אימוץ ויישום בינה מלאכותית בארגונים – לא אם אלא מתי ואיך

אימוץ ויישום של בינה מלאכותית (AI) ממשיך לצבור תאוצה בקצב מעריכי בכל הענפים. בסופה של שנת 2017, הבינה המלאכותית עומדת בפני סיומו של הגל הבא של הקדמה הטכנולוגית: שילובה בתוך כל מה שאנשים וארגונים עושים. השיבוש הגדול ביותר לעבודתם של ארגונים מסורתיים יחייב אותם להאיץ את אימוץ ושילוב הבינה המלאכותית במערכת העסקית.

איבן אנאסוב, מהנדס בכיר בחברת Darvin.ai, כתב בבלוג, בעקבות כנס בינה מלאכותית שהתקיים בסן פרנסיסקו במאי השנה, כי בינה מלאכותית תהיה הגל הגדול הבא של שיבוש, אפילו גדול יותר מהמצאת המחשב. לדבריו, כל יישום יעשה שימוש ב-AI בשנים הקרובות.

אחד התחומים שייהנה מהמהפכה הוא תחום הרכב, שמתרקמים בו פתרונות למיטוב מסלולים ולהקטנת צריכת הדלק. מכוניות חכמות יספקו נתונים שאנחנו יכולים לעשות בהם שימוש רב. לדוגמה, בכדי לאסוף מידע על תנועה – המכוניות שלנו יוכלו להעלות נתונים לפלטפורמה כמו ווייז (Waze), במקום להסתמך על הנהגים שישלחו מסרים בטלפונים הניידים. Waze, כידוע, מסתמכת בכבדות על דיווחי תנועה מודיעיניים מהנהגים בשטח, והקישור הזה יאפשר יותר שיתוף פעולה בין כלי רכב על הכביש.

המכוניות האוטונומיות לבדן תוכלנה לצמצם את תאונות הדרכים בכ-70%, לשפר יעילות צריכת הדלק ב-20% ולחסוך עד 1.2 מיליארד שעות של זמן נהיגה בתקופה של עשר שנים.

קרב סייבר בין מכונות בעבור בני אדם

"אנו עדים יותר ויותר לקרבות בין האקרים בעלי כובע שחור לבין האקרים בעלי כובע לבן. הכובעים הלבנים משתמשים ב-AI בכדי למנוע התקפות של כובעים שחורים, שייעשו אף הן באמצעות AI. ארגונים רבים הבינו כי יהיה צורך לשתף מידע בכדי למנוע התקפות כאלה על הארגון, ולזה יופנו מרבית ההשקעות בארגונים", כתב אנאסוב.

לאנאסוב גם תחזית בדבר בינה מלאכותית העושה שימוש במחשוב קוונטי: "כעת, על מנת להשתמש במחשבים קוונטיים, צריך להשקיע הרבה כסף כדי לקנות חומרה יקרה, והניצולת של מחשבים אלה נמוכה. שירותי ענן קוונטיים שיקומו בשנים הקרובות ינסו לפתור בעיה זו, אבל האימוץ של חישוב קוונטי נמצא עדיין בחיתוליו".

AI – החשמל החדש

אנדרו נג, ממקימי פרויקט המוח של גוגל (Google), אמר באירוע AI Frontiers Conference 2017 כי בינה מלאכותית היא החשמל החדש.

לדבריו, לפני כמאה שנים התרחבות השימוש בחשמל בארצות הברית הפכה את כל התעשייה ואפשרה דברים שלא היו ניתנים ליישום קודם לכן. הבינה המלאכותית הולכת להפוך את כל התעשיות הגדולות. כבר כעת רואים ערך כלכלי שנוצר באמצעות AI דרך למידה תחת פיקוח, שבה נותנים למחשב קלט או מיפויים. כעת, עם למידה עמוקה שאפשרה למשל זיהוי הרבה יותר מדויק של תמונות, יש אומרים שהיישום הרווחי ביותר בתחום הבינה המלאכותית הוא התאמת מודעות למשתמש, תהליך שבמסגרתו המחשב משתמש במידע על הגולש וחוזה אילו מודעות יגרמו לו להקליק, וכך מתאפשר להגדיל את שיעורי ההקלקות מ-3% ל-5%.

תחום נוסף הוא זיהוי קול, שבאמצעותו ניתן להכניס קטע קולי ולקבל את הטקסט. כעת אנו מוסיפים את הפלט לאלגוריתם של למידה עמוקה, והוא הפך מסתם מספרים המתארות מילים למבנה נתונים מורכב, כמו משפטים באנגלית שמתורגמים באמצעות למידת מכונה לצרפתית. הדבר יאפשר הוספת גל חדש של יישומים – לדוגמה קריאת נתוני מכ"ם במכונית אוטונומית, שלא רק יגידו שלפנינו נמצאת מכונית, אלא יפענחו הרבה נתונים עליה – סוג המכונית, מהירותה ועוד.

"מדוע הפיצוץ בתחום ה-AI התרחש דווקא השנה?"

במאמר שכותרתו "מה מניע את הפיצוץ של תחום למידת מכונה?", שהתפרסם ב-Harvard Business  Review בחודש יוני 2017, כותבים אריק בריניולפסון ואנדרו מקאפי: "מערכות למידה ממוחשבת היו בסביבה מאז שנות החמישים, אז למה אנחנו פתאום רואים פריצות דרך בתחומים מגוונים רבים כל כך? שלושה גורמים משחקים תפקיד בכך: גידול בנפחי הנתונים, אלגוריתמים משופרים באופן משמעותי וחומרת מחשב חזקה יותר באופן משמעותי. במהלך שני עשורים (בהתאם ליישום) גדלה זמינות הנתונים פי אלף, האלגוריתמים השתפרו בין פי 10 לפי 100, והחומרה השתפרה לפחות פי 100. שילוב של כל המגמות הללו יאפשר יישומים שנדרש להם שיפור של פי מיליון, כגון מערכות ראיה מלאכותית לאיתור הולכי רגל שיותקנו במכונית אוטונומית".

נתונים

תקליטורי מוזיקה, סרטי Dvd ודפי אינטרנט הוסיפו עוד ועוד תוכן לעולם המידע המקודד באופן דיגיטלי במשך עשרות שנים, אך במהלך השנים האחרונות קצב היצירה התפוצץ. אותות מחיישנים בטלפונים חכמים, ציוד תעשייתי, תמונות דיגיטליות, קטעי וידיאו, מבול גלובלי ללא הפסקה של מדיה חברתית, ומקורות רבים אחרים מכניסים אותנו לעידן חסר תקדים של שפע נתונים. תשעים אחוז מהנתונים הדיגיטליים בעולם נוצרו בשנתיים האחרונות. התחום המתפתח של האינטרנט של הדברים (IoT) מבטיח לחבר מיליארדי מכשירים חדשים ואלו יזרימו נתונים.

אלגוריתמים

מבול הנתונים חשוב לא רק בגלל שהוא מאפשר את יעילותם של האלגוריתמים, אלא גם כי הוא מעודד, תומך, ומאיץ לפיתוח אלגוריתמים טובים יותר. הגישות השולטות עכשיו, כגון למידה עמוקה בפיקוח ולמידה מוגברת, משתפות מאפיין בסיסי חיוני: התוצאות שלהם משפרות את יכולת הטיפול בנתונים ובמקביל, מעבירים באלגוריתמים החדשים למידה ממוצר אחד למשנהו, כך שיש צורך ללמוד פחות מדוגמאות חדשות.

חומרת המחשב

התחזית של גורדון מור משנת 1965 המכונה חוק מור – הכפלת היכולות של מעגלים משולבים בהתמדה כל 18 עד 24 חודשים – ממשיכה. היו שהעירו לאחרונה כי היא עומדת להיתקל בגבולות הפיזיקה, ולכן הקצב של החוק יואט בשנים הבאות; ואכן מבחינת מהירות שעון במעבדים בודדים כך הדבר, אבל על ידי צירוף של מעבדים רבים בשבבי עיבוד גרפיים GPU, יעילות לשימוש בסוגי החישובים הדרושים עבור רשתות עצביות.

מספר חברות פיתחו המתמחות שבבי אופטימיזציה בעבור יישום זה, כולל עיבוד יחידה או TPU טנזור של גוגל. חלק מהיישומים שנפתרים היום – למשל המרת גלי קול לטקסט – היו נדרשים למאות שנים בחומרה של שנות התשעים.

הענן והרשת הגלובלית

בנוסף לשלושת המרכיבים הללו, צריך להוסיף גם את הענן ואת הרשת הגלובלית. האינטרנט הנייד מאפשר לספק טכנולוגיות דיגיטליות כמעט בכל מקום על פני כדור הארץ, ולחבר מיליארדי לקוחות פוטנציאליים. העזרים החכמים שכבר קיימים יתפתחו ובסיסי ידע במיקור המונים, כגון ויקיפדיה (Wikipedia), שהתורמים והמשתמשים העיקריים בה הם אנשים חכמים מחוץ לארגון שלך.

אולי אף חשוב יותר הוא הפוטנציאל של חיבור בינה מלאכותית מבוססת ענן בכדי להאיץ את למידת המכונה – רובוט אחד נאבק בפעילות כגון זיהוי עצם. ברגע שהוא שולט בכך, הוא יכול להעלות את הידע לענן ולשתף אותו עם רובוטים אחרים שמשתמשים במערכת ייצוג ידע תואמת. בדרך זו רובוטים העובדים באופן עצמאי, יכולים לאסוף ביעילות נתונים של מאות, אלפי, ובסופו של דבר מיליוני עיניים ואוזניים. על ידי שילוב המידע שלהם במערכת אחת, הם יכולים ללמוד יותר במהירות ולשתף את התובנות שלהם כמעט באופן מיידי.

אם נחזור לאנאסוב, הוא מסכם כי "בינה מלאכותית הולכת לשבש את כל המגזר העסקי – מימון, בנקאות, תחבורה, לוגיסטיקה, בריאות, אבטחת סייבר. השאלה היא אינה האם ליישם AI בארגונים אלא מתי וכיצד".