מה זה זירת AI?

זירת AI הוא המקום המרכזי לחדשות AI בישראל, המספק חדשות בינה מלאכותית עדכניות, ביקורות כלי AI, מידע על אירועי AI ומומחים בתחום. הכל בעברית ומותאם לשוק הישראלי.

איך אני יכול להישאר מעודכן עם חדשות AI?

תוכלו להירשם לניוזלטר השבועי שלנו, לעקוב אחרי העמוד שלנו ברשתות החברתיות, או פשוט לבקר באתר באופן קבוע לקבלת עדכונים על חדשות AI, כלים חדשים ואירועים קרובים.

איך אני יכול למצוא כלי AI מתאים לעסק שלי?

במאגר הכלים שלנו תוכלו לסנן לפי קטגוריות שונות כמו כתיבה, תמונה, קוד, ניתוח נתונים ועוד. כל כלי כולל ביקורת מפורטת, דירוג, מידע על מחיר ויתרונות וחסרונות.

איך אני יכול למצוא אירועי AI בישראל?

בעמוד האירועים שלנו תמצאו רשימה מעודכנת של כנסים, Meetups, Webinars וסדנאות בתחום הבינה המלאכותית בישראל. כל אירוע כולל פרטי הרשמה, מיקום ותאריכים.

מה הנושא המרכזי של הכתבה ומה החידוש?

הכתבה מסכמת פוסט של Google Research על כך שמודל Gemini הצליח לזהות “התפרצויות כוכבים” (טרנזיינטים אסטרונומיים) מעקומות אור בדיוק של כ-93% בתוך דקות, לאחר מעט דוגמאות מסומנות בלבד (few-shot). החידוש: שימוש ב־few-shot prompting במקום אימון מלא על אלפי דוגמאות, בהדגמה מעשית על נתוני סקרי שמיים אמיתיים. את המחקר הובילו Turan Bulmus ו-Dr. Fiorenzo Stoppa, בשיתוף חוקרים ובהם Steven Bloemen, Stephen J. Smartt, Paul J. Groot, Paul Vreeswijk ו-Ken W. Smith.

מה זה few-shot prompting ואיך הוא יושם בניסוי עם Gemini?

few-shot prompting היא גישה שבה נותנים למודל שפה/מולטימודל מספר קטן של דוגמאות מסומנות כדי “להדגים” את המשימה, במקום לאמן אותו מאפס על מערך גדול. כאן סיפקו לג'מיני בערך 15 דוגמאות מסומנות לכל מחלקה של אירוע אסטרונומי (טרנזיינט), לצד הוראות קונטקסטואליות. המודל למד להסיק תבניות מסיווג עקומות אור של מקורות משתנים/מתפרצים וליישם זאת על דגימות חדשות, ללא תהליך אימון מסורתי ארוך.

אילו מערכי נתונים וסקרי שמיים שימשו, ומה סיווג המודל?

הניסוי בוצע על נתונים מסקרי שמיים Pan-STARRS, MeerLICHT ו-ATLAS. ג'מיני קיבל עקומות אור של מקורות “טרנזיינטיים” – אירועים קצרים או משתנים בעוצמת האור, למשל התפרצויות כוכבים – והתבקש להבחין בין סוגי אירועים (כולל משימת “כן/לא” לאירועי התפרצות וכן סיווג רב-מחלקתי של טרנזיינטים).

מה היו התוצאות המרכזיות: דיוק, כמות הדוגמאות והפעלת המערכת בזמן אמת?

עם כ-15 דוגמאות מסומנות לכל מחלקה, ג'מיני הגיע לכ-93% דיוק על סטים שלא נראו קודם, בתוך דקות. בניסוי זמן-אמת על 12 מועמדים חדשים, המודל סייע לתעדף מעקב והוביל לאישושים תצפיתיים. על נתוני MeerLICHT דווח טווח ביצועים של כ-93.4% עד 96.7%. בנוסף הוכנס ציון ביטחון (0–5) ומשוב אנושי במעגל (human-in-the-loop) לשיפור ההחלטות והתעדוף.

איך ג'מיני בהשוואה למודלים קלאסיים (כגון CNNs), והאם זה מחליף אסטרונומים/צנרת קיימת?

בהשוואה למודלי CNN קלאסיים שדרשו לרוב אלפי דוגמאות לצורך אימון, ג'מיני הדגים ביצועים תחרותיים מכמה עשרות דוגמאות בודדות. עם זאת, השיטה אינה מחליפה צנרות אסטרונומיה ייעודיות או מומחים: היא רגישה לאיזון בין מחלקות, לפורמט הפרומפט ולרעש בנתונים, ונדרשות לפחות כ-10 דוגמאות איכותיות למחלקה ליציבות. המסקנה בכתבה היא ש-Gemini מתאים כ”שותף” מחקרי המסייע לתעדוף ולקיצור זמני תגובה, כחלק מתהליך human-in-the-loop.

מחקר גוגל: ג'מיני לומד לזהות התפרצויות כוכבים מכמה דוגמאות בודדות - חדשות AI

כפי שפורסם בבלוג של גוגל.

לפי דיווח ב Google Research Blog. רעיון מרכזי שעולה מהפרסום: מודל Gemini הרב-מודלי הוסב ב-few-shot ל"עוזר אסטרונומי" שמזהה ומסביר אירועים חולפים כמו סופרנובות בדיוק גבוה, תוך שקיפות נימוקים. מחקר של גוגל מעלה כי שימוש ב-15 דוגמאות מסומנות לכל סקר הספיק כדי להגיע לביצועים ברמת מודלים ייעודיים, על פי הבלוג של גוגל.

המחקר, מאת Turan Bulmus ו-Dr. Fiorenzo Stoppa ושהתפרסם ב-Nature Astronomy, בחן שלושה סקרים אסטרונומיים שונים: Pan-STARRS, MeerLICHT ו-ATLAS. בכל דוגמה הוצגו למודל שלוש תמונות קטנות: תמונת התראה חדשה, תמונת ייחוס, ותמונת הפרש שמדגישה את השינוי. ג'מיני התבקש להחזיר לא רק תגית "אמיתי" או "בוגוס", אלא גם הסבר טקסטואלי תואם-תמונה וניקוד עניין לפעילות המשך. התוצאה: דיוק ממוצע של כ-93% על פני שלושת המאגרים, בדומה ל-CNNs ייעודיים שדורשים אימון ארוך ועל הרבה יותר נתונים.

נוסף על כך, החוקרים הראו מנגנון אמינות פנימי: ג'מיני דירג את הקוהרנטיות של ההסבר שלו עצמו בסולם 0 עד 5. דירוג קוהרנטיות נמוך ניבא היטב טעויות סיווג, מה שמאפשר זרימת עבודה human-in-the-loop יעילה שממקדת אסטרונומים רק במקרים הלא-ודאיים. פאנל של 12 אסטרונומים העניק ציוני קוהרנטיות גבוהים לרוב ההסברים, והראה התאמה בין הנימוק לניקוד העניין. באמצעות הוספת דוגמאות קשות בחזרה לפרומפט, הדיוק ב-MeerLICHT השתפר מכ-93.4% לכ-96.7%.

למה זה חשוב? סקרים מהדור הבא, כמו מצפה ורה רובין, צפויים לייצר עד 10 מיליון התראות ללילה. פתרונות "שחורות קופסה" מקשים על תעדוף ואמון. כאן מתקבלת גם שקיפות וגם יכולת הערכת אי-ודאות, המתורגמות לקיצור זמן מיון, הפחתת עומס ידני ושיפור גילוי סופרנובות אמיתיות. מבחינה טכנית, זו הדגמה חזקה של few-shot prompting רב-מודלי: למידה מהוראות קצרות ודוגמאות מעטות, הכללה בין סקרים עם סקלות פיקסל שונות, ושילוב הערכת אמינות עצמית הדומה עקרונית לכיול מודלים.

מעבר לאסטרונומיה, הגישה מתאימה לתחומים מדעיים נוספים בעלי נתוני תמונה מורכבים, כמו פתולוגיה דיגיטלית, חישה מרחוק וזיהוי חריגים. עם זאת, הצלחתה תלויה באיכות הדוגמאות ובבקרת הטיות. מומלץ למכונים לבנות ספריות פרומפטים ניתנות לעדכון, לשלב בדיקות עקביות הסבר-תוצאה, ולהעריך עמידות בשינויים תצפיתיים.

בפרסום מודים גם לשותפים: Steven Bloemen, Stephen J. Smartt, Paul J. Groot, Paul Vreeswijk ו-Ken W. Smith. הממצאים מרחיבים את הידוע לגבי שימוש ב-LLMs רב-מודליים במדע נתוני-גדולים, ומציעים נתיב לסייענים "סוכניים" שמבקשים תצפיות המשך ומקדמים תגליות בזמן אמת.

מחקר גוגל: ג'מיני לומד לזהות התפרצויות כוכבים מכמה דוגמאות בודדות

שאלות נפוצות