן. לפתע הופכות דמויות השחור לבן המרצדות של הסרטים הישנים לאנשים כמונו. זוהי סוג של הנפשה מאוחרת למצולמים בו.
אבל איך זה קורה?
דמיינו שאת סרטי הפילם הישנים ממירים לפורמט דיגיטלי (מה שנקרא "דיגיטציה") ואז נותנים למחשב, שבתוכנה שלו שמור ידע עצום על צבעים אופייניים של מדים בצבא הגרמני, עצים בטבע, מטוסים במלחמת העולם השנייה וכדומה.
בתהליך הצביעה הדיגיטלית צובע המחשב כל אובייקט כזה שמופיע בסרטים. המומחה עובר על הסרטים אחריו וצובע את מה שהמחשב לא ידע לצבוע. אבל המחשב לומד כל אובייקט חדש כזה, שהאדם צבע. בפעם הבאה שאובייקט דומה יופיע על המסך, הוא כבר ייצבע אוטומטית על ידי התוכנה.
מדובר במה שהכרנו בתגית "למידת מכונה".
אם היו צריכים לעשות באופן ידני את התהליך של הוספת צבע לתמונות נעות בצבעי שחור לבן, "פריים אחרי פריים" (Frame הוא תמונה בפילם), זה היה לוקח פרקי זמן עצומים.
אז זה לא שאין יכולת לטכנאי אנושי לעבור בדקדקנות על כל פריים ולצבוע אותו צביעה עשירה ומדויקת. המחשב בימינו פשוט עושה זאת במהירות ובדיוק מדהימים, כש"Frame by Frame", הוא לומד ומשתפר עוד יותר.
טכנולוגיה זו, שפותחה בשנות ה-70 על ידי וילסון מרקל, כצביעה פשוטה וזולה של פריימים בסרטי שחור לבן, רק הראתה את האפשרויות. עם הזמן והמחשב, השתפרה השיטה, כשהטכנאי-צייר נהג לצבוע רק חלק מהתמונה, בעוד המחשב משלים, לפי הכיוון שהוא התווה, את צביעת שאר התמונה.
היום, אגב, הטכנולוגיה כבר עוברת ל"למידה עמוקה". ההבדל הוא שהתוכנה מקבלת עכשיו המוני סרטים צבעוניים ולומדת בעצמה על הצבעים האופייניים לכל סוג של עץ, צבעי המדים של כל צבא, צבע עור של כל אדם לפי תווי פניו וכדומה. בקיצור, את הטכנאי-צייר שלידו, כמעט ולא צריך יותר...
כך החל טרנד צביעת הסרטים הישנים שצולמו בשחור לבן (עברית):
https://youtu.be/Yz2gM9u_kus?end=1m27s
כשצובעים סרטים ישנים - נותנים להם חיים:
https://youtu.be/zRed-Ri9IpI
כתבה על הקסם הצבעוני שמחזיר לחיים את האנשים שנלחמו במלחמת העולם הראשונה (עברית):
https://youtu.be/9pGkIFGcxUE
כך צובעים היום סרטי שחור לבן בני מאה שנים:
https://youtu.be/_cSXfKSRKz4
10 טכנולוגיות בינה מלאכותית של צביעת סרטים:
https://youtu.be/mUXpxxyThr8?long=yes
התפתחות טכנולוגיית צביעת הסרטים שנולדה מצביעה של תמונות שחור לבן:
https://youtu.be/vubuBrcAwtY?long=yes
והעתיד של צביעת הסרטים באמצעות בינה מלאכותית:
https://youtu.be/SM9YwN_Dvv0?long=yes
איך מתבצעת צביעה של תמונות ישנות?
צביעת תמונות (Colorise of old photos) אוטומטית היא טכנולוגיה ההופכת תמונת שחור לבן לצבעונית.
הטכנולוגיה הזו מרשימה מאוד. היא משנה תמונות מונוכרומטיות שצולמו לפני שנים רבות כך שייראו כאילו צולמו בצבע ויקבלו מראה ראליסטי וכמו חיים חדשים.
אם בעבר עשו צביעה כזו בטכניקות של צביעה ביד, כיום התהליך הוא ממוחשב לחלוטין. התוכנה שבלב הטכנולוגיה הזו מבוססת בינה מלאכותית. היא חכמה ועושה עבודה מהירה מאוד וללא מגע או השתתפות אנושית.
לפי גווני האפור ומגוון פרמטרים נוספים היא יודעת לצבוע ולהעריך את צבעי העצמים, בגדי המצולמים ומראה הנופים המופיעים בתמונות.
תוצאה זו מושגת באמצעות תוכנה לומדת, עם "למידת מכונה" (Machine learning), כלומר תוכנה שבתחילה למדה מניתוח של מיליוני תמונות ומאז היא הולכת ומשתפרת ככל שהיא צובעת תמונות רבות יותר.
אם בתחילה הייתה הצביעה רק "בערך", ככל שעובר הזמן היא משתפרת והולכת. כל תמונה נוספת שנצבעת מגדילה את רמת הדיוק העתידי.
התוצאות מרשימות ולא פעם מטעות, כי פעמים רבות מדובר בתמונות צבעוניות שקשה לנחש שמקורן בצילומים בשחור-לבן.
במקרים רבים התוצאות ממש מרגשות. במיוחד כשהפעולה נעשית על תמונות של קרובי משפחה שהלכו לעולמם, תופעה שזכתה לשם "דיפ נוסטלגיה". מדובר בהוספה של טכנולוגיית "דיפ פייק", המניעה את הדמויות באופן כמעט חלומי.
הדיפ נוסטלגיה הזו, שנולדה בחברות טכנולוגיה העוסקות בעצי משפחה, הולידה התפעלות ממראה צבעוני וחי של דמויות היסטוריות שכמו "קמות לתחייה" ואף הובילה קרובי משפחה רבים לדמעות ולפרצי רגשות, למראה קרוביהם המתים שקמו לפתע לתחייה אל מול עיניהם.
כך צובעת למידה עמוקה תמונות בשחור לבן והיום גם מזיזה אותן (עברית):
https://youtu.be/O4VPN_YjgIM
תמונות ישנות של אינדיאנים מתחילת המאה ה-20 שנצבעו בטכניקה זו:
https://youtu.be/mySqfF4HCwg
הסבר ודוגמאות מדהימות של צביעת תמונות והחיים שזה מכניס בהן:
https://youtu.be/2KX6-QaE84Y?long=yes
התפתחות הצביעה של התמונות הובילה בהמשך לצביעת סרטים:
https://youtu.be/vubuBrcAwtY?long=yes
אתרים חינמיים המאפשרים לצבוע תמונות ישנות שלכם אונליין:
https://youtu.be/HJmP8mbkfXI?long=yes
צביעת תמונות (Colorise of old photos) אוטומטית היא טכנולוגיה ההופכת תמונת שחור לבן לצבעונית.
הטכנולוגיה הזו מרשימה מאוד. היא משנה תמונות מונוכרומטיות שצולמו לפני שנים רבות כך שייראו כאילו צולמו בצבע ויקבלו מראה ראליסטי וכמו חיים חדשים.
אם בעבר עשו צביעה כזו בטכניקות של צביעה ביד, כיום התהליך הוא ממוחשב לחלוטין. התוכנה שבלב הטכנולוגיה הזו מבוססת בינה מלאכותית. היא חכמה ועושה עבודה מהירה מאוד וללא מגע או השתתפות אנושית.
לפי גווני האפור ומגוון פרמטרים נוספים היא יודעת לצבוע ולהעריך את צבעי העצמים, בגדי המצולמים ומראה הנופים המופיעים בתמונות.
תוצאה זו מושגת באמצעות תוכנה לומדת, עם "למידת מכונה" (Machine learning), כלומר תוכנה שבתחילה למדה מניתוח של מיליוני תמונות ומאז היא הולכת ומשתפרת ככל שהיא צובעת תמונות רבות יותר.
אם בתחילה הייתה הצביעה רק "בערך", ככל שעובר הזמן היא משתפרת והולכת. כל תמונה נוספת שנצבעת מגדילה את רמת הדיוק העתידי.
התוצאות מרשימות ולא פעם מטעות, כי פעמים רבות מדובר בתמונות צבעוניות שקשה לנחש שמקורן בצילומים בשחור-לבן.
במקרים רבים התוצאות ממש מרגשות. במיוחד כשהפעולה נעשית על תמונות של קרובי משפחה שהלכו לעולמם, תופעה שזכתה לשם "דיפ נוסטלגיה". מדובר בהוספה של טכנולוגיית "דיפ פייק", המניעה את הדמויות באופן כמעט חלומי.
הדיפ נוסטלגיה הזו, שנולדה בחברות טכנולוגיה העוסקות בעצי משפחה, הולידה התפעלות ממראה צבעוני וחי של דמויות היסטוריות שכמו "קמות לתחייה" ואף הובילה קרובי משפחה רבים לדמעות ולפרצי רגשות, למראה קרוביהם המתים שקמו לפתע לתחייה אל מול עיניהם.
כך צובעת למידה עמוקה תמונות בשחור לבן והיום גם מזיזה אותן (עברית):
https://youtu.be/O4VPN_YjgIM
תמונות ישנות של אינדיאנים מתחילת המאה ה-20 שנצבעו בטכניקה זו:
https://youtu.be/mySqfF4HCwg
הסבר ודוגמאות מדהימות של צביעת תמונות והחיים שזה מכניס בהן:
https://youtu.be/2KX6-QaE84Y?long=yes
התפתחות הצביעה של התמונות הובילה בהמשך לצביעת סרטים:
https://youtu.be/vubuBrcAwtY?long=yes
אתרים חינמיים המאפשרים לצבוע תמונות ישנות שלכם אונליין:
https://youtu.be/HJmP8mbkfXI?long=yes
