למידת מכונה (Machine Learning) הינה יכולת מפתח אשר תסייע לארגונים ליצור אופטימיזציה בעסק ובכך להגדיל את היכולת להפיק הכנסה מהנכסים הדיגיטלים שבבעלותם.
חלק מההתפתחויות האחרונות יעתיקו את יכולות הלמידה הבסיסיות של המחשב לתחומים עסקיים רבים. הגיע הזמן לצלול אל תוך העולם של למידת מכונה!
למידת מכונה (Machine Learning)
חלק גדול ממה שמכונה כיום "למידת מכונה" הוא לא ממש חדש. מרבית האלגוריתמים הנכללים בקטגורית למידת המכונה הם אלגוריתמים אנליטיים הנמצאים בשימוש כבר עשרות שנים כמו: ניתוח אשכולות (קלסטרינג), קבלת החלטות וקביעת כללים. יחד עם זאת, כתוצאה מנתונים רבים ומפורטים המגיעים ממגוון רחב של מקורות ועלייה משמעותית של כוח המחשוב, קיימת התחדשות באופן השימוש באלגוריתמים אלה.
כיום נעשה שימוש בלמידת מכונה (Machine Learning) במגוון רחב של שימושים, כגון: זיהוי קולי, תרגום טקסט ועיבוד שפה (NLP). למידת מכונה היא המוח מאחורי השיפור המתמיד של ה"שיחות" שלנו עם סירי של אפל, אלקסה של אמאזון, ובלב מנוע החיפוש הסופר מצליח של גוגל.
יישומים נוספים של למידת מכונה נוכל לראות בקרוב בתחומים רבים כמו אבטחת סייבר, סחר במידע פנימי, רפואה מותאמת אישית, שיווק מותאם אישית, זיהוי הונאות, רכב אוטונומי ועוד ועוד.
אז מהי בדיוק למידת מכונה?
למידת מכונה היא סוג של אינטליגנציה מלאכותית (ׁAI) המספקת למחשבים את היכולת לרכוש ידע מבלי להיות מתוכנתים מפורשות. למידת מכונה מתמקדת בפיתוח תכניות מחשב שיכולות להשתנות כאשר הן חשופות לנתונים חדשים. למידת מכונה עושה בפועל רק שני דברים:
כימות יחסים קיימים (לכמת יחסים מתוך נתונים היסטוריים ויישום מערכות יחסים אלו לקבוצות נתונים חדשות).
גילוי קשרים סמויים (חילוץ מסקנות הטמונות במידע).
למידת המכונה משיגה את 2 המשימות הללו באמצעות אלגוריתמי למידה מבוקרים או בלתי מבוקרים.
ההבדל בין האלגוריתמים הוא שלמידה מבוקרת כוללת את סיווג התוצאות ולמידה שאינה מבוקרת לא מאפשרת קבלת תוצאות בשלב התצפית.
בין אם אלגוריתמי הלמידה מבוקרים או שאינם מבוקרים עדיין הם מאפשרים לאתר הקשרים, יחסים והזדמנויות בנתונים עצמם.
עם זאת, מדעני הנתונים ובעלי העניין העסקי, חייבים ליישם את השכל הישר על הממצאים המתקבלים וכן ליישם את הידע הקיים בתחום, במטרה להבטיח לא רק את חשיפת ההקשרים והתובנות אלא למנוע הצהרות עובדתיות שאינן הגיוניות.
למידת מכונה (ML), בינה מלאכותית (AI) ולמידה עמוקה (DL) נמצאים בליבה של הטרנספורמציה הדיגיטלית, בכך שהם מאפשרים לארגונים לנצל את עושרם ההולך וגדל של נתונים (BIG DATA) במטרה ליצור תהליכי אופטימיזציה עסקיים ותפעוליים.
בינה מלאכותית (AI) היא התאוריה והפיתוח של מערכות מחשב המסוגלות לבצע משימות הדורשות אינטליגנציה אנושית (לדוגמה זיהוי דיבור, תרגום וכו').
למידת מכונה (ML) הינה תת תחום של הבינה המלאכותית (AI) המאפשרת למערכות יכולת למידה ושיפור עצמי תוך ניסיון, מבלי להיות מתוכנתות לכך באופן ישיר ומפורש.
למידה עמוקה (ׁDL) היא סוג של למידת מכונה הבנוי על היררכיה עמוקה של שכבות, כאשר בכל שכבה פותרים חלקים אחרים של בעיה מורכבת. שכבות אלה מקושרות ל"רשת עצבית".
על מנת לסייע ללקוחותינו לנצל את היתרונות העסקיים והתפעוליים של AI, ML, DL יצרנו "Ready Bundles" (חבילות מוכנות) המיועדות לפשט את התצורה, הפריסה והניהול של פתרונות AI, ML, DL.
כל חבילה כוללת שרתים משולבים, אחסון, רשת ומסגרות עבודה ל- DL ו-ML.
להניע דמוקרטיזציה ל- AI | ML
הדמוקרטיזציה מוגדרת כפעולה או פיתוח של משהו שיהיה נגיש לציבור הרחב (common masses). ההיסטוריה מספקת לנו שיעורי דמוקרטיזציה מהמהפכות בתעשייה ובמידע, בהן נקבעו סטנדרטיזציות של חלקים, כלים, ארכיטקטורות, ממשקים, תכניות והדרכות שאפשרו יצירת פלטפורמות משותפות. במקום להיות תלויים במומחי על להרכבת התותחים, המכוניות או מערכות המחשב, ארגונים בכל סדר גודל יכולים למנף פלטפורמות משותפות לבניית המקורות שלהם ללקוחות, לבידול עסקי ופיננסי.
מערכות AI | ML | DL הן מערכות מסובכות לתפעול ותחזוקה, הדורשות מיומנות גבוהה מאחר ושינוי אחד זעיר עלול להוביל לכישלון גורף. השוק של מערכות אלה צריך עוד לעבור תהליך של סטנדרטיזציה דומה על מנת לייצר מערכות המאפשרות לארגונים בכל סדר גודל לבנות מקורות ללקוחות ולבידוק עסקי ופיננסי.
במטרה לסייע בהאצת הדמוקרטיזציה בדרך ל- AI | ML | DL, יצרה Dell EMC חבילות מוכנות ל-ML ו-DL.
חבילות מוכנות מראש אלה מאפשרות להפחית את הסיכון ולפשט פרויקטי AI | ML | DL ומאיצים את ה-time-to-value באמצעות שילוב מראש של החומרה והתוכנה.
ISILON פלטפורמת NAS מתקדמת לאחסון, ניהול והגנת מידע עם מדרגיות מסיבית ויעילה. ISILON הוא הפתרון המוביל בתעשייה למערכות אחסון מחוברות רשת המסייע לפישוט ניהול הנתונים, קיצוץ בעלויות וגמישות להתרחבות Ongoing.
