Questar השיקה טכנולוגיה חדשה לניטור כלי-רכב

בתמונה למעלה: ארז לורבר, מנכ”ל קווסטאר. “הגידול בנפח המידע מחייב שימוש בכלי בינה מלאכותית ולימוד מכונה”

בשבוע שעבר השיקה חברת Questar מראש העין את טכנולוגיית Vehicle Health Management-VHM אשר מאפשרת לעקוב אחר מצב הרכב, לאתר תקלות בשלבי התפתחותן הראשוניים ולספק תובנות לטיפול מונע. המערכת מבוססת על מחשב ומודול תקשורת אשר נמצאים ברכב, אוספים מידע מכל החיישנים ומבצעים ניתוח ראשוני של המידע. לאחר מכן המידע נשלח אל הענן ושם מתבצע עיבוד מתקדם המבוסס על אלגוריתמים של בינה מלאכותיתי ולימוד מכונה. הממצאים מסייעים ליצרני רכב ולמנהלי ציים לאתר בעיות לפני שהן מתרחשות, ולמטב את תוכניות הטיפול, התחזוקה ואפילו את התכנון של דגמים חדשים.

בשיחה עם Techtime סיפר מנכ”ל קווסטאר, ארז לורבר, שכיום החברה מספקת שירותי ניטור וטלמטריה לכמה מאות-אלפי כלי-רכב בישראל, במדינות סקנדינביה, בארה”ב, בבריטניה, במקסיקו ובברזיל. לורבר: “אנחנו נמצאים בקשר עם מספר יצרני רכב גדולים, במטרה לשלב את המערכות שלנו בתוך דגמים חדשים של מכוניות”. מאחורי החברה עומדת טכנולוגיה אשר פותחה במשך שנים רבות ומוגנת בכ-30 פטנטים רשומים. למעשה, קווסטאר החלה את דרכה בשנת 2003 בתור חברת Traffilog, אשר פיתחה פתרונות טלמטריה לציי רכב, המבוססים על מחשב מקומי המותקן בתוך הרכב.

גיבוש אסטרטגיית צמיחה

המחשב אוסף נתונים מהחיישנים הקיימים באמצעות ערוץ ה-CAN Bus, ומייצר תובנות תפעוליות המשודרות אל מנהלי הצי באמצעות הרשת הסלולרית. בחודש דצמבר 2019 ביצעה קרן טנא השקעה של כ-12 מיליון דולר בחברה תמורת כ-46% מהמניות, ובהמשך היא הגדילה את השקעתה וכיום היא בעלת השליטה בחברה. קרן טנא הישראלית עוסקת בהצמחת חברות תעשייתיות ומנהלת הון בהיקף של כמיליארד דולר. בעקבות כניסתה לחברה, הוגדרה תוכנית צמיחה, וביוני 2020 הובא מנכ”ל חדש, ארז לורבר, אשר הגיע מחברת StoreDot שבה שימש כמנהל התפעול (COO) במשך חמש שנים.

“העבודה בסטורדוט חשפה אותנו אל חברות רכב גדולות מאוד ואל מהפיכת הקישוריות וחישמול הרכב. הבנו שהנתונים יהיו המרכיב המשמעותי ביותר במהפיכת הרכב, והתחלנו לחפש חברה שתשלים את הפתרונות שלנו ותספק יכולת ניתוח כמויות גדולות מאוד של נתונים”. המענה נמצא בחברת SafeRide מרמת החייל, שהוקמה ב-2014 על-ידי יוסי ורדי וחיליק שטיין. החברה החלה את דרכה כחברת סייבר לעולם הרכב. היא פיתחה את טכנולוגיית VSentry Edge AI אשר לומדת באופן עצמאי את דפוסי ההתנהגות הנורמליים של מערכות התקשורת ברכב, כדי לזהות התנהגות חריגה ולספק התראה.

בשנת 2019 החליטה NXP להטמיע את הטכנולוגיה של SafeRide ברכזות תקשורת חדשות לרכב, והחלה בפרוייקט פיילוט עם יצרן רכב אירופי שתכנן להשתמש ברכזות האלה בדגמי רכב חדשים. יכול להיות שמדובר בחברת רנו, שכן ביוני 2019 דיווחה רנו שהיא מבצעת ניסויים בשיתוף SafeRide במעבדת החדשנות שלה בתל אביב. מכל מקום, בניסויים האלה התברר שהאלגוריתם של החברה מזהה חריגות נוספות, כמו למשל התפתחות תקלות ברכב ואפילו שימושים פסולים שעושה הנהג ברכב.

שתי החברות מתמזגות

לפני כחצי שנה התמזגו SafeRide ו-Traffilog. המיזוג יצר חברה מאוחדת המעסיקה כ-150 עובדים (שליש מהם מגיע מחברת סייפ-רייד) והחברה מיתגה את עצמה מחדש תחת השם Questar כספקית טכנולוגיות ניטור, ניתוח והפקת תובנות חכמות. “חיברנו את הפתרונות שהיו לנו ביחד עם יכולות הבינה המלאכותית של סייפ-רייד במטרה להיות מובילים בתחום החיזוי של בריאות הרכב”.

מהו המודל העסקי שלכם?

לורבר: “אנחנו עובדים ישירות מול לקוחות גדולים, או דרך מפיצי VAR הרוכשים מאיתנו את החומרה והשירות, ומספקים ללקוחות שלהם. החומרה אוספת את המידע מכל החיישנים, מבצעת עיבוד ראשוני ברכב ושולחת את המידע לענן של אמזון. שם מצויים השרתים שלנו המבצעים עיבוד נוסף ומפיקים תובנות על התנהגות הרכב, השימוש היעיל ברכב, חיזוי תקלות וכדומה. כיום אנחנו מנטרים משאיות, אוטובוסים, כלי-רכב כבדים ומכוניות פרטיות שהיצרנים עוקבים אחריהן. עשרות אלפי כלי-רכב מצויידים בפתרון שלנו. תוכנית ‘נהג צעיר’ של הפניקס מבוססת עליו”.

מה הן המגמות המרכזיות בתחום המידע ברכב?

“כאשר כל המכוניות יהיו מקושרות, המוצר שלנו יהיה בעיקר תוכנה. אולם אנחנו עדיין רחוקים מהמצב הזה ורוב המכוניות בעולם אינן מקושרות. לכן יש צורך במערכות כמו שלנו כדי לחבר אותן לרשת ולקבל מהן נתונים. המערכת שלנו כוללת מודם סלולרי עם כרטיס SIM המשדר את הנתונים (GPRS). מכיוון שנפח המידע נמצא בעלייה גדולה מאוד, חשוב להישען על בינה מלאכותית ולימוד מכונה, ולשדר רק את התובנות העיקריות המתקבלות לאחר עיבוד ראשוני.

“אנחנו גם רואים שינויים בסוג הנתונים ובקשות לנתונים חדשים. כך למשל, מצב לחץ האוויר והטמפרטורה בצמיגים משפיעים על צריכת הדלק המיידית, במיוחד במשאיות גדולות ועמוסות במטען. התוצאה היא שיצרנים החלו להתקין חיישנים בתוך הצמיגים אשר מספקים מידע חדש שאנחנו מעבדים. אנחנו צופים שבקרוב נידרש לספק מידע מחיישנים של מערכות העיר החכמה וממערכות דיווח מזג האוויר. בנוסף, כניסת הרכב החשמלי תייצר דרישה למערך חדש וגדול מאוד של נותנים שיהיה צורך לטפל בהם”.

הבאנה לאבס מכריזה מלחמה על ה-GPU

חברת הבאנה לאבס (Habana Labs) מקיסריה ותל אביב הכריזה על מעבדי הבינה המלאכותית החדשים שלה: מעבד Gaudi 2 לאימון רשתות נוירוניות ומעבד Greco המשמש כמנוע לייצור הסקות (inferencing) ברשתות לימוד עומק (deep learning). בפגישה עם איתן מדינה, מנהל העסקים הראשי של חברת הבאנה לאבס, הוא סיפר שהמעבדים החדשים מיוצרים בחברת TSMC בתהליך של 7 ננומטר וצורכים הספק של עד 600W ללא צורך בקירור נוזלים.

חברת הבאנה לאבס הוקמה בשנת 2016 על-ידי דוד דהן ורן חלוץ, יוצאי חברת פריימסנס שנמכרה לאפל ב-2013 תמורת 345 מיליון דולר. בסוף 2019 היא נמכרה לאינטל תמורת כ-2 מיליארד דולר וכיום מעסיקה כ-900 עובדים. היא הפכה לאחת מאבני הבניין החשובות של אינטל בתחום הבינה המלאכותית. לדברי מדינה, המעבדים מיועדים לשוק הצומח של רשתות עומק (DL) בבמרכזי נתונים. “כיום תופס ה-DL כ-75% מפעילות הבינה המלאכותית בענן. להערכתנו, ככל שגדל המשקל ה-DL בשרתים, כך גובר הצורך בהבאנה: אומנם מעבדי GPU יעילים בעיבוד משימות מעורבות, אולם בתחום רשתות העומק הנוירוניות יש עדיפות להבאנה”.

מעבד Gaudi 2 כולל גם מנוע עיבוד מדיה משולב עבור מדיה דחוסה, כדי להוריד עומס מהמערכת המארחת. קיבולת זיכרון שלו הוכפלה פי שלושה ל-96 ג’יגה-בייט עם רוחב פס של 2.45 טרה-בייט/לשנייה. השבב כולל 24 ממשקי גישה לרשת מסוג 100GbE RoCE RDMA, המאפשרים הגדלה והרחבה באמצעות חיבור רשת סטנדרטי, המצמצם את התלות של הלקוח בממשקי תקשורת קנייניים. המעבד מופיע עם תוכנת SynapseAI, אשר תומכת במודלים לאימון על Gaudi 2 והסקת מסקנות בכל פלטפורמה, כולל מעבדי Xeon של אינטל, Greco של הבאנה או Gaudi 2 בעצמו.

איתן מדינה. הבאנה יעילה יותר מ-GPU
איתן מדינה. הבאנה יעילה יותר מ-GPU

ההכרזה כוללת גם שרת בינה מלאכותית 12 Gaudi 2 Training Server אשר פותח על-ידי חברת Supermicro ומתוכנן להגיע השנה לשוק. במקביל, חברת DataDirect Networks תספק מארז שלם הכולל את שרת Supermicro X12 ביחד עם פתרון האחסון שלה, DDN AI400X2, לאחר שעבר התאמה לפעולה הדדית. אחת מההצלחות החשובות של הבאנה היא שחברת AWS התקינה בענן שלה את דרייבר (Instance) הבינה המלאכותית Amazon EC2 DL1, שהוא הראשון שאינו תומך במעבדי GPU. אפילו חברת מובילאיי כבר מבצעת עבודות עיבוד באמצעותו.

מעבד Gaudi החדש מאפשר לאינטל להתחרות בחברת אנבידיה בתחום החזק ביותר שלה – מעבדי GPU ליישומי בינה מלאכותית. אפילו תוכנת SynapseAI של הבאנה מעניקה למפתחים אפשרות לעבוד עם תוכנות שאינן תוכנות של אנבידיה. בתדרוך לכתבים ישראלים, אמרה סנדרה ריברה, סגנית נשיא בכירה באינטל ומנכ”לית קבוצת הדאטה סנטר והבינה המלאכותית, שהשקת מעבדי הבאנה החדשים “היא דוגמה מצוינת לאופן שבו אינטל מיישמת את אסטרטגיית הבינה המלאכותית שלה – מהענן ועד לאבזרי הקצה. “מעבד Gaudi 2 מסייע לאמן עומסי לימוד מעמיק גדולים ומורכבים במהירות וביעילות”.

איסטרוניקס קיבלה את נציגות Untether AI בישראל

בתמונה למעלה: כרטיס האצה של Untether AI המכיל ארבעה מעבדי “מחשוב בזיכרון”

חברת איסטרוניקס (Eastronics) קיבלה את הנציגות בישראל של חברת Untether AI הקנדית, אשר מספקת כרטיסי האצה למטלות בינה מלאכותית, המבוססים על מעבדי runAI של החברה. המעבדים בנויים בארכיטקטורה ייחודית שבה העיבוד מתבצע בזיכרון. להערכת החברה, כ-90% מצריכת ההספק ביישמי בינה מלאכותית נובע מהעברת מידע בין המעבד לזכירון. כדי להתמודד עם צוואר הבקבוק הזה, החברה פיתחה מעבד שבב הכולל מספר גדול של יחידות עיבוד מקביליות שאליהן צמודים רכיבי זיכרון, ועל-ידי כך היא מפחיתה פי שישה את צריכת האנרגיה הנובעת מהעבדת נתונים.

החברה פיתחה את ארכיטקטורת “מחשוב בזיכרון”  (At-memory Compute) המיועדת להסיר את צוואר הבקבוק הזה במהלך יישום שלב ההסקה של רשתות עצביות. שבב הליבה של החברה מבוסס על מערך של 512 יחידות עיבוד מבוססות RISC שכל אחת מהן עובדת ישירות מול שבב זכרון SRAM ייעודי צמוד בנפח של 385KB כל אחד. השבב מתחבר אל הכרטיס באמצעות 16 נתיבי PCIe Gen 4 העובדים במהירות של 32Gbps כל אחד. השבבים האלה מהווים את ליבת כרטיסי ההאצה של החברה, tsunAImi, אשר מספקים עוצמת עיבוד של יותר מ-2,000TOPS בכל כרטיס.

מנהל קבוצת פתרונות משובצים בחברת איסטרוניקס, דורון איתן, אמר שכרטיסי ההאצה של Untether AI מתאימים באופן טבעי ללקוחות איסטרוניקס. מנכ”ל Untether AI, ארון לינגר, אמר שהנוכחות החזקה של איסטרוניקס בישראל, “מבטיחה מיצוי מירבי של פוטנציאל פתרונות הבינה מלאכותית שלנו בשוק הישראלי”. חברת איסטרוניקס מייצגת ומפיצה מוצרים ופתרונות של חברות טכנולוגיות גדולות, בהן: Microsoft Embedded, Advantech ,Lenovo , Kontron, Micron, Western Digital ואינטל.

למידע נוסף: אבנר אוזן, מנהל פעילות בינה מלאכותית באיסטרוניקס. 050-5408863, [email protected]

התוכנה של גרנולייט תסייע לשפר מעבדי אינטל

חברת אינטל (Intel) תיעזר בלקחים המתקבלים ממערכת מיטוב משאבי הענן של Granulate Cloud Solutions התל אביבית, כדי לבצע שיפורים בתכנוני המעבדים שלה. כך גילתה סנדרה ריברה (בתמונה למעלה), מנהלת קבוצת Datacenter and AI בחברת אינטל, במהלך פגישה עם עיתונאי טכנולוגיה שהתקיימה אתמול (ב’) בתל אביב. “הלקחים האלה מאפשרים לנו לבצע אופטימיזציה של שבבים שלנו, כמו מעבדים או מאיצים. אנחנו מנהלים כעת דיונים משותפים בנושא הזה”.

גרנולייט פיתחה תוכנה מבוססת בינה מלאכותית אשר מיועדת להפחית את עלויות השימוש בענן באמצעות ייעול האופן שבו הלקוח משתמש במשאבי הענן. המערכת של החברה לומדת את תבניות השימוש של הלקוח במשאבי הענן, ומבצעת שינויים באופן שבו הלקוח משתמש במשאבים האלה, כדי לחסוך בעלויות כמו משאבי מחשוב, כמויות מידע המועברות בענן, זיהוי צווארי בקבוק וכדומה.

בחודש שעבר דיווחה אינטל על הסכם לרכישת גרנולייט הישראלית. עם השלמות יצטרפו כל 120 עובדי גרנולייט בתוך חטיבת מרכזי הנתונים וה-AI של אינטל. אינטל תשלם כ-650 מיליון דולר. העיסקה צפויה להסתיים בתוך מספר שבועות. לדברי ריברה, החשיבות העיקרית של גרנולייט טמונה בכך שהיא תסייע לאינטל לקדם את אסטרטגיית הבינה המלאכותית במרכזי נתונים. ריברה: “היקף יישומי הבינה המלאכותית נמצא בצמיחה מהירה ולהערכתנו עד לשנת 2025 הוא יתפוס כשליש מכל העיבוד המתבצע במרכזי נתונים. הדבר דורש להכפיל את עוצמת העיבוד, והדרך לעשות זאת היא באמצעות בינה מלאכותית”.

קבוצת ה-Datacenter and AI הוקמה ביוני 2021, במסגרת ארגון מחדש בחברת אינטל, שבמהלכו גם הוקמה חטיבת תוכנה האחראית על פיתוח תשתית תוכנה מאוחדת לכל מוצרי אינטל, וחטיבת מחשוב עתיר ביצועים (HPC) האחראית על פיתוח מעבדים חזקים ומאיצים גרפיים למערכות ענן גדולות מאוד ובמחשבים חזקים. הקבוצה של ריברה כוללת כ-3,000 מפתחים ומובילה את פיתוח המוצרים לענן, כולל מעבדי Xeon ורכיבים מיתכנתים (FPGA). בנוסף, ריברה אחראית על גיבוש אסטרטגיית הבינה המלאכותית של אינטל. לדבריה, המאמץ המרכזי בתחום הבינה המלאכתוית מתמקד כעת בתוכנה.

ריברה: “המטרה שלנו היא לפשט את הגישה של המפתחים אל תחום הבינה המלאכותית. אנחנו בונים מערך של תוכנות האצה למעבדים שונים ופתרונות בינה מלאכותית אשר יהיו תואמים לכל המוצרים של אינטל. אנחנו מתחילים לבנות מודל מבוסס מנויים לאספקת הכלים האלה עבור הסיליקון שלנו. גרנולייט מתאימה לתפישה הזאת מכיוון שהיא מייצגת תוכנת בינה מלאכותית אשר מייעלת את החומרה. להערכתנו השילוב שלה בתוך אינטל יאיץ את מכירותיה, מכיוון שאנחנו יכולים לספק לה מידע פנימי על המעבדים שלנו, אשר מרציים כיום כ-70% מההסקות בעולם”.

קוגניפייבר מפתחת מחשב בינה מלאכותית אופטי

הדמיית קונספט של מחשב-העל האופטי העתידי של חברת CogniFiber

חברת CogniFiber מראש העין מפתחת מחשב מסוג חדש המיועד לבצע עיבוד מהיר מאוד של פעולות חישוב נוירוניות באמצעות רכיב אופטי, ולא באמצעות מעגלים אלקטרוניים. המחשב החדש ייקרא DeepLight ויתבסס על תגלית מדעית של פרופ’ זאב זלבסקי מאוניברסיטת בר אילן ושל ד”ר אייל כהן. השניים גילו דרך חדשה לבנות רשתות נוירוניות באמצעות מארג של סיבים אופטיים מותכים (Multicore Fiber). המחשב מזריק אותות אל תוך המארג, והאינטראקציה בין האותות השונים בתוך אגד הסיבים מייצרת תופעה של רשת נוירונים עם משקלים הניתנים לשליטה באמצעות מערכת בקרת אותות חיצונית.

הטכנולוגיה נמצאת עדיין בשלבי מחקר ופיתוח בסיסייים, אולם להערכת החברה, בתוך מספר שנים היא תוכל לייצר מסד הכולל 1,800 מעבדים אופטיים העובדים במקביל, כאשר שילוב של מספר מסדים (תמונה למעלה) יאפשר לייצר מחשב-על ליישומי בינה מלאכותית מבוססת רשתות נוירוניות – הצורך אנרגיה של כ-10 קילו-ואט בלבד – פחות מ-1% בהשוואה למחשבי-על בקטגוריה מקבילה הקיימים היום בשוק. “רשתות נוירוניות הן יישום טבעי לעיבוד אופטי”, הסביר כהן ל-Techtime. “מכיוון שהן מבוססות על סיווג ועיבוד סטטסטי. נוכל להזריק למחשב כמויות נתונים אדירות, ולקרוא במהירות את התוצאה בלא הפסדי הספק וללא חימום”.

הסיב הוא הרשת

חברת CogniFiber הוקמה בשנת 2018 על-ידי זלבסקי (טכנולוג ראשי) וכהן (מנכ”ל), על בסיס תגלית מדעית. אייל כהן הוא מהנדס אלקטרוניקה שעבד במלאנוקס ובסייפאן, ולאחר מכן קיבל תארי מאסטר ודוקטורט ממכון וייצמן למדע בתחום חקר המוח. בשנת 2013 הוא החל במחקר הפוסט דוקטורט בהנחיית זלבסקי, שהתמקד בדרכים שבהן ניתן לממש רשתות נוירוניות באמצעים אופטיים. במסגרת המחקר הם גילו את הפוטנציאל הטמון במערכי Multicore Fiber ורשמו שני פטנטים (הנמצאים בבעלות האוניברסיטה).

מייסדי החברה (מימין לשמאל): פרופ' זאב זלבסקי וד"ר אייל כהן
מייסדי החברה (מימין לשמאל): פרופ’ זאב זלבסקי וד”ר אייל כהן

למעשה, מדובר ברכיב המוכר מתחום התקשורת: סיבים מותכים מרובי-ליבות משמשים בכבלים תת-ימיים למרחקים גדולים. אלא שבניגוד לנהוג בתעשיית התקשורת, המערכת של החברה לא מבוססת על הרחקת הליבות אחת מהשנייה, אלא על קירוב הליבות במערך, כדי שניתן יהיה לקבל מעבר מבוקר של אור בין הליבות. כיום החברה מעסיקה 18 עובדים. מאז הקמתה ב-2018 היא גייסה כ-8.5 מיליון דולר ונכנסה לשלב הוכחת ההיתכנות, אשר הניב עד היום פטנט רשום שלישי ועוד 22 פטנטים בתהליך אישור.

המוצר הראשון ייצא לשוק בתוך כחודשיים

כהן: “בשלב הראשון יישמנו שכבת נוירונים אחת המבוססת על מערך של סיבים עם 7 כניסות ו-7 יציאות, אשר קיבל אותות באורך גל של 1550 ננומטר, עירבבב אותם וסיפק תוצאה חישובית. על-הבסיס הזה בנינו מודל וירטואלי של מערכת גדולה יותר הכוללת רשת נוירונים מלאה בעלת 50 שכבות (ResNet50), אשר הראתה יכולת להגיע לרמת הדיוק של כרטיס גרפי של אנבידיה, אבל עם ביצועים גבוהים בהרבה: עיבוד של 3700 תמונות לכל ואט, בהשוואה ל-47 תמונות אצל אנבידיה”.

כעת החברה נערכת להשקת המוצר הראשון שלה, אשר מתוכנן לצאת בעוד כחודשיים לשוק, אשר מיישם רשת נוירונים לומדת מסוג מקודד אוטומטי (Autoencoder). זהו סוג של רשת לומדת בקטגוריה של Generative Adversarial Network, אשר יודעת להעתיק את הפלט לקלט ועל-ידי כך לשפר את הביצועים. “הוא יהיה בגודל של ארון תקשורת סטנדרטי (40U) במרכזי נתונים, וכולל מעבדים אלקטרונייים, ממשקי תקשורת ומודול אופטי. הוא צורך הספק של 500 ואט בלבד, ויאפשר לספק מהענן שירותי עיבוד מטלות בינה מלאכותית. כיום יש לנו מספר לקוחות פוטנציאליים הממתינים למוצר כדי לבדוק אותו. להערכתנו, המקודד האוטומטי שלנו צפוי להיות מהיר יותר לפחות פי 100 מאשר המקודד המקביל של אנבידיה, כאשר הוא רץ על-גבי מחשב Nvidia DGX-A100”.

Viz.ai גייסה 100 מיליון דולר לפי שווי של 1.2 מיליארד דולר

בתמונה למעלה: עובדי Viz.ai בתל אביב. צילום: יעלי תותים

חברת Viz.ai התל אביבית השלימה גיוס הון רביעי בהיקף של 100 מיליון דור לפי שווי חברה של כ-1.2 מיליארד דולר. החברה פיתחה פלטפורמה מבוססת בינה מלאכותית אשר מקבלת מידע מאמצעי דימות ונתונים רפואיים, מנחת אותו ומסייעת לבצע אבחון מהיר של מחלות. הפלטפורמה מקבלת נתוני א.ק.ג, אמצעי דימות דוגמת אולטרא-סאונד, CT, CTA, MRI, X-Ray וכדומה ומספקת אבחון התומך בזיהוי אוטומטי של מקרי שבץ, דימומים מוחיים, תסחיפי ריאה, קרעים באבי העורקים ומפרצות מוחיות.

המערכת של החברה קיבלה אישור FDA לתוכנות AI המזהות מקרי חירום רפואיים והותקנה גם ברשת בתי החולים הגדולה בארה״ב (HCA), בית החולים הר סיני בניו יורק, ובבית החולים האוניברסיטאי של פיטסבורג (UPMC). היא מפענחת את הסריקות של חולה בזמן של כ-32 שניות בממוצע וכבר נמצאת בשימוש בכ-1,000 בתי חולים בעולם.

הגיוס הובל על-ידי קרנות ההון סיכון Tiger Global ו-Insight Partners ונעשה בהשתתפות חלק מהמשקיעים בחברה, בהם: Scale Ventures, Kleiner Perkins, Threshold, Google Ventures, Sozo Ventures, CRV ו-Susa. ההון שגוייס ישמש לתמוך בצמיחת החברה ולהרחבת פלטפורמת Viz, לאיתור וטיפול במחלות נוספות. כיום החברה מעסיקה 350 עובדים, מתוכם 150 במרכז הפיתוח שלה בישראל. בכוונתה לגייס בשנה הקרובה 200 עובדים חדשים: בהם 100 עובדים למרכז הפיתוח ועוד 100 עובדים בחו”ל כדי לתמוך בלקוחות. נוספים בשנה הקרובה.

החברה הוקמה בשנת 2016 על-ידי המנכ”ל ד”ר כריס מאנסי, הטכנולוג הראשי דוד גולן ופרופ’ מאנוז’ רמצ’נדרן. מאז הקמתה היא גייסה כ-250 מיליון דולר. לחברה יש משרדים בתל אביב, סן פרנסיסקו, פורטוגל ואמסטרדם.

יישומי בינה מלאכותית בתעשיית החלל

בתמונה למעלה: הרובוט דמוי-אדם הנסיוני Valkyrie שתוכנן על-ידי נאס”א. מקור: NASA

הכתבה בחסות Avnet Silica Israel

העניין הגובר בטכנולוגיות בינה מלאכותית ביישומי חלל נובע מהאפשרות שהן משפרות את האמינות והשרידות של המערכות ומקטינות את העלויות. פיתוח וניהול לוויינים דורשים התמודדות עם כמויות מידע עצומות המגיע ממערכות הטלמטריה ומהמטעדים המצויים בלוויין. מכיוון שהלוויינים פועלים תחת אילוצי משקל, גודל, רוחב פס וצריכת הספק חמורים מאד, אחת ממטרות התכנון היא לצמצם את כמות המידע שהם צריכים לשלוח אל תחנת הבקרה.

מכאן שאחת מהחלטות התכנון הראשונות שצריך לקבל היא איזה מידע לנתח על-גבי הלוויין ואיזה מידע לשלוח לעיבוד בתחנת הקרקע. ההחלטה צריכה להתחשב בגורמים כמו זמינות רוחב הפס, האנרגיה הדרושה לשידור המידע, ופשרה בין תשתיות עיבוד חזקות בפלטפורמה לבין זמני ההשהייה (Latency) הסבירים. טכניקות כמו לימוד מכונה (ML) מסייעות להפחית את נפח המידע שהלוויין משדר ולהאיץ את תהליך פיענוח המידע.

עיבוד נתוני טלמטריה

נתוני הטלמטריה מתארים את מצב “בריאות” הלוויין ותת המערכות שלו, וכרוכים בדרך-כלל בשידור מידע המגיע מאלפי חיישנים המצויים בלוויין, המגיע בפורמטים שונים ובמספרים המתארים יחידות טכניות שונות. המורכבות של המידע הזה מקשה על בניית נוסחה פשוטה המתארת את מצב הלוויין. בעבר, אחת מהדרכים להתמודד עם הבעיה היתה באמצעות הגדרת נקודות גבול עליונות ותחתיות למידע המגיע מכל חיישן, ושידור התראה כאשר הנתונים חורגים מהמעטפת.

אולם בלוויינים המודרניים המורכבים, הגישה הזאת היא בלתי מעשית. הצעד הבא היה הגדרת מעטפת גמישה בסיוע אלגוריתם לומד אשר העריך את גבולות המעטפת הדרושות לכל חיישן. גישה שלישית התבססה על שימוש במודלים סטטיסטיים וטכניקות סיווג כדי לחזות את הטווח התקין של כל אחד ממהמשתנים. הגישה הזו נבדקה על-ידי סוכנות החלל היפנית (Japanese Aerospace Exploration Agency), אשר הראתה שהיא מאתרת בהצלחה רבה תקלות שונות המתגלות במאיצים הרקטיים (Thrusters) שלה.

מתי אפשר לוותר על חיישן מיותר

דרך אחרת להתמודד עם הבעיה היא באמצעות מערכות מומחה המשלבות חוקים וידע אנושי. לפתרון הזה יש הצלחה מסויימת, אולם נכשל בהתמודדות עם תופעות לא מוכרות. גישה אחרת מבוססת על תאום דיגיטלי: מייצרים מודל ממוחשב של הלוויין, ומשווים בין המידע המגיע מהלוויין האמיתי לבין המידע המיוצר בהדמייה של הלוויין. הקושי בגישה הזאת טמון ביכולת לבנות סימולציה מספיק מפורטת ומדוייקת של הלוויין.

נעשו ניסויים בתוכנות לימוד מכונה (ML) לצורך איתור תקלות וחיזוי נתוני טלמטריה על-סמך מצבו הכללי של הלוויין, אולם ההצלחה לא היתה חד-משמעית. נבדקו גם טכניקות לימוד עומק באמצעות רשתות נוירונים. הגישה כאן היתה שונה: לרשתות הוזן מידע רב והן התבקשו לזהות תבניות. החוקרים מקווים שהשימוש במערכות לימוד מכונה ובינה מלאכותית יפחית את מספר החיישנים המותקנים בלוויין – שכן אם המערכת יודעת לעבד נתונים ולחלץ מידע גם ללא החיישן – סימן שניתן לוותר עליו.

ניתוח מידע גיאוגרפי המגיע מהלוויין

לאחרונה נעשה שימוש גובר במערכות לימוד מכונה ובינה מלאכותית לניתוח המידע המגיע ממערכות הניטור של הלוויין, דוגמת מצלמות, מכ”ם, מערכות מדידת קרינה וכדומה. בשנת 2019 הופעל אלגוריתם לומד לאיתור שכונות עוני מתמונות ברזולוציה גבוהה שהופקו על-ידי לוויין QuickBird. לאחר מכן נעשה במערכת הזאת שימוש לניתוח תמונות ברזולוציה נמוכה שהופקו בלוויין Sentinel-2, והיא הצליחה לאתר ולמפות את שכונות העוני גם בתמונות באיכות הירודה. הדוגמה הזאת מראה שמערכות ML יכולות להפחית את עלויות הלוויין – על-ידי שימוש במידע המגיע מלוויין יקר לצורך אימון רשת נוירונית הנמצאת בלוויין זול.

בוצעו גם ניסויים בהיקף גדול יותר. בשנת 2020 פיתחה סוכנות החלל האירופית (ESA) מערכת מבוססת ML שנועדה לסייע בהבנת השפעות וירוס הקורונה. המערכת שילבה מידע המגיע מלווייני התצפית האירופיים Copernicus Sentinel, ביחד עם עוד 30 מקורות מידע נוספים כדי לעקוב אחר ההשפעות הסביבתיות של הקורונה, כמו איכות מים, פעילות כלכלית ואנושית, בנייה, ספנות, תפוקה חקלאית וכדומה. התמונות למטה מציגות את השפעת המגיפה על רמות החנקן הדו-חמצני (NO2) ביבשת אירופה בשנים 2019-2020. (נ.ב. חנקן דו-חמצני הוא גז רעיל הנפלט בעיקר ממנועי בעירה פנימית).

מה כדאי ללמוד מדבורים, חגבים ותרנגולים

בינה מלאכותית המבוססת על מודלים ביולוגיים והתנהגות בעלי-חיים מסייעת להפעיל מערכות חלל. המגזין  IEEE Access פירסם לאחרונה סקירה של מספר אלגורתימים מהסוג הזה, ושל היישומים שלהם בחקר החלל. למשל, “מערכת חיסון מלאכותית” המחקה מערכות חיסון ביולוגיות יכולה לסייע בניתוח תקלות, סיווג תופעות וניהוג רובוטי. אלגוריתמים המבוססים על חקר התנהגות הדבורים, כמו למשל Genetic Bee Colony, נבדקים היום כפתרון להתמודדות עם בעיות אופטימיזציה מורכבות ומיטוב רשת התקשורת.

אלגוריתם Chicken Swarm Optimization מתאר את התנהגות נחיל התרנגולים וההיררכיה הפנימית בנחיל. מתברר שהוא מסביר כיצד קבוצה גדולה של תרנגולים משיגה יעילות גבוהה בגישה אל מקורות המזון. כיום הוא נבדק לצורך שיפור תהליך ההחזרה לכדור הארץ של רכב חללי. אלגוריתם Grasshopper Optimisation הוא מודל התנהגות של נחילי חגבים באופן המאפשר להם לשמור על מרחק יעיל בין הפרטים כדי להבטיח גישה למזון, אולם גם להתקרב אחד אל השני כדי לשמור על מבנה של נחיל.

כיום הוא נבדק ככלי לאופטימיזציה של מערכות חלל. לאלגוריתמים מהסוג הזה עשויה להיות חשיבות רבה בפיתוח מערכות רובוטיות אשר צריכות לבצע משימות מורכבות בתנאים קשים. צריך לספק לרובוטים האלה יכולת תנועה, ניווט וקבלת החלטות אוטונומית, ולהבטיח שהיכולות האלה אמינות ויציבות, ומאפשרות לרובוט להתמודד עם מצבים בלתי צפויים – כולל תקלות ברובוט עצמו.

סייר המאדים Perseverance. מקור: NASA
סייר המאדים Perseverance. מקור: NASA

בחודש מרץ 2020 שיגרה נאס”א את סייר המאדים Perseverance ואת המסוק Ingenuity כדי ללמוד את פני השטח של הכוכב. במערכות הקודמות, הנחתת הגיע אל נקודת היעד באמצעות ניחוש מושכל אשר התבסס על נתונים שהגיעו ממערכת Deep Space Network. רמת הדיוק של המערכת הזאת היתה 2 ק”מ. במשימת Perseverance נבחר אתר הנחיתה בשיטה אחרת: מפה דיגיטלית של אזור הנחיתה הוזנה אל מחשב הנחתת. לאחר שנפתח מצנח הנחיתה, הרכב צילם את האזור אליו הגיע, הישווה את התמונות אל המפה הממוחשבת, והשתמש במידע כדי לבחור באתר הנחיתה הסופי המתאים, ברמת דיוק של 40 מטר.

המסע אל בינה מלאכותית בתעשיית החלל

תחומים רבים נוספים נעזרים כיום בבינה מלאכותית: אלגוריתמים של התנהגות נחילים נבדקים ככלי לניהול מערכי לוויינים, לייעול תהליך האיסוף של פסולת חלל, לפיתוח לוויינים, ונבדק השימוש בהם כדי להציע אופציות תכנון חדשות. צוות חוקרים מאוניברסיטת קורנל מפתח סייען תכנון בשם Daphne אשר אמור לעזור בתכנון הארכיטקטורה של לווייני תצפית.

למהנדסי אלקטרוניקה חשוב להבין שהשימוש בבינה מלאכותית עשוי לפתח טכניקות אופטימיזציה חדשות בתחומי מערכות המחשב, התקשורת, הספק וכדומה. אולי בעתיד יהיה צורך בסייען AI שיעזור למהנדסים לנווט בין הפתרונות החדשים האלה.

* כותב המאמר הוא  Paul Leys, מנהל תחום תעופה וביטחון בחברת אבנט סיליקה

לפרטים נוספים:

איתמר קהלני, מנהל קו מוצרי Xilinx בחברת אבנט סיליקה, 054-5206287, [email protected]

היילו התאימה את מעבד ה-AI ליישומים קריטיים

בתמונה למעלה: אור דנון עם מעבד ה-AI של היילו. סטארט-אפ שבבים בשווי של יותר ממיליארד דולר

חברת היילו (Hailo) התל אביבית מתאימה את מעבד הבינה המלאכותית שלה, Hailo-8, לשוק התובעני של בינה מלאכותית באבזרי קצה קריטיים, דוגמת מערכות תעשייתיות, צבאיות ומצלמות ליישומי ADAS בתעשיית הרכב. בשיחה עם Techtime סיפר מנכ”ל החברה, אור דנון, שמדובר בשוק הנמצא בצמיחה. “לאחרונה התברר לנו שמתפתח צורך בתמיכה בטמפרטורות קיצוניות, ובשבועות האחרונים הוצאנו לשוק גרסה חדשה של המודולים שלנו אשר תומכת בטמפרטורות המוגדרות בתקנים תעשייתיים: בין מינוס 40°C לבין פלוס 85°C. העידכון יצא לשוק לאחר שקיבלנו דרישה מלקוחות מוצרים תעשייתיים ומלקוחות מתחום הרכב”.

תמונת IR סינתטית שנוצרה במחשב ולא במצלמה

במסגרת האסטרטגיה הזאת החברה דיווחה היום (ג’) על הסכם לשיתוף פעולה עם חברת CVEDIA הבריטית, אשר מפתחת יישומי עיבוד תמונה. שיתוף הפעולה מתמקד בהתאמת תוכנת המצלמות התרמיות של CVEDIA, להרצה חלקה במעבדי היילו. מדובר בפתרון יוצא דופן: מכיוון שקיים מחסור גדול בבסיסי נתונים של תמונות IR, פיתחה CVEDIA פתרון המבוסס על אלגוריתם המייצר תמונות סינתטיות (synthetic algorithm): במקום לאמן את הרשת הנוירונית באמצעות תמונות של אובייקטים שנאספו מבסיסי מידע עצומים, האלגוריתם מייצר את המידע בעצמו.

הוא בונה מודל תלת-מימדי של האובייקט הנילמד (ספינה, מטוס, כלי-רכב, בן אדם, בעל חיים וכדומה), מייצר במחשב מיליוני תמונות מלאכותיות שלו במצבים שונים ובתנאי סביבה שונים, ומזין את התמונות האלה אל הרשת הנוירונית כדי לאמן אותה. שיתוף הפעולה יפתח בפני היילו את האפשרות להגיע אל הלקוחות של CVEDIA המשתמשים במצלמות תרמיות ליישומים דוגמת אבטחה ומערכות רכב (ADAS). מדובר בלקוחות נחשקים מאוד כמו חברת FLIR Systems (נמצאת בבעלות Teledyne), אשר מייצרת מצלמות תרמיות ליישומי, ביטחון, תעשייה, רכב ותעופה.

היילו צומחת עם שוק אבזרי הקצה החכמים

דנון: “תחום הבינה מלאכותית באבזרי קצה כולל הרבה מאוד מוצרים חדשניים היוצאים לשוק. כיום למשל, אבזרי AI עוסקים גם בשיפור תמונה ולא רק בניתוח תמונות. ההתפתחות הזאת ממחישה את התפישה המרכזית שלנו, שכל מה שאנחנו רואים היום בענן (Cloud), יגיע מחר אל אבזרי הקצה (Edge). אנחנו מרגישים שיש הכרה בכך שאנחנו מספקים פתרון יוצא דופן בתחום. יצרניות שבבים כמו NXP מתייחסות אלינו כאל שותף חשוב. ביחד עם השבב שלנו אנחנו גם מספקים להם חבילה מלאה של פתרונות תוכנה – החל משלבי האימון, הפריסה, עבודה מול ארכיטקטורות CPU שונות וכלה בעבודה על-גבי מערכות הפעלה שונות”.

תמונה סינתטית של CVEDIA אשר יוצרה במחשב לצורך אימון מצלמה תרמית
תמונה סינתטית של CVEDIA אשר יוצרה במחשב לצורך אימון מצלמה תרמית

“כיום יש כ-150 חברות המפתחות מוצרים המבוססים על השבבים שלנו. אנחנו מעסיקים כבר 180 עובדים, מתוכם 160 בישראל והשאר במשרדים שלנו בעולם”. חברת Hailo הוקמה בפברואר 2017 על-ידי אור דנון, אבי באום, הדר צייטלין ורמי פייג ז”ל, ופיתחה מעבד רשתות נוירונים (Deep Learning) להרצת יישומי בינה מלאכותית באבזרי קצה. הטכנולוגיה של החברה מבוססת על תופעה מעניינת שהחברה זיהתה: בתהליך עיבוד ההסקות ברשת נוירונית, יש הבדלים בין ההתנהגות של השכבות השונות ברשת הנוירונית, ולכן הן זקוקות למשאבים שונים.

השבב של החברה יודע לנתח את המשימה הספציפית, למפות את המשאבים הדרושים לכל שכבת עיבוד, ולספק אותם בהתאם לצורך. באופן זה הוא מאיץ את תהליך העיבוד ומפחית את צריכת ההספק. שבב הדגל של החברה, Hailo-8, מצליח לספק עוצמת עיבוד של 26 טריליון פעולות עיבוד בשנייה (26TOPS) בצריכת הספק טיפוסית של כ-2.5 ואט בלבד. בחודשים האחרונים החברה דיווחה על שורה ארוכה של הסכמי הפצה ונצחונות תכנון. הדבר לא נעלם מעיני המשקיעים – בחודש אוקטובר 2021 היא גייסה הון בהיקף של כ-136 מיליון דולר לפי שווי חברה של כ-1.13 מיליארד דולר אחרי הכסף.

שת”פ בין היילו ו-NXP בפתרונות AI לבקרי רכב

חברת היילו (Hailo) מתל-אביב הכריזה על שיתוף פעולה עם חברת NXP Semiconductors בהשקת פתרונות בינה מלאכותית עבור יחידות הבקרה האלקטרוניות של כלי רכב (ECU). הפתרונות המשותפים ישלבו את המעבדים הייעודיים של NXP לתעשיית הרכב, S32G ו-Layerscape, ביחד עם מעבד הבינה המלאכותית Hailo-8, המספק עוצמת עיבוד של 26 טריליון פעולות עיבוד בשנייה (26TOPS) וצריכת הספק טיפוסית של כ-2.5 ואט.

המעבדים החדשים מיוצרים על-ידי חברת MicroSys Electronics ממינכן, גרמניה, אשר מפתחת כרטיסי עיבוד ממוחשבים המבוססים על מעבדי NXP, בדומה לחברת ואריסייט הישראלית. שיתוף הפעולה בינה לבין היילו התחיל באמצע 2021, ובחודש אוגוסט השנה היא הכריזה על הכרטיס המשובץ הראשון. ככל הנראה, כעת מתרחב שיתוף הפעולה בעקבות ההצלחה של מיקרוסיס.

“הפתרונות המשולבים של היילו ו-NXP מאפשרים עיבודי AI מאובטחים ובהספק נמוך, ופותרים את אחת מנקודות הכאב הגדולות של יצרני רכב (OEM) ושל הספקים הראשיים שלהם (Tier 1)”, אמר מנהל שיווק גלובלי לפתרונות שיווק ובקרת רכב ב-NXP, בריאן קרלסון. אור דנון, מייסד משותף ומנכ”ל Hailo, אמר שהחברה מצפים להמשיך לעבוד עם NXP, “כדי להרחיב את הפתרונות המשותפים למגוון רחב של אפליקציות תובעניות לשווקים דוגמת תעשייה ומכשור כבד, רובוטיקה ועוד”.

הפתרון המשותף הראשון הוא כרטיס פיתוח המבוסס על מעבד S32G מבוסס ARM של NXP ועל 2 מעבדי Hailo-8 שיספקו ביחד עוצמת עיבוד של עד 52 טריליון פעולות בשנייה (TOPS). הכרטיס השני משלב את פלטפורמת Layerscape של NXP מבוססת ARM עם עד 6 מעבדי Hailo-8, ומספקים עוצמת עיבוד של עד 156 טריליון פעולות בשנייה. הכרטיסים כבר נמסרו ללקוחות ראשונים, בהם חברת MOTER Technologies המשתמשת בהם להרצת יישומי ביטוח המבוססים על דפוסי השימוש של הנהגים.

חברת Hailo הוקמה בפברואר 2017 על-ידי אור דנון, אבי באום, הדר צייטלין ורמי פייג ז”ל, כולם בוגרי יחידת עילית טכנולוגית של חיל המודיעין. בחודש אוקטובר 2021 החברה השלימהסבב גיוס שלישי בהיקף של כ-136 מיליון דולר. כיום החברה מעסיקה כ-160 עובדים בתל-אביב ובחו”ל, וממשיכה לגייס עשרות עובדים נוספים.

איידוק פיתחה מערכת הפעלה ליישומים רפואיים מבוססי בינה מלאכותית

חברת איידוק (Aidoc) פיתחה מערכת הפעלה ייעודית לעולם הרפואי עבור אלגוריתמים מבוססי בינה מלאכותית המשמשים לפיענוח סריקות דימות. איידוק נחשבת למובילה בתחום ומפתחת אלגוריתמים הסורקים באופן אוטומטי סריקות דימות כמו רנטגן, CT ו-MRI ומתריעות בפני הרדיולוג על ממצאים חריגים שעשויים להצביע על מצבי חירום כמו דימום תוך-גולגולתי או שבר בעמוד השדרה.

לצד איידוק, פועלות בתחום חברות רבות, ובכללן גם חברות ישראליות. מערכת ההפעלה שהשיקה איידוק היא אגנוסטית ומאפשרת להפעיל על אותה מערכת אלגוריתמים שפותחו על ידי ספקים שונים, ובכך לאפשר לבתי חולים או מכוני דימות לשלב בצורה יעילה ונוחה יותר מגוון רחב יותר של פתרונות AI. איידוק כבר הוסיפה אלגוריתמים של 5 ספקים שונים, ובהם Imbio, Icometrix, Riverain ועוד, לפלטפורמה שלה, שכוללת את שבעת האלגוריתמים הקניינים שפיתחה החברה ומאושרים על ידי ה-FDA.

על פי סקר שנערך באחרונה על די Sage Growth Partners בקרב בתי חולים בארצות הברית, לכ-90% מבין בתי החולים שהשתתפו יש נכונות ותוכנית מעשית לאימוץ פתרונות AI, בהשוואה ל-53% לפני כשנתיים. ואולם, רק 34% מבתי החולים החלו להשתמש בפתרונות אלה בפועל. באיידוק מסבירים את הפער בין היתר בשל הקושי לשלב באותה סביבת IT פתרונות של ספקים שונים. מערכת ההפעלה של איידוק מנתחת את מאפייני הסריקה ומחילה עליה את האלגוריתם הרלוונטי ביותר מבין הפתרונות שזמינים במערכת, ללא קשר לספק האלגוריתם.

בינה מלאכותית בשירות הרדיולוג

איידוק פועלת בתחום הצומח של שימוש בבינה-מלאכותית לפענוח סריקות דימות כמו רנטגן, CT ו-MRI. הפלטפורמה של החברה מתממשקת לשרת של בתי החולים ובודקת באופן אוטומטי את את סריקות הדימות של המאושפזים או המטופלים בחדר המיון. המערכת יודעת לזהות ממצאים חריגים כמו דימום תוך-גולגולתי, שבר בעמוד השדרה או שבץ. בדרך כלל, הרדיולוג התורן בבית החולים בודק את הסריקות לפי סדר הגעתן. המערכת של איידוק מתעדפת עבור הרדיולוג את הסריקות שעשויות  הצביע על מצבי חירום המצריכים טיפול דחוף.

פיתוח האלגוריתמים מתבסס על למידת-עומק וניתוח ביג-דאטה של מיליוני תצלומים וסריקות במטרה לחלץ תבניות שמאפיינו תסמונות ומצבים רפואיים. עד כה קיבלה החברה אישורי FDA עבור שבעה אלגוריתמים שפיתחה. בחודש מאי 2020 קיבלה מה-FDA אישור לאלגוריתם חדש לגילוי ממצאים הקשורים בהידבקות בקורונה בסריקות דימות בבתי חולים. לדברי החברה, הפלטפורמה שלה פרוסה בכ-400 מרכזים רפואיים ברחבי העולם. בסך הכול, עושים שימוש בפתרונות החברה כ-5,000 רדיולוגים ופוענחו כ-10.3 מיליון סריקות.

האזינו לשיחה עם סמנכ”לית השיווק של איידוק, אריאלה שוהם, מתוך תוכנית הפודקאסט שלנו שעלתה בינואר 2020 (השיחה עם אריאלה מתחילה בדקה 25:00):

 

אלביט הדגימה יכולת הפעלה של נחיל רובוטים

בתמונה למעלה: רובוט קרקעי ורחפן של אלביט במשימת נחיל המנוהלת באמצעות מערכת השליטה והבקרה Torch-X

חברת אלביט מערכות (Elbit) הדגימה בפני הצבא ההולנדי יכולת הפעלה מבצעית של מערך כלים אוטונומיים היברידיים, הכולל רובוטים קרקעיים ורחפנים אוטונומיים הפועלים בצותא במתכונת של נחיל (Swarm). ההדגמה בוצעה עבור תוכנית ההערכה של צבא הולנד להפעלת כלים רובוטיים אוטונומיים (Robotic Autonomous Systems – RAS). במסגרת ההדגמה שבוצעה השבוע בצפון הארץ, צוות הכולל רובוט קרקעי ושני סוגים שונים של רחפנים, ביצע משימות איסוף מודיעין ומעקב אחר מטרות.

המשימה נוהלה באמצעות תוכנת Torch-X RAS של אלביט, הכוללת מערכי שליטה ובקרה, התנהלות אוטונומית וכלי תכנון משימה. במסגרת ההדגמה, זוגות שונים של רובוטים עבדו בשיתוף פעולה וביצעו שלוש משימות שונות באופן אוטונומי: תכנון המשימה, ניווט לנקודות ציון שהוגדרו מראש, הקצאת משימות לכל אחד “מחברי הצוות”, וביצוע המשימות המודיעיניות.

שיתוף פעולה בין רובוטים לבני אדם

פלטפורמת Torch-X היא מערכת תוכנה מבוססת בינה מלאכותית הממוקדת בתיאום הפעולות של כלים רובוטיים מול כלים רובוטיים אחרים, ומול משתמשים אנושיים. התוכנה מאפשרת למפקד המקומי להקצות משימות לכלים הרובוטיים וללוחמים האנושיים, ולקבל מהיחידות הרובוטיות מידע על איתור מטרות והמלצות כיצד לנטרל אותן.

המפקד שולט ברמת האוטונומיות כל הרובוטים השונים, ויכול להפעילם ברמות בקרה שונות: משליטה מלאה מרחוק ועד הפעלה אוטונומית מלאה. בסרטון קונספט של אלביט שעלה לרשת בשבוע שעבר, ניתן לראות רובוטים קרקעיים המובילים את הכוחות אל אתרים מסוכנים, מאתרים איומים ובמקרה הצורך משגרים רחפנים שהם נושאים בקרבם, לצורך איסוף מידע מזוויות תצפית נוספות.

הבאת ציוד אל הכוחות הלוחמים בשטח

במסגרת ההדגמה שבוצעה עבור הצבא ההולנדי, תוכנת Torch-X הפעילה שני רחפנים במשימת שליטה בגזרה נתונה, שבמהלכה הם שלחו את הרובוט הקרקעי להשלים את תמונת המודיעין. הכלים האוטונומיים שלחו אותות וידאו בזמן אמת אשר נותחו באמצעות תוכנת זיהוי מטרות (Automatic Target Recognition) מבוססת בינה מלאכותית. במשימה אחרת, נשלחו שני רחפנים כדי לספק ציוד לכוח לוחם. הם ניווטו אל האתר, נחתו בנקודה שהם בחרו ולאחר מכן המריאו עצמאית וחזרו לנקודת המוצא.

המשימה השלישית כללה רחפנים בלבד: שני רחפני Thor של אלביט נשלחו אל נקודת ציון שבה הם פרסו באופן עצמוני חיישני שטח (Unattended Ground Sensors) לצורך מעקב אחר תנועות בגזרת היעד, וחזרו אל נקודת המוצא. אלביט מסרה שאחת מהמטרות המרכזיות של ההדגמה היתה להראות את היכולת של מערכת Torch-X להפעיל מגוון גדול של כלים רובוטיים בלא תלות בסוג הכלי. “התמקדנו בהדגמת היכולת של נחיל אוטונומי להיעזר בתוכנת בינה מלאכותית בשלה ולעבוד בשיתוף פעולה עם מפעילים אנושיים ורובוטיים”, אמר מנהל קבוצת המודיעין והסייבר באלביט, גיל מעוז.

NeuroBlade גייסה 83 מיליון דולר

חברת NeuroBlade מהוד השרון השלימה גיוס הון בהיקף של 83 מיליון דולר, שהובל על-ידי Corner Ventures האמריקאית ובהשתתפות המשקיעים הקיימים בחברה: Intel Capital, Grove Ventures, StageOne Ventures ומריוס נכט. בגיוס השתתפו גם החברות הטכנולוגיות MediaTek, Pegatron, PSMC, UMC ו-Marubeni. בסך הכל, מאז הקמתה בשנת 2018, החברה גייסה כ-110 מיליון דולר. חברת נוירובלייד מפתחת את משפחת שבבי XRAM, אשר מיועדים לספק מענה מפתיע לבעיית צוואר הבקבוק הבולמת את הנסיון להאיץ את מהירות בחוות שרתים ומערכות מחשב גדולות.

הבעיה המרכזית אינה ביצועי המעבדים או הזיכרון, אלא בצורך להעביר כמויות גדולות מאוד של מידע בין הזיכרון לבין המעבדים. התופעה קיבלה את הכינוי Compute-to-Memory Gap, ומורגשת כיום במיוחד ביישומי בינה מלאכותית, שבהן מועברות כמויות עצומות של מידע, אפילו במטלות פשוטות יחסית. כדי להתמודד עם הבעיה, החברה פיתחה אבזר להאצת חישובים המבוסס על שבבי עיבוד בשם NeuroBlade XRAM שתוכננו בארכיטקטורה עיבוד מסוג חדש: מדובר בזיכרון מסוג DRAM הכולל אלפי יחידות עיבוד לוגיות המצויות בסמיכות פיסית לנתונים המאוחסנים – בשבב יחיד.

האצה של פי 100 בביצועים

הדבר מאפשר לבצע פעולות עיבוד בסיסיות בלא צורך להעביר נתונים אל המעבד. התוצאה: רק מידע רלוונטי או כזה הדורש עיבוד מיוחד, מגיע אל המעבד. השבבים נמצאים בתוך מערכת NeuroBlade Xiphos (תמונה למעלה), הכוללת מספר שבבי זיכרון חישובי מסוג XRAM, מעבדי האצה מסוג IMPU – Memory Processing Unit של החברה, וערוץ תקשורת ייחודי שהיא פיתחה. האבזר מופיע עם תוכנה המנהלת את עיבוד המידע ומאפשרת לקשר אותו באופן חלק אל בסיסי נתונים סטנדרטיים המצויים בשוק.

חברת NeuroBlade הוקמה על-ידי המנכ”ל אלעד סיטי והטכנולוג הראשי וסמנכ”ל אסטרטגיית מוצר, אליעד הלל. שניהם בוגרי היחידה הטכנולוגית 81 של חיל המודיעין ושימשו כעובדי מפתח בסולאר-אדג’. סיטי הצטרף לסולאר-אדג’ זמן קצר לאחר הקמתה, ובתפקידו האחרון שימש כסמנכ”ל תוכנה ומערכת בחברה. הלל הוביל את אחד מצוותי התוכנה והאלגוריתמים המרכזיים במחלקה של אלעד בסולאר-אדג’. כיום מעסיקה NeuroBlade כ-100 עובדים, ומגייסת בימים אלו עשרות עובדים נוספים בארץ ובעולם. הצוות המוביל של החברה כולל עובדים לשעבר מאינטל, מארוול וטקסס איסנטרומנטס.

החברה דיווחה שהיא החלה באספקה ראשונית מאיץ עיבוד הנתונים ללקוחות גדולים בעולם. להערכת המנכ”ל אלעד סיטי, הפתרון של החברה מזרז את תהליך העיבוד והניתוח בסדר גודל של פי 100 בהשוואה למערכות קיימות. “אנחנו רק בתחילת הדרך למימוש הפוטנציאל של הטכנולוגיה. ההון שגויס יסייע לנו להפוך עוד רעיונות מהפכניים למוצרים שיעזרו ללקוחות לממש את היעדים שלהם”. המנהל הראשי של קבוצת הדטה סנטר ואסטרטגיית הענן באינטל, לאנס וויבר, אמר שאינטל גאה לתמוך בפלטפורמה של נוירובלייד. “אנחנו מצפים להמשך העבודה עם נוירובלייד כדי למקסם את מהירות החישוב מקצה לקצה”.

צוות העובדים בחברת נוירובלייד
צוות העובדים בחברת נוירובלייד

ZF אימצה את טכנולוגיית אימות ה-ADAS של קוגנטה מרחובות

חברת קוגנטה (Cognata) מרחובות וקבוצת ZF הגרמנית (ZF Friedrichshafen), פיתחו פלטפורמה דיגיטלית לבדיקת האיכות והאמינות של מערכות ADAS בטיחותיות המבוסס על שילוב של מידע שנאסף מחיישני רכב בעולם האמיתי ביחד עם הפעלת הפלטפורמת הווירטואלית לאימון ובדיקת המערכות של כלי-רכב אוטונומיים, שפותחה על-ידי קוגנטה. המערכת קיבלה את הכינוי ADAS.AI ומיועדת להאיץ את הפיתוח של מערכות מתקדמות לבטיחות לרכב (ADAS) בכלי-רכב פרטיים וציבוריים. תאגיד ZF גם ישתמש במערכת לצורך פיתוח עצמי וגם ישווק אותה ביחד עם קוגנטה ליצרנים אחרים.

מנכ״ל ומייסד קוגנטה, דני עצמון (בתמונה למעלה), אמר שפלטפורמת ADAS.AI החדשה של ZF, כוללת אלגוריתמים של קוגנטה. עצמון: ״אלגוריתם הבינה המלאכותית של קוגנטה מאפשרת להמיר מידע אמיתי מנסיעות מבחן פיזיות של כלי-רכב קיימים, למידע המאפשר לבצע בדיקה וירטואלית של מערכות ADAS ברמות אוטונומיה של עד L2+. אנחנו קוראים להמרה זו ‘Real-to-Real Transformation'”. מנהל תחום האלקטרוניקה ומערכות הבטיחות ב-ZF, כריסטוף ממט, אמר שהגישה הזאת פוטרת את יצרן הרכב מהצורך “להעסיק לגיון של נהגי מבחן ולהשקיע מיליוני דולרים בבדיקה ואימות המערכות.

לדבריו, “יצרניות הרכב מחפשות פתרון הדומה למבחני ריסוק, המאמת את המערכת באופן דיגיטלי עוד לפני בניית האבטיפוס הראשון. כעת יש לנו את הטכנולוגיה המאפשרת לעשות זאת״. קבוצת ZF מייצרת מכלולים מכניים ואלקטרוניים לתעשיית הרכב, ונחשבת לאחת מהיצרניות הגדולות בעולם של מצלמות קדמיות בכלי הרכב. מדובר באחת מהחברות התעשייתיות הוותיקות בעולם, אשר הוקמה בשנת 1915 כדי לייצר רכיבים עבור ספינות האוויר הגדולות מסוג צפלין.

החברה מספקת חלקים מכניים, מערכות אלקטרוניות ופתרונות הספק חשמלי עבור יצרניות מכוניות פרטיות, אוטובוסים, משאיות ורכבות בכל העולם. כיום היא מעסיקה כ-150,000 עובדים ובשנת 2020 הסתכמו מכירותיה בכ-32.6 מיליארד אירו. היא מכירה היטב את תעשיית טכנולוגיות הרכב הישראלית, ובמהלך 2019 היא חתמה על הסכמי שיתוף פעולה עם מובילאיי, קוגנטה ועם אופטימל-פלוס. קוגנטה הוקמה בשנת 2016 על-ידי המנכ”ל דני עצמון, שייסד בעבר את חברת iOnRoad שנמכרה ל-HARMAN.

בתמונה: המחשת קונספט Real-to-Real Transformation

אנשים בוחרים ביישומי AI לפי “החמימות”, לא לפי הביצועים

לעתים רבות הצרכנים נדרשים לבחור בין מערכות ושירותים שונים המבוססים על בינה מלאכותית ודומים מאוד אחד לשני, כמו למשל שירותי מיפוי, מנועי חיפוש, אתרי סרטים ומוסיקה ועוד. כיצד הם בוחרים ביניהן? מחקר חדש שבוצע לאחרונה בטכניון מגלה שבניגוד להנחה המקובלת בתעשייה, שלפיה הבחירה מתבצעת בהתאם לביצועי האלגוריתמים של בינה מלאכותית, בפועל היא נעשית בהתאם לגורם אחר לגמרי, שקיבל את הכינוי “חמימות המערכת”, או “כוונותיה”: נכונותה לעבוד לפעול לטובת המשתמש.

המחקר בוצע על-ידי שלוש חוקרות מהפקולטה להנדסת תעשייה וניהול בטכניון: הדוקטורנטית זהר גלעד, ד”ר עפרה עמיר וד”ר ליאת לבונטין. הן ערכו שישה ניסויים שבהם השתתפו יותר מ-1,600 איש. בכל ניסוי התבקשו המשתתפים לבחור בין שתי מערכות מבוססות בינה מלאכותית שתוארו על-ידי חמימותן (כוונות המערכת) ויכולותיהן. מדובר בשני מימדים להערכה ושיפוט של אנשים אחרים שנחקרו רבות בפסיכולוגיה חברתית. כיום מוסכם בתחום שהן רלוונטיות גם לשיפוט אנושי כלפי ישויות לא-אנושיות כגון סוכנים וירטואליים ורובוטים. במילים אחרות, אנשים מייחסים כוונות ויכולות גם למערכות מלאכותיות המבוססות על בינה מלאכותית.

לטובת מי המערכת עובדת?

המחקר הנוכחי, בניגוד למרבית המחקרים בנושא, התמקד במערכות בינה מלאכותית שאין להן נוכחות פיזית או וירטואלית (מערכות המלצה דוגמת נטפליקס וספוטיפיי). החוקרות את החמימות של המערכת על סמך המרוויח העיקרי מהשימוש בה – את מי המערכת מציבה בראש סדר העדיפויות. כך למשל כאשר המשתמש מפעיל אפליקציית ניווט מסויימת, הוא יכול לחוש שהדרך שהיא מציעה אינה הדרך המהירה ביותר ושהאפליקציה מנסה לבדוק על חשבונו אם יש פקק בדרך או ללמוד על מהירות הנסיעה בדרכים צדדיות. תחושה כזו מעידה על תפיסת חמימות נמוכה של המערכת – המשתמש אינו משוכנע שהיא פועלת לטובתו.

החוקרות מצאו שהחמימות שמייחסים למערכת היא שיקול חשוב בעיני משתמשים פוטנציאליים, והשפעתה גדולה מהשפעת היכולת הביצועית של המערכת. מרבית האנשים העדיפו מערכת חמימה על פני מערכת בעלת יכולות טכנולוגיות גבוהות. העדפה זו נמשכה אפילו כאשר המערכת החמימה הייתה בעלת נחיתות טכנולוגית מוצהרת. כך לדוגמה, כאשר המשתמשים התבקשו לבחור בין שתי מערכות שממליצות על ביטוח רכב, מרביתם העדיפו מערכת עם יכולת נמוכה (המבוססת על אלגוריתם בסיסי שאומן על 1,000 החלטות קודמות) וחמימות גבוהה (פותחה עבור אנשים כמוהם), על-פני מערכת עם יכולת גבוהה (מבוססת אלגוריתם חדשני שאומן על 1,000,000 החלטות קודמות) וחמימות נמוכה (פותחה עבור סוכני ביטוח).

רובוטים כבני-אדם…

באופן דומה, מרביתם העדיפו מערכת המלצת סרטים בעלת אלגוריתם נחות שמתבססת רק על מידע שמגיע מהם, על-פני מערכת בעלת אלגוריתם מתקדם שמתבססת על מידע המגיע מהם, אך במקביל גם מנסה לקדם סרטים מסוימים. כלומר, הצרכנים מוכנים לוותר במידה מסוימת על יכולות של המערכת אם הם מאמינים שהיא ידידותית ופועלת לטובתם.

הממצאים האלו דומים מאוד לממצאים המתקבלים במחקר על אינטראקציות בין בני אדם, שכן גם בשיפוט של בני אדם אחרים תפיסת החמימות (הכוונה) מקבלת עדיפות על תפיסת היכולת. מהמחקר הנוכחי אפשר ללמוד כי אנשים משתמשים באותם חוקים חברתיים כדי לשפוט בני אדם ומערכות מבוססות בינה מלאכותית. המחקר מומן בהשתתפות הקרן הלאומית למדע (ISF) והוצג לאחרונה בכנס CHI Conference on Human Factors in Computing.

IC-SHINE GLOBAL קיבלה את הנציגות של LIPS הטאיוואנית

חברת חברת IC-SHINE GLOBAL מהרצליה קיבלה את הנציגות הבלעדית בישראל של חברת LIPS הטאיוואנית, אשר מתמקדת בתחום החיישנים התלת מימדיים ובינה מלאכותית. החברה מספקת מצלמות תלת מימד ותוכנות עיבוד לסביבה תלת מימדית, המיועדות להטמעה בתוך מערכות משובצות דוגמת מצלמות ואבזרים אחרים הזקוקים ליכולת התמצאות תלת מימדית. החברה הוקמה בשנת 2013 על-ידי קבוצת מהנדסים בוגרי MIT, ועובדת בשיתוף פעולה עם חברות מובילות בתחום, דוגמת אינטל, אנבידיה, פנאסוניק, טושיבה, טקסס אינסטרומנטס, סוני וחברת CEVA הישראלית.

לאחרונה הודיעה חברת ב.מ.וו שהיא בחרה במחשב NVIDIA Issac ובמצלמת LIPSedge AE400 של LIPS לצורך פיתוח רובוט לוגיסטי אשר יפעל בתוך קווי הייצור של מפעלי הרכבת המכוניות שלה. עם סיום פיתוח הרובוט, הוא יופעל בכמויות גדולות בכל מפעלי הייצור של ב.מ.וו, כדי לשנע חלקים וכלים אל עמדות ההרכבה והייצור. מצלמת LIPSedge (בתמונה למעלה) היא יחידה עצמאית המייצרת תמונת מצב סביבתית תלת מימדית המבוססת על טכנולוגיית 3D ToF. המערכת כוללת רכיב FPGA מסוג Cyclone V של אינטל, וניתנת להפעלה מיידית כמצלמה חכמה. בין השאר, היא מופיעה ביחד עם תוכנת פיתוח יישומים המוטמעת בתוך המצלמה עצמה, במטרה לסייע בפיתוח מהיר של יישומים חדשים.

למידע על החברה: https://www.lips-hci.com

למידע על זמינות והזמנות בישראל: [email protected]

הגיוס של היילו מתלהט: הגיעה לשווי שוק של כמיליארד דולר

חברת היילו (Hailo) מתל-אביב נמצאת כיום בשבלים מתקדמים של גיוס הון בהיקף צפוי של כמיליארד דולר. לגיוס הזה הצטרפה גם חברת דלק רכב, אשר הגדילה את השקעתה בחברה ב-18 מיליון דולר נוספים. בסך הכל היא השקיעה בחברה 34.5 מיליון דולר. ל-Techtime נודע שמאז גיוס ההון הקודם מחודש מרץ 2020 שבמהלכו החברה גייסה 60 מיליון דולר לפי שווי שוק של כ-130 מיליון דולר, הכפילה החברה את שווייה פי שמונה. פירוש הדבר שהגיוס הנוכחי נעשה לפי שווי שוק של קצת יותר ממיליארד דולר.

חברת דלק רכב מבצעת בשנים האחרונות השקעות רבות בחברות הייטק הפועלת בשוק הרכב. בין השאר היא השקיעה במובילאיי בתחילתה, בחברת אינוויז ובחברת אוטוטקס. היום החברה דיווחה שעם השלמת הגיוס הנוכחי היא תחזיק בכ-12% ממניות היילו. מדובר בהכפלה של פי ארבעה בשווי השקעתה בהיילו. חברת היילו הוקמה בשנת 2017 על-ידי המנכ”ל אור דנון, ה-CTO אבי באום ומנהלת הפיתוח העסקי הדר צייטלין. המשקיע הראשון בחברה היה זהר זיסאפל, המשמש כיו”ר Hailo. מאז הקמתה גייסה החברה כ-88 מיליון דולר (ללא הגיוס הנוכחי).

השלב הבא: גיוס עשרות עובדים נוספים

החברה פיתחה ארכיטקטורה חדשה של מעבד ליישום רשתות נוירוניות. המעבד שלה, Hailo-8, מיועד לממש את שלב ההרצה, כלומר יישום ההסקות (Inference) באבזרי קצה. הוא מגיע לעוצמת עיבוד של 26 מיליארד פעולות בשנייה (26TOPS) וליעילות של 3TOPS לכל ואט. השבב בנוי מארבעה מרכיבים מרכזיים: מעבד תמונה המשפר את התמונה המגיעה מהחיישן לפני העברתה לזיהוי ברשת הנוירונית, מעבד לקבצי וידאו בתקן H.264, מעבד ARM-M4 המנהל את השבב, והרשת הנוירונית עצמה, שהחברה פיתחה, אשר מורכבת ממטריצה גמישה של יחידות עיבוד ויחידות זיכרון, אשר ניתן להגדיר את התצורה שלה באמצעות תוכנה.

ל-Techtime נודע שהחברה מתכננת לצאת בקמפיין גיוס עובדים גדול עם השלמת הגיוס הנוכחי. כיום החברה מעסיקה כ-130 עובדים, ומתכננת לגייס כמה עשרות עובדים נוספים. ככל הנראה הדבר קשור לתחילת הייצור הסדרתי שהחל לפני מספר שבועות (החברה מספקת שבבים או מודולים מקושרים מוכנים, בהתאם לבקשת הלקוח). שכן אספקה מסחרית ללקוחות דורשת צוות תמיכה גדול וחזק. חברת היילו פועלת בתחום הנמצא היום בליבת העניין של תעשיית ההייטק: שבבי בינה מלאכותית לאבזרי קצה.

על-פי הערכות שונות בתעשייה היקף השוק של שבבי בינה מלאכותית צפוי לצמוח בשנים הקרובות בשיעור של כ-37% בשנה, ולהגיע להיקף של כ-50 מיליארד דולר בשנת 2027, בהשוואה לכ-7.7 מיליארד דולר בשנת 2020. היילו פועלת במגזר ספציפי של השוק הזה: מעבדי בינה מלאכותית לאבזרי קצה ו-IoT, אשר צריכים להתמודד מגבלות קשות של גודל והספק כאשר הם מבצעים מטלות מורכבות. התחום הזה צפוי לצמיחה גדולה הודות למגמות שוק כמו תעשייה חכמה (Industry 4.0), צמיחה חזקה בתחום פתרונות ה-IoT בעקבות פריסת רשתות הדור החמישי והעניין הגובר בניטור חכם ובשירותים מנוהלים מרחוק.

שיתוף פעולה עם פוקסקון

לחברה כבר יש הסכמי שיתוף פעולה מהותיים, דוגמת העיסקה עם Lanner מטאיוואן, שהחליטה להתקין את המעבד של היילו בהתקן קצה המבצע אופטימיזציה של יישומי וידיאו תובעניים. מעבד ה-AI של היילו שולב במצלמת EdgeTuring ליישומי עיבוד תמונה של יצרנית המצלמות החכמות Leopard. גם קבלנית הייצור האלקטרוני הגדולה בעולם, פוקסקון (Foxconn) הטאיוואנית החליטה להטמיע את המעבד של היילו בדגמים החדשים של מחשבי עיבוד התמונה ממשפחת BOXIedge שהיא מייצרת.

ראדא תשלב בינה מלאכותית בתוך המכ”ם

חברת ראדא (RADA) הכריזה על שיתוף פעולה עם חברת BeyondMinds הישראלית, המספקת שירותי פיתוח פתרונות בינה מלאכותית מתקדמים. שתי החברות חתמו על מזכר הבנות להקמת צוות משותף שמטרתו תהיה להטמיע במכ”מים הטקטיים של ראדא יכולות של בינה מלאכותית ולמידת-עומק. החברות מעריכות כי הסכם סופי ייחתם עד סוף חודש יולי.

ביונד-מיינדס היא חברת סטארט-אפ מתל-אביב, שהוקמה ב-2018, ומספקת שירותי בינה מלאכותית לארגונים. החברה פיתחה פלטפורמה וארכיטקטורה ייחודית המאפשרת להתאים עבור הלקוח פתרונות AI עבור בעיות או צרכים ספציפיים. לדברי החברה, הפלטפורמה שלה מאפשרת לייצר פתרונות AI יעילים וסקאלבילים וכי היא נותנת מענה למכשולים ולבעיות שמעכבות תהליכי אימוץ AI בארגונים. באחרונה אף הכריזה ביונדמיינדס על התחייבות לספק לכל לקוח פתרון AI ייעודי מוכן לפעולה תוך 10 שבועות

לפני כשנה השלימה גיוס של כ-15 מיליון דולר בהובלת קרן ההון-סיכון  Grove Ventures ואחד ממייסדי צ’ק פוינט מריוס נאכט. החברה מתמקדת במגזרי הבנקאות והפיננסיים, ייצור, ממשל וביטחון. בין לקוחות החברה נמנים מיקרוסופט, סמסונג, KPMG וחברות מהתעשייה הביטחונית והמגזר הפיננסי.

בראדא ציינו כי אימוץ יכולות AI נועד כדי לשמר את היתרון הטכנולוגי של החברה, וכי המודלים והטכנולוגיה של ביונד-מיינדס יאפשרו לשפר את הדיוק של המכ”מים, סיווג המטרות והתאמת תפקוד המכ”ם לסביבה משתנה.

ראדא פיתחה משפחה של מערכות מכ”ם טקטיות מבוססות תוכנה ליישומי הגנה בפני רחפנים, למערכות נ”מ לטווח קצר ולמערכות הגנה אקטיבית עבור כלי-רכב ממוגנים ומשוריינים (דוגמת מערכות חץ דורבן של אלביט ומעיל רוח של רפאל). פעילותה בתחום המכ”מים הטקטיים הובילה בשנים האחרונות לצמיחה משמעותית במכירותיה.

הערכת החברה, השוק הפוטנציאלי לפתרונות מכ”ם טקטי מסתכם בכ-6 מיליארד דולר. בסך הכול, הכנסותיה של ראדא ב-2020 הסתכמו ב-76.2 מיליון דולר, גידול של 72% בהשוואה ל-2019. בשנת 2021 היא צופה גידול נוסף של 60% ל-120 מיליון דולר.

איסטרוניקס החלה להפיץ בישראל את BrainChip

חברת איסטרוניקס (Eastronics) קיבלה את הנציגות בישראל של חברת BrainChip מקליפורניה, ארה”ב, אשר פיתחה מעבד נוירונים מבוסס עיבוד  אירועים (Event Based Processing) וסביבת פיתוח מקיפה. מוצרי החומרה והתוכנה של החברה, בשם הקוד Akida, יצאו לשוק לאחר יותר מ-10 שנות מחקר ופיתוח. לפתרונות AI מהדור הקודם יש חיסרון משמעותי: לאחר תהליך ההכשרה, קשה ללמד את המערכת דברים חדשים מבלי לחזור שנית על תהליך האימון. בריינצ’יפ פיתחה אלגוריתם ושבב המבטלים את הצורך בהעברת נתונים הלוך ושוב כדי לבצע הכשרה מחודשת, ועל-ידי כך הם מאפשרים התאמה אישית של מכשירי Edge AI.

החברה נוסדה בשנת 2013, ונחשבת לחלוצה במימוש רשת עצבית מבוססת אירועים. היא מספקת את הטכנולוגיה באמצעות שני מודלים עסקיים אפשריים: Akida Neural Processor IP – נכס רוחני לשילוב בתכנון SoC AI, או במתכונת Akida Neural Processor SoC – מעבד נוירונים אינטגרטיבי הכולל 1.2 מיליון נוירונים ומוכן לשילוב במערכות משובצות ליישומי קצה. לחברה מספר מרכזי פיתוח בעולם (ארה”ב, אוסטרליה וצרפת). היא מעסיקה כיום כ-50 עובדים ונסחרת בבורסה של אוסטרליה (ASX).

מבנה השבב Akida Neural Processor SoC
מבנה השבב Akida Neural Processor SoC

 

 

בינה מלאכותית במערכות Pro AV מקצועיות

מאת: רוב גרין, מנהל בכיר תחום Pro AV, Broadcast ו-Consumer בחברת Xilinx

הכתבה בחסות Avnet Silica Israel

למרות שהאימוץ של בינה מלאכותית (machine learning) מצוי עדיין בתחילתו, ארגונים רבים כבר משתמשים בטכנולוגיה בזכות היתרונות הרבים שלה בשיפור היעילות, חיזוי התנהגות והפקת תובנות עסקיות ואחרות. חברת McKinsey מעריכה שעד היום אימצו 39% מהארגונים טכנולוגיות לימוד מכונה בדרך כזו או אחרת. גם בשוק שידורי הרדיו והטלוויזיה והאודיו-וידאו המקצועי (Pro AV) יש לטכנולוגיות האלה תפקיד חשוב ביצירת מודלים עסקיים ומקורות רווח חדשים. להלן ארבע דוגמאות:

קידוד האזור הרלוונטי (ROI – Region-of-Interest)

טכנולוגיית קידוד האזור הרלוונטי (ROI – Region-of-Interest) מאפשרת להפחית את העומס על הרשת בלא לפגוע ברזולוציה באמצעות טיפול באזורים החשובים, והתעלמות מאזורים לא חשובים. כך למשל, כאשר מצלמת מעקב עוקבת אחר אזור בזירה מסויימת, יש פרטים בתמונה שהם חשובים מאוד, ואחרים שהם חסרי חשיבות. כך למשל, אם מדובר במצלמת זיהוי פנים, יש צורך בכל המידע שהיא מספקת על הפנים, אולם ניתן להתעלם מהרקע שאינו תורם למשימת זיהוי הפנים.

מבחינת הצופה האנושי, ההבדל כמעט ואינו מורגש. המקודד יכול לצמצם את קצב העברת הנתונים של האזורים הלא-רלוונטיים בתמונה מ-5Mbps ל-1.5Mbps ועל-ידי כך להפחית בכ-70% את עלות הזרמת הווידאו, נתון שניתן לתרגם במקרים רבים לחסכון של כ-700 דולר לשעה על הזרמת וידאו לכ-10,000 צופים. הדבר נכון גם לגבי עלויות האיחסון: כיום עלות האיחסון קבצי וידאו בענן בנפח של 2,000GB מסתכמת בכ-1,000 דולר לחודש. צמצום הנפח הזה בכ-70% מאפשר להשתמש באמצעי אחסון קטנים וזולים בהרבה, או לחלופין לאחסן כמות גדולה יותר של מידע בכוננים הקיימים.

מודול KRIA של Xilinx ליישום בינה מלאכותית בקצה הרשת (Edge)
מודול KRIA של Xilinx ליישום בינה מלאכותית בקצה הרשת (Edge)

ליכולת לבצע קידוד מסתגל במתכונת ROI יש השלכות נוספות. נניח שאנחנו מצויים בחדר בקרה וצריכים להקרין על מסך רחב קטעי וידאו שבהם יש צורך להבחין בפרטים חיוניים שונים. ניתן במקרה הזה לבצע קידוד מסתגל סטטי על פריטים הכוללים טקסטים (שעון למשל), וקידוד מסתגל דינמי מוכוון בינה מלאכותית (ML-based coordinates), כדי לקבל את כל המידע על פניהם של אנשים.

שילוט דיגיטלי חכם

פרסום ממוקד הוא “הגביע הקדוש” של אנשי השיווק. שימוש במודלים של בינה מלאכותית כדי לנתח את מאפייני האנשים הנחשפים בפני שלט דיגיטלי, מאפשר למקד את הפרסום בקהל יעד רלוונטי בהתאם למדדים כמו גיל או מין, ועל-ידי כך לגבות תשלום גבוה יותר מהמפרסמים. הדבר גם מייצר נתונים בעלי ערך למפרסמים, כמו למשל הבנת תחומי העניין של הצופים הספציפיים, והתאמת התוכן הפרסומי אל קהל היעד (personalised ads). הדבר נכון גם ביישומים אחרים: רבות דובר על רמת הסניטציה הירודה של צגי המגע בעמדות שירות דיגיטליות (כספומטים למשל). המרתם למכשירים המספקים שירות באמצעות פיקוד מבוסס מחוות – במקום פיקוד מבוסס מגע – מאפשרת לספק שירות נקי ובריא יותר.

מעקב אחר אובייקטים באמצעות “חלונות”

תתארו לכם אירוע צנוע: מתקיים דיון של פנל הכולל שלושה מומחים מבית הספר לאמנות, אשר בו מנתחים את עבודותיו של אמן מסויים. זהו פרוייקט בעל תקציב נמוך מאוד המיועד לקהל מצומצם. בדרך-כלל מציבים מצלמה יחידה מול פנל הדוברים, אשר מכסה את הארוע כולו. לחלופין, באמצעות מודל מבוסס בינה מלאכותית, אפשר להשתמש במצלמת 4K יחידה אשר מכסה את הארוע כולו, ובמקביל מייצרת “חלונות צפייה” ברזולוציה נמוכה יותר של כל אחד מהמשתתפים (Object Tracking & Windowing).

התוצאה היא ארבעה סוגים של מקורות וידאו שונים: צילום תקריב של כל אחד מהדוברים וצילום רחב של כל הפנל המלא. המפעיל פשוט בוחר את תמונה הרלוונטית בכל רגע, כאשר התוצאה שוות ערך לשימוש בארבע מצלמות שונות במקביל – אולם בעלות של מצלמה יחידה. ניתן להתאים את הגישה הזאת, באמצעות מודלים שונים של לימוד מכונה, לאירועים מסוגים שונים, כמו למשל אירועים ספורטיביים שבהם הצופה יכול לעקוב אחר כל משתתף או אובייקט המעניינים אותו.

זיהוי דיבור

היכולת לזהות דיבור (Speech Recognition) באמצעות עיבוד דיבור טבעי (Natural Language Processing – NLP) כבר נכנסה לבתים רבים בתוך מכשירים דוגמת Alexa של גוגל או סירי של אפל. הטכנולוגיה הזאת ישימה גם בציוד Pro AV מקצועי כדי לפשט ולזרז את תהליך התקנת הציוד בלא צורך בקישוריות לענן ובתמיכה מקוונת, ואפילו לבצע תמלול אוטומטי של דיונים מרובי משתתפים. התרגום מתבצע בזמן אמת ומייצר כתוביות בשפות שונות, כאשר בכל אזור שפה מופיעות כתוביות בשפה המקומית.

לסיכום, ניתן ליישם את יכולות הבינה המלאכותית האלה בקצות הרשת באמצעות שימוש בפלטפורמת Zynq UltraScale+ MPSoC של חברת Xilinx. לעיבוד ישיר בקצה הרשת בלא צורך בקישוריות אל מעבדים בענן, יש יתרונות רבים בקבלת ביצועים גבוהים, זמני השהייה קצרים (low latency), שמירה על הפרטיות והגברת היעילות העסקית והפיננסית של הארגון.

לפרטים נוספים:

איתמר קהלני, מנהל קו מוצרי Xilinx בחברת אבנט סיליקה, 054-5206287, [email protected]

רפאל ו-G42 מאיחוד האמירויות מקימות חברה משותפת לטכנולוגיות בינה מלאכותית לשוק האזרחי

בתמונה למעלה: ארוע חתימת ההסכם. מימין לשמאל: שגריר איחוד האמירויות הערביות בישראל מוחמד מחמוד אל-חאג’ה, מנכ”ל G42 פנג שיאו, ומנכ”ל רפאל יואב הר-אבן

חברת רפאל חתמה אתמול (א’) על הסכם להקמת חברה משותפת עם חברת G42 מאיחוד האמירויות. החברה האזרחית המשותפת תיקרא Presight.AI, ותעסוק בפיתוח וניהול פרויקטים אזוריים ובינלאומיים בתחומי הבינה המלאכותית וביג דאטה. חברת Presight.AI תקים גם מרכז מו”פ בישראל שיעסוק בפיתוח וקידום יכולות בינה מלאכותית וביג דאטה ליישומים אזרחיים בתחומים דוגמת בנקאות, פיננסים, בריאות ועוד. אירוע החתימה נערך בהשתתפות שגריר איחוד האמירויות הערביות בישראל מוחמד מחמוד אל-חאג’ה, מנכ”ל G42 פנג שיאו, מנכ”ל רפאל יואב הר-אבן, מנכ”ל G42 ישראל מעוז בן-ארי ועוד.

חברת רפאל מתמחה בטכנולוגיות בינה מלאכותית וביג-דאטה, ומובילה פרויקטים רבים בתחום הזה ובתחומים משיקים כמו הגנת סייבר, מערכות איסוף ועיבוד מודיעין, טכנולוגיות עיבוד תמונה ועוד. רפאל הקימה את חמ”ל הסייבר הלאומי בבאר-שבע, ואת מערך הגנת הסייבר של בנק ישראל ושל רכבת ישראל. חברת G42 מפעילה תשתית מחשוב ענן עצמאית מהגדולות והחזקות במזרח התיכון. היא פעילה בתחום הדיגיטציה של ארגונים גדולים ומדינות. בשבוע שעבר היא קיבלה השקעה של כ-800 מיליון דולר מקרן ההשקעות האמריקאית Silver Lake.

שגריר איחוד האמירויות בישראל, מחמוד אל-חאג’ה, אמר שההסכם בין שתי החברות יסייע לקדם פעילות כלכלית שתביא לצמיחה בשתי המדינות. “אנחנו עדיין בתחילתו של מסלול מרגש של שיתוף פעולה”. מנכ”ל רפאל, יואב הר-אבן, אמר שהקמת החברה המשותפת עם G42 היא אבן-דרך חשובה. “במשך שנים משקיעה רפאל משאבי מחקר ופיתוח בתחום הבינה המלאכותית וביג דאטה, ליישומים צבאיים וליישומים אזרחיים גם יחד. נרחיב את שיתופי הפעולה שלנו עם תעשיות נוספות ועוד שותפים בעולם”.

בעבר נחשה השוק הבטחוני לשוק הטכנולוגי המתקדם ביותר. לאחרונה נודע ל-Techtime שבחברת רפאל מעריכים שכיום השוק האזרחי מתקדם יותר, ומוביל את המהפיכה הדיגיטלית, מהפיכת הבינה המלאכותית, תחום המערכות האוטונומיות ועוד. לכן יש לה עניין להרחיב את שיתופי הפעולה עם חברות מסחריות ואת היקף הפעילות האזרחית הקשורה לתחומים אלה.

חברת טראקס הישראלית סינגפורית השלימה גיוס ענק בהיקף של 640 מיליון דולר

חברת טראקס (Trax) הישראלית-סינגפורית, המפתחת טכנולוגיה לזיהוי תמונה לעולם הקמעונאות, דיווחה על השלמת גיוס הון חמישי בהיקף של 640 מיליון דולר, בהובלת קרן ההשקעות של סופטבנק, SoftBank Vision Fund 2 וקרנות הטכנולוגיה המנוהלות על-ידי BlackRock, שהיא אחת מהמשקיעות הנוכחיות בחברה. סבב הגיוס הנוכחי מורכב מהשקעה ישירה בחברה ומרכישת מניות על-ידי בעלי מניות קיימים. השתתפו בגיוס משקיעות נוספות, בהן קרן הפנסיה הקנדית OMERS ו-Sony Innovation Fund.

טראקס פיתחה מערכת המסייעת לרשתות שיווק קמעונאיות לנהל את המלאים ואת אסטרטגיית מידוף המוצרים, באמצעות שימוש בטכנולוגיות עיבוד תמונה. ניתן לצלם את מדפי החנות באמצעות רובוט משוטט, או באמצעות הסמארטפון והטאבלט. הנתונים מועברים אל שירות בענן, מנותחים, ומספקים מיידית מידע אודות מצאי וחוסרים, וניתוח פרישת המוצרים במדפי החנויות של הרשת.

הפלטפורמה כוללת אלגוריתם עיבוד תמונה ובינה מלאכותית אשר מסוגל לנתח ולעבד במהירות תמונות ממאות אלפי חנויות ולקבל תמונת מצב על מצב המלאים והמדפים. למעשה, היא מבצעת אוטומטיזציה של פעילות הספירה הידנית, שבדרך-כלל מתבצעת על-ידי המחסנאים ועובדי החנות. אולם בנוסף היא מספקת גם תובנות על התנהגות הצרכנים בכל חנות וביחס לכל מוצר.

מייסדי טראקס: יואל בר-אל (מימין) ודרור פלדהיים
מייסדי טראקס: יואל בר-אל (מימין) ודרור פלדהיים

טראקס נוסדה בשנת 2010 על-ידי היו”ר יואל בר-אל ודרור פלדהיים. לחברה משרדים מרכזיים בישראל, בסינגפור ובסן פרנסיסקו והיא מספקת פתרונות ללקוחות המצויים בכ-90 מדינות בעולם. בין לקוחותיה מותגים מובילים כמו קוקה קולה, AB inBev, הייניקן, נסטלה והנקל, פרוקטר וגמבל ואנהאוזר-בוש. ב-2018 היא גייסה 125 מיליון דולר לפי שווי חברה של 850 מיליון דולר.

“הטמעת טכנולוגיות דיגיטליות בשגרת העבודה של רשתות קמעונאיות, הפכה בשנים האחרונות לסטנדרט שאין להתעלם ממנו”, אמר יואל בר-אל. “הפתרונות שלנו מסייעים ליצרנים ולרשתות קמעונאיות להסתגל במהירות לתמורות בשוק”. מנכ”ל החברה, ג’סטין בהר, אמר כי ההשקעה המשמעותית של SoftBank, Blackrock והשותפים הנוספים, “תתרום לקידום ההתפתחות הטכנולוגית של תחום הקמעונאות, ולחיזוק מעמדה של Trax כמובילה בתחומה״.

מידע נוסף באתר החברה:  www.traxretail.com

קוגנטה ו-Five הבריטית מספקות פתרון משותף לבדיקת מערכות נהיגה אוטונומית

בתמונה למעלה: סימולציה של קוגנטה לנסיעה בכביש בין עירוני מהיר

חברת קוגנטה (Cognata) מרחובות וחברת Five הבריטית משיקות פתרון משותף המאפשר לצוותי פיתוח לבדוק ולאמן מערכות נהיגה אוטונומית ומערכות שמירה על נתיבים (Automated Lane Keeping Systems), הקיימות היום במערכות עזר לנהג (ADAS). חברת פייב הבריטית פיתחה מערכת תוכנה המחוללת תסריטים של מצבים בכביש, כולל כל המצבים המוגדרים בתקן OpenSCENARIO התעשייתי. קוגנטה פיתחה פלטפורמת אימון למערכות הבקרה על החיישנים בכלי-רכב חכמים.

המערכת של קוגנטה מייצרת סימולציה ויזואלית ריאליסטית של כלי הרכב, של סביבת הדרך ושל המצבים שעימם הרכב מתמודד (Digital Twin). ההדמייה הזאת משמשת כמידע הוויזואלי שבאמצעותו מאמנים את מערכות הבינה המלאכותית של יצרני ה-ADAS ומערכות הנהיגה הרובוטית. השימוש במידע המופק מהסימולטור חוסך מהיצרנים את הצורך לבצע נסיעות רבות בדרכים ממשיות, ומקצר מאוד את העלות ואת זמני האימון של מערכות התמצאות סביבתית.

מנהל פיתוח עסקי ושותפויות בקוגנטה, שי רוטמן, סיפר ל-Techtime ששתי החברות פיתחו מודול תאימות המקשר בין שתי המערכות ומאפשר להפעיל אותן ביחד. “הפתרון המשותף כולל יכולת שלנו לעיבוד מפות ה-HD של פייב וגם את שפת התסריטים שלהם, כאשר הלקוחות יכולים לעבוד על המערכת המאוחדת באמצעות הענן או בתוך המחשבים הפנימיים שלהם”.

מתוכנת נהיגה למחולל מצבים

קוגנטה הוקמה בשנת 2016 על-ידי המנכ”ל דני עצמון, שייסד בעבר את חברת iOnRoad שנמכרה ל-HARMAN. כיום החברה מעסיקה כ-50 עובדים, ולדברי רוטמן, “מגייסת בטירוף עובדים נוספים”. חברת Five החלה כיצרנית של מערכות נהיגה אוטונומית, ואף ביצעה סדרת מבחנים בלונדון במסגרת פרוייקט StreetWise שקיבל מימון ממשלתי.

לאחרונה החברה החליטה לשנות כיוון ולהתמקד במערכת ייצור תסריטים סינתטיים, המאפשרת ליצרניות המערכות וכלי הרכב לבחון את התנהגות המערכות שלהן במצבים שונים. פייב מנוהלת על-ידי היזם הסדרתי הבריטי סטאן בולנד: בשנות ה-90 הוא ניהל את חברת Acron Computing והיה שותף להקמת חברת ARM שיצאה ממנה, ושימש גם כדירקטור ב-ARM. בין השאר הוא היה שותף להקמת חברת Element 14, והקים חברות נוספות שנמכרו לברודקום ולאנבידיה בהיקף כולל של כמיליארד דולר.

המטוס U-2 קיבל תוכנת AI בתפקיד טייס משנה

חיל האוויר האמריקאי התקין מערכת בינה מלאכותית בתוך מטוס הריגול הוותיק U-2 (המכונה גם בשם Dragon Lady), אשר ממלאת תפקידי טייס משנה ולוקחת על עצמה חלק מהמטלות של הטייס. הפרויקט מתבצע במסגרת פרוייקט רחב-היקף למודרניזציה של חיל האוויר, ומעבר לשימוש בפלטפורמות רובוטיות וחצי-רובוטיות. מערכת הבינה המלאכותית קיבלה את הכינוי ARTUµ, על-שם הרובוט R2-D2 (המכונה גם Artoo), אשר שימש כטייס משנה במטוסו של לוק סקייווקר בסדרת סרטי “מלחמת הכוכבים”.

סגן מפקד מערך הרכש של חיל האוויר האמריקי, ד”ר ויליאם רופר, מסר בהודעה של חה”א, שפיתוח המערכת בוצע בשלוש השנים האחרונות ושזו הפעם הראשונה שבה מערכת בינה מלאכותית מקבלת פיקוד על מערכת צבאית. במהלך הטיסה הראשונה שבוצעה בשבוע שעבר, טיפלה מערכת הבינה המלאכותית בחיישני המטוס ותכננה את מסלול הגישה הטקטי. הטייס עצמו עסק בהטסת המטוס. טיסת הניסוי תירגלה משימת איסוף מידע במהלך מתקפת טילים. הרובוט ARTUµ היה אחראי על איתור משגרים עוייינים, כאשר הטייס עסק באיתור מטוסי יירוט עוינים. שניהם השתמשו באותן מערכות מכ”ם של המטוס.

התוכנה עודכנה במהלך המשימה

חה”א מסר שמערכת הבינה המלאכותית ניהלה את החיישנים על בסיס תהליך אימון שכלל הרצת חצי מיליארד הדמיות של תרחישים שונים. הפרוייקט מנוהל על-ידי U-2 Federal Laboratory, שהיא גף הכולל 15 ארגוני מו”פ צבאיים שמטרתו לפתח פתרונות טכנולוגיים חדשים המאפשרים לשלב את טכנולוגיות התוכנה המתקדמות ביותר בפלטפורמות צבאיות מבצעיות. לפני כחודשיים המעבדה השיגה שיא נוסף – כאשר ביצעה עידכון תוכנה במהלך טיסת אימון של המטוס U-2.

המטוס U-2 מתוצרת חברת לוקהיד הוא אחד ממטוסי הסילון הוותיקים והנערצים בתעשיית התעופה. למרות שהטיסה הראשונה שלו התבצעה לפני 65 שנים, בשנת 1955, הוא עדיין נמצא בשירות מבצעי. הוא פותח לצורך ביצוע טיסות ריגול מעל שמי ברה”מ במהלך המלחמה הקרה. המטוס מגיע לרום טיסה של 21.3 ק”מ והרוסים לא יכלו ליירט אותו. רק ב-1960 הם פיתחו יכולת להגיע אל הגובה שלו באמצעות טילי SA-2, והפילו את הטייס גארי פאוורס במהלך טיסת צילום מעל ברה”מ. למרות זאת המטוס נשאר בשימוש מבצעי. כיום מפעילה ארה”ב 33 מטוסי יו-2, בהם שני מטוסים המבצעים ממחקרים ומדידות אטמוספריות בשירות נאס”א.

גרמלינים: להק מטוסי התקיפה הרובוטיים

הפרוייקט מבוצע במקביל למהלך רחב היקף המנוהל כיום על-ידי הסוכנות למחקרי בטחון מתקדמים (DARPA) שמטרתו לפתח פלטפורמות לחימה רובוטיות אוויריות. הפלטפורמה המרכזית היא בניית צי של מל”טים משימתיים בשם Gramlins המבוססים על המדגים הטכנולוגי X-61A מתוצרת חברת דיינטיקס (Dynetics). מדובר במל”טים תוקפים אשר ישוחררו לאוויר ממטוסים המצויים מחוץ לטווח הפגיעה של האוייב, ויבצעו את המשימה באופן עצמאי – אם זו תקיפה ואם זו משימת איסוף מידע. לאחר השלמת המשימה, הם ייאספו מהאוויר על-ידי מטוסי מטען כמו C-130, ויוחזרו לבסיס האם לצורך הכנתם למשימה הבאה.

בסוף אוקטובר 2020 הושלמה סדרת טיסות ניסוי שבמסגרתם בוצעו טיסות ניסוי עם ארבע פלטפורמות אשר הראו יכולת טיסה במבנה ויכולת ניהול משימה עצמאי ויכולת טיסה במבנה. לעומת זאת, הנסיון לאסוף אותן מהאוויר באמצעות מטוס C-130 (בתמונה למטה) לא הוכתר בהצלחה. דארפה דיווחה שבוצעו 9 נסיונות, אשר נכשלו בגלל תנועות יחסיות בלתי צפויות בין הפלטפורמה הרובוטית לבין מטוס האיסוף. מנהל הפרוייקט בדארפה, סקוט וווירבנקובסקי, מסר שהמידע שנאסף נמצא כעת בתהליך ניתוח, כדי לעדכן את מודל ההתחברות. “להערכתי כבר באביב הקרוב נוכל לבצע טיסות ניסוי נוספות ולהדגים יכולת איסוף מהאוויר”.

מאוזר הפיקה ספר אלקטרוני על בינה מלאכותית

חברת מאוזר (Mouser Electronics) הוציאה לאור את הספר האלקטרוני השני בסדרת הספרים האלקטרוניים המוקדשת למהפיכת הבינה המלאכותית. הספר החדש, Artificial Intelligence: A Multi-Faceted Approach to Safety, מביא את סיפוריהם של מפתחים אשר בוחנים יישומים מבוססי בינה מלאכותית בתחומי הבטיחות, החל מבריאות ותרופות וכלה בשימוש ברובוטים. לדברי סגן נשיא לשיווק במאוזר, קווין הס, משבר הקורונה יצר צורך גובר בפתרונות בטיחות ושמירה על הבריאות הציבורית, והמחיש את העוצמה של הבינה המלאכותית באספקה מהירה של פתרונות חדשים.

דוגמא לכך המובאת בספר, היא פיתוחו של הרובוט Rey (בתמונה למעלה) אשר הושלם בתוך פחות מחודשיים על-ידי צוות חוקרים מהמכון הטכנולוגי של מסצ’וסטס (MIT). הצוות התבקש למצוא מענה לצור דחוף של אתר חלוקת המזון לנזקקים המרכזי של בוסטון. האתר מופעל על-ידי מתנדבים ומספק כמות עצומה של חבילות מזון מדי יום, אולם כדי להעביר אותן לנצרכים בעידן הקורונה, יש צורך לוודא שכל החבילות עברו טיהור והן לא מפיצות מחלות.

החוקרים מ-MIT הסתמכו על מעבדות חובבים ביתיות ובנו פלטפורמה עצמאית הכוללת מתקן הנושא ארבע מקורות קרינה אולטרה-סגולה (UV-C) המשמידה וירוסים וחיידקים, מערכת הנעה על גלגלים, מצלמה, חיישן מיקום ועמדת טעינת סוללה. בשעות הערב, כאשר העובדים עוזבים את מרכז החלוקה, הרובוט נכנס לפעולה: הוא סורק את כל המחסן, עובר בין כל המדפים ומטהר את כל החבילות. בבוקר הרובוט חוזר עצמאית לעמדת הטעינה כדי למלא את הסוללה ולהיות מוכן למשמרת הלילה הבאה.

ניווט עצמוני בסביבה דינמית

האתגר הגדול ביותר היה אימון מערכת הבינה המלאכותית. התוכנה שפותחה ב-MIT מאפשרת לו לזהות מעברים ולתכנן מסלול בסביבה הנמצאת כל הזמן בתהליכי שינוי. כדי לוודא שהוא מספיק לטהר את כל החבילות במחסן, המצלמה יודעת לזהות מדפים ריקים, ולעבור מולם במהירות גבוהה יותר מהמהירות המומלצת לקבלת טיהור מיטבי, ועל-ידי כך לחסוך גם בזמן וגם באנרגיה.

סדרת Intelligent Revolution כוללת מספר מקורות לתיאור יישומים חדשים של בינה מלאכותית, בהם ספרים אלקטרוניים, בלוג, אינפוגרפיקה ומשאלים הנערכים בין הקוראים. חברת מאוזר הינה מפיצת רכיבים גלובלית הפועלת באמצעות האינטרנט ונמצאת בבעלות Berkshire Hathaway. מחסן המלאי המרכזי שלה נמצא בדלאס, טקסס, וממנו היא מספקת 5 מיליון רכיבים של 1,100 יצרנים לכ-630,000 לקוחות ברחבי העולם.

למידע נוסף: Mouser.com

הולנד וארה”ב ביצעו אימונים חיים בכוונת האוטומטית של חברת Smart Shooter

בתמונה למעלה: חייל הולנדי במהלך האימונים. מקור: משרד ההגנה ההולנדי

צבא ארצות הברית וצבא הולנד ביצעו באחרונה אימונים חיים במערכת הירי החכמה Smash 2000 של חברת Smart Shooter מקיבוץ יגור. המערכת מותקנת על-גבי נשק קל, ומתבייתת באמצעות עיבוד תמונה מבוסס AI על המטרה כדי לסיית לחייל לבצע ירי מדויק. צבא ארצות הברית בחן את המערכת בירי על מטרות קרקעיות, וצבא הולנד בדק אותה במשימות יירוט רחפנים באמצעות נשק קל. שני הצבאות הכתירו את התרגילים כמוצלחים.

התרגיל ההולנדי התבצע במתקן צבאי בעיירה Harde, בהשתתפות לוחמים מחיל האוויר, חיל הים ומהכוחות המיוחדים. במסגרת התרגיל הם צוידו ברובי Colt שעליהם הותקנה מערכת בקרת האש של סמארט-שוטר במטרה לבדוק האם היא מאפשרת לחיילי חי”ר ליירט רחפנים מטווח קצר באמצעות הנשק האישי. החיילים ירו על רחפנים מסוגים ומגדלים שונים ממרחק של עד 150 מטר. מהחברה נמסר שכל המטרות יורטו.

משרד ההגנה ההולנדי גם פרסם הודעה רשמית על הניסוי, אשר מרמזת כנראה על החשיבות האסטרטגית שהוא רואה במערכת. בחברת סמארט-שוטר העריכו שהצלחת שני הניסויים היא אבן דרך משמעותית בהחדרת הפתרון לצבאות מובילים בעולם, וכי שני הצבאות צפויים להרחיב את היקף ההצטיידות במערכת.

נק”ל מפיל מזל”ט

ד”ר אברהם מזור, סמנכ”ל שיווק ופיתוח בחברה, סיפר ל-Techtime שהתרגיל הוא תולדה של ארבע שנים של עבודה משותפת מול הצבא ההולנדי. “הצבא ההולנדי בדק את תפקוד המערכת בתרחישים המבצעיים שלו ובהתאם לאיומים שמולם הוא מתמודד. התרגיל הוכתר בהצלחה לפי הקריטריונים שהם הגדירו. אני מאמין שזה יוביל להצטיידות במערכת”. לדבריו, “הפשטות של המערכת בלטה לא פחות מהדיוק שלה. החיילים הגיעו בלי ניסיון מוקדם, ולאחר הכשרה קצרה של מספר דקות הצליחו ליירט רחפנים”.

יירוט רחפנים באמצעות נשק קל הוא אחד מתרחישי המפתח המעניין את הצבאות הבוחנים כיום את הפתרון של סמארט-שוטר. לאחרונה גם משרד ההגנה האמריקאי (DoD) הכליל את המערכת בתוכנית ההגנה מפני רחפנים וכטב”מים קטנים (C-sUAS) שהוא מגבש. מזור: “המערכת שלנו מספקת מענה לאיום חדש. יש הרבה מערכות שיודעות להתמודד עם רחפנים. אבל אין מערכת שמאפשרת לחייל פשוט לבצע בעצמו יירוט רחפן בשדה קרב, בלי להסתמך על מערכות תומכות כמו מכ”ם מרוחק.

“אפשר לראות בכך בגדר מיגון אישי מפני רחפנים. בנוסף, המערכות הקיימות מתבססות על שיבוש רחפנים באמצעים אלקטרוניים. הרחפנים בעתיד יהיו אוטונומיים, ללא יחידת תקשורת או GPS, ובמבנה של ציי רחפנים, ועל-כן הלוחמה האלקטרונית תהיה פחות אפקטיבית. הצבאות מבינים את זה, וישנם כאלה שבוחנים את האפשרות שבכל מחלקה לוחמת יהיה חייל המסוגל ליירט רחפנים”.

רחפנים שהופלו באמצעות נשק קל שהיה מצוייד במערכת בקרת האש של סמארט-שוטר
רחפנים שהופלו באמצעות נשק קל שהיה מצוייד במערכת בקרת האש של סמארט-שוטר

הרובה מפסיק להיות “נשק סטטיסטי”

חברת סמארט-שוטר הוקמה על-ידי שני יוצאי חטיבת הטילים של רפאל, המנכ”לית מיכל מור והטכנולוג הראשי אבשלום ארליך. היא פיתחה מערכת בקרת-אש בשם Smash המותקנת באמצעות מסילה על-גבי כל רובה סער. המערכת  מתבייתת על המטרה באמצעות חיישנים אלקטרו-אופטיים ועוקבת אחריה באמצעות עיבוד תמונה מבוסס בינה-מלאכותית.

ההתבייתות האוטומטית מאפשרת לחייל לכוון ללא מאמץ, וכאשר הנשק מצוי בזווית הנכונה – ההדק  משתחרר באופן אוטומטי. מזור: “מערכות בקרת-אש חכמות יהפכו למרכיב אינטגרלי בכל תפיסות הלחימה המודרנית. הרובה לא יכול להמשיך להיות נשק סטטיסטי. אנחנו מביאים את רמת חייל החי”ר את כל עולם הטילאות: ברמת הטכנולוגית, בתפיסה ובייצור ובהרכבה”.

מטרות מדלגות בטווח של 400 מטר

התרגיל שביצע צבא ארצות הברית נערך בין ה-14-24 בספטמבר במתקן האימונים APG בעיר אברדין, מרילנד. במהלכו הצטיידו החיילים ברובי סער שעליהם הותקנה מערכת בקרת האש של סמארט-שוטר, וירו אלפי מחסניות כנגד מטרות נייחות, נעות ומטרות קופצות בטווחים של 25-400 מטר. בתום התרגיל הושוו אחוזי הפגיעה במטרות לאחוזי הדיוק האופייניים לשימוש בכוונת סטנדרטית.

התרגיל התנהל במימון ובפיקוח המדור לפיתוח והצטיידות חייל החי”ר, במסגרת תוכנית בדיקת השימוש בכלי-נשק מתוצרת זרה על ידי כוחות אמריקאים. סמארט-שוטר פעילה כיום בכ-15 מדינות, לרוב באמצעות חברות-בת או נציגות מקומיות (ארה”ב וגרמניה) ושיתופי פעולה עם קבלניות בטחוניות כמו Thales באוסטרליה, TBM בהולנד ו-Opto S&D מקבוצת Akaer בברזיל. “אנחנו בעיצומה של פעילות שיווק מאוד נרחבת, הכוללת הדגמות והצטיידות”.

היילו הכריזה על מודולי עיבוד נוירוני באבזרי קצה

חברת היילו (Hailo) התל-אביבית הכריזה על כרטיס ההאצה Hailo-8 M.2 וכרטיס האצה המופיע בפורמט Mini PCIe אשר מיועדים להאיץ את פעילות ההסקה של רשתות לימוד עומק נוירוניות (Deep Learning) במכשירי קצה. המודולים מבוססים על מעבד הבינה המלאכותית Hailo-8 שהחברה פיתחה. המודולים מותאמים לתשתיות התוכנה הסטנדרטיות בתחום הרשתות הנוירוניות, דוגמת TensorFlow ו-ONNX, הנתמכות על-ידי ה-Dataflow Compiler של Hailo.

המודולים מספקים עוצמת עיבוד של 26 טריליון פעולות בשנייה (TOPS) ביעילות הספק של 3TOPS/W. המודול מופיע בגודל של 22 על 60 מ”מ ו-22 על 80 מ”מ ונתמך על-ידי מערכת ההפעלה לינוקס. בקרוב החברה תוסיף גם תמיכה של מערכת ההפעלה חלונות. החברה דיווחה שבמבחן השוואתי שנעשה בין המודול שלה לבין מודול Myriad-X של אינטל ומודול Edge TPU של גוגל, הוא היה מהיר יותר בשיעור גבוה: מספר התמונות ממבחן סטנדרטי שהוא ביצע להן עיבוד בשנייה אחת, היה גבוה פי 26 מהמודול של אינטל ופי 13 מהמודול של גוגל.

הכרטיס מיועד לשוק חדש ומתפתח של בינה מלאכותית במתכונת plug in, אשר מיועד לענות לדרישה באבזרי קצה עתירי ביצועים וחסכוניים באנרגיה ובמחיר. הדבר מתבטאר בביקוש גובר לאבזרי קצה מבוססי AI ללא מאוורר, המאפשרים לחבר מספר רב של מצלמות למכשיר קצה בודד המספק עיבוד וידאו חכם.

 

תוכנת בינה מלאכותית ניצחה טייס בדו-קרב אווירי

בתמונה למעלה: טייס F-16 מנסה ליירט אלגוריתם. בשלב הזה של התחרות הוא הובס ארבע פעמים ברציפות

הסוכנות האמריקאית למחקרי ביטחון מתקדמים (DARPA) השלימה בשבוע שעבר סדרת ניסויים שתוצאותיהם עשויים לשנות את תפישת הלוחמה האווירית ואת שיטות הפעולה, המבנה ותורת הלחימה של חילות האוויר בעולם בעשורים הקרובים. במקביל, צפויה מהפיכה דומה גם בשיטות ההתגוננות בפני תקיפות אוויריות.

במסגרת פרוייקט רחב מימדים לפיתוח מודל הפעלה מתואם של מטוסים מאויישים וכלי-טיס אוטונומיים בלתי מאויישים, ביקשה DARPA משמונה חברות אמריקאיות לפתח מודולי תוכנה בשם F-16 AI Agent, שניתן יהיה להתקין בתוך סימולטור טיסה המשמש לאימון טייסי F-16, כדי לאמן אותם בניהול קרבות אוויר. הסוכן המתוכנת צריך להיות בעל יכולת לנהל תמרונים אווירים מול מטוס אחר הנמצא במרחק ראייה ללא אמצעים מיוחדים, ולהביא את המטוס לעמדות ירי המבטיחות הפלה (Dog Fight).

החברות קיבלו פרק זמן של שנה כדי לאמן את המודלים בניהול קרבות אוויר, ובשבוע שעבר הגיע הפרוייקט לשלבי המבחנים: במשך שלושה ימים התחרו האלגוריתמים אחד בשני. ובסיומו של היום השלישי הוכרז המנצח: האלגוריתם של חברת Heron Systems, חברה קטנה ממרינלד שהביסה את כל שאר שבעת המתחרים, בהם גם את האלגוריתם של לוקהיד מרטין הענקית.

בעקבות הנצחון על האלגוריתמים האחרים, הועמדה התוכנה של הרון למבחן האולטימטיבי: קרב אווירי מול טייס קרב אמריקאי שאומן בבית הספר לקרבות אוויר של חיל האוויר האמריקאי (Top Gun). התוצאה היתה מפתיעה ומהממת: האלגוריתם ניצח בכל חמשת ההתמודדויות מול הטייס האנושי. תוצאת הטורניר היתה 5:0 לטובת התוכנה.

יתרון האלגוריתם: הוא חסר-גוף

בניתוח הפקת הלקחים שנערך לאחר ההתמודדות, הסביר אחד מהטייסים שהשתתפו בניסוי, שמערכת הבינה המלאכותית נהנית מיתרון מכריע: היא לא מושפעת מהמגבלות הפיסיולוגיות של הטייס. כך למשל, טייסים אנושיים נוטים שלא לדחוף את המטוס אל גבולות יכולת התמרון שלו, מכיוון שהדבר מעמיס כוחות תאוצה (G) על גוף הטייס, שרוב בני האדם לא מסוגלים לעמוד בהם. לאלגוריתם אין בעיית עמידה בכוחות תאוצה ולכן הוא המציא תמרונים קיצוניים מאוד.

הבדל נוסף מצוי במקורות המידע: הטייס מקבל בעיקר מידע ויזואלי, בעוד שהאלגוריתם יכול למזג מידע ממקורות דיגיטליים רבים. במהלך הניסויים התגלה עוד הבדל מעניין בין הטקטיקה האנושית לבין הטקטיקה של האלגוריתם. בדרך כלל טייסי קרב נוקטים בשתי גישות שונות: גישה אגרסיבית שבה הטייס נכנס מיד לעמדת תקיפה, וגישה מגששת שבה הטייס מנסה לנחש את המהלך הבא של היריב, ומתכנן תמרון שינטרל אותו. כללית, כל האלגוריתמים נקטו בטקטיקה אגרסיבית ונכנסו מיידית למצבי תקיפה.

לוקהיד מרטין נגד PhysicsAI: תיעוד של קרב אווירי בין שני אלגוריתמים
לוקהיד מרטין נגד PhysicsAI: תיעוד של קרב אווירי בין שני אלגוריתמים

התגלו הבדלים נוספים. כך למשל, הרבה פעמים טייסים מטלטלים קלות את המטוס לצדדים, כדי להטעות את היריב ולגרום לו לחשוב שהם עומדים לבצע פנייה שבפועל הם לא יבצעו. אלא שזהו מהלך עדין, והם משתמשים בו בצורה מרוסנת מאוד. גם כאן האלגוריתמים התנהגו בצורה שונה: הם הרבו לטלטל את המטוס, ובצורה חזקה יותר מאשר הטייסים האנושיים.

מטרת העל: צבא היברידי של רובוטים ובני-אדם

הפרוייקט שהסתיים נקרא Alpha DogFight. אולם מטרתו אינה לייצר מטוס קרב אוטונומי. הוא בוצע במסגרת חבילת פרוייקט שמטרתה לשנות את חיל האוויר האמריקאי. פרוייקט הקרב האווירי הממוחשב מהווה סעיף אחד בתוך פרוייקט Air Combat Evolution, שמטרתו להרגיל טייסים לעבוד ביחד עם מערכות בינה מלאכותית ולסמוך עליהן. אלא שגם ACE הוא פרוייקט ביניים, המתבצע במסגרת תוכנית גדולה בהרבה בשם Mosaic. מטרת התוכנית היא לפתח תורת לחימה חדשה שבה בני אדם ומערכות רובוטיות לא מאויישות פועלים בצוותא, בכל הזרועות: אוויר, ים ויבשה.

מבחני טיסה של המדגים הטכנולוגי X-61A
מבחני טיסה של המדגים הטכנולוגי X-61A

אלא שבאוויר הוא מתקדם באופן המזורז ביותר. פרוייקט Gremlins`הוא הביטוי המובהק לאסטרטגיית Mosaic אווירית: מדובר במל”טים תוקפים אשר ישוחררו לאוויר ממטוסים המצויים מחוץ לטווח הפגיעה של האוייב, ויבצעו את המשימה באופן עצמאי – אם זו תקיפה, משימת הגנה, שיבוש אלקטרוני, איסוף מידע ועוד. לאחר השלמת המשימה הם ייאספו מהאוויר על-ידי מטוסי מטען ויוחזרו לבסיס לצורך הכנתם למשימה הבאה. המטרה היא לייצר מעין טייסת תוקפת רבת משתתפים, שבראשה נמצא מטוס מאוייש שבו הטייס הוא מפקד משימה המפעיל הרבה מאוד כלים רובוטיים בו-זמנית, זולים מאוד וחסכוניים בחיי אדם.

התוכנית מתקדמת מהר. חברת Dynetics פיתחה את המדגים הטכנולוגי X-61A. בחודש ינואר 2020 הוא ביצע את טיסות המבחן הראשונות שלו. בחודש יולי 2020 הוא ביצע מבחני שיגור ואיסוף באמצעות מטוסי מטען מסוג C-130 שנעשו במדינת יוטה, ובחודש אוקטובר הקרוב יחודשו הניסויים, וייבחנו היכולות של הפלטפורמה לבצע איסוף של עד ארבע מטוסים במשימה יחידה כדי להביאם לבסיס להכנה לשיגור נוסף. פלטפורמת השיגור והאיסוף ניתנת להתאמה לכל מטוס מטען צבאי. דארפה מתכננת להשלים את המבחנים עד סוף השנה, ואז לעבור כנראה לשלבי הפיתוח של פלטפורמה מבצעית.

מפא”ת הכריזה על תחרות מכ”ם לסיווג בני-אדם ובעלי-חיים

בתמונה למעלה: קובץ I/Q signal matrix מהסוג שהמתחרים יקבלו כדי לנתח את האובייקטים שהוא מייצג

המינהל למחקר, פיתוח אמצעי לחימה ותשתית טכנולוגית במשרד הביטחון (מפא”ת) הכריז על תחרות לפיתוח אלגוריתם המאפשר למערכות מכ”ם מסוג Pulse-Doppler Radar להבדיל בין בני-אדם לבין בעלי חיים. האתגר הוא לקבל את נתוני המכ”ם הקיימים ולפתח אלגוריתם אשר מזהה בני-אדם ובעלי חיים, מפריד אותם מהרקע ומצליח לסווג את האותות כדי לדעת האם הם מייצגים אדם או בעל חיים. הזוכה בתחרות יקבל פרס בשווי של 40 אלף דולר ואפשרות להשתלב בפרוייקט פיתוח של מפא”ת.

האתגר הוא באלגוריתם ולא בחומרת המכ”ם

השלב הראשון של התחרות יסתיים ב-8 באוקטובר 2020, והגמר יהיה ב-15 באוקטובר 2020. מערכות מכ”ם מודרניות המבוססות גם על פולסים וגם על אפקט דופלר מאפשרות לעקוב אחת אובייקטים שונים, ולשלב מידע על האובייקטים המגיע ממספר סנסורים כדי לייצר Tracks מאוחד של כל אובייקט. המערכות האלה מתמודדות היטב עם זיהוי וסיווג אובייקטים קשיחים, כמו כלי-רכב למשל, אולם כדי לסווג אובייקטים לא קשיחים כמו בני אדם ובעלי חיים, יש כיום צורך במעורבות של מפעיל אנושי, אשר נסמך על שילוב של אותות המכ”ם עם אותות אחרים המגיעים ממערכות צילום אופטיות.

האתגר של המתחרים הוא לזהות אובייקטים לא קשיחים ולבצע באופן אוטומטי סיווג בין בני אדם לבעלי חיים, ברמה גבוהה של ודאות. מפא”ת מספקת קבצים המכילים נתוני מכ”ם (I/Q signal matrix) אמיתיים שנאספו באתרים שונים, בזמנים שונים ועל-ידי סנסורים שונים. הם מאופיינים ברמות שונות של איכות, כאשר חלקם בעלי יחס אות לרעש (SNR) גבוה, ואחרים עם יחס אות לרעש נמוך מאוד. המתחרים צריכים לספק סיווג בינארי: אם האובייקט הוא אדם הוא יקבל את התג “1”, בעל חיים יקבל את התג “0”.

מבחינת המכ”ם, בני-אדם ובעלי חיים שייכים לאותה קטגוריה

הבעיה המרכזית נעוצה בכך שמבחינת שיטות הזיהוי והסיווג הקיימות במערכות מכ”ם דופלר, חתימת המכ”ם של בעלי חיים ושל בני אדם היא כמעט זהה. כך למשל, אפקט דופלר מאפשר לזהות מהירות של אובייקטים, מכיוון שתדר האות החוזר משתנה בהתאם למהירות האובייקט ולכיוונו (אורך הגל מתקצר כשהאובייקט מתקרב ומתארך כשהוא מתרחק). הדבר מאפשר לזהות בקלות כלי רכב המצויים בתנועה, אולם כאשר מעוניינים לסווג בני אדם ובעלי חיים נתקלים בקושי – ברוב המקרים הם נעים במהירות מאוד דומה.

גם עוצמת ההיענות של אובייקטים לקרינת מכ”ם (Radar Cross Section – RCS) היא פרמטר המאפשר זיהוי וזיווג בשיטות מסורתיות. עוצמת האות החוזר תלויה בגודל האובייקט הנמדד, בצורתו ובהרכב החומרים שלו, ומאפשרת כיום לסווג כלי רכב גדולים בהשוואה לכלי-רכב קטנים, טנקים בהשוואה לרכב לא משוריין וכדומה. אולם מסתבר שמדד ה-RCS של מרבית בעלי החיים דומה מאוד לזה של בני אדם, ולכן הפרמטר הזה לא יכול לסייע בסיווג.

מטרת התחרות היא לבדוק האם ניתן לבצע סיווג באמצעות טכניקות עיבוד חדשות, תוך הסתמכות על מקורות האות הקיימים ובלא צורך לבצע שינויים בחומרת המכ”ם עצמה. מפא”ת מחפשת גישות חדשות, דוגמת שימוש ברשתות נוירוניות לשיפור התוצרים של טכניקות לימוד מכונה ועיבוד אותות קלאסיות. במיוחד היא מתעניינת בטכניקות שהובאו מתחומים אחרים שאינם מזוהים עם תחום המכ”ם, דוגמת טכניקות עיבוד תמונה, ניתוח אודיו, גישות ניתוח סטטיסטיות ועוד.

למידע נוסף: Mafat Challenge

אינטל ו-NUS פיתחו רובוט המצוייד בעור מלאכותי רגיש למגע

חברת אינטל וקבוצת חוקרים מאוניברסיטת NUS בסינגפור פיתחו יכולת מישוש עדינה לרובוטים, המבוססת על שימוש בעור מלאכותי (e-skin) מסוג חדש ועל המעבד הנוירומורפי Loihi של אינטל. במסגרת הניסוי, הם השתמשו ביד רובוטית המצויידת בעור מלאכותי על-מנת לקרוא כתב ברייל ולאחר מכן להעביר דרך הענן את נתוני החישה לשבב Loihi, שעיבד את המידע והפיק ממנו משמעות סמנטית. Loihi השיג דיוק של יותר מ-92% בזיהוי אותיות כתב ברייל, ונדרש להספק קטן פי 20 מזה שנדרש למעבד סטנדרטי (Von Neumann) כדי לבצע את אותה המשימה.

במקביל, נבחנה טכניקה לשיפור יכולת התפיסה הרובוטית באמצעות שילוב של נתונים מהעור המלאכותי וממצלמה מבוססת אירועים (בתמונה למטה). עיבוד המידע איפשר לרובוט לזהות תופעות כמו החלקה סיבובית, החשובה לאחיזה יציבה, וסיווג קטגוריות שונות מיכלים אטומים מסוגים שונים, שהכילו כמויות שונות של נוזלים (היו בעלי משקל שונה). התוצאה: שילוב של ראייה מבוססת-אירועים ומגע באמצעות רשת עצבית מגיעים לדיוק גדול יותר ב-10% בסיווג אובייקטים בהשוואה למערכת ראייה בלבד. מעבד Loihi עיבד את המידע במהירות גבוהה ב-21% מאשר שבבי עיבוד גרפי, ובהספק נמוך פי 45.

עור מלאכותי ומצלמה מוכוונת ארועים מאפשרים לרובוט להחזיק את הבקבוק בעוצמה הדרושה מבלי שייפול או יתעוות
עור מלאכותי ומצלמה מוכוונת ארועים מאפשרים לרובוט להחזיק את הבקבוק בעוצמה הדרושה מבלי שייפול או יתעוות

חיישני העור המלאכותי מחקים את מערכת העצבים הביולוגית

ליבת הניסוי היא עור מלאכותי שפותח בפקולטה להנדסה באוניברסיטה הלאומית של סינגפור (NUS). הוא מבוסס על פיתוח ארכיטקטורת עיבוד ותקשורת חדשה, המחקה את מבנה מערכת העצבים הביולוגית, בדומה לאופן שבו רשתות בינה מלאכותית נוירוניות מחקות את מבנה הנוירונים במוח. הארכיטקטורה החדשה, ACES – Asynchronously Coded Electronic Skin, מאפשרת לשלב מערכים של עד 10,000 חיישני מגע ביריעת פלסטיק גמישה, ולשדר את המידע אל מערכת עיבוד מרכזית במהירות גדולה יותר מזו של מערכת העצבים האנושית.

הרעיון של עור מלאכותי הכולל חיישני מגע אינו חדש, אולם יישומו נתקל בקשיים רבים. כדי לקבל חישה אפקטיבית יש צורך בחיישנים רבים מאוד, ביכולת עמידה בחבלות ותקלות בחיישנים בודדים מבלי שהדבר ישבש את כל המערך, במהירות תגובה גדולה ובהספק נמוך מאוד. התפישה המקובלת היא פריסת מטריצה של חיישני מגע (pressure sensors) המתחברת אל מעבד באמצעות פרוטוקול חלוקת זמן (Time-Divisional Multiple Access).

ארכיטקטורת ACES: מספר רב של חיישני מגע (בכחול) מחוברים אל הגלאי (כתום) במוליך יחיד
ארכיטקטורת ACES: מספר רב של חיישני מגע (בכחול) מחוברים אל הגלאי (כתום) במוליך יחיד

ה-TDMA נועד לצמצם את מספר המוליכים בעור המלאכותי, שכן הוא מעניק חלון שידור נפרד לכל חיישן. אלא שבגישה הזאת, ככל שגדל מספר החיישנים, יורד זמן התגובה הכולל של המערכת. כדי להתגבר על הבעיה יש צורך במהירות דגימה גדולה יותר, אולם הדבר דורש שימוש במעגלי דגימה מהירים ומעגלי דחיסת מידע חכמים. אולם הפתרון הזה מוגבל מאוד: העלות גבוהה, המעגלים דורשים הספק גבוה, ודגימה ודחיסה חכמים תלויים בידע מוקדם על סוג המגע הצפוי. בשורה התחתונה, גם הפתרון הזה מוגבל מבחינת מספר החיישנים שניתן לשלב בעור המלאכותי.

תפישת ACES שפותחה ב-NUS מבוססת על חיקוי מערכת העצבים: החיישנים מקושרים באמצעות מוליך אל ערוץ מרכזי המעביר את המידע המקובץ אל יחידת העיבוד – מעין מוח המיושם באמצעות רשת לימוד עומק נוירונית (Deep Learning Neural Network). ליבת המערכת היא ארכיטקטורת תקשורת א-סינכרונית המאפשרת תמיכה באלפי חיישנים בו-זמנית.

כל חיישן משדר פולס מידע רק כאשר רמת הגרוי שלו חוצה סף מוגדר מראש (threshold). הפולס מפוזר על-פני טווח תדרים רחב מאוד באמצעות טכניקת spread spectrum. הדבר מאפשר לשדר מיידית את כל האותות ולספק להם עמידות ברעשים גם בהספקים נמוכים מאוד. אותות החיווי של כל חיישן משוחזרים במעבד הנוירוני בהתאם לחתימת התדר שלו ולמיקומו הידוע מראש.

מוח אלקטרוני בתוך שבב

מערכת עיבוד נוירומורפית מבוססת שבבי Lohini של אינטל, הכוללת 8 מיליון נוירונים
מערכת עיבוד נוירומורפית מבוססת שבבי Lohini של אינטל, הכוללת 8 מיליון נוירונים

המוח המרכז את כל המידע הוא מחשב המבוסס על המעבד הנוירומורפי של אינטל. מעבד נוירומופרי הוא יישום ברמת החומרה של המבנה של רשתות נוירוניות, אשר מיושמות בדרך-כלל ברמת התוכנה בלבד. כל מעבד מיוצר בתהליך של 14 ננומטר ומכיל 128 ליבות המיישמות 130,000 נוירונים. להערכת אינטל, במשימות ספציפיות, מסוגל המעבד Loihi לעבד מידע במהירות גדולה פי 1,000 וביעילות גדולה פי 10,000 מאשר מעבד סטנדרטי (CPU).

בחודש יולי 2019 הכריזה אינטל על מערכת עיבוד נוירומורפית הכוללת 8 מיליון נוירונים אשר ממומשים באמצעות 64 מעבדי Loihi. החברה מסרה שמדובר בשלב הראשון של תוכנית פיתוח שאפתנית, המיועדת להרחיב את הארכיטקטורה להיקף של כ-100 מיליון נוירונים. על-פי ההערכה המקובלת כיום, במוח האנושי יש כ-84 מיליארד נוירונים. כאשר אינטל מדברת על 100 מיליון נוירונים במערכת אחת, ואולי מיליארד נוירונים בתוך מספר שנים – מדובר במוח אלקטרוני זעיר המשתווה לזה של בעלי חיים רבים…

רייזור לאבס תפתח רשת נוירונים לחיזוי נפילות מתח

חברת Razor Labs, המתמחה בפיתוח פתרונות AI ייעודיים, תפתח במסגרת פרויקט משותף עם חברת Exacter האמריקאית, תשתית בינה-מלאכותית לאיתור התיישנות רכיבים וחיזוי נפילות מתח ברשתות חשמל. תשתית ה-AI שתפתח רייזור לאבס תאפשר לאקזקטר לשקלל יותר נתונים ממגוון מקורות, להפיק תובנות מהדטה שהיא אוספת ולשפר את יכולות החיזוי והאבחון של המערכת. שתי החברות יבצעו פיילוט בעיר אקרון, אוהיו, בשיתוף הרשות המוניציפלית. שיתוף הפעולה בין שתי החברות זכה למענק מטעם קרן בירד (Bird Foundation), התומכת בשיתופי פעולה טכנולוגיים בין חברות ישראליות ואמריקאיות.

חברת Exacter נוסדה בשנת 2007 ופעילה בארצות הברית, קנדה ומקסיקו. היא פיתחה חיישן RF המזהה אותות רדיו מקווי מתח גבוה, המצביעים על בלאי או רכיבים תקולים שעשויים להוביל לשיבושים באספקת החשמל ונפילות מתח. בחברה מסבירים כי החיישן שפיתחו מסוגל להתריע על תקלות בשלב מוקדם יותר לעומת חיישני אינפרא-אדום, המתבססים על שינויים בפליטת החום מהשנאי. החברה סורקת את רשת החשמל באמצעות כלי-רכב עירוניים או רחפנים הנושאים את החיישנים, ומספקת את המיקום המדוייק של נקודות הבעייתיות ברשת החשמל.

הפלטפורמה שתפתח רייזור לאבס תוסיף לטכנולוגיה של אקזקטר מימד של ביג-דאטה, כלומר לשקלל פרמטרים נוספים שעשויים להשפיע על רשת החשמל, כמו תחזיות מזג אוויר, דפוסי צריכת חשמל אזוריים ונתוני עבר. המידע יעובד באמצעות אלגוריתמים של למידת-עומק ורשתות נוירונים. להערכת רייזור לאבס, המערכת תדע לדווח על מצב הכשירות של כל מרכיבי הרשת בכל רגע נתון, ולחזות תקלות עתידיות, כולל הרכיבים הספציפיים שצפויים לגרום לנפילת המתח. לפי ההערכות, עלות של נפילות המתח ברשתות החשמל בארצות הברית בלבד נאמדת בכ-110 מיליארד דולר בשנה. רייזור לאבס הוקמה ב-2016 ומעסיקה כ-150 עובדים.