היום אנחנו נדבר על admiral driven machine learning framework for the marine operations and resource allocation כי רציתי טייטל קצר וזה מה שיצא.

בוא נדבר תכלס על מה באמת ההרצאה היום.

אז ההרצאה היום זה שאנחנו רוצים לפתח פתרונות AI.

אני מתנצל על הטייטל, מיה, אני מבטיח לדבר תכלס שאנשי מקצוע אוהבים.

זה נקודה רגישה לעשות ML למשתמשים שהם לאפשנלס.

זה התמחות ויכולת וכאלה וכאלה.

היום אני רוצה להתרכז על machine learning ו-AI solutions למשתמשים.

זה פשוט state of mind שונה, ואנחנו נדבר היום על מה, למה ואיך.

אז ספציפית, אנחנו בסקנה. אני עובד בסקנה רובוטיקס.

אנחנו עושים כלים מעל ומתחת למים שהם אוטונומיים.

זה דורש הרבה הרבה הרבה אלגוריתמיקה ואחת הנקודות שאנחנו צריכים לשכנע זה שהדברים האלה עובדים.

את מי אנחנו צריכים לשכנע?

שאדמירלים זה כמו גנרלים, רק עם אגו ובים.

זה הפלוס מינוס של הסיטואציה. אנשים שאנחנו צריכים לשכנע, אנחנו פותרים באמת מגוון רחב של בעיות.

אחזור קצת אחורה. ממש מאיך קלינה.

במים זה ממש קשה. אני יכול לספר לכם דרך טלמטריקה וכל מיני קבלת החלטות לוקליות בזמן אמת וממש בבעיות תכנון הקצת משבים וכדומה.

מן הסתם אתם יכולים לפתור את הדברים האלה ואנחנו פותרים אותם בעזרת אלגוריתמיקה קלאסית ובחלק מהזמן בעזרת machine learning ו-deep learning אז בוא נדבר על הזר שלנו.

בוב הוא אדמירל. כשאתם חושבים על בוב, אתם חושבים על כל מיני implicit objectives כאלה ואחרים.

בוב מגיע לתפקיד שלו אחרי שהוא היה הרבה מאוד שנים בחיל הים, לא משנה דרך אגב איזה חיל ים.

והוא יש לו א דוקטרינות.

אם תחשבו על זה רגע, חיל ים מאוד מאוד ייחודי.

אני לא שירתתי בחיל הים, לא מכיר כל כך, אבל כשהגעתי גיליתי.

מאוד מאוד זקן. חיל ים זה בעצם החיל הכי הכי הייתי אומר well-established historically.

ואם תחשבו על זה, עד היום חיל ים מהווה כוח מאוד חזק.

עכשיו לאחרונה גילינו בזמן המלחמה, זוכרים שאמריקאים הביאו הרמדה של חיילים מלאים, ספינות, מטוסים.

זה גם אמירה פוליטית-כלכלית.

חיל הים זה משהו שהוא מאוד מאוד חזק.

לעומת זאת, יש לנו את בוב החדש שאת לא יודעת אם רואים טוב כי הוא עשה עבודה הוא רובוט.

עכשיו, בוב החדש שלנו פותר בעיות אופטימיזציה מתמטיות, כמו שאתם כולכם אוהבים ויודעים.

עכשיו, אנחנו צריכים לגשר בין שני הבובים.

אני מניח שרובכם לא תכננתם מבצע ימי.

זה בסדר. גם אני לא כל כך. אז יש לנו שתי אופציות.

האופציה מצד שמאל שלכם זה ה-AI driven solution ומצד ימין זה האדמירל D solution.

נתנו לאדמירל אמיתי אמיתי. אתם אפילו מכירים אותו מהטלוויזיה.

לפתור את הבעיה הטוויסטית הזו.

פה מה שאתם רואים מצד שמאל אתם רואים שיש לנו שתי ספינות הולכות מסביב לאי וספינה שלישית גם עושה הקפה ומחליטה לאן היא הולכת בצד של האדמירל הוא עשה מסלול קצת כזה משונה.

אני רוצה להפנות את תשומת ליבכם לכמה נקודות.

הראשונה זה האלגוריתם שלנו פתר בעיה שהיא fuel.

יש לכם או בטריה או לא יודע דלק או מה שזה לא יהיה.

אנחנו רוצים להגיע כמה שיותר זול למטרה וכמה שיותר מהר נשמע הגיוני כמה מכם רוצים להגיע הביתה, אתה קם שוטר מהר, כולכם, אז גם הספינות שלנו.

אבל אם תשימו לב, הדמירה לא עשה את המסלול הזה אפילו לא קרוב.

ששאלנו אותו בדיעבד מה זה המסלול הזה, התשובה הייתה: אה, שים לב, אני מאחורי ההיי, קשה לראות בי.

מגניב, לא נגד עוד משהו מעניין אחר.

האלגוריתם שלנו ניצל את הספינה באמצע, היה לו ריורס.

אנחנו אמרנו לו תהרוג את הספינות האדומות.

למה הוא מנצל אותו? כי מתמטית זה מעלה את הסיכוי לנצח.

זה פתרון הגיוני. לעומת זאת, אם תשימו לב, האדמירל שלנו לא נגע בכלי האמצעי.

כשנשאל למה התשובה הייתה לא, אבל אם יהיו בעיות אחר כך.

כשאמרתי לו, אבל לא יהיו בעיות אחר כך, זה הסימולציה.

הוא עושה תמיד שיש בעיות אחר כך.

עכשיו אתם יכולים לצחוק על זה שזה נשמע מוזר, אבל האמת היא שזה כאן, קבור הכלב.

בעצם, הנקודה היא שהאדמירלים לא יודעים להגיד לנו מה הבעיה באופטימיזציה שהם פותרים, אבל הם פותרים בעיה אופטימיזציה מאוד מורכבת.

יש להם 3500 שנות היסטוריה של ידע נצבר, כן, ובדרך כלל עוד 20 שנה של ניסיון אישי, אז אנחנו צריכים לקחת בחשבון את שתי הגישות הללו עכשיו אי אפשר לבוא ולבטל את הפתרון שלנו, כי הוא באמת מתמטי ולכל מיני צרכים אחרים הוא הכי טוב, אז צריכים למצוא איזה פתרון באמצע.

אז אדמירל צריך להיות א' מכל מיני סיבות, הוא אדפטיבי, הוא מקבל החלטות יותר מהר, בדרך כלל יותר שקולות, יודע לסמלץ, יודע לקחת נתונים שנעשו אף פעם בחיל הים, כמות הנתונים הם פשוט אסטרונומיים ולהפוך אותם ל תוכניות ברות ביצוע ותמיכה באינטואיציה וכדומה.

מהצד השני, היי שלנו צריך אדמירלים.

למה הוא צריך אדמירלים? כי האמת היא שאנחנו לא פותרים את הבעיה נכון.

אף אחד לא הסביר לנו איך לפתור אותה נכון ואנחנו איכשהו צריכים עדיין לפתור אותה נכון.

אז יש ביזה שנצטרך להתמודד איתו.

דרך אגב, הרבה פעמים אנחנו נשמח לוותר על נכונות, הן דרך אגב אופרטיבית, שזה באסה להגיד את זה ובתוך מתמטית בשביל התחושה הזאת שאנחנו עושים משהו שהוא מקובל על ידי הלקוח.

דרך אגב, כל מה שאני אומר פה על אדמירלים נכון גם לגבי עורכי דין, רופאים, כל פרשן זו אותה בעיה בדיוק ספציפית בדומיין שלנו שזה שונה מכל הדומיינים האחרים שלפחות אני נתקלתי בהם AI זה קשה, אבל AI זה ממש קשה אם אתם גם מוסיפים לו מחלת ים ויורים עליו במקביל, זה הופך אותו לממש ממש קשה.

עכשיו למה זה מורכב אצלנו?

כי יש לנו כמה תכונות מבעסות.

High uncertainty ים זה פלטפורמה שלא נוכל להיות בה, זה דומיין שקשה להיות בו.

ושחנו מדברים על קונטקסט של defense, אז מן הסתם אתם באיזו סיטואציה שהיא מאוד פחות uncertain.

הדאטה בדרך כלל די גרוע, והעולם משתנה.

אני מניח שרובכם, בוא נגיד את זה ככה, חבר'ה שעושים machine learning, אולי שמו אני אספר לשער על קונספט דריפט.

דריפט זה תכונה במכונת למידה ספציפית מתמטית שאומרת את הדבר הבא: כל פעם שהמודל לומד או באופן כללי או נתוני דרודס עשיתם הנחה נסתרת מאוד מאוד חשובה, הנחתם שמה שהיה זה מה שיהיה.

כל לא נכון, זה בדרך כלל לא קורה. עכשיו כשזה לא קורה, התכונה הזאת נקראת קונספט דריפט.

זה אומר שההתפלגות או התפלגות המשתנה מקור או ההתפלגות של הטרגט משתנה לאורך זמן או משתנה כתוצאה משימוש במודל עצמו.

דוגמה מהירה דווקא מדומיין אחר: תדמיינו שלקחתם מודל של פרדיקציה של כמה קניות יש לכם לחנות ואז נפתחה חנות ליד, מה קרה למודל שלכם?

נכון מאוד, לא שווה כלום.

למה? הדינמיקה שממנה ההתפלגות נולדה, שדגמתם אותה, היא לא אותה דינמיקה יותר.

ההתפלגות תשתנה. מודה, לא נכון. עד כאן.

במקרה שלנו הכל משתנה כל הזמן ולא מאוד ובקצב מאוד גבוה.

איך אנחנו מתמודדים עם הרצון הזה? אז בעצם הרצון שלנו זה לבנות מודל שהוא נגיש ללקוח שהלקוח מקבל אותו מצד אחד, מצד שני הוא יעבוד טוב.

אז אנחנו נעשה שש שלבים. אנחנו נדבר על capturing preferences בעצם איך בכלל אנחנו מבינים מה הלקוח רוצה.

בפני עצמו נפתור את זה עם ARL עוד שנדבר עליו איך אנחנו פותרים בעת אופטימיזציה כי אני חייב לכם קוד לתכנון המשוב עם CLV ו-DRL reinforcement בשביל שזה יהיה גנרי עם חלק מהמושגים לא ברורים.

עוד שניים אגיע אליהם. מה שאני כן רוצה להדגיש בסלייד הזה זה ואתם מוזמנים לצלם.

לא ששאלתם את רשותי עד עכשיו. אה, זה יש פה פידבק קלופי שהוא נורא תי קורא לזה קיצ'י בשלב הזה בקריירה שלנו, שזה learning optimization refinement, אבל האמת היא שזה כאילו כל התורה מאמנים עושים אופטימיזציה לבעיות ספציפיות מתוך האימון שלנו ואז עושים refinement ומשתפרים בוא נתחיל עם Admiral Preference Capturing.

יש לי תוכנית, פתרתי בעיית אופטימיזציה לבעיית תי שאלתי, קיבלתי תשובה.

יש לי תוכנית איך פוטרים.

כן, דרך אגב, זה לא משנה, זה יכול להיות בעיה כמו כמה כלים לשים בשביל לנצח קרב.

זה יכול להיות בעת אופטימיזציה, כמו שיש לי כלי ב-A, איך אני מביא אותו ל-B כך שהוא לא יתגלה, כך שהוא לא משהו.

תפטרו איזה באת אופטימיזציה שבא לכם.

זה לא קריטי לשיחה, בעצם יש לנו, אנחנו עושים שלושה סוגים שונים של דרכים לתפוס את הרצונות של האדמירל.

הדרך הראשונה והכי הכי טובה, אם כי הכי קשה, זה להגיד לו, תפתור.

יש לכם כלי, הנה סימולציה, זה נקודת התחלה, פה אויב, תגיד לי מה עשית, צייר לי על המפה.

מעולה. למה זה מעולה? כי אתם מקבלים תשובה ברורה.

ככה הייתי עושה. כן, לפעמים לא תמיד.

הבעיה עם הגישה הזו, הדת המאוד איכותית, מאוד יקרה.

לא תמיד אדמירלים מצליחים.

קוגניטיבית זה קשה. יש גם מגבלה קוגניטיבית.

Teddy Lazebnik: Admiral-Driven ML Framework for Marine Operations (HE) | PyData Tel Aviv 2025

PyData is an educational program of NumFOCUS, a 501(c)3 non-profit organization in the United States. PyData provides a forum for the international community of users and developers of data analysis tools to share ideas and learn from each other. The global PyData network promotes discussion of best practices, new approaches, and emerging technologies for data management, processing, analytics, and visualization. PyData communities approach data science using many languages, including (but not limited to) Python, Julia, and R.

We aim to be an accessible, community-driven conference, with novice to advanced level presentations. PyData tutorials and talks bring attendees the latest project features along with cutting-edge use cases.

Teddy Lazebnik: Admiral-Driven ML Framework for Marine Operations (HE) | PyData Tel Aviv 2025

Scripts