0:00:00.880,0:00:04.893
פעם, אם רצית לגרום למחשב לעשות משהו חדש

0:00:04.893,0:00:06.509
היית צריך לתכנת אותו.

0:00:06.509,0:00:09.423
כעת, תכנות, למי מכם [br]שלא עשו זאת בעצמם,

0:00:09.423,0:00:12.918
דורש לפרוש בפירוט מייגע

0:00:12.918,0:00:16.070
כל צעד וצעד שאתה רוצה שהמחשב יעשה

0:00:16.070,0:00:18.157
על מנת להשיג את המטרה שלך.

0:00:18.157,0:00:22.479
כעת, אם אתה רוצה לעשות משהו [br]שאתה לא יודע איך לעשות בעצמך,

0:00:22.479,0:00:24.325
אז זה הולך להיות אתגר רציני.

0:00:24.325,0:00:27.888
אז זה היה האתגר שעמד בפני[br]האיש הזה, ארתור סמואל.

0:00:27.888,0:00:31.991
ב-1956, הוא רצה לגרום למחשב הזה

0:00:31.991,0:00:34.208
להיות מסוגל להביס אותו בדמקה.

0:00:34.208,0:00:36.008
איך אתה יכול לכתוב תוכנה,

0:00:36.008,0:00:40.098
לפרוש בפירוט מייגע,[br]איך להיות יותר טוב ממך בדמקה?

0:00:40.098,0:00:41.714
אז הוא הגה רעיון:

0:00:41.714,0:00:45.946
הוא נתן למחשב לשחק [br]נגד עצמו אלפי פעמים

0:00:45.946,0:00:48.100
וללמוד איך לשחק דמקה.

0:00:48.100,0:00:51.494
ואכן זה עבד, ולמעשה עד 1962,

0:00:51.494,0:00:54.124
המחשב הזה ניצח את האלוף של קונטיקט.

0:00:55.484,0:00:58.221
אז ארתור סמואל היה אבי הלמידה החישובית.

0:00:58.221,0:00:59.931
ואני חב לו חוב ענק.

0:00:59.931,0:01:02.509
בגלל שאני עוסק בלמידה חישובית.

0:01:02.509,0:01:04.229
הייתי הנשיא של קאגל,

0:01:04.229,0:01:07.649
קהילה שמונה מעל 200,000 אנשים [br]שעוסקים בלמידה חישובית.

0:01:07.649,0:01:10.107
קאגל מארגנת תחרויות

0:01:10.107,0:01:13.605
לנסות ולגרום להם לפתור [br]בעיות שלא נפתרו עד כה,

0:01:13.605,0:01:17.043
וזו הייתה הצלחה מאות פעמים.

0:01:17.043,0:01:19.900
אז מתצפית מנקודת יתרון זו, [br]הצלחתי לגלות

0:01:19.900,0:01:23.700
הרבה על מה שלמידה חישובית [br]יכולה לעשות בעבר, לעשות היום,

0:01:23.712,0:01:25.273
ומה היא יכולה לעשות בעתיד.

0:01:25.273,0:01:30.272
אולי ההצלחה הגדולה הראשונה של [br]למידה חישובית באופן מסחרי הייתה גוגל.

0:01:30.272,0:01:33.480
גוגל הראתה שזה אפשרי למצוא מידע

0:01:33.480,0:01:35.739
על ידי שימוש באלגוריתם ממוחשב,

0:01:35.739,0:01:38.264
והאלגוריתם הזה [br]מבוסס על למידה חישובית.

0:01:38.264,0:01:42.123
מאז, היו הרבה הצלחות מסחריות [br]של למידה ממוחשבת.

0:01:42.123,0:01:44.309
חברות כמו אמזון ונטפליקס

0:01:44.309,0:01:47.496
משתמשות בלמידה חישובית[br]כדי להציע מוצרים שאולי תרצה לקנות,

0:01:47.496,0:01:49.206
סרטים שאולי תרצה לראות.

0:01:49.206,0:01:51.346
לפעמים, זה כמעט מפחיד.

0:01:51.346,0:01:53.413
חברות כמו לינקדאין ופייסבוק

0:01:53.413,0:01:56.101
לפעמים אומרות לך מי [br]עשויים להיות החברים שלך

0:01:56.101,0:01:58.228
ואין לך מושג איך הן עשו את זה,

0:01:58.228,0:02:01.195
וזה בגלל שהן משתמשות בכוחה[br]של הלמידה החישובית.

0:02:01.195,0:02:04.152
אלו הם אלגוריתמים שלמדו[br]איך לעשות זאת מנתונים

0:02:04.152,0:02:07.399
במקום להיות מתוכנתות לעשות [br]זאת באופן ידני.

0:02:07.399,0:02:09.877
כך גם IBM הצליחה

0:02:09.877,0:02:13.739
לגרום לווטסון להביס[br]את שני אלופי העולם ב"ג'פרדי",

0:02:13.739,0:02:16.964
ולענות על שאלות עדינות ומורכבות [br]להפליא כמו זאת:

0:02:16.964,0:02:19.799
["ה'אריה של נמרוד' העתיק נעלם מהמוזיאון[br]הלאומי של העיר הזאת ב-2003 (יחד עם עוד הרבה דברים)"]

0:02:19.799,0:02:23.034
זו גם הסיבה בגללה אנו עכשיו[br]רואים את המכוניות הראשונות שנוהגות לבד.

0:02:23.034,0:02:25.856
אם אתם רוצים להיות מסוגלים [br]להבחין בין, למשל,

0:02:25.856,0:02:28.488
עץ והולך רגל, ובכן,[br]זה די חשוב.

0:02:28.488,0:02:31.075
אנחנו לא יודעים איך לכתוב [br]את התוכנות הללו באופן ידני,

0:02:31.075,0:02:34.072
אך עם למידה חישובית,[br]זה אפשרי כעת.

0:02:34.072,0:02:36.680
ולמעשה, המכונית הזו נסעה מעל [br]מיליון מיילים

0:02:36.680,0:02:40.186
ללא אף תאונה בכבישים רגילים.

0:02:40.196,0:02:44.110
אז אנחנו יודעים שמחשבים יכולים ללמוד,

0:02:44.110,0:02:46.010
ומחשבים יכולים ללמוד לעשות דברים

0:02:46.010,0:02:48.848
שאנחנו למעשה לפעמים [br]לא יודעים לעשות בעצמנו,

0:02:48.848,0:02:51.733
או אולי יכולים לעשות אותם יותר טוב מאיתנו.

0:02:51.733,0:02:55.928
אחת מהדוגמאות המדהימות ביותר[br]שראיתי ללמידה חישובית

0:02:55.928,0:02:58.320
קרתה בפרוייקט שהובלתי בקאגל

0:02:58.320,0:03:01.911
שבו צוות שהובל על ידי[br]בחור בשם ג'פרי הינטון

0:03:01.911,0:03:03.463
מאוניברסיטת טורונטו

0:03:03.463,0:03:06.140
זכה בתחרות על[br]פיתוח תרופות אוטומטי.

0:03:06.140,0:03:08.987
כעת, מה שמדהים פה זה לא רק שהם ניצחו

0:03:08.987,0:03:13.000
את כל האלגוריתמים שפותחו על ידי מרק[br]או קהילת האקדמיה העולמית,

0:03:13.000,0:03:18.061
אלא שלאף אחד בצוות לא היה רקע[br]בכימיה, ביולוגיה או מדעי החיים,

0:03:18.061,0:03:20.230
והם עשו זאת בשבועיים.

0:03:20.230,0:03:21.611
איך הם עשו זאת?

0:03:22.421,0:03:25.342
הם השתמשו באלגוריתם [br]יוצא דופן שנקרא למידה עמוקה.

0:03:25.342,0:03:28.291
זה היה כל כך חשוב [br]שההצלחה סוקרה

0:03:28.291,0:03:31.412
בניו יורק טיימס במאמר בעמוד הראשי[br]כמה שבועות לאחר מכן.

0:03:31.412,0:03:34.147
זה ג'פרי הינטון[br]כאן משמאל.

0:03:34.147,0:03:38.488
למידה עמוקה הוא אלגוריתם[br]ששואב השראה מהמוח האנושי,

0:03:38.488,0:03:40.300
וכתוצאה מכך הוא אלגוריתם

0:03:40.300,0:03:44.141
שאין לו מגבלות תיאורטיות[br]על מה שהוא מסוגל לעשות.

0:03:44.141,0:03:46.964
ככל שנותנים לו יותר נתונים וזמן חישוב,

0:03:46.964,0:03:48.276
כך הוא משתפר.

0:03:48.276,0:03:50.615
הניו יורק טיימס גם [br]הראה במאמר הזה

0:03:50.615,0:03:52.857
תוצאה מדהימה נוספת [br]של למידה חישובית

0:03:52.857,0:03:55.569
שאני הולך להראות לכם כעת.

0:03:55.569,0:04:00.510
הם מראים שמחשבים יכולים[br]להקשיב ולהבין.

0:04:00.510,0:04:03.221
(וידאו) ריצ'רד ראשיד: עכשיו, הצעד האחרון

0:04:03.221,0:04:06.246
שאני רוצה להיות מסוגל לבצע בתהליך הזה

0:04:06.246,0:04:10.961
הוא למעשה לדבר אליכם בסינית.

0:04:10.961,0:04:13.596
עכשיו המפתח פה,

0:04:13.596,0:04:18.598
הוא שהצלחנו לקחת כמות גדולה[br]של מידע מהרבה דוברי סינית

0:04:18.598,0:04:21.128
ולייצר מערכת של טקסט-לדיבור

0:04:21.128,0:04:25.801
שלוקחת טקסט בסינית[br]והופכת אותו לשפה סינית,

0:04:25.801,0:04:29.929
ואז לקחנו כשעה של הקול שלי

0:04:29.929,0:04:31.820
והשתמשנו בזה כדי להתאים

0:04:31.820,0:04:36.364
את המערכת הסטנדרטית של טקסט-לדיבור[br]כך שהיא תישמע כמוני.

0:04:36.364,0:04:38.904
שוב, התוצאה לא מושלמת.

0:04:38.904,0:04:41.552
יש למעשה די הרבה שגיאות.

0:04:41.552,0:04:44.036
(בסינית)

0:04:44.036,0:04:47.403
(מחיאות כפיים)

0:04:49.446,0:04:53.022
יש הרבה עבודה לעשות בתחום הזה.

0:04:53.022,0:04:56.667
(סינית)

0:04:56.667,0:05:00.100
(מחיאות כפיים)

0:05:01.345,0:05:04.744
(ג'רמי הווארד:) ובכן, זה היה בכנס[br]למידה חישובית בסין.

0:05:04.744,0:05:07.114
זה די נדיר, למעשה, בכנסים אקדמאים

0:05:07.114,0:05:09.011
לשמוע מחיאות כפיים ספונטניות,

0:05:09.011,0:05:12.687
למרות שכמובן לפעמים [br]בכנסים של TEDx, הרגישו חופשי.

0:05:12.687,0:05:15.482
כל מה שראיתם שם קרה עם למידה עמוקה.

0:05:15.482,0:05:17.007
(מחיאות כפיים)[br]תודה.

0:05:17.007,0:05:19.289
התמלול לאנגלית היה למידה עמוקה.

0:05:19.289,0:05:22.701
התרגום לסינית והטקסט [br]מימין למעלה- למידה עמוקה.

0:05:22.701,0:05:26.008
והבניה של הקול היתה למידה עמוקה גם כן.

0:05:26.008,0:05:29.242
אז למידה עמוקה היא דבר מדהים.

0:05:29.242,0:05:32.341
זה אלגוריתם יחיד שיכול לעשות כמעט הכל.

0:05:32.341,0:05:35.452
וגיליתי ששנה קודם לכן, [br]הוא גם למד לראות.

0:05:35.452,0:05:37.628
בתחרות לא מוכרת בגרמניה

0:05:37.628,0:05:40.225
בשם הבוחן הגרמני לביצועי זיהוי שלטי תנועה

0:05:40.225,0:05:43.618
למידה עמוקה למדה לזהות [br]שלטי תנועה כמו זה

0:05:43.618,0:05:45.712
היא לא רק זיהתה את השלטים

0:05:45.712,0:05:47.470
יותר טוב מכל אלגוריתם אחר,

0:05:47.470,0:05:50.189
לוח התוצאות ממש הראה שהיא[br]יותר טובה מאנשים,

0:05:50.189,0:05:52.041
בערך פי 2 יותר טוב מאנשים.

0:05:52.041,0:05:54.037
אז עד 2011, היתה לנו את הדוגמה הראשונה

0:05:54.037,0:05:57.442
למחשבים שיכולים לראות יותר טוב מאנשים.

0:05:57.442,0:05:59.491
מאז, הרבה התרחש.

0:05:59.491,0:06:03.005
ב-2012, גוגל הכריזה שהיא[br]נתנה לאלגוריתם למידה עמוקה

0:06:03.005,0:06:04.420
לצפות בסרטוני יוטיוב

0:06:04.420,0:06:07.857
והם עבדו על הנתונים על 16,000[br]מחשבים למשך חודש,

0:06:07.857,0:06:12.218
והמחשב למד באופן עצמאי על [br]מושגים כמו אנשים וחתולים

0:06:12.218,0:06:14.027
רק מצפייה בסרטונים.

0:06:14.027,0:06:16.379
זה מאוד דומה לדרך בה אנשים לומדים.

0:06:16.379,0:06:19.119
בני אדם לא לומדים על ידי כך [br]שאומרים להם מה הם רואים,

0:06:19.119,0:06:22.450
אלא על ידי למידה עצמאית[br]של מהם אותם דברים.

0:06:22.450,0:06:25.819
גם ב-2012, ג'פרי הינטון,[br]שראינו קודם,

0:06:25.819,0:06:28.677
ניצח בתחרות אימג'נט המאוד פופולרית,

0:06:28.677,0:06:32.818
שביקשה לנסות לגלות על [br]1.5 מיליון תמונות

0:06:32.818,0:06:34.256
תמונות של מה הן.

0:06:34.256,0:06:37.789
נכון ל-2014, ירדנו [br]לשיעור שגיאות של 6%

0:06:37.789,0:06:39.242
בזיהוי תמונה.

0:06:39.242,0:06:41.268
זה יותר טוב מאנשים, שוב.

0:06:41.268,0:06:45.037
אז מכונות באמת עושות עבודה מצויינת בכך,

0:06:45.037,0:06:47.306
וזה עכשיו נכנס לשימוש בתעשייה.

0:06:47.306,0:06:50.348
למשל, גוגל הכריזה בשנה שעברה

0:06:50.348,0:06:54.933
שהם מיפו כל מיקום ומיקום בצרפת תוך שעתיים,

0:06:54.933,0:06:58.380
והדרך בה הם עשו זאת היתה[br]הזנת תמונות רחוב

0:06:58.380,0:07:02.699
לאלגוריתם למידה עמוקה[br]שיזהה ויקרא מספרי רחובות.

0:07:02.699,0:07:04.919
דמיינו כמה זמן זה היה לוקח בעבר:

0:07:04.919,0:07:08.274
עשרות אנשים, שנים רבות.

0:07:08.274,0:07:10.185
זה גם קורה בסין.

0:07:10.185,0:07:14.221
באידו הוא סוג של [br]הגוגל הסיני, אני מניח.

0:07:14.221,0:07:16.504
ומה שרואים כאן בשמאל למעלה

0:07:16.504,0:07:20.478
הוא דוגמה לתמונה שאני העליתי[br]למערכת הלמידה העמוקה של באידו,

0:07:20.478,0:07:24.247
ומתחת אפשר לראות שהמערכת הבינה מה התמונה

0:07:24.247,0:07:26.483
ומצאה תמונות דומות.

0:07:26.483,0:07:29.219
לתמונות הדומות למעשה יש רקעים דומים,

0:07:29.219,0:07:30.877
כיווני פרצופים דומים,

0:07:30.877,0:07:32.665
אפילו כמה עם הלשון בחוץ.

0:07:32.665,0:07:35.695
זה לא להסתכל על טקסט של דף אינטרנט.

0:07:35.695,0:07:37.107
כל מה שאני העליתי היה תמונה.

0:07:37.107,0:07:41.128
אז כעת יש לנו מחשבים שבאמת[br]מבינים מה הם רואים

0:07:41.128,0:07:42.752
ולכן יכולים לחפש במאגרי מידע

0:07:42.752,0:07:46.306
של מאות מיליוני תמונות בזמן אמת.

0:07:46.306,0:07:49.536
אז מה זה אומר[br]עכשיו שמחשבים יכולים לראות?

0:07:49.536,0:07:51.553
ובכן, זה לא רק [br]שמחשבים יכולים לראות.

0:07:51.553,0:07:53.622
למעשה, למידה עמוקה [br]עשתה יותר מכך.

0:07:53.622,0:07:56.570
משפטים מורכבים עם ניואנסים, כמו זה

0:07:56.570,0:07:59.394
הם כעת מובנים בעזרת [br]אלגוריתמים של למידה עמוקה.

0:07:59.394,0:08:00.697
כמו שאתם רואים פה,

0:08:00.697,0:08:03.465
המערכת הזו שמבוססת בסטנפורד[br]שמראה את הנקודה האדומה למעלה

0:08:03.465,0:08:07.384
הבינה שהמשפט הזה מבטא רגש שלילי.

0:08:07.384,0:08:10.790
למידה עמוקה היא כעת למעשה[br]כמעט ברמה של בן אדם

0:08:10.802,0:08:15.923
בלהבין על מה משפטים מדברים[br]ומה הם אומרים על אותם דברים.

0:08:15.923,0:08:18.651
בנוסף, עשו שימוש בלמידה עמוקה[br]לקריאת סינית,

0:08:18.651,0:08:21.807
שוב, בערך ברמה של דובר סינית מלידה.

0:08:21.807,0:08:23.975
האלגוריתם הזה שפותח בשוויץ

0:08:23.975,0:08:27.331
על ידי אנשים שאף אחד [br]מהם לא דובר או מבין סינית.

0:08:27.331,0:08:29.382
כמו שאמרתי, שימוש בלמידה עמוקה

0:08:29.382,0:08:31.601
היא בערך המערכת הכי טובה[br]בעולם לשם כך,

0:08:31.601,0:08:36.718
אפילו בהשוואה[br]להבנה אנושית.

0:08:36.718,0:08:39.682
זוהי מערכת אותה אנו בונים בחברה שלי

0:08:39.682,0:08:41.728
שמראה איך מחברים את כל הדברים האלה.

0:08:41.728,0:08:44.189
אלו תמונות להן לא מצורף טקסט,

0:08:44.189,0:08:46.541
וכשאני מקליד את המשפטים האלה כאן,

0:08:46.541,0:08:49.510
בזמן אמת זה מבין את התמונות האלו

0:08:49.510,0:08:51.189
ומבין על מה הן

0:08:51.189,0:08:54.352
ומבין שהתמונות דומות לטקסט שאני כותב.

0:08:54.352,0:08:57.108
אז אתם רואים, זה למעשה[br]מבין את המשפטים שלי

0:08:57.108,0:08:59.332
וממש מבין את התמונות הללו.

0:08:59.332,0:09:01.891
אני יודע שראיתם משהו דומה בגוגל,

0:09:01.891,0:09:04.666
שבו אפשר להקליד דברים[br]וזה מראה לך תמונות,

0:09:04.666,0:09:08.090
אבל למעשה מה שזה עושה זה[br]לחפש בדף האינטרנט אחר טקסט.

0:09:08.090,0:09:11.091
זה מאוד שונה מאשר ממש להבין את התמונות.

0:09:11.091,0:09:13.843
זה משהו שמחשבים [br]היו מסוגלים לעשות

0:09:13.843,0:09:17.091
בפעם הראשונה רק בחודשים האחרונים.

0:09:17.091,0:09:21.182
אז אנו רואים עכשיו שמחשבים[br]יכולים לא רק לראות אלא גם לקרוא,

0:09:21.182,0:09:24.947
וכמובן, הראינו שהם יכולים[br]להבין את מה שהם שומעים.

0:09:24.947,0:09:28.389
אולי זה לא מפתיע כעת [br]שאני עומד לספר לכם שהם יכולים לכתוב.

0:09:28.389,0:09:33.172
הנה טקסט שייצרתי[br]על ידי אלגוריתם למידה עמוקה אתמול.

0:09:33.172,0:09:37.096
והנה טקסט שאלגוריתם[br]מסטנפורד ייצר.

0:09:37.096,0:09:38.860
כל אחד מהמשפטים הללו נוצר

0:09:38.860,0:09:43.109
על יגי אלגוריתם למידה עמוקה[br]על מנת לתאר כל אחת מהתמונות האלו.

0:09:43.109,0:09:47.581
האלגוריתם הזה לא ראה לפני כן מעולם[br]איש בחולצה שחורה שמנגן בגיטרה.

0:09:47.581,0:09:49.801
הוא ראה אדם בעבר,[br]הוא ראה שחור בעבר,

0:09:49.801,0:09:51.400
הוא ראה גיטרה בעבר,

0:09:51.400,0:09:55.694
אך הוא ייצר באופן עצמאי[br]את התיאור החדש של התמונה.

0:09:55.694,0:09:59.196
אנחנו עדיין לא בדיוק ברמה אנושית כאן,[br]אך אנחנו קרובים.

0:09:59.196,0:10:03.264
במבחנים, בני אדם מעדיפים [br]את הכותרת המיוצרת על ידי מחשב

0:10:03.264,0:10:04.791
אחת לכל ארבע פעמים.

0:10:04.791,0:10:06.855
עכשיו המערכת הזו היא רק בת שבועיים,

0:10:06.855,0:10:08.701
אז סביר שמתישהו בשנה הבאה,

0:10:08.701,0:10:11.502
האלגוריתם הממוחשב יעבור בהרבה[br]את היכולות האנושיות

0:10:11.502,0:10:13.364
בקצב שבו דברים מתקדמים.

0:10:13.364,0:10:16.413
אז מחשבים גם יכולים לכתוב.

0:10:16.413,0:10:19.888
אם לוקחים את כל זה יחד[br]זה מוביל לאפשרויות מרגשות.

0:10:19.888,0:10:21.380
למשל, ברפואה,

0:10:21.380,0:10:23.905
צוות בבוסטון הכריז שהם גילו

0:10:23.905,0:10:26.854
עשרות מאפיינים רלוונטיים קלינית

0:10:26.854,0:10:31.120
של גידולים, שיכולים לעזור לרופאים[br]לקבל פרוגנוזה של הסרטן.

0:10:32.220,0:10:34.516
באופן דומה, בסטנפורד,

0:10:34.516,0:10:38.179
קבוצה הכריזה כי, [br]לאחר שהסתכלו על רקמות בהגדלה,

0:10:38.179,0:10:40.560
הם פיתחו מערכת[br]מבוססת למידה חישובית

0:10:40.560,0:10:43.142
שהיא למעשה טובה יותר [br]מפתולוגים אנושיים

0:10:43.142,0:10:47.519
בחיזוי סיכויי הישרדות [br]עבור הסובלים מסרטן.

0:10:47.519,0:10:50.764
בשני המקרים האלה, לא רק[br]שהתחזיות היו יותר מדוייקות,

0:10:50.764,0:10:53.266
אלא שהן גם הפיקו מדע חדש בעל תובנות.

0:10:53.276,0:10:54.781
במקרה של הרדיולוגיה,

0:10:54.781,0:10:57.876
היו אינדיקטורים קליניים חדשים[br]שבני אדם יכולים להבין.

0:10:57.876,0:10:59.668
במקרה הזה של הפתולוגיה,

0:10:59.668,0:11:04.168
המערכת הממוחשבת גילתה למעשה[br]שהתאים שסביב הסרטן

0:11:04.168,0:11:07.508
הם חשובים כמו תאי הסרטן עצמם

0:11:07.508,0:11:09.240
לאבחנה.

0:11:09.240,0:11:14.621
זה ההיפך ממה שפתולוגים [br]למדו במשך עשורים.

0:11:14.621,0:11:17.913
בכל אחד משני המקרים הללו,[br]אלו היו מערכות שפותחו

0:11:17.913,0:11:21.534
על ידי שילוב של מומחים רפואיים [br]ומומחי למידה חישובית,

0:11:21.534,0:11:24.275
אך החל מהשנה שעברה, [br]אנחנו מעבר גם לכך.

0:11:24.275,0:11:27.824
הנה דוגמה לזיהוי איזורים סרטניים

0:11:27.824,0:11:30.354
ברקמה אנושית תחת מיקרוסקופ.

0:11:30.354,0:11:34.967
המערכת שאתם רואים כאן יכולה[br]לזהות את אותם איזורים באופו יותר מדוייק,

0:11:34.967,0:11:37.742
או בערך מדוייק באותה מידה,[br]כמו פתולוג אנושי,

0:11:37.742,0:11:41.134
אך נבנתה אך ורק על ידי[br]למידה עמוקה, ללא מומחיות רפואית

0:11:41.134,0:11:43.660
על ידי אנשים שאין להם רקע בתחום כלל.

0:11:44.730,0:11:47.285
באופן דומה, כאן, הסגמנטציה של הנוירון.

0:11:47.285,0:11:50.953
אנו יכולים כעת לחלק נוירונים לסגמנטים[br]כמעט באופן מדוייק כמו בני אדם,

0:11:50.953,0:11:53.670
אך המערכת הזו פותחה [br]על ידי למידה עמוקה

0:11:53.670,0:11:56.921
ואנשים ללא רקע ברפואה.

0:11:56.921,0:12:00.148
אז אני, כמישהו ללא רקע ברפואה,

0:12:00.148,0:12:03.875
נראה שאני מספיק מצוייד[br]להקים חברה רפואית חדשה.

0:12:03.875,0:12:06.021
וזה מה שעשיתי.

0:12:06.021,0:12:07.761
הייתי די מבועת מכך,

0:12:07.761,0:12:10.650
אבל התיאוריה הציעה[br]שזה צריך להיות אפשרי

0:12:10.650,0:12:16.142
לעשות רפואה שימושית[br]בשימוש בטכניקות אנליזת מידע בלבד.

0:12:16.142,0:12:18.622
ולמרבה המזל, המשוב היה פנטסנטי,

0:12:18.622,0:12:20.978
לא רק מהתקשורת[br]אלא גם מהקהילה הרפואית,

0:12:20.978,0:12:23.322
שהיו מאוד תומכים.

0:12:23.322,0:12:27.471
התאוריה היא שאנחנו יכולים[br]לקחת את חלק הביניים של התהליך הרפואי

0:12:27.471,0:12:30.364
ולהפוך אותו לאנליזת מידע ככל הניתן,

0:12:30.364,0:12:33.429
ולאפשר לרופאים לעשות את [br]מה שהם הכי טובים בו.

0:12:33.429,0:12:35.031
אני רוצה לתת לכם דוגמה.

0:12:35.031,0:12:39.975
כיום זה לוקח 15 דקות[br]לייצר מבחן דיאגנוסטי חדש

0:12:39.975,0:12:41.929
ואני אראה לכם זאת בזמן אמת עכשיו,

0:12:41.929,0:12:45.416
אבל דחסתי את זה ל-3 דקות [br]על ידי הוצאת כמה חלקים.

0:12:45.416,0:12:48.477
במקום להראות לכם יצירת [br]מבחן דיאגנוסטי רפואי חדש,

0:12:48.477,0:12:51.846
אני הולך להראות לכם[br]מבחן דיאגנוסטי של תמונות של מכוניות,

0:12:51.846,0:12:54.068
בגלל שזה משהו שכולנו יכולים להבין.

0:12:54.068,0:12:57.269
אז הנה אנחנו מתחילים עם[br]בערך 1.5 מיליון תמונות של מכוניות,

0:12:57.269,0:13:00.475
ואני רוצה ליצור משהו [br]שיכול לפצל אותם לזוית

0:13:00.475,0:13:02.698
שבה התמונה צולמה.

0:13:02.698,0:13:06.586
אז התמונות האלה הן לגמרי לא מתוייגות,[br]אז אני צריך להתחיל מאפס.

0:13:06.586,0:13:08.451
בעזרת אלגוריתם הלמידה העמוקה שלנו,

0:13:08.451,0:13:12.158
הוא יכול לזהות אוטומטית[br]איזורים של מבנה בתמונות אלו.

0:13:12.158,0:13:15.778
אז הדבר הנחמד הוא שהאדם[br]והמחשב יכולים לעבוד עתה יחד.

0:13:15.778,0:13:17.956
אז האדם, כמו שאתם רואים כאן,

0:13:17.956,0:13:20.631
אומר למחשב על איזורי עניין

0:13:20.631,0:13:25.281
שהוא רוצה שהמחשב ינסה[br]להשתמש בהם לשיפור האלגוריתם.

0:13:25.281,0:13:29.577
כעת, מערכות הלמידה העמוקה הללו [br]הן למעשה בחלל בעל 16,000 מימדים,

0:13:29.577,0:13:33.009
אז אתם רואים כאן שהמחשב[br]מסובב זאת דרך המרחב הזה,

0:13:33.009,0:13:35.001
ומנסה למצוא איזורים חדשים של מבנה.

0:13:35.001,0:13:36.776
וכשהוא מצליח,

0:13:36.776,0:13:40.471
האדם שנוהג בו יכול לציין את[br]האיזורים שמעניינים.

0:13:40.471,0:13:43.208
אז הנה, המחשב מצא בהצלחה איזורים,

0:13:43.208,0:13:45.770
לדוגמה, זוויות.

0:13:45.770,0:13:47.376
אז כשאנחנו מתקדמים בתהליך הזה,

0:13:47.376,0:13:49.716
אנחנו בהדרגה אומרים [br]למחשב עוד ועוד

0:13:49.716,0:13:52.144
אודות סוגי המבנים שאנחנו מחפשים.

0:13:52.144,0:13:53.916
אתם יכולים לדמיין זאת במבחן דיאגנוסטי

0:13:53.916,0:13:57.266
זה יהיה פתולוג שמזהה [br]איזורי מחלה, לדוגמה,

0:13:57.266,0:14:02.292
או רדיולוג שמצביע על קשריות[br]שיכולות להיות בעייתיות.

0:14:02.292,0:14:04.851
ולפעמים זה יכול להיות קשה לאלגוריתם.

0:14:04.851,0:14:06.815
במקרה הזה, הוא די התבלבל.

0:14:06.815,0:14:09.365
החלקים הקדמיים והאחוריים [br]של המכוניות מעורבבים.

0:14:09.365,0:14:11.437
אז כאן עלינו להיות טיפה יותר זהירים,

0:14:11.437,0:14:14.669
ולבחור באופן ידני את החלקים הקדמיים[br]בניגוד לאלו האחוריים,

0:14:14.669,0:14:20.175
ואז להגיד למחשב שזו סוג של קבוצה

0:14:20.175,0:14:21.523
שאנחנו מעונינים בה.

0:14:21.523,0:14:24.200
אז אנחנו עושים זאת למשך זמן מה,[br]מדלגים על קצת,

0:14:24.200,0:14:26.446
ואז אנחנו מאמנים את אלגוריתם[br]הלמידה החישובית

0:14:26.446,0:14:28.420
בהתבסס על אותם 200 דברים,

0:14:28.420,0:14:30.445
ומקווים שהוא השתפר בהרבה.

0:14:30.445,0:14:33.518
אתם רואים, הוא התחיל להדהות[br]כמה מהתמונות האלו,

0:14:33.518,0:14:38.226
ומראה לנו שהוא כבר מזהה[br]איך להבין כמה מאלה בעצמו.

0:14:38.226,0:14:41.128
אז אנחנו יכולים להשתמש בקונספט הזה [br]של תמונות דומות,

0:14:41.128,0:14:43.222
ועל ידי שימוש בתמונות דומות,[br]אתם יכולים עכשיו לראות,

0:14:43.222,0:14:47.241
שהמחשב בנקודה זו מסוגל[br]למצוא רק את החזית של מכוניות.

0:14:47.241,0:14:50.189
אז בנקודה זו, [br]האדם יכול לומר למחשב,

0:14:50.189,0:14:52.482
אוקיי, כן, עשית עבודה טובה.

0:14:53.652,0:14:55.837
לפעמים, כמובן, אפילו בנקודה זו

0:14:55.837,0:14:59.511
זה עדיין קשה להפריד בין קבוצות.

0:14:59.511,0:15:03.395
במקרה הזה, אפילו אחרי שאנחנו נותנים למחשב[br]לנסות לסובב זאת למשך זמן מה,

0:15:03.399,0:15:06.744
אנחנו עדיין מוצאים שהתמונות [br]של הצדדים השמאלייים והימניים

0:15:06.744,0:15:08.222
מעורבבות זו בזו.

0:15:08.222,0:15:10.362
אז אנחנו שוב יכולים לתת[br]למחשב כמה רמזים,

0:15:10.362,0:15:13.338
ולהגיד, אוקיי, נסה למצוא [br]תכנית שמפרידה

0:15:13.338,0:15:15.945
את צד ימין מצד שמאל עד כמה שניתן

0:15:15.945,0:15:18.067
על ידי שימוש באלגוריתם הלמידה העמוקה הזה.

0:15:18.067,0:15:21.009
ואחרי שנתנו לו את הרמז הזה--[br]אה, אוקיי, הוא הצליח.

0:15:21.009,0:15:23.891
הוא הצליח למצוא דרך[br]לחשוב על האובייקטים האלה

0:15:23.891,0:15:26.271
שהפרידו את זה יחד.

0:15:26.271,0:15:28.709
אז אתם מבינים את הרעיון פה.

0:15:28.709,0:15:36.906
זה לא מקרה שבו האדם מוחלף על ידי המחשב,

0:15:36.906,0:15:39.546
אלא שהם עובדים יחד.

0:15:39.546,0:15:43.096
מה שאנחנו עושים כאן הוא להחליף[br]משהו שהיה לוקח לצוות

0:15:43.096,0:15:45.098
של חמישה או שישה אנשים[br]בערך שבע שנים

0:15:45.098,0:15:47.703
ומחליפים אותו במשהו שלוקח 15 דקות

0:15:47.703,0:15:50.208
לאדם אחד שפועל לבד.

0:15:50.208,0:15:54.158
אז התהליך הזה לוקח בערך [br]ארבע או חמש חזרות.

0:15:54.158,0:15:56.017
אתם רואים עכשיו שיש לנו 62 אחוז

0:15:56.017,0:15:58.976
מ-1.5 מיליון התמונות שלנו[br]מסווגות נכונה.

0:15:58.976,0:16:01.448
בנקודה זו, אנחנו יכולים[br]להתחיל די במהירות

0:16:01.448,0:16:02.745
לקחת חלקם גדולים במלואם,

0:16:02.745,0:16:05.664
לעבור עליהם ולוודא שאין טעויות.

0:16:05.664,0:16:09.616
היכן שישנן טעויות, אנו יכולים[br]ליידע את המחשב עליהן.

0:16:09.616,0:16:12.661
ועל ידי שימוש בסוג זה של תהליך[br]עבור כל אחת מהקבוצות השונות,

0:16:12.661,0:16:15.148
אנחנו עכשיו מגיעים ל-80 אחוזי הצלחה

0:16:15.148,0:16:17.563
בסיווג מיליון וחצי התמונות.

0:16:17.563,0:16:19.641
ובנקודה זו, זהו רק מקרה

0:16:19.641,0:16:23.220
של מציאת המספר הקטן [br]שלא מסווג כראוי,

0:16:23.220,0:16:26.108
ולנסות להבין למה.

0:16:26.108,0:16:27.851
על ידי שימוש בגישה זו,

0:16:27.851,0:16:31.972
תוך 15 דקות אנו מגיעים [br]ל-97 אחוזי סיווג.

0:16:31.972,0:16:36.572
אז סוג כזה של טכניקה[br]יכול לאפשר לנו לתקן בעיה גדולה,

0:16:36.578,0:16:39.614
שהיא שיש חוסר במומחיות רפואית בעולם.

0:16:39.614,0:16:43.103
פורום הכלכלה העולמי אומר[br]שיש בין 10X ו-20X

0:16:43.103,0:16:45.727
של מחסור ברופאים בעולם המתפתח,

0:16:45.727,0:16:47.395
ושזה ייקח בערך 300 שנה

0:16:47.395,0:16:50.734
לאמן מספיק אנשים לתקן את הבעיה הזו.

0:16:50.734,0:16:53.619
אז דמיינו אם היינו יכולים[br]לעזור להגביר את היעילות שלהם

0:16:53.619,0:16:56.458
על ידי שימוש בגישת הלמידה העמוקה הזו?

0:16:56.458,0:16:58.690
אז אני מאוד מתרגש מהאפשרויות.

0:16:58.690,0:17:01.279
אני גם מאוד מודאג מהבעיות.

0:17:01.279,0:17:04.403
הבעיה כאן היא שכל איזור בכחול על המפה

0:17:04.403,0:17:08.172
הוא מקום שבו שירותים[br]הם מעל ל-80 אחוז מהתעסוקה.

0:17:08.172,0:17:09.959
מה זה שירותים?

0:17:09.959,0:17:11.473
אלו שירותים.

0:17:11.473,0:17:15.627
אלו הם גם בדיוק הדברים שמחשבים[br]בדיוק למדו איך לעשות.

0:17:15.627,0:17:19.431
אז 80 אחוז מהתעסוקה העולמית[br]בעולם המפותח

0:17:19.431,0:17:21.963
הם דברים שמחשבים בדיוק למדו איך לעשות.

0:17:21.963,0:17:23.403
מה זה אומר?

0:17:23.403,0:17:25.986
ובכן, זה יהיה בסדר.[br]הן יוחלפו בעבודות אחרות.

0:17:25.986,0:17:28.693
למשל, יהיו יותר עבודות[br]עבור מדעני נתונים.

0:17:28.693,0:17:29.510
ובכן, לא באמת.

0:17:29.510,0:17:32.628
לא לוקח למדענים זמן רב[br]לבנות את הדברים הללו.

0:17:32.628,0:17:35.880
למשל, ארבעת האלגוריתמים האלה[br]נבנו כולם על ידי אותו אדם.

0:17:35.880,0:17:38.318
אז אם אתם חושבים, הו, [br]כל זה כבר קרה בעבר,

0:17:38.318,0:17:42.138
ראינו את התוצאות בעבר[br]כאשר דברים חדשים הגיעו

0:17:42.138,0:17:44.378
והם מוחלפים בעבודות חדשות,

0:17:44.378,0:17:46.489
אבל מה העבודות החדשות הללו הולכות להיות?

0:17:46.489,0:17:48.860
זה מאוד קשה בשבילנו להעריך זאת,

0:17:48.860,0:17:51.103
בגלל שהביצועים האנושיים[br]גדלים בקצב ההדרגתי הזה,

0:17:51.103,0:17:53.672
אבל יש לנו עכשיו מערכת, למידה עמוקה,

0:17:53.672,0:17:56.884
שאנחנו יודעים שממש גדלה[br]ביכולות שלה באופן אקספוננציאלי.

0:17:56.884,0:17:58.501
ואנחנו כאן.

0:17:58.501,0:18:00.566
אז כרגע, אנחנו רואים את הדברים שסביבנו

0:18:00.566,0:18:03.237
ואומרים, "הו, מחשבים[br]הם עדיין די טיפשים." נכון?

0:18:03.237,0:18:06.063
אבל תוך חמש שנים, [br]מחשבים יהיו מחוץ לטבלה הזו.

0:18:06.063,0:18:10.329
אז אנחנו צריכים להתחיל לחשוב[br]על היכולת הזו כבר עכשיו.

0:18:10.329,0:18:12.167
ראינו את זה קורה בעבר, כמובן.

0:18:12.167,0:18:13.966
במהפכה התעשייתית,

0:18:13.966,0:18:16.817
ראינו שינוי משמעותי ביכולות[br]הודות למנועים.

0:18:17.667,0:18:20.805
העניין הוא שאחרי זמן מה, [br]העניינים השתטחו.

0:18:20.805,0:18:22.507
הייתה הפרעה חברתית,

0:18:22.507,0:18:25.946
אבל ברגע שהשתמשו במנועים על מנת [br]לייצר חשמל בכל המצבים,

0:18:25.946,0:18:28.300
דברים התחילו להירגע.

0:18:28.300,0:18:29.773
מהפיכת הלמידה החישובית

0:18:29.773,0:18:32.682
הולכת להיות שונה מאוד[br]מהמהפיכה התעשייתית,

0:18:32.682,0:18:35.632
כיוון שמהפיכת הלמידה החישובית,[br]היא לעולם לא נרגעת.

0:18:35.632,0:18:38.614
ככל שמחשבים יהיו יותר טובים [br]בפעילוית אינטלקטואליות,

0:18:38.614,0:18:42.862
כך הם יכולים לבנות מחשבים טובים יותר[br]שיהיו טובים יותר ביכולות אינטלקטואליות,

0:18:42.862,0:18:44.770
אז זה הולך להיות סוג של שינוי

0:18:44.770,0:18:47.248
שהעולם למעשה לא חווה מעולם,

0:18:47.248,0:18:50.554
אז ההבנה הקודמת שלכם[br]של מה אפשרי, היא שונה.

0:18:50.974,0:18:52.754
זה כבר מכה בנו.

0:18:52.754,0:18:56.384
ב-25 השנים האחרונות,[br]כשפריון ההון הולך וגדל,

0:18:56.400,0:19:00.588
פריון העבודה נשאר שטוח,[br]למעשה אפילו מעט ירד.

0:19:01.408,0:19:04.149
אז אני רוצה שאנחנו נתחיל[br]לנהל את הדיון הזה כעת.

0:19:04.149,0:19:07.176
אני יודע שהרבה פעמים כשאני[br]מספר לאנשים על המצב הזה,

0:19:07.176,0:19:08.666
אנשים יכולים לבטל אותי.

0:19:08.666,0:19:10.339
ובכן, מחשבים לא יכולים ממש לחשוב,

0:19:10.339,0:19:13.367
הם לא מביעים רגשות,[br]הם לא מבינים שירה,

0:19:13.367,0:19:15.888
אנחנו לא ממש מבינים איך הם עובדים.

0:19:15.888,0:19:17.374
אז מה?

0:19:17.374,0:19:19.178
מחשבים כרגע יכולים לעשות את הדברים

0:19:19.178,0:19:21.897
שבני אדם מקבלים תשלום[br]לעשות במשך רוב חייהם,

0:19:21.897,0:19:23.628
אז עכשיו הזמן להתחיל לחשוב

0:19:23.628,0:19:28.015
על איך אנחנו הולכים להתאים את [br]המבנים החברתיים והכלכליים שלנו

0:19:28.015,0:19:29.855
כך שיהיו מודעים למציאות החדשה הזו.

0:19:29.855,0:19:31.388
תודה.

0:19:31.388,0:19:32.190
(מחיאות כפיים)