0:00:00.880,0:00:04.893
إعتدنا قديما علي انه عندما تريد من[br]الحاسب القيام بمهمة ما

0:00:04.893,0:00:06.447
فإنه عليك برمجته.

0:00:06.447,0:00:09.858
الآن، البرمجة بالنسبة للذين لم يقومو بها من قبل،

0:00:09.858,0:00:13.360
تتطلب وضع كل خطوة تريد من الحاسوب القيام بها بالتفصيل الممل

0:00:16.727,0:00:19.089
من أجل تحقيق غايتك.

0:00:19.089,0:00:22.585
الآن، في حال أردت القيام بأمرٍ[br]لاتعرف كيفية القيام به بنفسك،

0:00:22.585,0:00:24.648
عندها سيكون هذا تحدٍ كبير.

0:00:24.648,0:00:28.131
و هذا هو التحدي الذي واجه هذا الرجل[br]ارثر صامويل

0:00:28.131,0:00:32.208
في عام 1956، أراد [br]ان يشتري هذا الحاسوب

0:00:32.208,0:00:34.548
أن يكون قادراً على هزيمته في لعبة الداما.

0:00:34.548,0:00:36.588
ليتمكن من هزيمتة في [br]لعبة الشطرنج

0:00:36.588,0:00:40.394
كيف يمكنك كتابة برنامج بكل تفاصيلة كيف [br]يمكن للحاسوب ان يكون أفضل منك في الشطرنج؟

0:00:40.394,0:00:42.116
لذا فقد جاء بفكرة:

0:00:42.116,0:00:45.840
جعل الحاسوب يلعب ضد نفسه آلاف المرات

0:00:45.840,0:00:48.364
ويتعلم كيفية لعب الشطرنج

0:00:48.364,0:00:51.544
وبالفعل نجحت فكرته وفي عام 1962

0:00:51.544,0:00:55.561
فاز هذا الكمبيوتر ببطولة ولاية كونيتيكت

0:00:55.561,0:00:58.534
لهذا يعد أرثر صاموئيل أب التعلم الآلي

0:00:58.534,0:01:00.251
وأنا أدين له بشده

0:01:00.251,0:01:03.014
لأنني ممارس للتعلم الآلي

0:01:03.014,0:01:04.479
لقد كنت رئيس شركة كاجل ،

0:01:04.479,0:01:07.867
مجتمع أكثر من 200,000 ممارس للتعلم الألي

0:01:07.867,0:01:09.925
وقد وضعت شركة كاجل مسابقات

0:01:09.925,0:01:13.633
لحثهم على محاولة أن يحلوا [br]مشاكل لم تحل من قبل

0:01:13.633,0:01:17.470
وقد نجحت مئات المرات

0:01:17.470,0:01:19.940
وإنطلاقاً من هذه النقطة تمكنت من إكتشاف

0:01:19.940,0:01:23.890
الكثير عن ما الذي كان يستطيع التعلم الآلي[br]فعله في الماضي وما يستطيعه اليوم

0:01:23.890,0:01:26.252
وما الذي ستتمكن من فعله في المستقبل

0:01:26.252,0:01:30.675
ربما يكون أول نجاح تجاري كبير [br]للتعلم الآلي هو جوجل

0:01:30.675,0:01:33.784
جوجل أظهرت إمكانية أن تجد معلومات

0:01:33.784,0:01:35.536
من خلال إستخدام لوغارتيمات الكمبيوتر

0:01:35.536,0:01:38.437
وتعتمد هذه اللوغارتيمات على التعلم الآلي

0:01:38.437,0:01:42.323
ومنذ هذا الوقت كان هناك نجاحات [br]تجارية كبيرة في التعلم الآلي

0:01:42.323,0:01:44.160
فشركات مثل أمازون ونت فليكس

0:01:44.160,0:01:47.876
تستخدم التعلم الآلي لإقتراح المنتجات[br]التي قد تفضل شرائها

0:01:47.876,0:01:49.896
والأفلام التي تحب مشاهدتها

0:01:49.896,0:01:51.703
في بعض الأحيان قد يبدو الأمر مخيف

0:01:51.703,0:01:53.657
شركات مثل لينكد ان وفيسبوك

0:01:53.657,0:01:56.251
أحياناً ستخبرك من يجب أن يكون صديقك؟

0:01:56.251,0:01:58.228
وأنت ليس لديك أي فكرة عن كيف فعلت هذا؟

0:01:58.228,0:02:01.195
وهذا لأنها تستخدم قوة التعلم الآلي

0:02:01.195,0:02:04.152
هذه هي الخوارزمات التي تعلمت [br]كيف تفعل هذا من البيانات

0:02:04.152,0:02:07.399
بدلاً من أن يتم برمجتها يدوياً

0:02:07.399,0:02:09.877
وهذا أيضاً هو سبب نجاح أي بي إم

0:02:09.877,0:02:13.739
في أن يجعلوا الكمبيوتر واطسون [br]يهزم بطلي عالم في مسابقة "جابردي"

0:02:13.739,0:02:16.964
مجيباً بشكل مذهل على أسئلة متقنة[br]ومعقدة مثل

0:02:16.964,0:02:19.799
من أي مدينة فقد أسد نمرود الأثري عام 2003؟

0:02:19.799,0:02:23.034
هذا أيضاً سبب أننا نرى الأن أول سيارة ذاتية القيادة

0:02:23.034,0:02:25.856
إذا كنت تستطيع أن تخبرنا الإختلاف بين مثلاً

0:02:25.856,0:02:28.488
شجرة وشئ متحرك وهو شئ هام جداً

0:02:28.488,0:02:31.075
نحن لا نعرف كيف نكتب هذه البرامج بأيدينا

0:02:31.075,0:02:34.072
ولكنه الأن أصبح ممكناً بواسطة التعلم الآلي

0:02:34.072,0:02:36.680
وفي الحقيقة ، هذه السيارة تم قيادتها لملايين الأميال

0:02:36.680,0:02:40.186
بدون أي حوادث على الطرق العادية

0:02:40.196,0:02:44.110
لذلك نعلم الأن أن الكمبيوتر يستطيع التعلم

0:02:44.110,0:02:46.010
وأن الكمبيوتر يستطيع أن[br]يتعلم كيفية فعل أشياء

0:02:46.010,0:02:48.848
لا نعرف أحياناً كيف نفعلها بأنفسنا

0:02:48.848,0:02:51.733
أو قد يفعلموها أفضل مننا.

0:02:51.733,0:02:55.928
ومن أغرب الأمثلة التي رأيتها بالتعلم الآلي

0:02:55.928,0:02:58.320
حدثت بمشروع أديره بشركة كاجل

0:02:58.320,0:03:01.911
في فريق يديره رجل يدعى[br]جوفري هينتون

0:03:01.911,0:03:03.463
من جامعة تورنتو

0:03:03.463,0:03:06.140
فازوا في مسابقة لإكتشاف أدوية أوتوماتيكية

0:03:06.140,0:03:08.987
المذهل هنا ليس فقط أنهم أستطاعوا هزيمة

0:03:08.987,0:03:13.000
جميع اللوغاريتمات التي طورتها [br]ميرك أو المجتمع الأكاديمي الدولي

0:03:13.000,0:03:18.061
ولكن لا أحد من الفريق لديه أي خلفية عن [br]علوم الحياة أو الكيمياء أو الأحياء

0:03:18.061,0:03:20.230
وقد قاموا بهذا الإنجاز في أسبوعين فقط

0:03:20.230,0:03:21.611
كيف أستطاعوا أن يحققوا هذا؟

0:03:22.421,0:03:25.342
أستخدموا لوغاريتمات [br]فائقة تدعى التعلم العميق

0:03:25.342,0:03:28.291
ولشدة اهميته تم تغطيته

0:03:28.291,0:03:31.412
في مقال الصفحة الأولى [br]لنيويورك تايمز منذ عدة أسابيع

0:03:31.412,0:03:34.147
هذا هو جوفري هينتون على الجانب الأيسر

0:03:34.147,0:03:38.488
التعلم العميق هي اللوغاريتمات التي [br]تم إستلهامها من كيفية عمل العقل البشري

0:03:38.488,0:03:40.300
وبالطبع كنتيجه فهي اللوغاريتمات

0:03:40.300,0:03:44.141
التي ليس لها حدود نظرية حول ما تستطيع فعله

0:03:44.141,0:03:46.964
كلما غذيتها ببيانات وأعطيتها وقت لحسابها

0:03:46.964,0:03:48.276
كلما حصلت على نتائج أفضل

0:03:48.276,0:03:50.615
وقد عرضت نيويورك تايمز أيضاً في هذا المقال

0:03:50.615,0:03:52.857
نتيجه أخرى فائقة للتعلم العميق

0:03:52.857,0:03:55.569
والتي سأعرضها عليكم الأن

0:03:55.569,0:04:00.510
فهي تظهر قدرة الكمبيوتر على أن يسمع ويفهم

0:04:00.510,0:04:03.221
(فيديو) ريتشارد رشيد : الأن ، [br]أخر خطوة

0:04:03.221,0:04:06.246
التي أريد تحقيقها في هذه العملية

0:04:06.246,0:04:10.961
هي أن أتحدث بالصينية لكم

0:04:10.961,0:04:13.596
الأن الشئ الرئيسي هو ،

0:04:13.596,0:04:18.598
أننا تمكنا من أخذ كمية كبيرة من[br]المعلومات من العديد من متحدثي الصينية

0:04:18.598,0:04:21.128
وأنتجنا نظام لتحويل النص المكتوب لحديث

0:04:21.128,0:04:25.801
وأخذنا نص صيني وحولناه للغة الصينية

0:04:25.801,0:04:29.929
ثم أخذنا بعد ذلك ما يقرب من ساعة لصوتي

0:04:29.929,0:04:31.820
وأستخدمناه لتعديل صوت

0:04:31.820,0:04:36.364
النظام الأساسي لتحويل النص[br]المكتوب لحديث حتى يبدو كصوتي

0:04:36.364,0:04:38.904
مرة أخرى ، النتيجة ليست مثالية

0:04:38.904,0:04:41.552
في الحقيقة كان هناك بعض الأخطاء القليلة

0:04:41.552,0:04:44.036
(باللغة الصينية)

0:04:44.036,0:04:47.403
(تصفيق)

0:04:49.446,0:04:53.022
هناك الكثير من العمل الذي يجب [br]أنجازه في هذا المجال

0:04:53.022,0:04:56.667
(باللغة الصينية)

0:04:56.667,0:05:00.100
(تصفيق)

0:05:01.345,0:05:04.744
جيرمي هوارد : حسناً ، هذا كان[br]في مؤتمر التعلم الآلي بالصين

0:05:04.744,0:05:07.114
في الواقع ليس من المعتاد[br]بالمؤتمرات الأكاديمية

0:05:07.114,0:05:09.011
أن تسمع تصفيق عفوي

0:05:09.011,0:05:12.687
بالرغم من أنه أحياناً بالطبع يحدث [br]بمؤتمرات TEDx ، تصرفوا بحريتكم.

0:05:12.687,0:05:15.482
كل ما رأيتموه هناك كان يحدث بالتعلم العميق

0:05:15.482,0:05:17.007
(تصفيق) [br]شكراً لكم

0:05:17.007,0:05:19.289
كتابة نص الحديث بالإنجليزية[br]كان التعلم العميق

0:05:19.289,0:05:22.701
الترجمة للصينية والكتابة بأعلى [br]اليمين كان التعلم العميق

0:05:22.701,0:05:26.008
كما أن تركيب الصوت تم عبر [br]التعلم العميق أيضاً

0:05:26.008,0:05:29.242
لذلك فإن التعلم العميق هو شئ مذهل.

0:05:29.242,0:05:32.341
إنها لوغاريتمة واحدة تستطيع [br]تقريباً أن تفعل أي شئ

0:05:32.341,0:05:35.452
وقد أكتشفت أنها منذ عام مضى [br]أيضاً قد تعلمت أت ترى.

0:05:35.452,0:05:37.628
في مسابقة غير معروفة بألمانيا

0:05:37.628,0:05:40.225
تدعى معيار التعرف على إشارات المرور الألمانية

0:05:40.225,0:05:43.618
التعلم العميق قد تعلم التعرف[br]على إشارات المرور مثل هذه

0:05:43.618,0:05:45.712
وهي لا تستطيع فقط التعرف على إشارات المرور

0:05:45.712,0:05:47.470
أفضل من أي لوغاريتمة أخرى

0:05:47.470,0:05:50.189
بل في الحقيقه تظهر اللوحة[br]أنها أفضل من البشر

0:05:50.189,0:05:52.041
بحوالي مرتين مما يستطيعه البشر.

0:05:52.041,0:05:54.037
لذلك عام 2011 كان لدينا أول مثال

0:05:54.037,0:05:57.442
لكمبيوتر يستطيع أن يرى أفضل من البشر

0:05:57.442,0:05:59.491
ومنذ ذلك الوقت حدث الكثير

0:05:59.491,0:06:03.005
في عام 2012 جوجل أعلنت [br]أن لديهم خوارزمة تعلم عميق

0:06:03.005,0:06:04.420
تشاهد فيديوهات اليوتيوب

0:06:04.420,0:06:07.857
وتعالج بيانات 16000 كمبيوتر شهرياً

0:06:07.857,0:06:12.218
ثم يقوم الكمبيوتر ذاتياً بالتعلم [br]عن مفاهيم مثل التاس والقطط

0:06:12.218,0:06:14.027
فقط بمجرد مشاهدة الفيديوهات

0:06:14.027,0:06:16.379
هذا يشبه كثيراً طريقة تعلم البشر

0:06:16.379,0:06:19.119
البشر لا يتعلمون عن طريق[br]إخبارهم عن ما يروه

0:06:19.119,0:06:22.450
ولكن يعلمون أنفسهم ماذا تكون هذه الأشياء

0:06:22.450,0:06:25.819
أيضاً في عام 2012 ، جوفري هينتون[br]الذي رأيناه منذ قليل

0:06:25.819,0:06:28.677
فاز بمسابقة ImageNet ذائعة الصيت

0:06:28.677,0:06:32.818
حيث كان يبحث عن محاولة[br]لإكتشاف من بين مليون ونصف صورة

0:06:32.818,0:06:34.256
مما تم تصويرهم

0:06:34.256,0:06:37.789
وبالنسبة لـ 2014 فإننا الأن [br]قلصنا نسبة الخطأ لـ 6%

0:06:37.789,0:06:39.242
في التعرف على الصور

0:06:39.242,0:06:41.268
ومرة أخرى ، هذا أفضل من البشر

0:06:41.268,0:06:45.037
لذلك فإن الألات بالفعل [br]تستطيع القيام بأعمال فائقة

0:06:45.037,0:06:47.306
ويتم إستخدامها الأن بالصناعة

0:06:47.306,0:06:50.348
وكمثال فإن جوجل أعلنت العام الماضي

0:06:50.348,0:06:54.933
أنهم رسموا خريطة لكل مكان بفرنسا في ساعتين

0:06:54.933,0:06:58.380
وقد فعلوا هذا عن طريق إدخال صور للشوارع

0:06:58.380,0:07:02.699
لخوارزمة التعلم العميق للتعرف[br]على وقراءة أرقام الشوارع

0:07:02.699,0:07:04.919
لك أن تتخيل كم كانت ستسغرق مسبقاً

0:07:04.919,0:07:08.274
عشرات الناس والعديد من السنوات.

0:07:08.274,0:07:10.185
وقد حدثت أيضاً في الصين.

0:07:10.185,0:07:14.221
بيدو هو نوع من جوجل الصيني ، على ما أعتقد

0:07:14.221,0:07:16.504
وما ترونه هنا في أعلى اليسار

0:07:16.504,0:07:20.478
مثال لصورة قد حملتها إلى [br]نظام بيدو للتعلم العميق

0:07:20.478,0:07:24.247
وبالأسفل ترون أن النظام قد[br]فهم ماذا تكون هذه الصورة

0:07:24.247,0:07:26.483
بل ووجدت صور أخرى مشابهة

0:07:26.483,0:07:29.219
الصور المشابهة ذات خلفيات متماثلة

0:07:29.219,0:07:30.877
بنفس إتجاهات الوجوه

0:07:30.877,0:07:32.665
بل بعضهم كان بلسانه إلى الخارج

0:07:32.665,0:07:35.695
وهذا لم يكن بالطبع بحث [br]عن نص مكتوب على صفحة ويب

0:07:35.695,0:07:37.107
كل ما حملته كان صورة.

0:07:37.107,0:07:41.128
لذلك أصبح لدينا الأن أجهزة[br]كمبيوتر تستطيع بالفعل فهم ما تراه

0:07:41.128,0:07:42.752
وبالتالي تستطيع البحث[br]في قواعد بيانات

0:07:42.752,0:07:46.306
لمئات الملايين من الصور في نفس الوقت.

0:07:46.306,0:07:49.536
والأن ما الذي يعنيه أن تستطيع[br]أجهزة الكمبيوتر أن ترى؟

0:07:49.536,0:07:51.553
حسناً ، ليس فقط أن أجهزة الكمبيوتر[br]تستطيع الرؤية

0:07:51.553,0:07:53.622
في الواقع التعلم العميق قد فعل أكثر من هذا

0:07:53.622,0:07:56.570
فجمل معقدة ودقيقة مثل هذه

0:07:56.570,0:07:59.394
الأن أصبحت مفهومة بخوارزمة التعلم العميق

0:07:59.394,0:08:00.697
كما تروا هنا

0:08:00.697,0:08:03.465
هذا نظام ستانفورد يظهر النقاط الحمراء بأعلى

0:08:03.465,0:08:07.384
قد كشفت أن هذه الجملة تعبر عن إحساس سلبي

0:08:07.384,0:08:10.790
في الواقع التعلم العميق الأن[br]أصبح قريب من الأداء البشري

0:08:10.802,0:08:15.923
في فهم ما تعبر عنه الجمل [br]وما تقوله عن هذه الأشياء.

0:08:15.923,0:08:18.651
التعلم العميق قد أستخدم أيضا لقراءة[br]الصينية

0:08:18.651,0:08:21.807
وبنفس مستوى متحدث الصينية كلغته الأم

0:08:21.807,0:08:23.975
هذه الخوارزمة تم تطويرها بسويسرا

0:08:23.975,0:08:27.331
بواسطة ناس لم يتحدث أي منهم أو يفهم الصينية

0:08:27.331,0:08:29.382
وكما قلت إستخدام التعلم العميق

0:08:29.382,0:08:31.601
أصبح أفضل نظام بالعالم لمثل هذا

0:08:31.601,0:08:36.718
بل ويمكن مقارنته للفهم البشري للغة الأم

0:08:36.718,0:08:39.682
هذا هو النظام الذي صنعناه بشركتي

0:08:39.682,0:08:41.728
والذي يظهر وضع هذه الأشياء معاً

0:08:41.728,0:08:44.189
هذه الصور ليس لها أي نص مكتوب ملحق بها

0:08:44.189,0:08:46.541
وأثناء كتابتي هنا لجمل نصية

0:08:46.541,0:08:49.510
فهي تفهم هذه الصور في نفس الوقت

0:08:49.510,0:08:51.189
وتحدد ما تعبر عنه هذه الصور

0:08:51.189,0:08:54.352
وتجد الصور التي تشابه النص الذي كتبته

0:08:54.352,0:08:57.108
تستطيع أن تروا أنها بالفعل تفهم كتابتي

0:08:57.108,0:08:59.332
وأيضاً تفهم هذه الصور

0:08:59.332,0:09:01.891
أعلم أنك رأيت شئ يشبه ذلك على جوجل

0:09:01.891,0:09:04.666
حيث تكتب عن أشياء لتظهر لك بالصور

0:09:04.666,0:09:08.090
ولكن ما تفعله بالواقع هو بحث[br]عن نصوص بصفحة الموقع

0:09:08.090,0:09:11.091
وهذا مختلف كلياً عن الفهم الفعلي للصور

0:09:11.091,0:09:13.843
وهذا شئ يستطيع الكمبيوتر فقط فعله

0:09:13.843,0:09:17.091
لأول مرة بالشهور القليلة الماضية.

0:09:17.091,0:09:21.182
نرى الأن أجهزة الكمبيوتر تستطيع[br]ليس فقط الرؤية بل القراءة أيضاً

0:09:21.182,0:09:24.947
وبالطبع قد عرضنا أنها تستطيع فهم ما تسمعه.

0:09:24.947,0:09:28.389
ربما ليس من المفاجئ الأن أن[br]أخبرك أنها تستطيع الكتابة.

0:09:28.389,0:09:33.172
هنا بعض النصوص التي أنتجتها بالأمس مستخدماً خوارزمة التعلم العميق

0:09:33.172,0:09:37.096
وهنا بعض النصوص التي أنتجتها[br]خوارزمة بستانفورد

0:09:37.096,0:09:38.860
كلاً من هذه الجمل المكتوبة تم إنتاجها

0:09:38.860,0:09:43.109
بواسطة خوارزمة التعلم العميق[br]لوصف كلاً من هذه الصور

0:09:43.109,0:09:47.581
هذه الخوارزمة لم ترى من قبل رجل [br]يرتدي قميص أسود ويعزف على الجيتار

0:09:47.581,0:09:49.801
هي رأت رجل من قبل ورأت اللون الأسود من قبل

0:09:49.801,0:09:51.400
ورأت جيتار من قبل

0:09:51.400,0:09:55.694
لكنها ذاتياً أنتجت وصفها [br]الجديد عن هذه الصورة

0:09:55.694,0:09:59.196
ما زال هذا الأداء ليس كمثيله [br]البشري ولكننا قريبين

0:09:59.196,0:10:03.264
في الإختبارات البشر يفضلون [br]الشرح الذي أنتجه الكمبيوتر

0:10:03.264,0:10:04.791
بنسبة واحد لأربعة

0:10:04.791,0:10:06.855
الأن هذا النظام عمره أسبوعين فقط

0:10:06.855,0:10:08.701
لذا ربما يكون بحلول العام القادم

0:10:08.701,0:10:11.502
تكون قد تعدت خوارزمة[br]الكمبيوتر الأداء البشري

0:10:11.502,0:10:13.364
بنسبة الإنجاز هذه التي تتم بها الأشياء

0:10:13.364,0:10:16.413
لذلك فإن الكمبيوتر يستطيع أيضاً أن يكتب

0:10:16.413,0:10:19.888
إذا وضعنا كل هذا معا فسيقودنا لفرص مدهشة

0:10:19.888,0:10:21.380
مثلاً في صناعة الدواء

0:10:21.380,0:10:23.905
أعلن فريق عمل ببوسطن أنهم أكتشفوا

0:10:23.905,0:10:26.854
عشرات التشخيصات الجديدة المتعلقة

0:10:26.854,0:10:31.120
بالأورام التي تساعد الأطباء [br]علي التنبؤ بالسرطان

0:10:32.220,0:10:34.516
وفي أمر مشابهه بستانفورد

0:10:34.516,0:10:38.179
أعلنت مجموعة كانت تفحص الأنسجة المكبره

0:10:38.179,0:10:40.560
أنهم طوروا نظام قائم على التعلم الآلي

0:10:40.560,0:10:43.142
هو في الواقع أفضل من الأخصائين [br]البشريين في علوم الأمراض

0:10:43.142,0:10:47.519
وتنبأت بمعدلات نجاة لمن يعانون من السرطان

0:10:47.519,0:10:50.764
في كلا الحالتين لم يكن التنبأ أكثر دقه فقط

0:10:50.764,0:10:53.266
ولكنهم أنتجوا علم دقيق جديد

0:10:53.276,0:10:54.781
في حالة طب الأشعة

0:10:54.781,0:10:57.876
هناك مؤشرات تشخيصية [br]جديدة يستطيع البشر إدراكها

0:10:57.876,0:10:59.668
في حالة علم الأمراض

0:10:59.668,0:11:04.168
نظام الكمبيوتر قد أكتشف [br]بالفعل أن الخلايا حول السرطان

0:11:04.168,0:11:07.508
هي بأهمية الخلايا السرطانية نفسها

0:11:07.508,0:11:09.260
للتوصل للتشخيص

0:11:09.260,0:11:14.621
وهذا عكس ما تعلمه أخصائي[br]الأمراض لعشرات السنين

0:11:14.621,0:11:17.913
وقد تم تطوير كلا الحالتين بنظم الكمبيوتر

0:11:17.913,0:11:21.534
بواسطة مجموعة من خبراء في [br]كلاً من الطب والتعلم الألي

0:11:21.534,0:11:24.275
لكن بالنسبة للعام الماضي [br]فقد تخطينا هذا الأن أيضاً

0:11:24.275,0:11:27.824
هذا مثال للتعرف على المناطق السرطانية

0:11:27.824,0:11:30.354
من أنسجة إنسان تحت الميكرسكوب

0:11:30.354,0:11:34.967
النظام الذي تم عرضه هنا [br]يستطيع تحديد هذه المناطق بدقة أكبر

0:11:34.967,0:11:37.742
أو بنفس دقة أخصائي الأمراض البشريين

0:11:37.742,0:11:41.134
لكن تم بنائها بالكامل بالتعلم العميق[br]بدون إستخدام أي خبرة طبية

0:11:41.134,0:11:43.660
وبواسطة ناس ليس لديهم أي خلفية[br]عن هذا المجال

0:11:44.730,0:11:47.285
وبالمثل هنا في فصل الخلايا العصبية

0:11:47.285,0:11:50.953
نحن نستطيع الأن فصل الخلايا [br]العصبية بنفس دقة البشر

0:11:50.953,0:11:53.670
ولكن هذا النظام تم تطويره بالتعلم العميق

0:11:53.670,0:11:56.921
بإستخدام ناس ليس لديهم أي خلفية طبية سابقة

0:11:56.921,0:12:00.148
وأنا عن نفسي كشخص ليس[br]لديه أي خلفية طبية سابقة

0:12:00.148,0:12:03.875
يبدو أنني مؤهل تماماً لبدء شركة طبية جديدة

0:12:03.875,0:12:06.021
والتي بدئتها بالفعل

0:12:06.021,0:12:07.761
وكنت إلى حد ما قلق من القيام بذلك

0:12:07.761,0:12:10.650
ولكن النظرية رجحت أن الأمر سيكون ممكناً

0:12:10.650,0:12:16.142
لعمل أدوية مفيدة جداً بإستخدام [br]فقط أساليب تحليل البيانات

0:12:16.142,0:12:18.622
وحمداً لله أن الأراء كانت رائعة

0:12:18.622,0:12:20.978
ليس فقط من جانب الإعلام[br]ولكن من المجتمع الطبي

0:12:20.978,0:12:23.322
الذي كان داعماً جداً

0:12:23.322,0:12:27.471
النظرية كانت أننا نستطيع أن [br]نأخذ الجزء الأوسط من العملية الطبية

0:12:27.471,0:12:30.364
ونحوله لتحليل بيانات بقدر المستطاع

0:12:30.364,0:12:33.429
ونترك الأطباء ليفعلوا ماهم خبراء به

0:12:33.429,0:12:35.031
وأريد أن أعطيكم مثال

0:12:35.031,0:12:39.975
نستغرق الأن حوالي 15 دقيقة[br]لإستخراج إختبار تشخيص طبي جديد

0:12:39.975,0:12:41.929
وسأريكم الأن هذا المثال في نفس وقت حديثنا

0:12:41.929,0:12:45.416
ولكني قلصتها لثلاث دقائق [br]بإقتطاع بعض الأجزاء منها

0:12:45.416,0:12:48.477
وبدلاً من أن أعرض عليكم [br]عمل إختبار تشخيص طبي

0:12:48.477,0:12:51.846
سأريكم إختبار تشخيص لصور سيارات

0:12:51.846,0:12:54.068
لأن هذا سنستطيع جميعنا فهمه

0:12:54.068,0:12:57.269
لذلك سنبدأ بحوالي 1.5 مليون صور سيارات

0:12:57.269,0:13:00.475
أنا هنا أريد عمل شئ يستطيع [br]تقسيم الصور للزاوية

0:13:00.475,0:13:02.698
التي تم إلتقاطها بها

0:13:02.698,0:13:06.586
ولأن هذه الصور لم يتم تصنيفها[br]تماماً لذا كا ن علي البدء من نقطة الصفر

0:13:06.586,0:13:08.451
بخوازمتنا للتعلم العميق

0:13:08.451,0:13:12.158
إنها تستطيع تلقائياً التعرف [br]على مناطق بنية هذه الصور

0:13:12.158,0:13:15.778
الشئ الظريف أن الإنسان والكمبيوتر [br]يستطيعان الأن العمل سوياً

0:13:15.778,0:13:17.956
كما تروا هنا الإنسان

0:13:17.956,0:13:20.631
يخبر الكمبيوتر عن دوائر الإهتمام

0:13:20.631,0:13:25.281
التي تريد من الكمبيوتر أن يجربها [br]ليطور بعد ذلك من خوارزمته

0:13:25.281,0:13:29.577
الأن هذه النظم للتعلم الألي هي [br]بالفعل بفراغ ذو 16000 بعد

0:13:29.577,0:13:33.009
لذلك نرى الكمبيوتر يدير [br]الصور في هذا الفراغ

0:13:33.009,0:13:35.001
محاولاً إيجاد مناطق جديدة للتركيبه

0:13:35.001,0:13:36.782
وعندما ينجح في تنفيذ هذا

0:13:36.782,0:13:40.786
يستطيع الإنسان الذي بدءها أن[br]يشير إلى المناطق التي تهمه

0:13:40.786,0:13:43.208
وهنا الكمبيوتر بالفعل وجد[br]هذه المناطق بنجاح

0:13:43.208,0:13:45.770
فمثلاً ، الزوايا

0:13:45.770,0:13:47.376
فكلما تعمقنا في هذه العملية

0:13:47.376,0:13:49.716
فإننا نخبر الكمبيوتر تدريجياً أكثر وأكثر

0:13:49.716,0:13:52.144
عن أنواع التركيبة التي نبحث عنها

0:13:52.144,0:13:53.916
ولك أن تتخيل في إختبارات[br]التشخيص الطبي

0:13:53.916,0:13:57.266
فمثلاً كتحديد أخصائي الأمراض بأماكن المرض

0:13:57.266,0:14:02.292
أو كإشارة أخصائي الأشعة للنقاط المقلقة

0:14:02.292,0:14:04.851
وأحياناً يكون هذا صعب على الخوارزمة

0:14:04.851,0:14:06.815
حيث يحدث لها حالة من الإرتباك

0:14:06.815,0:14:09.365
مقدمات وخلفيات السيارات إختلطت جميعها

0:14:09.365,0:14:11.437
لذلك يجب أن نكون حريصين قليلاً

0:14:11.437,0:14:14.669
فيتم إختيار المقدمة يدوياً كشئ [br]عكس الخلفيات

0:14:14.669,0:14:20.175
ونخبر الكمبيوتر بعدها أن هذا تصنيف[br]المجموعه

0:14:20.175,0:14:21.523
التي نريدها

0:14:21.523,0:14:24.200
نفعل هذا لفترة من الزمن [br]لأننا نتخطاه قليلاً

0:14:24.200,0:14:26.446
وبعدها ندرب الكمبيوتر على [br]خوارزمة التعلم الآلي

0:14:26.446,0:14:28.420
بناء على المائتين شئ هذه

0:14:28.420,0:14:30.445
ونأمل أن تصبح هذه الأمور أفضل بكثير

0:14:30.445,0:14:33.518
يمكنكم رؤية أنها بدءت الأن[br]تغذية بعض هذه الصور

0:14:33.518,0:14:38.226
لتظهر لنا إنها بالفعل بدءت التعرف [br]على كيفية فهم البعض بنفسها

0:14:38.226,0:14:41.128
ويمكننا إستخدام نفس مبدأ الصور المشابهه

0:14:41.128,0:14:43.222
ونستخدم صور مشابهه كما ترون الأن

0:14:43.222,0:14:47.241
الكمبيوتر عند هذه النقطة يستطيع أن[br]يجد فقط مقدمات السيارات

0:14:47.241,0:14:50.189
ومن هنا يستطيع البشر إخبار الكمبيوتر

0:14:50.189,0:14:52.482
أنك بالفعل قد قمت بعمل ممتاز

0:14:53.652,0:14:55.837
أحياناً بالطبع عند هذه النقطة

0:14:55.837,0:14:59.511
يظل صعباً فصل هذه المجموعات

0:14:59.511,0:15:03.395
حتى بعد أن نترك الكمبيوتر[br]يحاول إدارتها لوقت

0:15:03.399,0:15:06.744
نظل نجد أن صور الجانب الأيسر والأيمن

0:15:06.744,0:15:08.222
تم خلطها جميعها معاً

0:15:08.222,0:15:10.362
لذلك يجب أن نعطي لكمبيوتر بعض الملحوظات

0:15:10.362,0:15:13.338
ونقول له جيد حاول وأبحث عن وسيلة لفصل

0:15:13.338,0:15:15.945
صور الجانب الأيسر عن الأيمن بقدر المستطاع

0:15:15.945,0:15:18.067
بإستخدام خوارزمة التعلم العميق

0:15:18.067,0:15:21.009
وبإعطائه هذه التعليمات. جيد لقد نجحت

0:15:21.009,0:15:23.891
لقد دبرت أمرها لتجد وسيلة [br]للتفكير في هذه الأشياء

0:15:23.891,0:15:26.271
لفصلها جميعاً

0:15:26.271,0:15:28.709
وهنا تكون الفكرة قد وصلت لكم

0:15:28.709,0:15:36.906
وهذه الحالة ليست لإحلال[br]الكمبيوتر مكان البشر

0:15:36.906,0:15:39.546
ولكن للعمل معاً

0:15:39.546,0:15:43.096
ما فعلناه هنا أننا إستبدلنا شئ[br]إعتدنا أن ينفذه فريق

0:15:43.096,0:15:45.098
مكون من ستة أشخاص لسبعة سنين

0:15:45.098,0:15:47.703
واحللنا محله عملاً يأخذ فقط 15 دقيقة

0:15:47.703,0:15:50.208
بواسطة شخص واحد يقوم بهذا العمل

0:15:50.208,0:15:54.158
وهذه العملية تأخذ حوالي أربع لخمس تكرارات

0:15:54.158,0:15:56.017
كما تروا أننا الأن لدينا 62%

0:15:56.017,0:15:58.976
من 1.5 مليون صورة تم تصنيفهم بشكل صحيح

0:15:58.976,0:16:01.448
ومن هنا نستطيع البدء سريعاً في

0:16:01.448,0:16:02.745
ترتيب اقسام كبيرة كاملة

0:16:02.745,0:16:05.664
نفحص من خلالها لنتأكد أن لا يوجد أخطاء

0:16:05.664,0:16:09.616
إذا كان هناك أخطاء فيجب إطلاع الكمبيوتر

0:16:09.616,0:16:12.661
ونستخدم هذه العملية لكل مجموهة مختلفة

0:16:12.661,0:16:15.148
ونحن الأن وصلنا لنسبة 80% نجاح

0:16:15.148,0:16:17.563
في تصنيف الـ 1.5 مليون صورة

0:16:17.563,0:16:19.641
وهذه مجرد حالة واحدة

0:16:19.641,0:16:23.220
لإيجاد العدد الصغير الذي [br]لم يتم تصنيفه صحيحاً

0:16:23.220,0:16:26.108
ومحاولة فهم هذا الخطأ

0:16:26.108,0:16:27.851
وبإستخدام هذا الإسلوب

0:16:27.851,0:16:31.972
بعد حوالي 15 دقيقة وصلنا 97% من التصنيف

0:16:31.972,0:16:36.572
هذا الأسلوب سيمكنا من إصلاح مشاكل كبيرة

0:16:36.578,0:16:39.614
التي تواجهه نقص بالخبراء الطبيين بالعالم

0:16:39.614,0:16:43.103
منتدى العالم الإقتصادي يقول أن هناك بين x10 وx20

0:16:43.103,0:16:45.727
نقص في الأطباء في الدول النامية

0:16:45.727,0:16:47.840
مما تطلب حوالي 300 سنة

0:16:47.840,0:16:50.734
لتدريب عدد كافي لإصلاح هذه المشكلة

0:16:50.734,0:16:53.619
تخيل إذا أستطعنا المساعدة في تحسين كفائتهم

0:16:53.619,0:16:56.458
بإستخدام أساليب التعلم العميق

0:16:56.458,0:16:58.690
لذلك أن متشوق جداً لهذه الفرص

0:16:58.690,0:17:01.279
كما إنني مهتم جداً بالمشاكل

0:17:01.279,0:17:04.403
المشكلة أن كل منطقة زرقاء بهذه الخريطة

0:17:04.403,0:17:08.172
هي مكان ما حيث الخدمات [br]أكثر من 80% من التشغيل

0:17:08.172,0:17:09.959
ما هي الخدمات؟

0:17:09.959,0:17:11.473
هذه هي الخدمات

0:17:11.473,0:17:15.627
وهناك أيضاً أشياء محددة التي[br]تعلم الكمبيوتر مؤخرا كيف يفعلها

0:17:15.627,0:17:19.431
لذلك 80% من تشغيل العالم في الدول النامية

0:17:19.431,0:17:21.963
هي الأشياء التي مؤخراً تعلم [br]الكمبيوتر كيفية عملها

0:17:21.963,0:17:23.403
ما الذي يعنية هذا؟

0:17:23.403,0:17:25.986
حسناً ، سيتم إستبدالهم بوظائف أخرى

0:17:25.986,0:17:28.693
مثلا سيكون هناك وظائف أكثر لعلماء البيانات

0:17:28.693,0:17:29.510
ليس حقيقي

0:17:29.510,0:17:32.628
لن يحتاج علماء البيانات [br]وقت طويل لبناء هذه الأشياء

0:17:32.628,0:17:35.880
فمثلاً الأربع خوارزمات تلك بناهم نفس الشخص

0:17:35.880,0:17:38.318
إذا كنت تعتقد إنها حدثت جميعها مسبقاً

0:17:38.318,0:17:42.126
فنحن رأينا النتائج بالسابق [br]عندما حدثت أشياء جديدة

0:17:42.126,0:17:44.378
وتم إستبدالهم بوظائف جديدة

0:17:44.378,0:17:46.494
ماذا ستكون هذه الوظائف الجديدة؟

0:17:46.494,0:17:48.365
من صعب علينا جداً توقعها

0:17:48.365,0:17:51.104
لأن إداء الإنسان ينمو بمعدل تدريجي

0:17:51.104,0:17:53.666
ولكننا الأن لدينا نظام وهو التعلم العميق

0:17:53.666,0:17:56.893
وما نعرفه بالفعل ينمو بقدرات مضاعفة

0:17:56.893,0:17:58.498
ونحن هنا

0:17:58.498,0:18:00.559
وحالياً نرى الأشياء حولنا

0:18:00.559,0:18:03.235
ونقول "كفى ، الكمبيوتر مازال غبياً" صحيح؟

0:18:03.235,0:18:06.664
ولكن خلال 5 سنين ستكون أجهزة[br]الكمبيوتر خارج هذه الخريطة

0:18:06.664,0:18:10.529
لذلك نحتاج أن نفكر في قدراته من الأن

0:18:10.529,0:18:12.579
وقد رأينا مثل هذا من قبل بالطبع

0:18:12.579,0:18:13.966
بالثورة الصناعية

0:18:13.966,0:18:16.817
لقد رأينا تغير كبير في القدرات بسبب للألات

0:18:17.667,0:18:20.805
الشئ الهام أنه بعد فترة الأمور تتغير كلياً

0:18:20.805,0:18:22.507
كان هناك إرتباك مجتمعي

0:18:22.507,0:18:25.946
ولكن بمجرد أن تم إستخدام الماكينات[br]لتوليد الكهرباء بجميع المواقف

0:18:25.946,0:18:28.300
الأمور بالفعل إستقرت

0:18:28.300,0:18:29.773
ثــورة التـعلـم الألــي

0:18:29.773,0:18:32.682
ستكون مختلفة تماماً عن الثورة الصناعية

0:18:32.682,0:18:35.632
لأن ثورة التعلم الألي لن تستقر أبداً

0:18:35.632,0:18:38.614
كلما طورت أجهزة الكمبيوتر مستويات ذكائها

0:18:38.614,0:18:42.862
كلما إستطاعوا بناء أجهزة كمبيوتر[br]أفضل لتطوير مستويات ذكائهم

0:18:42.862,0:18:44.770
لذا سيكون نوع من التغيير

0:18:44.770,0:18:47.248
الذي لم يختبره العالم من قبل

0:18:47.248,0:18:50.554
وسيتغير فهمك السابق عن ماهو ممكن

0:18:50.974,0:18:52.754
إنها بالفعل تؤثر علينا

0:18:52.754,0:18:56.384
في الـ 25 سنه الماضية حيث [br]زادت إنتاجية رأس المال

0:18:56.400,0:19:00.588
الإنتاجية العمالية أصبحت ثابتة بل في الواقع قد إنحدرت قليلاً

0:19:01.408,0:19:04.149
لذلك أريد منكم ان تبدؤا هذه المناقشة الأن

0:19:04.149,0:19:07.176
أنا أعرف أنني عادة عندما أخبر الناس عن هذا الموقف

0:19:07.176,0:19:08.666
يستطيع الناس أن يرفضوا بشدة

0:19:08.666,0:19:10.339
حسناً ، الكمبيوتر لا يستطيع التفكير

0:19:10.339,0:19:13.367
لا يستطيعون أن يشعروا ولا أن يفهموا الشعر

0:19:13.367,0:19:15.888
ونحن في الحقيقة لا نفهم كيف يعملون

0:19:15.888,0:19:17.374
وما الأهمية؟

0:19:17.374,0:19:19.178
أجهزة الكمبيوتر الأن تستطيع فعل أشياء

0:19:19.178,0:19:21.897
يتم الدفع للبشر ليقضوا معظم وقتهم في فعله

0:19:21.897,0:19:23.628
لذلك حان الوقت الأن لنبدأ التفكير

0:19:23.628,0:19:28.015
كيف سنعدل تركيبتنا المجتمعية والإقتصادية؟

0:19:28.015,0:19:29.855
لنكون واعيين لهذه الحقيقة الجديدة

0:19:29.855,0:19:31.388
شكراً لكم

0:19:31.388,0:19:32.190
(تصفيق)