מה זה למידת מכונה? הסבר פשוט עם 6 דוגמאות
אתם נוסעים לעבודה, וייז מודיע לכם על פקק שעוד לא הגעתם אליו ומציע מסלול עוקף. בבוקר שני ספוטיפיי מחכה לכם עם רשימת שירים שאף אחד לא בנה ידנית. ובתיבת הדואר, הודעה חשודה מגיעה ישר לתיקיית הספאם בלי שביקשתם. מאחורי כל אחד מהמקרים האלה עומד רכיב של למידת מכונה — טכנולוגיה שרובנו משתמשים בה עשרות פעמים ביום בלי לחשוב עליה לרגע.
המונח עצמו נשמע מאיים. כשמחפשים אותו בגוגל, מקבלים בעיקר הגדרות אקדמיות עם מילים כמו "אלגוריתמים" ו"רגרסיה", או פרסומות לקורסים שעולים אלפי שקלים. אבל הרעיון עצמו פשוט להפליא, ואפשר להסביר אותו בלי משוואה אחת.
במאמר הזה נסביר מה זה באמת, איך המחשב "לומד", מה ההבדל בין המושגים שכולם מבלבלים ביניהם, ואיפה זה נמצא בחיים שלכם כבר עכשיו.
מה זה למידת מכונה?
למידת מכונה (באנגלית: Machine Learning) היא שיטה שבה מחשב לומד לבצע משימה מתוך דוגמאות, במקום שיכתבו לו חוקים מפורשים מראש. במקום שמתכנת יגדיר "אם התנאי הזה מתקיים, תעשה כך", המערכת מקבלת כמות גדולה של דוגמאות ומזהה בעצמה את הדפוסים שחוזרים בהן. ככל שהיא נחשפת לנתונים איכותיים ורלוונטיים יותר, היא משתפרת בזיהוי הדפוסים ובדיוק התחזיות.
איך המחשב "לומד"? ההסבר בלי מילה טכנית אחת
נניח שאתם רוצים ללמד ילד בן שלוש לזהות כלב. אתם לא מסבירים לו שכלב הוא יונק בעל ארבע רגליים, פרווה, זנב ואוזניים משתלשלות. אתם פשוט מצביעים על כלבים ברחוב ואומרים "כלב". אחרי מספיק פעמים, הילד מזהה כלב שהוא רואה בפעם הראשונה — גם אם הוא בגודל אחר, בצבע אחר ומגזע שלא פגש קודם.
מחשב שלומד עובד באותו היגיון. מראים לו עשרות אלפי תמונות מסומנות: זה כלב, זה לא כלב. הוא לא מקבל הגדרה מילולית של כלב. הוא מוצא בעצמו אילו מאפיינים חוזרים בתמונות המסומנות ככלב, ובונה לעצמו מודל שמנבא: בהינתן תמונה חדשה, מה הסיכוי שיש בה כלב.
ההבדל מהתכנות המסורתי הוא בדיוק כאן. בתוכנה רגילה, המתכנת כותב את החוקים והמחשב מבצע אותם. בלמידת מכונה, המתכנת מספק את הדוגמאות והמחשב מייצר את החוקים בעצמו.
וזו גם הסיבה שהטכנולוגיה הזו תפסה תאוצה. יש משימות שפשוט אי אפשר לכתוב להן חוקים. תנסו לנסח בכתב את כל הכללים שמבדילים בין פנים של אדם אחד לפנים של אדם אחר. זה בלתי אפשרי. אבל להראות למערכת מיליון תמונות פנים? זה עובד.
שלושת הסוגים העיקריים של למידת מכונה
לא כל למידה עובדת אותו הדבר. יש שלוש גישות מרכזיות, וההבדל ביניהן הוא בעיקר בשאלה כמה עזרה המערכת מקבלת מאיתנו.
| סוג הלמידה | איך זה עובד | דוגמה מוכרת |
|---|---|---|
| למידה מונחית | מקבלת דוגמאות עם תשובה נכונה מסומנת | סינון ספאם בדואר האלקטרוני |
| למידה בלתי מונחית | מקבלת נתונים בלי תשובות ומחפשת קבוצות ודפוסים לבד | חלוקת לקוחות לקבוצות בעלות התנהגות דומה |
| למידת חיזוק | לומדת מניסוי וטעייה, עם תגמול על הצלחה | AlphaGo, שלמדה לשחק במשחק גו ברמה גבוהה |
הנפוצה ביותר היא הלמידה המונחית, פשוט כי היא הכי מעשית. אם יש לכם מיליון הודעות שאנשים סימנו כספאם, יש לכם חומר גלם מצוין ללמד עליו מערכת. הקושי בשיטה הזו הוא שמישהו צריך לעשות את עבודת הסימון, וזה יקר ואיטי.
הלמידה הבלתי מונחית משמשת כשאין לכם תשובות מוכנות ואתם רוצים לגלות מבנה שקיים בנתונים אבל לא ידעתם עליו. למידת חיזוק דומה יותר לאימון של בעל חיים — פעולה מוצלחת מזכה בנקודות, כישלון מוריד אותן, והמערכת מתכנסת בהדרגה לאסטרטגיה טובה.
איך בונים מודל של למידת מכונה? ארבעה שלבים
גם אם לעולם לא תבנו מודל בעצמכם, ההבנה של התהליך מסבירה הרבה על למה מערכות כאלה מצליחות או נכשלות.
שלב 1: איסוף נתונים
זה השלב הכי חשוב והכי פחות זוהר. כדי ללמד מערכת לזהות מחלת עור מתמונה, צריך אלפי תמונות של מקרים מאובחנים. איכות הנתונים קובעת את איכות התוצאה יותר מכל בחירה טכנית אחרת. מודל שאומן על נתונים חלקיים יחזיר תוצאות חלקיות, כמה שלא ישפרו אותו.
שלב 2: ניקוי והכנה
נתונים אמיתיים מגיעים מבולגנים. חסרים ערכים, יש כפילויות, פורמטים שונים ורשומות שגויות. חלק ניכר מזמן העבודה בתחום מוקדש דווקא לשלב הזה, ולא לבניית המודל עצמו.
שלב 3: אימון
כאן המערכת עוברת על הדוגמאות שוב ושוב ומכווננת את עצמה. בכל סבב היא משווה את התחזית שלה לתשובה הנכונה, מודדת את גודל הטעות ומתקנת בהתאם. התהליך חוזר על עצמו אלפי פעמים עד שהטעות מפסיקה לרדת.
שלב 4: בדיקה על נתונים חדשים
כאן נמצא המבחן האמיתי. חלק מהנתונים נשמר בצד ולא משמש לאימון, כדי לבדוק את המודל על דוגמאות שלא ראה. אם הוא מצליח על נתוני האימון ונכשל על החדשים, סימן שהוא "שינן" במקום ללמוד — תופעה מוכרת שמצריכה חזרה אחורה ותיקון.
6 דוגמאות מהיומיום שכנראה לא ידעתם שהן למידת מכונה
1. אפליקציות ניווט
וייז מחשבת זמן הגעה על בסיס מהירויות אמיתיות של נהגים בכביש כרגע, בשילוב עם דפוסים היסטוריים של אותו כביש באותה שעה ואותו יום בשבוע. מודלים לומדים משפרים את החיזוי הזה לאורך זמן. אני משתמש בוייז בנהיגה ובגוגל מפות בהליכה ובאופניים, ומה שתמיד הרשים אותי הוא שהיא מזהה עומס עוד לפני שהוא נראה בכביש עצמו.
2. רשימות ההשמעה בספוטיפיי
המערכת מצליבה בין הרגלי ההאזנה שלכם לאלה של משתמשים בעלי טעם דומה, ומנתחת גם את המאפיינים הצליליים של השירים עצמם — קצב, עוצמה, כלים. שיר שאתם שומרים או מאזינים לו שוב מספק למערכת אות חיובי, ודילוג על שיר מספק אות לכך שהוא כנראה פחות מתאים לכם.
3. מסנן הספאם בתיבת הדואר
גוגל מדווחת שהשילוב של הגנות מבוססות חוקים ולמידת מכונה מונע מיותר מ-99.9% מהודעות הספאם, ההתחזות והנוזקות להגיע לתיבת הדואר בג'ימייל. לכל הודעה יש אלפי סימנים אפשריים, ומערכת לומדת בוחנת אותם יחד במקום לבדוק רשימת חוקים קבועה.
4. זיהוי הפנים שפותח לכם את הטלפון
מערכות זיהוי פנים מודרניות אינן מסתמכות על השוואה פשוטה לתמונה שמורה. הן מפיקות מהפנים מאפיינים מספריים ובודקות את מידת ההתאמה אליהם. זו הסיבה שהטלפון ממשיך לזהות אתכם גם אחרי תספורת או כשגידלתם זקן.
5. הפיד ברשתות החברתיות
סדר הפוסטים שאתם רואים נקבע על ידי מודל שמנבא במה תתעניינו — על בסיס מה שעצרתם לקרוא, על מה הגבתם וכמה זמן שהיתם על כל פריט.
6. זיהוי הונאות בכרטיס אשראי
כשמתקבלת שיחה מחברת האשראי על עסקה חריגה, בדרך כלל מודל שלמד את דפוסי ההוצאה הרגילים שלכם הוא זה שסימן את העסקה כחשודה.
מה ההבדל בין בינה מלאכותית, למידת מכונה ולמידה עמוקה?
זה הבלבול הנפוץ ביותר בתחום, והתשובה פשוטה: מדובר בשלושה מעגלים שנמצאים זה בתוך זה. בינה מלאכותית היא המונח הרחב ביותר — כל ניסיון לגרום למחשב לבצע משימות שדורשות חשיבה. למידת מכונה היא תת-תחום שלה, המתמקד בלמידה מדוגמאות. למידה עמוקה היא תת-תחום של למידת מכונה, שמשתמש ברשתות מרובות שכבות.
אפשר לדמיין את זה כך: בינה מלאכותית ← למידת מכונה ← למידה עמוקה. כל אחד נכנס לתוך הקודם.
כדי להמחיש את ההבדל: תוכנת שחמט מהשנים המוקדמות של התחום נחשבה בינה מלאכותית, אבל היא לא למדה כלום — מתכנתים כתבו לה את החוקים והאסטרטגיות. מערכת שמשפרת את המשחק שלה על סמך מיליוני משחקים שראתה, לעומת זאת, היא כבר למידת מכונה. ואם היא עושה זאת באמצעות רשת רב-שכבתית, מדובר בלמידה עמוקה.
הרשתות שבבסיס הלמידה העמוקה קרויות "רשתות עצביות", בהשראה רופפת של אופן פעולת המוח. השם קצת מטעה — הן לא באמת מדמות מוח אנושי, אלא בנויות משכבות של יחידות חישוב שכל אחת מעבירה לשכבה הבאה. ככל שיש יותר שכבות, המערכת מסוגלת לזהות דפוסים מורכבים יותר. אם מעניין אתכם להעמיק, כדאי להתחיל מהמדריך שלנו על מה זה בינה מלאכותית והאופן שבו היא פועלת.
איך ChatGPT קשור ללמידת מכונה?
ChatGPT הוא מודל שפה גדול, וזה אומר שהוא בנוי על למידה עמוקה — כלומר על ענף של למידת מכונה. במהלך האימון הוא נחשף לכמות עצומה של טקסט, והמשימה שעליה התאמן היא לחזות מה סביר שיבוא בהמשך הרצף. זהו תיאור מפושט של מערכת מורכבת הרבה יותר, אבל הוא מספיק כדי להבין את העיקרון.
ההבנה הזו חשובה מאוד מבחינה מעשית. המודל לא מחזיק מאגר עובדות שהוא שולף ממנו תשובות. הוא מייצר טקסט שנראה סביר על בסיס דפוסים שלמד. לכן הוא יכול לנסח בביטחון מלא משפט שגוי לחלוטין — לא בגלל תקלה, אלא כי זה בדיוק אופן הפעולה שלו.
זה גם מסביר תופעה שרבים נתקלים בה: הכלי מצוין בניסוח, בסיכום ובסידור רעיונות, ופחות אמין כשמבקשים ממנו נתון מדויק, תאריך או מקור. ניסוח הוא בדיוק המשימה שעליה הוא אומן. אחזור עובדה מדויקת הוא תוצר לוואי, לא המטרה.
אותו עיקרון חל על כל הכלים מסוג בינה מלאכותית גנרטיבית — אלה שמייצרים טקסט, תמונות או קול. כולם מבוססים על אותו רעיון של למידה מדוגמאות, רק עם סוגי נתונים שונים. למי שרוצה להתחיל להשתמש בכלים האלה, יש לנו מדריך נפרד על שימוש ב-ChatGPT בעברית.
מה למידת מכונה לא יודעת לעשות
קל להתרשם מהיכולות ולפספס את המגבלות, אבל הן חשובות לא פחות — במיוחד כשמערכות כאלה נכנסות לתחומים שנוגעים לאנשים ישירות.
המערכת טובה כמו הנתונים שלה. אם הדוגמאות שהוזנו לה מוטות, המודל ילמד את ההטיה ויחזיר אותה כתוצאה. זו בעיה מוכרת במערכות שמסייעות בקבלת החלטות על אנשים — גיוס, אשראי, ביטוח.
אין הבנה אמיתית. מערכת שמזהה חתולים בתמונות לא יודעת מה זה חתול. היא מזהה דפוס. לכן שינוי קטן ולא צפוי בתמונה עלול לגרום לה לטעות בצורה שאדם לא היה טועה בה לעולם.
קשה להסביר את התוצאה. במודלים מורכבים אפילו המפתחים לא תמיד יודעים למה התקבלה החלטה מסוימת. זו סוגיה משמעותית בתחומים רגישים כמו רפואה ומשפט.
צריך הרבה חומר גלם. הרעיון עובד היטב כשיש כמות גדולה של דוגמאות. בתחומים שבהם המידע נדיר או יקר לאיסוף, השיטה מתקשה. מודל שאומן על מאה דוגמאות לא ייתן תוצאות אמינות, גם אם הרעיון נכון.
אימון מודלים גדולים יקר. אימון מודל בקנה מידה גדול דורש חומרה ייעודית וכמות חשמל משמעותית. זו אחת הסיבות שהמודלים המובילים מפותחים בעיקר על ידי חברות ענק, ואחת הסיבות לביקורת הסביבתית סביב התחום.
ביטחון אינו דיוק. מודל יכול להציג תשובה שגויה בנימה החלטית לגמרי. אם אתם נעזרים בכלי AI לעבודה או ללימודים, שווה לקרוא איך מזהים מידע שגוי שמגיע מבינה מלאכותית לפני שסומכים על תשובה.
שאלות נפוצות
מה ההבדל בין למידת מכונה לבינה מלאכותית?
בינה מלאכותית היא התחום הרחב שעוסק בגרימת מחשבים לבצע משימות הדורשות חשיבה. למידת מכונה היא אחת השיטות להשיג זאת, והיא מבוססת על למידה מדוגמאות. כל למידת מכונה היא בינה מלאכותית, אך לא כל בינה מלאכותית מבוססת על למידת מכונה.
האם למידת מכונה זהה ללמידה עמוקה?
לא. למידה עמוקה היא תת-תחום של למידת מכונה, שמתבסס על רשתות עצביות מרובות שכבות. יש שיטות רבות בלמידת מכונה שאינן משתמשות ברשתות כאלה כלל.
צריך לדעת לתכנת כדי להבין למידת מכונה?
כדי להבין את העקרונות — לא. כדי לפתח מודלים בעצמכם — כן, ובדרך כלל בשפת התכנות פייתון, לצד רקע במתמטיקה ובסטטיסטיקה.
איפה משתמשים בלמידת מכונה בישראל?
בבנקאות לזיהוי הונאות, ברפואה לניתוח הדמיה, בחקלאות לניטור יבולים, בתחבורה לניהול תנועה ובתעשיית הסייבר לאיתור התנהגות חריגה ברשת. מערכות רבות שפותחו בישראל עושות שימוש בשיטות האלה.
האם למידת מכונה תחליף מקצועות?
היא כבר משנה תפקידים רבים, בעיקר כאלה שכוללים משימות חוזרות וניתוח נתונים. הכיוון המסתמן הוא פחות החלפה מלאה ויותר שינוי בהרכב העבודה, כשחלק מהמשימות עוברות למחשב.
למידת מכונה — מה כדאי לקחת מכאן
למידת מכונה היא לא קסם ולא תודעה. זו שיטה שבה מחשב מזהה דפוסים בכמות גדולה של דוגמאות ומשתמש בהם כדי לנבא. ברגע שמבינים את זה, גם ההצלחות המרשימות וגם הכישלונות המוזרים של מערכות AI מקבלים היגיון.
וזה בדיוק מה שהופך את ההבנה הזו לשימושית. מי שיודע שמדובר בחיזוי מבוסס דפוסים, ולא במאגר עובדות, ניגש לכלים האלה עם הציפיות הנכונות — ובודק את מה שצריך לבדוק. מי שרוצה להעמיק בצד הטכני יכול להתחיל מהקורס המקוצר של גוגל בלמידת מכונה, שניתן ללמוד בו ללא תשלום.
