יישומי בינה מלאכותית (Artificial intelligence - AI) בחיי היום יום שלנו

AI – טכנולוגיית בינה מלאכותית –Artificial Intelligence, שהיא היכולת לתכנת מחשבים לפעול באופן המציג יכולות המאפיינות את הבינה האנושית –  נמצאת בכל מקום. למעשה סביר מאוד שאתם משתמשים בה בדרך כזאת או אחרת ואפילו לא מודעים לכך. 

 

אחד היישומים הפופולריים של AI הוא Machine Learning – ML. יישום בו מחשבים, תוכנות ומכשירים משתמשים באמצעים המדמים קוגניציה הדומה מאוד למוח האנושי. במאמר זה נסקור מספר דוגמאות ליישומי ML בחיי היום יום שלנו.

עוזר אישי וירטואלי

Siri, Alexa, Google Assistant הן כמה דוגמאות פופולריות של עוזר אישי וירטואלי. ממש כפי שמרמז שם היישום, הם עוזרים אישיים, במקרה הזה – של הפעלת תכונות מסוימות או מציאת מידע. יישומים אלה מופעלים באמצעות קול המשתמש, ומאפשרים ביצוע פעולות או הפנייה למידע מבוקש: "מה מתוכנן לי בלוח הזמנים היום?", "פתח/י את אפליקציית X", "מתי יוצאות טיסות החודש מתל אביב לניו יורק?" ועוד.

 

על מנת לספק את המענה המבוקש העוזר האישי מחפש מידע, מבצע שאילתות הקשורות לבקשה שלך, או שולח פקודה למשאבים אחרים (כמו אפליקציות טלפון) כדי לאסוף מידע או לבצע משימה מסוימת: "הגדירי התראת שעון מעורר בשעה 6 מחר בבוקר", "הזכר לי לבקר במשרדי ויזה מחר" וכו'. 

 

 

Machine Learning הוא חלק מאוד חשוב בפיתוח אפליקציות העוזר הוירטואלי. היישום אוסף ומעדכן מידע על סמך התקשרויות קודמות של המשתמש איתם. בהמשך היישום משתמש בנתונים אלו על מנת לעבד תוצאות שיתאימו להעדפות המשתמש בצורה מדויקת יותר.

עוזרים וירטואלים משולבים במגוון של פלטפורמות, כמו:

  •  Amazon Echo, Google Home ו-Apple HomePad.
  • Siri, Google Assistant, Cortana
  • Apple watch 

ניבוי תנועה בדרכים

כמעט כל אחד מאיתנו שנוסע בדרכים, משתמש או מתלווה למי שמשתמש בשירותי ניווט לווייניים –  GPS.  בזמן השימוש בטכנולוגיית GPS המיקום הנוכחי שלנו והמהירויות נשמרים בשרת מרכזי לניהול התנועה. נתונים אלה משמשים אחר כך לבניית מפת התנועה בכל רגע נתון.  על בסיס חוויות יומיומיות של מספר משתמשי GPS ניתן לנתח מספר רב של נתונים, ולמידה ממוחשבת תעזור לתרגם אותם לאמדן האזורים בהם עלולה להיווצר צפיפות, למשל. 

דוגמה נוספת ליישום ספציפי זה הוא רשתות התחבורה המקוונות. ג'ף שניידר, המוביל את הנדסת Uber ATC חשף בראיון כי Uber  משתמשת ב ML  על מנת להגדיר מחירון שעתי על ידי חיזוי וביקוש. כך שבעת הזמנת נסיעה היישום יכול לחשב את כל הפרמטרים ולהעריך את מחיר הנסיעה, לחשב עומסים ועוד.

מעקב וידאו

תארו לכם שהייתם צריכים לחפש באופן פרטני אדם המופיע במספר סרטוני וידאו. מתיש לא?

כך נאלצו לבדוק בעבר בלשי משטרה במטרה לאתר פושעים. אין ספק, כי בדרכים הישנות מדובר בעבודה סיזיפית. למידת מכונה עושה את העבודה הרבה  בקלות ובמהירות רבה יותר.

מערכות מעקב וידאו המופעלות כיום על ידי AI מאפשרות זיהוי פשיעה אף לפני שהיא מתבצעת! המערכת לומדת לעקוב אחר התנהגות יוצאת דופן של אנשים כמו אדם העומד ללא תנועה במשך זמן רב, אדם שמועד, אישה היושבת ללא תנועה על ספסל וכדומה. במקרים אלו המערכת תתריע לעובדים האנושיים במקום, ובכך יוכלו למנוע תקלות, פשיעה ובמספר לא מבוטל של מקרים אף להציל חיים.

כל עוד פעולות כאלה מדווחות ונספרות בצורה נכונה, הן עוזרות לשפר ולייעל את שירותי הפיקוח. למידת מכונה זאת מתרחשת ב  backend (הקצה האחורי של המערכת).

המדיה החברתית

פלטפורמות מדיה חברתית משתמשות בלימוד מכונה עבור יתרונות שונים להן ולמשתמשים שלהן.

לפניכם כמה דוגמאות לתכונות נפלאות בהן משתמשות הרשתות החברתיות שכולנו מכורים להן וכלל לא היינו מודעים לכך שמדובר ביישומי ML – למידת מכונה.

אנשים שאתה עשוי להכיר: מכירים את היכולת הזו? זאת למידת מכונה שעובדת על עיקרון פשוט מאוד: הבנת חוויות המשתמש. פייסבוק רואה ברציפות את החברים שאתה מחובר אליהם, את הפרופילים שבהם אתה מבקר לעיתים קרובות, תחומי העניין שלך, מקום העבודה שלך או קבוצה שאתה משתף עם מישהו וכדומה. על בסיס למידה מתמשכת זאת, פייסבוק יודעת להציע לך משתמשי פייסבוק שייתכן מאוד ותרצה להתחבר איתם.

זיהוי פנים: קרה לכם שהעלאתם תמונה עם אדם נוסף שפייסבוק תייג מיד בשמו?  פייסבוק בודק מאפיינים ייחודיים בתווי פנים ובכך מצליח להתאים אותם לאנשים ברשימת החברים שלך. תהליך ה ML הזה כולו נראה פשוט כלפי חוץ (בקצה הקדמי), אך עבודת דיוק כזאת היא מסובכת מאוד ונעשית כולה ב backend.

זיהוי אובייקטים ותיוגים: לימוד מכונה הוא מרכיב הליבה של החיזוי הממוחשב, הטכניקה מאפשרת חילוץ מידע שימושי מתמונות וסרטוני וידאו. Pinterest משתמש בלמידת מכונה כדי לזהות את האובייקטים (או התיוגים) בתמונות ולהמליץ על תיוגים דומים בהתאם.

ספאם ותוכנות זדוניות

קיימות מספר מערכות סינון של 'דואר זבל' הנמצאות בשימוש חברות הדואר האלקטרוני הפופולריות כיום. 

ML מופעלת במקרים אלו על מנת לוודא כי מערכות אלו מתעדכנות כל הזמן. בתחום זה נעשים כל הזמן ניסיונות מרובים לפרוץ את מערכת הכללים ובאמצעות גישות מעודכנות יותר המופעלות על ידי למידת מכונה ניתן לסנן בקלות יותר דואר זבל.

תמיכת לקוחות מקוונת

הרבה מאוד אתרי אינטרנט מציעים אפשרות של שיחת צ'ט עם נציג שירות ותמיכה בזמן שהמבקרים גולשים באתר. עם זאת, לא לכל אתר יש נציגי שירות בשר ודם הזמינים בכל רגע נתון למענה שאלות הלקוחות. לכן באחוז גבוה מאוד מהפעמים הגולש משוחח למעשה עם chatbot. יישום של ML.

בוטים אלה נוטים לחלץ מידע מהגולש איתו הם מדברים, תוך כדי שיחה. במהלך הזמן הבוטים נוטים להבין את השאלות של הגולשים טוב יותר ולשרת אותם עם תשובות מדויקות יותר. הדבר מתאפשר באמצעות אלגוריתם של למידת מכונה.

המלצות מוצרים

 

שאתם רוכשים לדוגמה מוצר באפליקציית קניות לאחר כמה ימים אתם מתחילים לקבל המלצות בנוסף תוכלו לשים לב שהאתר או האפליקציה מתאימה את עצמה וממליצה לך על פריטים שאיכשהו תואמים לטעם שלך.

אין ספק, AI מחדד את חווית הקנייה, אבל האם ידעת שמכונת למידה עושה את הקסם בשבילך? על בסיס ההתנהגות שלך עם האתר / App, רכישות בעבר, פריטים שאהבתם או הוספתם לעגלה, העדפות המותג וכדומה, ככה נוצרים המלצות המוצרים באותם אתרים / אפליקציות.

 

מנועי חיפוש

Google ומנועי חיפוש אחרים משתמשים בלמידת מכונה על מנת לשפר את תוצאות החיפוש עבור הגולשים. בכל פעם שמתבצע חיפוש, האלגוריתמים שב- backend שומרים את התגובה לתוצאות שהתקבלו.

אם נפתחו התוצאות המובילות והגולשים נשארו בדף האינטרנט למשך זמן רב, מנוע החיפוש יניח שהתוצאות שהוצגו היו מספקים בהתאם למידע המבוקש. לעומת זאת, אם תגיעו לדף השני או השלישי של תוצאות החיפוש, ולא תפתח אף אחת מהתוצאות, מנוע החיפוש יעריך כי התוצאות שהוצגו אינן תואמות את הדרישה. דרך זו מאפשרת לאלגוריתמים של למידת המכונה העובדים ב- backend לשפר את תוצאות החיפוש.

זיהוי הונאות מקוונות

למידת מכונה מוכיחה את הפוטנציאל הטמון בה בהפיכת המרחב הוירטואלי למקום בטוח. מעקב הונאות כספיות באינטרנט היא אחת הדוגמאות לכך.

דוגמה מצוינת לכך היא Paypal המשתמשת ב ML להגנה מפני הלבנת הון. החברה משתמשת במגוון כלים המסייעים להם להשוות מיליוני עסקאות המתרחשות מדי יום ולהבחין בין עסקאות לגיטימיות או בלתי לגיטימיות המתקיימות בין הקונים למוכרים.

סדרה חדשה של YouTube, בשם The Age of AI

בואו נדבר עסקים

מחפשים פיתוח אפליקציות AI, מלאו  את הפרטים בטופס הבא ונחזור אליכם בהקדם. 

אפשר גם להתקשר אלינו: 04-3748634 או לכתוב מייל: info@kokoapps.co.il

 

    [wpgdprc "על ידי שמוש בטופס זה הינך מסכים לתקנון ולמדיניות הפרטיות של אתר זה."]

    מקורות:

    Machine learning for email spam filtering: review, approaches and open research problems: Emmanuel GbengaDadaaJoseph StephenBassiaHarunaChiromabShafi'i MuhammadAbdulhamidcAdebayo OlusolaAdetunmbidOpeyemi EmmanuelAjibuwae

    דילוג לתוכן