AI-For-Beginners/translations/he/lessons/1-Intro

תמונה מאת דמיטרי סושניקוב

עם הזמן, משאבי המחשוב הפכו לזולים יותר, וכמות הנתונים הזמינים גדלה, כך שגישות המבוססות על רשתות עצביות החלו להציג ביצועים מרשימים בתחרות מול בני אדם בתחומים רבים, כמו ראיית מחשב או הבנת דיבור. בעשור האחרון, המונח "בינה מלאכותית" משמש בעיקר כמילה נרדפת לרשתות עצביות, משום שרוב ההצלחות של AI שאנו שומעים עליהן מבוססות עליהן.

ניתן לראות כיצד הגישות השתנו, למשל, ביצירת תוכנית מחשב לשחק שחמט:

• תוכניות שחמט מוקדמות התבססו על חיפוש – התוכנית ניסתה במפורש להעריך מהלכים אפשריים של היריב למספר מהלכים קדימה, ובחרה את המהלך האופטימלי בהתבסס על המיקום הטוב ביותר שניתן להשיג בכמה מהלכים. זה הוביל לפיתוח אלגוריתם החיפוש alpha-beta pruning.
• אסטרטגיות חיפוש עובדות היטב לקראת סוף המשחק, כאשר מרחב החיפוש מוגבל למספר קטן של מהלכים אפשריים. עם זאת, בתחילת המשחק, מרחב החיפוש עצום, והאלגוריתם יכול להשתפר על ידי למידה ממשחקים קיימים בין שחקנים אנושיים. ניסויים מאוחרים יותר השתמשו ב-case-based reasoning, שבו התוכנית חיפשה מקרים בבסיס הידע הדומים מאוד למצב הנוכחי במשחק.
• תוכניות מודרניות שמנצחות שחקנים אנושיים מבוססות על רשתות עצביות ולמידת reinforcement learning, שבהן התוכניות לומדות לשחק רק על ידי משחק ממושך נגד עצמן ולמידה מטעויותיהן – בדיוק כמו שבני אדם לומדים לשחק שחמט. עם זאת, תוכנית מחשב יכולה לשחק הרבה יותר משחקים בזמן קצר בהרבה, ולכן יכולה ללמוד מהר יותר.

✅ בצעו מחקר קטן על משחקים נוספים ששוחקו על ידי AI.

באופן דומה, ניתן לראות כיצד הגישה ליצירת "תוכניות מדברות" (שיכולות לעבור את מבחן טיורינג) השתנתה:

• תוכניות מוקדמות מסוג זה, כמו Eliza, התבססו על כללים דקדוקיים פשוטים מאוד ועל ניסוח מחדש של המשפט שהוזן לשאלה.
• עוזרים מודרניים, כמו Cortana, Siri או Google Assistant, הם כולם מערכות היברידיות שמשתמשות ברשתות עצביות להמרת דיבור לטקסט ולהבנת הכוונה שלנו, ואז משתמשות בחשיבה או אלגוריתמים מפורשים לביצוע הפעולות הנדרשות.
• בעתיד, ייתכן שנראה מודל מבוסס רשת עצבית שיטפל בדיאלוג באופן עצמאי. משפחת הרשתות העצביות GPT ו-Turing-NLG מציגה הצלחות מרשימות בתחום זה.

תמונה מאת דמיטרי סושניקוב, תמונה מאת מרינה אברוסימובה, Unsplash

מחקרי AI עדכניים

הצמיחה העצומה במחקרי רשתות נוירונים החלה בסביבות 2010, כאשר מאגרי נתונים ציבוריים גדולים החלו להיות זמינים. אוסף עצום של תמונות בשם ImageNet, המכיל כ-14 מיליון תמונות עם תיוגים, הוביל ליצירת אתגר זיהוי חזותי בקנה מידה גדול של ImageNet.

תמונה מאת דמיטרי סושניקוב

בשנת 2012, רשתות נוירונים קונבולוציוניות שימשו לראשונה לסיווג תמונות, מה שהוביל לירידה משמעותית בשגיאות הסיווג (מכמעט 30% ל-16.4%). בשנת 2015, ארכיטקטורת ResNet של Microsoft Research השיגה דיוק ברמת אדם.

מאז, רשתות נוירונים הראו הצלחה רבה במגוון משימות:

---

שנה	הגעה לשוויון עם ביצועי אדם
2015	סיווג תמונות
2016	זיהוי דיבור שיחתי
2018	תרגום מכונה אוטומטי (מסינית לאנגלית)
2020	תיאור תמונות

בשנים האחרונות חווינו הצלחות גדולות עם מודלים שפתיים גדולים, כמו BERT ו-GPT-3. הדבר קרה בעיקר בזכות העובדה שיש כמות עצומה של נתוני טקסט כלליים זמינים, המאפשרים לנו לאמן מודלים ללכוד את המבנה והמשמעות של טקסטים, לאמן אותם מראש על אוספי טקסט כלליים, ולאחר מכן להתמחות במשימות ספציפיות יותר. נלמד עוד על עיבוד שפה טבעית בהמשך הקורס.

🚀 אתגר

עשו סיור באינטרנט כדי לקבוע היכן, לדעתכם, נעשה השימוש היעיל ביותר ב-AI. האם זה באפליקציית מיפוי, שירות המרה מדיבור לטקסט, או אולי במשחק וידאו? חקרו כיצד המערכת נבנתה.

חידון לאחר ההרצאה

סקירה ולמידה עצמית

סקירה של ההיסטוריה של AI ו-ML על ידי קריאת השיעור הזה. בחרו אלמנט מתוך הסקיצה שבתחילת השיעור הזה או הקודם, וחקרו אותו לעומק כדי להבין את ההקשר התרבותי שהשפיע על התפתחותו.

משימה: Game Jam

---

כתב ויתור:
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית Co-op Translator. למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור סמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. איננו נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה.