כנס Future of AI: לאמן רשת שלמה בכמה דקות

"אחד הנושאים המעניינים ביותר שמטופלים באמצעות בינה מלאכותית זה מדעי החיים. זה משנה את כל התעשייה, כולל פיתוח של רכבים אוטונומיים שלא ניתן היה לעשות בלי למידה מעמיקה, פיתוחים פיננסיים מתקדמים וכדומה. המורכבות ודרישות המחשוב גדלות באופן מאוד משמעותי, וכדי לאמן אלגוריתמים מאוד גדולים אנחנו זקוקים לכוח חישובי עצום, ופה NVIDIA נותנת מענה ומאפשרת לשוק להתפתח בקצב כזה", אלו הם הדברים שאמר אופיר זמיר, מנהל פתרונות ארכיטקטורה ב-NVIDIA בשבוע שעבר בכנס Future of AI.

הכנס הגדול בתחום הופק בידי אנשים ומחשבים ואל אולם האירועים לאגו שבראשון לציון הגיעו מאות אנשי מקצוע בתחום, ששמעו מזמיר, בין השאר, שחוק מור עבור תחום ייצור השבבים כבר אינו קיים יותר, וש-NVIDIA היא חברה שמספקת את המענה לצרכים החדשים, כולל ההתגשמות של החזון לפי מעבדים גרפיים ישמשו לצורכי עיבוד נתונים.

אופיר זמיר, מנהל פתרונות ארכיטקטורה ב-NVIDIA. צילום: תומר פולטין

"אם מסתכלים על הפלטפורמה שאנו מציעים, אז בבסיס אנחנו מייצרים שבבים גרפיים שמעליהם אנו מספקים חבילת תוכנה מלאה, שהופכת את זה לפלטפורמה. וזו פלטפורמה שיש לה כבר מיליוני מפתחים ב-CUDA, השפה המאפשרת את החישובים המוצעים, שמורצים בשבב הגרפי שלנו בקצב מאוד גבוה, בתחנות העבודה, בשרתים, וגם בענן. מעל זה יש SDK שמותאמים לצרכים השונים, כולל אנליטיקה של נתונים ולימוד מכונה", הוא סיפר.

לדבריו כל מי שמאמן מודלים בלמידה מעמיקה כבר משתמש כיום במעבדים גרפיים. "העולם שהכרנו כמפתחים השתנה. אני יכול לאמן רשת שלמה בכמה דקות, וזה משנה את כל הפרדיגמה לניתוח מודלים ולאימון מערכות. זה גם אומר פחות חשמל, פחות כסף ויותר חסכוני בדטה סנטר, בגלל צמצום מסיבי בכמות המחשוב שצריך", סיכם זמיר.

בינה מלאכותית עוזרת להפחית את כמות הטעויות שאנשים עושים

רועי פאן, מהנדס יישומי למידה מעמיקה בסיסטמטיקס, הציג את השימוש ב-MATLAB ככלי ושפה שעוזרים, מקלים ומאיצים את תהליכי הלמידה המעמיקה, גם בעבור אנשים שחדשים בתחום.

רועי פאן, מהנדס יישומי למידה מעמיקה בסיסטמטיקס. צילום: תומר פולטין

"כולנו יודעים שלמידה מעמיקה זה לימוד מכונה מקצה לקצה, והיא עוזרת להפחית את כמות הטעויות שאנשים עושים. יש לנו כלי חזק בידיים, אבל יש לנו כמה אתגרים כשאנחנו מנסים להשתמש בכלי הזה כי אנחנו מנסים לנהל ולתייג כמות גדולה מאוד של מידע, ובהרבה מקרים אנחנו רוצים שזה יקרה מהר, ואנחנו זקוקים גם לכלי ויזואליזציה כדי שהכל יעבוד כמו שאנחנו רוצים", הוא אמר.

פאן סיפר ש-MATLAB הוא כלי המאפשר גם שימוש במודלים עצביים שמישהו הכין, ולשנות אותם. "אבל כדי לעשות את זה, את ההעברה הלימודית, אנחנו זקוקים לכלי שיעשה לנו את ההמרה הזו וגם זה אתגר בפני עצמו. האימון ב-MATLAB כבר גם ככה מהיר. זה גם מהיר לוויזואליזציה ולמציאת שגיאות, ורמת הדיוק עולה עם הזמן, ועושים את זה עם ממשק משתמש גרפי, ומשתמשים ב-GPU, או יותר, ואפילו אם צריך גם ב-CPU ואפשר להגיע גם עד ענן של שבבים גרפיים", סיפר פאן.

שימוש במידע סינטטי

סרגיי ניקולנקו, מנהל המחקר הראשי בניורומיישן, סיפר שלא תמיד יש מספיק נתונים כדי למתג מידע לצורך האפיונים הנדרשים ביישומי בינה מלאכותית, כגון הכשרה ולימוד מכונה. "יש צורך בעיבוד כמו אנושי, ודווקא כמות מידע מוגבלת יכולה להתברר כצוואר הבקבוק להשלמת היישום הנדרש. הגישה שלנו היא להשתמש במידע סינטטי, מודלים ניתנים להתאמה שמאפשרים להשלים את מה שהלקוח זקוק לו לצורך הביצוע", הוא סיפר.

סרגיי ניקולנקו, מנהל המחקר הראשי בניורומיישן. צילום: תומר פולטין

ניקולנקו הסביר כיצד החברה יוצרת בדרך כלל מודלים תלת-ממדיים, שמגיעים עם תיוגים שמאפשרים לשלוט בכל היבט של המודלים. "זה ניתן להתאמה ולהוספה בקלות של פרטים. ברגע שיש מודל של פרה, לדוגמה, אפשר להתאים לה בקלות צבעים שונים וגם לשנות פרטים. זה גם מאפשר לשלב מגוון גדול יותר של נתונים ומערכים, ולמעשה בעקרון ניתן להפיק מהמקור אין סוף תצורות ושינויים", המשיך ניקולנקו לתאר את הפעילות של החברה.

לדבריו, יש כבר מספר די גדול של יישומים בהם נעשה שימוש במידע סינטטי, "החל מזיהוי פנים ואימות, דרך רכבים אוטונומיים ועד הדמיות רפואיות וגם יישומים קמעונאיים. עושים דברים שאי אפשר לבדוק בחיים האמיתיים, בהדמיות סביבתיות. וגם אם מידע סינטטי אינו מושלם, ואז השאלה איך היא מבצעים אימון על מודלים מסומנים ואז מיישמים את זה על מודלים אחרים, וזה המחקר שאנחנו עושים ומקדמים", הוא סיכם.

"חיזוי טוב יוצר חברה טובה יותר"

יואב אבנשטיין, יועץ ואנליסט, טען באוזני הנוכחים באולם כי אחד הדברים המהותיים שמתרחשים בתחום הוא נגזרת של כלכלה פשוטה. "לא משנה מה אנחנו עושים בתחום שלנו, אנחנו בבסיס מנסים לבצע ניחוש, להבין מה יהיה. מכיוון שעלות החיזוי הולכת ויורדת אנחנו עושים את זה הרבה יותר בכמויות גדולות יותר, באופן משמעותי ומהותי. לא מדובר בכלכלה חדשה של בינה מלאכותית. זו כלכלה פשוטה: המחיר של משהו יורד אז משתמשים בו יותר. חיזוי טוב יוצר חברה טובה יותר, ויגיע הזמן שבו הוא יבוצע כל כך טוב שהחברות ישנו את ההתנהגות ואת המהלכים שלהן. זה לא מדע בדיוני. זה כבר קורה עכשיו", הוא אמר.

יואב אבנשטיין, יועץ ואנליסט. צילום: תומר פולטין

אבנשטיין הזכיר כי החיזוי הוא חלק ממשהו גדול יותר וזה קבלת החלטות. "חשוב לזכור את זה. אנחנו צריכים פעולה כדי להניע ערך, וכדי ליצור אותו צריך להבין קודם איזה חיזוי לעשות קודם, ואז מה לעשות איתו. בנוסף, החיזוי באמצעות מכונה הופך לזול יותר ויותר, כך שלא הגיוני להשתמש בחיזוי אנושי – ומכאן באה החרדה לאיבוד עבודות.

בינה מלאכותית, לדבריו, אינה מיועדת ליצירת תהליכים, אלא לביצוע מטלות, שאחת מהן היא, כאמור, חיזוי. "אבל היא זקוקה למידע. אז האם מידע זה הנפט החדש? המידע נמצא כאן מזמן, רק שיש לנו עכשיו הרבה יותר, ואם הערך של חיזוי עולה, אז גם הערך של מרכיביו עולה, מידע למשל, עולה", הסביר אבנשטיין.