KANDy מפענחת משוואות במערכות כאוטיות: למה זה חשוב לארגונים

KANDy מסמנת כיוון חשוב ב-AI: מעבר ממודל שמנחש היטב את התוצאה למודל שמנסה לגלות את החוקיות שיצרה אותה. אם הגישה תוכיח את עצמה מחוץ לסביבת המחקר, היא עשויה לסייע לארגונים להבין מערכות פיזיקליות מורכבות, לשפר בקרה תפעולית ולקצר מחזורי מחקר ופיתוח.

אבל חשוב לדייק כבר בתחילת הדיון: KANDy היא מסגרת מחקרית שפורסמה כ-preprint, לא מוצר ארגוני בשל. תשומת לב אקדמית, קוד פתוח ותוצאות מבטיחות על בעיות קשות הם סיבה לבדיקה רצינית, לא להכרזה על פתרון מוכח.

מה KANDy עושה בפועל

KANDy הם ראשי תיבות של Kolmogorov-Arnold Networks for Dynamics. המסגרת מבוססת על ארכיטקטורת KAN, משפחת רשתות נוירונים שבה פונקציות נלמדות ממלאות תפקיד מרכזי בייצוג הקשרים בין משתנים.

במודל חיזוי רגיל מזינים היסטוריה של מערכת ומקבלים הערכה של מצבה העתידי. KANDy מנסה ללכת צעד נוסף: לקבל סדרות נתונים ממערכת דינמית ולשחזר מתוכן את המבנה המתמטי שמכתיב את השינוי לאורך זמן.

במונחים מופשטים, במקום ללמוד רק מעבר ממצב x(t) למצב עתידי, המטרה היא לזהות קירוב של החוק dx/dt = f(x). התוצר הרצוי אינו רק תחזית, אלא ייצוג שניתן לבחון, להשוות לידע פיזיקלי ולערער עליו מקצועית.

החוקרים מאוניברסיטת Clarkson בחנו את המסגרת על מערכות דינמיות רציפות ודיסקרטיות, משוואות דיפרנציאליות חלקיות כאוטיות ומבנים מתמטיים מופשטים, ובהם Hopf Fibration. לפי תוצאות המחקר, KANDy הצליחה לשחזר מבנים ששיטות השוואה התקשו לגלות.

פרשנות אינה תכונה עיצובית שמוסיפים למודל בסוף הפרויקט. במערכות קריטיות היא חלק מהגדרת האיכות, לצד דיוק, יציבות ובטיחות.

למה קופסה שחורה אינה מספיקה

מודל יכול לחזות תקלה בדיוק שימושי ועדיין להיכשל בשאלה החשובה יותר: האם הוא למד קשר סיבתי, חוק פיזיקלי או רק מתאם זמני שנוצר בתנאי המדידה?

ההבדל הזה קריטי במערכות כאוטיות. רגישות לתנאי התחלה גורמת לכך ששינוי קטן במדידה עלול להתפתח לפער גדול בתחזית. מודל שמתאים היטב לנתוני העבר עשוי להיראות מרשים בבדיקה רגילה, אך להתפרק כאשר תנאי ההפעלה, הציוד או סביבת הייצור משתנים.

KANDy מעניינת במיוחד משום שהיא נוגעת באזור שבין גילוי מדעי להנדסת ML. היא אינה מבטלת סימולציות, מומחים או מודלים פיזיקליים. הערך שלה עשוי להגיע דווקא מהחיבור ביניהם: יצירת השערה מתמטית מתוך נתונים, בדיקתה מול ידע קיים ושילובה במערכת בקרה רק לאחר אימות.

היישומים העסקיים האפשריים

היישום המיידי אינו בכל מחלקה שמחזיקה גיליון נתונים. מדובר בגישה שרלוונטית בעיקר לארגונים שבהם התהליך העסקי נשען על מערכת דינמית מדידה: ייצור, אנרגיה, מים, תחבורה, אקלים, מכשור רפואי, ביוטכנולוגיה ותעשיות ביטחוניות.

יישומים אפשריים כוללים:

• תחזוקה חזויה: זיהוי חוקיות שמסבירה התפתחות של רעידות, חום, לחץ או שחיקה, ולא רק הערכת מועד התקלה.
• בקרת תהליך: גילוי קשרים בין משתני ייצור לצורך תכנון מדיניות בקרה יציבה יותר.
• Digital Twin: השלמת מודל פיזיקלי כאשר חלק מהדינמיקה אינו ידוע או יקר מדי לחישוב.
• מחקר ופיתוח: הפקת מועמדים למשוואות שאותם חוקרים יכולים לבדוק בניסוי.
• ניהול אנרגיה: הבנת יחסי גומלין בין עומס, טמפרטורה, ציוד ותנאי סביבה.
• זיהוי חריגות: הבחנה בין רעש מדידה לבין שינוי אמיתי בדינמיקה של המערכת.

הערך הכספי אינו נובע מעצם גילוי המשוואה. הוא נוצר כאשר החוקיות החדשה משנה החלטה תפעולית: מפחיתה השבתה, מצמצמת ניסויים, משפרת תפוקה, חוסכת אנרגיה או מונעת הפעלה מסוכנת.

כך נכון לבחון KANDy בארגון

PoC רציני צריך להתחיל בשאלה מקצועית ולא בבחירת מודל. יש לבחור מערכת שההתנהגות שלה חשובה כלכלית, קיימת עבורה היסטוריית מדידות מספקת, ויש בארגון מומחים המסוגלים לשפוט אם התוצאה הגיונית.

1. 01

   מגדירים החלטה

   בוחרים החלטה הנדסית או תפעולית שהבנת הדינמיקה יכולה לשפר.

2. 02

   מבקרים את הנתונים

   בודקים כיול, תדירות דגימה, משתנים חסרים ושינויים בתנאי ההפעלה.

3. 03

   מגלים מועמדים

   מריצים את המסגרת ומפיקים מבנים מתמטיים אפשריים, לא אמת יחידה.

4. 04

   בודקים מחוץ למדגם

   בוחנים משטרי עבודה, הפרעות ותנאי קצה שלא הופיעו באימון.

5. 05

   מאמתים מקצועית

   מומחי התחום בודקים יחידות, סימטריות, יציבות והיגיון פיזיקלי.

6. 06

   מחברים לתהליך

   מטמיעים רק לאחר הגדרת ניטור, חריגות, אחריות ומנגנון נסיגה.

בחינה טובה אינה מסתפקת במדד שגיאה ממוצע. עליה לשאול אם המשוואה שומרת על יחידות פיזיקליות, אם היא יציבה לאורך טווחי הפעלה שונים, אם הפרמטרים עקביים בין ניסויים ואם אפשר להפריך אותה באמצעות ניסוי מתוכנן.

גם ההשוואה חייבת להיות הוגנת. יש לבדוק את KANDy מול מודל פיזיקלי קיים, שיטות Symbolic Regression, מודלי state-space ורשת חיזוי רגילה. לפעמים מודל פשוט יותר יספק ערך עסקי טוב יותר בעלות נמוכה יותר. חדשנות אינה פטור מהנדסת מערכת.

אדם בלולאה, בלי להפוך לצוואר בקבוק

גילוי אוטומטי של חוקיות הוא דוגמה מצוינת לתהליך לא דטרמיניסטי שבו שיקול דעת אנושי נשאר קריטי. המודל עשוי לייצר מועמד משכנע מתמטית אך שגוי מדעית, במיוחד כאשר הנתונים חלקיים או מכילים משתנה מתערב שלא נמדד.

עם זאת, אם מומחה נדרש לאשר ידנית כל חישוב וכל תחזית, לא נוצרה קפיצת מדרגה תפעולית. תכנון נכון מחלק את האחריות:

• המערכת מפיקה מועמדים, בודקת אילוצים ומדרגת רמת ביטחון.
• מנגנוני תוכנה פוסלים תוצאות שאינן עומדות ביחידות, בטווחים או בכללי בטיחות.
• מומחה בוחן דפוסים חדשים, חריגים או בעלי השפעה גבוהה.
• מודלים שאושרו נשמרים במאגר מנוהל עם גרסה, מקור נתונים ותוקף.
• ניטור שוטף מזהה drift ושולח לאדם רק אירועים שמחייבים החלטה.

המטרה היא שמומחה שפיקח בעבר על ניסוי או תהליך יחיד יוכל לפקח על עשרות ואף מאות ריצות, בהתאם לרמת הסיכון. אדם בלולאה צריך להרחיב יכולת אנושית, לא לשכפל את העבודה הידנית בתוך ממשק חדש.

זהו תחום מולטידיסציפלינרי, לא פרויקט תוכנה רגיל

KANDy ממחישה מדוע AI אינו עניין טכני בלבד. צוות שיודע להפעיל ספריית Python אך אינו מבין מערכות דינמיות, סטטיסטיקה, רעש מדידה והקשר עסקי עלול להפיק משוואה יפה וחסרת משמעות.

נדרש שילוב בין כמה סוגי מומחיות:

• חוקרים ומהנדסי תחום שמבינים את המערכת ואת האילוצים הפיזיקליים.
• אנשי ML שמבינים אופטימיזציה, הכללה, אי ודאות והטיות נתונים.
• אנשי Data ו-MLOps שמבטיחים עקיבות, גרסאות, ניטור ושחזור ניסויים.
• מנהלים שמחברים את המחקר להחלטה, עלות, סיכון ואחריות.
• אנשי בטיחות, משפט וסייבר כאשר התוצאה משפיעה על מערכת קריטית.

לאקדמיה יש כאן תפקיד מרכזי. מחקר במפגש שבין מתמטיקה, פיזיקה, הנדסה ו-AI מייצר ידע שקשה להחליף באמצעות היכרות שטחית עם כלי מדף. דווקא לחוקרים בעלי התמחות משולבת עשוי להיות יתרון משמעותי, משום שהם יודעים לנסח שאלה מדעית וגם לבחון אם הפתרון ישים.

הסיכון גדול במיוחד לעסקים קטנים ובינוניים שנעזרים במומחי AI מטעם עצמם. פרויקט כזה אינו מתאים לייעוץ אופורטוניסטי שמבטיח תוצאה לאחר הדגמה קצרה. צריך לדרוש השכלה רלוונטית, ניסיון יישומי, הבנה עסקית ומתודולוגיית אימות ברורה.

מה KANDy עדיין לא מוכיחה

תוצאות על אוסף בעיות מחקר אינן מוכיחות עמידות בנתונים ארגוניים. במפעל או במעבדה הנתונים מושפעים מחיישנים שהוחלפו, תחזוקה, מפעילים, תנאי סביבה ומדיניות תפעולית. חלק מהמשתנים כלל אינם נמדדים, ואחרים נמדדים בתדירות שאינה מתאימה לדינמיקה.

בנוסף, פרסום כ-preprint מאפשר לקהילה לבחון את העבודה מוקדם, אך הוא אינו שקול לביקורת עמיתים מלאה. זמינות קוד המקור היא יתרון חשוב לשחזור ולבדיקה, אולם קוד פתוח אינו מבטיח איכות נתונים, יציבות מספרית או התאמה לייצור.

ארגון שבוחן את המסגרת צריך לתעד לפחות:

• אילו גרסאות נתונים וקוד שימשו בכל ניסוי.
• כיצד נבחרו משתנים, טווחים והיפר-פרמטרים.
• באילו תנאים המשוואה תקפה ובאילו אינה תקפה.
• מהי רמת אי הוודאות ומה מפעיל הסלמה לאדם.
• מי מוסמך לאשר מודל לשימוש תפעולי.
• כיצד חוזרים לגרסה קודמת במקרה של הידרדרות.

המשמעות האסטרטגית רחבה יותר מ-KANDy

הסיפור החשוב אינו רק כלי מחקר מסוים. KANDy מייצגת מעבר אפשרי מ-AI שמחקה פלט אנושי ל-AI שמסייע לנסח חוקיות חדשה. עבור ארגונים עתירי ידע, זה עשוי לשנות את חלוקת העבודה בין חוקרים, מהנדסים ומערכות חישוב.

הארגונים שיפיקו מכך ערך לא יהיו בהכרח אלה שיאמצו ראשונים את הספרייה. אלה יהיו הארגונים שבנו תשתית נתונים מדעית, יכולת פנימית ב-ML וב-MLOps, ממשל מודלים וקשר עבודה אמיתי בין המחקר לתפעול.

לכן ההמלצה המעשית היא לא להכריז על מהפכה וגם לא להתעלם מהגישה. כדאי לבחור בעיה אחת בעלת ערך, להרכיב צוות משולב, לשחזר תחילה את תוצאות המחקר, ורק לאחר מכן לבדוק נתון ארגוני אמיתי מול חלופות פשוטות יותר.

אם KANDy תעמוד במבחנים האלה, היא לא תהיה רק מנוע חיזוי נוסף. היא עשויה להפוך לכלי שמרחיב את יכולתו של הארגון להבין את המערכות שעליהן הוא נשען, וזוהי יכולת אסטרטגית הרבה יותר מעוד שיפור נקודתי בדיוק.