מהי למידת מכונה?

למידת מכונה הפכה למונח מוכר בכל בית בשנים האחרונות - ממדע בדיוני המונח הפך לגורם מפתח לאופן שבו עסקים וארגונים מעבדים מידע. קצב יצירת הנתונים ממשיך לצמוח באופן אקספוננציאלי, ולכן כלי למידת מכונה הם מרכזיים עבור ארגונים המעוניינים לגלות דפוסים, לחלץ מגמות מנתונים ולתכנן את הדרך הרווחית ביותר קדימה.

כמה נפוצה למידת מכונה? כשלחצתם על המלצה מאתר מסחר אלקטרוני או פלטפורמת סטרימינג, כשקיבלתם הודעה על שימוש לרעה פוטנציאלי בכרטיס האשראי שלכם, או כשהשתמשתם בתוכנת תמלול - בעצם נהניתם מלמידת מכונה. משתמשים בה בענפים רבים בתעשייה כגון כספים, בריאות, שיווק וקמעונאות כדי להפיק תובנות חשובות מנתונים ולהפוך תהליכים לאוטומטיים.

מהי למידת מכונה?

למידת מכונה (ML) היא תת-קבוצה של בינה מלאכותית (AI) המתמקדת בבניית מערכות שלומדות - ומשתפרות - תוך כדי שהן צורכות עוד נתונים. בינה מלאכותית היא מונח רחב יותר המתייחס למערכות או למכונות המחקות אינטליגנציה אנושית. לעיתים קרובות דנים על למידת מכונה ובינה מלאכותית יחד, ואפילו משתמשים במונחים אלה לסירוגין - אבל המשמעויות שלהם שונות.

בקיצור, כל למידת מכונה היא בינה מלאכותית, אבל לא כל בינה מלאכותית היא למידת מכונה.

תובנות מרכזיות

• למידת מכונה היא תת-קבוצה של בינה מלאכותית.
• ארבעת הסוגים הנפוצים ביותר של למידת מכונה הם מונחית, לא מונחית, מונחית למחצה ובחיזוק חיובי.
• סוגים פופולריים של אלגוריתמים של למידת מכונה כוללים רשתות עצביות, עצי החלטה, קיבוץ באשכולות ויערות אקראיים.
• תרחישי שימוש נפוצים של למידת מכונה בעסקים כוללים זיהוי וסיווג אובייקטים, איתור חריגות, עיבוד מסמכים וניתוח לחיזוי.

כל מה שצריך לדעת על למידת מכונה

למידת מכונה היא טכניקה שמגלה קשרים בנתונים שלא היו ידועים קודם לכן על ידי חיפוש במערכי נתונים גדולים מאוד פוטנציאלית כדי לגלות דפוסים ומגמות מעבר לניתוח סטטיסטי פשוט. למידת מכונה משתמשת באלגוריתמים מתוחכמים שאומנו לזהות דפוסים בנתונים וליצור מודלים. ניתן להשתמש במודלים אלה כדי לבצע תחזיות ולסווג נתונים.

שימו לב שאלגוריתם אינו מודל. אלגוריתם הוא קבוצה של כללים והליכים המשמשים לפתרון בעיה ספציפית או לביצוע משימה מסוימת, ואילו מודל הוא הפלט או התוצאה של החלת אלגוריתם על מערך נתונים.

לפני האימון יש אלגוריתם. לאחר האימון מתקבל מודל.

לדוגמה, למידת מכונה נמצאת בשימוש נרחב בשירותי הבריאות עבור משימות כולל ניתוח הדמיה רפואית, חיזוי אנליטי ואבחון מחלות. מודלים של למידת מכונה מותאמים באופן אידיאלי לניתוח הדמיות רפואיות, כגון סריקות MRI, צילומי רנטגן וסריקות CT, כדי לזהות דפוסים ולאתר חריגות שאולי לא יהיו גלויות לעין האנושית או שמאבחן עמוס בעבודה עלול להחמיץ. מערכות למידת מכונה יכולות גם לנתח תסמינים, מידע גנטי ונתונים אחרים של מטופלים כדי להציע בדיקות למצבים כגון סרטן, סוכרת ומחלות לב.

התכונות העיקריות של למידת מכונה הן

• גילוי אוטומטי של דפוסים
• חיזוי של תוצאות אפשריות
• יצירה של מידע מאפשר פעולה
• היכולת לנתח נפחים גדולים מאוד של נתונים

סוגים של למידת מכונה

יש ארבעה סוגים מרכזיים של למידת מכונה. לכל אחד מהם יש חוזקות ומגבלות משלו, ולכן חשוב לבחור את הגישה הנכונה למשימה הספציפית.

• למידת מכונה מונחית היא הסוג הנפוץ ביותר. כאן, נתונים מתויגים מלמדים את האלגוריתם אילו מסקנות הוא צריך להסיק. בדיוק כפי שילד לומד לזהות פירות על ידי שינונן בספר תמונות, בלמידה מונחית האלגוריתם מאומן על מערך נתונים שכבר תויג. דוגמה ללמידת מכונה מונחית היא מסנן דואר זבל, ובו האלגוריתם מתאמן על מערך נתונים מתויג שבו כל הודעה מתויגת כדואר זבל או כלא דואר זבל. המודל לומד מהדוגמאות המתויגות האלה ולאחר מכן יוכל לחזות אם הודעות דוא"ל נכנסות חדשות הן דואר זבל או לא על סמך הדפוסים שהוא זיהה. סוג זה של למידה מונחית דורש ממומחה אנושי לספק את התשובות הנכונות על ידי תיוג נתונים כך שהאלגוריתם יוכל ללמוד ולבצע תחזיות מדויקות בעתיד.
  
  שימו לב שהמטרה כאן היא לא לאמן באמצעות נתונים ברורים. המטרה היא לחקות את מה שהמערכת תראה בעולם האמיתי - יש הודעות דואר זבל שקל לזהות, אבל דוגמאות אחרות מעלות התלבטויות או קשות יותר לזיהוי. נתונים נקיים מדי מובילים להתאמת יתר, כלומר המודל יזהה רק דוגמאות ברורות.
• למידת מכונה לא מונחית היא גישה עצמאית יותר, שלפיה המחשב לומד לזהות תהליכים ודפוסים מורכבים מבלי להסתמך על נתונים שתויגו קודם לכן. למידת מכונה לא מונחית אינה כרוכה רק באימון המבוסס על נתונים לא מתויגים; גם לא מוגדר לה פלט ספציפי, כמו אם סביר שהודעה מסוימת תהיה דואר זבל.
  
  למידת מכונה לא מונחית נוטה לזהות קבוצות של נתונים דומים וליצור אשכולות. לאחר האימון, המודל יכול לזהות דפוסים דומים ולהכניס את הנתונים האלה לקבוצה המתאימה. שימוש נפוץ בלמידת מכונה לא מונחית הוא מנועי המלצה ביישומי צרכנים המספקים המלצות בסגנון "לקוחות שקנו פריט זה קנו גם את הפריטים האלה". כאשר האלגוריתם מוצא דפוסים שונים הוא יכול לזהות אותם כחריגות - שימושי בזיהוי הונאות.
• למידת מכונה מונחית למחצה מטפלת בבעיה של חוסר בנתונים מתויגים כדי לאמן מודל במלואו. לדוגמה, ייתכן שיש לכם מערכים גדולים של נתוני אימון, אך אינכם רוצים להשקיע את הזמן והעלות של תיוג המערך כולו. בשילוב של שיטות מונחות ולא מונחות, לרוב תוכלו לאמן את המודל במלואו. תהליך האימון מתחיל כמו למידה מונחית - משתמשים בנתונים מתויגים כדי לקבל תוצאות ראשוניות ולקבוע הנחיות לאלגוריתם. כאשר מפיקים את כל הניתן מנתונים מתויגים, המודל המאומן למחצה מקבל את מערכי הנתונים הלא מתויגים. הוא משתמש באימון שעבר ומסתכל על הנתונים הלא מתויגים כדי להוסיף למערך הנתונים המתויג. אם המודל יכול למצוא תווית מתאימה לדוגמה ברמת ודאות גבוהה, דוגמה זו נוספת לנתונים המתויגים. תהליך הלמידה מתחיל שוב, אבל עכשיו עם קבוצה גדולה יותר של דוגמאות מתויגות. באמצעות החזרה על התהליך, יותר דוגמאות מתויגות במה שנקרא לעיתים קרובות תווית-דמה שעוזרות לכוונן את המודל עוד יותר.

  למידת מכונה באמצעות חיזוקים, כמו למידת מכונה לא מונחית, סוג זה של למידת מכונה משתמש במערכי נתונים לא מתויגים ומאפשר לאלגוריתמים להעריך את הנתונים. עם זאת, למידה באמצעות חיזוקים שונה בכך שהיא פועלת כדי להשיג מטרה מוגדרת במקום לחקור נתונים כדי לגלות דפוסים כלשהם. מתוך מחשבה על המטרה, האלגוריתם מתקדם בתהליך של ניסוי וטעייה. כל מהלך מקבל משוב חיובי, שלילי או ניטרלי, והאלגוריתם משתמש בו כדי לחדד את תהליך קבלת ההחלטות הכולל שלו. אלגוריתמים של למידה באמצעות חיזוקים יכולים לעבוד ברמת המאקרו כדי לממש את מטרת הפרויקט, גם אם הם יצטרכו להתמודד עם השלכות שליליות לטווח קצר. בדרך זו, למידה באמצעות חיזוקים מטפלת במצבים מורכבים ודינמיים יותר מששיטות אחרות מצליחות מכיוון שהיא מאפשרת להקשר של מטרת הפרויקט להשפיע על הסיכון בבחירותיה. ללמד מחשב לשחק שחמט זו דוגמה טובה. המטרה הכללית היא לנצח במשחק, אבל כדי לממש אותה ייתכן שתידרש הקרבת חלקים מסוימים תוך כדי שהמשחק ממשיך.

מה השיטה המתאימה ביותר לצרכים שלכם? בחירת גישה מונחית או אחת משלוש השיטות האחרות תלויה בדרך כלל במבנה ובנפח הנתונים שלכם, בתקציב ובשעות שניתן להקדיש לאימון ובתרחיש השימוש שעליו תרצו להחיל את המודל הסופי. אי-הבחנה בהצעה ללבישת חולצה שתתאים לחצאית עשויה להיות לא משמעותית. אבל אי-הבחנה בגידול כנראה תהיה משמעותית.

כיצד למידת מכונה עובדת?

כפי ששמה רומז, למידת מכונה יוצרת מודלים סטטיסטיים מבוססי מחשב שמכווננים למטרה מסוימת על ידי הערכת נתוני האימון, ולא על ידי הגישה הקלאסית שלפיה מתכנתים מפתחים אלגוריתם סטטי שמנסה לפתור בעיה. כאשר מערכי נתונים מועברים דרך מודל למידת המכונה, הפלט המתקבל נשפט על דיוק, מה שמאפשר למדעני נתונים להתאים את המודל באמצעות סדרה של משתנים מבוססים, הנקראים היפר-פרמטרים, ומשתנים מותאמים באלגוריתם, הנקראים פרמטרי למידה.

מכיוון שהאלגוריתם מתאים את עצמו כשהוא מעריך את נתוני האימון, תהליך החשיפה והחישוב סביב נתונים חדשים מאמן את האלגוריתם להשתפר במה שהוא עושה. האלגוריתם הוא החלק החישובי של הפרויקט, ואילו המשמעות של המונח "מודל" היא אלגוריתם מאומן שיכול לשמש תרחישי שימוש מהעולם האמיתי.

ההיקף, המשאבים והמטרות של פרויקטים של למידת מכונה יקבעו את הדרך המתאימה ביותר, אך רובם כרוכים בסדרה של שלבים.

1. איסוף והידור נתונים

אימון מודלים של למידת מכונה דורש נתונים איכותיים רבים. מציאתם לפעמים קשה, ותיוגם, במידת הצורך, יכול להיות תהליך עתיר משאבים. לאחר זיהוי מקורות נתונים פוטנציאליים, העריכו אותם כדי לקבוע את האיכות הכוללת ואת ההתאמה שלהם למשאבי שילוב הנתונים/מאגר הנתונים הקיימים של הפרויקט. מקורות אלה מהווים את בסיס האימון של פרויקט למידת המכונה.

2. בחירת אלגוריתם מתאים להפקת המודל הרצוי

מדעני נתונים יכולים לבחור את האלגוריתמים המתאימים ביותר בהתאם לשיטה שתהיה בשימוש בפרויקט - למידה מונחית, לא מונחית או מונחית למחצה. לדוגמה, בפרויקט פשוט יותר עם מערך נתונים מתויגים אפשר להשתמש בעץ החלטות, ואילו קיבוץ באשכולות – חלוקת דוגמאות נתונים לקבוצות של אובייקטים דומים – דורש משאבי מחשוב רבים יותר מכיוון שהאלגוריתם פועל ללא פיקוח כדי לקבוע את הדרך הטובה ביותר ליעד.

3. חידוד הנתונים והכנתם לניתוח

רוב הסיכויים הם שהנתונים הנכנסים לא יהיו מוכנים לפעולה. הכנת הנתונים מנקה מערכי נתונים כדי להבטיח שניתן יהיה להטמיע בקלות את כל הרשומות במהלך האימון. ההכנה כוללת מגוון של משימות טרנספורמציה, כגון יצירת תבניות תאריך ושעה, צירוף או הפרדת עמודות לפי הצורך והגדרת פרמטרי פורמט אחרים, כגון ספרות משמעותיות קבילות בנתוני מספרים אמיתיים. משימות מפתח אחרות כוללות ניקוי רשומות כפולות, תהליך המכונה גם ביטול כפילויות בנתונים, וזיהוי ואולי גם הסרה של חריגים חשודי טעות.

4. לימוד המודל באמצעות אימון

לאחר בחירת המודל הסופי הרצוי, תהליך האימון מתחיל. באימון, האלגוריתם מקבל מערך נתונים שנאספו, מתויגים או לא מתויגים. בריצות הראשוניות התוצאות אולי לא יהיו נהדרות, אבל מדעני נתונים יכולים להתאים את המודל לפי הצורך כדי לשפר את הביצועים ולהגדיל את הדיוק. לאחר מכן שוב מציגים לאלגוריתם נתונים, בדרך כלל בכמויות גדולות יותר כדי לכוונן אותו בדיוק רב יותר. ככל שהאלגוריתם רואה יותר נתונים, כך המודל הסופי יהיה טוב יותר בהפקת התוצאות הרצויות.

5. הערכת הביצועים והדיוק של המודל

לאחר שהמודל אומן לרמת דיוק מספקת, הגיע הזמן לתת לו נתונים שלא ראה קודם לכן כדי לבדוק כיצד הוא מתפקד. לעיתים קרובות, הנתונים המשמשים לבדיקה הם תת-קבוצה של נתוני האימון שהשאירו בצד כדי להשתמש בהם לאחר האימון הראשוני.

6. כוונון ושיפור הפרמטרים של המודל

סביר להניח שהמודל קרוב כעת לפריסה. ריצות על מערכי נתוני הבדיקה אמורות להפיק תוצאות מדויקות ביותר. השיפורים מתרחשים באמצעות אימון נוסף עם נתונים ספציפיים - לעיתים קרובות ייחודיים לתפעול החברה - כדי להשלים את הנתונים הכלליים המשמשים לאימון המקורי.

7. הפעלת המודל

לאחר מיטוב התוצאות המודל מוכן כעת להתמודד עם נתונים שלא ראה קודם לכן בשימוש ייצור רגיל. כשהמודל פועל צוותי פרויקטים יאספו נתונים על ביצועיו בתרחישים מהעולם האמיתי. ניתן לעשות זאת על ידי ניטור מדדי ביצועי מפתח, כגון דיוק, הנכונות הכוללת של תחזיות המודל וקריאה להחזרה, היחס של תגובות חיוביות שנחזו כראוי. התייחסו גם לאופן שבו התחזיות של המודל משפיעות על התוצאות העסקיות בשטח - האם הוא מייצר ערך, בין שמדובר במכירות רבות יותר של חולצות ובין שבאבחון טוב יותר?

ביצוע ביקורות ובדיקות קבועות של ביצועי המודל יכול לסייע בזיהוי בעיות או עיוותים שאולי נוצרו לאחר הפריסה, והוא חיוני כדי להבטיח שהמודל פועל ביעילות ועומד ביעדים הרצויים.

אלגוריתמים של למידת מכונה

אלגוריתמים הם החלק החישובי של פרויקט למידת המכונה. לאחר האימון, אלגוריתמים מייצרים מודלים עם הסתברות סטטיסטית לתשובה לשאלה או להשגת מטרה. המטרה עשויה להיות מציאת דברים מסוימים בתמונות כמו "זיהוי כל החתולים", או שהיא יכולה להיות איתור חריגות בנתונים שיכולות להצביע על הונאות, ספאם או בעיית תחזוקה במכונה. אלגוריתמים אחרים עשויים לנסות ליצור תחזיות, כגון אילו עוד פריטי לבוש קונה מסוים יאהב על סמך מה שנמצא כעת בעגלת הקניות שלו.

להלן כמה מהאלגוריתמים הנפוצים ביותר בלמידת מכונה:

• רשתות עצביות: המוח האנושי עובד באמצעות יצירת רשתות של צמתים שמבצעים פונקציות מגוונות כמו עיבוד תמונות דרך עינינו, אחסון זכרונות ושליטה בשרירים שלנו. רשתות עצביות מבוססות מחשב מעוצבות באופן דומה למוח שלנו בכך שהן יוצרות שכבות של צמתים ששוקלים את הקשרים בין נתונים שהם ניתחו ונתונים בצמתים סמוכים. צמתים אלה, הפועלים כרשת, יכולים לקבוע תכונות של נתונים, כגון רכיבים בתוך תמונה.
• רגרסיה ליניארית: אלגוריתמים של רגרסיה ליניארית לוקחים נקודות נתונים ובונים משוואה מתמטית לקו שתומך בצורה הטובה ביותר בתוצאות חזויות. זה נקרא לפעמים "קו ההתאמה הטובה ביותר". רגרסיה ליניארית מתאימה משתנים במשוואה כדי למזער את השגיאות בתחזיות. אפשר לראות דוגמה לרגרסיה לינארית בטיפול בילדים, כאשר נקודות נתונים שונות יכולות לחזות את הגובה והמשקל של הילד על סמך נתונים היסטוריים. באופן דומה, מדד BMI הוא רגרסיה ליניארית המנסה להתאים גובה ומשקל לשומן הגוף הכולל. מכיוון שהאלגוריתם משתמש בקו פשוט עבור התחזיות שלו, שיעורי השגיאות יכולים להיות גבוהים. לדוגמה, BMI 30 מציין השמנת יתר. זה נכון לעיתים קרובות עבור הציבור הרחב אבל בהחלט לא עבור ספורטאי כוח כגון שחקני קו אחורי בנבחרות הפוטבול של ה-NFL.
• רגרסיה לוגיסטית: רגרסיה לוגיסטית היא הטובה ביותר לקבלות תוצאות בינאריות; היא דומה לרגרסיה ליניארית אך יש לה שיקולים מיוחדים בגבולות טווחי נתונים אפשריים. דוגמה לרגרסיה לוגיסטית היא ניתוח עובר/נכשל של הסבירות להמיר לקוח פוטנציאלי ללקוח משלם. רגרסיה לוגיסטית משמשת לעיתים קרובות לאבחונים רפואיים - למשל, ריכוזי גלוקוז בפלזמה מעבר לטווח מסוים הם אינדיקטור חזק לסוכרת. רגרסיה לוגיסטית יכולה לשמש גם לחיזוי אם הודעת דואר אלקטרוני היא דואר זבל או לא, או אם עסקה בכרטיס אשראי היא הונאה.
• קיבוץ באשכולות: קיבוץ באשכולות הוא סוג של למידה לא מונחית שחושפת אלגוריתם למערכי נתונים לא מתויגים שבהם הנתונים עשויים להתחלק לקבוצות, או אשכולות. כאשר האלגוריתם מעריך נתוני אימון, הוא מחפש דפוסים ופרטים חופפים בין הנתונים ויוצר קבוצות. נניח שהאלגוריתם מסתכל על הערך התזונתי של מגוון רחב של פירות. ייתכן שהוא יגלה שפירות ההדר הם קבוצה אחת של פירות, פירות יער הם קבוצה אחרת, ומלונים שייכים לקבוצה שלישית. כך אפשר להבין בקלות מה הופך כל אשכול לייחודי. קיבוץ באשכולות שימושי במיוחד לכל סוג של פרויקט חלוקה לקטגוריות, כמו פילוח שוק.
• עצי החלטה: עצי החלטה משתמשים בלמידה מונחית ובהליכים בסיסיים של מצבי אם-אז כדי ליצור תחזיות. בהתאם למורכבות הפרויקט, עצי החלטה יכולים להיות אידיאליים בתור אלגוריתמים דלים במשאבים שמניבים תוצאות פשוטות. לדוגמה, אם מכללה רוצה לקבוע אילו סטודנטים יכולים לדלג על קורס בסיסי באנגלית, ייתכן שתשתמש בעץ החלטות שבירר קודם אם הסטודנט למד אנגלית ארבע שנים בתיכון, ואם כן, אם לסטודנט היה ממוצע GPA של לפחות 3.6 במקצוע זה. נתיב אחר עשוי פשוט לברר אם הסטודנט עבר רף ציון מסוים בחלקי הקריאה, הכתיבה והשפה במבחן ה-SAT.
• יערות אקראיים: כשלעצמם, המגבלה של עצי החלטה היא שתהליכי העבודה שלהם קשיחים והם דורשים לענות על כל שאלות ההערכה. בדוגמת עץ ההחלטה שפירטנו לעיל, המכללה עשויה לדרוש עמידה בשני התנאים, למרות שעמידה רק באחד מהם יכולה להספיק. וייתכן שיהיו גורמים נוספים שיש להביא בחשבון, למשל מידת ההצלחה של הסטודנט בחיבור הקבלה שלו. אם כל שלושת הגורמים היו נדרשים, למכללה הייתה בעיה לדרוש "התאמת יתר" לעץ ההחלטה. סביר מאוד שסטודנטים שעמדו היטב בשלושת הקריטריונים יצליחו בלימודיהם בלי שיצטרכו ללמוד בקורס אנגלית בסיסית. עם זאת, אחרים שגם יוכלו להצליח עדיין יידרשו ללמוד בקורס הזה. יערות אקראיים מאגדים אוספים של עצי החלטה ששוקלים באופן מצטבר את התוצאות כדי להציג פרספקטיבה רחבה יותר. עם יערות אקראיים, פרויקטים עדיין יכולים להשתמש במנגנון המרכזי של עצי החלטה תוך התחשבות ביחסים שונים וחדשים בין נקודות נתונים רלוונטיות. כך המכללה שלנו עשויה לפצל את שלושת הקריטריונים האלה לעצי החלטה נפרדים ולאחר מכן לשקול פרטנית מי יכול לדלג על קורס אנגלית בסיסית על סמך הנתון שמראה, אולי, שהצלחה באנגלית בתיכון היא אינדיקטור החיזוי הטוב ביותר ושהביצועים בחיבור הקבלה הוא האינדיקטור הכי פחות מייצג.

מעבר לרשתות עצביות

למידת מכונה משתמשת במגוון רחב של אלגוריתמים. אלה שנדונו לעיל הם הפופולריים ביותר, אבל להלן נציג חמישה אלגוריתמים פחות נפוצים אך עדיין שימושיים.

היתרונות של למידת מכונה

למידת מכונה מאפשרת לארגונים להפיק תובנות מהנתונים שלהם שאולי הם לא יוכלו למצוא בשום דרך אחרת. חלק מהיתרונות הנפוצים ביותר של שילוב למידת מכונה בתהליכים הם:

• ייעול קבלת החלטות וניתוח לחיזוי: החלטות מבוססות נתונים מתחילות בניתוח נתונים. זוהי עובדה ברורה, אבל כאשר הניתוח נעשה באופן ידני תהליך הניתוח הוא עתיר זמן ומשאבים וייתכן שלא יניב תובנות עשירות מספיק כדי להצדיק את העלות. למידת מכונה יכולה לסרוק נפחים גדולים של נתונים כדי לזהות מגמות ודפוסים כך שמשתמשים יוכלו להתמקד בשאילתות ובתוצאות שמאפשרות פעולה במקום למטב את תהליך עיבוד הנתונים הידני. בהתאם לכלי הניתוח, למידת מכונה יכולה ליצור תחזיות ולזהות תובנות שקשה למצוא בנתונים, מה שמאפשר ניתוח עומק יותר וערך רב יותר לארגון.
• שיפור היעילות ואוטומציה של משימות: למידת מכונה נמצאת בליבתן של רבות מהטכנולוגיות שהופכות עובדים ליעילים יותר. משימות חזרתיות רבות שאינן דורשות יכולות קוגניטיביות גבוהות - כולל בדיקת איות ודיגיטציה של מסמכים וסיווג - נעשות כעת על ידי מחשבים, הודות ללמידת מכונה.
  
  למידת מכונה גם מצטיינת בניתוח נתונים מהיר ומיידי שקשה מאוד לבני אדם להפיק. האם זו הונאה בעסקה, או האם הודעה זו היא פישינג? מערכות למידת מכונה יכולות לעיתים קרובות לקבוע במדויק את התשובה בשניות ולנקוט צעדים מתאימים באופן אוטומטי. על ידי שילוב טכנולוגיות למידת מכונה, ניתן ליצור תחזיות מנתונים בליווי הסברים על הגורמים שהשפיעו על התחזית, ובכך לסייע למנהלים לבחור את דרכי הפעולה הטובות ביותר עבור הארגונים שלהם.
• התאמה אישית וחדשנות בשירותים: למידת מכונה פתחה דלת לחוויות לקוח חדשות באמצעות התאמה אישית. ניתן להשתמש בהיסטוריית הרכישות, בהיסטוריית הגלישה, בנתונים דמוגרפיים ובמידע נוסף כדי לבנות פרופיל לקוח פרטי שאפשר להשוות אל פרופילים דומים כדי ליצור תחזיות לגבי תחומי העניין של הלקוחות. תחזיות אלו מאפשרות הצעות ממנוע המלצות, הנחות שנוצרו אוטומטית וסוגים אחרים של מעורבות מותאמת אישית כדי להבטיח חזרת לקוחות.
  
  אם נשתמש במינוח שנדון כאן: עצי החלטה יכולים לעזור לסווג לקוחות. אולי לקוח אחד אוהב אופנת וינטג' ומיד שנייה ואילו אחר אוהב בגדי מעצבים חדשניים. קיבוץ לקוחות דומים באשכולות יכול לסייע בזיהוי המוצרים שסביר להניח שהם ילחצו עליהם, או בהבנה אם מבצעים יגרמו להם לקנות. לאחר מכן, למידת מכונה יכולה לחזות את ההצעות הטובות ביותר לכל לקוח על ידי התחשבות באשכולות שהם מתאימים להם.

אתגרים של למידת מכונה

פרויקטים של למידת מכונה יעילים באותה מידה של המערכת והמשאבים שמהם הם בנויים. זה מדגיש את הצורך להשקיע בתכנון והכנה נכונים.

להלן כמה מהאתגרים הנפוצים ביותר הניצבים בפני פרויקטים של למידת מכונה:

• איכות נתונים: הפתגם "הזבל שנכנס הוא הזבל שיוצא" חל גם על למידת מכונה - איכות הנתונים היא קריטית, גם במהלך שלב האימון וגם בשלב הייצור. נתונים איכותיים יכולים להוביל לתוצאות מדויקות יותר שמופקות בזמן וביעילות; נתונים באיכות נמוכה יכולים ליצור אי דיוקים ועיוות במודלים שנוצרים. שימו לב שהמשמעות של "איכות" יכולה להיות שונה בפרויקטים שונים. לאימון מערכות זיהוי תמונות, הנתונים צריכים לייצג את מה שהמודל יראה בעולם האמיתי. זה כולל אנשים שנמצאים בצל, מעט לא בפוקוס, ולא מסתכלים ישירות לתוך המצלמה. למטרות אימון, ככל שהנתונים דומים יותר למה שהמערכת תראה במצב ייצור, כך ייטב.
  
  לשם כך, ארגונים צריכים לבדוק מקורות נתונים, לשנות מערכי נתונים לפורמטים עקביים ותואמים, להריץ הליכי ניקוי ומניעת כפילויות, לאמן משתמשים בתהליכים ובפרוטוקולים ולשלב כלים להערכת האיכות וההתאמה.
• הטייה: ייתכן שהנתונים נקיים, אך האם הם גם נקיים מהטייה? כדי להדגים היטב, נניח שרציתם לאמן מערכת למידת מכונה לזהות כלבים בתמונות, ויש לכם מערך נתונים חזק של תמונות לברדורים ופודלים בלבד. לאחר האימון, המודל מתמצא באיתור כלבים אלה - אפשר לומר שהוא 'מוטה' לעשות זאת. אבל כשמציגים לו תמונה של בולדוג, הוא אומר שהוא לא מזהה כלב. כמובן שלא - הוא לא אומן על הנתונים האלה.
  
  יצירת מערך נתוני האימון הנכון היא אחד ההיבטים המסובכים והיקרים ביותר של בניית כלי למידת מכונה שעובדים כפי שרציתם. הקושי למצוא סוגים מסוימים של נתונים יכול לעיתים קרובות ליצור מקור לא מכוון של הטייה. לדוגמה, המסטיף הטיבטי הוא גזע נדיר אבל הוא נראה כמו כלב ניופאונדלנד שצבעו חום-כתום. לכן, אם אין מספיק דוגמאות נתונים של המסטיף הטיבטי, לא יהיה מפתיע אם מודל למידת המכונה יזהה אותו כגזע ניופאונדלנד.
• אבטחת נתונים: למרות היתרונות הרבים שלה, למידת מכונה יכולה לגרום למגוון בעיות אבטחה. הנתונים המשמשים לניתוח למידת מכונה עשויים להכיל מידע רגיש או קנייני שאינו מיועד לצריכה ציבורית. באופן דומה, נתונים עשויים להיות המטרה של מתקפת סייבר שנועדה להרעיל את המודל ולהכניס מידע מוטעה לתוך התוצאות. שלבי הכנת נתונים יכולים גם לחשוף וגם לטפל בפגיעויות אבטחה, במיוחד כאשר מערכי נתונים עוברים תהליכי יצוא או יבוא בין מערכות. כדי לסייע בהפחתת בעיות אבטחה, חברות חייבות להשתמש במערך של מדיניות אבטחה, נהלים ובקרות, כולל הדרכת צוות מעשית.
• פרטיות נתונים: המאמץ להבטיח שנתונים אינם נחשפים הוא מאמץ מתמשך. אנונימיזציה של נתונים היא שיטה חדשה, אך ייתכן שהיא לא תמיד תהיה זמינה או מספקת. לדוגמה, נניח שחברה רוצה להציע שירות המאפשר ללקוחות העסקיים שלה ללמוד עוד על צרכני הקצה שלהם על סמך נתונים שהיא אספה. סוג זה של מידע צריך להיות מוגן ובשימוש בהתאם לדרישות החוק, וחברות יצטרכו לשקול בזהירות וקטורי איום חדשים שעלולים לנסות לסכן את הנתונים במערכת למידת המכונה.

תרחישי שימוש של למידת מכונה

למידת מכונה יכולה לספק יתרונות משמעותיים כמעט לכל ענף בתעשייה ולכל מחלקה בארגון. אם המספרים עברו עיבוד וקיימים נתונים, למידת המכונה מציעה דרך להגביר את היעילות ולהפיק סוגים חדשים של מעורבות. תרחישי שימוש נפוצים של למידת מכונה בכל הענפים כוללים:

• קמעונאות: עבור קמעונאים, למידת מכונה יכולה לעזור לתפעול, למכירות ועוד. ברמת התפעול, למידת מכונה יכולה לנתח נתוני שרשרת אספקה כדי לעזור למטב את ניהול המלאי ולזהות עיכובים אפשריים בשלב מוקדם. כדי לסייע בהגברת המכירות, למידת מכונה יכולה לבחון את היסטוריית החיפוש של הלקוח לצד נתונים דמוגרפיים כדי לבנות פרופיל המשמש בסיס להמשך המעורבות.
• שימוש במדיה: בדומה לקמעונאים, גם מפעילי אודיו ווידאו יכולים לבנות פרופילי לקוחות על בסיס מעורבות המשתמש, היסטוריית הגלישה והנתונים הדמוגרפיים שלו. לאחר מכן, פרופיל זה יכול להפעיל מנועי המלצה המסייעים בגילוי ומעורבות נוספת.
• כספים: אחד השימושים החזקים והפשוטים ביותר בלמידת מכונה הוא זיהוי הונאות עבור תעשיית הכספים. באמצעות למידת מכונה, אלגוריתמים יכולים לזהות התנהגות כללית של חשבון ולאחר מכן להתחיל לסמן התנהגות חריגה עבור חקירות הונאה פוטנציאליות.
• בריאות: תעשיית הבריאות מתאימה במיוחד ללמידת מכונה כמעט בכל תחומי הפעילות. פרופילי מטופלים באמצעות רשומות רפואיות אלקטרוניות יכולים לזהות בעיות אפשריות מראש על סמך דפוסים בהשוואה לנתונים דמוגרפיים דומים. נתונים ממכשירי אינטרנט של דברים, כמו מנפק תרופות חכם, יכולים לסמן שגיאות במהירות, ונתונים תפעוליים מתנועה רגלית של מטופלים או משימוש במיטות בבית החולים יכולים לעזור לקבוע את מידת האיוש.

למידת מכונה מהירה ומאובטחת יותר עם Oracle

Machine Learning in Oracle Database מציע מגוון יכולות ותכונות להאצת תהליך למידת המכונה. עם היכולת לשמור נתונים בתוך מסד הנתונים, מדעני נתונים יכולים לפשט את תהליך העבודה שלהם ולהגביר את האבטחה תוך ניצול של יותר מ-30 אלגוריתמים מובנים בעלי ביצועים גבוהים; תמיכה בשפות פופולריות, כולל R, SQL ו-Python; יכולות למידת מכונה אוטומטיות; וממשקים ללא קוד.

עבור ארגונים עם מערכי נתונים גדולים, למידת מכונה בתוך מסד הנתונים עם HeatWave MySQL מייתרת את הצורך בהעברת נתונים למערכת נפרדת ללמידת מכונה, מה שיכול לעזור להגביר את האבטחה, להפחית עלויות ולחסוך זמן. HeatWave AutoML הופך את מחזור החיים של למידת המכונה לאוטומטי, כולל בחירת אלגוריתמים, דגימת נתונים חכמה לאימון, בחירת תכונות וכוונון, וכך הוא לעיתים קרובות חוסך אפילו יותר זמן ומאמץ.

התמורה עבור למידת מכונה היא היכולת לנתח ולפרש כמויות גדולות של נתונים במהירות ובדיוק. לאחר האימון מודלים של למידת מכונה יכולים לזהות בתוך שניות או דקות ספורות דפוסים, מגמות ותובנות שלבני אדם ייקח שבועות לזהות - או שהם לעולם לא יתגלו. התוצאה היא קבלת החלטות מושכלת יותר, פתרון בעיות משופר ויכולת הפקת תחזיות מבוססת נתונים. נוסף על כך, מודלים של למידת מכונה יכולים להפוך תהליכים שגרתיים לאוטומטיים, ובכך לחסוך זמן ומשאבים. למידת מכונה מממשת את הפוטנציאל שלה לחולל מהפכה במקום העבודה ולקדם חדשנות.

שאלות נפוצות על למידת מכונה

מה ההבדל בין בינה מלאכותית ללמידת מכונה?

בינה מלאכותית היא השם שניתן לנושא המחשוב הרחב המתמקד בבנייה ובמיקוד של מערכות כדי שיחשבו כמו בני אדם. למידת מכונה היא תת-קבוצה של תחום זה המתמקדת במיוחד בהיבט החישובי של תהליך הלמידה. שני המונחים משמשים לעיתים קרובות לסירוגין ומעלים אתגרים דומים, אבל הם מתקיימים בנפרד למרות הקשר ביניהם.

מהם ארבעת הסוגים העיקריים של למידת מכונה?

ארבעת הסוגים של למידת מכונה הם:

• מונחית. למידה מונחית משתמשת במערכי נתונים מתויגים כדי לאמן את האלגוריתם למטרה ספציפית.
• לא מונחית. למידה לא מונחית משתמשת במערכי נתונים לא מתויגים המספקים לאלגוריתם מרחב לעיון ולזיהוי דפוסים.
• מונחית למחצה. למידה מונחית למחצה משתמשת במערכי נתונים מתויגים עבור האימון הראשוני כדי ליצור את הפרמטרים הרחבים של הפרויקט. לאחר מכן, האלגוריתם משתמש באימון זה כדי להעריך דגימות נתונים לא מתויגים כדי לראות אם הוא יכול לתייג אותן בהסתברות גבוהה. ניתן לחזור על תהליך זה - ומערך דוגמאות הנתונים המתויגים גדל וגדל בכל איטרציה.
• חיזוקים. למידה באמצעות חיזוקים פועלת באופן דומה ללמידה לא מונחית בכך שהיא משתמשת במערכי נתונים לא מתויגים. עם זאת, למידה באמצעות חיזוקים מתמקדת בלמידת הנתיב הטוב ביותר להשגת מטרה ספציפית באמצעות משוב חיובי, שלילי וניטרלי במקום לחפש דפוסים.

האם קשה ללמוד למידת מכונה?

כמו כל מלאכה טכנית, לימוד הפרטים הקטנים של למידת מכונה הוא תהליך חזרתי שדורש זמן ומסירות. נקודת התחלה טובה ללמידת מכונה היא לבנות בסיס בשפות תכנות, כמו Python או R, יחד עם הבנה בסטטיסטיקה. רכיבים רבים המעורבים בהערכת פלט למידת מכונה דורשים הבנה של מושגים סטטיסטיים, כגון רגרסיה, סיווג, התאמה ופרמטרים.

מהי דוגמה ללמידת מכונה?

אחת הדוגמאות הנפוצות ביותר ללמידת מכונה היא מנוע הצעות. במסחר אלקטרוני, הכוונה להצעת מוצר מסוג "אולי תאהבו גם את...". בתחום הווידאו, הכוונה היא לרעיונות למה לצפות עכשיו. במקרים אלה, האלגוריתם בוחן את ההיסטוריה של המשתמש ויוצר תחזיות למה שהמשתמש עשוי להתעניין בו - וככל שהמשתמש מוסיף נקודות נתונים, כך האלגוריתם יכול למקד יותר את התחזיות שלו.