דלג לתוכן
למידת מכונה לזיהוי מכוניות

מהי למידת מכונה?

למידת מכונה היא סט משנה של בינה מלאכותית (AI). היא מתמקדת בהוראת מחשבים כדי ללמוד מנתונים ולהשתפר עם הניסיון - במקום להיות מתוכנתים במפורש לעשות זאת. בלמידת מכונה, אלגוריתמים עוברים הכשרה למציאת דפוסים וקורלציות בסטים גדולים של נתונים ולקבל את ההחלטות והחיזויים הטובים ביותר בהתבסס על ניתוח זה. יישומי למידת מכונה משתפרים עם השימוש והופכים למדויקים יותר ככל שיש להם גישה ליותר נתונים. אפליקציות של למידת מכונה סובבות את כולנו - בבתים שלנו, בעגלות הקניות שלנו, באמצעי הבידור שלנו ובבריאות שלנו.

למידת מכונה מוסברת

איך למידת מכונה קשורה ל-AI?

למידת מכונה - ומרכיביה בלמידה עמוקה וברשתות עצביות - כולם מתאימים כסטי משנה קונצנטריים של בינה מלאכותית. בינה מלאכותית מעבדת נתונים כדי לקבל החלטות ותחזיות. אלגוריתמים של למידת מכונה מאפשרים ל-AI לא רק לעבד את הנתונים האלה, אלא להשתמש בהם כדי ללמוד ולהגיע חכמים יותר, בלי להזדקק לתכנות נוסף. בינה מלאכותית היא ההורה של כל סטי המשנה של למידת המכונה שמתחתיה. בתוך תת הקבוצה הראשונה נמצאת למידת מכונה; בתוך זו למידה עמוקה, ולאחר מכן רשתות עצביות בתוך זה.

תרשים של בינה מלאכותית לעומת למידת מכונה

תרשים של הקשר בין בינה מלאכותית ללמידת מכונה

מהי רשת עצבית?

 

רשת עצבית מלאכותית (ANN) מעוצבת על ידי הנוירונים במוח ביולוגי. נוירונים מלאכותיים נקראים צמתים והם מקובצים יחד במספר שכבות, הפועלים במקביל. כאשר נוירון מלאכותי מקבל אות מספרי, הוא מעבד אותו ואותת לשאר הנוירונים המחוברים אליו. כמו במוח אנושי, חיזוק עצבי מביא להכרה משופרת בדפוס, מומחיות ולמידה כוללת.

 

מהי למידה עמוקה?

 

סוג זה של למידת מכונה נקרא "עמוק" משום שהוא כולל שכבות רבות של הרשת העצבית ונפחים מסיביים של נתונים מורכבים ונפרדים. כדי להגיע ללמידה עמוקה, המערכת עוסקת במספר שכבות ברשת, תוך חילוץ פלטים ברמה גבוהה יותר. למשל, מערכת למידה עמוקה שמעבדת תמונות טבע ומחפשת את גלוריוסה דאיזיס – בשכבה הראשונה – תכיר צמח. כאשר הוא עובר דרך השכבות העצביות, הוא יזהה לאחר מכן פרח, אחר כך דאיזי ולבסוף דאיזי גלוריוסה. דוגמאות ליישומי למידה עמוקה כוללות זיהוי דיבור, סיווג תמונה וניתוח תרופות.

כיצד עובדת למידת מכונה?

למידת מכונה מורכבת מסוגים שונים של מודלים של למידת מכונה, באמצעות טכניקות אלגוריתמיות שונות. בהתאם לאופי הנתונים והתוצאה הרצויה, ניתן להשתמש באחד מארבעה מודלים לימודיים: מפוקח, לא מפוקח, מפוקח למחצה או מגביר. בתוך כל אחד מהמודלים הללו, ניתן ליישם טכניקה אלגוריתמית אחת או יותר – יחסית לסטים של הנתונים שנמצאים בשימוש ולתוצאות המיועדות. אלגוריתמים של למידת מכונה נועדו בעיקרון לסווג דברים, למצוא דפוסים, לחזות תוצאות ולקבל החלטות מושכלות. ניתן להשתמש באלגוריתמים אחד בכל פעם או בשילוב כדי להשיג את הדיוק הטוב ביותר האפשרי כאשר מעורבים נתונים מורכבים ובלתי צפויים יותר. 

תרשים של אופן הפעולה של למידת מכונה

כיצד פועל תהליך למידת המכונה

מה הלמידה המפוקחת?

 

לימוד מפוקח הוא הראשון מבין ארבעה מודלים של למידת מכונה. באלגוריתמי למידה מפוקחת, המכונה נלמדת על ידי דוגמה. מודלים של למידה בפיקוח כוללים צמדי נתונים "קלט" ו"פלט", כאשר הפלט מתויג בערך הרצוי. לדוגמה, בואו נגיד שהמטרה היא עבור המכונה לומר את ההבדל בין דאיזיס לפאנסים. זוג נתוני קלט בינארי אחד כולל גם תמונה של דייזי וגם תמונה של פנסי. התוצאה הרצויה עבור הזוג המסוים הזה היא לבחור את הדאיזי, ולכן היא תזוהה מראש כתוצאה הנכונה.

 

באמצעות אלגוריתם, המערכת מהדרת את כל נתוני ההכשרה הללו לאורך זמן ומתחילה לקבוע קווי דמיון, הבדלים ונקודות לוגיקה אחרות – עד שהיא יכולה לחזות את התשובות לשאלות דאיס-או-פנסי, כולן מעצמן. זה שווה לתת לילד סט בעיות עם מפתח תשובה, ואז לבקש מהם להראות את העבודה שלהם ולהסביר את ההיגיון שלהם. מודלים של למידה מפוקחת משמשים ברבים מהיישומים שאנו מקיימים איתם אינטראקציה מדי יום, כגון מנועי המלצה למוצרים ויישומי ניתוח תנועה כמו Waze, אשר מנבאים את המסלול המהיר ביותר בזמנים שונים של יום.

 

מהי למידה לא מפוקחת?

 

למידה לא מפוקחת היא השנייה מבין ארבעת המודלים של למידת מכונה. במודלים של למידה לא מפוקחת אין מפתח תשובה. המכונה חוקרת את נתוני הקלט - שחלק ניכר מהם לא מתויגים ולא מובנים - ומתחילה לזהות דפוסים וקורלציות, תוך שימוש בכל הנתונים הרלוונטיים והנגישים. במובנים רבים, למידה לא מפוקחת מעוצבת על האופן שבו בני אדם מתבוננים בעולם. אנחנו משתמשים באינטואיציה ובניסיון לקבץ דברים יחד. ככל שאנו חווים יותר ויותר דוגמאות למשהו, היכולת שלנו לקטלג ולזהות אותו הופכת למדויקת יותר ויותר. עבור מכונות, "חוויה" מוגדרת על ידי כמות הנתונים הנקלטים והופכים לזמינים. דוגמאות נפוצות ליישומי למידה לא מפוקחים כוללות זיהוי פנים, ניתוח רצף גנים, מחקר שוק וביטחון סייבר.

 

מהי למידה מפוקחת למחצה?

 

למידה מפוקחת למחצה היא השלישית מבין ארבעה מודלים של למידת מכונה. בעולם מושלם, כל הנתונים יהיו מובנים ומתויגים לפני שהם נקלטים למערכת. אבל מכיוון שזה כמובן לא בר ביצוע, למידה מפוקחת למחצה הופכת לפתרון בר ביצוע כאשר כמויות עצומות של נתונים גולמיים, לא מובנים. מודל זה כולל קליטת כמויות קטנות של נתונים מתויגים כדי להרחיב סטים של נתונים ללא תווית. באופן בסיסי, הנתונים המסומנים פועלים כדי לתת התחלה פועלת למערכת ויכולים לשפר במידה ניכרת את מהירות הלמידה והדיוק. אלגוריתם למידה מפוקח למחצה מורה למכונה לנתח את הנתונים המתויגים עבור תכונות תואמות שניתן להחיל על הנתונים ללא תווית.

 

כפי שנחקר לעומק במאמר מחקר זה של MIT Press, קיימים, עם זאת, סיכונים הקשורים למודל זה, שבהם פגמים בנתונים המסומנים נלמדים ומשוכפלים על ידי המערכת. חברות שלרוב משתמשות בלמידה מפוקחת למחצה מבטיחות שפרוטוקולים של תהליכים מייעלי עבודה מתקיימים. למידה מפוקחת למחצה משמשת בדיבור ובניתוח לשוני, מחקר רפואי מורכב כגון חלוקה לקבוצות חלבונים ואיתור הונאות ברמה גבוהה.

 

מהי למידת חיזוק?

 

למידת חיזוקים היא המודל הרביעי של למידת מכונה. בלמידה מפוקחת, המכונה מקבלת את מפתח התשובה ולומדת על ידי מציאת קורלציות בין כל התוצאות הנכונות. מודל לימוד הניזוק אינו כולל מפתח תשובה אלא, מקלט סט של פעולות מותרות, כללים ומצבי קצה פוטנציאליים. כאשר המטרה הרצויה של האלגוריתם היא קבועה או בינארית, מכונות יכולות ללמוד על פי דוגמה. אבל במקרים בהם התוצאה הרצויה ניתנת לשינוי, על המערכת ללמוד על ידי ניסיון ותגמול. במודלים של למידה חיזוק, ה"תגמול" הוא מספרי ומתכנת לאלגוריתם כמשהו שהמערכת מבקשת לאסוף.

 

במובנים רבים, המודל הזה אנלוגי ללמד מישהו איך לשחק שחמט. בהחלט, יהיה בלתי אפשרי לנסות להראות להם כל מהלך פוטנציאלי. במקום זאת, אתה מסביר את הכללים והם בונים את המיומנות שלהם באמצעות תרגול. פרסים מגיעים בצורה של לא רק ניצחון במשחק, אלא גם רכישת חתיכות היריב. יישומים של למידה לחיזוק כוללים הגשת הצעות מחיר אוטומטיות לקונים של פרסום מקוון, פיתוח משחקי מחשב וסחר בשוק המניות עתיר סטייקים.

למידת מכונה ארגונית בפעולה

אלגוריתמים של למידת מכונה מזהים דפוסים וקורלציות, כלומר הם מאוד טובים בניתוח תשואה להשקעה משלהם. עבור חברות שמשקיעות בטכנולוגיות למידת מכונה, תכונה זו מאפשרת הערכה כמעט מיידית של ההשפעה התפעולית. להלן רק מדגם קטן של כמה מהתחומים הצומחים ביישומי למידת מכונה ארגוניים.

  • מנועי המלצות: בין 2009 ל-2017, מספר משקי הבית בארה"ב המנויים לשירותי הזרמת וידאו עלה ב-450%. וכתבה לשנת 2020 במגזין פורבס מדווחת על תפנית נוספת בנתוני השימוש בהזרמת וידאו של עד 70%. למנועי המלצות יש אפליקציות על פני פלטפורמות קמעונאיות וקניות רבות, אבל הן בהחלט נכנסות לעצמן באמצעות שירותי הזרמת מוזיקה ווידאו.
  • שיווק דינמי: יצירת לידים ושימוש בהם באמצעות משפך המכירות דורש יכולת לאסוף ולנתח כמה שיותר נתוני לקוח. צרכנים מודרניים מייצרים כמות עצומה של נתונים מגוונים ולא מובנים - החל מתעתיקי צ'אט וכלה בהעלאות תמונה. השימוש ביישומי למידת מכונה עוזר למשווקים להבין נתונים אלה – ולהשתמש בהם כדי לספק תוכן שיווקי מותאם אישית ומעורבות בזמן אמת עם לקוחות ולידים.
  • ERP ואוטומציה של תהליכים: בסיסי נתונים של ERP מכילים סטים רחבים של נתונים שונים, שעשויים לכלול סטטיסטיקה של ביצועי מכירות, סקירות צרכנים, דוחות מגמת שוק ורשומות ניהול שרשרת אספקה. ניתן להשתמש באלגוריתמים של למידת מכונה כדי למצוא קורלציות ודפוסים בנתונים כאלה. ניתן להשתמש בתובנות אלה כדי ליידע כמעט כל תחום בעסק, כולל מיטוב תהליכי העבודה של התקני Internet of Things (IoT) בתוך הרשת או הדרכים הטובות ביותר לאוטומציה של משימות חוזרות או לביצוע שגיאות.
  • אחזקה תחזיתית: שרשראות אספקה מודרניות ומפעלים חכמים עושים יותר ויותר שימוש במכשירי IoT ובמכונות, כמו גם בקישוריות ענן בכל הציים והתפעול שלהם. פירוקים וחוסר יעילות עלולים לגרום לעלויות ולשיבושים עצומים. כאשר נתוני אחזקה ותיקון נאספים ידנית, כמעט בלתי אפשרי לחזות בעיות פוטנציאליות – אפשר לבד לבצע אוטומציה של תהליכים כדי לחזות אותם ולמנוע אותם. ניתן להתאים חיישני IoT gateway אפילו למכונות אנלוגיות ישנות, המספקות נראות ויעילות ברחבי העסק.
placeholder

התחל היום

ראה טכנולוגיות חכמות של SAP כולל בינה מלאכותית ולמידת מכונה בפעולה.

אתגרים של למידת מכונה

בספרו Spurious Corrationship, טוען מדען המידע ובוגר אוניברסיטת הרווארד טיילר ויגן כי "לא כל הקורלציות הן אינדיקציה לקשר סיבתי בסיסי". כדי להמחיש זאת, הוא כולל תרשים המציג מתאם חזק לכאורה בין צריכת המרגרינה לבין שיעור הגירושים במדינת מיין. כמובן שתרשים זה נועד ליצור נקודה הומוריסטית. עם זאת, בהערה רצינית יותר, יישומי למידת מכונה פגיעים להטיה ולטעות האנושיים והאלגוריתמיים. ובשל נטייתם ללמוד ולהסתגל, שגיאות וקשרי קורלציה פושרים יכולים להתפשט במהירות ולזהם את התוצאות ברחבי הרשת העצבית.

 

אתגר נוסף מגיע ממודלים של למידת מכונה, שבהם האלגוריתם והפלט שלו כל כך מורכבים, עד שלא ניתן להסביר או להבין אותם על ידי בני אדם. זה נקרא מודל "קופסה שחורה" והוא מעמיד את החברות בסיכון כשהן מוצאות את עצמן לא מסוגלות לקבוע איך ולמה אלגוריתם הגיע למסקנה מסוימת או להחלטה מסוימת.

 

למרבה המזל, ככל שהמורכבות של סטים של נתונים ואלגוריתמים של למידת מכונה גדלה, כך גם הכלים והמשאבים הזמינים לניהול הסיכונים. החברות הטובות ביותר פועלות לביטול הטעות וההטיה על ידי ביסוס הנחיות פיקוח בינה מלאכותית מעודכנות ועדכניות ופרוטוקולים של תהליכים מייעלי עבודה.

placeholder

הפיכת המירב ללמידת
מכונה

המשך דרכו של "לומדים מהירים" עם חמשת הלקחים הללו נלמד.

שאלות נפוצות על למידת מכונה

למידת מכונה היא סט משנה של בינה מלאכותית ואינה יכולה להתקיים בלעדיה. בינה מלאכותית משתמשת ומעבדת נתונים כדי לקבל החלטות ותחזיות - זה המוח של מערכת מבוססת מחשב והיא ה"אינטליגנציה" המוצגת על ידי מכונות. אלגוריתמים של למידת מכונה בתוך ה-AI, כמו גם יישומים אחרים המופעלים על ידי AI, מאפשרים למערכת לא רק לעבד את הנתונים האלה, אלא להשתמש בהם לביצוע משימות, לבצע תחזיות, ללמוד ולקבל חכם יותר, ללא צורך בתכנות נוסף. הם נותנים ל-AI משהו מונחה מטרה לעשות עם כל האינטליגנציה והנתונים האלה.

כן, אבל יש לגשת אליו כמאמץ עסקי רחב, ולא רק שדרוג IT. החברות שיש להן את התוצאות הטובות ביותר עם פרויקטים של טרנספורמציה דיגיטלית מקבלות הערכה לא מחמיאה של מערכות המשאבים והמיומנות הקיימות שלהן ומבטיחות שיש להן את מערכות היסוד הנכונות לפני תחילת העבודה.

יחסית ללמידת מכונה, מדעי הנתונים הם תת קבוצה; הוא מתמקד בסטטיסטיקה ובאלגוריתמים, משתמש בטכניקות רגרסיה וסיווג, ומפרש ומתקשר תוצאות.  למידת מכונה מתמקדת בתכנות, אוטומציה, דירוג, שילוב ותוצאות אחסון.

למידת מכונה מסתכלת על דפוסים וקורלציות; היא לומדת מהם ומטייבת את עצמה ככל שהיא הולכת. כריית נתונים משמשת כמקור מידע עבור למידת מכונה. טכניקות כריית נתונים משתמשות באלגוריתמים מורכבים בעצמן ויכולות לסייע לספק סטים של נתונים מאורגנים טוב יותר עבור יישום למידת מכונה לשימוש.

הנוירונים המחוברים עם רשת עצבית מלאכותית נקראים צמתים, המחוברים ומקובצים בשכבות. כאשר צומת מקבלת אות מספרי, אז היא מסמנת נוירונים רלוונטיים אחרים, הפועלים במקביל. למידה עמוקה משתמשת ברשת העצבית והיא "עמוקה" משום שהיא משתמשת בנפחים גדולים מאוד של נתונים ומעורבת עם מספר שכבות ברשת העצבית בו זמנית. 

למידת מכונה היא האמלגם של מספר מודלים, טכניקות וטכנולוגיות של למידה, שעשויים לכלול סטטיסטיקה. הסטטיסטיקה עצמה מתמקדת בשימוש בנתונים כדי לבצע תחזיות וליצור מודלים לניתוח.

עלון חדשות של SAP Insights

placeholder
הירשם כמנוי היום

קבל תובנות מרכזיות על-ידי הרשמה כמנוי לעלון החדשות שלנו.

קריאה נוספת

חזור למעלה