מקובל להמשיל טכנולוגיות בינה מלאכותית כמו למידה עמוקה ורשתות נוירונים לאופן פעולתו של המוח האנושי. ואולם, בעוד המוח האנושי לומד על העולם באופן עצמאי מתוך התבוננות חופשית במציאות, מערכות של בינה מלאכותית בתחום החישה הממוחשבת אינן לומדות כי אם מאומנות, באופן מונחה ושיטתי, לזהות אך ורק אובייקטים שהוגדרו מראש, מה שמגביל מאוד את כמות התובנות שהן מצליחות להפיק מהסביבה.
חברת קורטיקה (Cortica) מתל אביב פיתחה פלטפורמת בינה מלאכותית "אוטונומית", אשר מסוגלת ללמוד באופן עצמאי ובלתי מונחה על אוביקטים במרחב, ללא צורך להסתמך על מאגרי ענק של תמונות מתויגות. לדברי החברה, הטכנולוגיה שלה מאפשרת יכולות זיהוי מדויקות ומורכבות יותר בהשוואה למערכות הקיימות, וכל זאת תוך שימוש בכוח מחשוב נמוך לאין שיעור. בשבוע שעבר דיווחה החברה על שיתוף פעולה ראשון בתחום הרכב החכם עם ענקית השבבים היפנית Renesas.
קורטיקה הוקמה ב-2007 על ידי שלושה חוקרים מהטכניון – יגאל רייחלגאוז, קרינה אודינייב וג'וש זאבי – אשר ייסדו את קורטיקה על בסיס מחקר משותף ששילב בין מדעי המוח, הנדסת חשמל ובינה מלאכותית. מטרתם של השלושה היתה לבנות פלטפורמה של בינה מלאכותית שתחקה בצורה דיגיטלית את האופן שבו הקורטקס (מכאן השם "קורטיקה") של יונקים לומד על המציאות. כך פיתחה קורטיקה אלגוריתמים של בינה מלאכותית שמסוגלים ללמוד על המציאות ולייצר תובנות ללא הכוונה מראש.
בשיחה עם TechTime מספר מנכ"ל קורטיקה יגאל רייחלגאוז על התשתית התיאורטית של הטכנולוגיה שפיתחה החברה. "המטרה שלנו היתה לקחת את מערכות ה-AI, שכיום הן מאוד שונות מהמוח האנושי, ולקרב אותן לאיך שהקורטקס פועל. אנשים לומדים בצורה לא מפוקחת, מתוך התבוננות בסביבה והיכולת שלנו לזהות אלמנטים משותפים וליצור ייצוגים שמאפשרים לנו לשייך אובייקטים דומים לתוך קטגוריות כלליות ".
ללמוד ללא מאמן
כדי לאמן מערכות של למידה עמוקה או רשתות נוירונים לזהות קטגוריה מסוימת של אובייקטים בעולם – למשל הולכי רגל או תמרורי דרך – יש צורך להזין את המערכת במיליוני, ולעיתים מיליארדי, דוגמאות של תמונות המציגות את אובייקט המטרה באינספור הקשרים ויזואלים שונים (זווית, תאורה, גודל, צבע וכדומה). כדי שהמחשב יוכל להבין מה מוצג בתמונות ולבנות מודל שיאפשר לו לזהות את אותו אובייקט לאחר תהליך האימון, יש צורך לתייג את האובייקטים המופיעים בכל תמונה ותמונה. תהליך התיוג נעשה בדרך כלל באופן ידני על ידי בני אדם. כך למעשה פועלים, למשל, האלגוריתמים של מובילאיי בתחום הראייה הממוחשבת לרכב.
שיטה זו לוקה במספר חסרונות: תהליך האימון הינו ממושך ויקר, ופעמים רבות רמת הדיוק של המערכת אינה מושלמת והיא מתקשה לזהות מקרי קיצון. מעל הכול, החיסרון המשמעותי ביותר, ומה שמבדיל בין הטכנולוגיות הללו למוח האנושי, הוא בכך שהמערכת לומדת אך ורק על האובייקט שהוגדר מראש, מבלי לאפיין דפוסים והקשרים על אובייקטים אחרים המופיעים בסביבה.
לעומת זאת, בלמידה בלתי מונחית (Unsupervized), המערכת לומדת על המציאות ללא תיוגים או הגדרות מראש. למעשה, האלגוריתמים הללו מנתחים את האינפורמציה הגולמית ומחפשים נקודות דמיון ושוני, תבניות חוזרות ויחסים בין אובייקטים במרחב, וכך ביכולתם להפיק הרבה יותר תובנות על המציאות שלא הוגדרו מראש על ידי המאמן האנושי.
רכב אוטונומי צריך בינה מלאכותית אוטונומית
קורטיקה הוקמה כבר לפני למעלה ועשור, הרבה לפני הבאז הנוכחי בתחום הבינה המלאכותית והחדירה של הטכנולוגיות הללו כמעט לכל תעשייה. בתחילת דרכה, התמקדה החברה בפיתוח יישומי בינה מלאוכתית למגזר הטחוני, כמו למשל פענוח תצלומי וידיאו ואוויר ואותות מכ"ם ו-LiDAR, ובהמשך התרחבה לתחום המובייל והאינטרנט. הטכנולוגיה שלה שולבה ביישום זיהוי תמונות בדפדפן מוביל בבריטניה, עם מאות מיליוני משתמשים, וכן ביישום Info-eye בסמרטפון Xperia Z3 של סוני, שאיפשר למשתמש, למשל, לצלם מנת אוכל ולקבל את מספר הקלוריות או לצלם בניין ולקבל עליו באופן אוטומטי אינפורמציה מוויקיפדיה.
בשנה וחצי האחרונות, ביחד עם המגמות בתעשייה כולה, החלה החברה לכוון לתחומים חדשים כמו עיר חכמה, IoT, ובעיקר תעשיית הרכב. לדברי רייכלגהוז, לבינה מלאכותית בלתי מונחית יש בתחום הרכב יתרונות משמעותיים על פני בינה מלאכותית מונחית. "הקורטקס האנושי מורכב מ-6 שכבות והוא מתאפיין בחשיבה מקבילית ושטוחה. בתגובה לאות ויזואלי כלשהו, הקורטקס מפעיל רק חלק קטן מהשכבות. לעומת זאת, במערכות ממוחשבות של למידה עמוקה, למשל כמו זו של מובילאיי, משתמשים ברשתות נוירונים של מאות שכבות והדבר מצריך כוח חישובי רב."
"המערכת שלנו לומדת לזהות ללא הנחיה וללא תיוג, פשוט מתוך ניתוח של תמונות אקראיות וזיהוי הכללות ואלמנטים משותפים שיוצרים קטגוריות. זה ההבדדל בין קורטיקה למה שקורה בשוק. כמו המוח האנושי, האלגוריתמים שלנו מייצרים 'חתימה דיגיטלית' לכל סוג אובייקט, ואת החתימה הדיגיטלית הזו ניתן לשתף בקלות עם כלי רכב אחרים. הודות לכך, האלגוריתמים שלנו מסוגלים ללמוד על העולם הרבה יותר אינפורמציה – ולא רק מה שהוגדר מראש – ותוך שימוש בכוח מחשוב קטן הרבה יותר." כך למשל, רייחלגאוז מספר כי בניסוי שערכה החברה ברחובות תל אביב, האלגוריתמים ידעו ליצור באופן עצמאי לא רק קטגוריות מתבקשות כמו מכוניות, הולכי רגל ותמרורים, אלא גם אובייקטים ברקע כמו מזגנים למשל.
בשבוע שעבר הודיעה קורטיקה על שיתוף פעולה אסטרטגי ראשון בתחום הרכב, עם Renesas היפנית, אחת מחברות השבבים הגדולות בעולם בתחום הרכב. בסמגרת שיתוף הפעולה, רנסאס תשלב את האלגוריתמים הייעודים שפיתחה קורטיקה למצלמות רכב במערכת-על-שבב R-Car V3H של רנסאס, המספקת יכולות ראייה ממוחשבת למערכות ADAS ונהיגה אוטונומית.
"רנסאס היא החברה המובילה בעולם מבחינת כמות השבבים לעולם הרכב. עבורנו, זהו שיתוף פעולה ראשון עם חברת שבבים. אנחנו במגעים עם עוד כמה חברות, גם Tier-1 וגם יצרניות רכב, ובהמשך נודיע על שיתופי פעולה נוספים."