This post is also available in: enEnglish (אנגלית)

למידת מכונה, למידה עמוקה והיבטים נוספים של בינה מלאכותית הפכו לבסיס משמעותי לפיתוח טכנולוגיות מתקדמות בכל תחום. במגזרי הביטחון והאבטחה, חדשנות מבוססת בינה מלאכותית צברה תנופה משמעותית כפרדיגמה מובילה, שמאפשרת חדשנות ופיתוח שלא היו מתקיימים בלעדיה.

בינה מלאכותית משמשת לפיתוח מערכות לחימה יעילות שנשענות פחות על גורמים אנושיים. מערכות שמצוידות בבינה מלאכותית יכולות להגן באופן אוטונומי על רשתות, מחשבים, תוכניות ונתונים מפני גישה בלתי מורשית. טכניקות בינה מלאכותית מפותחות כדי להגביר את רמת הדיוק של זיהוי המטרה בסביבות קרב מורכבות. פלטפורמות לסימולציה של מצבי קרב ואימונים משתמשות גם הן בלמידת מכונה ולמידה עמוקה.

ניתן להפעיל מערכות ISR (מודיעין מעקב וסיור) בלתי מאוישות מרחוק או לשגר אותן למסלול שנקבע מראש. בעזרת בינה מלאכותית הן מסייעות לצוותים בניטור האיומים, ובכך מתגברות את מודעות המצב שלהם, כך לפי marketresearch.com.

בינה מלאכותית יכולה לסייע גם בצבירת מידע ממערכות נתונים שונות, וכן להשיג ולסכם מערכות-על של מידע ממקורות שונים. ניתוח מתקדם זה מאפשר לצוותי החיילים לזהות דפוסים וקשרים בין תופעות.

ה-technologyreview.com של המכון הטכנולוגי MIT מסביר מה עומד מאחורי המונחים האלה שכל-כך נפוצים בתקשורת, כולל בכתבות באתר שלנו ביחס לטכנולוגיות HLS וביטחון.

רוב הפיתוחים והיישומים בתחום הבינה המלאכותית מתייחסים למעשה ללמידת מכונה.

למידת מכונה (למידה חישובית, machine learning) – אלגוריתמים משתמשים בסטטיסטיקה כדי לאתר דפוסים בכמויות גדולות של נתונים – מספרים, מילים, תמונות, הקלקות וכו'. כל דבר שניתן לאחסון דיגיטלי ניתן להזין לתוך אלגוריתם של למידת מכונה.

למידת מכונה היא התהליך שמעצים מגוון רחב של שירותים בהם אנחנו משתמשים כיום, ביניהם לא רק מערכות המלצה כמו נטפליקס, יוטיוב וספוטיפיי, מנועי חיפוש, מסייעים קוליים כמו סירי ואלכסה, אלא גם אבטחת שדות תעופה, מיפוי ותיעוד על ידי חיישנים ומערכות בלתי מאוישות, מודעות מצב בשדה הקרב, זיהוי פנים ועוד.


כל פלטפורמה אוספת כמה שיותר מידע ומשתמשת בלמידת מכונה כדי לבצע ניחוש מושכל לגבי פעילויות עתידיות. התהליך בעיקרו פשוט – מצא את הדפוס, ויישם אותו. הוא מבוסס על המצאתו של ג'פרי הינטון מ-1986, המוכר כיום כאבי הלמידה העמוקה.

למידה עמוקה – deep learning – זהו שימוש בטכניקה שמספקת למכונות יכולות מוגברת למצוא ולהגביר את עוצמתם של הדפוסים הזעירים ביותר. הטכניקה נקראת רשת עצבית עמוקה – היבט העומק נובע מכך שמדובר בשכבות רבות מאוד של קשרים מחשוביים פשוטים שפועלים יחד כדי לפצח את הנתונים ולספק תוצאה סופית בצורה של חיזוי.

רשתות עצביות (נוירוניות) – neural networks – בהשראת פעילות המוח האנושי, הקשרים של הרשתות העצביות מייצגים נוירונים, והרשת מייצגת את המוח עצמו. הינטון פירסם את מחקרו פורץ הדרך בתקופה בה הרשתות האלה לא היו במרכז ההתעניינות. לא ידעו עדיין איך לאמן אותן, ולכן לא התקבלו תוצאות טובות. כעבור 30 שנה הטכניקה חזרה ובגדול.

למידה מונחית – supervised learning – למידת מכונה ולמידה עמוקה כוללות שלושה סוגים: מונחה, בלתי מונחה, ובאמצעות חיזוקים. בלמידה מונחית, הסוג הנפוץ ביותר, הנתונים מתוייגים כדי להנחות את המכונה בדיוק אילו דפוסים עליה לחפש. אפשר להשוות זאת לכלב גישוש שיאתר את המטרות לאחר שיידע מה הריח שלהן. אותו דבר מתרחש כשאנחנו משתמשים בשירותיה של נטפליקס – אנחנו אומרים לאלגוריתם לאתר עבורנו סרטים דומים.

למידה בלתי מונחית – unsupervised learning – לנתונים אין תגיות. המכונה מחפשת רק דפוסים. הדבר דומה לכלב שמרחרח כמויות של עצמים שונים ומסדר אותם לקבוצות בעלות ריח דומה. טכניקות בלתי מונחות אינן כל כך נפוצות מפני שהיישומים שלהן פחות ברורים. יחד עם זאת יש להן שימוש בתחום אבטחת הסייבר.

למידה באמצעות חיזוקים – reinforcement learning – האלגוריתם לומד להשיג מטרה ברורה באמצעות ניסוי וטעיה. הוא מנסה אפשרויות שונות ומקבל פרס או קנס בהתאם לשאלה אם התנהגותו סייעה או מנעה ממנו להגיע למטרתו. למידה באמצעות חיזוקים היא הבסיס ל-AlphaGO של גוגל, התוכנית שמביסה את מיטב השחקנים האנושיים במשחק המורכב GO.