בינה מלאכותית מושגי יסוד

בינה מלאכותית (AI) נכנסה לחיינו בצורה משמעותית יותר בשנים האחרונות, והפכה ל"באז וורד" שאי אפשר לחמוק ממנה. כדיי שהעולם החברתי וארגוני החברה האזרחית לא יישארו מאחור עלינו ללמוד אותה, את המשמעויות שלה, ולהבין איך היא יכולה לסייע גם לנו.

הבינה המלאכותית לא רק מספקת פתרונות טכנולוגיים מתקדמים או יכולה לייעל את העבודה שלנו, אלא גם לתרום רבות לקידום המטרות החברתיות באופן ישיר. בזמן קצר יחסית פרצו לחיינו הרבה מאוד מושגים בעולם הבינה המלאכותית של הכרנו קודם, אז רגע לפני שנדבר על השימושים האפשריים בכלים, בואו נעשה בהם סדר.

AI – בינה מלאכותית – מה זה בכלל?

הבינה המלאכותית מייצגת את הרעיון בו מכונות, תוכנות או כל מנגנון טכנולוגי מחקה מנגנון חשיבה אנושי.
קיים מגוון רחב של הגדרות, אך המשותף להן הוא היכולת של מערכות אלו לפעול באופן אוטונומי ולהגיב לשינויים בסביבתן, בהתבסס על טכנולוגיות שונות. האוטונומיה והאדפטיביות הן גם אלה המאפשרות למערכות אלגוריתמיות ליצור את הרושם שהתנהגותן היא אנושית.

קיימות אינסוף דוגמאות מחיי היומיום שלנו המשתמשות בטכנולוגיות בינה מלאכותית: החל מה-WAZE, דרך NETFLIX ועד לכלים כמו CHAT GPT או COPILOT. יחד עם זאת חשוב להבין שיש מגוון סוגים של AI, וכל אחד מהכלים שהוזכרו משתמש באחד או יותר מהם. למעשה, AI הוא שם כולל למגוון טכניקות, ותחתיו קיימים אמצעים טכנולוגיים רבים המסווגים בהתאם לאופי פעולתם.

סוגים שונים של בינה מלאכותית – Artificial Intelligence

1. ML – למידת מכונה – המוח הסטטיסטי

אוסף של טכניקות סטטיסטיות, שנועדו לזהות דפוסים או כללים שיכולים להסביר נתונים או לחזות תוצאות עתידיות. זהו תהליך שנעשה באופן אוטונומי, ללא כללים או חוקים ישירים שקודד מפתח המערכת; מערכות ML מסייעות למעשה בהתמודדות עם שני אתגרים מרכזיים: 1. מסות של נתונים ופרמטרים 2. צורך בחיזוי.
יתרונה של שיטה זו שהיא עקבית וברורה להבנה, אך יש לה גם חיסרון משמעותי – טכניקה זו מוגבלת לפעולות שהן לינאריות באופיין.

דוגמה שכולנו מכירות לשימוש בטכנולוגיית ML היא מערכת זיהוי דואר זבל (ספאם) במייל שלנו. מערכת זו משתמשת באלגוריתמים של למידת מכונה כדי לזהות דפוסים במיילים ולסווג אותם כדואר זבל או כדואר רגיל. המערכת מבוססת על אלגוריתם סטטיסטי פשוט אך יעיל לסיווג טקסט, ומחשבת את ההסתברות שהודעה היא דואר זבל על סמך מילים ומאפיינים אחרים של הטקסט. למשל, אם מילה כמו "זכייה" מופיעה לעיתים קרובות בספאם, המערכת תסווג מיילים עם המילה הזו בסבירות גבוהה יותר כספאם. יתרונה של המערכת בכך שיכולה לזהות ספאם בצורה מהירה ואמינה, תוך התבססות על אלגוריתמים פשוטים יחסית. יחד עם זאת, מערכות אלו יעילות בעיקר בטקסט מובנה ויכולות להיות פחות מדויקות עם דפוסי טקסט מורכבים או מתוחכמים יותר.

DL .2 – למידה עמוקה – המוח שמאחורי הקסם

למידה עמוקה היא עוד שכבה של ML, אבל היא הולכת רחוק יותר. כאן, המכונה לומדת לא רק מדפוסים, אלא יודעת להפיק פשר ממידע גולמי ולא מתוייג. זה כמו לתת למחשב מוח של מדען, שיכול ללמוד ולהבין דברים מסובכים בלי שנצטרך להסביר לו הכל. למעשה, זוהי טכניקה המשמשת כדי ללמד את המכונה לזהות דפוס מסוים על ידי "אימון", כאשר המכונה, בדומה למערכת העצבים האנושית, יודעת להפיק פשר מאותו מידע. בניגוד ל-ML, כאן כבר אפשר להשתמש במגוון סוגי נתונים (תמונה, טקסט ועוד) במודל חיזוי אחד.

שימו לב – לטכנולוגיה זו יתרון משמעותי הרלוונטי לעולמות העשייה החברתית: היא מאפשרת מחקר ועשייה גם ביחס לפעולות שאינן לינאריות (כמו רבות מהפעולות בעולם בו אתם עוסקים).

דוגמה לשימוש בטכנולוגיות DL ניתן לראות במערכת זיהוי הדיבור של גוגל או ב-Siri של אפל. שתי הטכנולוגיות מסוגלות להמיר דיבור לטקסט באופן מדויק ומהיר ומשתמשות בטכנולוגיות למידה עמוקה כדי לזהות ולפענח דיבור בשפה טבעית ממגוון רחב של שפות.

איך זה עובד? התהליך כולל מספר שלבים: 1. קלט דיבור: המערכת קולטת את האותות הקוליים מהמשתמשים דרך מיקרופון או קובץ שמע. 2. עיבוד אותות קוליים: האותות הקוליים עוברים עיבוד ראשוני כדי להסיר רעשי רקע ולשפר את איכות השמע. 3. רשתות נוירוניות עמוקות: רשתות נוירוניות עמוקות מאומנות על כמויות עצומות של נתוני דיבור ותמלול. הרשתות מנתחות את האותות הקוליים ומפרקות אותם לרכיבים קטנים כמו פונמות (יחידות צליל בסיסיות). המודלים מנתחים את הרכיבים האלו, משווים אותם לדפוסים שנלמדו, ומזהים את המילים והמשפטים הנאמרים. 4. המרת דיבור לטקסט: לאחר זיהוי המילים, המערכת ממירה את הדיבור לטקסט מדויק שמשקף את הדברים שנאמרו.מערכות אלו מאפשרות דיוק גבוה יחסית, רב תחומיות ואף משתפרות תמיד באמצעות התעדכנות המודלים. יחד עם זאת, אלו מערכות מורכבות יותר שקשה יותר לתחזק ולהפעיל ללא תקלות.

3. בינה מלאכותית ג'נרטיבית (Generative AI)

אם כלי AI הנשענים של שני סוגי הטכנולוגיות – למידת מכונה (ML) ולמידה עמוקה (DL), הם חלק מחיינו כבר לא מעט שנים, מה בעצם קרה בשנים האחרונות? למה AI נבחרה כמילת השנה דווקא ב-2023? איך יכול להיות שאי אפשר להפסיק לשמוע על AI בעולם הארגוני ובכלל? נראה שמה ששינה את כללי המשחק הייתה למעשה כניסתם של כלי AI ג'נרטיביים. בינה מלאכותית ג'נרטיבית היא למעשה שם כולל לכלים רבים המשתמשים בבינה מלאכותית לטובת יצירת תוכן חדש ומקורי. זוהי טכנולוגיה המסוגלת ליצור טקסט, תמונות, קול ותוכן אחר בהתבסס על מידע שהיא למדה ממאגרי נתונים גדולים.

מאפיינים עיקריים של בינה מלאכותית ג'נרטיבית

1. יצירתיות: היא מסוגלת ליצור תוכן חדש ומקורי, ולא רק לנתח מידע קיים
2. שימוש בשפה טבעית: המשתמשים בכלים הטכנולוגיים הנשענים על בינה ג'נרטיבית יכולים לתקשר עם המערכת באמצעות שאלות והנחיות בשפה טבעית.
3. רב-תחומיות: היא מיושמת במגוון רחב של תחומים, כולל כתיבה, עיצוב, פיתוח תוכנה ועוד.
4. למידה מתמשכת: המודלים עליהם נשענים הכלים משתפרים ככל שהם נחשפים ליותר מידע ומשוב.

דוגמה לכלי נפוץ המשתמש בבינה מלאכותית ג'נרטיבית הוא GPT-4 של OpenAI. כלי זה נשען למעשה על מודל בינה מלאכותית ג'נרטיבית מתקדם, המסוגל לייצר טקסטים שונים בצורה אוטונומית ומשמש במגוון רחב של יישומים, כולל שיחות עם משתמשים, יצירת תוכן, תרגום שפות, ועוד.

שימו לב – כלי זה משתמש הן בטכנולוגיות למידת מכונה (ML) כדי ללמוד ולהבין דפוסים בטקסט, והן בטכנולוגיות למידה עמוקה (DL) שכן הוא מבוסס על רשתות המאומנות על כמויות עצומות של נתונים טקסטואליים כדי להבין ולהפיק טקסטים בצורה טבעית וקוהרנטית ועל מודלים נוספים. ייחודו והיותו של הכלי הג'נרטיבי טמונה בכך שהכלי מייצר עבור המשתמש טקסט – לאחר אימון המודל על מיליארדי מילים מטקסטים מגוונים, כולל ספרים, מאמרים, אתרי אינטרנט ועוד, המודל לומד לזהות דפוסים והקשרים בטקסטים אלו ובהתבסס עליהם, כשהמשתמש מזין שאלה או בקשה, המודל מנתח את הקלט ומייצר תשובה או טקסט חדש.

יתרונותיהם של כלים ג'נרטיביים טמונים ביכולת לייצר תוכן חדש, מגוון ויעיל, כאשר המודלים עליהם נשען הולכים ומשתפרים ככל שנחשפים ליותר נתונים ומשוב מצד המשתמשים והמפעילים. יחד עם זאת, ראוי לציין כי מדובר בכלים מורכבים שדיוקם לעיתים מוגבל, ועלולים להפגיש עם אתגרים אתיים רבים.

אחרי שיצרנו הבחנה בין סוגים שונים של בינה מלאכותית, הבחנה נוספת שחשוב שנדע לעשות: שימוש "כמותי" מול שימוש "איכותי" בבינה מלאכותית

ישנם מגוון כלי בינה מלאכותית – חלקם הגדול זקוקים למאגר נתונים רחב כדיי שיוכלו להסיק על סמך הנתונים העולם בו. חלק גדול מהיתרון בכלים אלו טמון בהיבט הכמותי – הם יכולים לסרוק מאגר נתונים רחב במהירות. דוגמה בולטת לשימוש ב-AI מסוג זה היא הפלטפורמה של Google Ads. המערכת של Google משתמשת באלגוריתמים מתקדמים של למידת מכונה כדי לנתח נתונים גדולים מאוד של התנהגות משתמשים, חיפושים, והעדפות צפייה על מנת לאופטימליות קמפיינים פרסומיים. המערכת מכוונת פרסומות למשתמשים בהתאם לסבירות שיעניינו אותם, ומשתמשת בנתונים בסדר גודל עצום לשיפור הממשק והתוצאות באופן רציף.

חלק אחר של כלי AI מחזיקים יתרון איכותי – כלים אלו יכולים להסתפק גם במאגר נתונים מצומצם יותר, כאשר במקרים אלו הנתונים והמידע המוזן בכלי יצטרכו להיות מדויקים מאוד אך לא בהכרח רחבים, והכלי יבצע ניתוח מעמיק יותר. אחת הדוגמאות לשימוש איכותי ב-AI, היא השימוש במערכות AI לאבחון רפואי מבוסס תמונה, כמו הזיהוי של סוגי גידולים סרטניים בתמונות רנטגן או CT. כלי כזה הוא PathAI, שמטרתו לשפר את דיוק האבחונים הפתולוגיים על ידי שימוש באלגוריתמים של למידת מכונה לזיהוי וסיווג של תאים סרטניים בדגימות רפואיות. למרות שהמודל מוזן בנתונים רבים במהלך האימון, השימוש הסופי בו מתמקד בניתוח עמוק ומדויק של תמונות ספציפיות ולא בכמות הנתונים הכוללת שהוזנה למודל והמטרה שלו מתן אבחנה מדויקת באופן שלעיתים עולה על דיוק אנושיות.

שימו לב – שימוש בכל אחת מהטכנולוגיות יכול להיות בעל אופי איכותי או כמותי יותר, ואין ספק שהישענות על דאטה מהווה את אחד העקרונות הבסיסיים ביותר בכלי בינה מלאכותית באשר הם. ככלל, ככל שהמערכות השונות קולטות ומעבדות מידע רב יותר מכל התחומים, כך משתפרת היכולת שלהן. אך חשוב שנבחין – אילו מערכות חייבות להיות מוזנות במידע איכותי ומדויק, ואילו יכולות להסתפק במידע מדויק פחות אך בכמות רבה יותר.

מה עושים עכשיו עם כל המושגים שהכרנו?

נתחיל מלא לפחד מהטכנולוגיה – עלינו לנסות ולהבין איך אנחנו יכולים להשתמש בה כדי לקדם את המטרות החברתיות שהארגון שלכם מנסה לקדם. הכתבה הזו היא רק ההתחלה – בסדרת הכתבות הבאה נספר לכם על המגמות הקיימות בעולם החברתי בכל הקשור לשימוש בבינה המלאכותית, ונציע כלים לזיהוי בעיות המתאימות יותר לשימוש בכלי בינה מלאכותית, ובהמשך לכך גם דרכים שונות להשתמש בהן במגוון אסטרטגיות שינוי.