מאניבול – הדור הבא (על מכונות לומדות באן בי איי)/ מתן בניטה

מאניבול – הדור הבא  (על מכונות לומדות באן בי איי)

(מתן בניטה הוא חבר צוות חדש בן 30. מתמטיקאי מהאוניברסיטה העברית העוסק היום בתיכנות. אב לשני ילדים המתגורר במושב בגוש עציון)

שנת 2002,  ווילאם לאמאר בין השלישי הידוע בכינויו "בילי", ה-GM המוערך של Oakland athletics, קבוצת בייסבול מקצועית ב-MLB יושב בבית על קערת מרק כתום ושואל את עצמו, איך? איך? איך תקעו אותי עם התקציב השישי הכי מסריח בליגה?

הוא לוקח עוד לגימה מהמרק ושואל את עצמו איך הוא לוקח את  את התקציב הנמוך הזה והופך אותו לקבוצה מנצחת?

בילי לא מוצא את התשובה לכך מיד. אלא במפגש מקרי במשרדי הקליבלנד אינדיאנס עם פול דפודסטה, בוגר הרווארד לכלכלה וסקאוט של האינדיאנס.

ביחד, בילי ופול, לא רק שמצליחים לייצר קבוצה מנצחת, אלא מצליחים לייצר תרבות ארגונית חדשה, תרבות שלימים תיקרא – מאני-בול ( מאמר מורחב כאן)

למי שחי על הירח אז הנה קטע מהמפגש בין בילי בין לפול דפודסטה. מפגש שישנה את הצורה בה מסתכלים מיליונים על המשחק. המפגש שיצר את המאני-בול.

 

אבל כל זה קרה אי שם בשנות ה-2000 המוקדמות. עוד לפני הסמארטפון, עוד לפני היו אס בי 3.0, עוד לפני האימוג'ים למען השם.

היום הדיבור הרווח בקרב ה-GMים למיניהם, נוטש את הסטטיסטיקה הישנה ששימשה את בילי ויותר ויותר מתמקד בטכנולוגיה חדשנית ומרתקת. בבינה מלאכותית. (מאמר נפלא של מולי בנושא )

או יותר מדויק, למידה ממוחשבת.
קשה להפריז בחשיבותה הצפויה של הלמידה הממוחשבת על האנושות.

בעשורים הבאים, ייתכן ומרבית האנשים שקוראים עכשיו את הפוסט ימצאו עצמם חסרי עבודה ממש כשרובוטים ומחשבים ינהגו לנו ברכבים, יצלמו עבורנו את אירועי הספורט, יעבדו בשדות הכותנה, ואפילו יחליטו מה תהיה הכותרת מחר בעיתון. אפילו המוכשרים שבינינו ייתכן וימצאו עצמם לא רלוונטיים אל מול המחשב הלומד.

נשמע מופרך? ממש לא… לדוגמה תיקחו כבר היום את "ווטסון", מחשב העל של IBM.

כשרופא אונקולוג צריך להמליץ לחולה סרטן על טיפול, הוא צריך להסתכל בעבר הטיפולי של הפציינט. במבנה הגנטי שלו. להסתכל הספרות ולבחון את המקרה ועוד ועוד ועוד… ווטסון עושה את אותו דבר. רק שהוא עושה זאת באלפית הזמן ובדיוק מקסימלי.

נרצה או לא – –

זה עתיד האנושות!!

אבל עבורנו באתר – יותר חשוב מעתיד האנושות – זה עתידם של החיצים והבונבונים… וחשוב מאוד להכיר אותו!

כיום כמעט כל קבוצה באן בי איי משתמשת בלמידה ממוחשבת ומי שלא יתקדם עם בית מדרשו של דריל מורי, יסיים כמו אומן הזן, בזבל של השכן.

==================================================

אז  בואו ניתן קצת רקע להבין במה מדובר.

כיצד אנחנו מגדירים את מטרת הלמידה?

מטרת הלמידה יכולה להיות מידולחיזוי או גילוי (דטקציה) של עובדות לגבי העולם האמיתי (מוויקיפדיה)

ואיך אנו כבני אדם לומדים?

מ – נ – י – ס – י – ו – ן!

ניסיון החיים שלנו הוא מקור הלימוד העיקרי בחיינו.

אחרי שחווינו מספר גדול של חוויות שונות בחיינו, אנו יכולים לחזות בהסתברות מסויימת מה יהיו התוצאות של מעשים בעתיד.

לדוגמה: אני הולך למכולת ומשלם לקופאית, אני יודע לחזות שהיא תחזיר לי עודף.

דוגמה נוספת: אני מציע לבחורה לצאת איתי. האם היא תסכים? מה בדיוק נחשב להסכמה? זה דברים שלומדים עם הניסיון.

ככה בדיוק נעשית הלמידה החישובית (למי שמעניין אותו זה נקרא מודל למידה PAC  ובאמצעותו ניתן ללמוד כל דבר שניתן ללמוד)

רק שמחשב, בניגוד לאדם, יכול לעבד כמות מידע עצומה, לאגור אותה לנצח, ובכך לצבור ניסיון גדול הרבה יותר.
מחשב יכול להפוך להיות המאמן הידען ביותר ולשנן מיליוני תרגילים. הוא יכול לזהות שמירה אזורית עוד לפני ששחקני היריב ירדו להגנה. וגם כנראה שיזהה זיוף של שמירה אזורית בלי בעיה. מחשב יכול להגיע למקומות שאדם לעולם לא יוכל להגיע. הוא אפילו יכול ללמוד קונג פו. החוכמה שלנו טמונה אם כן, ב-איך ללמד את המחשב בצורה יעילה וטובה להגיע לתוצאות הנדרשות.

*

שלום כיתה א'. היום נלמד לכופף כפיות

כמובן שבכל תהליך למידה אנחנו קולטים המון נתונים, מפרשים אותם (לפעמים בצורה שלילית) נותנים להם משקל ובסוף מסיקים מסקנה. למשל בדוגמה של להציע לבחורה לצאת אני מניח שככל שהיא יותר יפה, הסיכוי שהיא תסכים – פוחת (אלא אם-כן אתה הדוק בשנותיו היפות ביותר…). אבל איך מלמדים מחשב לזהות יופי? איך המחשב יודע לתת משקל לפרמטר היופי? זה בדיוק הקושי שננסה להמחיש בדוגמאות הבאות.

 

 

 

***

עשה הכי טוב שלך ועדיין בסוף המחשב ינצח (אגב, המחשב יגלה דמיון רב לדוק בצעירותו הרבה לפנינו…)

(הערת הדוק שערך את הפוסט: יותר מפעם ויותר מפעמיים מלצריות חמודות ניגשו לשולחני וביקשו חתימה. חשבו שאני שון קונרי. זה היה לפני 20 ו-30 שנה, אז תנו כבוד לזקן!)

לי בראש עלו שתי דוגמאות למערכות לומדות, אם יש לכם רעיונות טובים יותר אשמח לשמוע בתגובות.
הדוגמה הראשונה קצת חופרת.  ראו הוזהרתם…

מערכת לומדת מס 1:

מערכת הלומדת עבור שחקן מה זווית פלג הגוף העליון האופטימלית עבורו בחדירה.

שלב 1) איסוף וקטלוג הנתונים

נשים לשחקן צמד חיישנים, אחד על המותן ואחד על בית החזה. באמצעות החיישנים נוכל לחשב את זווית פלג הגוף העליון. כעת על כל חדירה שהשחקן יבצע נסווג אותה כחדירה מוצלחת (מומי תירגע) או לא. תלוי אם הצלחנו לקלוע על המגן.

לבסוף אחרי מס' גבוה של ניסויים המערכת תוכל לומר לשחקן מה הזווית חדירה האופטימלית עבורו.

יעבוד? לא ממש

לא לקחנו בחשבון נתונים נוספים כמו לדוגמה, גובה השחקן המגן. לשחקן גבוה יהיה קל יותר לחדור על שחקן נמוך על ידי כיפוף פלג הגוף העליון ויצירת מרווח גדול בינו לבין המגן.

אז בוא נכניס למערכת גם את נתון הגובה של השחקן המגן, אבל אולי בעצם כדאי להכניס את הווינגספאן של המגן במקום? אפשר גם להכניס נתונים נוספים כמו זריזות (איך מודדים זריזות?), אתלטיות וכו'

וצריך להיזהר להכניס נתונים שבהתחלה נראים טוב אבל בפועל ייצרו לנו המון שגיאות בהמשך. לדוגמה, צבע עור של שחקן, ישנו מתאם גבוה בין צבע לאתלטיות אבל פתאום מגיעים להם איזה בלייק גריפין וזק לווין כאלה שמולם המודל שבנינו יעבוד בצורה שגויה כי הם לבנים ואתלטים בצורה פסיכית.

שלב 2) אימון המערכת (training step)

נבצע מס' גבוה של ניסויים, ולאחר כל ניסוי המערכת תוכל לומר לשחקן כיצד כדאי לחדור מול כל שחקן אחר ולא רק כאלו שהתאמנת נגדם.

ככל שמספר הניסויים יגדל כך דיוק המערכת צפוי לגדול

שלב 3) הוידוא (Validation step)

לאחר שהמערכת מוכנה נבדוק אותה על קבוצת מדגם שעוד לא נבדקה.

נעמיד את השחקן שלנו מול שחקנים שהוא עוד לא חדר נגדם ונגיד לו מה צריכה להיות זווית הגוף האופטימלית לחדירה (מומי!!!).

אם הוידוא כשל והזווית האופטימלית ברוב המקרים שונה ממה שהמערכת מציעה אז בחזרה לשלב 1 ו-2 לבדוק מה עשינו לא בסדר.

אם התוצאה טובה והשחקן מצליח בחדירה בזווית המומלצת יותר מכל זווית אחרת, מעולה. ואפילו יותר ממעולה, כל שחקן שרוצה להשתמש במערכת יוכל להשתמש בה ולוותר על שלב 1 ו-2  (אולי רק יצטרך התאמות קטנות) היות וכבר אימנו את המערכת כיצד ללמוד

כמובן שהדוגמה הזו אינה מושלמת וצריך לקחת בחשבון גם נתונים אודות השחקן המתקיף ועוד. אבל לפחות ראינו מהם השלבים שעוברת מערכת.

 

שלבי הלמידה עד השלב שנקבל מודל שחוזה את העתיד

בתמונה רואים את שלבי הלמידה. סיווג הנתונים-> אימון המערכת->וידוא(חסר בתמונה)-> קיבלנו אלגוריתם מלומד שיודע לחזות את העתיד בסבירות גבוהה

 

מערכת נוספת שחשבתי עליה היא דוקא מערכת לשימוש המאמנים.

  • נייצג כל שחקן כאוסף של נתונים (גובה, קליעה, הגנה אישית וכו')
  • המערכת תקבל בכל זמן נתון מי החמישיה שלנו ומי החמישיה של הקבוצה היריבה על המגרש.
  • נמדוד הצלחה ע"י מדד ה-+\-
  • נאמן את המחשב על כל המשחקים של הקבוצה בשנה האחרונה
  • לבסוף, המערכת תדע ותמליץ למאמני החמישייה האפקטיבית ביותר שנוכל לשים נגד חמישייה נתונה של היריב.

 

אז מה ההבדל בין מערכת לומדת למאני-בול המוכר לנו?

בגדול זה אותו דבר; עדיין מודל שמתבסס על סטטיסטיקה. רק שלב  נוסף באבולוציה.

אפשר להגיד שפעם כולם היו קופים, ואז הגיע המאני-בול ששידרג אותנו להומו-ספיאנס ועכשיו הגיע ארנולד שוורצנגר והולך לכסח לכולם את הצורה…

לכל מי שהגיע עד כאן ומתעניין, יש הרצאה מאוד מעניינת בטד על למידה ממוחשבת בכדורסל עם  דוגמאות מופלאות. מומלץ מומלץ.

*

או בתרגום לעברית..

https://www.ted.com/talks/rajiv_maheswaran_the_math_behind_basketball_s_wildest_moves?language=he

אתם מוזמנים להציע רעיונות משלכם לתוכנות לומדות לעולם הכדורסל ובכלל.

הטכנולוגיה הזו עדיין בחיתולים ובשנים הקרובות נראה יותר ויותר פריצות דרך ודברים מדהימים בתחום.

מה שמדהים הוא, שברוב המקרים מי שיצליח לבנות תוכנה לומדת טובה הוא לאו דוקא מתכנת דגול אלא מחנך דגול. מי יודע אולי אחד המגיבים יהיה בילי בין הבא!

לפוסט הזה יש 63 תגובות

  1. 1-נהדר.

    2- השלב הראשון הוא שבכדורסל כמו בפוטבול השחקנים ילבשו אוזניה ויתחילו לקבל הדרכה מדוייקת תוך כדי תנועה. זה יישומי.
    (מה שכן בכדורסל כולם צריכים אוזניות)

    3- אני לא יודע כמה אנחנו רחוקים משם הרי יש ניתוח מדוייק כמה שווה כ זריקה פר שחקן פר בלטה. מי שמצטיין בנקודות הנצרכות ולה ל הפרקט

    1. 1 – תודה
      3 – צודק. ההבדל הוא לא באיסוף הנתונים,. אלא במי מעבד את הנתונים. וגם היום כמו שרואים בהרצאה משתמשים בלמידה חישוהית בחלק מהמקרים

  2. מאמר מאד מעניין! נשמח לקרוא עוד.

    מה שמטריד אותי בבינה מלאכותית הוא העדר האקראיות ובהתאם חלק מהרומנטיקה של המשחק. אם הכל זה תחרות בין אלגרותמים שיתנו למאמנים מידע טוב יותר, איפה הכיף?

    1. הרשה לי לעודד ולבאס אותך בו זמנית..
      1) קח לדוגמה אנומליה סטטיסטית כמו רונאלדיניו.. גם אותו אפשר ללמוד אבל להעביר את הידע הזה לשחקנים זה אתגר רציני
      2) גם מה גורם לצופה לתחושה רומנטית ניתן ללמוד וליישם. קצת מבאס לחשוב על זה אבל בדיוק בשביל זה נועדו חוקי השכר וחבריהם.

  3. תודה על המאמר המאלף ועל המחמאה.
    הבעיה שלי עם כל תוכנה, כולל "תוכנה חכמה", היא ש"תוכנת מחשב תעשה תמיד את מה שאמרת לה לעשות, ולא בהכרח את מה שרצית שתעשה."

    כפי שאמרת, בשורה התחתונה התוכנה טובה כמו מי שמתכנת אותה ומחליט מה היא תיקח בחשבון.

    מזכיר סיפור של אסימוב על מישהו שהכישרון העיקרי שלו היה:
    שהוא ידע איזו שאלה לשאול…

  4. מהי גדולה של תלמיד חכם כשבאים לשאול אותו שאלה (בהלכה לצורך העניין )?
    א – יודע את החומר ישר והפוך. מהמקורות עד להשתלשלות לפסיקת אחרוני האחרונים.
    ב – יודע לזהות את המציאות ולהתאימה לסעיף המתאים, ואם אין סעיף מתאים מבין דבר מתוך דבר על פי הכללים. יכול להיות ת"ח שבקי בא' אבל נכשל בב', וכן הפוך.
    ג – יש לו סייעתא דשמיא (עזרה מהשמיים) בזמן אמת לב'. ולא אאריך כאן איך מודדים את זה.

    בהקבלה ובנמשל,
    רובוט יכול להיות בקי בא',
    רובוט יכול אולי אולי אולי להיות בקי בב',
    אבל רובוט לעולם לא ירכוש את ג' – "אינטואיציה" האם מה שהוא הסיק בב' הוא "טוב", "ישר", "נורמלי", וכדומה.

    1. מסכים..
      מחשב היא מערכת אקסיומטית.. בניגוד לאינטואיציה המדוברת שהיא עצמה יוצרת אקסיומות.
      תיאורטית מחשב יכול לרוץ על כל האפשרויות בעולם אבל זו רק תיאוריה..
      בנוסף אם מכניסים לפה את עניין ה"בריאה" אזי יש אפשרויות שמחשב לא יכול לרוץ עליהן כי הן לא קיימות עדיין

      1. ונגיד שהכל זורם חלק
        ואז בא אלינו הרובוט ואומר שקול דיבר אליו. והקול נותן לו חוקים והכוונות שלא מסתדרות בקו אחד עם החוקים שהוא קיבל מבני האדם.
        ואם הוא יגיד שהקול הזה הוא אלוהים שלו שמדבר אליו
        וידרוש חופש פולחן
        ואולי מערכת ייצור נפרדת לרובוטים מאמינים
        מה נוכל לומר לו? שאלוהים שלנו אמיתי ושלו לא?
        נעשה מה שעשינו תמיד
        נשבור לו את הרגליים
        נפרק לו את הצורה
        נשמיד את זרעו
        ונקווה שלאלוהים לא באמת נמאס מאתנו….. 🙂

  5. אם האוכלוסיה תעבוד לפי מוסכמות בצורה תבניתית ושבלונית העולם הרובוטי יהיה פשוט יותר ליישום
    לדעתי תמיד יגיע כשרון יוצא דופן סטייל קארי ,לברון או דוראנט וינפץ את כל מה שהתוכנה חושבת שהיא יודעת

  6. מאותם יצורים שהביאו לעולם משחקי פוקימון שמסרבים להיכנס לשכונות שחורות ורובוט טוויטר שהפך תוך 24 שעות למפלצת גזענית אפופת קונספירציות.
    איך יצור לא מושלם יכול ליצור משהו מושלם? איך נוכל ללמד רובוט מה זה כוונה, ולהתעלם כשצריך מהמטרה? איך מפסיקים לדבר כאילו אני בטריילר למטריקס 4: רדנדנט?

    1. יאללה…לי יש מחויבות לכמה לקוחות לשנה הקרובה.. אולי נחכה שמזיג (המחשב האנושי) יהיה פרי אייג'נט 😉

  7. מצוין.
    אני בעד הכנסת מכשירי מדידה רבים ככל האפשר אבל יש כאן בעיה שנתקלים איתה בהרבה מקומות – עודף אינפורמציה.
    איך אתה בתור מאמן, נניח, יודע איזה מ-30 הפרמטרים שמדדת אצל השחקנים (מהירות, טכניקת זריקה, גובה, רוחב, משקל, שם האישה, החברה מהתיכון . . .) הוא באמת רלוונטי ואיזה הוא "רעש" שרק ממסך את הדינמיקה האמיתית?
    כשבאים לפתור חידה מורכבת חייבים לזקק את המרכיבים החשובים ולא לתת לרעש למסך את המהות.זאת הבעיה המרכזית כאן.
    במושגים טכניים, דיברת על מציאת חמישיה אופטימלית להרכב של היריב, כאן זוהי מציאת מינימום של מערכת רבת משתנים. אין פיתרון אחד אלא ישנם כמה. והם מתחרים זה בזה ומשתנים עם הזמן.

    בגלל כל זאת עדיין יהיה צריך את האינטואיציה של צוות האימון בזמן הנראה לעין.

    1. דוקא לזקק את הפרמטרים (בדיוק סביר) אמור להיות אפשרי בזכות שאנחנו מחלקים את המקרים לשני שלבים. האימון, והוידוא.
      נמשקל את הפרמטרים לפי שלב האימון ונודא שצדקנו בשלב הוידוא.
      אתה צודק שכנראה לא יהיה לנו מספיק DATA בשביל זה ובאמת נצטרך "לעזור" למערכת ולהשתמש בשיקול דעת על מנת להכווין אותה.
      מה שבטוח שלצוות של הפליקנס אין שום מקום לשיקול דעת!!

  8. עגל אמרת את העיקר. אבל באמת כל העניין הוא לנצל את היכולת החישובית הזאת, כדי להסיק מסקנות עם תוקף סטטיסטי שהוא כנראה מעבר לתחושה ולאינטואציה. ברוב המקרים תהיה קורלציה מאוד גדולה בין הדברים, כי הגדולה של מאמנים גדולים, ושחקנים גדולים, זה לזהות מכל מה שקורה, מה הכי יעיל עבורם ועושה את העבודה, ולמקסם אותו.

  9. אציין בעיה שאני רואה ביישום בתחום הספורט.
    כל מערכות הDEEP LEARNING מצריכות הרבה דאטה ללמידה. אני דווקא חושב שכמות הדאטה בספורט המקצועני היא לא מספיקה ללמידה משמעותית בשביל המערכות הללו…

    סתם לשם השוואה, רכב אוטונומי, כמות האימון הוא אחד המגבלות המונעות את המעבר לאוטונומיה רמה 5 (אוטונומיה מלאה של הרכב), אחד מהפתרונות הייצירתיים (במקביל לסתם לתת לעוד ועוד רכבים אוטונומיים לנסוע ברחבות של ארה"ב במדינות מסויימות) היה אשכרה להשתמש במנוע של המשחק GTA ולתת למערכות להתאמן בנהגיה בעולם הזה… ככה אפשר להרוויח עוד מילוני מיילים בקצב מסחרר.

    אז אולי אפשר יהיה להשתמש ב K2 בשביל לאמן את המערכת? (אולי..) אבל , עדיין הבעיה היא שאין אפשרות לארגן מלא משחקים בעולם האמיתי בשביל לשחזר את כל הסיטואציות שצריך במספרים מעניינים…

    מצד שני (כמה צדדים כבר יש לתגובה הזאת?!) , גם בני אדם דיי גרועים בניהול ספורט 🙂 אז המחשב רק צריך להיות טוב יותר מאתנו בזה…

    1. תומר, אהבתי את הרעיון של ה-2K.
      אפשר למשל ליישם למידת חיזוק באמצעות 2K על מנת לגבש Policy גם ברמה האישית וגם ברמה הקבוצתית.
      באופן כללי באמת אין מספיק מיידע כדי ללמוד הכל. אבל כן יש דברים שאפשר ללמוד וכבר למדו אותם. למשל בסרטון הראו שכבר למדו לזהות פיק אנד רול ולנבא מתי הוא יהיה מוצלח.

    2. ללמד רובוט לשחק כדורסל קבוצתי זה יותר קשה מללמד מכונית להיות אוטונומית, לפחות בכבישים הראשיים.
      (יש כאלה שאומרים שכבר יש רובוטריק שמשחק כדורסל – לברון 🙂 )
      אתה צודק שצריך להתחיל לצבור שעות נסיון למערכת לומדת, מצד שני כבר ישנם סרטוני משחק בנב"א בכמויות עתק כך שהחומר קיים.
      אתה גם צודק שבעתיד יהיו הבדלים אדירים בין מאמנים/מנהלים שיבינו כמו שצריך בינה מלאכותית לבין אלו שיעשו בה שימוש שגוי

  10. באמת מרתק.
    אני חושב שבאמת נלמד להינות גם מנתונים שיופיעו לנו בזמן אמת על השחקנים. באמריקאס קאפ האחרון הראו בלייב את ניצול הספק מאמץ הלב של המתחרים תוך כדי התחרות. (קצת כמו האנרגיה במשחקי המחשב). זה היה מוזר בהתחלה אבל מצאתי עצמי מסתכל על זה יותר ויותר במהלך התחרויות.
    מבחינת הצפת הנתונים כמו שעגל הסביר בשביל זה יושבים כל המוחות ובונים אלגוריתמים שידעו לזקק את הנתונים למעשים או הצעות בזמן אמת.
    ברור ששחקנים הם לא רובוטים ואפילו דריל מורי הבין שכימיה חשובה בין שחקנים ולמאמן יש תפקיד יותר גדול מלהיות 'סדרן עבודה' כמו שהוא חשב בתחילה.
    אבל באמת מרתק לראות לאן יגיע המשחק מבחינת פיענוח נתונים למעשים בזמן אמת.

  11. מתן, ב-SI השבוע הופיע מאמר גדול על אימוני כושר גופני, דיאטה, ואפילו PSYCHOTHERAPY לשחקני ה-ESPORT המקצוענים. לא יאומן בכלל מה שקורה. הסיבה? רובם 'שרופים' בגיל 30 ורוצים לעשות משהו בנידון.

    1. וואו.. מדהים…
      קצת מזכיר את כל האימוני כושר שעושים לטייסים בצבא כדי שיוכלו לשמור על ריכוז באוויר

  12. טיפה סרוחה, ברכות על מינויך לצוות המצוין של האתר.
    ואין כמו להיכנס עם מאמר מעולה שכזה.
    נהניתי לקרוא, ממש מעורר מחשבה..
    (בעבודתי אנחנו מפתחים רובוט שגם הוא מיועד להחליף אנשים..)

          1. טיל תמוז,
            זה כאשר ילד בן 3 מנסה להרים כדור כדורת ששוקל כפול ממשקל גופו,
            ואז מפיל אותו לעובר אורח תמים על הרגל?

  13. הקלידו את התגובה לא כאן
    סקופ אחרון להיום.

    והנה ציטוט של האשך: {תגובה מס' 29 מהטור של עצמו}

    " מאכזב מאוד שהרבה אנשים בחרו להתעסק באדם או בסיפורים, שהיו או לא היו (מי יודע? בטח לא אנחנו), ולא ביצירה.

    למה, אנשים מוכרים אחרים אותם אתם "צורכים" באמת מוכרים להם?
    מי יודע כמה סופר זה, או סלב הוא, או בכלל – פוליטיקאי זה (שהצבעתם לו והוא באמת משפיע על חייכם ולא בצורה אומנותית) – מוסריים או לא?
    מאיפה אתם יודעים מה הם עושים בחייהם הפרטיים ואיזה מין אנשים הם?
    מה אתם בכלל מתיימרים לעשות את זה?
    תתעסקו ביצירה ותשפטו אותה לגופה וזהו." {עד כאן הציטוט}

    פשוט לא י-א-ו-מ-ן שראש הללל משתמש בטיעונים כאלו……..

  14. טור מצויין.
    אני חושב שאתה ממעיט בערך עיבוד המידע שאנחנו מבצעים.
    למידה היא ממש לא רק למידה פרספטואלית קלאסית. אפילו זיהוי פשוט של ריח של וורדים או זיהוי המילה שלום היא פעולה מורכבת שלמחשבים קשה מאוד לעשות. הפעולה לא מצריכה רק כמות זיכרון גדולה אלא גם אלגוריתמים מתוחכמים. אולי התקדמנו בזיהוי הקולי (עדיין לא ברמה האנושית) אבל לדוגמא זיהוי ריחות אנחנו אפילו לא מתקרבים ליכולת האנושית. ואני בכלל לא מדבר על תהליכים פרספטואליים מורכבים יותר. למחשבים למראית עין יש זיכרון בלתי מוגבל אבל הזיכרון האנושי הוא מורכב וגמיש הרבה יותר מהזיכרון הממוחשב.

    1. +10
      ולמרות זאת יש דברים שבהם למחשב יש יתרון. קח לדוגמה זיהוי טביעת אצבע. פעולה שאדם רגיל לא יכול לבצע בטח שלא מהר..
      עכשיו נגיד שיש קורולציה בין תבנית אצבע מסויימת לאופי אז זה דבר שאדם לא יוכל ללמוד והפלאפון שלך כן יוכל ללמוד.
      היום מדברים שרשת נוירונים ממוחשבת יכולה לסווג עד 1000 פיצ'רים שונים. זה כבר די מרשים

      1. לדעתי אם היה קורלציה בין טביעת אצבע לאופי היה מתפתח אזור מוחי שתפקידו היה לסרוק טביעת אצבע כמו שהתפתח אזור מוחי לסריקת פנים. ויש הבדל גדול בין סריקת הטביעה לבין זיהוי הגורמים האינפורמטיביים. כמו שלכאורה מחשב אמור לדעת לסרוק פנים הרבה יותר בקלות מבני אדם אבל זיהוי הגורמים החשובים לטובת זיהוי בני אדם את זה בני אדם עושים הרבה יותר טוב.

להגיב על מתן בניטה לבטל

סגירת תפריט