מכונות לומדות

כל אחד יכול כיום לקנות מצלמה שיודעת למקד את התמונה בפניו של המצולם; מערכות ממוחשבות מתוחכמות משתמשות בזיהוי קול להמרת מילים נאמרות לטקסט כתוב, ואף לזיהוי הדובר. אלה הן שתי דוגמאות ליתרונות הלמידה החישובית (machine learning). אלגוריתמים של למידה מצליחים לעקוף את בעיות עומס המידע שאיתן מתמודד התיכנות ה"מסורתי" הודות לכך שהם מאפשרים למחשבים לרכוש ידע באופן אינטואיטיבי, בדומה יותר ללמידה אנושית. כך מצליחה המכונה, לאחר שנחשפה שוב ושוב לתמונות פנים או לקולות מדברים, להכיר את התבניות החוזרות – העמוקות - העומדות בבסיס המידע.

 

אלגוריתמים של למידה מסוג זה מסייעים למחשבים לרכוש מיומנויות שבני-האדם מסגלים לעצמם בעודם תינוקות. אולם מה באשר למיומנויות למידה מתקדמות יותר, כאלה המהוות אתגר גם לבני אדם בוגרים? ד"ר אוהד שמיר, שהצטרף באחרונה למחלקה למדעי המחשב ומתמטיקה שימושית במכון ויצמן למדע, מתמקד בלמידה חישובית במקרים שבהם אילוצים שונים הופכים אותה לאתגר מורכב. דוגמה לכך היא הידע המשולב והמורכב הנדרש מרופא, אפילו לצורך פעילותו הבסיסית ביותר: כדי לאבחן נכונה את החולה הוא מסתמך על תוצאות של מספר בדיקות, על דיווחי החולה לגבי תסמינים שונים, ועל ניסיונו האישי. משיקולים מעשיים מוגבל מספר הבדיקות הנערכות לחולה, וכן מוגבלת כמות המשאבים העומדת לרשות הרופא לצורך ההחלטה. בהנחה שמחשב מקבל גישה לאותו מידע חלקי, האם הוא יכול ללמוד לאבחן מחלה כמו רופא מומחה?

 

דוגמה מורכבת עוד יותר היא המוח האנושי. אחת ממטרותיו של ד"ר שמיר היא ללמוד מערכות ממוחשבות הקרויות "רשתות עצביות מלאכותיות", אשר יודעות לעבד מידע באמצעות שיטות המחקות את פעילות המוח. "המערכות הממוחשבות הן היררכיות", אומר ד"ר שמיר, "בדומה לשכבות תאי העצב במוח, אשר מעבירות את המידע הנקלט משכבה לשכבה, בעודן מעבדות את תפיסתנו ואת מחשבותינו". לימוד הרשתות העצביות המלאכותיות באמצעים הקיימים היום מחייב מאמץ רב וכיוונון של תחומים רבים. ד"ר שמיר מקווה לפתח תוכנות שיבצעו את משימות הלמידה באופן אוטומטי יותר, וללא צורך במומחיות בתחום זה. מדעני מחשב רבים בעולם מקווים שבעתיד יוכלו מערכות כאלה להוות את הבסיס לאינטליגנציה מלאכותית מתקדמת.

 

תחומי עניין אחרים של ד"ר שמיר כוללים חקר פתרונות ללמידה חישובית במקרים של רשתות גדולות, מבוזרות ו"רועשות", כמו מנועי חיפוש. "רשתות עצומות, כמו גוגל, שהן גדולות מאוד וחסרות ארגון, נוטות לסבול ממגבלות למידה", הוא אומר. "לדוגמה, אלגוריתמים המחייבים גישה לכמויות גדולות של מידע הם בעייתיים כאשר המידע מפוזר בין מחשבים רבים ברחבי העולם – כיוון שבמקרה זה יהיה עליהם להשקיע מאמץ וזמן רב בעצם התקשורת עם כל מקורות המידע".