Geo Intel
מנווטים בתבונה במרחב הדיגיטלי
052-5241650
ליצירת קשר
בינה מלאכותית מתייחסת ליכולת של מחשבים לבצע משימות שלצורך ביצועם בדרך-כלל נדרשת אינטליגנציה אנושית. Alan Turing אבי ה- AI הגדיר בינה מלאכותית כמדע והנדסה של יצירת מכונות חכמות, במיוחד תוכנות מחשב אינטליגנטיות. כיום AI הוא מונח על המשמש לתיאור מגוון שיטות במדעי המחשב אשר משמשות לאוטומציה של תהליכים בהם נדרשת חשיבה אנושית.
חוקרי בינה מלאכותית מתחלקים לשתי קבוצות עיקריות: חוקרים בתחום מדעי המוח אשר עוסקים בהבנת דרכי פעולתו של המוח וחוקרים שפותרים בעיות הנדסיות באמצעות הידע על פעולת המוח. כיום חוקרי מדעי המוח מבינים באופן חלקי בלבד את המכניזם של אינטליגנציה אנושית ולכן לא ניתן עדין לאפיין במלואם אילו תהליכים הנדסיים וחישוביים הנדרשים למימוש בינה מלאכותית. עם זאת, התפתחות בינה מלאכותית בשנים האחרונות מקיפה תחומים מדעיים רבים עם נקודות מבט שונות, בהם מדעי המחשב, הנדסת תוכנה, בלשנות, גיאוגרפיה, פסיכולוגיה, פילוסופיה ועוד שמובילים לפיתוחים הנדסיים ולפריצה גדולה של AI בחיינו.
בהתאם ליכולות, AI מסווגת ל- 3 קטגוריות:
- ANI – בינה מלאכותית צרה (narrow) או חלשה מיועדת בעיקר לביצוע פעולות ספציפיות כגון זיהוי חזותי המשמש בנהיגה אוטונומית, זיהוי דיבור ושפה ללא אלמנט של למידה המודגמים על ידי SIRI, או מערכת המלצות של נטפליקס המבוססת על לימוד העדפות המשתמש ברשת. מערכות אלה הן מאומנות או יכולות ללמוד להשלים משימות ספציפיות.
- AGI – בינה מלאכותית יוצרת (generative) או חזקה. פיתוח יכולת של מכונות לחשוב, להבין וללמוד בדומה לבני-אדם וליישום את הידע שלהן לפתרון בעיות מורכבות יותר מאשר היכולת האנושית. AGI הא במוקד העניין בתחום AI וחברות טכנולוגיה גדולות משקיעות משאבים רבים בקידומו לדוגמא, השקעה של חברת מיקרוסופט בחברת OpenAI.
- ASI – בינה מלאכותית סופר חכמה מתייחסת לפיתוח יכולת חכמה יותר ממוח אנושי ויכולת לבצע כל משימה טוב יותר מבני-אדם. ASI מעלה סוגיות אתיות וחששות מאיבוד שליטה ושימוש מסוכן ביכולות הטכנולוגיות.
תפיסת Geo-AI – גיאוגרפיה והתחום של טכנולוגיות גאו-מרחביות הם דוגמא לשילוב הדדי של טכניקות AI וידע וטכנולוגיות במדעי המרחב (GEO). תפיסה של בינה מלאכותית ומרחב מבוססת על 8 תחומים מרכזיים בהם:
ראייה ממוחשבת
תחום במדעי המחשב העוסק בפענוח, ניתוח ועיבוד של אותות בתחום הנראה בספקטרום האלקטרו-מגנטי. כלומר מתן יכולת למחשב להבין מידע חזותי מתמונות וסרטי וידאו ומתן אפשרות של מניפולציות עליהם. הבעיה המרכזית של ראייה ממוחשבת היא לקבוע את סוג האובייקט המזוהה בתמונה. משימה זו שבדרך כלל יכולה להיפתר ללא מאמץ בידי אדם, עדיין לא נפתרה באופן משביע רצון באופן ממוכן. בשיטות הקיימות מסווגים אובייקטים ספציפיים, כגון אובייקטים בעלי גאומטריה פשוטה, פרצופים אנושיים, כתב יד מודפס, דמויות או כלי רכב, ובמצבים מסוימים, כמו תנאי תאורה המוגדרים היטב, רקע מסוים ועמדה של האובייקט ביחס למצלמה.
גילוי וזיהוי דגמים
תחום מדעי אשר עוסק במחקר ופיתוח מערכות לזיהוי דגמים, דפוסים או תבניות על-ידי סיווג אובייקטים לקטגוריות או קבוצות. תהליך זיהוי תבניות הוא חלק אינטגרלי ברוב המערכות החכמות הנבנות לתמיכה בתהליכי קבלת החלטות. התהליך הוא חלק מסדרה של פעולות של הפיכת מידע גולמי לידע ומבוססת על הקטגוריה של התבנית. בעבר גילוי דגמים בוצע באמצעות טכניקות כריית נתונים (Data Mining) . בשלב הבא פותח תהליך גילוי ידע בבסיסי נתונים (KDD) שמטרתו הפיכת נתונים גולמיים למידע מעובד, מיצוי ומקסום המידע על ידי זיהוי דגמים, תופעות, אירועים ופעילויות. KDG הוא מקרה פרטי של תהליך גילוי ידע המתמקד בהפקת תובנות על בסיס מיקום באמצעות מערכת מידע גיאוגרפי.
למידת מכונה ולמידת עומק (Machine and Deep learning)
למידת מכונה הוא תחום במדעי המחשב העוסק בפיתוח יכולת חישובית המדמה את תהליך הלמידה האנושי של זיהוי חוקים ודגמים על בסיס ידע מוקדם (ניסיון העבר) ושיפור המשימות באמצעות מדידת ביצועים בתהליך אימון. תהליך הלמידה מבוסס כאמור, על 3 שיטות עיקריות (supervised, unsupervised, reinforcement) ולצורך הלימוד משתמשים בדוגמאות שעברו קטלוג ותיוג אנושי ומגדירים באופן נכון את התוצאה הרצויה. המחשב בודק מקרים חדשים בדומה למקרים בהם התבצע האימון ומשפר את הביצועים עד השגת רמה נדרשת של דיוק. במדעי המחשב קיימים תהליכי לימוד סטטיסטיים שונים חלקם מבוססים על נתונים מקוטלגים וחלקם ללא קטלוג. בשנים האחרונות התפרסם תהליך למידה עמוקה (Deep Learning) המדמה את תהליך הלמידה האנושי המבוסס על רשתות נוירונים.
ניתוח טקסטים (Natural Language Processing)
טכניקות NLP כוללות בעיקר ניתוח סמנטי שמטרתו גילוי הנושא שבטקסט וניתוח סנטימנטלי שמטרתו גילוי מידת הרגש שבטקסט – רגש שלילי, חיובי, ניטרלי וכדומה. טכניקות NLP בדומה לטכניקות AI נוספות מבוססות על 3 שיטות למידה: למידה מונחת ומבוססת חוקים (Supervised learning), למידה ללא הנחייה וללא שימוש בחוקים ראשוניים (Unsupervised learning) ושילוב בין השיטות (Reinforcement). בתהליך האימון מוזנים לסביבת הלימוד דוגמאות רבות של טקסטים באמצעותם המערכת מזהה חוקים, מדייקת אותם ומשפרת את אמינות התוצאות לגילוי נושאים ורגשות בטקסטים.
בטקסטים חופשיים ומובנים קיימים לעיתים נתונים עם הקשר גיאוגרפי שניתן לגלותם באמצעות טכניקות של עיבוד שפה טבעית (NLP). קישור טקסטים למפה מאפשר גילוי הקשר מרחבי של נושאים ומידת עוצמתן, זיהוי דגמים במרחב והפקת תובנות על בסיס מיקום כפי שנחשפים בניתוח טקסטים.
בינה במרחב (Spatial Intelligence)
חשיבה גיאוגרפית היא תפיסה וגישה מחקרית המוצאת משמעות במיקום, צורה, גודל, כיוון או מסלול של אובייקטים, תהליכים או תופעות במרחב. חשיבה מרחבית משתמשת במתודולוגיות וכלים אנליטיים מרחביים לניתוח בעיות, למציאת תשובות ולתיאור של פתרונות על בסיס תובנות מרחביות. חשיבה גיאוגרפית היא הבסיס לאנליזה מרחבית והיא מבוססת על שני מושגי יסוד – בינה מרחבית וחכמת המיקום.
- בינה מרחבית היא היכולת האנושית לתפוס במדויק ככל שניתן את העולם החזותי-מרחבי ולעבד מידע על מקומות ומרחבים. יכולות כגון המצאות במרחב, ניווט, זיכרון מרחבי, ראיה תלת ממדית, מבט פרספקטיבי, קריאת מפות ותוכניות אדריכליות, מיפוי מנטלי ועוד.
- חכמת המיקום היא היכולת הטכנית לארגן ולהבין תופעות מורכבות דרך השימוש ביחסים מרחביים הנובעים מנתונים. חכמת המיקום מושגת על-ידי שילוב של נתונים גיאוגרפים עם מידע ארגוני אחר, שימוש בטכניקות של ניתוח מרחבי וויזואליזציה. חכמת המיקום מאפשרת אופטימיזציה של תהליכים ויישומים, השגת תובנות משמעותיות וקבלת החלטות טובות יותר.
מיפוי מנטלי (Cognitive Mapping)
מיקום ומרחב גיאוגרפי הם משהו שאנו מודעים לו באופן מולד. אנו מודעים למקום ע”י רצון קבוע לענות על שאלות כגון היכן אני נמצא ? מי נמצא סביבי ? מה נמצא סביבי ? באיזה דרך ללכת? היכן דברים נמצאים ? וכדומה. היכולת לקבוע היכן אנו מצויים ביחס לסביבתנו – רחובות, עצים וציוני דרך שונים הסובבים אותנו והיכולת שלנו להבין מה ומי נמצא סביבנו ולאן עלינו ללכת היא מיומנות חיונית שבלעדיה ההישרדות האישית שלנו ושל מינים ביולוגיים שונים תמצא בסכנה מידית. התפיסה המרחבית נחוצה כדי להבין ולהעריך את העולם וזהו אחד הצרכים הבסיסיים ביותר של בני האדם.
היכולת לתפוס במדויק את העולם החזותי-מרחבי ולעבד מידע על מקומות ומרחבים מבוצעת באזורים בעומק המוח המרכיבים מפה פנימית של סביבתנו המאפשרת ליצורים חיים (בני-אדם ובעלי חיים) למצוא את דרכם ממקום למקום ביעילות. יכולת אנושית של קידוד ושימוש במידע מרחבי מאפשרים ליצור במוח מפה קוגניטיבית או מפה מנטלית של המרחב. מפות אלו הן חלק מייצוגים פנימיים שבני אדם משתמשים בהם כדי לזכור היכן נמצאים הדברים ואת הקשר שלהם לדברים אחרים וכדי לתכנן התנהגות עתידית. סוג של GPS ביולוגי. מפה קוגניטיבית של כל אדם מושפעת מאוד מתכונות ומצבים אישיים לדוגמא אדם המעדיף מסלול הליכה על-פני מסלול נהיגה או מסלול הליכה בפארק ירוק על פני הליכה ברחוב סואן. לפיכך, בניגוד למרכיבים טכניים של בינה מלאכותית ומרחב, מיפוי מנטלי שייך יותר לתחום של מדעי המוח מאשר לתחום של מדעי המחשב. ידע זה רלבנטי במיוחד לפיתוח יישומים וטכנולוגיות לאנשים עם מוגבלויות.
חיזוי וניבוי (forecaster and predict)
חיזוי הוא פעולה העוסקת בהערכת ההסתברות שמאורע כלשהו יתרחש במסגרת זמן עתידי מסוים. זוהי קביעה העוסקת באירוע עתידי ומנסה להעריך את מהותו באמצעות מידול וחיפוש ממוכן של תבניות אשר יכולות להעיד על תופעה או התנהגות עכשווית ואפילו עתידית, אותה מנסים לאתר. המושג חיזוי מתייחס בדרך-כלל לתופעות פיזיקליות ומתבסס על חוקי הפיזיקה.
חיזוי מסוג זה הוא ודאי כאשר ידועים לנו היטב החוקים המשפיעים על אירוע מסוים, כגון ליקוי חמה או ליקוי ירח. חיזוי ודאי פחות כאשר הידע על אודות הפרטים המשפיעים על אירוע מסוים אינם ידועים בשלמותם. דוגמאות לכך הן תחזית מזג האוויר או חיזוי רעידות אדמה. ניבוי מתייחס בדרך-כלל להתנהגות אנושית ומבוסס על עקרונות מתחום מדעי החברה, כגון פסיכולוגיה, לחיזוי התנהגותו של היחיד, או סוציולוגיה, לחיזוי התנהגותו של ציבור.
GeoAI – מצב קיים ואתגרים בשילוב בין AI ו-GIS
לשילוב בין טכנולוגיות בינה מלאכותית ( (AI וטכנולוגיות גאו-מרחביות כינויים שונים בהם: AIGIS, GISAI, GEOAI ומשמעותם חיבור ושילוב חוזקות של AI ו-GIS באופן הדדי. דהיינו שילוב יכולות GIS לשיפור מערכות מבוססות AI לדוגמא במערכות לגילוי תנועות במרחב ולהיפך, הטמעת טכניקות AI לשיפור תוכנות GIS כדוגמת ARCGIS ו- QGIS. בשנים האחרונות אנו עדים להרחבת יכולות AI בתוכנות GIS בעיקר בתחומים הבאים – אוטומציה וייעול תהליכי מיפוי המרחב, ראייה ממוחשבת, גאו-סטטיסטיקה, ניתוח טקסטים ולמידת מכונה.
- אוטומציה וייעול תהליכי מיפוי המרחב – הטמעת טכניקות AI ב – GIS מאפשר אופטימיזציה של תהליכי ניתוח ועיבוד נתונים מרחביים ושיפור ביצועים במיוחד בתהליכים עתירי עבודה כגון זיהוי וחילוץ אובייקטים גיאוגרפים בדיוק משופר, יצירה ועדכון בסיסי נתונים, סיווג תמונות לפי קריטריונים שונים, יצירה מהירה של מפות מפורטות ועדכניות, ניתוחים מרחביים מורכבים, ניתוחי זמן ומרחב, ניטור בזמן אמת, גילוי שינויים ואנומליות ומתן התראות, שיפור יכולות ויזואליזציה ואינטראקציה עם מידע מרחבי באמצעות שילוב טכניקות AR ו-VR ועוד.
- ראיה ממוחשבת ו- GIS – טכניקות ראייה ממוחשבת מבוססות על טכניקות שמקורן בפענוח אנושי של צילומי אוויר אשר החלו להתפתח בראשית המאה ה- 20 עם התפתחות הצילום האווירי. גילוי אובייקטים באמצעות זיהוי גוון, מרקם, גודל, צורה וכדומה נעשה באופן דומה בצילומים מסוגים שונים – צילום אוויר (תצ”א), צילום רפואי או בתמונה ממצלמה עירונית. שילוב טכניקות של ראייה ממוחשבת ב- GIS נועד לתמוך באוטומציה של תהליך הפענוח ויצירת בסיסי נתונים גיאוגרפים.
- גאו-סטטיסטיקה ו- GIS – התחום של גאו-סטטיסטיקה וניתוח מרחבי כולל מאות רבות של טכניקות לאנליזה של נתונים אשר חלקם שימש אף בעידן האנלוגי של מחקר גיאוגרפי. עשרות שנים של פיתוח אלגוריתמים לניתוח גיאוגרפי הפכו את GIS למערכת מידע ייחודית גם בתקופה שקדמה ל- AI. לפיכך, יש לראות בטכניקות AI גאו-סטטיסטיות חלק מתהליך טבעי ארוך שנים של פיתוח אנליזות מרחביות.
- ניתוח טקסטים ו- GIS – פיתוח של מערכות AI כדוגמת ChatGPS ו- Gimini והטמעתם בתוכנות GIS תורם להרחבת היכולות של גילוי, איתור והנגשת ידע מבוסס גיאוגרפיה. לדוגמא קישור ידע טקסטואלי למקומות, יצירת מסלולי טיולים, איתור אירועים במרחב ועוד. יישומים כדוגמת ChatGPS בתוכנת QGIS היא דוגמא לפוטנציאל הרב של שילוב שתי הטכנולוגיות.
- למידת מכונה ו-GIS – הטמעת טכניקות של ראיה ממוחשבת וניתוח טקסטים (NLP) מבוססי למידת מכונה (ML) ולמידת עומק (DL) הם חלק משילוב מכונות לומדות במערכות GIS. טכניקות מסוג זה רלבנטיות בעיקר למיצוי מקורות מידע ומבנה נתונים גיאוגרפי מסוג רסטר (פיקסלים).
אתגרים מרכזיים ביישום GEOAI – טכניקות AI המוטמעות כיום ב- GIS מאופיינים בחישוביות אינטנסיבית ומיועדים לבצע פעולות ספציפיות ולכן מרביתם יהיו תחת קטגוריה של בינה מלאכותית צרה (ANI) ומקצתם תחת קטגוריה של בינה מלאכותית יוצרת (AGI). עם זאת, אתגרים מרכזיים ב- GEOAI הם בתחומים הבאים:
- גילוי וזיהוי דגמים מרחביים ולמידת מכונה בבסיסי נתונים ווקטורים. לדוגמא – גילוי דגמים של רשתות נחלים ומסלולי זרימה, גילוי דגמים של רחובות ויישובים, דגמים של צורות נוף טופוגרפיים, דגמים של שדות תעופה ועוד.
- יישום עקרונות בתחומי דעת ובינה מרחבית – יכולת הפקת תובנות מרחביות מהמידע שהופק בתהליכים טכניים כגון ראייה ממחושבת וניתוח טקסטים. לדוגמא, הפיכת המידע על זיהוי אנשים וכלי רכב בתמונה על מצב התנועה בדרך – סואנת, עמוסה, דלילה? משמעויות האם זהו כביש ראשי, מרכז העיר, אירוע מסוים? משמעויות בזמן ? אמצע שבוע-סופשבוע? מציאת קשרים בין מספר מוקדים מסוג זה בעיר – האם מעיד על מספר מרכזיים עירוניים? וכדומה.
- חיזוי וניבוי תופעות במרחב ובזמן – שיפור יכולות חיזוי וניבוי מגמות עתידיות על-ידי שילוב של מודלים לזיהוי דגמים בזמן ובמרחב עם טכניקות אנליטיות לחיזוי. מיצוי מידע מנתונים היסטוריים ובשילוב מודלים ותרחישים עתידיים לדוגמא לחיזוי רעידות אדמה ומזג אוויר, ניבוי תהליכים חברתיים, דמוגרפיים ואחרים.