בינה מלאכותית / צילום: שאטרסטוק
עמק הסיליקון אוהב אופנות חדשות. אם לשפוט על פי גל גיוסי ההון של חברות סטארט-אפ בשבועות האחרונים, בעמק הסיליקון נוהרים עתה אחרי רעיון בן יותר ממחצית המאה - בינה מלאכותית.
"זה הדבר הכי חם כרגע", אומר סטיבן פרפרה, שחברת הבינה המלאכותית שלו - Context Relevant - גייסה יותר מ-44 מיליון דולר מאז הוקמה בשנת 2012. על פי חישוביו, יותר מ-170 חברות סטארט-אפ כבר עלו על רכבת הבינה המלאכותית.
הגופים שנכנסו לתחום בעת האחרונה סבורים שהטכנולוגיה הדביקה סוף סוף את התקוות וכי היא מביאה למחשבים רמה חדשה של אינטליגנציה. הם מבטיחים דרך חדשה שבה בני אדם יוכלו לתקשר עם מכונות - ודרך חדשה שבה מכונות יוכלו לחדור לעולמם של בני האדם.
"מבחינה טכנולוגית, מדובר בשינוי פרדיגמה לעומת הכנסת פקודות לתוך קופסה לפרק זמן שבו מחשבים צופים בך ולומדים אותך", כך אומר דניאל נדלר, יזם נוסף בתחום הבינה המלאכותית.
החברה שלו, קנשו (אין קשר ל-Kenshoo הישראלית), גייסה 15 מיליון דולר כדי לכבוש יעד שאפתני - לאמן מחשבים להחליף עובדי צווארון לבן יקרים כמו אנליסטים פיננסיים.
"אנחנו לא מתארים את מה שאנחנו עושים כבינה מלאכותית - אנחנו קוראים לזה 'אוטומציה של עבודת ידע עתירת מגע אנושי'", הוא אומר.
מנטליות העדר של משקיעים מסבירה רק באופן חלקי מדוע הנהירה אחרי חברות בינה מלאכותית הפכה לאחת המגמות החמות מאז טרנד ה"ביג דאטה".
סבבי הגיוס עדיין קטנים, ומשקפים את העובדה שרוב חברות הסטארט-אפ בתחום מצויות בשלבי ההתפתחות הראשוניים שלהן. אך המספר הגדול של חברות המגייסות כסף ומגוון המשקיעים מצביעים על היקף העניין בתחום.
"הדבר הגדול הבא"
לצד כמה מקרנות ההון סיכון המובילות בעמק הסיליקון - לרבות Koshla Ventures ו-Greylock Partners, משקיעים בתחום גם אלון מאסק (מייסד טסלה) ופיטר ת'יל (ממייסדי פייפאל).
"רבות מפלטפורמות הבינה המלאכותית האלה דומות לאולרים שוויצריים", אומר טים טאטל, מנכ"ל חברת Expect Labs, שגייסה לאחרונה 13 מיליון דולר, "הן יכולות לעשות הרבה דברים, אבל לא ברור איפה טמון עיקר הערך".
כל פורטפוליו של חברת הון סיכון זקוק עתה לנתח של השקעות בתחום, כך אומר נדלר. לדבריו, המשקיעים בקרנות הון סיכון רוצים לדעת שגם הם תקעו יתד ב"דבר הגדול הבא".
התשובה הנכונה ביותר
הבינה המלאכותית של העת האחרונה חייבת רבות לטכניקות תכנות חדשות המדמות "אינטליגנציה" על מחשבים. בראשן עומדת למידת מכונה, הכרוכה באימון מכונות לזהות דפוסים ולהתנבא באמצעות טיפול בכמויות עצומות של נתונים. אולם כמו רעיונות מבטיחים חדשים רבים המביאים לפרץ הקמה של חברות סטארט-אפ חדשות, יש סיכון שרבות מהחברות בתחום יתקשו למצוא שימושים רווחיים לטכנולוגיה.
כתוצאה מכך, לדבריו, "יש מנטליות של המערב הפרוע" בתעשייה, שכן יזמים ממהרים ליישם בינה מלאכותית על כל בעיה מחשובית העולה בדעתם.
"אני לא חושב שלמידת מכונה, כטכנולוגיה העומדת בפני עצמה, היא עסק בעל ערך", מוסיף פרפרה, "הרבה מהחברות האלה יירכשו".
התקווה היא שבינה מלאכותית תהיה יותר מעוד אופנה חולפת. כמו "ביג דאטה", המונח מתייחס לא רק לטכנולוגיה ספציפית או לשימוש בודד, אלא לאסטרטגיה שיכולים בעלת יישומים רבים.
טכניקות כמו למידה עמוקה יכולות לסייע לחברות להגיע לתובנות מושכלות יותר לגבי הלקוחות שלהן, כך אומר מאט מקאילוויין, שותף בקרן ההון סיכון מדרונה מסיאטל. הן יוכלו לזהות העדפות ולנבא, הוא מוסיף, מתי סביר להניח שהלקוחות ירצו שיצרו איתם קשר או אלו לקוחות נמצאים בסיכון גבוה יותר וצפויים שלא לחדש חוזה עם החברה.
חברות סטארט-אפ שממהרות להיכנס לתחום ייתקלו בתחרות קשה. ההתקדמות הגדולה ביותר בתחום הבינה המלאכותית מתבצעת בתוך קבוצות הטכנולוגיה הגדולות, כמו גוגל, IBM ופייסבוק, שהשקיעו סכומים ניכרים בתחום.
החברות הללו אינן מגלות כמה הן משקיעות בטכנולוגיה הזאת, אך הן חשפו לציבור חלק מן ההישגים שלהן ומומחים אומרים שהדבר מצביע על מידת ההתקדמות שלהן בתחום - בדיקה שערכה גוגל הצליחה לזהות חתולים בסרטונים ביוטיוב, מערכת של פייסבוק בשם Deep Face, מזהה אנשים על פי תמונות.
אולם יזמים כמו טאטל, למשל, בונים פחות על הובלה בחזית של טכנולוגיה חדשה ויותר על אריזה של טכנלוגיות קיימות לתוך אפליקציות בעלות יעד ספציפי. במקרה של Expect Labs, פירוש הדבר הוא שירות המופעל בעזרת פקודות קול, שחברות יכולות להשתמש בו כדי לסייע ללקוחות לבצע פעולות כמו חיפוש בתוך קטלוגים מקוונים.
קבוצות גדולות "מנסות לבנות את הטכנולוגיה כך שתוכל לפתור הכול - אנחנו מנסים לפתור בעיה אחרת", הוא אומר.
השימושים הבסיסיים בטכנולוגיה נכנסים למספר תחומים שונים. הודות ליכולות משופרות של זיהוי דפוסים, זיהוי תמונות - בעיה קשה עבור מחשבים - הפכה לקלה בהרבה. חברת Vicarious, אחת החברות השאפתניות ביותר בתחום זה, גייסה לאחרונה 72 מיליון דולר, לאחר שהוכיחה כי היא יכולה לפתור Captchas - תמונה של טקסט המשמשת מחשבים להבדיל בין בני אדם לבין מחשבים.
אותה טכנולוגיה משמשת גם כדי לסייע למחשבים "להבין" שפה - בעיה המכונה בשם זיהוי של שפה מלאכותית.
זו אחת הטכניקות שמאחורי מערכות כמו ווטסון של IBM, הבודקת כמויות גדולות של מידע ובדרך זו מגיעות לתשובה הנכונה ביותר. שימוש שלישי ופופולרי מנסה לזהות רלוונטיות - בין אם פירוש הדבר פרסונליזציה של תוכן מקוון והמלצות מסוגים אחרים, או פרסום המותאם בצורה מדויקת יותר לקהל המטרה.
כפי שקורה לעתים קרובות כשמדובר ברעיון חדש, חלק מהאפליקציות הראשונות היו עבור השווקים הפיננסיים, למרות שסכומי הכסף המדוברים גורמים למעורבים בנושא לחשוש מלדבר.
"אם האפליקציה הפיננסית שלך פועלת, למה לחשוף אותה ולאבד את היתרון?", כך אומר באבק הודג'אט, מנכ"ל חברת Sentinent Technologies. החברה שלו שואבת כוח מיחשוב עצום ממרכזי נתונים לצורך ביצוע סימולציות של שווקים פיננסיים בקנה מידה מלא - בעזרת יישום של "אלגוריתמים מתפתחים", שמנסים ללמוד כיצד השווקים מגיבים בנסיבות שונות, הוא מקווה לפתח מודלים לניבוי התנהגותם בעתיד.
הפיכת רעיונות כאלה לאפליקציות מעשיות במגוון רחב של תחומים מסבירה חלק ניכר מההשקעות הזורמות כעת לתחום הבינה המלאכותית.
חברת Sentinent, לדוגמה, גייסה לאחרונה יותר מ-100 מיליון דולר כדי ליישם את הטכנולוגיה שלה בתחומים נוספים. הסכום שיקף את העלויות הגבוהות הכרוכות בגיוס מומחים מובילים הדרושים כדי "לאמן" מערכות בינה מלאכותית לעבוד בתחומים שונים.
לדברי הודג'אט, הענפים האטרקטיביים ביותר הם אלה שיש בהם היקפים גדולים של ידע ובעיות בעלות ערך רב, כמו בריאות, ביטוח ומסחר מקוון. אבטחת מידע וגילוי הונאות הם נושאים הנמצאים גם הם במקום גבוה בסדר העדיפויות של חברות בינה מלאכותית רבות.
"לועסות" את המידע
ישנן עלויות נוספות הכרוכות בהפיכת הטכנולוגיה לפונקציונלית באמצעות אפליקציות בעולם האמיתי, כך אומר פרפרה מ-Context Relevant: "המאבק האמיתי אינו על טכנולוגיית למידת המכונה העומדת בבסיס היישומים, אלא על בניית מערכות תמיכה שהופכות אותה לשימושית". הטכנולוגיות הנלוות הללו כוללות את "צינורות" הנתונים הדרושים על מנת להעביר כמויות עצומות של מידע, הוא אומר, כמו גם מערכות בקרה הדרושות על מנת לוודא שבינה מלאכותית פועלת בתוך הגבולות העסקיים המקובלים.
כאשר חברות סטארט-אפ רבות נתונות בלחץ להראות שהטכנולוגיות שלהן הן יותר מפעלולים מרשימים, המרדף אחרי השקעות עשוי לקבוע מי ישרוד את הסינון הבלתי נמנע הצפוי בתחום הבינה המלאכותית.
כמו בתחומים טכנולוגיים אחרים, אי ההסכמות על הגישה הטובה ביותר עשויה להישמע לעתים כמו פילוג דתי. "המילים שבהן אתה משתמש מתארות את השבט שממנו אתה מגיע", כך אומר פרפרה.
בינה מלאכותית, מונח רחב המשמש כדי לתאר את התחום מאז הוקם, מגלם את החלום של מחשב בעל חשיבה מלאה דמויית אנוש. אולם הנסיונות לקודד את המחשבה האנושית בעזרת היגיון של מחשב לא הצליחו להתקרב ליעד, ומכאן אי האמון שאפף את תחום הבינה המלאכותית עד לאחרונה.
תחיית העניין בתחום נובעת במידה רבה מלמידת מכונה, גישה המתעלמת במתכוון מאנלוגיות לחשיבה אנושית. למידת מכונה היא תוצר של השחיקה הגדולה בעלויות העיבוד של מידע ובכמויות העצומות של נתונים דיגיטליים הנאספות כיום באינטרנט.
טכניקות הסתברותיות משמשות כדי "לאמן" מכונות בשעה שהן "לועסות" את המידע, עד שיוכלו להבחין בדפוסים ולהגיע למסקנות שאליהן לא תוכנתו להגיע.
תת תחום של למידת מכונה, הידוע בשם "למידה עמוקה", מושך את עיקר ההתלהבות בעת האחרונה. למידה עמוקה שואבת מרעיון אחר מתולדות הבינה המלאכותית - רשתות עצביות, תוכנה ששואפת לחקות את התהליכים של המוח האנושי על מנת "ללמוד" מהר יותר.
"ההתקדמות בתחום מדעי המוח תרמה רעיונות חדשים לתחום זה של חיקוי הביולוגיה", כך אומרת ג'אנה אגרס, מנכ"לית חברת Nara Logics. המטרה, היא מוסיפה, היא "לראות כיצד המוח האנושי מחליט לגבי דברים ולאפשר למחשבים לעשות זאת טוב יותר".
