מה זה בינה מלאכותית? איך מערכות למידת מכונה פועלות

בינה מלאכותית (AI) היא תחום טכנולוגיה המאפשר למחשבים ולמכונות לדמות למידה אנושית, הבנה, פתרון בעיות, קבלת החלטות, יצירתיות וממשלתיות עצמית, לפי IBM.

בינה מלאכותית צרה מול בינה מלאכותית כללית

IBM משנה בין שתי קטגוריות רחבות. בינה מלאכותית צרה, המכונה גם בינה מלאכותית חלשה, מכסה מערכות שנבנו למשימה אחת ספציפית, כמו עוזר קולי או צ'אטבוט. בינה מלאכותית כללית, או בינה מלאכותית חזקה, מתייחסת למערכת תיאורטית עם הבנה רחבה על פני משימות רבות בברמה אנושית או על-אנושית; IBM מציינת כי מערכות כאלה אינן קיימות כרגע.

למידת מכונה: המנוע מאחורי רוב בינות המלאכותית

למידת מכונה (ML) היא תת-קבוצה של בינה מלאכותית המתמקדת באלגוריתמים הלומדים דפוסים מנתוני אימון ולאחר מכן מביאים מסקנות על נתונים חדשים, כמו ש-IBM מסבירה. ההבדל העיקרי מתכנות מסורתי הוא שמתכנת אינו צריך לומר כל כלל. IBM נותנת דוגמה של זיהוי דואר זבל: תוכנית המבוססת על כללים צריכה אדם כדי להגדיר איך דואר זבל נראה, בעוד שמודל ML לומד מאפייני דואר זבל על ידי חקר דוגמאות דוא"ל רבות בעצמו.

שלושה סוגים עיקריים של למידה

לפי IBM, מערכות למידת מכונה מתורגלות בדרך כלל בדרך אחת משלוש. למידה מפוקחת משתמשת בנתונים מתויגים עם תשובות נכונות ידועות, למשימות כמו סיווג פריטים או חיזוי ערך רציף כמו מחיר. למידה ללא השגחה עובדת עם נתונים ללא תווית וחפשת מבנה נסתר, כמו קיבוץ לקוחות דומים ביחד. למידה מחזקת מאומנת מערכת דרך ניסיון וטעות, מתגמלת פעולות שמנתקות אותה לכיוון מטרה כך שהיא בהדרגה לומדת אסטרטגיה אופטימלית.

איפה בינה מלאכותית כבר מופיעה

IBM מפרטת צ'אטבוטים לשירות לקוחות, גילוי זיופים, המלצות שיווק מותאמות אישית, סינון גיוס עם סיוע בינה מלאכותית, כלי יצירת קוד ותחזוקה חזויה כיישומים נוכחיים. בנפרד, סקירת למידת מכונה של IBM מוסיפה כלים רכב אוטונומיים, סינון דואר אלקטרוני זבל, תמיכה באבחנה רפואית, מנועי המלצה וترגום לשפות לרשימה של טכנולוגיות מונעות ML בשימוש כבר.

מגבלות ידועות: הזיות והטיות

מערכות בינה מלאכותית יוצרות יכולות לייצר 'הזיות' — מידע מזויף שנראה אותנטי, לפי קבוצת טכנולוגיות הוראה וללמידה של MIT Sloan. MIT Sloan מצביעה על מקרה דומה בדיווח נרחב בו עורך דין השתמש ב-ChatGPT לחקר משפטי והכלי המציא ציטוטי משפטיים שלא קיימו. הקבוצה מצטטת מחקר הגוזר כי צ'אטבוטים למטרות כלליות הזויו בـ 58% עד 82% מהשאילתות המשפטיות שנבדקו, בעוד שכלים משפטיים מתמחים תוך שימוש בדור מוגבר בניסיון עדיין הזויו ב-17% או יותר מהמקרים.

MIT Sloan מייחסת הזיות לשלושה גורמים: נתוני אימון המערבבים מידע מדויק וחסר דיוק, אשר מודלים יכולים להשחזר; התכנון הבסיסי של מערכות יוצרות, הפועלות כמו 'כלים אוטוקמלט מתקדמים' חיזוי מילים הבאות סבירות במקום אימות עובדות; וגבולות אדריכליים המאפשרים למודלים לשלב דפוסים בדרכים חדשות, לפעמים לא מדויקות, אפילו עם נתוני אימון נקיים.

בנוגע להטיה, MIT Sloan דיווחת שמחקרים מצאו כי מערכות בינה מלאכותית יכולות להגביר סטריאוטיפים של מגדר וגזע בתמונות שנוצרו ולהפיק משוב, דירוג או המלצות מקצועיות בעלי איכות שונה בהתאם לרמזים דמוגרפיים בהנושא. הקבוצה עוקבת זאת לנתוני אימון המכילים קיצוניות חברתית קיימת, אשר מודלים משחזרים ללא היכולת להכריע בין כלל ולא כלל. סקירת IBM באופן נפרד מדגישה סכנות נתונים כמו הרעלה או הטיה משובצת, סכנות מודל כמו גניבה או מניפולציה פרמטר, וסכנות תפעוליות כמו סחיפת מודל כגורמים רחבים יותר לארגונים המפרסמים בינה מלאכותית.

למה זה חשוב עכשיו

IBM מציינת כי דיון בינה מלאכותית מודרני הוא דומיננטי של בינה מלאכותית יוצרת — מערכות היוצרות טקסט, תמונה, וידאו ותוכן אחר מקורי במקום שרק סיווג או חיזוי מנתונים קיימים. כאשר הכלים הללו מגיעים למקום העבודה, בתי ספר ויישומים יומיומיים, אותו מנגנון תשתית — למידה מנתוני אימון — עוזר להסביר הן את יכולותיהם והן את המגבלות המתועדות שלהם, כולל בעיות ההזיה וההטיה ש-MIT Sloan מתארת.