מה בין בינה מלאכותית ולמידה עמוקה? מדריך מקוצר

This post is also available in: English (אנגלית)

בינה מלאכותית (AI), למידת מכונה (למידה חישובית) ולמידה עמוקה ממלאות תפקיד פורץ דרך בפיתוח מערכות הגנה וביטחון במהלך השנים האחרונות, בתחומים כמו רובוטיקה ומערכות בלתי מאוישות, וידאו אנליטיקס, מודיעין ועוד. אולם לעיתים קל לבלבל בין המונחים האלה, ואף מתקיימת ביניהם חפיפה מסוימת. ב-blogs.oracle.com מנסים להבהיר את ההגדרות של המונחים בצורה ברורה יותר.

בינה מלאכותית פירושה לגרום למחשב לחקות התנהגות אנושית בדרך מסוימת.

למידת מכונה היא תת-קטגוריה של בינה מלאכותית, ומשמעותה הטכניקות שמאפשרות למחשבים להבין דברים מתוך נתונים ולספק ישומי בינה מלאכותית.

למידה עמוקה, לעומת זאת, היא תת-קטגוריה של למידת מכונה, והיא מאפשרת למחשבים לפתור בעיות מורכבות יותר.

כשדה מחקר אקדמי, העיסוק בבינה מלאכותית החל ב-1956. בזמנו, כמו גם כיום, המטרה היתה לגרום למחשבים לבצע משימות שהן יחודיות לבני אדם: משימות הדורשות אינטליגנציה. בתחילה, החוקרים עבדו על בעיות כמו פיתרון בעיות לוגיות או משחק דמקה.

בינה מלאכותית מתיחסת לתוצר של המחשב. המחשב עושה פעולה חכמה, לכן הוא מייצג בינה שהיא מלאכותית.

בשנות ה-1980, קטגוריה חדשה של טכניקות בינה מלאכותית החלה להיות מיושמת בצורה רחבה: למידת מכונה, או חיקוי הדרך בה בני אדם לומדים. הזינו נתונים רבים באלגוריתם (בניגוד למוח) ואפשרו לו למצוא פיתרונות.

עם התפתחות האלגוריתמים, הם קיבלו את היכולת להתמודד עם בעיות רבות. אבל דברים מסוימים שבני אדם מבצעים בקלות (כמו זיהוי דיבור, זיהוי כתב יד) עדיין היוו אתגר עבור המכונות.

בעוד שלמידת מכונה היא חיקוי של הדרך בה בני אדם לומדים, מדוע לא ללכת עד הסוף ולנסות לחקות את המוח האנושי? זהו הרעיון מאחורי הרשתות הנוירוניות.

השימוש בנוירונים מלאכותיים (נוירונים, מחוברים על ידי סינפסות, הם המרכיבים העיקריים של המוח). כבר היה קיים זמן מה. והרשתות הנוירוניות שהתוכנה עשתה להם סימולציה החלו להיות בשימוש לצורך פיתרון בעיות מסוימות. רשתות אלה נראו מבטיחות מאוד ויכלו לפתור בעיות מורכבות שאלגוריתמים אחרים לא יכלו להתמודד עמן.

אבל רשתות נוירוניות פשוטות בעלות מאות או אפילו אלפי נוירונים, המחוברים בדרך פשוטה, לא יכלו לשכפל את מה שמבצע המוח האנושי. הדבר לא מפתיע, לאור העובדה שהמוח האנושי הוא בעל כ-86 מיליארד נוירונים וחיבוריות מורכבת מאוד.

למידה עמוקה היא כל מה שקשור בשימוש ברשתות נוירונים עם יותר נוירונים, שכבות וחיבוריות.

כאשר אתה מקבל תמונות של סוסים, אתה מזהה אותם כסוסים גם אם לא ראית את התמונה מעולם קודם לכן. ניתן לזהות את הסוס כי אנחנו יודעים על המרכיבים המאפיינים אותו: צורת האף, מספר ומיקום הרגלים  ועוד.

למידה עמוקה יכולה לעשות זאת. והדבר חשוב לתחומים רבים, ביניהם הרכב האוטונומי. לפני שמכונית תוכל לקבוע את פעולתה הבאה, עליה לדעת מה קורה בסביבתה. עליה לזהות אנשים, אופנים וכלי רכב אחרים, שלטי תמרורים, ועוד, כל זאת בנסיבות ויזואליות מאתגרות. טכניקות סטנדרטיות של למידת מכונה אינן מסוגלות לבצע זאת.

לכן, לסיכום, אם בינה מלאכותית מתיחסת למכשירים שמוכיחים אינטליגנציה כמו-אנושית, לבינה מלאכותית יש טכניקות רבות, אחת מהן היא למידת מכונה – לאפשר לאלגוריתמים ללמוד מהנתונים. ולבסוף, הלמידה העמוקה היא תת-קטגוריה של למידת מכונה, והיא משתמשת ברשתות נוירוניות רב-שכבתיות כדי לפתור את הבעיות המורכבות ביותר עימן מתמודדים מחשבים.