למידת מכונה תקדם את כל תחומי המדע

בשנים האחרונות חל שיפור משמעותי בכל הנוגע לטיפול במחלת הסרטן. פריצות דרך מדעיות הובילו לטיפולים חדשניים, לדוגמה טיפול ביולוגי, שמבוסס על שינוי של גנים שביולוגים מבינים שמשפיעים על תגובת מערכת החיסון לגידולים. אולם גם בתחום זה יש מקום לשיפור משמעותי. "למידת מכונה תאפשר לנו למצוא עוד עשרות, אם לא מאות, סוגי גנים מהסוג הזה, שכרגע הם חבויים," אומר ד"ר אופיר לינדנבאום מהפקולטה להנדסה. "איתור שלהם יוביל לפיתוח תרופות חדשות, מותאמות אישית ויעילות הרבה יותר בהשוואה לתרופות שיש היום, הביולוגיות וכמובן גם הגלובליות".

לינדנבאום מתמחה בלמידת מכונה. "בתחילת המחקר התעסקתי בעיבוד אותות, ומשם התגלגלתי ללמידת מכונה, כשהשאלה שהעסיקה אותי לכל אורך הדרך היא איך לחלץ מתוך מידע שנדגם את האינפורמציה המדעית שמעניינת אותנו," הוא מספר. "בדוקטורט עבדתי על שילוב מידע מרובה היבטים, שמגיע ממחשבים ומכשירי מדידה שונים, למשל אודיו ותמונות שמגיעים ממכשירי רנטגן ו-MRI. המטרה שלי לכל אורך הדרך הייתה ללמוד שימוש בלמידת מכונה בשביל לעזור לקדם את המחקר המדעי בתחומים שונים, דוגמת רפואה, ביולוגיה וגיאופיזיקה".

את הפוסט דוקטורט שלו, במתמטיקה שימושית, עשה באוניברסיטת ייל. "בפוסט דוק עברתי להתעסק בעיקר בדאטה שמגיעה מעולם הביולוגיה והרפואה. העבודה בייל הייתה בעיקר מול חוקרים בפקולטות לרפואה ולביולוגיה, כאשר הם מעלים שאלה מדעית ומנסים לפתור אותה באמצעות איסוף מידע במחשבים שדוגמים תאים בודדים או תמונות דימות מחולים, ומנסים להבין מהם הגורמים שמשפיעים על הבעיה הזאת", הוא מספר. "הצד שלי היה לפתח כלים שעוזרים, באמצעות אוטומציות שמתאפשרת על ידי למידת מכונה, למצוא דפוסים ומשתנים שמשפיעים על הבעיות הרפואיות. הייתי בייל 3.5 שנים, שמתוכם עשיתי את השנה האחרונה בארץ, בחסות הקורונה. היא אפשרה לאנשים חישוביים כמוני לעבוד מרחוק".

לפקולטה להנדסה הגיע בחודש אוקטובר 2021, והשתלב במסלול להנדסת נתונים. אז הקים את הקבוצה שלו, Machine Learning for scientific discovery, שעובדת על פיתוח כלים של למידת מכונה שיעזרו בחקר שאלות מדעיות בצורה אוטומטית. "הקבוצה שלי מאוד מגוונת," הוא אומר. "כולנו עוסקים בפיתוח כלים שיעזרו בבעיות מדעיות פרקטיות – אבל בתחומים שונים. במעבדה שלי חוקרים בעיות שקשורות בפסיכולוגיה, בביולוגיה ובמדעי המוח. שיתוף פעולה אחד עם ד"ר ודים אקסלרוד מהמרכז לחקר המוח, עוסק בחיזוי מצב תודעתי של אנשים במצב צמח באמצעות מדידות שנקראות fMRI. שיתוף פעולה נוסף, עם פרופסור שרון גנות מהפקולטה, עוסק באותות דיבור. מחקר אחר, עם ד"ר יונתן גנות מהמחלקה לגיאוגרפיה, עוסק בחיזוי של שיטפונות עירוניים".

במקביל, פתח ד"ר לינדנבאום קורס חדש לתואר שני, שעוסק בלמידה בלתי מפוקחת. "למידה בלתי מפוקחת היא למידה שלא דורשת תיוג אנושי. בתחום למידת המכונה, חלק גדול מהמחקר מבוסס על דוגמאות מתויגות, כלומר כאלה שנדרש תיוג אנושי שיאפשר אימון של מודלי לימוד המכונה. לדוגמה, תמונות שאנחנו יודעים שיש בהן פרצוף של בנאדם מסוים, או קטעי אודיו שבהם מישהו אומר מילה מסוימת," הוא מסביר. "לעומתם, מודלים שלא דורשים תיוג מחפשים דפוסים בתוך מאגרי מידע שלפעמים אפילו בנאדם לא מסוגל למצוא. למשל: חיפוש של גנים שמשפיעים על בעיה רפואית מסוימת בטבלה שיש בה מאות אלפי גנים. לבני אדם קשה למצוא דפוסים בדאטה מהסוג הזה, בעיקר כשהטבלה לא מאורגנת. דוגמה נוספת לשילוב בין הדברים אפשר למצוא במחקר שאני עושה בשילוב ד"ר יונתן גנות העוסק בחיזוי שטפונות. השאיפה שלנו בפרויקט הזה היא לתת התראה של זמן אמת לתושבים, בתל אביב למשל או בערים אחרות בגוש דן, כדי למנוע אירועים של הצפות של כלי רכב או מרתפים שאנשים נמצאים בתוכם. בפרויקט הזה אנחנו מודדים מידע מהשירות המטאורולוגי, ומצמידים אותם לדיווחים של תושבים כדי לתת חיזוי בזמן. זה שלב בניית המודל, והוא מבוסס על דוגמאות מתויגות. אבל בזמן אמת נרצה להציב את זה על דוגמאות לא מתויגות, כאלה שיוכלו לחזות את השיטפון עוד לפני הדיווח".

ד"ר לינדנבאום עובד במעבדתו עם עם סטודנטים וסטודנטיות לתואר שני ושלישי, על כמה פרויקטים בתחום למידת המכונה. "החלום שלי הוא שנצליח לפתח כלים שיכנסו לכל תחום מדעי; שביולוגים, רופאים וגיאו-פיזיקאים, לדוגמה, ישתמשו בכלים שפיתחנו, ושהם יסייעו להם להגיע לתגליות חדשות, שאי אפשר לגלות עם הכלים שיש להם היום. אני רואה את עצמי מתעסק עם זה גם בעתיד, כדי לשנות את הדרך שבה מדענים פועלים, לטובת שיפור המדע, דחיפה שלו קדימה וסיוע לגילוי תגליות חדשות".