כך צה"ל מנצל לימוד מכונה לקבלת תובנות מושכלות

"לימוד מכונה הוא נושא המעסיק רבות את אגף התקשוב וההגנה בסייבר. יש לנו מטרה להפוך את הנתונים למידע בעל ערך, לטובת קבלת תובנות על הבעיות ולשם יצירת תהליך משופר של קבלת החלטות מושכלות. בהשאלה, אם יש לנו נתונים היסטוריים על חולי שפעת, על בסיסם אנו רוצים לדעת האם ומה הסיכויים שג'ון דו יחלה בשפעת", כך אמרה סגן ח' מממר"ם שבאגף התקשוב.

סגן ח' דיברה באירוע Red Hat Forum 2019 Israel. הכנס, בהפקת אנשים ומחשבים, נערך אתמול (ב') בהשתתפות יותר מ-1,500 לקוחות החברה ושותפיה העסקיים.

סגן ח' הציגה פרויקט מבוסס לימוד מכונה שנעשה ביחידה. "התהליך הרווח הוא שיש כמות רבה של נתונים ונדרש להפיק מהם תובנות", אמרה, "על ידי הכנסת הנתונים למודלים ולאלגוריתמים, והנדסת נתונים עם לימוד מכונה, הבנו שניתן להגיע לתובנות איכותיות יותר".

סגן ח' סיפרה על הבעיות שעמדו בפני אנשי צוותה בטרם החל הפרויקט: סביבה ומשאבים.

"כשיצאנו לדרך לא מצאנו פתרון ענני למשאבי מחשוב ועיבוד"; שמירת נתונים היסטוריים ומטה-דטה של ניסויים; מיטוב מבוזר, "רצינו לנסות את כל ההרכבים האפשריים, אבל יש אלפים מהם, וזה דורש זמן ומחשוב. מחשוב מבוזר חוסך זמן ומייעל תהליכים"; הטמעה ופריסת השירות, "פיתחנו מודלים שיודעים לתת תוצאות איכותיות – אבל צריך לנטר ולהטמיע את המודלים הללו".

לימוד מכונה (ML). אילוסטרציה: BigStock

"ניסינו למצוא מה יענה על הבעיות", ציינה סגן ח', "היו לנו יעדים להציג ויכולת למדוד אותם. המדד הראשון הוא קיצור זמן האימון. הצלחנו להפחית אותו באמצעות סביבת המחקר של לימוד המכונה מזמן של חודשים – לימים. היעד השני היה הורדת רף הכניסה לעולם מדע הנתונים".

לדבריה, "המענה היה בניית ארכיטקטורה בסוג של ענן. אנו מספקים את לימוד המכונה כ-שירות, MLaaS. הקמנו סביבת מחקר עננית עם פתרון מבוסס OpenShift של רד האט. הקמנו אשכול שיושב על חומרת GPU ומנגיש שירותים. בדרך זו הקמנו סביבת מחקר שלמה, עם פרויקטים שניתן לעשות להם מידול, עם חיבור למפתחים, עם סביבה אחת מבוססת קונטיינרים. כך, נחסכת ממדעני הנתונים 'העבודה המלוכלכת', והוא יכול לעסוק בליבת עבודתו – פיתוח ובניית אלגוריתמים. עשינו וירטואליזציה למשאבי ה-GPU ובדרך זו הכפלנו אותם פי עשרה. נתנו יכולות למדעני המידע. אנו מאפשרים כל סביבות עבודה רלוונטיות לחוקרים. פיתחנו ספריית פיית'ון ייחודית העונה על הבעיות. יש לנו יכולת למעקב אחר המודלים".

"באמצעות הפלטפורמה שבנינו", סיכמה סגן ח', "הבאנו לשיפור של 30% בביצועים של המודלים הקיימים. חווינו גידול של 70% במספר המחקרים שאנו עורכים. עלינו ב-600% במספר המשתמשים – ואנו ממשיכים לעלות. אספנו מידע, ועל בסיס מה שנאסף פיתחנו יכולת ללימוד מכונה אוטומטי. כיום אנו משפרים אותו, לטובת מודל חכם לחיזוי נתונים. חסכנו כאב ראש למדעני הנתונים. בנינו פלטפורמה לטובת הפקת חוכמה ותובנות מבצעיות".