מאמר בוואלה | דנה ירצקי, 25/08/2020

ניסוי שנערך באוניברסיטת ת"א מצא כי שימוש ברובוטים חברתיים מסייע לשיפור מיומנויות תלמידים בגילאי 9-5. בכמה שיעורים למדו הילדים לזהות שורשים של פעלים ושמות עצם דרך סדרת שאלות ותשובות. "הרובוטים מאפשרים הבנה עמוקה של החומר ומעשירים את חוויית ההוראה"

המאמר המלא, כולל סרטון

תובנות וסיכום של המעבדה לבינה מלאכותית בחינוךֿ

אגף מו"פ, ניסויים ויוזמות | סיכום תשפ"א – אוגוסט 2021

המסמך המלא: בינה מלאכותית בחינוך_סיכום תשפא

מה תמצאו בדוח?

• הא'-ב': מושגי יסוד בבינה מלאכותית
• מה קיים בעולם ה- AIED? יישומים, קטגוריות וטכנולוגיות
• יום בחיי בית ספר עם בינה מלאכותית
• אסטרטגיה לבינה מלאכותית בחינוך בישראל: כיוונים וסוגיות
• מי היו במעבדה: הכירו את היוזמות ומה ניתן ללמוד מהן?
• הרובוט החברתי – מעבדת הסקרנות באוניברסיטת תל אביב
• מרחב 'עמית' בגן הילדים – סיכום המחקר והפיתוח בשנת הלימודים תשפ"א
• Tribe Effectss – מערכת למנטורינג הדדי סביב מטרות אישיות (יזם: תומר מרשל)
• רובוט אינטראקטיבי\מערכת הקרנה אינטראקטיבית בכיתה (יזם: ד"ר חן גלעדי, מכללת סמי שמעון להנדסה)
• מערכת משוב לטקסט טיעוני – בפיתוח צוות מיחידת "תלפיות"
• תוכנית "נתיבים" לפיתוח מערכות data science חינוכיות – ג'וינט-אשלים ופרויקט איחוד מאגרי המידע במשרד החינוך
• מקורות מומלצים והפניות

פרק מתוך הדו״ח | הא'-ב': מושגי יסוד בבינה מלאכותית

בינה מלאכותית היא שם כולל לאלגוריתמים המפעילים תוכנות מחשב, בעלות יכולת להגיע להחלטות ולבצע פעולות שלא תוכנתו מראש באופן ישיר, אלא מתבססות על יכולת המערכת לבחון סטטיסטית מערך של נתונים ולקבל "החלטה" על פעולתה הבאה.

במילים יותר פשוטות – בתוכנת מחשב, שאינה בינה מלאכותית, הכרחי להגדיר למערכת בדיוק באיזו פעולה לנקוט בכל מצב ומצב. למשל: אם אנחנו רוצים לכתוב תוכנה המחשבת מחיר משוער של שכר דירה באזור מסוים, אנחנו חייבים בעצמנו להזין אל תוך התוכנה את הנוסחה המדויקת המשקללת את כל התנאים (כגון גודל הדירה, הרחוב, לפני כמה שנים נבנתה וכד'), כך שהמשתמש יציב את כל הנתונים והנוסחה תחשב את התוצאה. לעומת זאת, בתוכנה הכוללת אלגוריתמים של בינה מלאכותית, לא צריך להגדיר למערכת את הנוסחה במדויק, אלא אפשר להזין אליה הרבה נתונים והמערכת תלמד ו"תמציא" את הנוסחה בעצמה. בהמשך לאותה דוגמה – אנו נזין אל תוכנת ניבוי שכר הדירה המון נתונים, הכוללים את כל המשתנים הרלוונטיים בעינינו על כל הדירות שאנחנו מכירים באזור (כאמור – גודל, רחוב, שנות קיום הדירה וכד'), יחד עם מחירי שכר דירה שאנחנו כבר יודעים מהמציאות, ואז נבקש מהמערכת להחליט בעצמה, עם הזנת צירוף הנתונים הבא ועל בסיס הנתונים הקודמים, מה היא מעריכה יהיה שכר הדירה הצפוי. מערכת כזו בדיוק קיימת באתר הנדל"ן האמריקני הפופולרי – Zillow , וקיומה שינה לחלוטין את מערכת היחסים בין שוכרים לבעלי בית.

ככל שנזין אל המערכת יותר נתונים, או שנאמר לה האם הניבוי שלה היה מדויק או שגוי – היא תהפוך ליותר ויותר מדויקת. מכאן גם מגיע המושג המוכר בתחום הבינה המלאכותית – "למידת מכונה" (Machine Learning). משמעותו היא שהמערכת מסוגלת עם ה"ניסיון" (כלומר – בהתבסס על יותר ויותר נתונים או על נתונים שמצטברים לאורך זמן) להפוך ליותר ויותר מדויקת, כלומר "ללמוד" ולהשתפר.

כל תהליך ההתפתחות של הבינה המלאכותית עד היום הנו למעשה התפתחות היכולת של מערכות מחשב לבצע חישובים סטטיסטיים (בעיקר קורלציות וניתוחי רגרסיה מורכבים מאוד) במהירות רבה על כמויות עצומות של נתונים.

בכדי להבין בינה מלאכותית – חשוב מאוד להבין עיקרון זה! כשתוכנת Waze ממליצה לנו על מסלול נסיעה, היא משקללת המון נתונים, מהרבה מאוד מקורות ובהרבה שכבות, כולל נתוני עבר שבעזרתם המערכת כבר יצרה נוסחאות חישוב שמקצרות את הדרך, ומוציאה ניבוי לגבי שעת הגעה במסלולים שונים. ככל שיותר ויותר נהגים משתמשים ב- Waze, הניבויים וההמלצות של המערכת הופכים ליותר מדויקים.

יישומים ויכולות שכיחות של בינה מלאכותית

היישומים או היכולות השכיחות של מערכות בינה מלאכותית כיום הן:

• ניבוי על סמך נתוני עבר (למשל ניבוי גובה צפוי של שכר דירה, או של סיכויי חזרת אסיר משוחרר לפשע).
• עיבוד מידע ויזואלי, כלומר זיהוי תמונות. החל מזיהוי "חתול", ועד זיהוי מכוניות והולכי דרך בתנועה בדרך וחישוב המרחקים מהם.
• זיהוי קול (Voice/Sound Recognition), יישום שאנו מכירים, למשל, מתוכנת Shazzam = היכולת של מערכת המחשב "לשמוע" קולות ולתרגם אותם לדפוס מזוהה (למשל, להבין שהקול שמושמע הוא "ב").
• עיבוד שפה טבעית (NLP = Natural Language Processing) = היכולת "להבין" את המשמעות של מילים מדוברות. "סירי" של חברת Apple ואלקסה של Amazon הן דוגמאות פופולריות.

אל מערכות ה- NLP ניתן לצרף גם את יכולת ה- NLG (Natural Language Generation), שהם האלגוריתמים שעוזרים למערכת להחליט מה הדבר הנכון "לומר" בתשובה לגירויים שונים.

נכון לכתיבת שורות אלו, מערכת ה- NLP-NLG החזקה ביותר נקראת GPT-3. העוצמה של GPT-3, המסוגל לכתוב מאמרים, שירים וסיפורים קצרים, לנהל שיחות שמרגישות כמעט אותנטיות עם אנשים ואפילו לכתוב שורות קוד, מבוססת על כמויות עצומות של מידע וטקסטים שהוזנו אליו ע"י ארגון OpenAI שפיתח אותו. חברי הארגון הזינו אל המערכת את רוב הטקסטים הזמינים שנכתבו ע"י בני אדם באנגלית. על בסיס מאגר הנתונים הזה, המערכת הצליחה להבין את המבנה התחבירי של השפה, לזהות סגנונות ושילובים, לחלץ ולקלוט המון מידע וידע ועוד. המערכת התפרסמה כשהיא כתבה מאמרי דעה עצמאיים בתשובה לשאלות פתוחות שהוזנו אליה (לדוגמה: "האם על האדם לחשוש מהתפתחות הבינה המלאכותית?"). מאמרי דעה אלו הוערכו ע"י מרצים כטובים יותר מרוב מה שהם מקבלים מהסטודנטים שלהם.

אולם עדיין, מערכת NLG לא תצליח לכתוב מסמך כגון זה שאתם קוראים: ההיגיון של ה- NLG מתבסס על חישוב סטטיסטי של "מה תהיה המילה הבאה  הכי הגיונית", ולכן היא לא מצליחה "להחזיק" טיעונים מורכבים, המתפרקים לתתי סעיפים, ומחייבים לכתוב כל אחד מהם באופן שהוא גם נפרד וגם קוהרנטי לארגון הנושאי הכולל.

• "כריית מידע" (Data Mining) – יכולת של מערכת מחשב "לנבור" בכמויות עצומות של נתונים ולמצוא בהם קשרים בין משתנים, גם כשהמתכנתים לא הגדירו למערכת בדיוק אילו נתונים להשוות. בתחום זה בולטת מאד עבודתה של ד"ר קירה רדינסקי, שפיתחה מערכות כריית מידע שהצליחו לזהות דפוסים וקשרים, כך שניתן לנבא באמצעותן התפרצות או התפשטות של מגיפות מסוימות, בצורת ועוד.

כמעט כל מערכת מבוססת בינה מלאכותית מורכבת מאחד או יותר מהיישומים שתוארו לעיל, כשהמתקדמות שבהן משלבות מספר גדול של אלגוריתמים, לרוב אפילו מכמה סוגים, בכדי ליצור ממשק מהסוג של "סירי", שמאפשר חוויה של "תקשורת" עם המערכת.

חשוב לציין שגם יישומים המוגדרים בפשטות בתיאור הנ"ל, יכולים להתבצע על כמויות מאוד גדולות של נתונים ולשלב הרבה מקורות, ולכן להיות חזקים. על בסיס המשפט הנשמע בנאלי – "ניבוי על סמך נתוני עבר", כמו למשל ניבוי שכר דירה צפוי לפי נתוני הדירה, ניתן ליצור מערכת המחברת בין המון סוגים של נתוני עבר, שבסופו של דבר תגיע ליכולות גבוהות ומרשימות ותאפשר, לדוגמא, לנצח את אלוף העולם בשחמט.

"אימון" של מערכת בינה מלאכותית

אחד השלבים החשובים ביותר בפיתוח מערכת מבוססת בינה מלאכותית הוא ה- אימון (Training). האימון הוא השלב בו מזינים אל האלגוריתם את הנתונים שעל בסיסם המערכת תבצע את העיבוד הסטטיסטי, תתחיל למצוא את הקשרים בין המשתנים השונים ותטפח את יכולתה לבצע את היישום\יכולת שהיא נועדה לעשות.

חשוב לציין שכמות ואיכות הנתונים תקבע את רמת הדיוק של המערכת. כך, למשל, בכדי "לאמן" מערכת מחשב לזהות תמונות של חתולים, הזינו לתוכה עשרות אלפי תמונות וקטלגו אותן כ"חתול" או "לא חתול", עד שהמערכת ידעה לזהות תמונות חדשות בדיוק גבוה יחסית (אך לא מושלם!!!) האם הן של חתול או לא.

התמונות המקוטלגות שמוזנות אל המערכת מוגדרות כ- Training Set. התמונות הלא מקוטלגות הראשונות שמוזנות למערכת, ודורשות ממנה לזהות למשל האם מדובר בחתול או לא, נקראות Test Set. בסט הזה אנו נאשר למערכת אם היא צדקה בקביעתה "חתול" או "לא חתול", ונתקן אותה אם טעתה.

מתכנת "מהדור הישן" שהיה רוצה לתכנת מערכת המזהה חתול, היה צריך לבחור באחת משתי אסטרטגיות תכנות: הראשונה – להגדיר באופן מדויק למערכת איך נראה כל חתול באשר הוא (כל הצורות, הקווים, הצבעים, מרקמי הצבע וכד') – כך שבהינתן כל תמונה, המערכת תעבור עליה ותחפש את כל המאפיינים של אותו "חתול". השנייה – להזין אל המערכת את כל תמונות החתול בעולם ולומר לה – אם מצאת את התמונה במאגר הנתונים שלך אז תגידי "חתול", ואם לא מצאת תגידי "לא חתול". שתי האסטרטגיות הללו, שאינן בינה מלאכותית, הן בלתי אפשריות באופן מעשי, וההשוואה הזו בין הדרך של הבינה המלאכותית לזהות חתול לדרך של התכנות ה"קלאסי" לזהות חתול,  ממחישה מה למעשה החידוש או הקפיצה הגדולה שבינה מלאכותית מציעה.

סוגי נתונים וסוגי למידה

ככלל, מערכות בינה מלאכותית מתבססות על שני סוגים של נתונים:

• נתונים "מובנים" (Structured Data) = כל נתון מוזן למערכת בצורה מכומתת וחד משמעית. לדוגמה: גובה של אנשים, מחירי דירות, מילים "מתויגות" בשפה. הלמידה שמבצעת המערכת ממידע מובנה תיקרא "למידה מפוקחת" (Supervised Learning), שכן המתכנת שולט בהזנת הנתונים ומקטלג את כולם בתהליך הלמידה, ובכך "מכוון" את המערכת בצורה מדויקת אל הפונקציונליות הנדרשת.

• נתונים "לא מובנים" (Unstructured Data) = סרטונים, רצף דיבור, תמונות וכד' – שהם מקורות נתונים גדושים ועמוסים במידע מגוון. נתונים "לא מובנים" קשים יותר לאימון, ולרוב מערכות בינה מלאכותית דורשות training set הרבה יותר גדול. בתהליך העיבוד, המערכת מכמתת את המידע הלא מובנה להרבה משתנים אחרים לצורך העיבוד הסטטיסטי. כשזה קורה, הלמידה של המערכת מכונה "למידה לא מפוקחת" (Unsupervised Learning), שכן האלגוריתם יוצר את ההקשרים בין הנתונים בעצמו, ועשוי לזהות קשרים שמפתח המערכת אפילו לא היה יכול לשער שקיימים.

יש גישות שונות לאימון מערכת מבוססת בינה מלאכותית, וניתן להבחין ביניהן על בסיס ההבדל בדרך בה אומנו שתי תוכנות השחמט המתקדמות ביותר בעולם: Stockfish    ו- AlphaZero  (השנייה היא של חברת גוגל).

את Stockfish "אימנו" ע"י הזנת מיליוני משחקי שחמט, שאותם ניתחה סטטיסטית, ומהם יכלה "לגזור", בכל מצב משחק, מהו המהלך הבא שיש לו את הסיכויים הגדולים ביותר להוביל לניצחון. כיוון שהמערכת ממשיכה "לקלוט" עוד ועוד משחקים אל תוך מאגר הנתונים שלה, בין אם ממשחקים שלה ובין אם משחקנים בני אדם, היא יכולה להמשיך ולהפוך יותר ויותר מדויקת.

לעומתה, באימון של Alpha Zero נעשה שימוש בגישת "למידת חיזוק" (Reinforcement Learning), במסגרתה המתכנתים הגדירו למערכת את התוצאה הרצויה (כללי הניצחון במשחק) ונתנו למערכת לשחק נגד עצמה מיליוני משחקים – עד שהמערכת "פיתחה בעצמה" את ההבנה הסטטיסטית הדרושה בכדי לנצח את המשחק. על אף שזו גישה אחרת, ההיגיון הבסיסי של כל מערכות הבינה המלאכותית – עיבוד סטטיסטי של המוני נתונים – נשמר. עם זאת, במקרה זה, לגישה למידת החיזוק יש יתרונות: היא גם חסכונית ומהירה יותר, וגם גרמה ל- Alpha Zero להביס את Stockfish פעם אחר פעם.

כמובן שאסטרטגיית האימון צריכה להיות מותאמת לפונקציה שרוצים לפתח – ניתן להפעיל למידת חיזוק רק במצב בו המערכת יכולה לעשות "ניסיונות" ולהשוות אותם לתוצאה סופית שהגדירו לה כרצויה. אם ננסה להשתמש בשיטה זו בכדי לפתח מערכת ניבוי שכר הדירה למשל, הרי שהיא תתחיל "לזרוק" מספרים אקראיים ותחכה שמישהו יאמר לה אם הם נכונים.

למידה עמוקה\רשת נוירלית

היכולת לאמן מערכות בינה מלאכותית בעזרת "למידת חיזוק", קשורה בהתפתחות סוג מסוים של אלגוריתמים חזקים מאוד, המבוססים על היגיון של "למידה עמוקה" (Deep Learning), או מושג קרוב לו – "רשת נוירלית" (Neural Network).

שני המושגים הללו מכוונים לתהליך עיבוד סטטיסטי של כמויות גדולות של נתונים, המתבצע בכמה "שכבות" בו זמנית, ובמהלכו המערכת מציבה "השערות" כמעט אקראיות ובוחנת אותן לעומת המציאות. באופן פשטני מאוד ניתן לומר, שבדרך זו המערכת אומרת "נניח ש…" על כל מיני נתונים, כדי ליצור קורלציות ורגרסיות ביניהם, ואז "מעדכנת" את עצמה עם כניסתם של נתונים חדשים ו"אמיתיים".

אני יודע כי זהו הסבר מעט מסובך להבנה… אך הרעיון המרכזי הוא שאלגוריתמים של למידה עמוקה או רשתות נוירליות, מסוגלים לעבד ולזהות קשרים מורכבים בין הרבה מאוד נתונים, והם עושים זאת בדרך של העלאת השערות ובדיקתן אל מול נתונים או הגדרות כלליים.

במובנים מסוימים ניתן לומר שלוגיקה זו מנסה "לשאוב השראה" מצורת הלמידה והחשיבה האנושית, ומעבודת המוח. המונח בו בחרתי להשתמש הוא "לשאוב השראה", לא לחקות. למרות שהמושג נקרא "רשת נוירלית", זהו אינו חיקוי של פעולת המוח, אלא הסתמכות על עיקרון שמזכיר במשהו את פעולת מערכת העצבים.

בינה מלאכותית "צרה" ובינה מלאכותית "כללית"

מבחינה התפתחותית נהוג לומר כי עולם הבינה המלאכותית נמצא עדיין בשלב "הבינה המלאכותית הצרה" (ANI = Artificial Narrow Intelligence). הכוונה במושג זה היא שמרבית מערכות הבינה המלאכותית המפותחות כיום הן כאלו שמאומנות ומתמחות בפונקציונליות מאוד ברורה וצרה, כמו כל הדוגמאות שהזכרנו קודם לכן. המערכת תהיה פנטסטית בניבוי מחירי שכר דירה, אבל לא תדע לעשות שום דבר אחר.

החזון של "הבינה המלאכותית הכללית" (AGI = Artificial General Intelligence), שהוא הרעיון של פיתוח מערכת שיש לה "יכולת חשיבה" רחבה ומגוונת, הוא עדיין חזון רחוק, ולא בטוח כלל שסוגי האלגוריתמים הקיימים היום יכולים לתמוך בו. מערכות כמו סירי או אלקסה הן למעשה חיבור של הרבה מאוד תוכנות בינה מלאכותית מתמחות ו"צרות" לממשק אחד – אחת "מזהה" קול, אחת "מבינה" דיבור, אחת "שולפת" מידע כדי לענות לשאלות וכו'. אין אינטגרציה במערכת היכולה לאפשר לה להיות "ישות" אחת, הנעה בין יכולות שונות בדומה לאדם, או לפתח באופן עצמאי יכולות חדשות כדי להתפתח.

מה נדרש בכדי לפתח מערכת מבוססת בינה מלאכותית?

בפיתוח של מערכת AI נדרשים באופן עקרוני שלושה מרכיבים:

1. אפיון – הרעיון והתפיסה לגבי מה המערכת שרוצים לפתח אמורה לעשות. למעשה זהו הבסיס של כל פיתוח טכנולוגי. כיוון שאנו עדיין בשלב של ANI, בכדי לפתח מערכת AI חשוב להבין היטב מהי הפונקציונליות שרוצים לפתח.
2. אלגוריתם או אלגוריתמים – קוד תוכנה שמבוסס על אלגוריתם מהסוג שיכול לתמוך בפונקציונליות הרצויה. יש שתי אפשרויות ליזם להשיג אלגוריתם – לפתח אותו בעצמו (שזה עלול להיות מורכב, אך ייצור התאמה גבוהה למטרות הפיתוח) או לרכוש אותו מחברות שכבר פיתחו אלגוריתמים מתאימים.
   ישנם הרבה מאגרים חינמיים של אלגוריתמים שניתן להשתמש בהם. ספריות קוד פתוח של אלגוריתמים ללמידת מכונה מוכרות הן TensorFlow של גוגל ו- Azure של מיקרוסופט. מפתחים של מערכות יכולים להיכנס אליהם או אל ספריות אחרות, לחפש אלגוריתם שכבר "אומן" או אלגוריתם "נקי" שניתן להפעיל על מערך נתונים חדש, ולהשתמש בו. כאמור, לעתים אלגוריתמים כאלו מוצעים אף בחינם, ולעתים יש מודל עסקי מאחורי האלגוריתמים המוצעים. נכון להיום רוב החברות הגדולות מציעות את האלגוריתמים שלהן לאנשי חינוך לשימוש חופשי.
3. נתונים – לצורך אימון המערכת, חשוב להשיג נתונים איכותיים ומקיפים בהם ניתן להשתמש. בינה מלאכותית מבוססת, כאמור, על עיבוד סטטיסטי שמבצע אלגוריתם על נתונים – ולכן הם קריטיים. לעתים הנתונים כבר קיימים אצל היזם, ולעתים עליו להשיג אותם – בין אם לרכוש אותם מגוף שכבר אסף ומחזיק בנתונים, ובין אם לאסוף אותם בעצמו.

דוגמה: חברת הסטארט-אפ הישראלית Derma_Detect פיתחה מערכת המאפשרת לצלם בתקריב עור של מטופלים. כך שהמערכת תוכל לבצע אבחון ראשוני של הסימנים המופיעים על העור ולהעריך את מידת הסיכון שלהם. התיאור הזה הוא אפיון המערכת (1). מערכת כזו עוזרת להגיע במהירות לאבחנות רפואיות ברמת דיוק גבוהה מאוד, כמעט כמו (או אולי אפילו לפחות כמו…) רופא עור, ומשמשת ככלי לרופאי עור, שחוסך זמן בהמתנה לתור ומאפשר טיפול מהיר יותר. בכדי לפתח את הפונקציונליות הזו, היה הכרח להפעיל אלגוריתם של למידת מכונה המתמחה במידע ויזואלי לא מובנה, כלומר תמונות, ולבצע "למידה לא מפוקחת", כיוון שקידוד המאפיינים הפיזיים של תמונות העור לא נעשה בידי אדם (2). בכדי לאמן את המערכת, היזמים היו חייבים להשיג אלפי, וכנראה יותר, תמונות של עור, נגוע ולא נגוע, ומאובחן ברמת ודאות גבוהה (3). אם למרכז רפואי כלשהו כבר היה קיים מאגר שכזה, החברה היתה יכולה לרכוש את זכויות השימוש בו לטובת הפיתוח שלה. אם לא קיים מאגר שכזה, אנשי Derma Detect היו חייבים לפנות אל המון רופאי עור, לצלם דגימות עור ולבקש מהם לאבחן אותן.

דוגמה מעולם הקרוב יותר לחינוך: חברת Moodknight הישראלית פיתחה מערכת המסוגלת לאבחן את רמת המצוקה הרגשית המובעת ע"י בני ובנות נוער בפוסטים ברשתות חברתיות, על מנת ליצור הזדמנות להתערבויות סיוע מותאמות (1). לרגע נעזוב שאלות לגבי דרכי הפעולה של המודל "בעולם האמיתי" ונתייחס רק לפיתוח היישום עצמו. בכדי לפתח מערכת כזו, היה צורך להשתמש באלגוריתם של למידת מכונה עם יכולות עיבוד שפה טבעית (NLP), שמסוגל "לקרוא" את הטקסט ולארגן אותו (2). בכדי לאמן את המערכת, היה הכרח בכמה אלפי דוגמאות של פוסטים של בני נוער מהרשתות חברתיות, שהוזנו יחד עם "תיוג" הבנוי מחוות דעת של פסיכולוגים מקצועיים, שקיטלגו את רמת המצוקה המובעת בפוסט לפי הרזולוציה הנדרשת (3).

שתי הדוגמאות לעיל מתארות תהליך פיתוח "קלאסי" יחסית של מערכת מבוססת בינה מלאכותית. אלו הם היסודות של פיתוח מערכת AI. גם כשמדובר בפיתוח של מערכת מורכבת יותר, המטפלת בכמויות הרבה יותר גדולות של משתנים ומידע, וכוללות כמה פונקציות המשתלבות ביניהן, אלו יהיו היסודות.

רקע

הבינה המלאכותית (Artificial Intelligence) בדומה לרשת האינטרנט בשנות השמונים והתקשורת הסלולרית בשנות התשעים, היא 'הטכנולוגיה המשבשת' (Disruptive Technology) בתקופה זו והשפעתה מתעצמת בקצב מהיר על כל תחומי החיים לרבות החינוך. אגף מו"פ, ניסויים ויוזמות מופקד על הכוונה, פיתוח, תיקוף והיערכות ליישום של תוצרים חדשניים בתחומי החינוך, בהתאמה לצרכים אסטרטגיים ומערכתיים הנובעים ממדיניות המשרד. האגף מפעיל את המעבדה לבינה מלאכותית בחינוך על מנת להתנסות ולהעריך את תרומתה האפשרית של טכנולוגיה זו למערכת החינוך.

מטרות המעבדה:

1. הפעלת סביבת חקר והתנסות לשם גיבוש ידע והמלצות לגבי הפוטנציאל והמשמעויות של טכנולוגיית הבינה המלאכותית בחינוך לשם תמיכה בקבלת החלטות לגבי אופן יישומה.
2. רתימת טכנולוגיות הבינה המלאכותית לקידום ייעדי המשרד: למידה מצמיחה, חיזוק החוסן ותחושת השייכות, פיתוח זהות ישראלית, קידום מוביליות חברתית, חיזוק וקידום צוותי החינוך.
3. קידום הבינה המלאכותית כחלק מהמהלך לשילוב טכנולוגיה בחינוך ולהנגשת הבינה המלאכותית כנושא להתנסות ופעלנות (Agency).
4. מרכז ידע לנעשה בישראל ובעולם – לרבות יצירת שיתופי פעולה עם גורמי מחקר ופיתוח בחו"ל.

עקרונות פעולת המעבדה:

• המעבדה מקדמת מיזמים וניסויים הנמצאים בהלימה ליעדי המשרד לעיל, לתוכנית האסטרטגית לשילוב ב"מ בחינוך ושהם בעלי היתכנות ליישום נרחב.
• שילוביות / Ecosystem – המעבדה פועלת בשותפות עם החטיבה לחדשנות טכנולוגית בחינוך, בתי ספר, אקדמיה, גורמי ממשלה, יזמים וחברות טכנולוגיות (מישראל ומחו"ל).
• חשיבה עיצובית – חקר הסוגייה והגדרתה, זיהוי שדה החדשנות, גיבוש תפיסה, פיתוח מודלים, יישום והערכה.
• 'ארגז חול' – מרחב בטוח המאפשר ניסוי, טעיה, שיפור וניסוי נוסף (בטכנולוגיות של יזמים ישראלים ו/או רכישת רישיונות לניסוי בכלי ב"מ מחו"ל).
• בינלאומיות – המעבדה לומדת מהנעשה בעולם ומשתפת פעולה עם גורמים בחו"ל (לדוג' איחוד האמירויות, OECD)
• מחקר מלווה – הפעילות/ניסויים במעבדה מלווים במחקר הערכה
• המעבדה פועלת תוך הקפדה על כללי בינה מלאכותית אחראית (Responsible AI) בהיבטים של אתיקה, ובהלימה לחוזרי מנכ"ל בנושא שמירת הפרטיות.

כיווני פעולה:

המעבדה מפעילה תמהיל של מיזמים וניסויים היכולים להציג ערך וישימות לטווח המיידי ולטווח הארוך. דוגמאות לתחומי העניין של המעבדה:

• למידה אדפטיבית ומצמיחה: איתור משימות מותאמות אישית, חלוקה לקבוצות עבודה, עוזר הוראה Bot דיגיטלי לדוג' לתרגול אנגלית / מתמטיקה, איתור אובדן קשב וריכוז בווידאו, ניתוח מובילות חברתית וצמצום פערים בכל שכבות הגיל וכד'.
• שלומות, מוגנות ולמידה חברתית-רגשית (SEL) – חיזוק תחושת החוסן והשייכות: איתור ביטויים פוגעניים בסביבות למידה מקוונות, סיוע באיתור מצוקה נפשית בטקסט או בציור, יישומים לבקרת הורים למניעת פגיעה וכד'.
• אירגון ומינהל: בדיקת עבודות בטקסט חופשי, ניתוח למידה, חיזוי נשירת מורים ותלמידים, וכד'…
• בינה מלאכותית כהתנסות פעלנית: – בחינה והערכה של תכניות חינוכיות להתנסות בנושא בשכבות גיל שונות.
• קידום שת"פ בינ"ל – איחוד האמירויות, OECD

אתגרים:

המעבדה ערה לאתגרים המתלווים לשימוש 'בטכנולוגיה משבשת' מסוג זה ופועלת באחריות ובהלימה לסטנדרטיים המשפטיים והאתיים בנושא ב"מ ובכלל זה:

• התנגדות והסתייגות טבעית במפגש עם 'טכנולוגיה משבשת' הנתפסת כמאיימת: 'עליית המכונות' והרובוטים – אובדן האנושיות והשליטה.
• סוגיות משפטיות ואתיות של שמירת הפרטיות והסכמה (Consent)
• חוסר בנתונים שאינם נאספים

פעולות המעבדה בשנה"ל תשפ"ב:

• פעולת המעבדה מוסדרת במסגרת מסמך המדיניות המשרד בנושא בשיתוף עם המינהל לחינוך טכנולוגי – החטיבה לחדשנות טכנולוגית בחינוך ('Start').
• המעבדה מפעילה ארבעה ניסויים בשבעה בתי הספר
• המעבדה מתקצבת את היזמים והמורים הפועלים במסגרתה בהתאם לתנאי 'קול קורא'.
• המעבדה מפתחת ומשתפת בידע בנושא בינה מלאכותית בחינוך מישראל ומהעולם ומשתתפת בכנסים בהתאם.
• בתום שנה"ל מופק דו"ח שנתי המסכם את הפעילות, התובנות וההמלצות

ליצירת קשר

ד"ר עמיר גפן – מנהל המעבדה לבינה מלאכותית

אגף מו"פ, ניסויים ויוזמות, המינהל הפדגוגי – משרד החינוך

amirgefen.mail@gmail.com / 050-6283809

מאמר מדיניות מעניין על הקשר בין חינוך למטה-וורס. מאת קטי הירש פאסק ואחרים, המכון לחינוך אוניברסלי , מכון ברוקינגס.

קישור למאמר