פרופ' יואב שוהם: "אנו בתקופה של פריחה של למידה ממוחשבת, ולא ניתן לספק את התיאבון"

"לא ניתן לשוחח על ביג דאטה ללא בינה מלאכותית או מאשין לרנינג, כאשר בוחנים את התחומים, הם משיקים" - כך אמר פרופ' יואב שוהם, מאוניברסיטת סטאנפורד בוועידת Mind the Data של "כלכליסט".

"כאשר מנקים את כל הנתונים והופכים אותם לנגישים, נשאלת השאלה מה בעצם עושים איתם", אמר שוהם. "וכאן נכנס נושא הלמידה הממוחשבת. למידה ממוחשבת עוסקת ברישות, הערכות, אלגוריתמיקה. כאשר משווים מאשין לרנינג לאינטליגנציה מלאכותית, הגבול מיטשטש ומתערפל. לוגיקה, מערכות הסתברותיות, שכל ישר, אינטליגנציה מלאכותית שקיימת משנות ה-60 היא רחבה בהרבה מלמידה ממוחשבת. אנו חיים בתקופה של פריחה בתחום הזה ולא ניתן לספק את התיאבון. אחוז הסטודנטים בסטנפורד שלקחו קורס הוא אדיר. גם בשנות ה-80 התחום היה פופולרי אך חלה בו נפילה. כיום העולם שונה, לדעתי כיום התוצאות שונות ולכן כיום לא מדובר בהייפ. אני סבור שככל שנבין יותר מה מסתתר תחת המילים הללו נוכל להימנע מאכזבה. עקרונית, כיום המיקוד הוא בלמידה ממוחשבת.

פרופ' יואב שוהם, אוניברסיטת סטנפורד צילום: צביקה טישלר

"מצד שני כוח החישוב, גם הרשתות, הגוגל בריין לא היה קורה אם לא היו 15 מיליון תמונות. הטרנד הזה הולך ומתעצם ואני חושב שכן חשוב להבין את המגבלות שלו -

היכן נגמרת הטכנולוגיה והיכן צריך לחפש עוד.

"בעיקרון, למידה או למידה עמוקה היא זיהוי של תבניות כאלה ואחרות - לפעמים ויזואליות או זיהוי פנים שהתוצאות שם מדהימות - אך מדובר כאן בזיהוי תבניות. זיהוי תבנית הוא יותר פשוט מזיהוי של משהו ויזואלי. אך לא הכל מבוסס על זיהוי תבניות. אם עוסקים בלמידה ממוחשבת נדרש מרחב השערות - אם מנסים לזהות פנים - פיצ'רים אינם משהו כה מסתורי. ניתן בקלות לבדוק האם אדם כועס או שמח - אך יש תחומים בהם מאפיינים אינם ברורים מאליהם ונדרשת אינטואיציה.

"במרחבים היותר מורכבים, למידת תבניות אינה מספיקה. מבחינת קבלת החלטות בארגון, אין לי ספק שרוצים להשקיע בביג דאטה - אם מדובר במתן אשראי ללקוחות, ניתן להבין את הסיכון. אותו דבר אם מדובר בפוליטיקאי שרוצה להבין אחוזי הצבעה - הסקת דפוסים היא בפועל כל מה שצריך. אך אם צריך שהמערכת תקבל החלטות עבור משתמש, צריך למסגר את הבעיה ולכך יש היבטים אחרים שיש להשקיע בהם מחשבה", סיכם שוהם.