הבוקר קראתי בפורבס מאמר מעניין מאת רון שמלצר על ההבחנה בין למידת מכונה (ML) ובין בינה מלאכותית (AI), שמסביר באריכות מה ההבדלים בין השניים. התיסכול של הכותב מובן לחלוטין ואני בטוחה שכל מי שעוסק בתחום מרגיש כמוהו. כמעט כל buzzword עוברת את האבולוציה ממושג מקצועי למושג שיווקי שכל אחד נותן לו את הפרשנות שמתחשק לו. הבדיחה בתחום היא שאם כתבת את זה בפייתון, זו למידת מכונה, אבל אם כתבת את זה במצגת פאוורפוינט, זאת בינה מלאכותית.
למידת מכונה, מסביר שמלצר, היא השימוש בכלים מתמטיים לניתוח כמויות גדולות של נתונים, על מנת שניתן יהיה לזהות דפוסים ולקבל החלטות בהתאם לדפוסים האלו. לא פעם, הוא טוען, זו אפילו לא ממש למידה אלא פשוט אוטומציה. למידת מכונה לסוגיה היא אמנם חלק חשוב ב-AI, אולם אינה כזו כשלעצמה. מה שחייב להתקיים כדי שנקרא לפתרון כלשהו בינה מלאכותית, הוא היכולת להרחיב את ההבנה שנוצרה בזיהוי דגמים מסויימים, גם לשימוש בהתנסויות חדשות או בהקשרים נוספים.
האבחנה שלו מתחברת נהדר למודלים הקלאסיים של מדעי המידע. מקובל בתחום להשתמש במודל שנקרא DIKW. זוהי פירמידה שמורכבת מ-4 רמות, המייצגות כל אחת מהן רמת מורכבות גדולה יותר של ידע והבנה: Data, Information, Knowledge, Wisdom. המודל הזה משמש גם לצורך ניתוח וחקר של תהליכי למידה וידע אנושיים וגם כדי לתת מענה לצרכים של ניהול ידע ארגוני. חייבים לסייג ולציין שיש לא מעט ווריאציות שונות לפירמידה הזאת ולהגדרות המדוייקות של מהם נתונים, מידע וידע. בכל זאת, אני מוצאת את הפירמידה הזו מאוד שימושית.
נתונים הם המידע בצורה הכי מולקולרית שלו. סמלים, מילים וערכים מספריים או מדידים שונים.
מידע הוא אוסף של נתונים המאורגן בצורה שנותנת לו משמעות. מידע יכול לענות על שאלות של "מי", "מה", "איפה", "כמה" ו"מתי".
ידע הוא מושג מעורפל שקשה יותר להגדיר. הוא כולל שילוב של פריטי מידע, אולם זה מתקיים בתוך מסגרת של נסיון, עולם ערכים, הקשר, תובנות ואינטואיציה, אשר בתוכה מתקיימים ההערכה והשימוש במידע.
חוכמה היא המושג המעורפל ביותר. חלק מהעוסקים בתחום כוללים בתוכה רמה נוספת שהיא הבנה (understanding), המוגדרת בתור היכולת להעריך מתוך הידע גם את ה"למה" וכן את היכולת לייצר על סמך הידע, פריטים חדשים של מידע. החוכמה היא מה שנבנה על בסיס ההבנה. זהו המקום שבו אנחנו מעריכים, שופטים ודנים בהיבטים שונים של הידע שלנו. זו היכולת שלנו להבחין בין טוב לרע, לשאול שאלות חדשות ולייצר הבנה וידע גם על בסיס מידע חלקי.
אני אוהבת לחשוב עליה דווקא כפירמידה הפוכה. כי אמנם כל רמה מבוססת על איחוד ומיזוג של פריטים מתוך הרמה שמתחתיה, אבל המעבר מנתונים למידע, ידע ולבסוף הבנה וחוכמה, מעלה בכל רמה את המורכבות. ההתקדמות היא גם מתוך מה שהיה בעבר אל מה שיקרה בעתיד. אנחנו אוספים נתונים ומידע מתוך מה שהתרחש או מתרחש. ידע מאפשר לנו לתת למידע הקשר ולפרש אותו במסגרת רחבה יותר. החוכמה מאפשרת לנו לקבל החלטות ולבצע הערכות ביחס לעתיד.
למידת מכונה נמצאת איפשהו בין הרמה השנייה והשלישית של הפירמידה. היכולת לנתח מידע, להוציא ממנו דגמים ולהשתמש בו בתוך הקשרים מסוימים שנבנו לתוכה. הידע בפתרון כזה הוא היכולת לזהות דגמים ולהסיק מסקנות על בסיס מסגרת הלמידה הזאת. אבל, זו יכולת מוגבלת.
בינה מלאכותית נמצאת בין הרמה השלישית והרביעית. היכולת של מערכת לייצר ידע נוסף מתוך מה שלמדה והסיקה. היכולת לזהות את הרלוונטיות של הידע הזה במצבים משתנים. זהו אותו אלמנט של "הבנה". מרבית המערכות שאנחנו רואים היום שמתיימרות להיות מונחות AI, אינן כאלו כלל.
ונשאלת השאלה, האם AI יוכל אי-פעם באמת להגיע לרמה של "חוכמה" על פי מודל ה-DIKW. האם נראה את היום שבו מערכת ממוחשבת תוכל להבחין בין טוב לרע, לגלות סקרנות ולשאול את עצמה שאלות חדשות? או שמדובר ביכולת שתישאר שמורה לאינטליגנציה האנושית בלבד? ימים יגידו.
