דיפ פייק ניוז

בינה מלאכותית היא כינוי לאלגוריתמים המאפשרים למחשב לפתור בעיות אנושיות. כך למשל, בשנת 1956, אדסחר דייקסטרה, המציא אלגוריתם המאפשר למצוא את המסלול הזול מנקודה לנקודה בגרף עם משקלים. במילים פשוטות יותר, מה שמאפשר לוויז לבחור עבורכם את הדרך הקצרה והמהירה ולשואב האבק הרובוטי למצוא את הדרך כדי לנקות את כל החדר. אבל באלגוריתמים מעין אלה, המדענים הצליחו לעלות על הדרך המדויקת כדי להגיע לפתרון, ורשמו הוראות ברורות, שלב אחר שלב, כמו מתכון לעוגה. מה לגבי בעיות שאין לנו מושג כיצד לפתור?

ובכן באותה שנת 1956, ארתור סמואל פיתח ב IBM תכנה שהצליחה לנצח אותו בדמקה, ממש "הגולם קם על יוצרו", ובכך הפך חלוץ בתחום למידת מכונה. המחשב מסוגל ללמוד, להסיק מסקנות ולקבל החלטות. הרעיון היה פשוט. לתת למחשב לשחק מספר עצום של סימולציות נגד עצמו, ו'ללמוד' על ידי חישובים סטטיסטיים לאלו מהלכים יש יותר סיכויי הצלחה. היישום היה קצת יותר מסובך, ולשם כך נדרש מחשב ענק בגודל של חדר.

אוקיי, אז זה כשיש תוצאות, כמו אלו מהלכים הובילו להצלחה ואלו לכישלון, אבל נניח שאנחנו לא יודעים, אלא רוצים לגלות, האם ישנם קשרים מסוימים בין תרופות מסוימות לסימפטומים מסוימים. במקרה הזה אין לנו דוגמאות של קשרים, אלא כמות עצומה של נתונים על חולים, תרופות שהם נוטלים וסימפטומים שהם חווים. ובכן מסתבר שגם תחום כזה קיים בלמידת מכונה. למידה ע"פ דוגמאות נקראת "לימוד מונחה" ולמידה שלא ע"פ דוגמאות נקראת "לימוד בלתי מונחה".

המשותף לאלגוריתם של דייקסטרה וללמידת המכונה של ארתור סמואל, שלמרות ששניהם אינם מסוגלים לבצע את כל החישובים בפרק זמן סביר (מה שמכונה במדעי המחשב "סיבוכיות פולינומיאלית") כשמדובר בקלט גדול, כמו מפת כל כבישי ישראל או כל המהלכים האפשריים בדמקה, עדיין אנחנו יודעים לדלג על חלק עצום מהחישובים כדי לקצר תהליכים, ולהגיע לתוצאות מספקות כלל לא רעות.

אבל החזון האמתי היה, מחשב ממש כמו בנאדם, שיעשה לנו ת'עבודה, לדוגמה כמו רכב אוטונומי. דמקה זה נחמד, אבל איך מחשב יכול ללמוד מה זה כביש, מה זה מעבר חציה, מה זה הולך רגל, מה זה כלי רכב אחר וכו', כשבניגוד ללוח דמקה, העולם אינו סטטי ואינו אחיד. יש אינסוף צורות של כביש, של מעבר חציה, של הולך רגל ושל רכב אחר, שלא לדבר על אינסוף מכשולים ואובייקטים בלתי צפויים.

השאלה המעניינת היא איך לעשות את זה, והתשובה הטובה ביותר היא לבדוק איך בן אנוש עושה את זה. מסתבר שהמוח האנושי מכיל רשת נוירונים. לצורך ההבנה, נוירון הוא תא עצב, המשמש מעין חיישן זעיר, המקבל קלט, מבצע פעולה חישובית, ובהתאם מחזיר פלט. הפלט עובר לנוירונים אחרים באמצעות סינפסות המשמשות כרשת קשר. אולי פעולה בודדת לא כל כך מרשימה, אך כשמדובר על כ 10¹¹ נוירונים וכ 10¹⁴ סינפסות המרכיבות את המוח, נוצר מפעל חישוב ענקי של  זיהוי, לימוד וחשיבה.

בשנת 1943 פרסמו ורן מקלוך וולטר פיטס מאמר שהיווה בסיס להתפתות הלמידה העמוקה.  הרעיון היה ליצור רשת עצבית מלאכותית. בשנת 1969 פרסמו מרווין מינסקי וסימור פפרט מאמר שגרם לנטישת הרעיון בעקבות פגם שגילו בנוירון הבסיסי. בשנות ה 80 נמצא לכך פתרון, אך עדיין לא היכולת. אך אל דאגה, התקווה בת שנות 2000. בשנים האחרונות חל זינוק מדהים בעולם המחשבים, בעקבות היכולות הטכנולוגיות לייישם את הרעיונות באמצעות המחשב. לדוגמה רשת חיצונית מורכבת מנוירונים המקבלים כקלט תמונה ומעבירה את הנתונים לרשת הבאה. רשת פנימית נסתרת מזהה קווים ופיתולים ומעבירה את הנתונים לרשת הבאה. הרשת הפנימית הנסתרת הבאה מזהה חלקי גוף כמו אף, עיניים ומעבירה לרשת הבאה. וכן הלאה וכן הלאה, עד שהרשת האחרונה מחזירה פלטים של מספרים עשרוניים בין 0 ל 1 המייצגים בכמה אחוזים הרשת 'חושבת' שהיא זיהתה את הפלט. לדוגמה הפה זוהה בודאות של 08.7, העייניים זוהו בוודאות של 0.94 וכו'. החלק היותר מעניין הוא שזוהי רק דוגמה. אין לנו מושג מהו החישוב של כל נוירון וכל רשת, לכן אלו רשתות נסתרות. המחשב הוא זה שלומד לבד מתוך אלפי דוגמאות ויודע לזהות דברים דומים שלא הופיעו בדוגמאות.

אבל התפתחות הלמידה העמוקה הובילה את הזיוף העמוק (Deep-fake). מדובר בטכנולוגיה המבוססת על למידה עמוקה, ליצירת זיוף (מניפולציה או יצירה סינתטית) של תמונה, או או קול, או וידאו, של דמות אמתית, אך של דברים שלא התרחשו עמה במציאות. ניתן לעשות זאת בהסכמת הדמות, לדוגמה יצירת סרטון פעלולים, אך ניתן להשתמש בזה גם עבור גניבת זהות ופשע.

נראה שההסבר על למידה עמוקה הפך בעצמו ללמידה מעמיקה, אז נעצור כאן וניתן לכם להנות מדוגמאות נוספות.