בינה מלאכותית – העתיד כבר כאן

בינה מלאכותית היא תחום מחקר במדעי המחשב שהמטרה שלו היא פיתוח אלגוריתמים לזיהוי, הסקת מסקנות ולמידה, וזאת כדי לפתור בעיות מורכבות כמענה לאתגרים הטכנולוגים בעידן של תובנות.

הרעיון הוא לגרום למחשבים להתנהג בדרך שנחשבת אינטליגנטית לו אדם התנהג כך.

בעבר הבינה המלאכותית הייתה מיוחסת ליכולת של מחשב לשחק שחמט וזאת באמצעות תכנות מתקדם של המהלכים האפשריים עד לשלב בו המחשב ניצח.

כיום נוכחת הבינה המלאכותית בכל מקום וזמן ומתבטאת בתובנות שמגיעות היישר אל המשתמש.

התפתחותה הטכנולוגית של הבינה המלאכותית והשפעתה מעלה לא מעט דילמות אתיות לצד איומים אמיתיים , לדוגמה האם המחשב יחליף פעולות חיוניות בשגרת יומנו ? האם אנו יכולים לבטוח על ההחלטה המתקבלת ממכונה בדיוק כפי שהיינו סומכים על שיקול הדעת שלנו ? הסיכונים באבטחת המידע והשפעתם על החלטת המכונה.

כמו כן אחד החששות שהתחום מעורר הוא אובדן משרות של אנשים לטובת רובוטים, שיוכלו לבצע את עבודתם במהירות גבוהה יותר וביעילות רבה יותר.

האם עלינו לפחד מבינה מלאכותית ?

לדעתי האישית , לא ממש. הסיבה העיקרית היא שבינה מלאכותית המפותחת כיום משמשת ככלי לאספקת תובנות נוספות כך שתסייע לנו לקבל החלטה מדויקת יותר, לבסוף ההחלטה והשליטה לביצוע הפעולה נשארת בידי המשתמש.

על בינה מלאכותית

בינה מלאכותית או בשמה הלועזי ( ( A.I-  Artificial Intelligence  הינה תהליך תכנות מחשב המאפשר התחקות המחשב על ההתנהגות אנושית.

בכדי להתחקות אחרי המוח האנושי נדרש לבצע למחשב תהליך למידת עומק (Deep Learning).

תהליך ה- Deep learning  הינו תהליך המאפשר למחשב ללמוד לזהות עצמים על סמך דוגמאות בשונה מהגישה המוכרת של כתיבת קוד תכנה שמגדירה למחשב בעזרת כללים ברורים בדיוק את הפעולות הנדרשות  כאן התהליך מתבסס למידה לאורך זמן.

תהליך הלמידה מתחיל בהזרמת מידע של האובייקט בצורתו השונה ובתדירות גבוהה.

ניקח לדוגמה אם ברצוננו ללמד את המכונה זיהוי של הספרה 1,  נזין את המכונה בהמון תמונות שונות של הספרה 1 , המחשב יבצע חיתוך של התמונות וסריקה של כל חלק בנפרד . לאחר זמן מסויים המחשב יבנה מודל מבוסס משקולות של איך נראית הספרה בפוזיציות שונות וכך ידע לזהותה.

בדרך דומה ניתן ללמד את המכונה לזהות כל דבר . לדוגמה מידע מבוסס קבצי תמונות ,טקסט, קול , ווידיאו ועוד.

המידע מוזרם למכונה נשלח מסביבת ה- BIG DATA, מאגר המכיל המון מידע מגוון שנאסף לאורך זמן על גבי התקני אחסון.

תהליך הלימוד דורש משאבי חישוב רבים ומהירים ולכן נדרש להשתמש בארכיטקטורת עיבוד שונה   על מנת לבצע המון משימות עיבוד בו זמנית.

מעבדים גרפים / GPU (Graphics Processing Units) שהגיעו מעולם החישוב הגרפי הינם מעבדים הבנויים באמצעות מספר רב של ליבות הפועלות בצורה מקבילית. שימוש בחישוב מקבילי מאפשר עיבוד מידע רב בו זמנית של תמונות ומקצר משמעותית את תהליך הלמידה.

תהליך הלימוד משלב משאבי GPU  ו- CPU וזאת לפי הצורך ובהתאם למשימה החישובית הנדרשת.

בסיום תהליך הלמידה מתקבל מודל של רשת נוירונים מלאכותית היודעת לאפיין ולזהות את האובייקט הנלמד.

בסיום תהליך ה-  Deep Learningעובר המודל המלומד לשלב ה-Inferencing  .

שלב הInferencing – מתבצע על יחידת המחשוב המבצעת. המודל המלומד מושתל על גבי יחידת העיבוד אשר תקבל החלטות בזמן אמת.

לדוגמה אם לימדנו את המערכת לזהות מספרים כאשר המערכת תזהה תמונה עם מספרים שונים היא תדע לספק לנו את התשובה המדויקת של איזה ספרות מופיעות בתמונה  כמו כן תמונה או כל אובייקט אחר .

איור 1: תהליך לימוד מכונה בבינה מלאכותית

איור  1   תהליך לימוד מכונה בבינה מלאכותית

הזדמנויות ואתגרים באימוץ הטכנולוגיה

לקוחות אנטרפרייז רבים מאמצים את טכנולוגיית הבינה המלאכותית  בכדי ליישם תהליך של קבלת תובנות על מאגרי המידע שלהם.

מאגרי המידע שלהם הינם נכס יקר וחשוב שניתן באמצעותו לנתח טוב יותר את התהליכים העסקיים  ולייצר תובנות שישפיעו על החלטות בעתיד.

כמעט בכל תחומי העיסוק נאגרים מאגרי מידע אשר ניתן ליישם עליהם תובנות רבות לדוגמה:

בתחום הבריאות  – צילומי רנטגן, בדיקות מעבדה, מידע על תרופות, מחקרים על מחלות שונות  ומידע רפואי מכל רחבי העולם.

בתחום התחבורה –מידע של וידיאו מצולם בדרכים , מצלמות תנועה ובקרות רמזורים.

בתחום הסייבר – הפקת תובנות ממערכות ההגנה על אירועי אבטחה שונים.

בתחום הביטחון – זיהוי של עצמים חשודים ואנומליות בתמונה או וידיאו.

לכל אחד מהתחומים קיימים אתגרים שונים במימוש הטכנולוגיה ולרוב הלקוח יודע מה התוצאה הנדרשת אך הדרך למימושה מחייבת הבנה מלאה של כל התהליך וגיוס כח אדם מיומן בתוך הארגון ומחוצה לו.

האתגרים הבולטים ביישום בינה המלאכותית:

  • כח מחשוב ועיבוד – היישומים הסטנדרטים בארגון מבוססים על מעבדים סטנדרטיים ויישום בינה מלאכותית דורש עיבוד מבוסס GPU. השקעה בתשתית נוספת הן בצד של Deep Learning והן בצד של ה-Inferencing  .
  • אמון במערכת המחשוב – קיימת אי וודאות מוחלטת בתהליך קבלת ההחלטות של מכונה וזאת מכיוון שהחלטות של המכונה מבוססות למידה עמוקה וניתוח רב שכבתי של המידע כך שאיננו יכולים להבין בדיוק על סמך מה המכונה קיבלה החלטה כזו או אחרת.
  • כח אדם וידע – נדרש לפתח או להתאים את הקוד לעבודה אל מול GPU דבר הדורש מפתחים מתאימים ותהליכי פיתוח מורכבים. כמו כן נדרש ליישם מנגנונים לחילוץ המידע ממאגרי המידע וקטלוג המידע בהתאם.

כל אלה ועוד הם אתגרים גדולים שמשפיעים על ההחלטה אם להשקיע בפרויקט או לא.

בישראל קיימות קרוב לאלף חברות סטארט-אפ בתחום הבינה המלאכותית, וחברות רב לאומיות

רבות פותחות מרכזי חדשנות בתחום. ישנם חוקרים רבים בעלי שם עולמי בתחום בארץ, ובדומה גם מערך המודיעין הישראלי מבין את הצורך ומפתח יכולות וכישורים בתחום.

כיום חברות סטרטאפ, יצרניות חומרה ובתי תכנה המובילות את פיתוח תחום הבינה המלאכותית מספקות כלי פיתוח ואלגוריתמים מאומנים המאפשרים פיתוח מהיר ויעיל ליישומים, מה שיכול לקצר בצורה משמעותית את ה-  Time To Market  של המוצר.

על בינת ובינה מלאכותית

בינת תקשורת מחשבים הינה חברת האינטגרציה המובילה בישראל ושותפה בכירה של יצרניות ה- GPU המובילות  בעולם, לבינת פרויקטים אזרחים וביטחוניים חשובים ומורכבים בתחום.

אנו בבינת מספקים מענה תשתיתי מבוסס מחשוב וכרטיסי GPU להאצת גרפיקה עבור סביבות  virtual Desktop  ותשתיות מחשוב בסביבת ה- Deep Learning Training , inferencing   זאת לצד יעוץ ,תכנון ,הטמעה ושירות של המערכות בבית הלקוח.

לרוב אפיון מערכות DEEP LEARNING  אינו מסתיים באפיון התקן מחשוב עם יכולות GPU בלבד  אלא דורש ידע וניסיון רחב בתחומים נוספים כגון BIG DATA, תקשורת, מחשוב, אחסון  ופיתוח תכנה בכדי לספק מענה מלא לדרישות הלקוח.

ירון לוי מהנדס Data Center
חטיבת הביטחון בבינת תקשורת מחשבים

בבינת קיים צוות ייעודי Professional Services) ) מוסמך המתמחה בתחום המחשוב והבינה המלאכותית המספק יעוץ והטמעת הפתרונות ללקוחות החברה תוך הבנה  של כלל דרישות הלקוח והמערכת.