ספק סביר #119 – בינה מלאכותית, תחליף אנטיביוטיקה ועל מוליכים

קודם כל, מצטרף להערה שהיה פרק מעניין.

רציתי לומר כמה דברים לגבי האייטם על זיהוי אוטומטי של ציורים:
1. ממש לא מסכים עם ברק שהדרך להגיע לתבונה אנושית היא דרך מציאת אלגוריתמים מוחלטים ולא דרך שיטות סטטיסטיות. ברוב סוגי הבעיות, המוח האנושי עובד בשיטות שהרבה יותר דומות לשיטות סטטיסטיות (נסיון לשקלל סטטיסטית כמות עצומה של דוגמאות שראינו בעבר) מאשר באלגוריתמים. במובן מסויים, כמו שמחשב יודע להפעיל אלגוריתמים בקלות ומתאמץ מאוד לעשות דברים מעורפלים וסטטיסטיים, בני אדם עושים דברים סטטיסטיים (כמו זיהוי דיבור, זיהוי תמונות, זיהוי אובייקטים) בקלות ומתקשים באלגוריתמים. כך, גם אם המחשב הטוב ביותר בקושי מנצח את האדם הטוב ביותר במטלות מובנות מאוד כמו שח מט ובטריוויה (ובטריוויה הבעיה היא בעיקר להבין את השאלה), מחשב ממוצע ינצח את האדם הממוצע במטלות כאלו בקלות, שלא לדבר על דברים עוד יותר אלגוריתמיים כמו חישובים מתמטיים. הבעיה של מחשבים היא יותר בדברים סטטיסטיים כמו מה שציינתי קודם (שלרוב מתחילים במילה "זיהוי").
כשאנשים מנסים לזהות תמונה, יש הרבה ראיות שמצביעות על כך שמה שהם למעשה עושים הוא להשוות את הקלט בצורה מורכבת לארכיטיפים של קטגוריות מסויימות (לכלב יש פרווה, ארבע רגליים, זנב…), השוואה שהיא מספיק מתוחכמת כדי לזהות נכון כלב עם שלוש רגליים, כלב רובוטי, כלב מצוייר מול תצלום של כלב, כלב מכל מיני זוויות, אדם עם ראש כלב, צללית של כלב, הרלוונטיות של כלב כמטאפורה בנושא כביכול לא קשור (נניח הביטוי "התכלב" במשמעות של חסך כסף ע"י הורדת איכות החיים שלמיטב ידיעתי נכנס לשפה רק בשנים האחרונות) ועוד. למעשה, ייתכן מאוד שניסויון לזיהוי אלגוריתמי חד כפי שהוצע בתכנית היה מפספס הרבה מהדברים האלו שבני אדם היו מסכימים בקלות שהם רלוונטיים למילה "כלב".

2. הנקודה השנייה היא לגבי הflimsyיות של המחקר. בסופו של דבר זה מחקר במדעי המחשב, ולמרות שלא הגדרתם באופן ברור מה הקריטריונים שבעיניכם גורמים לו להיות flimsy, התחושה שלי היא שאמרתם זאת כי לא ברור שיש פה יכולת זיהוי מספיק טובה, ובפרט שאולי בגוגל עושים את זה טוב יותר. אבל אלו לא בהכרח הקריטריונים שבהם נמדדת הצלחה מדעית בתחום הזה.
בגדול, הקונספט של "ניקח הרבה דוגמאות, נתן למחשב ללמוד אותן ואז הוא יזהה דוגמאות אחרות" הוא לא מהפכני, אבל זה פחות או יותר שקול ללהגיד "נזריק לבן אדם חומר שיהרוג חיידקים וזה ירפא אותו ממחלה". הדבר המעניין הוא איך בדיוק המחשב לומד, ועד כמה שהצלחתי להבין הם השתמשו באלגוריתם (שעליו אינני יודע כלום) שנקרא SVM (Support vector machine). אני לא מכיר את האלגוריתם או את היישום שלהם, אבל התחושה שלי היא שגם אתם לא ממש, ולכן אני אסתפק בלציין כמה דברים שאולי הם עשו שמהווים התקדמות מדעית ואינם קשורים לרמה אבסולוטית של אחוזי הצלחה:
1. יישמו אלגוריתם קיים (SVM) במצב חדש – זה לא ממש מרגש, אבל חוקרים עושים גם את זה.
2. אולי הם שכללו את האלגוריתם. גם אם יסתבר שזה לא מגיע להישגים גבוהים עם תמונות, זה יכול לעזור במקומות אחרים.
3. אולי הם הראו שהאלגוריתם הזה טוב יותר מאלגוריתמי למידה אחרים בתחום זיהוי התמונות.
4. אולי הם הראו שהאלגוריתם מגיע לתוצאות טובות מהר יותר או עם פחות נתונים ראשוניים מאלגוריתמים אחרים, גם אם אלגוריתמים אחרים טובים יותר.
5. משהו שהם עשו בוודאות – בנו מאגר תמונות ששוחרר לציבור. המאגר הזה יוכל לשמש בעתיד חוקרים שינסו אלגוריתמי למידה שונים (במובן מסויים, זה מקביל מבחנית הרעיון – גם אם לא מבחינת החשיבות – למיפוי הגנום האנושי, עבודת נמלים שאין בה עצמה חידוש תיאורטי אך תוביל לחידושים בעתיד)

TL;DR – תכנית מצויינת, אלגוריתמי זיהוי סטטיסטיים דומים יותר לאיך שאנשים חושבים מאשר אלגוריתמים חדים ועקביים, מחקר במדעי המחשב יכול להיות מחקר איכותי גם אם לא הוביל לביצוע מוצלח במיוחד של מטלה כלשהיא

אני אתייחס לזה מהזווית של למידה בעזרת רשתות נוירונים כי אותה אני מכיר טיפ טיפה ואת שאר שיטות הלמידה הממוחשבת אני לא מכיר בכלל. אני מניח שיש מרכיבים מקבילים בשיטות למידה ממוחשבת אחרות.
1. "כיצד מוגדרים הארכיטיפים והקטגוריות למחשב" – ובכן, המחשב לומד אותם לבד מתוך הנתונים בצורה סטטיסטית. המחשב מקבל קלט באופן שבני אדם נוהגים לסדר (פיקסלים של תמונות) ומתבקש לתת פלט בצורת קטגוריות שבני אדם מבקשים (במקרה שלנו – לבחור אחת מרשימה של 250 קטגוריות). מה שקורה בין הקלט והפלט ניתן ללמידה – כאשר במהלך שלב הלמידה המחשב "ילמד" על מה כדאי לו להסתכל. תוך כדי הלמידה המחשב יבין שכדאי לו לשאול את השאלה "האם יש כאן זנב קטן?" ואז עם הזמן (ברשת נוירונים) יווצר נוירון שמחזיר 1 אם יש זנב קטן ו0 אם אין. הנוירון הזה ישפיע בצורה הסתברותית – הוא יעלה את הסיכוי לבחור "כלב" אבל לא יהיה חוק שאומר "זנב+4 רגליים כלב", למשל כי אם יהיה זנב, 4 רגליים אבל עם שפם ארוך וצד עכברים, אולי זה יהיה דווקא חתול. לעומת זאת אם המידע היחיד יהיה זנב ו4 רגליים אולי זה כן יסווג ככלב כי חתולים יותר נדירים מכלבים במדגם. בקיצור, הסתברותי. גם כדי לזהות "זנב קטן" יהיו שלבים קודמים – יהיה נוירון שמזהה "עיקול" ואז הנוירון הזה בצירוף עם תוצאות של נוירונים אחרים יובילו למסקנה שיש "זנב קטן".
בקיצור, אפשר לקרוא לזה אלגוריתם, אבל יש פה הרבה עניין הסתברותי. והכל נלמד אוטומטית מתוך הקלט עם מגבלות ראשוניות בלבד – בדומה לאיך שאנשים חושבים ולומדים. אני מציע למי שקוראת לחשוב אם היא יכולה להגדיר לעצמה את האלגוריתם לפיו היא עצמה מבדילה בין כלב לחתול.
יש יוצא דופן אחד – כשרוצים שמחשבים יעשו משהו שבני אדם כבר יודעים לעשות, לפעמים מאכילים אותם קצת בכפית, למשל אפשר היה לומר למחשב מראש שהתכונה "ארבע רגליים" היא מעניינת. לרוב עדיף למידה אוטומטית כי זה יוצא יותר מדוייק מאינטואיציה אנושית לגבי מה חשוב לדעת.

לגבי הייחודיות של ווטסון – למיטב הבנתי הוא פועל באופן דומה – הוא לא זוכר בע"פ צמדים של שאלות ותשובות אלא הוא ניתח מתוך צמדים רבים של שאלות ותשובות מאפיינים שמאפשרים לו לענות על שאלות חדשות. למשל יכול להיות שהוא יודע לענות על "מי היה הנשיא ב – 1946", "מי היה ראש הממשלה בתשע"ב", ו"בזמן משבר הטילים בקובה מי היה המנהיג של בית המועצות" כי הוא יודע לזהות שמדובר בשאלת "מי", עם מרכיב זמן שהוא מפענח בנפרד (למשל – מחליף "משבר הטילים בקובה" לשנה מסויימת) ויודע לזהות "תפקיד", אבל אם הוא אכן השתמש באלגוריתם למידה מהסוג שאני מדבר עליו, אז כל אלו הוא למד לבד, בלי שיתכנתו אותו מראש שיש כמה סוגי שאלות ודרכים לפתור אותן. הסיבה שאני אומר שהקושי הוא להבין את השאלה היא שקל מאוד לכתוב תכנית מחשב שבשילוב מאגר מידע תדע לשלוף מי היה המנהיג של מדינה X בשנה , Y ותהיה טובה יותר מכל בן אדם. הייחודיות של ווטסון היא בהבנת סוגים רבים של שאלות בשפה חפשית והמרתם לצורה לוגית שהוא יכול לשלוף ממאגר המידע שלו בקלות.
אגב, כמובן שאלגוריתמי הלמידה האלו מאוד מורכבים ומתחלקים לתת סוגים רבים, כך שלא כל אחד שהיה אומר "בואו ניישם את האלגוריתם על טריוויה" היה מצליח להוציא את ווטסון.