New-Tech Magazine | Jan 2026 | Digital Edition

כשהמודל לומד איך ללמד את עצמו והשלב הבא בזיהוי חריגות בראייה ממוחשבת ST-SSAD

מערכת ניו-טק מגזינים גרופ »

Self - Tuning Self - על הרקע הזה, המחקר Supervised Image Anomaly Detection , מתמודד KDD 2025 ), שהוצג בכנס ST - SSAD ( עם נקודת תורפה שנשארה פתוחה גם בדור המתקדם של למידה עצמית: לא עצם זיהוי החריגה, אלא הדרך שבה המודל מייצר לעצמו את תנאי הלמידה. הקלאסיות, Self - Supervised ברוב שיטות ה שלב האימון מבוסס על יצירת עיוותים ) של תמונות augmentations מלאכותיים ( תקינות – למשל יצירת שריטות סינתטיות על גבי משטח מתכת חלק, הוספת כתמי לכלוך מדומים, שינוי מקומי של טקסטורה או צבע – והטלת משימה על המודל להבחין ביניהם לבין התמונה המקורית. הבעיה היא שבחירת האוגמנטציה משפיעה דרמטית על התוצאה. עיוות אגרסיבי מדי ילמד את המודל להבדיל בין ”יפה” ל”מכוער”, לא בין תקין לחריג; עיוות עדין מדי לא יאתגר אותו כלל. בפועל, זו בחירה ידנית שמבוססת על ניסיון, ניסוי וטעייה ולעיתים גם אינטואיציה. מציע להפוך את נקודת החולשה הזו ST - SSAD למושא הלמידה עצמו. במקום שהמהנדס יחליט איך לאמן את המודל, המודל לומד בהדרגה איזה סוגי אוגמנטציה עוזרים לו לבנות ייצוג יציב של תקינות, ואילו עיוותים רק מוסיפים

רעש. באמצעות פונקציית אימות לא-מפוקחת ומנגנון אופטימיזציה דיפרנציאבילי, תהליך האימון כולל גם כוונון של אסטרטגיית הלמידה עצמה. זה אולי נשמע שינוי טכני, אבל המשמעות מערכתית: המודל אינו צרכן פסיבי של דאטה, אלא שותף פעיל בעיצוב תנאי האימון שלו. הערך התעשייתי של גישה כזו אינו טמון רק בשיפור מדדים על מאגרי נתונים מוכרים. הוא נוגע בשאלת הסקייל. מערכת שיכולה להתאים את עצמה לשינויים בתאורה, במוצרים או בתהליכים בלי סבב כוונון ידני ארוך, מתקרבת הרבה יותר לדרישות של רצפת ייצור אמיתית. זה ההבדל בין פיילוט מוצלח לבין רכיב תשתיתי. ST - SSAD עם זאת, חשוב להכיר גם את המחיר. אינו ”מודל קל” לאימון. העובדה שהמערכת לומדת לא רק לזהות חריגות אלא גם לכוונן את אסטרטגיית הלמידה שלה מגדילה משמעותית את זמן האימון ואת צריכת משאבי החישוב. על רצפת הייצור הפער הזה כמעט ואינו מורגש ML – האינפרנס עצמו נשאר מהיר – אך ב- מדובר בעלות ממשית. בארגונים pipeline שמאמנים מודלים מחדש בתדירות גבוהה, או מפעילים מספר קווים ומוצרים במקביל, זה שיקול שיש לקחת בחשבון כבר בשלב התכנון. מעבר לכך, קיימת גם שאלת היציבות. מודלים augmentation שמבצעים אופטימיזציה ל-

במשך שנים, תחום זיהוי החריגות בראייה ממוחשבת נשען על רעיון פשוט לכאורה: אם נבין היטב מהו “מצב תקין”, כל סטייה ממנו תבלוט מיד. אלא שבמציאות התעשייתית , הרעיון הזה מתגלה כהרבה פחות 2026 של טריוויאלי. קווי ייצור הפכו מהירים, מגוונים ודינמיים, מספר הווריאנטים גדל, וחלון הזמן לאיסוף ולתיוג נתונים הולך ומצטמצם. במקביל, ארגונים מגלים שוב ושוב שהבעיה המרכזית אינה האלגוריתם עצמו – אלא האופן שבו המודל לומד, והיכולת שלו להמשיך ללמוד גם כשהמציאות משתנה. הו הפרדוקס המוכר של איכות: ככל ז שהתהליך יציב ומבוקר יותר, כך יש פחות פגמים אמיתיים ללמידה. המערכת שאמורה לזהות חריגות סובלת ממחסור בדוגמאות של אותן חריגות, דווקא משום שהייצור טוב. כאן נכנסת לתמונה משפחה של Self - Supervised Anomaly גישות שנקראות – מודלים שלומדים את ה”נורמלי” Detection בלבד, ומזהים כל סטייה ממנו. בשנים האחרונות זו הפכה לאחת הזירות הפעילות ביותר במחקר היישומי בראייה ממוחשבת, משום שהיא נוגעת בבעיה תעשייתית אמיתית ולא תיאורטית.

New-Tech Magazine l 56