חיפוש
סגור את תיבת החיפוש
Forbes Israel Logo

“נצפה מכל דבר להיות חכם, בעל יכולת להבין שפה ולזהות פנים”

בשנת 1769 הגיע הברון האוסטרו־הונגרי וולפגנג פון קמפלן לארמון שנברון שבאוסטריה במטרה להרשים את הקיסרית מריה תרזה. לצורך כך הוא בנה מכונה בדמות איש טורקי, מעוטר בשפם ובטורבן, ואמר לקיסרית כי הבובה הזאת יכולה לנצח כל בן אנוש בשחמט – וכך היה. במשך למעלה מ־80 שנה הביס "הטורקי האוטומטי" שחקנים רבים, ביניהם אפילו את נפוליאון ובנג'מין פרנקלין. בשנת 1854 נשרפה המכונה, ובנו של הבעלים האחרון שלה חשף את הסוד השמור ביותר – בתוכה היה כל הזמן אדם נמוך קומה, שהוא מומחה גדול בשחמט.

הכתבה פורסמה כחלק מפרויקט האתגרים הטכנולוגיים הגדולים, והיא מופיעה בגיליון נובמבר 2018 של פורבס ישראל

לרכישת גיליון חייגו 077-4304645

לרכישת מנוי למגזין פורבס ישראל

לכל העדכונים, הכתבות והדירוגים: עשו לנו לייק בפייסבוק

אמנם ה"טורקי" הזה התגלה כהונאה, אבל מתאר בצורה יפה כמה מוקסמת האנושות מאז ומתמיד ממכונות חכמות. הרעיון שניתן להמיר את השפה והחשיבה לפעולות לוגיות וחישוביות, ובאמצעותן לדמות את פעולת המוח האנושי, מקורה רחוק אפילו יותר מהטורקי האוטומטי – עוד ברעיונותיהם של הוגים כמו גוטפריד וילהלם לייבניץ במאה ה־16. מאז התפתחו הרעיונות וגם הטכנולוגיה.

הלמידה העמוקה יצרה קפיצת מדרגה ביכולות הבינה | צילום: shutterstock

בשנות ה־40 של המאה ה־20 הצליח אלן טיורינג, אחד מאבות מדעי המחשב המודרני, ליצור מעין תוכנת שחמט פרימיטיבית למדי. אך העיסוק שלו בתחום משך חוקרים רבים, אשר החל בסוף שנות ה־50 ותחילת ה־60 של המאה הקודמת הניחו את הבסיס של עולם הבינה המלאכותית.

מתחת לשם העל הזה, בינה מלאכותית, או בקיצור AI, נמצאים הרבה מאוד תחומים ותתי תחומים, כשכולם חותרים לאותה מטרה – לגרום למחשב להתנהג בצורה חכמה. רובם מבוססים על תלות באדם, שמזין את המחשב במידע חדש. הדוגמה הקלאסית היא Deep Blue, המחשב המפורסם של IBM, שבשנת 1997 ניצח את אלוף העולם לשעבר בשחמט גארי קספרוב.

"אם ניכנס לתוך ה'מוח' של Deep Blue, נראה שהוא היה בסך הכל מחשבון שחמט – כזה שהזינו לתוכו המון מידע, והוא ידע להסתכל על כ־200 מיליון מצבי שחמט בשנייה", מסביר ד"ר אלי דוד, מייסד שותף בחברת Deep Instinct ומרצה במחלקה למדעי המחשב באוניברסיטת בר־אילן.

"אז אמנם אין לזלזל בהישג, והרי היה מדובר בהצלחה אדירה, אבל דווקא אז ירדה ההבנה בקרב חוקרים רבים, כי צריך להוסיף לתחום איזה מרכיב של למידה עצמית".
כאן נכנס לתמונה התחום החם ביותר כיום בזירת הבינה המלאכותית – למידת המכונה (Machine Learning). בניגוד לשאר התחומים, כאן המחשב לא נזקק לאדם שיזין לו נתונים לחישוב באופן תמידי – הוא יודע ללמוד עוד, באופן עצמאי.

קיימות שיטות למידה שונות – השיטה המובילה עד לפני מספר שנים התבססה על סטטיסטיקה. שיטה נוספת התבססה על למידת עץ החלטות. אולם המהפכה הגדולה בעולם הבינה המלאכותית קרתה עם פריצת הדרך בשיטה ששאבה השראה ממבנה המוח האנושי – שיטת "הלמידה העמוקה" (Deep Learning) או בשמה הנוסף: "הרשת העצבית" (Neural Network), למידה שבדומה למוח שלנו, מתבצעת באמצעות סינפסות (חיבור בין תאי עצב).

המהפכה של הינטון

למרות העדנה שהיא זוכה לה כעת, שיטת "הלמידה העמוקה" איננה דבר חדש. ראשיתה בשנות ה־70 של המאה הקודמת. אולם מהר מאוד היא הפכה לשולית, בעיקר מכיוון שלא סיפקה תוצאות טובות, לעומת שיטות למידה אחרות. "אף אחד לא רצה להתעסק עם התחום הזה", אומר ד"ר דוד. אף אחד חוץ מכמה בודדים וביניהם פרופ' ג'פרי הינטון, מי שנחשב לגדול החוקרים בתחום "הלמידה העמוקה". במשך 30 שנה הוא חקר את הנושא, עד שלפני מספר שנים הביא לפריצת הדרך הגדולה ביותר בתחום, שאפשרה לאמן רשתות עמוקות של 30־20 שכבות עצבים מלאכותיים במקום שכבות בודדות. "השיטות שפיתחנו בשנות ה־80 כבר מזמן עקפו את החלומות הפרועים ביותר שלנו", אומר הינטון, שעדיין חוקר את התחום באוניברסיטת טורונטו שבקנדה.

"הרשתות העמוקות מאפשרות למכונה לפתח וללמוד היררכיה עמוקה של מאפיינים", מפשט ד"ר דוד. לדוגמה, אם מכונה מביטה על תמונה של פיל, אז השכבות הנמוכות של הרשת העצבית שבה לומדות מאפיינים בסיסיים, כמו הבדלי צבע, קווים, טקסטורה וכדומה, והשכבות הגבוהות יותר מחברות את התובנות האלה למושגים מורכבים יותר, עד שבשכבת הפלט מופיע זיהוי שם החיה. ברשתות לא עמוקות אין מספיק עומק כדי ללמוד מאפיינים מורכבים.

במקביל לפריצת הדרך, במזל ובצירוף מקרים נדיר, גילו חוקרים, שכרטיסים גרפיים חזקים, אותם כרטיסים שאנחנו מכניסים למחשבים בשביל משחקי המחשב – אלו שנועדו להציג מיליוני פיקסלים באופן מהיר על המסך – מתאימים באופן מופלא לחישוב מהיר של ערכים של מיליוני סינפסות. הגילוי הזה אפשר "לאמן" מכונות באופן יעיל הרבה יותר מבעבר. בשוק הזה שולטת ביד רמה Nvidia, שהחלה את דרכה בתחילת שנות ה־90 כיצרנית כרטיסים גרפיים למחשבי PC וכיום היא מספקת כמויות גדלות והולכות של שבבים לכל ענקיות הטכנולוגיה שמתחרות ביניהן בזירת הבינה המלאכותית – מגוגל, דרך מיקרוסופט ופייסבוק ועד אמזון.

כל אלו הביאו לתנופה ענקית בכל מה שקשור לתעשיית הבינה מלאכותית. ואם לפני מספר שנים שיפור של חצי אחוז בשנה היה נחשב הישג אדיר, עתה, בכל מה שקשור לאיבוד תמונה, סאונד וכדומה, רואים שיפור של עשרות אחוזים בשנה. בהתאם, גם צצו ברחבי העולם אלפי חברות שעוסקות בנושא ומיישמות את הטכנולוגיות האלה בתחומים, כמו רכב אוטונומי, רפואה מרחוק, קמעונאות דיגיטלית, שירותים פיננסיים וסייבר.

בינה בכל מקום

התהליך הזה לא פסח גם על ישראל. אחד האנשים שגורמים לתחום הבינה המלאכותית להיות חיי ובועט במחוזותינו הוא עמי לוטבק, מנהל הטכנולוגיות הראשי במרכז המחקר והפיתוח של מיקרוסופט בישראל. "אנחנו מאמינים שכל תחום וכל מוצר הולך לעבור שינוי בזכות הבינה המלאכותית", הוא אומר. "לראיה, החברה עברה שינוי ארגוני משמעותי מאוד בחודשים האחרונים, שבסופו שתיים מתוך שלוש חטיבות הפיתוח של שלה ממוקדות במידה רבה ב־IA. החברה מהמרת על IA, כי אנחנו מאמינים שזה יהפוך להיות תשתית בסיסית לכל דבר שאנחנו עושים ובונים. בשנים הקרובות כולנו נלמד לצפות מכל מכשיר להיות חכם, מכל אפליקציה להיות חכמה, מכל חברה שאיתה נעבוד להיות חכמה. בין שזו מכונית חכמה, מקרר חכם או הצ'אט בוט של הבנק שלנו, נצפה מכולם להבין אותנו ולפעול בצורה אוטונומית כמה שאפשר".

למעשה, אומר לוטבק, "רובנו מסתמכים כבר כעת על טכנולוגיות המשתמשות ב־AI בכל יום, מבלי שנדע. אם כתבת מצגת PowerPoint, בהחלט ייתכן שהשתמשת ב־AI. אם הכתבת טקסט לתוך הטלפון שלך, סביר להניח שהסתמכת על "AI.

מרכז הפיתוח של מיקרוסופט בישראל הוקם בתחילת שנות ה־90 ונחשב כאחד ממרכזי הפיתוח המובילים של מיקרוסופט לצד הסיליקון וואלי ובוסטון. מטרתו להוות מרכז פיתוח וחדשנות עבור מיקרוסופט, הממנף את הכישרון והאקו־סיסטם המקומי. לוטבק (35) הצטרף למיקרוסופט ב־2015, לאחר שזו רכשה תמורת 320 מיליון דולר את אדאלום, חברת אבטחת המידע בענן, שהקים יחד עם שני שותפיו: אסף רפפורט (שמכהן היום כמנכ"ל מרכז הפיתוח של מיקרוסופט בישראל) ורועי רזניק (בוגר מחזור 2016 של ForbesUnder30).

בתפקידו הנוכחי, אחראי לוטבק על קבוצת החדשנות, שהיא מעיין אינקובטור לסטארט־אפים שמיקרוסופט מריצה בתוך המרכז בישראל. אם כייזם הוא היה מחזר אחר משקיעים, כעת הוא צריך לשכנע בכירים במיקרוסופט שכדאי להשקיע ולקדם את הסטארט־אפים הישראלים עליהם הוא אחראי ולפתוח עוד קבוצות לפרויקטים חדשים. ונראה שהוא מצליח לא רע – הוא מדבר איתנו רגע אחרי שנחת מביקור במטה החברה בסיאטל, שם הציג שלושה פרויקטים חדשניים עליהם עובדים כאן בישראל. "על כולם קיבלנו אור ירוק, לרוץ ולהתקדם הלאה ומהר".

לוטבק. "אין מספיק מפתחים שיודעים לבנות מערכות AI מתקדמות" | צילום: נתנאל טוביאס

לדברי לוטבק, חלק משמעותי מהעיסוק של מיקרוסופט בתחומי ה־AI מתרחש כיום בישראל. "יש מספר רב של תחומים, שבהם מרכז הפיתוח בישראל הוא בחוד החנית של פיתוח ה־AI במיקרוסופט. ישנם פיתוחים מתקדמים בתחומי חינוך, אבטחה, CRM ובריאות, וכמובן, קורטנה, העוזרת החכמה שחלק גדול מהחוכמה שלה מפותח בארץ".
אבל, אם לנסות למקד את הכיוון שמיקרוסופט עוסקת בו בתחום ה־AI, אזי מדובר בניסיון ליצור "דמוקרטיזציה" של הטכנולוגיה.

לדברי לוטבק, הדבר קשור לאחד האתגרים הגדולים שעומדים בפני העוסקים בתחום – העדר כוח אדם מספק. "אין מספיק מפתחים שיודעים לבנות מערכות AI מתקדמות, וחלק מהפתרון הוא להנגיש את שירותי ה־AI לכל מפתח. מיקרוסופט משקיעה ב־AI services, שמאפשרים לכל מפתח לבנות אפליקציות חכמות, שיכולות להבין שפה, לזהות פנים, בוטים מדברים, וזאת מבלי להיות מומחה AI".

מהפכת הביג־דאטה

את רובם הגדול של היישומים האלה, אנו חייבים, כאמור, להתפתחויות בתחום הלמידה העמוקה. "הרעיון שמכונה יכולה ללמד את עצמה באמצעות נתונים מבלי שבן אדם יתכנת אותה במה להתמקד, נחשב פעם מטורף. היום זה מובן מאליו", אומר פרופ' הינטון, כשהוא עומד על ההבדל שבין הלמידה העמוקה לשיטות הלמידה האחרות בתחום למידה המכונה.

למעשה, ההבדל טמון בכך שבשיטות האחרות יש שלב ביניים שמכונה "שלב חילוץ המאפיינים". בשלב זה מומחה מוציא את המרכיבים החשובים לצורך הזיהוי ומכין רשימת אפיונים שאותה הוא מכניס לתוך מודול הלמידה של המכונה. כך המכונה יודעת שעבור זיהוי פנים היא צריכה להתמקד, למשל, במרחק בין העיניים.
ב"למידה עמוקה" שלב הביניים הזה איננו. מה יש במקום? מערכת היררכית של עשרות שכבות, שמקבלת חומר גולמי, כמו מיליוני פיקסלים של תמונה, ויודעת ללמד את עצמה לבד במה להתמקד.

שיטה כזו דורשת הרבה מאוד מידע. וכאן נכנסת עוד מהפכה שהתרחשה בשנים האחרונות ואפשרה את פריחתה של שיטת למידת המכונה – מהפכת הביג־דאטה, שהגיעה עם עליית האינטרנט ובייחוד עם כניסת הסמארטפונים לחיינו.

בעצם, העובדה כי כל אחד מאיתנו מסתובב עם מצלמה בכיס ומעלה עשרות אם לא מאות תמונות לכל הרשתות החברתיות, הפכה את העולם לגן עדן של לימוד מכונות. וכשמוסיפים לזה את הטכנולוגיה המתחדשת והמתחזקת ואת שירותי הענן שהעצימו את יכולות אחסון המידע, מקבלים את עולם הבינה המלאכותית כפי שהוא היום. החיבור הזה גם מסביר מדוע ענקיות הטכנולוגיה השולטות במידע הן גם המובילות הגדולות בפיתוח טכנולוגיות של בינה מלאכותית.

"לפני 20 שנה לא הייתי יכולה להפעיל את המערכת שלי", אומרת ד"ר קירה רדינסקי, פרופ' מבקר בטכניון ודירקטור מדעי הנתונים של חברת איביי. "אמנם האלגוריתם היה כבר אז, אבל כוח המחשוב היה בעייתי, ולא היתה מספיק דאטה. היום למשל אני יכולה להרים בענן חווה של 1,000 מעבדים במקום להחזיק מעבדה פיזית".

היום עובדת רדינסקי, שכבר הספיקה למכור סטארט־אפ שהקימה בעשרות מיליוני דולרים (ולהיבחר לפני שנתיים לרשימת Forbes Under30), על סטארט־אפ חדש שעושה שימוש בבינה מלאכותית בעולם הרפואי. כך למשל, יהיה ניתן לבחון האם תרופות שאושרו לטיפול במחלות מסוימות עשויות להועיל גם בטיפול במחלות אחרות. יתר על כן, הבינה המלאכותית תוכל לזהות מולקולות שיש להן פוטנציאל להיות בסיס ליצירת תרופות חדשות.

לדבריה, המערכת משתפרת ככל שהיא נפתחת בפני כמות גדולה יותר של מידע – אולם המידע הרפואי של לקוחות רבים עדיין חסום – דבר שמהווה חסם להתפתחות הפרויקט. "זה לא רק עניין של רגולטורים, אלא של ארגונים שלא רוצים למסור את המידע", אומרת רדינסקי. "שינוי תפיסתי בנוגע לדאטה יעזור לנו להצעיד את העולם צעד אחד קדימה".

הבעיה הזו, של נגישות לכמויות גדולות של מידע, מהדהדת אצל כל מי שעוסק כיום בפיתוח טכנולוגיות AI. "הטכנולוגיה של היום מצריכה להזין את מערכת הלמידה בכמות גדולה מאוד של מידע – ובאופן יותר ספציפי, מידע על אנשים, המזהים שלהם וההתנהגות שלהם", מסביר לוטבק. "זה עלול ליצור חסם משמעותי עבור חברות קטנות וחוקרים שאין להם המשאבים של החברות הגדולות".

בעיה נוספת שאיתה מתמודדים החוקרים בתחום היא בעיה מתודולוגית, שכן קשה לדעת מה מכונה המלמדת את עצמה יודעת, וכן קשה להבין איך היא למדה את מה שלמדה, מה שיוצר בעיה של פיקוח על הידע שצברה. לדברי לוטבק, בשנים הקרובות ייבנו יכולות AI לתוך המערכות ששולטות על החיים שלנו, בין שאלה מערכות קבלה לעבודה או טיפול רפואי – והן עשויות להכיל טעויות, שיהיו להן השלכות מרחיקות לכת. "רגולציה צריכה וחייבת להתפתח במקביל לתחום. זה לא יעכב התפתחות, אלא להפך, ימנע תקלות עתידיות", הוא מבהיר. כדי להאיץ את הדיון הציבורי בתחום, מיקרוסופט פרסמה את הגישה שלה בספר

"The Future Computed", שבו תיאור של העתיד בשנת 2038 ומה עלול לקרות אם לא נקבע חוקי אתיקה כבר היום. למשל, מתואר שחברות תוכנה בעתיד מקבלות רק גברים לעבודה, כי מערכות ה־AI למדו שרוב המפתחים הם גברים ולכן ממשיכות לשמר את זה.
"ככל שמערכות AI נעשות מתוחכמות יותר ומתחילות למלא תפקיד גדול יותר בחיינו, כך חשוב יותר שחברות ינסחו ויאמצו עקרונות ברורים, שינחו את האנשים שבונים מערכות AI, משתמשים בהן ומיישמים אותן".

חלום רחוק

למרות התנאים האידיאליים שהבשילו בשנים האחרונות, המטרות הריאליות של החוקרים כיום הן בינות מלאכותיות שיודעות לבצע באופן מושלם (או דומה ככל האפשר למוח אנושי) משימות ספציפיות, כמו זיהוי תמונות, דיבור או אפילו פעולות שמצריכות יצירתיות כמו כתיבת שירים. אף אחד לא מדבר היום באמת על מוח מלאכותי שלם, כזה שמדמה אדם, שיכול להתנהל באופן עצמאי לחלוטין, בסגנון האנדרואידים שבסרטי המדע הבדיוני.

יעד כזה דורש יכולות שהיום אנו רחוקים מהן מאוד. "אמנם היו התקדמויות עצומות בשנים האחרונות, אבל אנחנו עדיין בשלב שבו המחשב לומד כל פעם לפתור בעיה מסוימת", מבהיר לוטבק. "עוד אין לו יכולת באמת להבין מה קורה, לקשר בין סיבה לתוצאה ובאמת לקבל החלטות באופן תבוני. אני מאמין שעוד נתקרב לזה בימי חיי, אבל זה לא מעבר לפינה".

פרופ' שי שלו־שוורץ, מנהל הטכנולוגיות הראשי של מובילאיי ומומחה ללמידת מכונה באוניברסיטה העברית, מסביר כי ההבדל בין מוח אנושי למלאכותי "טמון בעובדה שלמוח האנושי דרוש פחות מידע בשביל ללמוד. יתר על כן, המוח האנושי יכול ללמוד ממידע שנחשב פחות 'איכותי', בעוד האלגוריתמים הכי טובים היום דורשים מידע רב וכזה ללא רעשים".

"מצד שני, גם במוחות אנושיים וגם במוחות מלאכותיים אנחנו רואים, שככל שהמוח גדל מבחינה כמותית, כך היכולות הקוגניטיביות גדלות", מוסיף ד"ר דוד. "אז אולי אנחנו עוד לא שם, אבל התרחיש, שבינה מלאכותית תגיע ליכולות הקוגניטיביות שלנו ותעבור אותן, הוא סביר ביותר".

"יעבור עוד זמן רב עד שנגיע למכונה שתיראה, תחשוב ותדבר בדיוק כמו בן אדם", אומרת רדינסקי. ובאשר לפחד שיום אחד מישהו ייצר מכונה שתפגע בבני אדם? היא מציעה להיצמד לדבריו של החוקר והיזם ד"ר אנדרו אנג: "לחשוש ממכונה שתפגע באנשים זה כמו לחשוש שיהיה פיצוץ אוכלוסין במאדים, בזמן שהאנושות מנסה רק להגיע לשם".

הכתבה פורסמה כחלק מפרויקט האתגרים הטכנולוגיים הגדולים, והיא מופיעה בגיליון נובמבר 2018 של פורבס ישראל

לרכישת גיליון חייגו 077-4304645

לרכישת מנוי למגזין פורבס ישראל

לכל העדכונים, הכתבות והדירוגים: עשו לנו לייק בפייסבוק

הרשמה לניוזלטר

באותו נושא

הרשמה לניוזלטר

מעוניינים להישאר מעודכנים? הרשמו לרשימת הדיוור שלנו.

דילוג לתוכן