למידה חישובית ( Machine Learning) היא התת־תחום בבינה מלאכותית הרלוונטי ביותר בעבור חברות ענק כמו גוגל ופייסבוק. . המחשבים מסננים נתונים כדי לזהות דפוסים ולבצע תחזיות מבלי שתוכנתו לעשות כך מראש. הטכניקה מיושמת כיום באופנים שונים בתעשיית הטכנולוגיה, לרבות פרסום מקוון ממוקד, המלצות על מוצרים, התאמות מידע ברשתות חברתיות , מציאות רבודה ומכוניות אוטונומיות.
למידה חישובית היא הדור השני של מסדי הנתונים
דרך אחת להבין את ההשפעה הפוטנציאלית של למידה חישובית בנגזרת של הבינה המלאכותית היא לבדוק את מסדי הנתונים. משנות ה–80 של המאה ה–20, מסדי נתונים הוזילו את אחסון המידע, הפיקו תובנות וטיפלו במשימות קוגניטיביות כמו ניהול מלאים. מסדי הנתונים תידלקו את הדור הראשון של המחשבים; הבינה המלאכותית תהפוך את הדור הבא של המחשבים לבעל יכולות חיזוי ויכולות תגובה. אפליקציה כמו ג'ימייל, שבודקת את התוכן של המיילים ומציעה במנוע החיפוש תשובות מהירות על גבי המכשירים הסלולריים, היא דוגמה מוקדמת למה שבינה מלאכותית מסוגלת לעשות.
למידה חישובית בפעולה : כמה דוגמאות
היתרונות של בינה מלאכותית נראים לעין במיוחד בתחזיות של חברות לגבי רצונות המשתמשים. המלצות אוטומטיות אחראיות ל–75% מהתכנים שבהם צופים אנשים בנטפליקס, וליותר משליש מהרכישות באמזון. פייסבוק, הבעלים של אפליקציית אינסטגרם, משתמשת בלמידה חישובית כדי לזהות תכנים של פוסטים, תמונות או סרטונים ולפיהם להציג תכנים רלוונטיים למשתמשים, כמו גם כדי לסנן ספאם. בעבר היא נהגה לדרג את הפוסטים באופן כרונולוגי, אך דירוג של פוסטים ופרסומות לפי רלוונטיות משאיר את המשתמשים ברשת החברתית זמן רב יותר.
לטענת חואקין קנדלה, מנהל יישומי בינה מלאכותית בפייסבוק, ללא למידה חישובית פייסבוק לא היתה נהפכת למה שהיא כיום. חברות שלא השתמשו בבינה מלאכותית, או שאיחרו לעשות כך, מצאו את עצמן בפיגור, כמו למשל במקרה של יאהו ומנוע החיפוש שלה, או בינג של מיקרוסופט.
אמזון וגוגל אף לקחו צעד נוסף ביישום של בינה מלאכותית במגוון הפעילויות שלהן. למידה חישובית הפכה את הפעילות המקוונת והפיזית של אמזון ליעילה הרבה יותר. לחברה יש כ–80 אלף רובוטים והיא משתמשת בבינה מלאכותית גם בניהול המלאי ובניהול הלוגיסטי של צי המשאיות שלה. בתחום הזמנות מזון, אמזון משתמשת בטכנולוגיה שתזהה אילו פירות טריים דיים כדי להישלח ללקוחות. היא גם מפתחת מזל"טים שיספקו ללקוחותיה את הזמנותיהם.
גוגל משתמשת בבינה מלאכותית כדי לקטלג תכנים ביוטיוב, לסנן תכנים בעייתיים ולזהות אנשים במטרה לקבץ אותם לקבוצות באפליקציית התמונות שלה. בינה מלאכותית מיושמת גם במערכת ההפעלה אנדרואיד, במטרה לזהות אילו אפליקציות מעניינות את המשתמשים. אפליקציית גוגל בריין בתחום הבינה המלאכותית נחשבת לקבוצת המחקר הטובה ביותר עבור יישום של למידה חישובית מתקדמת, כך שתייצר רווח, למשל באמצעות שיפור האלגוריתמים של החיפוש .
גוגל ולמידה חישובית
אחת הדוגמאות ליישום מועיל של למידה חישובית , הם הידיעות המופיעות בסמוך לתיבת החיפוש שלכם של גוגל במובייל , המכשיר הנייד . ידיעות חדשותיות נבחרות עפ"י פרופיל המשתש /פרופיל מבצע המחפש . רק ידיעות מותאמות לפרופיל מופיעות בסמיכות לתיבת החיפוש במובייל.
באירוע מיוחד שעוסק בפתרונות הענן של גוגל, Google Next GCP 2016, הודיעה החברה על השקתה של פלטפורמה חדשה שתסייע למפתחים לרתום את הידע והניסיון שצברה גוגל בתחום ה”למידה החישובית” (Machine Learning) .
הפלטפורמה של גוגל, Machine Learning Platform, זמינה כעת באופן מצומצם ועתידה להיפתח באופן רחב יותר בהמשך.
הבסיס של כל האלגוריתמים העושים שימוש ב-Machine Learning הוא תהליך לימוד ארוך הנשען על עיבוד כמויות גדולות של מידע שמוזן לתוך המערכת. תהליך זה נדרש לצורך אימון האלגוריתמים כדי שיוכלו לעשות את עבודתם בצורה מדויקת ללא טעויות.
הפלטפורמה החדשה של גוגל תעניק למפתחים כלים מתקדמים שיאפשרו להם לאמן את המערכות שלהם בצורה קלה ומהירה, הודות לשימוש בשירותי הענן של גוגל. מאחר שמדובר על תהליך שמתבצע בענן, לא נדרשים מחשבים בעלי כוחות עיבוד גבוהים מצד המפתחים, מה שעשוי לעזור להם הן מבחינה תקציבית והן מבחינת כמויות המידע הניתן לעיבוד ( אורי אליאבייב, 2016) .
למידה חישובית מסייעת כיום גם למערכות המלצה
מערכות המלצה הן מערכות מוניטין ו/או מנגנונים שונים המשמשים כדי לסנן כמויות גדולות של מידע באמצעות הפצת תהליך של סינון בקרב קבוצה גדולה של אנשים.
המערכות מספקות המלצות למשתמשים על פריטי תוכן או פריטי סחר שעשויים לעניין אותם.
ההמלצות המתוקשבות עוזרות למשתמשים לאתר פריטים רלוונטיים או לקרוא כתבת תוכן שמעניינת אותם.
מערכות המלצה מציעות למשתמש מוצרים או דפי אינטרנט שעשויים לעניין אותו, בהתבסס על מידע שהמערכת אספה על המשתמש ועל הפריטים המתאימים לו.
ההמלצה מבוססת לעתים גם מהליך חקר מתוקשב של ניתוח המידע אשר נאסף על המשתמש, על ידי מערכת המלצה שיתופית, (Collaborative Filtering) , כלומר , השוואה מול קבוצת חברים עם פרופיל דומה .
יתרון בולט במערכות ההמלצה הוא תהליך זיקוק ארוך טווח של מידע המותאם כל הזמן מול צבירת מידע על פרופיל ההתעניינות של המשתמש.
מדובר בעיקר על מערכות המבוססות על נתוני פרופיל המשתמש מתאימות מוצרים שעשויים להיות רלוונטיים למשתמש על פי נתונים כגון גיל או מיקום גאוגרפי. מערכות המבוססות על היסטוריית הגלישה של המשתמש עושות שימוש בשיטות של כריית נתונים מנתוני היסטוריית הגלישה של המשתמש ומזהות את תחומי העניין שלו. ככל שפרופיל המשתמש יכיל נתונים רבים ומדויקים יותר כך ההמלצה תהיה טובה יותר. סוגיה זו נפתרת אם פועלים בשיטה מבוססת היסטוריית גלישה, שבה המערכת אוספת נתונים ללא כל משוב מהמשתמש עצמו ( עמי סלנט , 2017 ) .
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.
המדענים מזהים למידת מכונה, כאשר הביצועים של משימה במחשב, הולכים ומשתפרים עם הניסיון. כלומר, בכל פעם שתוכנת המחשב מבצעת משימה, באופן יעיל מאשר בצעה אותה בעבר. ככל שתוכנה משיגה תוצאות טובות יותר, מבלי שמתכנת אנושי השפיע על כך, אז התרחשה למידה חישובית, או למידת מכונה.
לפייסבוק יש יתרון בכיוון זה והיא אכן משקיעה סכומי עתק לפיתוח למידה חישובית על מנת לזהות את סוג האינטראקציה שיש להתאים למשתמשים שלה.
אנשי פייסבוק לא רצו שהפיד שלנו יהיה מוצף בתכנים לא רלוונטיים ובספאם, ולכן יצרו אלגוריתם שמסנן תכנים שאינם מתאימים לפרופיל שלנו ולהתנהלות שלנו בפייסבוק. לכן הם משתמשים בכמה וכמה אלגוריתמים המתבססים על למידה חישובית. ברגע שדף מסוים מייצר תוכן שעוסק במשהו שאתם אוהבים (לפי הפרופיל שלכם, תחומי העניין ועוד), הפיד שלכם יקבל הצעה לעשות לייק על אותו דף (Recent Articles). באופן זה פייסבוק חושפת אתכם לדפים ולתכנים חדשים, שלהם עדיין לא נחשפתם בדרך אחרת: מאמרים, אירועים שאולי יתאימו לכם ועוד. לצד ההצעה לעשות לייק יש גם כפתור "הסתר", במידה שאינכם מעוניינים לקבל הצעות מהדף הספציפי שהוצג לכם.
הענקיות פושטות על כנסים אקדמיים
התחרות העזה ביותר היא על כוח עבודה מיומן, שהמחסור בו מורגש ביתר שאת. הדרישה ל"בוני" בינה מלאכותית, שמסוגלים ליישם באופן יצירתי טכניקות של למידה חישובית למסדי נתונים ענקיים, התנפחה, והיא גדולה בהרבה ממספר הסטודנטים שלמדו את התחום.
אם כל הגורמים האלה אינם מספיקים, החברות פשוט קונות סטארט־אפים שלמים. תעשיית ההיי־טק שמה לב למגמה הזאת לראשונה ב–2014, כשגוגל השקיעה כ–500 מיליון דולר בדיפמיינד, סטארט־אפ ללא הכנסות או מוצר משמעותי למעט צוות של למידה עמוקה. לאחר שהעסקה הושלמה, הם תיכנתו תוכנה שהביסה את לי סדול, אלוף העולם במשחק הלוח הנושן "גו". גם חברות אחרות הוציאו כסף רב כדי לרכוש סטארט־אפים מפסידים, שבדרך כלל מוערכים על פי העובדים שלהם, ולא על פי רווחים עתידיים או מכירות. כל עובד מוערך בסכום של 5–10 מיליון דולר.
כבר לא מאחורי דלתיים סגורות
הענקיות הסיניות, שמנסות לבסס מאחזים במערב ולגייס חוקרים אמריקאים. באידו פתחה השנה מרכז מחקר שני בעמק הסיליקון שמתמקד בבינה מלאכותית. המרכז הראשון נפתח ב–2013. חוקרי בינה מלאכותית מערביים מעריכים את איכות מרכזי המחקר שפתחו החברות הסיניות, אך מעדיפים לעבוד אצל ענקיות הטכנולוגיה האמריקאיות, גם בשל השקיפות היחסית שקיימת בהן.
אם החברות האלה מצליחות לגייס את האנשים הנכונים בתחום, התוצאה היא הרחבת כוח העבודה שלהן בצורה משמעותית. היתרונות של בינה מלאכותית נראים לעין במיוחד בתחזיות של חברות לגבי רצונות המשתמשים. המלצות אוטומטיות אחראיות ל–75% מהתכנים שבהם צופים אנשים בנטפליקס, וליותר משליש מהרכישות באמזון. פייסבוק, הבעלים של אפליקציית אינסטגרם, משתמשת בלמידה חישובית כדי לזהות תכנים של פוסטים, תמונות או סרטונים ולפיהם להציג תכנים רלוונטיים למשתמשים, כמו גם
מקורות המידע
Applied Machine Learning at Facebook: A Datacenter Infrastructure Perspective
Google Cloud Machine Learning at Scale | Google Cloud Pla |
How does Facebook use machine learning? | Facebook (product) – Quora |
עריכה , גיבוש ותוספת דוגמאות : עמי סלנט