ההיסטוריה מלמדת שבתחום טכנולוגיות המחשוב ככלל ובמערכות תכנה בפרט, טכנולוגיות חדשות עוברות אבולוציה במהלך הזמן. בתחילת דרכן, טכנולוגיות אלו דרשו מיומנות מיוחדת להפעלתן ולהפקת תועלת מהשימוש בהן. ניקח לדוגמה מערכות הפעלה. שם התקדמנו ממערכת הפעלה DOS שדרשה ידע מעמיק כדי להפעילה ועברנו לחלונות ומשם לממשק מגע השווה לכל נפש. כיום, קל מאוד ללמוד ולהפיק תועלת ממערכות ההפעלה המודרניות.
אנו נמצאים בעידן שבו תהליך דומה עובר על טכנולוגיית הכלים והתשתיות בתחום האינטליגנציה המלאכותית, אשר מתקדמת בקצב מסחרר. בעבר הלא רחוק, נדרשו תשתיות חומרה יקרות ומומחים על מנת לפתח אלגוריתמים ומודלים מתאימים כל פעם מחדש וכמובן היה צורך בכתיבת קוד מורכב יחסית. תחום ה- AI הוכיח את עצמו וכיום הוא הפך לטכנולוגיה חיונית לכל ארגון, אשר נכנס לליבת העשייה של מערכות המחשוב. לכן, השוק דורש ומקבל מערכות מתקדמות אשר מורידות את המחסומים לשימוש בטכנולוגיה זו ופותחות את האפשרויות לנחלת הכלל. מטרת המאמר, לסקור את ההתקדמות המדהימה בטכנולוגיה זו אשר מאפשרת שימוש בה לאוכלוסייה רחבה ומגוונת יותר.
בתחום טכנולוגיית ה-ML/AI, ישנם מספר סוגי מערכות וטכנולוגיות. לצורך המחשה, נתמקד בסוג המכונה supervised machine learning או לימוד תחת פיקוח. התהליך כולל מספר שלבים:
- ארגון נתונים אשר באמצעותם ניתן לנתח התנהגות או תופעה מסוימת. שלב זה כולל איסוף נתונים, בדיקת תקינותם, שיוכם וארגונם. נתונים אלו משמשים כמידע לאימון המודלים בעזרת נוסחאות ואלגוריתמים.
- בחירת נוסחאות, אלגוריתמים ופרמטרים מתאימים, אשר דרכם ניתן יהיה להשליך על מגמות ותחזיות לעתיד. תהליך זה מתבצע במספר שלבים בשיטת ניסוי וטעיה, עד שנבחרת נוסחה או אלגוריתם עם פרמטרים אשר מפיקים תוצאה רצויה.
- בדיקה ואימות האלגוריתם מול נתונים נוספים, כדי לבדוק את קונסיסטנטיות התוצאות, תקינות התוצאה ורמת האמינות של הנוסחה.
- לאחר 3 השלבים הנ”ל, התשתית מוכנה להפעלה על נתונים חדשים.
הרוב המכריע של חברות העוסקות בתחום, התחילו לייצר טכנולוגיה תחת הכותרת AutoML או machine learning אוטומטי. הכוונה היא להיעזר בטכנולוגיית ML/AI כדי לבצע תהליכי ML/ AI או “”use AI to train AI. ניתן למצוא תכונות אוטומטיות של ML במגוון כלים, אך בקטגוריית AutoML יש קבוצה מוגדרת למדי של תכונות, כולל: רכישה והכנת נתונים מראש; מציאת תכונות רלוונטיות מהנתונים; בחירת האלגוריתם הטוב ביותר; כוונון האלגוריתם; ופריסה ומעקב בשלב הייצור או הפעלת התהליך בפועל. וכל זה מתבצע באופן כמעט אוטומטי.
הכוונה היא להשתמש בכלי AI כדי למכן את התהליכים שנימנו לעיל. לפעמים, הנתונים אשר עליהם נפעיל את האלגוריתמים לא מושלמים (חלקן חסרים, יש צורך בהשלמה ממקור אחר וכו’). במערכות AutoML, הכלי מפעיל פעולות שונות על מנת “לנקות” את הנתונים ולסדר אותם כנדרש. על מנת להמחיש זאת, ראינו שבשלב השני של התהליך, יש צורך בהפעלת מספר רב של אלגוריתמים עם פרמטרים שונים במתכונת “ניסוי וטעיה”, כדי לאתר את האלגוריתם והנוסחה המתאימים ביותר. מערכות AutoML מבצעות הרבה מאוד בדיקות במקביל בעזרת כלים “חכמים” מבוססי AI, אשר ימליצו בעצמם על האלגוריתם המיוחל וזאת בסיוע תשתיות עננים ציבוריים עם משאבי מחשוב כמעט אין סופיים, אשר מאפשרים לבדוק מספר רב של קומבינציות של אלגוריתמים ופרמטרים במקביל.
התוצאה של תהליכי AutoML היא נתונים “נקיים” ומוכנים ואלגוריתם ופרמטרים מתאימים ביותר באחוז וודאות שמחשב מספק. כמובן שניתן לשכלל את הבחירה על ידי data scientist אנושי אשר יכול לבצע שינויים לפי צורך בכתיבת קוד ייעודי. כלי AutoML יפחיתו את מחסום הכניסה למדעי הנתונים וייצרו מקצוע חדש בשם Citizen Data Scientist או איש מקצוע מתחום העסקי ולא המדעי. אותו איש מקצוע רק יבקר וישכלל את התהליך האוטומטי.
על מנת לשכלל את התהליך עוד יותר ולהנגיש כלי AI למספר רב יותר של משתמשים וללא צורך בידע רחב בנושא, הכריזה חברת מיקרוסופט על כלי בשם AI Builder אשר ישתלב במשפחת ה-“Power” של מיקרוסופט בענן Azure. PowerApps הינו שירות ליצירת אפליקציות ארגוניות המבוסס על הממשק המוכר של יישומי אופיס. מוצרים מסוג PowerApps מכונים “מערכות Low Code” או כלים אשר מאפשרים פיתוח אפליקציות ללא צורך בכתיבת קוד. מטרת AI Builder היא להרחיב את היכולת הזו עם מגוון פונקציות בתחום ה-ML/AI כגון: מילוי טפסים בסיוע אלגוריתמים, זיהוי אובייקט בתוך תמונה, ניתוח טקסט וחיזוי תוצאות. הכלי משולב עם סביבת PowerApps ו-Flow ומאפשר שיתוף נתונים בין חברי המשפחה בעזרת Common Data Service – מבנה נתונים פשוט.
שילוב של AI Builder במשפחת ה- ” Power ” של מיקרוסופט
מיקרוסופט מבטיחה להרחיב את היצע האלגוריתמים והפונקציות בכלי אשר יאפשרו שילוב יפה בין יישומים הנבנים בעזרת Power Apps לבין תשתיות נרחבות של ML/AI אשר יתווספו ל-AI Builder. ניתן גם להוסיף קטעי קוד רגיל לפי הצורך.
חשוב לציין כי חברות רבות אחרות כגון IBM , AWS וגוגל מציעות פתרונות בתחום זה.
על פי נתוני חברת המחקר גרטנר:
עד שנת 2023, 40% מצוותי הפיתוח ישתמשו בשירותי AutoML לבניית מודלים לשילוב יכולות AI ביישומים שלהם, כשבשנת 2018 השתמשו פחות מ- 1%.
עד 2022, 25% מנתוני האימונים ל- AI יופקו באופן סינטטי.
עד שנת 2025, 50% מפעילות מדעני הנתונים יותאמו אוטומטית על ידי AI, וכך יקלו על המחסור החריף ב-data scientists.
התחזיות הללו לא פחות ממדהימות ומלמדות על קפיצת מדרגה בתחום ה-ML/AI אשר ימכן את התהליכים ואת ארגון המידע לאימון המודלים – וכך ינגיש את הטכנולוגיה לאוכלוסייה רחבה במיוחד. מדובר על דור חדש של מומחי תוכן עסקי המשתמשים בכלים כמו Excel. הם אלו אשר יבנו את המודלים בעזרת הכלים האוטומטיים הללו. כאמור, דור זה מכונה Citizen Data Scientist.
שילוב מערכות ML/AI בתחומי חיים רבים
במקביל להתקדמויות המתוארות לעיל, ישנן עוד מספר רב של דוגמאות לשילוב מערכות ML/AI בחיי היום-יום שלנו. ישנן מערכות ותוכנות מדף אשר משתמשות בטכנולוגיית ML/AI כדי לבצע מגוון פעילויות כגון תמלול מדיבור לטקסט, זיהוי אובייקטים בתמונות ווידיאו, זיהוי פנים ועוד שלל יישומים. חברת איטייפ מקבוצת מלם תים, מתמחה בתחום זה.
שילוב רכיבי ML/AI בעזרת כלים אוטומטיים
כמו כן, יותר ויותר יצרני תכנה משלבים רכיבי ML/AI כחלק מכלי תכנה מסורתיים. לדוגמה, ישנן מערכות תכנה בתחומים כגון ניהול כלים אוטונומיים, אבטחת המידע, שליטה ובקרה, מערכות אבטחה, שיווק ומכירות, ומגוון תחומים נוספים אשר בהם מוטמעים רכיבי AI לשיפור תפקוד המערכות.
חברת גרטנר מכנה את התופעה הזו, שבה תהליכי AI/ML מסתייעים בטכנולוגיית AI, כ- Augmented DSML”” או כ-data science” ו- machine learning מתוגבר” בעזרת AI. זאת אומרת שעדיין יש צורך בבקרה אנושית על תהליכי ML/AI אשר מסתייעים ב-AI כדי לשפר ולייעל את תהליך בניית המודל. הצפי הוא, שעם הזמן, הבקרה האנושית תצומצם עוד יותר. בכל מקרה, טכנולוגיה זו משחררת חלק ניכר מהמאמץ הנדרש מ-data scientist. בנוסף, הטכנולוגיה מאפשרת ל-Citizen Data Scientists לטפל ברוב תהליכי הבקרה האנושיות על המודלים, מורידה חסמי כניסה ב-ML /AI ומשפרת את ה-ROI בארגון.
האפשרויות הן אין סופיות ובעתיד הלא רחוק, לא נבין איך פעם הסתדרנו ללא מערכות כאלו בעבודה יום-יומית.
