האם בינה מלאכותית יכולה להתקיים ללא למידת מכונה?

Anna Novikova

בדיאלוגים על מוצרים, במצגות למשקיעים ואפילו בדמואים של ספקים, המונח "בינה מלאכותית" משמש לעיתים כמטרייה לכל דבר – ממודלים לחיזוי ועד צ'אטבוטים ואוטומציה. הקיצור הזה מובן, אבל הוא יוצר בעיה אמיתית למקבלי החלטות: אי‑אפשר לבחור את הגישה הנכונה או להעריך סיכונים, עלויות והיתכנות אם מתייחסים ל"בינה מלאכותית" ו"למידת מכונה" כמונחים זהים. האם מערכות AI יכולות להתקיים ללא למידת מכונה?

התשובה היא כן. בינה מלאכותית היא תחום רחב יותר, ולמידת מכונה היא אחת השיטות לממש אותו. היסטורית ועד היום, רבות מהיכולות המיוחסות ל‑AI נובעות מהסקה סמבולית, חיפוש ואופטימיזציה, חוקים שמומחים הגדירו ומאגרים מבוססי ידע – ולא ממודלים מאומנים על כמויות עצומות של נתונים. עם זאת, AI שאינו מבוסס ML בדרך‑כלל צר יותר, פחות אדפטיבי ושביר יותר בסביבות עשירות בנתונים. בפועל, מערכות עסקיות אמינות רבות הן דווקא היברידיות ומשלבות זיהוי דפוסים של ML עם חוקים דטרמיניסטיים לצורך שליטה, עמידה בדרישות ופיקוח.

מה זה בעצם בינה מלאכותית?

אחת הדרכים להבין מהי "בינה מלאכותית" היא להתבונן בהגדרות של גופי תקינה ומדיניות. מסגרת ה‑OECD משנת 2023 מגדירה מערכת AI כמערכת מבוססת מכונה המסיקה כיצד להפיק תוצאות – למשל תחזיות, תוכן, המלצות או החלטות – היכולות להשפיע על סביבה פיזית או וירטואלית. למערכות אלה רמות שונות של אוטונומיה ואדפטיביות לאחר הפריסה.

שתי מסקנות חשובות לקוראים עסקיים:

• בינה מלאכותית היא קטגוריית‑על. הגדרת ה‑OECD מציינת במפורש כי AI כוללת גם למידת מכונה וגם גישות מבוססות ידע. כלומר ML היא חלק מהתמונה, אבל לא כולה.
• AI עוסקת ביכולת ובהתנהגות, לא בטכניקה אחת. מערכת שמסיקה באמצעות חוקים מפורשים, מחפשת את הפעולה המיטבית או מפעילה היסק לוגי יכולה להיחשב "דמוית AI" גם אם היא אינה מאמנת מודלים. מסמכי רגולציה אירופיים מחלקים את תחום ה‑AI לשתי קבוצות: גישות מבוססות ML וגישות לוגיקה/ידע הכוללות היסק סמבולי, מערכות מומחה ושיטות חיפוש ואופטימיזציה.

מהי למידת מכונה?

למידת מכונה היא תת‑תחום של בינה מלאכותית המתמקד במערכות המשתפרות באמצעות ניסיון – לרוב באמצעות לימוד דפוסים מנתונים במקום להסתמך על חוקים כתובים. לפי הגדרה תפעולית מקובלת, "למידת מכונה" מתרחשת כאשר ביצועי התוכנית במשימה מסוימת משתפרים בעקבות ניסיון לפי מדד מוגדר.

חשוב להדגיש כי בלמידת מכונה אינך מגדיר במלואו את הדרך שבה המערכת צריכה להחליט בכל מקרה. במקום זאת, אתה מגדיר את המשימה, מספק דוגמאות (נתונים) ומשתמש באלגוריתמים כדי לאמן מודל שמכליל על קלטים חדשים. מסמכי ההסבר של ה‑OECD מתארים ML כסט טכניקות המאפשרות למכונות לשפר ביצועים ולייצר מודלים באופן אוטומטי באמצעות חשיפה לנתוני אימון.

לכן הוויכוח בין "בינה מלאכותית" ל"למידת מכונה" אינו רק סמנטי – הוא משנה את מה שנדרש כדי להריץ מערכת. AI שאינו מבוסס ML דורש מומחיות דומיין המועברת לחוקים, לוגיקות או מבני ידע. לעומת זאת, AI מבוסס ML דורש נתונים, איטרציה, ניטור מתמשך ותהליך עדכון מודלים. שני הסוגים נחשבים AI, אבל הם מתנהגים אחרת בעולם האמיתי.

האם בינה מלאכותית יכולה להתקיים ללא למידת מכונה?

כן – באופן ישיר והיסטורי. התחום המודרני של AI החל הרבה לפני הגל הנוכחי של למידה מונחית נתונים. סדנת הקיץ בדארטמות' בשנת 1956, שבה השתתפו חוקרים כמו ג'ון מקארתי, נחשבת לנקודת הפתיחה הרשמית של AI כתחום מחקר. באותן שנים היסודות של מערכות AI נשענו על:

• ייצוגים סמבוליים של ידע – עובדות, חוקים ולוגיקה שמומחים הגדירו.
• מנגנוני היסק – הסקת מסקנות באמצעות כללים ושרשראות פעולות.
• אלגוריתמים לחיפוש ולתכנון – חקר אפשרויות כדי למצוא פתרונות או רצפי פעולות מיטביים.
• פונקציות הערכה ונוחות ידניות – קריטריונים שהגדירו מהי תוצאה טובה ומהן עדיפויות.

גם לפי הגדרות מודרניות, ניתן לבנות מערכת AI על ידי שילוב מודלים שפותחו ידנית (למשל אלגוריתמים להחלטה והיסק) או מודלים הנוצרים אוטומטית באמצעות ML. קלט למערכת AI יכול לכלול ידע, חוקים וקוד – לא רק נתונים. לכן AI יכול להתקיים ללא ML, משום שהמטרה הרחבה היא לבנות מערכות שמפגינות התנהגות אינטליגנטית, ואילו ML היא רק אחת הדרכים להשיג זאת.

איך נראתה בינה מלאכותית לפני השתלטות למידת המכונה

לפני שלמידת מכונה הפכה לברירת המחדל, ההצלחות הבולטות ביותר בתעשייה היו מערכות סמבוליות ומבוססות חוקים, במיוחד מערכות מומחה. שתיים מהדוגמאות הקלאסיות הן:

• DENDRAL – מערכת מומחה לניתוח כימי שפותחה בשנות ה‑60 באוניברסיטת סטנפורד, והצליחה להתחרות במומחים אנושיים בזיהוי חומרים.
• MYCIN – מערכת משנות ה‑70 לאבחון זיהומי דם ולהמלצה על טיפולים. היא יכלה לשאול שאלות, להשתמש במאות חוקים מסוג "אם‑אז" ולהסביר את מהלך ההסקה שלה.

ערכן של מערכות אלו לא נבע מ"למידה", אלא ממבנה ידע ברור:

• בסיס ידע – אוסף העובדות והחוקים.
• מנוע הסקה – מנגנון שמיישם את החוקים על העובדות ומגיע למסקנות.
• שביל הסבר – תיעוד איזה חוקים הופעלו ולמה; יכולת הסבר זאת עדיין נחשבת חשובה מאוד בסביבות מפוקחות.

עם זאת, ככל שהמערכות הסמבוליות גדלו, התגלו מגבלות. תופעה מוכרת היא שבריריות: המערכת פועלת היטב בתוך גבול מוגדר של מיומנות, אך עלולה להיכשל בחדות כאשר התנאים משתנים. בנוסף, תהליך הנדסת הידע – לכידת כלל החוקים והתחזוקה שלהם – הוא עתיר עבודה, ועדכון שוטף יכול להיות יקר כמו הפיתוח הראשוני.

איך פועלת בינה מלאכותית ללא למידת מכונה

כאשר מסירים את כל הסיסמאות, AI ללא ML הוא בעיקר עניין של מבנה מפורש: בני אדם מקודדים ידע ולוגיקת החלטות בצורה שהמחשב יכול להחיל בעקביות. אפשר לחלק את הסוגים המרכזיים לפי האופן שבו הם מתנהגים בתהליך עסקי:

מערכות מבוססות חוקים

אלו הן מערכות "אם תנאי אז פעולה/מסקנה" קלאסיות. הן מפרידות בין הכללים – הידע של העסק או הדומיין – לבין המנוע שמיישם אותם. מערכות מומחה הן דוגמה מוכרת: הן אוגרות חוקים רבים ומיישמות אותם על מקרה כדי להגיע להמלצות, לרוב עם אפשרות לעקוב אחר מסלול ההיסק.

עצי החלטה וזרימות לוגיות

עצי החלטה מוכרים לנו גם מעולם ה‑ML, אך מבנם הטבעי מתאים גם למדיניות דטרמיניסטית: סדרה היררכית של שאלות המנתבת כל מקרה לתוצאה. כך עובדים רוב הצ'אטבוטים בתפריטים: המשתמש בוחר אפשרויות, והמערכת פועלת לפי עץ החלטות קבוע כדי להשלים תהליכים.

מערכות חיפוש ואופטימיזציה

במקום "ללמוד", מערכות אלה מחשבות: הן סורקות מרחב אפשרויות כדי למצוא פתרון טוב או אופטימלי. אלגוריתם A* הקלאסי למשל מגדיר כיצד להשתמש בידע היסקי כדי לצמצם את החיפוש ועדיין למצוא נתיב בעלות מינימלית. במשחקים כמו שחמט, חיפוש מינימקס וגיזום אלפא‑ביתא הם טכניקות AI לבחירת פעולות על ידי חקירת עץ המשחק בצורה יעילה. דוגמה עסקית ידועה היא דיפ בלו של IBM, שניצח את גארי קספרוב ב‑1997 בעיקר באמצעות חיפוש משחקים ופונקציות הערכה מתוחכמות, ללא שימוש ב‑ML כפי שמכירים היום.

היסק סמלי (AI לוגי)

AI לוגי מתמקד בייצוג ידע במערכות פורמליות (למשל פסוקי לוגיקה) ובהסקת מסקנות באמצעות כללים. התחום שואף לתת למכונות יכולת "היגיון בריא" ולבנות מערכות היסק שמצדיקות את המסקנות שלהן.

מערכות מבוססות ידע וגרפים

מערכות אלו מייצגות ישויות, קשרים וחוקים בצורה מפורשת. גרף ידע, למשל, הוא רשת מבנית של ישויות וקשרים המאוחסנת כגרף (צמתים וקשתות), המאפשרת שליפה והיסק בהקשר רחב. בארגונים זה מסייע ליישור טרמינולוגיה, לניהול קשרים ולעמידה בתקנות כאשר צריכים יותר מבנה מאשר אוסף רשומות מבודדות.

היכן AI ללא ML עובד היטב – והיכן הוא נופל

AI ללא ML יכול להיות בחירה מצוינת – אבל רק כאשר הוא מתאים למציאות של סביבת ההחלטות.

היכן הוא עובד היטב

• תהליכים עם חוקים ברורים ויציבים. במערכות המצריכות עמידה בכללים רגולטוריים ויכולת הסבר, חשוב שכל תשובה תהיה דטרמיניסטית וניתנת לבחינה. מערכות מבוססות חוקים מצטיינות במעקב אחר כללי עמידה וביצירת תיעוד ברור עבור מבקרים, לקוחות או רגולטורים.
• תהליכים עסקיים דטרמיניסטיים. אישורים, בדיקות זכאות ואכיפת מדיניות נהנים מיחס של "אותו קלט → אותו פלט". בחוקים ניתן לעיין ולשנות תנאי שמובילים לתוצאה ספציפית, ובדרך כלל אפשר גם ליצור הסבר קריא לאדם.
• אוטומציה צרה. כאשר הארגון מגדיר תחום פעולה מצומצם שבו החריגות נדירות, מערכת מבוססת חוקים יכולה להיות יעילה מאוד ולהעביר כל מקרה חריג לאדם.

היכן הוא נופל קצר

• התאמה לנסיבות משתנות. שינויים בעולם מחייבים לעדכן את הכללים באופן ידני. "צוואר בקבוק" בהנדסת ידע ידוע כבר שנים רבות: ככל שמערכת גדלה, תחזוקת מערכת הכללים הופכת ליקרה.
• שבריריות בקצוות. מערכות יכולות לקרוס בפתאומיות כאשר הן מקבלות מקרים מחוץ לתחום המיומנות שלהן. דוחות על מערכות מומחה כמו MYCIN מצביעים על כך שאפילו כאשר המערכת מצטיינת בתחומה, היא חסרת "שכל ישר" ועשויה להפיק תשובות לא מתאימות כשהיא מתמודדת עם תרחישים לא צפויים.
• קושי עם אותות לא מובנים. כללים סמבוליים מתקשים להתמודד עם נתונים לא מובנים ורב‑ממדיים כמו שפה טבעית, תמונות, אודיו או דפוסי התנהגות. ההתעוררות מחדש של למידה עמוקה קשורה לפריצות דרך בדיבור ובזיהוי אובייקטים, משום שהיא מפחיתה את התלות בתכונות ידניות ובכללים נוקשים.

למה למידת מכונה שינתה את המשחק – ולמה כיום שולט AI היברידי

למידת מכונה הפכה למרכזית ב‑AI משום שהיא מאפשרת התמודדות עם סביבות שבהן כמעט בלתי אפשרי לכתוב חוקים מראש. רשתות עמוקות הוכיחו שהן יכולות ללמוד ייצוגים ישירות מנתונים גדולים, והביאו לקפיצות ביצועים בתחומים כמו עיבוד תמונה ודיבור – תחומים שבהם כתיבת כללים הגיעה לקצה גבול היכולת.

זו גם הסיבה ש"למידת מכונה ב‑AI" מופיעה בכל שיחה עסקית כיום. בעיות עסקיות רבות בעלות ערך גבוה הן עתירות דפוסים, דינמיות ומלאות נתונים – למשל זיהוי הונאות, חיזוי נטישת לקוחות, תחזיות ביקוש, התאמה אישית, רלוונטיות חיפוש וממשקי שפה. בסביבות אלו למידה מנתונים לרוב עולה על לוגיקה מפורשת, בתנאי שמשקיעים באיכות נתונים, הערכה, ניטור ואימון מחדש מתמשך.

עם זאת, ML אינו מבטל את הצורך בבקרות דטרמיניסטיות. הוא משנה את מה שהמערכת עושה טוב (הסקה הסתברותית) ואת מה שצריך לפקח (חוסר ודאות, סטיות וסיכונים). הנחיות מודרניות מדגישות חשבוניות, שקיפות ויכולת הסבר כתכונות אמון מרכזיות – דרישות שמניעות לעתים קרובות הוספת שכבות כללים מסביב למודלים.

להלן השוואה ממוקדת עבור בעלי מוצר ומנהלי תפעול:

סינתזה זו נובעת ישירות מהדרך שבה מערכות מומחה פועלות (בסיס ידע + מנוע הסקה + מסלולי הסבר), מהאופן שבו ML מוגדר (שיפור באמצעות נתונים) ומהתמקדות מסגרות ניהול הסיכונים המודרניות בחשבוניות ושקיפות.

דוגמאות מהעולם האמיתי שממחישות את ההבדל

• צ'אטבוטים תסריטיים או מבוססי תפריטים הם דוגמה טובה לאוטומציה דמוית AI ללא ML: הם מתנהגים כמו עץ החלטות, עובדים היטב במשימות טרנזקציוניות חוזרות אך מתקשים בשאלות חדשות מכיוון שאינם יכולים להכליל מעבר למה שהמעצבים חזו.
• MYCIN מדגימה AI סמלי/מומחה: היא השתמשה בחוקי ייצור ויכלה להסביר את reasoning שלה. עם זאת, היא נשארה צרה ועלולה לפעול בצורה לא הולמת מחוץ לתחום שלה – סוגיה שעדיין מרכזית בדיונים על בטיחות וממשל.
• דיפ בלו של IBM הוא דוגמה ל‑AI מבוסס חיפוש. הצלחתו נבעה ממנוע חיפוש משחקי, מחשוב מקביל ופונקציות הערכה – היסק עוצמתי באמצעות חיפוש ולא למידה מנתונים.
• מערכות דיבור וראייה מודרניות מראות מדוע למידת מכונה "שינתה את המשחק": למידה עמוקה והיכולת ללמוד ייצוגים הביאה לפריצות דרך בזיהוי דיבור ואובייקטים.
• מקרה הונאות בביטוח בריאות ממחיש מדוע בארגונים אמיתיים מערבבים שיטות: הוספת "טריגרים" מבוססי חוקים למודלי ML שיפרה את הביצועים במניעת הונאה בהשוואה למודלים ללא כללים.

מדוע AI היברידי חשוב ביותר בפועל

התבנית הארגונית המגינה ביותר אינה "חוקים מול ML", אלא "חוקים ו‑ML, כל אחד במקומו". כך זה נראה בהנחיות סיכון מודרניות עבור מערכות גנרטיביות: מומלץ ליישם מסנני תוכן שיכולים להיות מבוססי כללים או להיעזר במודלים נוספים כדי לזהות תוכן בעייתי – זו הצהרה ברורה של ארכיטקטורה היברידית: יצירה הסתברותית בתוספת בקרות דטרמיניסטיות.

דפוס זה נוכח גם בעיצוב מוצרים יומיומיים. בפתרונות צ'אט ללקוחות, "צ'אטבוטים היברידיים" משלבים לוגיקה מבוססת חוקים עם יכולות ML: חוקים עבור זרימות מובנות ו‑ML לאינטראקציות מורכבות יותר. במחקר, תחום AI נוירו‑סמלי שואף לאחד היסק סמלי עם גישות נוירונים על מנת לקבל מערכות שמכירות בדפוסים וגם מסיקות בהיגיון.

מבחינה עסקית, עיצוב היברידי טוב נראה בדרך כלל כך:

• ML מחזיר ציון, קטגוריה או המלצה; חוקים מיישמים ספי החלטה, חריגים ואישורים.
• מודלים של ML או מערכות גנרטיביות מציעים פלטים; מסננים דטרמיניסטיים ובדיקות ממשל מונעים התנהגות לא בטוחה, לא תואמת או בעלת איכות נמוכה.
• גרפי ידע מתעדים את "האמת הארגונית"; ML משתמש בהם כקונטקסט מובנה, וחוקים משתמשים בהם כאילוצים – הדבר משפר עקביות ויכולת איתור שגיאות.

התשובה הסופית: האם AI יכול להתקיים ללא ML בעולם של היום?

כן – AI ללא ML קיים לחלוטין, ולפעמים הוא עדיף כאשר נדרשות החלטות דטרמיניסטיות, לוגיקה ניתנת לסקירה ושבילי ביקורת ברורים. עם זאת, הוא מוגבל ופחות עמיד בסביבות עמומות, עוינות או משתנות במהירות.

הגישה הטובה ביותר עבור רוב המוצרים המודרניים אינה אידאולוגית אלא ארכיטקטונית: לשלב למידת מכונה במקום שבו למידה וזיהוי דפוסים מייצרים יתרון, ולעטוף אותה בחוקים וממשל במקום שבו הארגון חייב להבטיח בטיחות, עמידה בדרישות ויכולת הסבר. כשבוחנים "AI לעומת ML" עבור מפת דרכים, נקודת הפתיחה הפרקטית היא למפות את ההחלטה שאתם רוצים לאוטומט ולהבחין מה חייב להישאר דטרמיניסטי, מה יכול להיות הסתברותי והיכן אי‑אפשר להתפשר על עקיבות.

גישה זו מתאימה לגישה ההנדסית הייעוצית של צוותים כמו Intersog ישראל, שמתרגמים כוונת עסק למערכות שניתן ליישם בפועל.

מסקנה

בינה מלאכותית היא מונח גג; למידת מכונה היא תת‑קבוצה אך לא ההגדרה של AI. AI ללא ML אמיתי, משמעותי ופועל בתוך מגבלות ברורות. עם זאת, AI ארגוני מודרני בעל השפעה גבוהה נסמך יותר ויותר על שילוב של למידת מכונה ולוגיקה דטרמיניסטית – משום שהשילוב בין אדפטיביות לשליטה הוא המפתח להצלחה.