מה זה AI ומה אפשר לעשות בעזרתו
AI הוא קיצור של Artificial Intelligence, ובעברית: בינה מלאכותית. לפי ההסבר של IBM לבינה מלאכותית, זו טכנולוגיה שמאפשרת למחשבים ולמכונות לבצע משימות שקשורות לאינטליגנציה אנושית, כמו למידה, הסקת מסקנות, קבלת החלטות ופעולה בעצמאות מסוימת.
השם רחב ומכסה סוגים שונים של מערכות. יש מערכות שיוצרות תוכן חדש, ויש מערכות שממיינות מידע, מזהות דפוסים או מנסות לחזות ערך מספרי. מערכת שמזהה הודעת דואר זבל מסווגת מידע. כלי שמקבל בקשה ומנסח טיוטת הודעה יוצר תוכן. בשני המקרים המחשב מעבד קלט ומפיק תוצאה, אבל המשימה והתוצאה שונות.
IBM מבחינה גם בין שני סוגים. בינה מלאכותית צרה מטפלת במשימות מוגדרות, למשל עוזר קולי או רכב אוטונומי, וכל הכלים שבעלי עסקים משתמשים בהם היום שייכים לסוג הזה. בינה מלאכותית כללית, שתשתווה ליכולת האנושית בהרבה תחומים או תעבור אותה, היא לפי IBM עדיין תיאורטית, ואין מערכת מוכרת שמגיעה לרמה כזו.
לבעלי עסקים, נקודת התחלה שימושית היא משימה מוגדרת שאפשר לבדוק: קיצור מסמך, ניסוח טיוטה או מיון פניות. היכולת להפיק תשובה אינה מבטיחה שהתשובה נכונה, ולכן צריך להתאים את הבדיקה לשימוש שמתכננים.
| סוג המשימה | מה המערכת מפיקה | דוגמה לשימוש |
|---|---|---|
| סיווג | שיוך מידע לקטגוריה | זיהוי הודעה כדואר זבל |
| חיזוי מספרי (רגרסיה) | הערכה של ערך מספרי | חיזוי מחיר דירה או זמן נסיעה |
| קיבוץ | קבוצות של נתונים דומים, בלי תשובות מוכנות מראש | חלוקת נתונים לקבוצות שאתם מפרשים בעצמכם |
| יצירת טקסט | תוכן בתגובה לקלט | סיכום מאמר או ניסוח טיוטה |
| יצירת תמונה | תמונה בתגובה להנחיה | יצירת איור מתיאור כתוב |
מקור: Google: מבוא ללמידת מכונה
איך המחשב לומד ומה ההבדל בין המושגים
למידת מכונה היא תחום בתוך הבינה המלאכותית. לפי המבוא של Google ללמידת מכונה, מדובר באימון תוכנה, שנקראת מודל, לבצע תחזיות או ליצור תוכן על סמך נתונים. במקום לכתוב ידנית חוקים לכל מצב, המודל לומד קשרים מתוך כמויות גדולות של נתונים. האימון הוא התהליך שבו מזינים את המודל בנתונים, והמודל הוא הקשר שנלמד ושמשמש אחר כך להפקת תוצאות.
Google מתארת כמה סוגי למידה:
- למידה מונחית: המודל לומד מנתונים שכוללים את התשובה הנכונה. אחת מצורותיה היא רגרסיה, חיזוי של ערך מספרי כמו מחיר דירה או זמן נסיעה. צורה אחרת היא סיווג, שיוך לקטגוריה כמו דואר זבל או לא.
- למידה לא מונחית: המודל מוצא דפוסים בנתונים בלי תשובות מוכנות. קיבוץ, למשל, מחלק נתונים דומים לקבוצות, ואתם מחליטים מה משמעות כל קבוצה.
- למידת חיזוק: המודל לומד דרך תגמול או עונש על פעולות, ומשתמשים בה למשל ברובוטיקה ובתוכנות משחק.
- בינה מלאכותית יוצרת: מודלים שיוצרים טקסט, תמונות, שמע, וידאו או קוד על בסיס קלט מהמשתמש.
למידה עמוקה, לפי IBM, היא סוג של למידת מכונה שמשתמש ברשתות עצביות בעלות שכבות רבות. היא מוצאת דפוסים בכמויות גדולות של מידע לא מובנה, ועומדת מאחורי חלק גדול מהכלים של היום בתחומי שפה וראייה ממוחשבת.
מודלי שפה גדולים הם הסוג הנפוץ של מודלי יסוד, מודלים גדולים שמאומנים על כמויות עצומות של מידע גולמי ומשמשים בסיס ליישומים רבים. אימון כזה יקר ודורש כוח חישוב רב, ולכן רוב העסקים משתמשים במודל קיים ולא מאמנים אחד בעצמם. כשאתם כותבים לכלי כזה בקשה, אתם נותנים לו הנחיה, שנקראת גם פרומפט.
סיכום מסמך הוא דוגמה לשימוש במודל שמקבל טקסט ומחזיר טקסט. לעבודה כזו אפשר להיעזר בהסבר על סיכום מאמר בעזרת בינה מלאכותית.
איפה בינה מלאכותית משמשת בעסקים
IBM מונה כמה שימושים עסקיים נפוצים:
- אוטומציה של משימות חוזרות.
- קבלת החלטות מהירה יותר על בסיס נתונים.
- שירות לקוחות באמצעות צ'אטבוטים ועוזרים וירטואליים.
- זיהוי הונאות.
- שיווק מותאם אישית.
- סינון מועמדים בגיוס.
- כתיבת קוד ושדרוג מערכות ישנות.
- תחזוקה חזויה על סמך נתוני חיישנים.
לעסק קטן, רוב הרשימה הזו רחוקה. השימושים הקרובים ביותר הם כתיבה וסיכום, מענה ראשוני ללקוחות ומיון של פניות. אם אתם שוקלים מענה אוטומטי באתר, אפשר לקרוא על צ'אט בוט לאתר.
הבחירה בין סוגי השימושים תלויה בשאלה אם המשימה חוזרת על עצמה, אם יש לה תוצאה שאפשר למדוד, ומה המחיר של טעות. הודעה פנימית שגויה אפשר לתקן בקלות. הודעה ללקוח עם מחיר שגוי כבר יוצרת בעיה.
איפה התשובות עלולות להשתבש
כלי בינה מלאכותית יוצרת עלול להפיק מידע שגוי או להמציא פרטים, תופעה שנקראת הזיה. הוא עשוי, למשל, להוסיף לסיכום פרט שלא הופיע במסמך או להציג קישור לעמוד שאינו קיים. ההסבר של Google Cloud על הזיות מצביע על שתי סיבות עיקריות: נתוני אימון לקויים או חלקיים, והיעדר ביסוס של התשובות במקורות אמינים.
לכן, לפני פרסום או שליחה ללקוח, השוו שמות, סכומים והתחייבויות למקור. כשמבקשים סיכום, בדקו גם אם הושמט תנאי שמשנה את המשמעות. ניסוח ברור ומשכנע אינו מעיד על דיוק.
לצד טעויות יש גם סיכונים אחרים. IBM מזכירה הטיות בנתונים, הפרות פרטיות ותוצאות מפלות, למשל כלי גיוס שמעדיפים קבוצות מסוימות. מסגרת ניהול הסיכונים של מכון התקנים האמריקאי NIST מונה שבע תכונות של מערכת אמינה: תקפות ואמינות, בטיחות, אבטחה וחוסן, אחריותיות ושקיפות, יכולת הסבר, הגנה על פרטיות, והגינות עם ניהול הטיות מזיקות. NIST מציינת שהמסגרת וולונטרית, ושחשיבותה היחסית של כל תכונה תלויה בהקשר.
לפני העלאת חומר עסקי רגיש, עיינו בתנאי השירות ובהגדרות המידע של הכלי. להרחבה, קראו על פרטיות בבינה מלאכותית.
דוגמה לבקשה ראשונה שאפשר לבדוק
נניח שאתם רוצים להפוך תיאור שירות ארוך להודעה קצרה ללקוח. לצורך ניסיון ראשון, בחרו תיאור ציבורי של השירות והגדירו את הקהל, האורך והמידע שחייב להישאר.
נסחו מהטקסט המצורף הודעה קצרה ללקוח שמתעניין בשירות. שמרו על התנאים שמופיעים במקור. אל תוסיפו מחירים, מועדים או הבטחות. אם חסר מידע הדרוש לניסוח, ציינו מה חסר.
הבקשה כוללת ארבעה חלקים: משימה, מקור, מגבלות ובקשה לדווח על חוסרים. ההוראה האחרונה מקטינה את הסיכוי שהכלי ימלא פערים בניחוש.
קראו את הטיוטה לצד המקור ותקנו אותה לפני השימוש. כדי להחליט אם הכלי מועיל לכם, בחנו את הזמן שנדרש לקבלת נוסח מוכן, כולל הקריאה והתיקונים. אפשר להיעזר גם במחולל הפרומפטים לניסוח בקשה ברורה.
