מדעי הנתונים וביג‪-‬דאטה - מדע חדש בהתהוות PDF

‫בחזית המדע‬ ‫מדעי הנתונים וביג‪-‬דאטה ‪ -‬מדע חדש בהתהוות‬ ‫‪1‬‬ ‫ליאור רוקח ורמי שקד‬ ‫המהפכה הדיגיטלית שבה אנו חיים מאפשרת לנו לייצר ולאגור כמויות עצומות של נתונים‪.‬בעשור האחרון התפתח‬...

‫בחזית המדע‬ ‫מדעי הנתונים וביג‪-‬דאטה ‪ -‬מדע חדש בהתהוות‬ ‫‪1‬‬ ‫ליאור רוקח ורמי שקד‬ ‫המהפכה הדיגיטלית שבה אנו חיים מאפשרת לנו לייצר ולאגור כמויות עצומות של נתונים‪.‬בעשור האחרון התפתח‬ ‫המושג של ביג‪-‬דאטה (‪ )Big Data‬או נְ תּונֵ י ָע ֵתק בעברית תקנית‪.‬במקור המושג ביג‪-‬דאטה מתייחס בעיקרו למאגרי‬ ‫נתונים עצומים כל כך עד ששיטות מסורתיות לעיבוד נתונים אינן מתאימות עוד‪.‬אולם לאחרונה רבים נוטים להשתמש‬ ‫במושג ביג‪-‬דאטה כשם כולל לשימוש בטכניקות מתקדמות לעיבוד וניתוח נתונים ללא קשר לגודל הנתונים‪.‬‬ ‫להגיע לשמש ובחזרה כ‪ 10-‬פעמים‪.‬הצפי שעד שנת ‪ 2020‬תגיע‬ ‫רקע‬ ‫כמות הנתונים ל‪ 146-‬ג’יגה לאדם ביום‪ ,‬דהיינו גידול של פי ‪50‬‬ ‫לאחרונה עלתה חברת קיימברידג’ אנליטיקה לכותרות כאשר‬ ‫בתוך עשור‪.‬הנתונים אף הפכו לנכסים משמעותיים של חברות‬ ‫התברר כי חברה זו סייעה בתשלום למטה הבחירות של טראמפ‬ ‫בינלאומיות‪.‬הכוח העיקרי של חברות כגון גוגל או פייסבוק גלום‬ ‫לנתח כמות גדולה של נתונים פרטיים שנאספו ברשת החברתית‬ ‫בנתונים שהם אוספים אודותינו ובניתוח חכם של הנתונים באופן‬ ‫של פייסבוק‪.‬במסגרת זו ביצעה החברה הערכת מבנה אישיות‬ ‫שעונה על צרכיהן העסקיים‪.‬חברות שונות מנפיקות כרטיסי‬ ‫ואופי המוני שלא באמצעות שאלון פסיכולוגי אלא באמצעות ניתוח‬ ‫אשראי עם אפשרות להחזר כספי (‪ (cash back‬רק כדי לקבל גישה‬ ‫העקבות הדיגיטליים שמשאירים המשתמשים ברשת החברתית‪.‬‬ ‫להרגלי הצריכה שלנו‪.‬אף על פי כן ההערכה המקובלת היא שרק‬ ‫שיטה זו פותחה על ידי חוקרי אקדמיה (‪)Kosinski et al., 2013‬‬ ‫כחצי אחוז מכלל הנתונים שנאספים מנותחים בסופו של דבר‪.‬‬ ‫ואפשרה למטה של טראמפ לשלוח לכל הבוחרים הפוטנציאליים‬ ‫מידע תעמולתי המותאם לאישיות שלהם‪.‬אירוע זה הוא דוגמה‬ ‫שלוש מגמות אפשרו את הגידול העצום בכמות הנתונים‪.‬‬ ‫מעשית ליכולות שעידן הביג‪-‬דאטה מביא‪.‬‬ ‫תחילה היו אלה מערכות המידע השייכות לארגונים (כגון בנקים‬ ‫וחברות תקשורת) שאפשרו איסוף נתונים מתמשך‪.‬בהמשך‪,‬‬ ‫המהפכה הדיגיטלית שבה אנו חיים מאפשרת לנו לייצר ולאגור‬ ‫עם הופעת האינטרנט והרשתות החברתיות‪ ,‬התעצמה מגמה זו‬ ‫כמויות עצומות של נתונים‪.‬ההערכה המקובלת היא שכמות‬ ‫כאשר המשתמשים החלו לתרום נתונים בעצמם‪.‬כמות הנתונים‬ ‫הנתונים שנוצרה בעולם בשנתיים האחרונות גדולה משמעותית‬ ‫שכלל האנושות מייצרת כתוצאה משימוש באינטרנט וברשתות‬ ‫מכמות הנתונים שנוצרה לפני כן משחר ההיסטוריה ועד שנת‬ ‫החברתית מגיעה למספרים עצומים‪.‬בכל דקה שחולפת נשלחות‬ ‫‪.2015‬בשנת ‪ 2012‬העריכה חברת הייעוץ ‪ (2012) IDC‬שבשנת‬ ‫למעלה מ‪ 16-‬מיליון הודעות ‪ WhatsApp‬ומבוצעים למעלה מ‪3.5-‬‬ ‫‪ 2010‬השאיר אחריו כל אדם עקבות דיגיטליים של כ‪ 3-‬ג’יגה‬ ‫מיליון חיפושים חדשים בגוגל‪.‬בכל דקה כחצי מיליון ציוצים‬ ‫ַּב ִית (באנגלית‪ )byte :‬של נתונים בכל יום‪ ,‬משמע כשלושה‬ ‫חדשים מתפרסמים ברשת ה‪ ,Twitter-‬ואנו מעלים כרבע מיליון‬ ‫מיליארדי מספרים ואותיות בכל יום‪.‬רק לצורך המחשה ‪ -‬אם‬ ‫תמונות חדשות לפייסבוק‪.‬בכל דקה המשתמשים ברחבי העולם‬ ‫נדפיס את הנתונים הללו על גבי נייר ונסדר אותם בערימה‪ ,‬נוכל‬ ‫‪ 1‬פרופ’ ליאור רוקח‪ ,‬ראש המחלקה להנדסת מערכות תוכנה ומידע‪ ,‬אוניברסיטת בן גוריון בנגב‪ ,‬מייסד המעבדה לביג‪-‬דאטה‬ ‫סא”ל (במיל’) רמי שקד‪ ,‬מרצה וחוקר טכנולוגיות למידה‪ ,‬לשעבר מפקד בית הספר למקצועות המחשב של צה"ל‬ ‫‪7‬‬ ‫>קריאתביניים ‪ 4‬גליון ‪ 4 30‬יולי ‪2018‬‬  ‫חדשים למאגר‪.‬‬ ‫מעלים כ‪ 700-‬שעות וידאו חדשות בעוד שיתר המשתמשים צופים‬ ‫‪.‬גגיוון (‪ -)Variety‬מתייחס למגוון הנתונים הנשמרים במאגר‪.‬‬ ‫בכ‪ 5-‬מיליון סרטונים‪.‬‬ ‫כיום ניתן לאסוף באותו המאגר מגוון רחב של נתונים הכולל‪:‬‬ ‫המגמה השלישית שמשפיעה רבות על גידול בכמות הנתונים‬ ‫נתונים מספריים‪ ,‬טקסטואליים‪ ,‬תמונה‪ ,‬שמע‪ ,‬וידאו‪ ,‬חישה וכו’‬ ‫היא האינטרנט של הדברים (‪.)IoT = Internet of Things‬מדובר‬ ‫פרט לשלושת הממדים העיקריים‪ ,‬יש שמוסיפים שבעה ממדי ‪V‬‬ ‫בנתונים שנוצרים אוטומטית על ידי המכונה וללא התערבות‬ ‫נוספים עד להשלמת ‪ 10‬ממדים‪ ,‬בפרט‪( Variability :‬חוסר עקביות‬ ‫ישירה של המשתמשים האנושיים‪.‬כבר היום כל טלפון נייד מייצר‬ ‫של בסיס הנתונים)‪( Veracity ,‬אי‪-‬אמינות)‪( Volatility ,‬אי‪-‬זמינות)‪,‬‬ ‫כמות עצומה של נתונים באמצעות החיישנים שנמצאים בתוכו‪.‬‬ ‫‪( Validity‬נכונות)‪( Vulnerability ,‬פגיעות)‪( Value ,‬ערך)‪Visualization ,‬‬ ‫במחקר שביצענו לאחרונה הסכימו חמישים נבדקים להתקין‬ ‫(ויזואליזציה)‪.‬‬ ‫תוכנה על גבי הטלפון הנייד שלהם כדי שזו תדגום חלק קטן‬ ‫מהנתונים שמיוצרים על ידי החיישנים‪.‬לאחר כשנה של דגימה‬ ‫השלבים העיקרים בפיתוח מערכות מבוססי נתוני עתק הם אלה‬ ‫התקבל בסיס נתונים הכולל ‪ 10‬מיליארדי רשומות (‪Mirsky et al.‬‬ ‫(‪:)Maimon & Rokach, 2010‬‬ ‫‪.)2017‬הרכבים האוטונומיים הצפויים לכבוש את כבישי ארצנו‬ ‫‪.‬אאיסוף הנתונים הגולמיים – בשלב זה הנתונים הגולמיים‬ ‫בעשור הבא כוללים מספר גדול עוד יותר של חיישנים העוקבים‬ ‫נאספים ומאוחסנים בתוך בסיסי הנתונים‪.‬לרוב שלב זה‬ ‫בצורה רציפה אחר הסביבה‪.‬נתונים אלו נאספים על ידי חיישני‬ ‫נעשה ממילא כחלק מהתפעול השוטף של מערכת המידע‬ ‫רכב המשותפים למספר כלי רכב‪ ,‬וזאת כדי למנוע היווצרות של‬ ‫ולפני שמחליטים על השימושים העתידיים שייעשו בנתונים‪.‬‬ ‫גודש תנועה או כדי להתריע בפני סכנות בכביש‪.‬‬ ‫במרבית הארגונים נוקטים בגישה של “אסוף כפי יכולתך”‬ ‫ההתפתחות האדירה הזו המלווה אותנו בשנים האחרונות בכל‬ ‫ושומרים את כל הנתונים‪.‬‬ ‫תחומי החברה‪ ,‬תעשייה‪ ,‬כלכלה‪ ,‬שירות‪ ,‬בידור‪ ,‬חינוך ורפואה‬ ‫‪.‬בהגדרת מטרות המערכת – בשלב זה מחליטים מה המטרה‬ ‫יוצרת לארגונים ממשלתיים‪ ,‬ציבוריים ופרטיים אתגרים לא‬ ‫העיקרית של מערכת הביג‪-‬דאטה ואילו מטרות מצפים‬ ‫פשוטים‪ ,‬כאשר הם באים לנתח‪ ,‬להבין ולעשות שימוש בנתונים‬ ‫להשיג‪.‬‬ ‫הנאגרים במערכות אלה כדי לשפר את יעילותם ורווחיותם‪.‬‬ ‫‪.‬געיבוד מקדים – בשלב זה מכינים את הנתונים לצורך ניתוחם‪.‬‬ ‫מורכבות הנתונים וכמויות הנתונים הנאספים מדי יום בארגונים‬ ‫העיבוד המקדים כולל מספר רב של שלבי משנה כגון‪:‬‬ ‫אלו גורמים לקושי‪ ,‬ומאידך תורמים באיכותם להצלחתו של‬ ‫‪1.1‬טיוב הנתונים – בשלב זה בודקים את איכות הנתונים‬ ‫הארגון‪.‬‬ ‫ומבצעים תיקון לנתונים משובשים כגון‪ :‬ערכים מחוץ‬ ‫לטווח האפשרי (למשל‪ ,‬גיל שלילי של לקוח) או צירופים‬ ‫ביג‪-‬דאטה‬ ‫לא הגיוניים (לקוח בן ‪ 12‬שיש לו שלושה ילדים)‪.‬‬ ‫על רקע זה התפתח בעשור האחרון המושג של ביג‪-‬דאטה (‪Big‬‬ ‫‪2.2‬זיהוי והגדרה של מאפיינים בעלי משמעות שניתן לחלצם‬ ‫‪ )Data‬או נְ תּונֵ י ָע ֵתק בעברית תקנית‪.‬במקור המושג ביג דאטה‬ ‫מתוך הנתונים הגולמיים ואשר עשויים לסייע בניתוח‬ ‫מתייחס בעיקרו למאגרי נתונים עצומים כל כך עד ששיטות‬ ‫מושכל של הנתונים‪.‬בשלב זה מקובל להיעזר בידע של‬ ‫מסורתיות לעיבוד נתונים אינן מתאימות עוד‪.‬אולם לאחרונה רבים‬ ‫מומחי התוכן במערכת‪.‬‬ ‫נוטים להשתמש במושג ביג‪-‬דאטה כשם כולל לשימוש בטכניקות‬ ‫‪3.3‬חילוץ מאפיינים – בשלב זה מיישמים את המאפיינים‬ ‫מתקדמות לעיבוד וניתוח נתונים ללא קשר לגודל הנתונים‪.‬אפשר‬ ‫שהוגדרו בשלב הקודם וממירים את הנתונים הגולמיים‬ ‫לאפיין כל פתרון בסביבת ‪ Big Data‬על בסיס מספר ממדים שונים‪.‬‬ ‫למבנה החדש‪.‬‬ ‫מדעני הנתונים נוהגים לאפיין זאת כך‪:‬‬ ‫‪4.4‬בחירת הנתונים שישמשו לניתוח ‪ -‬בשלב זה אנו‬ ‫‪.‬אנפח (‪ – )Volume‬מתייחס לכמות הנתונים שנאגרת בבסיס‬ ‫בוחרים את הרשומות שתשתתפנה בבניית המדגם ואת‬ ‫הנתונים‪.‬‬ ‫המאפיינים שישמשו לייצוגם‪ ,‬וזאת כדי להקל על השלב‬ ‫‪.‬במהירות (‪ -)Velocity‬מתייחס לקצב שבו מתווספים נתונים‬ ‫>קריאתביניים גליון ‪ 31‬יולי ‪2018‬‬ ‫‪8‬‬ ‫לבעליו‪.‬ככל שכמויות הנתונים הנאספים וכוח המחשוב גדלים‬ ‫הבא ולהבטיח את טיב המודל שיתקבל‪.‬‬ ‫(שני דברים הקורים כבר שנים ברציפות ובקצב מואץ)‪ ,‬כך יכולת‬ ‫‪.‬הניתוח הנתונים – בשלב זה נעזרים בשיטות ואלגוריתמים‬ ‫המערכות לפתור בעיות ולענות על הצרכים משתפרת בצורה‬ ‫לאפיון הנתונים באופן שיאפשר חיזוי או הערכה של נתונים‬ ‫משמעותית‪.‬בענפים מסוימים ניתן להכריז על מהפכות למחצה‬ ‫חדשים בשלבים הבאים‪.‬לרוב התוצר של שלב זה הוא מודל‬ ‫בפיתוח מערכות ובהפקת ידע ותובנות חדשות עקב הכנסת‬ ‫או מודלים המשרתים את המטרות שהוגדרו‪.‬‬ ‫כלים הלומדים בעזרת שימוש בנתונים‪.‬למשל‪ ,‬שיפור המעשה‬ ‫‪.‬ובחינת טיב המודל – בשלב זה מוודאים כי המודל שהתקבל‬ ‫החינוכי‪ ,‬יכולת החיפוש במאגרי נתונים עצומים‪ ,‬יכולת ניהוג כלי‬ ‫אכן תקף‪.‬אחת השיטות המקובלות היא לבחון את תקפות‬ ‫רכב אוטונומיים‪ ,‬ביולוגיה חישובית‪ ,‬עיבוד שפה טבעית‪ ,‬רובוטיקה‪,‬‬ ‫המודל על גבי נתונים שלא שימשו בשלבים הקודמים‬ ‫ראיית ושמיעת מכונה‪ ,‬תחבורה וערים חכמות‪ ,‬רפואה אישית‪,‬‬ ‫וזאת כדי להימנע מתופעות לא רצויות כגון התאמת יתר‬ ‫סייבר ועוד‪.‬‬ ‫(‪.)Overfitting‬התאמת יתר מתרחשת כאשר המודל מורכב‬ ‫יתר על המידה‪.‬תופעה זו גורמת למודל ללמוד רעשים‬ ‫ניתוח הנתונים הנאספים על אדם מסוים עשוי לעיתים לגלות‬ ‫סטטיסטיים בנתונים כאילו הם מייצגים תופעות אמיתיות ובכך‬ ‫דברים אודותיו לפני שהוא בעצמו מודע להם‪.‬הדוגמה הידועה‬ ‫לאבד את היכולת להכליל‪.‬‬ ‫ביותר בתחום היא המקרה שהתרחש בארצות הברית‪.‬רשת‬ ‫‪.‬זיישום המודל – בשלב זה משתמשים במודל באופן שוטף‬ ‫הקמעונות ‪ Target‬החליטה לנתח את נתוני הרכישות של‬ ‫ורציף‪.‬‬ ‫לקוחותיה (‪.)Duhiggfeb, 2012‬הם הציבו מטרה לאתר משפחות‬ ‫צעירות עוד בשלבים הראשונים של ההיריון כדי להציע להן‬ ‫התהליך בכללותו הנו תהליך איטרטיבי ובהתאם להיזון החוזר‬ ‫מוצרים מתאימים‪.‬לשם כך הם ניתחו את הרגלי הצריכה של‬ ‫המתקבל מיישום המודל‪ ,‬אפשר לחזור לכל אחד מהשלבים‬ ‫הנשים ברשת‪ ,‬זמן רב לפני שהן החלו לרכוש מוצרי תינוקות‪.‬‬ ‫הקודמים ולשפר את המודל‪.‬‬ ‫ניתוח זה גילה כי הרגלי הצריכה משתנים לעיתים עוד לפני‬ ‫שהנשים עצמן גילו שהן בהיריון‪.‬על בסיס יכולת החיזוי הזו החלה‬ ‫מדעי הנתונים‬ ‫חברת ‪ Target‬לשלוח קופונים מתאימים לנשים שהמודל מעריך‬ ‫השלב העיקרי ובעל היכולת הטובה ביותר להשיג ערך מוסף‬ ‫שהן כרגע בהיריון‪.‬הדבר אף גרם לתקרית לא נעימה שבה לקוח‬ ‫הוא שלב ניתוח הנתונים‪.‬פיתוח טכניקות ניתוח נתונים רבות‬ ‫כועס נכנס לאחד מסניפי הרשת ודרש לדבר עם מנהל‪“ :‬הבת‬ ‫ושונות במהלך השנים הוביל לתחום חדש המכונה כיום מדע‬ ‫שלי קיבלה את זה בדואר!”‪ ,‬אמר‪“.‬היא עדיין בתיכון‪ ,‬ואתם‬ ‫נתונים (‪.)Data Science‬תחום זה עוסק בניתוח נתונים לשם הפקת‬ ‫שולחים לה קופונים לבגדי תינוקות ועריסות? האם אתם מנסים‬ ‫מידע וידע‪ ,‬קבלת החלטות ומיכון של מערכות מתוך מקורות‬ ‫לעודד אותה להיכנס להריון?”‪.‬מנהל הסניף התנצל והבטיח‬ ‫פנימיים וחיצוניים לארגון במטרה לתמוך ולשפר את ההחלטות‬ ‫להסיר את הבת מרשימת התפוצה לקופונים‪.‬מספר ימים לאחר‬ ‫הארגון‪.‬העובד שאחראי על ניתוח הנתונים בארגון‪ ,‬מכונה מדען‬ ‫מכן התקשר האב שוב לסניף ובקול נבוך אמר כי “מסתבר שהיו‬ ‫הנתונים (‪ ,)Data Scientist‬והוא בדרך כלל משלב יכולות מקצועיות‬ ‫כמה פעילויות בבית שלי שלא הייתי מודע להן לגמרי‪.‬בתי אמורה‬ ‫משלושה תחומים עיקריים‪ :‬פיתוח תוכנה‪ ,‬מתמטיקה והבנה‬ ‫ללדת באוגוסט‪.‬אני חייב לך התנצלות‪”.‬‬ ‫עסקית‪.‬‬ ‫מדע הנתונים הפך עם השנים לגורם מכריע בסביבה התחרותית‬ ‫מדעי הנתונים (‪ )Data Science‬עושים שימוש בשיטות שמגיעות‬ ‫ומשמש את כל הרבדים בארגון‪ ,‬החל בהחלטות תפעוליות וכלה‬ ‫מדיסציפלינות אקדמיות שונות ובעיקר מדיסציפלינות אלה‪:‬‬ ‫בשיפור התכנון האסטרטגי‪.‬בארגונים מודרניים מבינים היום‬ ‫‪.‬אמתמטיקה בכלל‪ ,‬סטטיסטיקה וחקר ביצועים בפרט‪.‬‬ ‫שהנתונים הרבים הנאגרים במערכות המידע של הארגון (למשל‪,‬‬ ‫‪.‬במדעי המחשב בכלל ובינה מלאכותית ולמידה חישובית בפרט‪.‬‬ ‫מידע על לקוחות‪ ,‬על תהליכים ועל עסקאות) הם אחד מנכסיו‬ ‫העיקריים של הארגון‪ ,‬ושניתוח מושכל שלהם מייצר יתרון גדול‬ ‫‪9‬‬ ‫>קריאתביניים גליון ‪ 31‬יולי ‪2018‬‬ ‫יישומי הראייה הממוחשבת‪.‬בשנים האחרונות חלו התפתחויות‬ ‫הקשר בין ביג דאטה לבינה מלאכותית‬ ‫משמעותיות ביכולת המחשב להבין שפת דיבור כמו גם היכולת‬ ‫במילים פשוטות‪ ,‬בינה מלאכותית (‪ )Artificial Intelligence‬היא‬ ‫לנתח טקסטים כתובים‪.‬‬ ‫דיסציפלינה שנועדה לחקות ולדמות מגוון יכולות אנושיות‬ ‫באמצעות מחשב ובכך להפכו למחשב “חכם”‪.‬למידה חישובית‬ ‫‪x1‬‬ ‫(‪ )Machine Learning‬היא תת‪-‬תחום בבינה מלאכותית שנועדה‬ ‫‪y1‬‬ ‫לאפשר למערכות ויישומי מחשב ללמוד ולהשתפר בהשגת‬ ‫‪x2‬‬ ‫‪y2‬‬ ‫מטרותיהן מתוך נתונים שנאספו ואשר מייצגים את התנסויות‬ ‫‪x3‬‬ ‫העבר‪.‬למידה חישובית אחראית במידה רבה לפריצות הדרך‬ ‫‪y3‬‬ ‫‪x4‬‬ ‫שאנו חווים בשנים האחרונות בתחום הטכנולוגי‪.‬‬ ‫אולי השימוש הפופולרי הראשון בלמידה חישובית הוא מנוע‬ ‫איור ‪ :1‬המחשה של רשת עצבית‬ ‫החיפוש של גוגל‪.‬היכולת שלנו להזין שאילתת חיפוש או סתם‬ ‫שאלה ולקבל תשובות רלוונטיות‪ ,‬נובעת מהעובדה שמנוע‬ ‫למידה עמוקה מבוססת בעיקרה על מודל של רשת עצבית‬ ‫החיפוש של גוגל למד מה התשובה הרלוונטית מתוך טריליוני‬ ‫מלאכותית (איור ‪ )ANN-Artificial Neural Network( )1‬שקיבלה את‬ ‫חיפושים שבוצעו על ידי משתמשים אחרים‪.‬כך גוגל מסוגלת אף‬ ‫ההשראה שלה מהתהליכים המתקיימים במוחם של בעלי החיים‬ ‫להשלים את מילות החיפוש עוד לפני שהספקנו להקליד אותן‪.‬‬ ‫מתקדמים (‪.(Bengio et al., 2015‬למותר לציין כי המודל הראשון‬ ‫כל חיפוש שאנו מבצעים בגוגל מאפשר למערכת שלהם להמשיך‬ ‫של רשת עצבית מלאכותית פורסם עוד בשנות ה‪ 40-‬של המאה‬ ‫ללמוד ולהשתפר‪.‬מאחורי השירות הפשוט לכאורה עומדות חוות‬ ‫הקודמת‪ ,‬אך השימוש במודל הפך למעשי רק בשנות האלפיים‬ ‫שרתים הכוללות מיליוני מחשבים עם כוח עיבוד חזק במיוחד‪.‬‬ ‫בגלל מספר התפתחויות שחברו להן יחדיו‪:‬‬ ‫בשנים האחרונות חלו התפתחויות משמעותיות בתחום הלמידה‬ ‫‪.‬אהתפתחויות בחומרת המחשב – השיפור בביצועים של‬ ‫החישובית עם הפיכת השיטה של למידה עמוקה (‪)Deep learning‬‬ ‫המעבדים ובפרט של המעבדים הגרפיים (שבמקור שימשו‬ ‫למעשית‪.‬למידה עמוקה אפשרה להשיג פריצות דרך המאפשרות‬ ‫בעיקר בתחום משחקי המחשב) כמו גם הגידול בנפח‬ ‫למחשב לחקות יכולות אנושיות‪.‬למשל‪ ,‬לפי האתגר ‪,ImageNet‬‬ ‫זיכרונות המחשב מאפשרים לאמן רשת עצבית גדולה בזמן‬ ‫החל משנת ‪ 2015‬יכולת המחשב לזהות עצמים בתמונה עולה‬ ‫סביר‪.‬‬ ‫על זו של אדם ממוצע (‪.)He et al., 2015‬אחת היכולות השכליות‬ ‫‪.‬בהתפתחויות באלגוריתמים לאימון רשת עצבית אשר‬ ‫הראשונות והחשובות ביותר שרוכשים תינוקות בשנתם הראשונה‬ ‫מאפשרות לאמן רשתות עמוקות של קשרים בצורה נכונה‬ ‫היא זיהוי פנים של אנשים שונים‪.‬אך גם בזה המחשב עולה לאין‬ ‫יותר‪.‬‬ ‫שיעור על בני אדם‪.‬שערו בנפשכם את יכולתכם להבחין בין שני‬ ‫‪.‬גאך התרומה המשמעותית ביותר של הבינה המלאכותית היא‬ ‫אנשים ממוצא סיני או שני אחים תאומים‪.‬המחשב עולה על האדם‬ ‫ללא ספק ה‪ – Big Data-‬דהיינו‪ ,‬זמינות של כמות גדולה של‬ ‫בפעולה זו‪ ,‬בין היתר כיוון שהוא הוזן בכמות עצומה של דוגמאות‪,‬‬ ‫נתונים לאימון‪.‬התפתחות ה‪ Big Data-‬היא הכרחית מכיוון‬ ‫כמות רבה מזו שאנו בני התמותה נחשפים אליה במהלך חיינו‪.‬‬ ‫שבחלק מאתגרי הבינה המלאכותית נדרשת כמות עצומה‬ ‫בתחום הראייה הממוחשבת המחשב מצליח גם במשימות‬ ‫של נתונים כדי לאמן את המכונה‪.‬זאת בניגוד לבני אדם שדי‬ ‫מורכבות יותר כגון פענוח אוטומטי של תצלומי ממוגרפיה‬ ‫להם במספר מצומצם של דוגמאות כדי ללמוד מושג חדש‬ ‫באיכות דומה‪ ,‬ולעיתים באיכות שאף עולה על זו של רופא רדיולוג‬ ‫(‪.)Lehrach et al., 2017‬למשל‪ ,‬כדי ללמד פעוטות להבחין‬ ‫מומחה‪.‬גם במקרה זה התקבלה היכולת העל‪-‬אנושית מתוך‬ ‫בין כיסא לשולחן‪ ,‬די בדוגמאות ספורות‪.‬אולם את המכונה‬ ‫למידה חישובית של מאגרים הכוללים מיליוני תצלומי ממוגרפיה‬ ‫יש להזין בכמות גדולה של דוגמאות כדי שתוכל להבחין‬ ‫מתויגים עם אבחנות קודמות‪.‬ההצלחות אינן רק נחלתם של‬ ‫>קריאתביניים גליון ‪ 31‬יולי ‪2018‬‬ ‫‪10‬‬ ‫מורכב‪ ,‬כיוון שהתלמידים השונים נבדלים זה מזה במגוון רב של‬ ‫בין כיסא בעל ארבע רגליים לבין שולחן בעל ארבע רגליים‬ ‫פרמטרים‪ :‬מגדר‪ ,‬תרבות‪ ,‬הרגלים‪ ,‬השפעת החברה והבית‪ ,‬גיל‪,‬‬ ‫או כדי שתוכל להבין שגם שולחן מרובע וגם שולחן עגול‬ ‫מצב סוציו‪-‬אקונומי‪ ,‬תכונות אישיות ועוד‪.‬‬ ‫הם שולחנות‪.‬בעידן ה‪ Big Data-‬איסוף הכמות הדרושה של‬ ‫דוגמאות ואחסונן בבסיס נתונים הפך למשימה ישימה‪ ,‬וכך‬ ‫כחלק מהצורך לתת מענה לשינוי זה התפתח תחום חדש יחסית‬ ‫ניתן להעמיד בפני המכונה כמות גדולה של נתונים שלא‬ ‫המכונה כריית מידע בחינוך או ‪.EDM- Educational Data Mining‬‬ ‫הייתה ברשותנו בעבר‪.‬‬ ‫תחום זה מוגדר ע”י חוקרי חינוך רבים כאחד התחומים פורצי‬ ‫הדרך בתחום החינוך המתקדם (אבני ואברום‪.)2015 ,‬בבסיס‬ ‫קיימים מודלים שונים של רשתות עצביות‪.‬המשותף לכולם‬ ‫הרעיון עומדת ההנחה שניתן ללמוד מתוך כריית נתונים איכותית‬ ‫הוא קיומם של צומתי עיבוד המייצגים את הנוירונים הביולוגיים‬ ‫ומתמשכת ברשת החינוכית ובמערכות הלמידה הדיגיטאליות‬ ‫שקשורים זה לזה‪.‬רשת עצבית מלאכותית מאופיינת על ידי‬ ‫( ‪ )LMS‬על התנהגות הלומדים וסגנונות הלמידה השונים‪ ,‬על‬ ‫מספר הנוירונים‪ ,‬מבנה הרשת‪ ,‬מספר השכבות‪ ,‬אופן החיבור‬ ‫אינטראקציות בין הלומדים ועל האינטראקציה בין הלומדים לבין‬ ‫בין הנוירונים ברשת וכדומה‪.‬תהליך הלמידה נועד לקבוע את‬ ‫המערכת‪.‬כל זאת מתוך הביג‪-‬דאטה הנאגר במערכות הללו‪.‬‬ ‫עוצמת (משקל) הקישור של כל קשר ברשת העצבית‪.‬הלמידה‬ ‫ּמנָה” (משלי‬ ‫ל‪-‬פּי ַד ְרּכֹו גַם כִ ּי‪-‬יַזְ ִקּין לאֹ ‪-‬יָסּור ִמ ֶ ּ‬ ‫“חֲ נְֹך לַ נַעַ ר עַ ִ‬ ‫מתבצעת על‪-‬ידי “תגמול” “וענישה” של קשרים שונים ועל ידי‬ ‫כ”ב פסוק ו’)‪.‬‬ ‫חשיפת רשת הנוירונים לדוגמאות רבות‪“.‬תגמול” ו”ענישה” של‬ ‫הקשרים מתבצע על ידי שינוי המשקל של אותו הקשר‪ ,‬כך שכל‬ ‫למידה הסתגלותית (אדפטיבית) ולמידה מותאמת אישית‬ ‫קשר ש”מתוגמל” – יגדל משקלו‪ ,‬וכל קשר ש”נענש” – ירד משקלו‪.‬‬ ‫(פרסונאלית)‬ ‫לרוב רשתות עצביות מורכבות ועמוקות יותר יכולות ללמוד‬ ‫בכיתה אופיינית ניתן למצוא תלמידים בעלי צרכים וסגנונות‬ ‫משימות מורכבות יותר‪.‬‬ ‫לימוד שונים‪ ,‬והאחריות הכמעט בלתי אפשרית להתאמת‬ ‫החומר הלימודי לכולם מונחת על כתפיהם של המורים‪.‬למידה‬ ‫ביג‪-‬דאטה בחינוך‬ ‫הסתגלותית (הידועה גם בווריאציה מעט שונה כלמידה פרסונלית‬ ‫פורמט בית הספר אשר עוצב בימי המהפכה התעשייתית לפני‬ ‫או מותאמת) מבוססת על התאמה אישית של התוכן‪ ,‬תפיסת‬ ‫כ‪ 150-‬שנה מתבסס על עקרונות ההומניזם‪ ,‬השוויון והטכנולוגיה‬ ‫ההוראה‪ ,‬אמצעי הלימוד ושיטות הלימוד לכל הלומדים‪ ,‬והיא‬ ‫הדלה דאז‪.‬עיקרון השוויון והצורך בכוח עבודה משכיל ומיומן‬ ‫מבצעת התאמה זו לאורך כל שלבי הלימוד על בסיס מידע‬ ‫הוביל לפתרון המהיר והקל שלפיו כולם לומדים את אותו הדבר‪,‬‬ ‫שנאסף לאורך התהליך‪.‬תחום זה מיושם ע”י שיטות של כריית‬ ‫כך שהמורים מכוונים את הוראתם לתלמידים הממוצעים באותה‬ ‫מידע‪ ,‬למידת מכונה וסטטיסטיקה‪.‬מטרת התחום היא לשפר את‬ ‫דרך ובאותו זמן )זלקוביץ וגולדשטיין‪.)2011 ,‬עיקרון השוויון נשמר‬ ‫השיטות לחקר הנתונים הללו על מנת לגלות תובנות חדשות על‬ ‫ברובו גם היום‪ ,‬אך כיום הטכנולוגיה המתקדמת מאפשרת לנו‬ ‫האופן שבו תלמידים לומדים‪ ,‬וכך להתאים את תהליך הלמידה‬ ‫להתייחס גם לייחודיות של כל התלמידים וכל המורים‪ ,‬אם נחפוץ‬ ‫באופן מתמשך (בן‪-‬צדוק ‪ ;2011‬שמש‪.)2017 ,‬‬ ‫בכך‪.‬‬ ‫המחויבות של מערכת החינוך להכין את הבוגרים למציאות‬ ‫השיטה שבה המורים בבתי הספר נוהגים לשפר את הלמידה‪,‬‬ ‫המשתנה נושאת עמה הבטחה לחולל שינויים מהותיים‪.‬גישות‬ ‫מתבססת בעיקרה על ציונים‪ ,‬מדדים ומחוונים שלאורם הם‬ ‫חינוכיות חדשות‪ ,‬אשר שוללות את גישת ההוראה הזהה לכל‬ ‫תופסים את המתרחש בכיתה‪.‬גישה זו היא גישה “תגובתית”‪,‬‬ ‫התלמידים‪ ,‬חרטו על דגלן את הרעיון שלפיו במרכז הלמידה יש‬ ‫מאוחרת מדיי ותוצאתית למצב הנתון‪.‬לעומת זאת ‪ EDM‬דוגל‬ ‫להציב את ייחודיות הלומדים‪ ,‬ובשל כך בית הספר חייב להתאים‬ ‫במעבר מפסיביות לאקטיביות במעשה החינוכי‪.‬היכולת לאפשר‬ ‫עצמו לצרכים‪ ,‬ליכולות ולרקע הקודם של כל תלמיד ותלמיד‬ ‫לנו להיות פרואקטיביים יותר‪ ,‬לצפות בעוד מועד את מה שעומד‬ ‫(‪.)Gardner, 1983‬מימוש השינוי הנדרש והתאמתו לתלמידים הוא‬ ‫‪11‬‬ ‫>קריאתביניים גליון ‪ 31‬יולי ‪2018‬‬ ‫‪ְ 5.5‬ס ֶק ְיילָ ִּבילִ ּיֹות (‪ scalability‬או סילּומיּות) ושכפול הפתרונות‬ ‫לקרות ולהתאים את המעשה החינוכי למציאות המתהווה‪.‬‬ ‫המותאמים למערכות חינוך נוספות‪.‬‬ ‫מערכות ה‪ EDM-‬מאפשרות לממש בקלות יחסית את העקרונות‬ ‫‪6.6‬אג’יליות ( ‪ Agility‬או גמישות) – תוכנית הלמידה גמישה‬ ‫המרכזיים העומדים בבסיס הלמידה האדפטיבית והפרסונאלית‪,‬‬ ‫ומשתנה ומסוגלת להתאים את עצמה באופן תדיר‬ ‫והמפורטים כאן‪:‬‬ ‫להתפתחות ולשינוי שהתלמידים עוברים‪.‬‬ ‫‪1.1‬שקיפות הנתונים לכלל המעורבים במעשה החינוכי‬ ‫ניתן לעשות שימוש בתהליכי ‪ EDM‬גם למטרות חינוכיות נוספות‪.‬‬ ‫(תלמידים‪ ,‬מורים‪ ,‬הורים‪ ,‬מנהלים)‪.‬‬ ‫להלן מספר דוגמאות‪:‬‬ ‫‪2.2‬אבחון מדויק ושוטף של מיקומם של התלמידים במסלול‬ ‫(הלָ ”ה) מדויקים יותר בדגש‬ ‫> >תהליכי הוראה‪-‬למידה‪-‬הערכה ִ‬ ‫הלמידה וזיהוי תבניתי של אפיוני הלמידה המתאימים‬ ‫על מתן משוב למורות ולמורים בזמן אמת‪.‬המשוב מבוסס‬ ‫להם ביותר‪.‬האבחון יכול להתייחס לקצב הלימוד‪ ,‬העניין‬ ‫על איסוף נתונים ועיבודם בצורה מהירה (לדוגמה‪ ,‬זיהוי‬ ‫שהלומדים מגלים‪ ,‬חולשות‪ ,‬קשב‪ ,‬השפעת מאפייני הקבוצה‬ ‫התנהגויות חריגות של תלמידים)‪.‬בצורה זו ההתמקדות היא‬ ‫וגודלה וכו’‪’.‬‬ ‫בתהליך הלמידה ולא רק בהישג הסופי‪.‬התמקדות זו נוהגת‬ ‫‪3.3‬התאמת תוכנית למידה אישית לתלמידים על בסיס האבחון‬ ‫ביתר “צדק” כלפי הלומדים ומבטאת התייחסות מקיפה יותר‬ ‫כדי שהמערכת תאפשר למורים להתאים את תוכנית הלמידה‬ ‫למאמציהם המתמשכים וליחסם למקצוע‪.‬‬ ‫באופן אישי לכל התלמידים באופן שוטף ומתמשך‪.‬‬ ‫> >חיזוי נשירת סטודנטים באמצעות ניתוח הנתונים הרבים‬ ‫‪4.4‬משוב “איכותי” מבוסס‪-‬נתונים תדיר ומיָדי לתלמידים ולמורים‬ ‫שמגיעים ממערכות ניהול למידה (‪.)LMS‬המערכות הללו‬ ‫המעיד על התקדמותם של התלמידים בתוכנית הלמידה‬ ‫אוספות מידע על התנהגות הסטודנטים במערכת‪ ,‬לדוגמה‪:‬‬ ‫האישית שעוצבה עבורם‪ ,‬וכך ניתן בכל פעם מחדש להתאים‬ ‫להם את מסלול הלמידה‪.‬‬ ‫למידה ליניארית מבוססת הוראה‬ ‫השתתפות‬ ‫השתתפות‬ ‫בשיעור‬ ‫השתתפות‬ ‫בשיעור‬ ‫פרונטלי‬ ‫טכניקת‬ ‫שבר‬ ‫בשיעור‬ ‫פרונטלי‬ ‫השתתפות‬ ‫מעבר משבר‬ ‫עשרוני‬ ‫בשיעור‬ ‫פרונטלי‬ ‫שיטת‬ ‫פשוט לשבר‬ ‫השיטה פרונטלי‬ ‫הספירה‬ ‫עשרוני‬ ‫שברים‬ ‫העשרונית‬ ‫פשוטים‬ ‫השיטה‬ ‫שיטת‬ ‫העשרונית‬ ‫הספירה‬ ‫סותית בקבוצה‬ ‫התנ‬ ‫ידה‬ ‫השתתפות בשיעור‬ ‫שבר‬ ‫שברים‬ ‫למ‬ ‫פרונטלי‬ ‫עשרוני‬ ‫פשוטים‬ ‫לימוד‬ ‫חוברת‬ ‫קריאת‬ ‫טכניקת‬ ‫ר טון‬ ‫מעבר משבר‬ ‫ה בס‬ ‫פשוט לשבר‬ ‫צ פי‬ ‫עשרוני‬ ‫למידה הסתגלותית ללמידת שבר עשרוני‬ ‫איור ‪ :2‬דוגמה קונספטואלית למעבר מלמידה "ליניארית" מבוססת הוראה לרשת למידה אדפטיבית‬ ‫>קריאתביניים גליון ‪ 31‬יולי ‪2018‬‬ ‫‪12‬‬ ‫את הטיסה הבאה‪ ,‬סביר להניח שמאחורי הקלעים קיים מנגנון‬ ‫היקף ההשתתפות בפורומים‪ ,‬הזמן שלוקח לסטודנטים‬ ‫מבוסס‪-‬למידה חישובית המעריך את המחיר שאנו נהיה מוכנים‬ ‫להגיש עבודה וכו’‪.‬שימוש זה נפוץ מאוד בסביבות ‪MOOC’s-‬‬ ‫לשלם עבור המוצר או השירות‪ ,‬ובהתאם לכך קובע את מחירו‪.‬‬ ‫‪ massive open online course‬שבהן אחוז הנשירה גבוה‬ ‫במיוחד‪.‬‬ ‫לאור כל זאת החלו ממשלות ברחבי העולם לפתח רגולציה‬ ‫> >ניבוי הצלחה בקורס ‪ -‬מערכות חיווי אזהרה מוקדמת (‪EWIS‬‬ ‫שתגביל את איסוף הנתונים הקשורים בבני אדם ולהשתמש‬ ‫‪ )- early warning indicator system‬מאפשרות לנבא מגמות‬ ‫בהם‪.‬למשל‪ ,‬חוק הגנת הפרטיות בישראל מסדיר את פעילותם‬ ‫כמו מוכנות לאקדמיה של סטודנטים פוטנציאליים‪ ,‬הגדלת‬ ‫של מאגרי מידע הכוללים מידע פרטי ורגיש‪.‬במסגרת חוק זה כל‬ ‫פוטנציאל גיוס תלמידים למגמה מסוימת‪ ,‬לספק התראה‬ ‫בעל מאגר מידע מסוג זה חייב להירשם אצל רשם מאגרי המידע‪,‬‬ ‫מוקדמת אודות סיכונים ובעיות הנגזרים מפוטנציאל הנשירה‪,‬‬ ‫למנות מנהל שיהיה אחראי עליו‪ ,‬לפרט את המטרות שלשמן‬ ‫והחשוב מכך – מערכות אלו מספקות המלצות למניעת‬ ‫הוקם המאגר ולפעול אך ורק לפיהן‪.‬בנוסף כל אדם זכאי לעיין‬ ‫הנשירה של סטודנטים ותלמידים בסיכון‪.‬‬ ‫במידע המתייחס אליו המוחזק במאגר מידע (למעט מאגרי מידע‬ ‫של מערכת הביטחון)‪ ,‬ובעל המאגר חייב לאפשר לו לעיין במידע‬ ‫עפ”י דו״ח ‪ Horizon‬מ‪ 2017-‬נראה שב ‪ 5-3‬השנים הקרובות ייעשה‬ ‫זה‪.‬האיחוד האירופי הוא ללא ספק מוביל הרגולציה המתקדמת‬ ‫שימוש הולך וגובר בניתוח הנתונים ובשימוש בתובנות המערכת‬ ‫בתחום‪.‬בזמן כתיבת שורות אלה כללי ה‪General Data( GDPR-‬‬ ‫אשר ישפיעו כמעט מידית על הדרך שבה המורים מארגנים את‬ ‫‪ )Protection Regulation‬שנחקקו בשנת ‪ ,2016‬הופכים לבני אכיפה‬ ‫הרצף‪ ,‬המהלך והמרחבים של הלמידה כמו גם את אופן השימוש‬ ‫וכוללים מספר זכויות ובכללן‪ :‬הזכות להישכח‪ ,‬שלפיה לכל אדם‬ ‫בטכנולוגיה זו באופן רציף‪ EDM.‬הנו המונח אשר מעצב ויעצב‬ ‫עומדת הזכות למחיקת כל הנתונים שנאספו אודותיו או הזכות‬ ‫מחדש את תהליכי ההוראה ואת התהליכים הפדגוגיים‪ ,‬וניתן‬ ‫להתנגד לעיבוד אוטומטי של נתוניו‪ ,‬דהיינו‪ ,‬פלוני רשאי לסרב‬ ‫לשער שרעיונות אלו ימומשו יותר ויותר במערכות החינוך‪.‬‬ ‫שתתקבלנה החלטות בעניינו כתוצאה מניתוח אוטומטי של‬ ‫הנתונים שנאספו לגביו‪.‬‬ ‫לא הכול ורוד‬ ‫עידן ה‪ Big Data-‬טומן בחובו גם סכנות‪.‬הקלות הבלתי נסבלת‬ ‫ביג דאטה ובינה מלאכותית גם מעצבים מחדש את שוק העבודה‪.‬‬ ‫שבה נאספים נתונים אודותינו‪ ,‬עלולה לפגוע משמעותית‬ ‫מקצועות הצווארון הכחול (כגון נהגי משאית ופועלי ייצור) צפויים‬ ‫בפרטיות שלנו‪.‬נתון בודד כשלעצמו עשוי להיות בלתי מזיק‪.‬‬ ‫להיעלם מהעולם‪.‬אך גם מקצועות הצווארון הלבן עשויים להיות‬ ‫אך השילוב של נתונים שנאספים לאורך זמן עשויים לגלות‬ ‫מושפעים מהתפתחויות בתחום‪.‬למשל‪ ,‬לא נזדקק עוד לרופא‬ ‫טפחים רבים‪ ,‬גם כאלה שלא היינו רוצים לגלות‪.‬חלק מהנתונים‬ ‫רדיולוג כדי לפענח תוצרים של דימות רפואי‪.‬המחשב יכול למלא‬ ‫אנו מנדבים בעצמנו למשל‪ ,‬כאשר אנו מפרסמים ‪ Post‬ברשת‬ ‫את המשימה לאחר שהוא אומן באמצעות כמות גדולה של נתונים‬ ‫החברתית‪.‬אך חלק אחר מהנתונים מתפרסמים על ידי אחרים‪,‬‬ ‫ממקרי עבר שפוענחו ותויגו על ידי רדיולוגים‪.‬‬ ‫למשל‪ ,‬כאשר החברים שלנו ברשת החברתית מזכירים אותנו‬ ‫ב‪ Post-‬שלהם או מעלים תמונה שבה אנו מופיעים‪.‬זו הסיבה‬ ‫כאמור‪ ,‬גם בתחום החינוך ביג‪-‬דאטה ולמידה חישובית צפויים‬ ‫שבעידן הנוכחי קשה הרבה יותר להסתיר‪ ,‬למשל‪ ,‬נטייה מינית‪,‬‬ ‫לעשות מהפך‪.‬אולם מערכות מידע חכמות ככל שתהיינה אינן‬ ‫כי די בסקירת פרופילים של חבריו של פלוני ברשת חברתית‪ ,‬די‬ ‫תחליף למורים! יש להיזהר מהתפיסה שלפיה הנתונים הם חזות‬ ‫בה כדי להסיק פרטים גם לגביו (‘כלשון הפתגם ‘אמור לי מי הם‬ ‫הכול ושמחשב צמוד לתלמידים ונתונים בידי המורים הם הפתרון‬ ‫חבריך ‪ -‬ואומר לך מי אתה”)‪.‬‬ ‫לכל בעיות החינוך‪.‬לעולם לא יחליפו הנתונים את הקשר האישי‬ ‫לפיכך ברור שלעיתים איסוף הנתונים וניתוחם באתרי האינטרנט‬ ‫בין מורים לתלמידים ואת המסרים העוברים באמצעות קשר זה‪.‬‬ ‫השונים מיטיבים עם בעלי האתר על חשבון האינטרס שלנו‪.‬‬ ‫אם כך אין זה פלא שעל פי הדו”ח האחרון של ארגון ה‪,OECD-‬‬ ‫למעשה‪ ,‬בכל פעם שאנו רוכשים מוצר באינטרנט או בוחרים‬ ‫‪13‬‬ ‫>קריאתביניים גליון ‪ 31‬יולי ‪2018‬‬  ‫רשימת ספרות‬ ‫מקצועות החינוך הם בעלי הסיכוי הנמוך ביותר מכלל המקצועות‬ ‫אבני‪ ,‬ע‪ ,.‬ו אברום‪ ,‬ר‪.)2015(.‬ביג‪-‬דאטה‪ ,‬חינוך ואתיקה ‪ -‬מנתונים‬ ‫המועדים לאוטומציה‪ ,‬בכלל זה מקצועות הרפואה או הניהול‬ ‫לתובנות‪.‬ביג‪-‬דאטה‪ ,‬חינוך ואתיקה‪.33-1 ,‬‬ ‫(‪.)Nedelkoska and Quintini, 2018‬ברם תפקידם של המורים עתיד‬ ‫‪https://ianethics.com/wp -content /uploads/2015/02 /‬‬ ‫להשתנות‪.‬מערכות המידע מבוססות הביג‪-‬דאטה יעצימו את‬ ‫‪EduBigData-AI1-2015.pdf‬‬ ‫המורים ויאפשרו להם להגיע למלוא הפוטנציאל כאנשי מקצוע‪,‬‬ ‫ב ן ‪ -‬צ ד ו ק ‪ ,‬ג ‪. )2 011 (.‬כ ר י י ת נ ת ו נ י ם ל מ ט ר ת ח ק ר‬ ‫המכירים את תלמידיהם היטב‪ ,‬מלווים ומנחים אותם בדרך‬ ‫התנהגויות תלמידים בסביבות מתוקשבות‪.‬מכון מופ"ת‪.‬‬ ‫להישגים הטובים ביותר‪.‬‬ ‫‪http://portal.macam.ac.il/ArticlePage.aspx?id=4419‬‬ ‫ההשערה הרווחת היא שבעשור הבא יוכל המחשב לפתח מודעות‬ ‫זליקוביץ’׳‪ ,‬צ‪ ,.‬וגולדשטיין‪ ,‬א‪.)2011(.‬למידה מותאמת אישית‪.‬בתוך‬ ‫עצמית ויכולות קוגניטיביות אוטונומיות אשר יאפשרו לו לעצב‬ ‫מלמד‪ ,‬ע‪.‬וגולדשטיין‪ ,‬א‪(.‬עור')‪.‬הוראה ולמידה בעידן הדיגיטלי‪,‬‬ ‫עצמאית מודלים לקבלת החלטות‪.‬מודלים כאלו עשויים להוביל‬ ‫‪.96-77‬‬ ‫גם למשברים שכיום עדיין מנוהלים ידי בני אדם‪.‬למשל‪ ,‬בשנת‬ ‫שמש‪ ,‬א‪.)2017(.‬סקירת ספרות בנושא פרסונאליזציה בחינוך –‬ ‫‪ 2010‬התרחש אירוע המכונה ‪ Flash Crash‬שבו מדד הבורסה‬ ‫(‪)/http://piechallenge.org.il‬‬ ‫הראשי בניו‪-‬יורק נפל פתאומית וללא כל הסבר‪ ,‬ולאחר זמן קצר‬ ‫התאושש כאילו מעולם לא התרחש‪.‬חקירה שבאה בעקבות‬ ‫‪Duhiggfeb, C. (20012). How Companies Learn Your Secrets, The‬‬ ‫האירוע מגלה שהגורם העיקרי לקריסה היו מחשבי ַא ְלגו‪-‬טריידינג‬ ‫‪New-York Times Magazine, 16.‬‬ ‫(או בעברית מסחר אלגוריתמי) אשר מחליטים בעצמם לבצע‬ ‫‪Gardner, H. (1983). Frames of Mind: The Theory of Multiple‬‬ ‫פעולות של קנייה ומכירה בקצב גבוה על ידי ניתוח אוטומטי של‬ ‫‪Intelligences.‬‬ ‫נתוני המסחר‪.‬מאז התרחשו עוד מספר אירועי קריסה זמניים‬ ‫‪He, K., Zhang, X., Ren, S. and Sun, J. (2015). Delving deep into‬‬ ‫שנבעו מניתוח אוטומטי של נתונים‪.‬אירוע מעניין נוסף התרחש‬ ‫‪rectifiers: Surpassing human-level performance on imagenet‬‬ ‫בשנת ‪ 2016‬כאשר חברת מייקרוסופט שילבה צ’טבוט (רובוט‬ ‫‪classification. In Proceedings of the IEEE international conference‬‬ ‫שיחה) שנועד לצייץ אוטונומית ברשת ה‪.Twitter-‬האינטראקציה‬ ‫‪on computer vision (pp. 1026-1034).‬‬ ‫שהייתה לרובוט עם משתמשים אנושיים הפכה אותו בתוך ‪24‬‬ ‫‪IDC Digital Universe Study: Big Data, Bigger Digital Shadows and‬‬ ‫שעות למיזנתרופ וגזען עד שהמהנדסים של מיקרוסופט נאלצו‬ ‫‪Biggest Growth in the Far East, IDC (December 2012).‬‬ ‫לנתקו לאלתר מהרשת‪.‬‬ ‫‪Kosinski, M. Stillwell, D. & Graepel, T. (2013). Private traits and‬‬ ‫סינגולריות טכנולוגית היא נקודת הזמן שבה תשיג הבינה‬ ‫‪attributes are predictable from digital records of human behavior.‬‬ ‫המלאכותית יכולת אינטלקטואלית הגבוהה מזו של בני אדם‪.‬יש‬ ‫‪PNAS USA. 110 (15): 5802–5805.‬‬ ‫הרואים בכך את האמצאה האחרונה של האנושות‪.‬מאותו הרגע‬ ‫‪Maimon, O. & Rokach, L. (2010) Data Mining and Knowledge‬‬ ‫תוכל המכונה להפיק בעצמה את ההמצאות הבאות‪.‬כך אולי‬ ‫‪Discovery Handbook, 2nd ed. ISBN 978-0-387-09822-7‬‬ ‫תוכל האנושות למצוא מזור לבעיות שבני התמותה לא הצליחו‬ ‫)‪Mirsky, Y., Shabtai, A., Shapira, B., Elovici, Y., & Rokach, L. (2017‬‬ ‫עדיין לפתור‪ ,‬כגון מציאת תרופות למחלות חשוכות מרפא‪.‬כיום‬ ‫‪Anomaly detection for smartphone data streams. Pervasive and‬‬ ‫מספר המדענים שעוסקים בבעיית מחקר מסוימת הנו מוגבל‪.‬‬ ‫‪Mobile Computing 35: 83-107.‬‬ ‫אך כאשר תשיג מכונה את היכולת האינטלקטואליות של מדען‪,‬‬ ‫‪Nedelkoska, L. & Quintini, G. (2018). Automation, skills use and‬‬ ‫הרי שניתן יהיה להמשיך לשפרה כי אין לה מחסום ביולוגי‪.‬נקודת‬ ‫‪training, OECD Social, Employment and Migration Working‬‬ ‫הזמן הזו מעלה הרבה שאלות פילוסופיות ודילמות מוסריות כגון‪:‬‬ ‫‪Papers, No. 202, OECD Publishing, Paris.‬‬ ‫האם ניתן לפתח מצפון במכונות? כך או כך אנו חיים ללא ספק‬ ‫בעידן מרתק‪.‬‬ ‫>קריאתביניים גליון ‪ 31‬יולי ‪2018‬‬ ‫‪14‬‬