פרק 2. בינה מלאכותית ובעיית העכירות

עמוד:15

מוד ל ליצירת שקי פ ות אלגורי תמי ת 5 1 נוסף על כך, הליך הייצור של אלגוריתמים דורש משאבים ניכרים משני סוגים : ראשית, יש צורך במאגר נתונים גדול, עשיר ומטויב, אשר יאפשר לתוכנה להגיע מהר ככל האפשר להצלחה סטטיסטית במשימתה . ככל שהפעולה הנלמדת מורכבת יותר, כך נדרש מאגר נתונים גדול יותר . לכן לא מפתיע שהשחקנים המצליחים ביותר בתחום הבינה המלאכותית הם שחקנים שממילא יש בידיהם מאגרי מידע גדולים . המשאב השני הוא פעולה אנושית לצורך מתן היזון חוזר למכונה על מנת שהיא תוכל ללמוד אם הצליחה או לא . פעולה זו היא יקרה וגם מועדת לטעויות, ולכן חברות ענק עתירות משאבים, שבאפשרותן לממן את ההשקעה הכבדה אך המניבה בטווח הארוך, נהנות מעדיפות גם בהיבט זה . בשל קשיים אלה פותחו דרכים אשר מנסות לעקוף את הקושי בהיזון החוזר האנושי . אחת השיטות לעשות זאת, המתאימה במקרים מסוימים, היא לימוד אדוורסרי של מערכות בינה מלאכותית . למשל, יצירת מערכת אחת שמטרתה לפרוץ צופן, ומולה יצירת מערכת אחרת שמטרתה הפוכה — לייצר צופן שלא ניתן לפיצוח . בכל סבב בין המערכות הן משתכללות זו מול זו, ללא צורך בהיזון חוזר אנושי . כאמור, הקושי המשמעותי בכל הנוגע לרשתות נוירונים קשור להיותן "קופסה שחורה" ולהיעדר היכולת להסביר באופן נקודתי כיצד נוצר הפלט המסוים שאליו הגיעו . המתכנת אינו יודע את משמעות הקשרים שנוצרו וכיצד התוכנה הגיעה להצלחה, כלומר אינו יודע מדוע התוצר הסופי והפלט של התוכנה הם כפי שהם . במובן זה, על אף ההשוואה בין רשתות נוירונים לבין פעולת המוח האנושי, הדרך שבה התוכנה הגיעה להצלחה אינה סיבתית, והיא תוצר של פעולות סטטיסטיות, חלקן רנדומליות . התוכנה אינה מסוגלת להפיק פלט שמסביר כיצד ומדוע התקבלה תוצאה או החלטה מסוימת ולא אחרת .

המכון הישראלי לדמוקרטיה ע"ר


לצפייה מיטבית ורציפה בכותר