How does artificial intelligence learn? - Briana Brownell

תרגום: Ido Dekkers עריכה: Naama Lieberman

Today, artificial intelligence helps doctors diagnose patients,

היום, בינה מלאכותית עוזרת לרופאים לאבחן מטופלים,

pilots fly commercial aircraft, and city planners predict traffic.

לטייסים להטיס מטוסים מסחריים, ולמתכנני ערים לחזות תנועה.

But no matter what these AIs are doing, the computer scientists who designed them

אבל לא משנה מה הב“מ האלה עושות, מדעני המחשב שתכננו אותן

likely don’t know exactly how they’re doing it.

כנראה לא בדיוק יודעים איך הן עושות את זה.

This is because artificial intelligence is often self-taught,

זה בגלל שבינה מלאכותית הרבה פעמים מלמדת את עצמה,

working off a simple set of instructions

כשהיא עובדת מסט פשוט של הוראות

to create a unique array of rules and strategies.

כדי ליצור מערך ייחודי של חוקים ואסטרטגיות.

So how exactly does a machine learn?

אז איך בדיוק מכונה לומדת?

There are many different ways to build self-teaching programs.

יש הרבה דרכים שונות לבנות תוכנות שמלמדות את עצמן.

But they all rely on the three basic types of machine learning:

אבל כולן מסתמכות על שלושה סוגים בסיסיים של למידת מכונה:

unsupervised learning, supervised learning, and reinforcement learning.

לימוד לא מפוקח, לימוד מפוקח, ולימוד עם חיזוקים.

To see these in action,

כדי לראות אותן בפעולה,

let’s imagine researchers are trying to pull information

בואו נדמיין חוקרים שמנסים למצות מידע

from a set of medical data containing thousands of patient profiles.

מסט של מידע רפואי שמכיל אלפי פרופילים של מטופלים.

First up, unsupervised learning.

ראשית, למידה לא מפוקחת.

This approach would be ideal for analyzing all the profiles

הגישה הזו תהיה אידיאלית לניתוח כל הפרופילים

to find general similarities and useful patterns.

כדי לגלות נקודות דמיון כלליות ותבניות שימושיות.

Maybe certain patients have similar disease presentations,

אולי מטופלים מסוימים מציגים מחלות דומה,

or perhaps a treatment produces specific sets of side effects.

או אולי טיפול מייצר סט ספציפי של תופעות לוואי.

This broad pattern-seeking approach can be used to identify similarities

הגישה הרחבה לחיפוש תבניות יכולה לשמש לגלות נקודות דמיון

between patient profiles and find emerging patterns,

בין פרופילי מטופלים ולגלות תבניות,

all without human guidance.

הכול בלי הדרכה של אנשים.

But let's imagine doctors are looking for something more specific.

אבל בואו נדמיין שהרופאים מחפשים משהו ספציפי יותר.

These physicians want to create an algorithm

הרופאים האלה רוצים ליצור אלגוריתם

for diagnosing a particular condition.

כדי לאבחן מצב מסוים.

They begin by collecting two sets of data—

הם מתחילים על ידי איסוף שני סטים של מידע -

medical images and test results from both healthy patients

דימויים רפואיים ותוצאות בדיקות של מטופלים בריאים

and those diagnosed with the condition.

ושל אלו שמאובחנים עם המחלה.

Then, they input this data into a program

אז, הם מכניסים את הנתונים לתוכנה

designed to identify features shared by the sick patients

שמיועדת לזהות תכונות משותפות לחולים

but not the healthy patients.

אבל לא אצל הבריאים.

Based on how frequently it sees certain features,

בהתבסס על התכיפות שבה היא מזהה תכונות מסוימות,

the program will assign values to those features’ diagnostic significance,

התוכנה תשייך ערכים למשמעות האבחונית של תכונות האלו,

generating an algorithm for diagnosing future patients.

ותייצר אלגוריתם לאבחון חולים בעתיד.

However, unlike unsupervised learning,

עם זאת, בניגוד ללימוד לא מפוקח,

doctors and computer scientists have an active role in what happens next.

לרופאים ולמדעני מחשב יש תפקיד פעיל במה שקורה הלאה.

Doctors will make the final diagnosis

רופאים יעשו אבחון סופי

and check the accuracy of the algorithm’s prediction.

ויבדקו את דיוק התחזיות של האלגוריתם.

Then computer scientists can use the updated datasets

אז מדעני מחשב יכולים להשתמש במאגר המידע המעודכן

to adjust the program’s parameters and improve its accuracy.

כדי לכוונן את הפרמטרים של האלגוריתם ולשפר את הדיוק שלו.

This hands-on approach is called supervised learning.

הגישה המעורבת הזו נקראת למידה מפוקחת.

Now, let’s say these doctors want to design another algorithm

עכשיו בואו נגיד שהרופאים האלה רוצים לעצב אלגוריתם אחר

to recommend treatment plans.

כדי להמליץ על תוכנית טיפול.

Since these plans will be implemented in stages,

מאחר שהתוכניות האלו ייושמו בשלבים,

and they may change depending on each individual's response to treatments,

והן אולי ישתנו לפי התגובה של כל מטופל לטיפול,

the doctors decide to use reinforcement learning.

הרופאים מחליטים להשתמש בלמידה מחוזקת.

This program uses an iterative approach to gather feedback

התוכנה הזו משתמשת בתהליך מחזורי כדי לאסוף משוב

about which medications, dosages and treatments are most effective.

על איזה תרופות, מינונים וטיפולים הכי אפקטיביים.

Then, it compares that data against each patient’s profile

אז, היא משווה את המידע מול פרופיל של כל מטופל

to create their unique, optimal treatment plan.

כדי ליצור תוכנית טיפול ייחודית ואופטימלית.

As the treatments progress and the program receives more feedback,

כשהטיפול מתקדם והתוכנית מקבלת עוד משוב,

it can constantly update the plan for each patient.

היא יכולה לעדכן את התוכנית כל הזמן לכל חולה.

None of these three techniques are inherently smarter than any other.

אף אחת משלוש השיטות האלו לא חכמה יותר בבסיסה מהאחרות.

While some require more or less human intervention,

בעוד שכמה מהן דורשות יותר או פחות התערבות אנושית,

they all have their own strengths and weaknesses

לכולן יש החוזקות והחולשות

which makes them best suited for certain tasks.

שהופכות אותן למתאימות ביותר למקרים מסוימים.

However, by using them together,

עם זאת, על ידי שימוש בכולן יחד,

researchers can build complex AI systems,

חוקרים יכולים לבנות מערכות ב“מ מורכבות,

where individual programs can supervise and teach each other.

שם תוכנות בודדות יכולות לפקח וללמד אחת את השנייה.

For example, when our unsupervised learning program

לדוגמה, כשתוכנות הלמידה הלא מפוקחות שלנו

finds groups of patients that are similar,

מוצאות קבוצה של מטופלים דומים,

it could send that data to a connected supervised learning program.

היא יכולה לשלוח את המידע הזה לתוכנת למידה מפוקחת שמחוברת אליה.

That program could then incorporate this information into its predictions.

התוכנה יכולה לשלב את המידע בתחזיות שלה.

Or perhaps dozens of reinforcement learning programs

או אולי עשרות תוכנות למידה מחזקת

might simulate potential patient outcomes

יוכלו לדמות תוצאות פוטנציאליות של מטופלים

to collect feedback about different treatment plans.

כדי לאסוף משוב בנוגע לתוכניות טיפול שונות.

There are numerous ways to create these machine-learning systems,

יש אין סוף דרכים ליצור את מערכות למידת המכונה האלו,

and perhaps the most promising models

ואולי המודלים הכי מבטיחים

are those that mimic the relationship between neurons in the brain.

הם אלו שמחקים את היחסים בין נוירונים במוח.

These artificial neural networks can use millions of connections

רשתות עצביות מלאכותיות יכולות להשתמש במיליוני חיבורים

to tackle difficult tasks like image recognition, speech recognition,

כדי להתמודד עם משימות מורכבות כמו זיהוי תמונות, זיהוי דיבור,

and even language translation.

ואפילו תרגום שפות.

However, the more self-directed these models become,

עם זאת, ככל שהמודלים האלה הופכים להיות מוכוונים עצמית,

the harder it is for computer scientists

קשה יותר למדעני מחשב

to determine how these self-taught algorithms arrive at their solution.

לקבוע איך אלגוריתמי הלמידה העצמית האלה מגיעים לפתרון.

Researchers are already looking at ways to make machine learning more transparent.

חוקרים כבר מחפשים דרכים להפוך למידת מכונה לשקופה יותר.

But as AI becomes more involved in our everyday lives,

אבל כשב“מ הופכת למעורבת יותר בחיינו היום-יומיים,

these enigmatic decisions have increasingly large impacts

להחלטות האניגמטיות האלו יש השפעה גדלה

on our work, health, and safety.

על העבודה, הבריאות והבטיחות שלנו.

So as machines continue learning to investigate, negotiate and communicate,

אז כשמכונות ממשיכות ללמוד איך לחקור, לעבד ולתקשר,

we must also consider how to teach them to teach each other to operate ethically.

אנחנו חייבים גם לחשוב איך ללמד אותן ללמד אחת את השניה לפעול בצורה אתית.