מבט על Extractive AI

וExtractive AI היא סוג של בינה מלאכותית הממוקדת בחילוץ מידע ותמצותו על בסיס מאגרי נתונים גדולים.

במודלים אלו של בינה מלאכותית, המטרה היא לחלץ מידע קיים מתוך מקורות טקסטואליים, ולהציג אותו מחדש בצורה מצומצמת.

קיימות מספר שיטות מרכזיות בהן מודלי Extractive AI משתמשים:

• עיבוד שפה טבעית (NLP) להבנת הטקסט

• זיהוי ישויות, כגון, אנשים, מקומות ואירועים

• איתור מילות מפתח ונושאים מרכזיים

• זיהוי קשרים בין רעיונות בטקסט

• דירוג חשיבות משפטים ובחירת הרלוונטיים ביותר לתקציר

דוגמאות לשימושים אפשריים במודלים מסוג Extractive AI:

• תמצות טקסט: יצירה אוטומטית של תקציר למסמכים ארוכים, לדוגמה, מאמרים, דוחות או ספרים. התקציר מכיל את הנקודות והרעיונות העיקריים מהטקסט המקורי.

• מענה על שאלות: מודלי Extractive AI יכולים "לקרוא" טקסטים ארוכים ולאתר בהם תשובות לשאלות ספציפיות. שימושי למערכות מסוג "שאלות ותשובות".

• תרגום מכונה: בתהליך התרגום, טכנולוגיות Extractive AI עושות שימוש בהרכבת תרגום ממילים ומבנים לשוניים קיימים. כמו כן, הן מאפשרות המרת דיבור לטקסט כתוב.

• כריית טקסט: מיצוי מידע ספציפי מתוך מסמכים גדולים, כגון, שמות אנשים, מיקומים, מונחים ייחודיים ועוד. שימושי בבניית מסדי נתונים.

• ניתוח שיחה: הבנה של שיחות טקסטואליות בצ'אטים, WhatsApp וכדומה לצורך ניתוח שביעות רצון לקוחות.

• אבחון רפואי: ניתוח והפקת מידע על בסיס דוחות רפואיים.

למרות שמודלי Extractive AI עושים שימוש במידע קיים, ואינם יוצרים מידע חדש, יש להם ערך רב בעיבוד ותמצות תכנים. עם זאת, קיימות מגבלות במודלים מסוג זה:

1. קושי לזהות את המשפטים או הביטויים החשובים ביותר בטקסט, במיוחד כאשר הטקסט ארוך ומורכב, או כאשר הטקסטים כוללים שפה תיאורית או רעיונות מורכבים מדי.

2. קיים סיכון של תקצירים לא קוהרנטיים מבחינה תחבירית, או שאינם מדויקים.

3. אם הטקסט המקורי מוטה או לא מאוזן, גם התקציר שייווצר על ידי ה-AI עלול להיות מוטה ולא מדויק.

ניתן לומר כי ל-Extractive AI יש יכולות מתקדמות בתמצות טקסטים, אך עדיין יש לו מגבלות בהבנה של טקסטים מורכבים, ארוכים או מוטים. כתוצאה מכך, התקצירים המופקים לא תמיד מדויקים או ברורים מספיק.

בניגוד ל-Extractive AI, מודלי‏ Generative AI שונים במטרתם ובתכליתם, שכן הם יכולים ליצור תוכן מקורי לחלוטין, כדוגמת כתיבת מאמרים, שירים, סיפורים או יצירת תמונות. בניגוד למודלי Extractive AI, במודלים של Generative AI התמצות אינו מסתמך על רעיונות שלמים בטקסטים קיימים, אלא על ייצור תוכן חדש.

לסיכום, Extractive AI הינה טכנולוגיה חשובה ובעלת פוטנציאל רב למיצוי, תמצות וארגון יעיל של נתונים וטקסטים בהיקפים גדולים, אך יש לשים לב למגבלות שלה, נכון ל-2023, לדוגמה, הבנה חלקית של שפה טבעית וכדומה, המתוארים לעיל.

מקורות:

• Where to Use Generative AI for Enterprise vs. Extractive AI - Aiimi

• Combining Extractive and Generative AI for New Possibilities (lexisnexis.com)

• Extractive and Abstractive Text Summarization NLP - INK (inkforall.com)

---

רוצה ללמוד עוד על בינה מלאכותית?

הנה מספר כתבות שאולי יעניינו אותך:

• סקירת כלי AI ליצירת תמונות

• כיצד RAG משנה את הדרך בה AI מבין ומייצר תשובות?

• שימוש בכלי בינה מלאכותית של מיקרוסופט ליצירת גרפיקה – הלכה למעשה