ג'פרי אריקסון | אסטרטג תוכן | 2 באפריל 2024
במונחים פשוטים, היסק הוא התהליך בו מגיעים למסקנה המבוססת על ראיות ועל היגיון. בבינה מלאכותית, היסק הוא היכולת של בינה מלאכותית, לאחר אימון רב על סלי נתונים שנאספו, להשתמש בהיגיון ולהסיג מסקנות מנתונים שמעולם לא נתקלה בהם בעבר.
הבנת תהליך ההיסק בינה מלאכותית היא צעד חשוב בהבנת האופן שבו בינה מלאכותית עובדת. אנו נבחן את השלבים בתהליך, את האתגרים, את מקרי השימוש ואת התחזית העתידית לאופן שבו מערכות AI יגיעו למסקנותיהן.
היסק של בינה מלאכותית מתרחש כאשר מודל בינה מלאכותית שהוכשר לראות דפוסים בסלי נתונים שנאספו מתחיל לזהות את הדפוסים הללו בנתונים שמעולם לא ראה בעבר. כתוצאה מכך, מודל הבינה המלאכותית יכול לחשוב ולבצע תחזיות באופן המחקה יכולות אנושיות.
מודל בינה מלאכותית מורכב מאלגוריתמים של קבלת החלטות שהוכשרו ברשת עצבית - כלומר, מודל שפה המובנה כמו המוח האנושי - לבצע משימה ספציפית. בדוגמה פשוטה, מדעני נתונים עשויים להראות למודל הבינה המלאכותית סלי נתונים עם תמונות של אלפי או מיליוני מכוניות תוך התייחסות ליצרנים ולדגמים שלהן. לאחר זמן מה, האלגוריתם מתחיל לזהות במדויק מכוניות בסל הנתונים שמש לאימון. היסק בינה מלאכותית מתרחש כאשר למודל מוצג סל נתונים אקראי, והוא מצליח לזהות ולהסיק, את היצרן והדגם של מכונית ברמת דיוק מקובלת. מודל בינה מלאכותית מאומן בדרך זו יכול לשמש במעבר גבול או עמדת תשלום אגרה בכביש כדי להתאים לוחיות רישוי לדגמי מכוניות במהירות הברק. תהליכים דומים יכולים לאפשר היסק של בינה מלאכותית עם תחזיות והסקת מסקנות הכוללות תשומת לב לפרטים דקים יותר עבור עבודה בתחום הבריאות, הבנקאות או הקמעונאות ובמגזרים רבים אחרים.
תובנות מרכזיות
היסק של בינה מלאכותית הוא שלב במחזור החיים של מודל בינה מלאכותית שמגיע לאחר שלב ההכשרה של בינה מלאכותית. חשבו על אימון מודל בינה מלאכותית כמצב שבו אלגוריתמים של למידת מכונה (ML) עושים את שיעורי הבית, כאשר ההיסק של בינה מלאכותית הוא מבחן ביצוע.
אימון בינה מלאכותית כולל הצגת סלי נתונים גדולים שנאספו למודל, כדי שיוכל ללמוד על הנושא הרלוונטי. התפקיד של נתוני הלמידה הוא ללמד את המודל לבצע משימה מסוימת, ולכן שסלי הנתונים משתנים. הם עשויים לכלול תמונות של חתולים או גשרים, שיחות שירות לקוחות מוקלטות, או הדמיות רפואיות. מודל הבינה המלאכותית יכול לנתח נתונים חיים, לזהות דפוסים ולבצע תחזיות מדויקות לגבי העתיד בסל הנתונים.
עם מודלים גדולים של שפה (LLMs), לדוגמה, המודל יכול להסיק את המילה הבאה ולהפיק משפטים ופסקאות עם דיוק וזרימה מופלאים.
היסק של בינה מלאכותית חשוב מכיוון שההכרה הזאת היא האופן שבו מודל בינה מלאכותית מאומן מנתח נתונים חדשים לגמרי ומפיק מהם תובנות. ללא היכולת לבצע תחזיות או לפתור משימות בזמן אמת, בינה מלאכותית יתקשה להתרחב לתפקידים חדשים, כולל בהוראה, הנדסה, תגליות רפואיות וחקר החלל, ולקחת על עצמה רשימה מתרחבת של מקרי שימוש בכל תעשייה.
למעשה, ההיסק הוא הלחם והחמאה של כל תוכנית בינה מלאכותית. היכולת של מודל לזהות דפוסים בסל נתונים ,להסיק מסקנות ולהגיע לתחזיות מדויקות היא בלב הערך שמציעה בינה מלאכותית. כלומר, מודל בינה מלאכותית שיכול לקרוא במדויק צילום רנטגן בתוך שניות או לזהות הונאה בתוך אלפים או מיליונים של עסקאות בכרטיס אשראי שווה את ההשקעה.
האם אתם זקוקים למערכת בינה שיכולה לקבל החלטות מדויקות במיוחד כמעט בזמן אמת, למשל, האם עסקה גדולה עשויה להיות הונאה? או שאולי חשוב יותר שהוא יוכל להשתמש בנתונים שכבר ראה בעבר כדי לחזות את העתיד, כמו עם חיישן שיודע לקרוא לתחזוקה לפני שמשהו נשבר? הבנת הגישות להיסקים של בינה מלאכותית תעזור לכם להחליט מהו המודל הטוב ביותר עבור הפרויקט שלכם.
אימון למידה עמוקה והיסק של בינה מלאכותית הם שני חלקים מאותו התהליך לקבלתפריטי פלט שימושיים ממודל בינה מלאכותית. אימון למידה עמוקה מגיע קודם. זו הדרך שבה מאמנים מודל של בינה מלאכותית לעבד נתונים בדרך המקבלת את השראתה מהמוח האנושי. כאשר מודל מאומן, הוא מקבל את היכולת לזהות רמות עמוקות יותר של מידע מנתונים. לדוגמה, הוא יכולה לעבור מזיהוי צורות בתמונה לזיהוי או פעילויות או נושאים אפשריים בתמונה. היסק הבינה המלאכותית מתרחש לאחר האימון, כאשר מודל הבינה המלאכותית מתבקש לזהות את האלמנטים הללו בנתונים חדשים.
כדי שהיסק של בינה מלאכותית יספק ערך במקרה שימוש ספציפי, יש לבצע תהליכים רבים ויש לקבל החלטות רבות בקשר לארכיטקטורת הטכנולוגיה, למורכבות המודל ולנתונים.
היסק של בינה מלאכותית הוא התוצאה של תהליך עתיר מחשוב של הפעלת מודל בינה מלאכותית באמצעות משטרי אימון רציפים המתבססים על סלי נתונים גדולים. הוא דורש שילוב של מקורות נתונים רבים וארכיטקטורה המאפשרת למודל הבינה המלאכותית לפעול ביעילות. הנה טכנולוגיות מפתח שמאפשרות את התהליך.
עיצוב או בחירת מודל בינה מלאכותית ואימונו לאחר מכן הם רק ההתחלה. פריסת מודל הבינה המלאכותית לביצוע היסק בעולם האמיתי מגיעה עם מערך אתגרים משלה. אלה יכולים לכלול את הצורך לספק למודל נתונים איכותיים ולאחר מכן הסברת הפלט שלו. הנה רשימה של אתגרים שצריך לזכור.
עם היכולת שלהם להסיק מסקנות או להגיע לתחזיות מנתונים זמינים, מודלים של בינה מלאכותית לוקחים על עצמם משימות נוספות כל הזמן. מודלים של שפות גדולות פופולריים, כמו ChatGPT, משתמשים בהיסק כדי לבחור מילים ומשפטים עם דיוק לשוני מופלא. היסק הוא גם מה שמאפשר לבינה מלאכותית להסיק איזה אומנות גרפית או וידאו היא צריכה לבנות על בסיס הנחיות מילוליות.
היסקים של בינה מלאכותית הופכים לחלק חשוב בהכשרת מערכות תעשייתיות גם כן. לדוגמה, ניתן להשתמש בבינה מלאכותית לביצוע בדיקה חזותית בקצב מהיר בקו ייצור, באופן שיאפשר למפקחים אנושיים להתמקד בפגמים או בחריגות שזוהו על ידי בינה מלאכותית תוך הפחתת עלויות ושיפור בקרת האיכות. במערכות תעשייתיות שבהן רובוטים עובדים לצד בני אדם בקווי ייצור, היסקים של בינה מלאכותית מאפשרים את התפיסה, התחזית והתכנון הדרושים כדי לחוש חפצים ולקבל החלטות תנועה עדינות.
שימוש נפוץ נוסף בהיסקים של בינה מלאכותית הוא למידה רובוטית, שהפכה לפופולרית בעקבות הניסיונות הרבים להפוך מכוניות ללא נהג למושלמות. כפי שניתן לראות משנים של אימון על ידי חברות כגון Waymo, Tesla ו-Cruz, למידה רובוטית דורשת הרבה ניסוי וטעייה, בעוד רשתות עצביות לומדות לזהות חריגים לחוקי התנועה ולהגיב להם כראוי.
היסקים של בינה מלאאכותית גם מסייעים לחוקרים ולרופאים. מודלים של בינה מלאכותית מאומנים למציאת תרופות על ידי סינון מסות של נתונים כימיים או אפידמיולוגיים, והם עוזרים לאבחן מחלות על ידי קריאת רמזים עדינים בהדמיה רפואית.
הצעד הבא עבור היסקים של בינה מלאכותית יהיה לפרוץ החוצה מסביבות גדולות של ענן או מרכזי נתונים ולהיות אפשרי גם במחשבים ומכשירים מקומיים. אף על פי שההדרכה הראשונית של מערכות בינה מלאכותית המשתמשות בארכיטקטורות למידה עמוקה תמשיך לפעול במרכזי נתונים גדולים, דור חדש של טכניקות וחומרה מביא את "השלב האחרון" של היסקים של בינה מלאכותית אל התקנים קטנים יותר, קרוב יותר למקום שבו הנתונים נוצרים.
הדבר יאפשר יותר התאמה אישית ושליטה. התקנים ורובוטים יזכו ליכולות גילוי אובייקטים, זיהוי פנים והתנהגות וקבלת החלטות חזויה טובות יותר. אם זה נשמע לכם כמו הבסיס של רובוטים למטרות כלליות, אתם לא לבד. בשנים הקרובות, מחדשים מצפים לפרוס את טכנולוגיית "ההיסק בקצה" הזאת למגוון רחב של מכשירים בשווקים ותעשיות חדשים.
Oracle מספקת את המומחיות ואת כוח המחשוב כדי לאמן ולפרוס מודלים של בינה מלאכותית בגודל הנדרש. ובפרט, Oracle Cloud Infrastructure (OCI) היא פלטפורמה שבה אנשי עסקים, צוותי IT ומדעני נתונים יכולים לשתף פעולה כדי להפעיל היסקי בינה מלאכותית בכל תעשייה.
פלטפורמת הבינה המלאכותית המנוהלת במלואה של Oracle מאפשרת לצוותים לבנות, לאמן, לפרוס ולנטר מודלים של למידת מכונה באמצעות Python וכלי הקוד הפתוח המועדפים עליהם. עם סביבה מבוססת JupyterLab של הדור הבא, חברות יכולות להתנסות, לפתח מודלים ולהרחיב את האימון עם מעבדים גרפיים של NVIDIA ואימון מבוזר. Oracle גם מקלה על גישה למודלים של בינה מלאכותית יצרת המבוססים על ה-LLMs החדשניים של Cohere.
עם OCI, אתם יכולים לקחת מודלים לייצור ולשמור עליהם תקינים עם יכולות תפעול למידת מכונה, כגון צינורות אוטומטיים, פריסות מודלים וניטור מודלים. בנוסף לאימון ולפריסה של מודלים, OCI מספקת מגוון של יישומי SaaS עם מודלים מובנים של למידת מכונה ושירותי בינה מלאכותית זמינים.
כאשר אתם מקיימים אינטראקציה עם בינה מלאכותית, אתם רואה היסק של בינה מלאכותית בעבודה. זה נכון בין שאתם משתמשים בזיהוי חריגות, בזיהוי תמונות, בטקסט שנוצר על ידי בינה מלאכותית או כמעט בכל פלט אחר של בינה מלאכותית. התוצאות הן השיא של תהליך ארוך, שדורש משאבים רבים ומורכב מבחינה טכנית של בניית מודלים, אימון, מיטוב ופריסה שמכינים את כל הדרוש לאינטראקציה שלכם עם בינה מלאכותית.
הקמת מרכז מצוינות של בינה מלאכותית לפני התחלת האימון הספציפיתלארגון מגדילה את הסיכויים להצלחה. הספר האלקטרוני שלנו מסביר מדוע ומציע טיפים על בניית מרכז מצוינות יעיל.
מהי דוגמה להיסק של בינה מלאכותית?
דוגמה טובה להיסק של בינה מלאכותית היא מצב בו מודל בינה מלאכותית מזהה חריגה בעסקאות פיננסיות ויכול להבין מההקשר איזה סוג של הונאה החריגה עשויה לייצג. משם, מודל הבינה המלאכותית יכול ליצור התראה לחברת הכרטיסים ולבעל החשבון.
מהם אימון והיסק בבינה מלאכותית?
אימון הוא מצב שבו סלי נתונים שנאספו מוצגים למודל בינה מלאכותית כדי לאפשר לו להתחיל לראות ולהבין תבניות. היסק הוא מצב שבו מוצגים למודל הבינה המלאכותית נתונים מחוץ לסלי הנתונים שנאספו, ומודל הבינה המלאכותית מזההה את אותם דפוסים ומציע תחזיות המבוססות עליהם.
מה המשמעות של היסקים בלמידת מכונה?
היסק פירושו שאלגוריתם למידת מכונה או קבוצה של אלגוריתמים למדו לזהות דפוסים בסלי נתונים שנאספו ומאוחר יותר יכולים לזהות דפוסים אלה בנתונים חדשים.
מה המשמעות של היסקים עבור למידה עמוקה?
למידה עמוקה היא אימון אלגוריתמים למידת מכונה תוך שימוש ברשת עצבית המחקה את המוח האנושי. דבר זה מאפשר הכרה וחילוץ של מושגים ספציפיים ומופשטים שאותם אנו רואים, למשל, ביצירת שפה טבעית.
האם ניתן להשתמש בהיסק בינה מלאכותית במכשירי קצה?
באופן מסורתי, האימון של היסק בינה מלאכותית הוא תהליך עתיר נתונים הדורש כוח מחשוב רב. עם זאת, ככל שההבנה של היסק בינה מלאכותית משתפרת, כך התליך מבוצע על ידי מכשירים פחות חזקים הנמצאים בקצה, הרחק ממרכזי נתונים גדולים. התקני קצה אלה להיסק של בינה מלאכותית יכולים להביא זיהוי תמונה, קול ויכולות אחרות לפעילות בשטח.
כיצד ההיסק של בינה המלאכותית שונה ממודלים סטטיסטיים מסורתיים?
מודלים סטטיסטיים מסורתיים נועדו פשוט להסיק את הקשר בין משתנים בסל נתונים. ההיסק של בינה המלאכותית נועד לקחת את היכולת להסיק מסקנות ה צעד נוסף קדימה ולאפשר הגעה לתחזיות מדויקות יותר המבוססת על נתונים אלה.
כיצד היפר-פרמטרים משפיעים על ביצועי ההיסק של בינה מלאכותית?
בעת בניית מודל בינה מלאכותית, מדעני נתונים לפעמים מקצים פרמטרים באופן ידני. בניגוד לפרמטרים סטנדרטיים במודל בינה מלאכותית, היפר-פרמטרים אלה אינם נקבעים על ידי המסקנות שהמודל חילץ מסל הנתונים. ניתן לחשוב על היפר-פרמטרים כשלטי הכוונה שניתן להתאים לפי הצורך כדי לעזור עם היסקים של בינה מלאכותית ועם ביצועי יצירת התחזיות.
איך ארגונים יכולים לעזור להבטיח את הדיוק והאמינות של מודלים של היסק של בינה מלאכותית?
מפתח אחד הוא לדעת באופן מפורש מראש למי מיועד הפלט שלכם ומה הבעיה שמנסים לפתור. יש להפוך את התוצאות הרצויות לספציפיות ומדידות. כך, תוכלו ליצור בוחני ביצועים ולמדוד כל הזמן את ביצועי המערכת כנגדם.