אין הזדמנות שנייה: איך יודעים שה-Physical AI עושה את הדבר הנכון?

כתב: ארז מוסקוביץ', מייסד שותף של Tasq AI. משפט אחד שנאמר בכנס Physical AI של אנשים ומחשבים ו המטה הלאומי לבינה מלאכותית , שנערך באחרונה, לא יוצא לי מהראש: אלקנה אסולין , סגן נשיא באינטל, ניסח את זה בפשטות כשאמר ש-"בעולם הפיזי אין הזדמנות שנייה". זהו ההבדל החשוב ביותר בין Physical AI לבינה המלאכותית שהתרגלנו לדבר עליה. אם מודל שפה נותן תשובה גרועה – אפשר לנסח מחדש. לעומת זאת, אם רובוט מקבל החלטה שגויה בפס ייצור, על הכביש, בבית חולים או בשטח – אי אפשר פשוט ללחוץ על "נסה שוב". אותו האתגר, בכל פעם מזווית אחרת לאורך היום שמעתי בכנס את אותו האתגר, בכל פעם מזווית אחרת. כך, למשל, ליאור בן חורין , ראש תחום רובוטיקה לאזור EMEA ב אנבידיה , דיבר על אימון רובוטים בסימולציה, לפני שהם פוגשים את העולם האמיתי. בפאנל על הסטאק, אביחי כהן , מנהל תחום מוצרי אלחוט לקצה ו-Physical AI באינטל, דיבר על הפער בין להראות שרובוט יודע לבצע משימה בפיילוט לבין לגרום לו לבצע אותה נכון, שוב ושוב, לאורך זמן ובסביבה שלא מתנהגת לפי התסריט. ושם, בדיוק שם, מתחילה העבודה האמיתית. קחו פעולה פשוטה לכאורה: רובוט מרים חפץ. האם הוא הצליח להרים אותו? זה דבר שקל יחסית לבדוק. אבל האם הוא אחז בו במקום הנכון? הפעיל את הכוח הנכון? בחר במסלול הבטוח ביותר? האם הייתה דרך מהירה, יציבה או חסכונית יותר לבצע את אותה פעולה? פתאום "הצלחה" היא לא תשובה של כן או לא. לפני שאפשר ללמד מכונה לבצע משהו טוב, צריך להחליט מה נחשב טוב, ומה נחשב מספיק טוב כדי לסמוך עליה. וזה אחד ההבדלים הגדולים בין מודלי שפה לבין Physical AI: אין כאן אינטרנט שלם שאפשר לשאוב ממנו דוגמאות. חלק גדול מהדאטה צריך להיווצר בסימולציות ובאינטראקציות בעולם האמיתי, ואז לעבור בדיקה, דירוג והערכה, כדי שהמערכת תלמד מהתנהגות נכונה ולא סתם מהתנהגות אפשרית. רובוט הומנואידי בכנס Physical AI. מה נחשב אחיזה "נכונה"? צילום: ניב קנטור שיקול דעת איסוף הדאטה, יצירתו והפקת המיטב ממנו הם אתגרים משמעותיים. אבל לצד כל אלה יש אתגר נוסף, שאסור להזניח: איך שופטים את התוצאה, ואיך קובעים מה המערכת צריכה ללמוד ממנה. פה נכנס שיקול הדעת. לפעמים מודל אחר יכול להעריך את התוצאה. לפעמים צריך בני אדם. ובמקרים מסוימים צריך מומחים שבאמת מבינים את התחום, את הסיכון ואת מחיר הטעות. ואת כל זה צריך לעשות שוב ושוב, ובהיקפים גדולים. המקום שבו Tasq AI נכנסת לתמונה זהו בדיוק המקום שבו Tasq AI נכנסת לתמונה: אנחנו עוזרים לצוותים להגדיר מהי התנהגות נכונה, לבדוק אותה באופן שיטתי ולהפוך את ההערכה לתהליך יעיל, עקבי ומנוהל, גם כשהמערכות והנתונים גדלים. לא מדובר בפתרון קסם, אלא במומחיות, עומק וניסיון של שנים בניהול תהליכי דאטה ואימון מודלים, כדי לתת לשותפים שלנו את הדרך הטובה ביותר להתמודד עם שאלה שהופכת חשובה יותר ככל שהמערכות יוצאות מהמעבדה: לא רק מה המכונה יכולה לעשות, אלא מה נכון שהיא תעשה. אחרי יום שלם לצד אנשים שבונים רכבים אוטונומיים, רובוטים, מערכות ביטחוניות, יישומים רפואיים וטכנולוגיה לחקלאות, יצאתי עם מחשבה אחת: לגרום למכונה לעשות משהו – זה החלק הקל. לגרום לה לעשות את הדבר הנכון, בכל פעם מחדש, בעולם שלא מחכה לה ולא נותן לה הזדמנות שנייה – זה האתגר. וזה גם המקום שבו ה-Physical AI תוכיח אם היא באמת מוכנה לצאת מהמעבדה. תודה לאנשים ומחשבים, למטה הלאומי לבינה מלאכותית, לדוברים, למציגים ולכל מי שעצר אצלנו, בביתן של Tasq AI, ושיתף במה שהוא בונה. חלק מהשיחות הטובות ביותר קרו דווקא בתערוכה ובמסדרונות, בין הרצאה להרצאה. הפוסט אין הזדמנות שנייה: איך יודעים שה-Physical AI עושה את הדבר הנכון? הופיע ראשון ב אנשים ומחשבים - פורטל חדשות היי-טק, מיחשוב, טלקום, טכנולוגיות