מה זה למידת מכונה ומה הקשר ל- AI?
למידת מכונה היא תחום מתפתח במדעי המחשב בתוך תחום הבינה המלאכותית (AI). למידת מכונה מתמקדת בפיתוח אלגוריתמים שמאפשרים למחשבים ללמוד ולשפר את הביצועים על בסיס נתונים ללא צורך בתכנות מפורש. בעזרת למידת מכונה, ניתן לפתח מערכות AI שמתאימות את עצמן ומשתפרות עם הזמן על בסיס נתונים חדשים.
המחשב לומד??
המונח "למידה" מתייחס ליכולת של המחשב לספוג ידע חדש ולהסתגל לשינויים ולמידע חדש המתקבל. במקום שהמחשב יבצע משימות לפי סדרת כללים קבועה מראש (כמו בתכנות קלאסי), הוא לומד לבצע את המשימות הללו על ידי זיהוי דפוסים בנתונים שהוא מנתח. בלמידת מכונה, המחשב לומד מדוגמאות ומספק תחזיות על בסיס נתונים, הוא מנסה למצוא דפוסים ולחזות תוצאות חדשות ומשתמש בנתונים כדי לשפר את הדיוק והביצועים.
ישנם שלושה סוגים עיקריים של למידת מכונה:
למידה מפוקחת (Supervised Learning): בלמידה מפוקחת, האלגוריתם לומד מתוך דוגמאות מתויגות, כלומר דוגמאות שכוללות הן את הקלט (input) והן את התווית הנכונה (output). המטרה היא שהאלגוריתם ילמד לחזות את התוויות של דוגמאות חדשות. דוגמאות לשימושים בלמידה מפוקחת כוללות זיהוי תמונות, ניתוח טקסט וסיווג דואר אלקטרוני לספאם ולא ספאם.
למידה בלתי מפוקחת (Unsupervised Learning): בלמידה בלתי מפוקחת, האלגוריתם מקבל נתונים ללא תוויות ומנסה למצוא דפוסים, מבנים או יחסים בתוך הנתונים. לדוגמא, למידה זו יכולה לשמש לניתוח שווקים, זיהוי לקוחות לפי פרופילים ועוד.
למידת חיזוק (Reinforcement Learning): בלמידת חיזוק, האלגוריתם לומד דרך ניסוי וטעייה, ומקבל משוב בצורת תגמולים או עונשים בהתאם לפעולות שהוא מבצע. אלגוריתמים אלה משמשים לעתים קרובות לפיתוח מערכות אוטונומיות כמו רובוטים וכלי רכב אוטונומיים, כמו גם לפתרון בעיות מורכבות במשחקים כמו שחמט.
איך עושים למידת מכונה במיקרוביט?
מאפיין חדש במיקרוביט מאפשר לשלב את המיקרו:ביט עם בינה מלאכותית ולתת לתלמידים.ות התנסות בתהליך של למידת מכונה.
באתר micro:bit CreateAI נבנה כלי המאפשר ליצור AI באמצעות תנועה ולמידת מכונה במיקרו:ביט. למידת המכונה מתבצעת בכמה שלבים המאפיינים כל למידת מכונה:
איסוף נתונים
שלב זה כולל איסוף הנתונים הדרושים לאימון המודל. בלמידת מכונה הנתונים יכולים לבוא ממקורות שונים כמו מאגרי מידע, חיישנים, אתרי אינטרנט ועוד. חשוב לדאוג לכך שהנתונים יהיו איכותיים ומגוונים כדי שהמודל יוכל ללמוד בצורה טובה. במקרה של העבודה עם מיקרוביט איסוף הנתונים נעשה דרך החיישנים של המיקרו:ביט. המיקרוביט מוצמד עם סוללה לגוף (למשל ליד או לרגל), ובעזרת חיישן התנועה המובנה בו, מבצעים למידה מפוקחת- הגדרת תנועה (למשל מחיאת כפיים), ואיסוף נתוני תנועה כאשר התנועה מבוצעת. ככל שיאספו יותר נתונים, המודל יוכל להיות מדויק יותר. אם ישנם נתונים שלא מתאימים להגדרת התנועה (למשל, אם בטעות לא מחאנו כף בזמן המדידה), כדאי מאוד להסירם כדי שלא יוגדרו כמחיאת כף ויפגעו בדיוק המודל.
מבחינה טכנית יש צורך במיקרוביט (לעיתים יש צורך בעדכון קושחה), סוללה למיקרוביט, ומחשב עם Bluetooth. במיקרוביט גרסה 2- במידה ואין מחשב עם Blutooth, ניתן להשתמש במיקרוביט נוסף שיחובר למחשב ויעביר את המידע למחשב בעזרת רדיו. יש להשתמש בדפדפני אינטרנט Edge או Chrome בלבד.
שימו לב שבשלב איסוף הנתונים צריך למצוא דרך לחבר את המיקרוביט לגוף- ניתן לבנות אביזר חיבור זמני, אך ניתן גם לרכוש לוח הרחבה יעודי המוסיף למיקרוביט סוללות ורצועת חיבור.
אימון המודל
זהו השלב בו המודל נבנה על בסיס מערך האימון. המודל לומד את הדפוסים והיחסים בנתונים כדי שיוכל לבצע תחזיות על נתונים חדשים (לדוגמא, המודל מנסה לזהות את דפוס התנועה החוזר שהוגדר למחיאת כף כדי שיוכל לזהות מחיאת כף בעצמו על פי דפוסי תנועה דומים בהמשך). בשלב זה נוכל לראות איך המודל מזהה את התנועה של המיקרוביט מבלי שנגדיר לו מה התנועה- נראה זאת באחוזי התאמה לתנועות שלימדנו. כמו כן, בשלב זה נוכל לשנות את נקודת הזיהוי ולגרום למיקרוביט לסווג את התנועה כתנועה מסוימת שלמד בשלב מוקדם או מאוחר יותר.
בצד ימין של הממשק ניתן כבר לראות את הבלוקים המיוחדים שיווצרו לשילוב למידת המכונה באתר MakeCode.
אם בשלב זה רואים שאין זיהוי מדויק מספיק, כדאי לחזור לשלב איסוף הנתונים ולהוסיף עוד נתונים שיאפשרו דיוק רב יותר בזיהוי.
בשלב זה הדרישות הטכניות זהות לשלב איסוף הנתונים, ועדיין ניתן לעבוד עם מיקרוביט קודם לגרסה 2.
תכנות משולב למידת מכונה באתר MakeCode
שילוב הבלוקים החדשים בכתיבת הקוד
בשלב זה המערכת תוסיף את הבלוקים שנוצרו כתוצאה מלמידת המכונה לאתר MakeCode כך שניתן יהיה לשלבם בכתיבת הקוד.
שימו לב, כדי לעבוד עם הבלוקים של למידת המכונה שנוצרו, חובה לעבוד עם מיקרוביט בגרסה 2 ומעלה. ראו הסבר לאיך מזהים את גרסת המיקרוביט שלכם.ן
פוטנציאל פדגוגי
מבחינה פדגוגית התלמידים.ות יתנסו בתהליך לימוד המכונה, ודרך כך, חשיפה גם למגבלות ולאופנים שבהם למידת המכונה יכולה להיכשל. הממשק מאפשר עבודה מעמיקה בתחום אוריינות הנתונים וביכולת להבין, לפרש ולהשתמש במידע נתונים בצורה מושכלת. ניתן להשתמש בתהליך להקניית מושגי יסוד בנתונים, יכולת לפרש גרפים ותרשימים, ויכולת להסיק מסקנות מנתונים.
בנוסף, השימוש ב-micro:bit בשילוב למידת מכונה מאפשר יצירת פרויקטי AI פיזיים באמצעות נתוני תנועה אמיתיים, ובמובן הזה מחזק את הרלוונטיות ללומדים.ות.