ההשלכות הנפלאות והמבעיתות של מה שמחשבים יכולים ללמוד
-
0:01 - 0:05פעם, אם רצית לגרום למחשב לעשות משהו חדש
-
0:05 - 0:07היית צריך לתכנת אותו.
-
0:07 - 0:09כעת, תכנות, למי מכם
שלא עשו זאת בעצמם, -
0:09 - 0:13דורש לפרוש בפירוט מייגע
-
0:13 - 0:16כל צעד וצעד שאתה רוצה שהמחשב יעשה
-
0:16 - 0:18על מנת להשיג את המטרה שלך.
-
0:18 - 0:22כעת, אם אתה רוצה לעשות משהו
שאתה לא יודע איך לעשות בעצמך, -
0:22 - 0:24אז זה הולך להיות אתגר רציני.
-
0:24 - 0:28אז זה היה האתגר שעמד בפני
האיש הזה, ארתור סמואל. -
0:28 - 0:32ב-1956, הוא רצה לגרום למחשב הזה
-
0:32 - 0:34להיות מסוגל להביס אותו בדמקה.
-
0:34 - 0:36איך אתה יכול לכתוב תוכנה,
-
0:36 - 0:40לפרוש בפירוט מייגע,
איך להיות יותר טוב ממך בדמקה? -
0:40 - 0:42אז הוא הגה רעיון:
-
0:42 - 0:46הוא נתן למחשב לשחק
נגד עצמו אלפי פעמים -
0:46 - 0:48וללמוד איך לשחק דמקה.
-
0:48 - 0:51ואכן זה עבד, ולמעשה עד 1962,
-
0:51 - 0:54המחשב הזה ניצח את האלוף של קונטיקט.
-
0:55 - 0:58אז ארתור סמואל היה אבי הלמידה החישובית.
-
0:58 - 1:00ואני חב לו חוב ענק.
-
1:00 - 1:03בגלל שאני עוסק בלמידה חישובית.
-
1:03 - 1:04הייתי הנשיא של קאגל,
-
1:04 - 1:08קהילה שמונה מעל 200,000 אנשים
שעוסקים בלמידה חישובית. -
1:08 - 1:10קאגל מארגנת תחרויות
-
1:10 - 1:14לנסות ולגרום להם לפתור
בעיות שלא נפתרו עד כה, -
1:14 - 1:17וזו הייתה הצלחה מאות פעמים.
-
1:17 - 1:20אז מתצפית מנקודת יתרון זו,
הצלחתי לגלות -
1:20 - 1:24הרבה על מה שלמידה חישובית
יכולה לעשות בעבר, לעשות היום, -
1:24 - 1:25ומה היא יכולה לעשות בעתיד.
-
1:25 - 1:30אולי ההצלחה הגדולה הראשונה של
למידה חישובית באופן מסחרי הייתה גוגל. -
1:30 - 1:33גוגל הראתה שזה אפשרי למצוא מידע
-
1:33 - 1:36על ידי שימוש באלגוריתם ממוחשב,
-
1:36 - 1:38והאלגוריתם הזה
מבוסס על למידה חישובית. -
1:38 - 1:42מאז, היו הרבה הצלחות מסחריות
של למידה ממוחשבת. -
1:42 - 1:44חברות כמו אמזון ונטפליקס
-
1:44 - 1:47משתמשות בלמידה חישובית
כדי להציע מוצרים שאולי תרצה לקנות, -
1:47 - 1:49סרטים שאולי תרצה לראות.
-
1:49 - 1:51לפעמים, זה כמעט מפחיד.
-
1:51 - 1:53חברות כמו לינקדאין ופייסבוק
-
1:53 - 1:56לפעמים אומרות לך מי
עשויים להיות החברים שלך -
1:56 - 1:58ואין לך מושג איך הן עשו את זה,
-
1:58 - 2:01וזה בגלל שהן משתמשות בכוחה
של הלמידה החישובית. -
2:01 - 2:04אלו הם אלגוריתמים שלמדו
איך לעשות זאת מנתונים -
2:04 - 2:07במקום להיות מתוכנתות לעשות
זאת באופן ידני. -
2:07 - 2:10כך גם IBM הצליחה
-
2:10 - 2:14לגרום לווטסון להביס
את שני אלופי העולם ב"ג'פרדי", -
2:14 - 2:17ולענות על שאלות עדינות ומורכבות
להפליא כמו זאת: -
2:17 - 2:20["ה'אריה של נמרוד' העתיק נעלם מהמוזיאון
הלאומי של העיר הזאת ב-2003 (יחד עם עוד הרבה דברים)"] -
2:20 - 2:23זו גם הסיבה בגללה אנו עכשיו
רואים את המכוניות הראשונות שנוהגות לבד. -
2:23 - 2:26אם אתם רוצים להיות מסוגלים
להבחין בין, למשל, -
2:26 - 2:28עץ והולך רגל, ובכן,
זה די חשוב. -
2:28 - 2:31אנחנו לא יודעים איך לכתוב
את התוכנות הללו באופן ידני, -
2:31 - 2:34אך עם למידה חישובית,
זה אפשרי כעת. -
2:34 - 2:37ולמעשה, המכונית הזו נסעה מעל
מיליון מיילים -
2:37 - 2:40ללא אף תאונה בכבישים רגילים.
-
2:40 - 2:44אז אנחנו יודעים שמחשבים יכולים ללמוד,
-
2:44 - 2:46ומחשבים יכולים ללמוד לעשות דברים
-
2:46 - 2:49שאנחנו למעשה לפעמים
לא יודעים לעשות בעצמנו, -
2:49 - 2:52או אולי יכולים לעשות אותם יותר טוב מאיתנו.
-
2:52 - 2:56אחת מהדוגמאות המדהימות ביותר
שראיתי ללמידה חישובית -
2:56 - 2:58קרתה בפרוייקט שהובלתי בקאגל
-
2:58 - 3:02שבו צוות שהובל על ידי
בחור בשם ג'פרי הינטון -
3:02 - 3:03מאוניברסיטת טורונטו
-
3:03 - 3:06זכה בתחרות על
פיתוח תרופות אוטומטי. -
3:06 - 3:09כעת, מה שמדהים פה זה לא רק שהם ניצחו
-
3:09 - 3:13את כל האלגוריתמים שפותחו על ידי מרק
או קהילת האקדמיה העולמית, -
3:13 - 3:18אלא שלאף אחד בצוות לא היה רקע
בכימיה, ביולוגיה או מדעי החיים, -
3:18 - 3:20והם עשו זאת בשבועיים.
-
3:20 - 3:22איך הם עשו זאת?
-
3:22 - 3:25הם השתמשו באלגוריתם
יוצא דופן שנקרא למידה עמוקה. -
3:25 - 3:28זה היה כל כך חשוב
שההצלחה סוקרה -
3:28 - 3:31בניו יורק טיימס במאמר בעמוד הראשי
כמה שבועות לאחר מכן. -
3:31 - 3:34זה ג'פרי הינטון
כאן משמאל. -
3:34 - 3:38למידה עמוקה הוא אלגוריתם
ששואב השראה מהמוח האנושי, -
3:38 - 3:40וכתוצאה מכך הוא אלגוריתם
-
3:40 - 3:44שאין לו מגבלות תיאורטיות
על מה שהוא מסוגל לעשות. -
3:44 - 3:47ככל שנותנים לו יותר נתונים וזמן חישוב,
-
3:47 - 3:48כך הוא משתפר.
-
3:48 - 3:51הניו יורק טיימס גם
הראה במאמר הזה -
3:51 - 3:53תוצאה מדהימה נוספת
של למידה חישובית -
3:53 - 3:56שאני הולך להראות לכם כעת.
-
3:56 - 4:01הם מראים שמחשבים יכולים
להקשיב ולהבין. -
4:01 - 4:03(וידאו) ריצ'רד ראשיד: עכשיו, הצעד האחרון
-
4:03 - 4:06שאני רוצה להיות מסוגל לבצע בתהליך הזה
-
4:06 - 4:11הוא למעשה לדבר אליכם בסינית.
-
4:11 - 4:14עכשיו המפתח פה,
-
4:14 - 4:19הוא שהצלחנו לקחת כמות גדולה
של מידע מהרבה דוברי סינית -
4:19 - 4:21ולייצר מערכת של טקסט-לדיבור
-
4:21 - 4:26שלוקחת טקסט בסינית
והופכת אותו לשפה סינית, -
4:26 - 4:30ואז לקחנו כשעה של הקול שלי
-
4:30 - 4:32והשתמשנו בזה כדי להתאים
-
4:32 - 4:36את המערכת הסטנדרטית של טקסט-לדיבור
כך שהיא תישמע כמוני. -
4:36 - 4:39שוב, התוצאה לא מושלמת.
-
4:39 - 4:42יש למעשה די הרבה שגיאות.
-
4:42 - 4:44(בסינית)
-
4:44 - 4:47(מחיאות כפיים)
-
4:49 - 4:53יש הרבה עבודה לעשות בתחום הזה.
-
4:53 - 4:57(סינית)
-
4:57 - 5:00(מחיאות כפיים)
-
5:01 - 5:05(ג'רמי הווארד:) ובכן, זה היה בכנס
למידה חישובית בסין. -
5:05 - 5:07זה די נדיר, למעשה, בכנסים אקדמאים
-
5:07 - 5:09לשמוע מחיאות כפיים ספונטניות,
-
5:09 - 5:13למרות שכמובן לפעמים
בכנסים של TEDx, הרגישו חופשי. -
5:13 - 5:15כל מה שראיתם שם קרה עם למידה עמוקה.
-
5:15 - 5:17(מחיאות כפיים)
תודה. -
5:17 - 5:19התמלול לאנגלית היה למידה עמוקה.
-
5:19 - 5:23התרגום לסינית והטקסט
מימין למעלה- למידה עמוקה. -
5:23 - 5:26והבניה של הקול היתה למידה עמוקה גם כן.
-
5:26 - 5:29אז למידה עמוקה היא דבר מדהים.
-
5:29 - 5:32זה אלגוריתם יחיד שיכול לעשות כמעט הכל.
-
5:32 - 5:35וגיליתי ששנה קודם לכן,
הוא גם למד לראות. -
5:35 - 5:38בתחרות לא מוכרת בגרמניה
-
5:38 - 5:40בשם הבוחן הגרמני לביצועי זיהוי שלטי תנועה
-
5:40 - 5:44למידה עמוקה למדה לזהות
שלטי תנועה כמו זה -
5:44 - 5:46היא לא רק זיהתה את השלטים
-
5:46 - 5:47יותר טוב מכל אלגוריתם אחר,
-
5:47 - 5:50לוח התוצאות ממש הראה שהיא
יותר טובה מאנשים, -
5:50 - 5:52בערך פי 2 יותר טוב מאנשים.
-
5:52 - 5:54אז עד 2011, היתה לנו את הדוגמה הראשונה
-
5:54 - 5:57למחשבים שיכולים לראות יותר טוב מאנשים.
-
5:57 - 5:59מאז, הרבה התרחש.
-
5:59 - 6:03ב-2012, גוגל הכריזה שהיא
נתנה לאלגוריתם למידה עמוקה -
6:03 - 6:04לצפות בסרטוני יוטיוב
-
6:04 - 6:08והם עבדו על הנתונים על 16,000
מחשבים למשך חודש, -
6:08 - 6:12והמחשב למד באופן עצמאי על
מושגים כמו אנשים וחתולים -
6:12 - 6:14רק מצפייה בסרטונים.
-
6:14 - 6:16זה מאוד דומה לדרך בה אנשים לומדים.
-
6:16 - 6:19בני אדם לא לומדים על ידי כך
שאומרים להם מה הם רואים, -
6:19 - 6:22אלא על ידי למידה עצמאית
של מהם אותם דברים. -
6:22 - 6:26גם ב-2012, ג'פרי הינטון,
שראינו קודם, -
6:26 - 6:29ניצח בתחרות אימג'נט המאוד פופולרית,
-
6:29 - 6:33שביקשה לנסות לגלות על
1.5 מיליון תמונות -
6:33 - 6:34תמונות של מה הן.
-
6:34 - 6:38נכון ל-2014, ירדנו
לשיעור שגיאות של 6% -
6:38 - 6:39בזיהוי תמונה.
-
6:39 - 6:41זה יותר טוב מאנשים, שוב.
-
6:41 - 6:45אז מכונות באמת עושות עבודה מצויינת בכך,
-
6:45 - 6:47וזה עכשיו נכנס לשימוש בתעשייה.
-
6:47 - 6:50למשל, גוגל הכריזה בשנה שעברה
-
6:50 - 6:55שהם מיפו כל מיקום ומיקום בצרפת תוך שעתיים,
-
6:55 - 6:58והדרך בה הם עשו זאת היתה
הזנת תמונות רחוב -
6:58 - 7:03לאלגוריתם למידה עמוקה
שיזהה ויקרא מספרי רחובות. -
7:03 - 7:05דמיינו כמה זמן זה היה לוקח בעבר:
-
7:05 - 7:08עשרות אנשים, שנים רבות.
-
7:08 - 7:10זה גם קורה בסין.
-
7:10 - 7:14באידו הוא סוג של
הגוגל הסיני, אני מניח. -
7:14 - 7:17ומה שרואים כאן בשמאל למעלה
-
7:17 - 7:20הוא דוגמה לתמונה שאני העליתי
למערכת הלמידה העמוקה של באידו, -
7:20 - 7:24ומתחת אפשר לראות שהמערכת הבינה מה התמונה
-
7:24 - 7:26ומצאה תמונות דומות.
-
7:26 - 7:29לתמונות הדומות למעשה יש רקעים דומים,
-
7:29 - 7:31כיווני פרצופים דומים,
-
7:31 - 7:33אפילו כמה עם הלשון בחוץ.
-
7:33 - 7:36זה לא להסתכל על טקסט של דף אינטרנט.
-
7:36 - 7:37כל מה שאני העליתי היה תמונה.
-
7:37 - 7:41אז כעת יש לנו מחשבים שבאמת
מבינים מה הם רואים -
7:41 - 7:43ולכן יכולים לחפש במאגרי מידע
-
7:43 - 7:46של מאות מיליוני תמונות בזמן אמת.
-
7:46 - 7:50אז מה זה אומר
עכשיו שמחשבים יכולים לראות? -
7:50 - 7:52ובכן, זה לא רק
שמחשבים יכולים לראות. -
7:52 - 7:54למעשה, למידה עמוקה
עשתה יותר מכך. -
7:54 - 7:57משפטים מורכבים עם ניואנסים, כמו זה
-
7:57 - 7:59הם כעת מובנים בעזרת
אלגוריתמים של למידה עמוקה. -
7:59 - 8:01כמו שאתם רואים פה,
-
8:01 - 8:03המערכת הזו שמבוססת בסטנפורד
שמראה את הנקודה האדומה למעלה -
8:03 - 8:07הבינה שהמשפט הזה מבטא רגש שלילי.
-
8:07 - 8:11למידה עמוקה היא כעת למעשה
כמעט ברמה של בן אדם -
8:11 - 8:16בלהבין על מה משפטים מדברים
ומה הם אומרים על אותם דברים. -
8:16 - 8:19בנוסף, עשו שימוש בלמידה עמוקה
לקריאת סינית, -
8:19 - 8:22שוב, בערך ברמה של דובר סינית מלידה.
-
8:22 - 8:24האלגוריתם הזה שפותח בשוויץ
-
8:24 - 8:27על ידי אנשים שאף אחד
מהם לא דובר או מבין סינית. -
8:27 - 8:29כמו שאמרתי, שימוש בלמידה עמוקה
-
8:29 - 8:32היא בערך המערכת הכי טובה
בעולם לשם כך, -
8:32 - 8:37אפילו בהשוואה
להבנה אנושית. -
8:37 - 8:40זוהי מערכת אותה אנו בונים בחברה שלי
-
8:40 - 8:42שמראה איך מחברים את כל הדברים האלה.
-
8:42 - 8:44אלו תמונות להן לא מצורף טקסט,
-
8:44 - 8:47וכשאני מקליד את המשפטים האלה כאן,
-
8:47 - 8:50בזמן אמת זה מבין את התמונות האלו
-
8:50 - 8:51ומבין על מה הן
-
8:51 - 8:54ומבין שהתמונות דומות לטקסט שאני כותב.
-
8:54 - 8:57אז אתם רואים, זה למעשה
מבין את המשפטים שלי -
8:57 - 8:59וממש מבין את התמונות הללו.
-
8:59 - 9:02אני יודע שראיתם משהו דומה בגוגל,
-
9:02 - 9:05שבו אפשר להקליד דברים
וזה מראה לך תמונות, -
9:05 - 9:08אבל למעשה מה שזה עושה זה
לחפש בדף האינטרנט אחר טקסט. -
9:08 - 9:11זה מאוד שונה מאשר ממש להבין את התמונות.
-
9:11 - 9:14זה משהו שמחשבים
היו מסוגלים לעשות -
9:14 - 9:17בפעם הראשונה רק בחודשים האחרונים.
-
9:17 - 9:21אז אנו רואים עכשיו שמחשבים
יכולים לא רק לראות אלא גם לקרוא, -
9:21 - 9:25וכמובן, הראינו שהם יכולים
להבין את מה שהם שומעים. -
9:25 - 9:28אולי זה לא מפתיע כעת
שאני עומד לספר לכם שהם יכולים לכתוב. -
9:28 - 9:33הנה טקסט שייצרתי
על ידי אלגוריתם למידה עמוקה אתמול. -
9:33 - 9:37והנה טקסט שאלגוריתם
מסטנפורד ייצר. -
9:37 - 9:39כל אחד מהמשפטים הללו נוצר
-
9:39 - 9:43על יגי אלגוריתם למידה עמוקה
על מנת לתאר כל אחת מהתמונות האלו. -
9:43 - 9:48האלגוריתם הזה לא ראה לפני כן מעולם
איש בחולצה שחורה שמנגן בגיטרה. -
9:48 - 9:50הוא ראה אדם בעבר,
הוא ראה שחור בעבר, -
9:50 - 9:51הוא ראה גיטרה בעבר,
-
9:51 - 9:56אך הוא ייצר באופן עצמאי
את התיאור החדש של התמונה. -
9:56 - 9:59אנחנו עדיין לא בדיוק ברמה אנושית כאן,
אך אנחנו קרובים. -
9:59 - 10:03במבחנים, בני אדם מעדיפים
את הכותרת המיוצרת על ידי מחשב -
10:03 - 10:05אחת לכל ארבע פעמים.
-
10:05 - 10:07עכשיו המערכת הזו היא רק בת שבועיים,
-
10:07 - 10:09אז סביר שמתישהו בשנה הבאה,
-
10:09 - 10:12האלגוריתם הממוחשב יעבור בהרבה
את היכולות האנושיות -
10:12 - 10:13בקצב שבו דברים מתקדמים.
-
10:13 - 10:16אז מחשבים גם יכולים לכתוב.
-
10:16 - 10:20אם לוקחים את כל זה יחד
זה מוביל לאפשרויות מרגשות. -
10:20 - 10:21למשל, ברפואה,
-
10:21 - 10:24צוות בבוסטון הכריז שהם גילו
-
10:24 - 10:27עשרות מאפיינים רלוונטיים קלינית
-
10:27 - 10:31של גידולים, שיכולים לעזור לרופאים
לקבל פרוגנוזה של הסרטן. -
10:32 - 10:35באופן דומה, בסטנפורד,
-
10:35 - 10:38קבוצה הכריזה כי,
לאחר שהסתכלו על רקמות בהגדלה, -
10:38 - 10:41הם פיתחו מערכת
מבוססת למידה חישובית -
10:41 - 10:43שהיא למעשה טובה יותר
מפתולוגים אנושיים -
10:43 - 10:48בחיזוי סיכויי הישרדות
עבור הסובלים מסרטן. -
10:48 - 10:51בשני המקרים האלה, לא רק
שהתחזיות היו יותר מדוייקות, -
10:51 - 10:53אלא שהן גם הפיקו מדע חדש בעל תובנות.
-
10:53 - 10:55במקרה של הרדיולוגיה,
-
10:55 - 10:58היו אינדיקטורים קליניים חדשים
שבני אדם יכולים להבין. -
10:58 - 11:00במקרה הזה של הפתולוגיה,
-
11:00 - 11:04המערכת הממוחשבת גילתה למעשה
שהתאים שסביב הסרטן -
11:04 - 11:08הם חשובים כמו תאי הסרטן עצמם
-
11:08 - 11:09לאבחנה.
-
11:09 - 11:15זה ההיפך ממה שפתולוגים
למדו במשך עשורים. -
11:15 - 11:18בכל אחד משני המקרים הללו,
אלו היו מערכות שפותחו -
11:18 - 11:22על ידי שילוב של מומחים רפואיים
ומומחי למידה חישובית, -
11:22 - 11:24אך החל מהשנה שעברה,
אנחנו מעבר גם לכך. -
11:24 - 11:28הנה דוגמה לזיהוי איזורים סרטניים
-
11:28 - 11:30ברקמה אנושית תחת מיקרוסקופ.
-
11:30 - 11:35המערכת שאתם רואים כאן יכולה
לזהות את אותם איזורים באופו יותר מדוייק, -
11:35 - 11:38או בערך מדוייק באותה מידה,
כמו פתולוג אנושי, -
11:38 - 11:41אך נבנתה אך ורק על ידי
למידה עמוקה, ללא מומחיות רפואית -
11:41 - 11:44על ידי אנשים שאין להם רקע בתחום כלל.
-
11:45 - 11:47באופן דומה, כאן, הסגמנטציה של הנוירון.
-
11:47 - 11:51אנו יכולים כעת לחלק נוירונים לסגמנטים
כמעט באופן מדוייק כמו בני אדם, -
11:51 - 11:54אך המערכת הזו פותחה
על ידי למידה עמוקה -
11:54 - 11:57ואנשים ללא רקע ברפואה.
-
11:57 - 12:00אז אני, כמישהו ללא רקע ברפואה,
-
12:00 - 12:04נראה שאני מספיק מצוייד
להקים חברה רפואית חדשה. -
12:04 - 12:06וזה מה שעשיתי.
-
12:06 - 12:08הייתי די מבועת מכך,
-
12:08 - 12:11אבל התיאוריה הציעה
שזה צריך להיות אפשרי -
12:11 - 12:16לעשות רפואה שימושית
בשימוש בטכניקות אנליזת מידע בלבד. -
12:16 - 12:19ולמרבה המזל, המשוב היה פנטסנטי,
-
12:19 - 12:21לא רק מהתקשורת
אלא גם מהקהילה הרפואית, -
12:21 - 12:23שהיו מאוד תומכים.
-
12:23 - 12:27התאוריה היא שאנחנו יכולים
לקחת את חלק הביניים של התהליך הרפואי -
12:27 - 12:30ולהפוך אותו לאנליזת מידע ככל הניתן,
-
12:30 - 12:33ולאפשר לרופאים לעשות את
מה שהם הכי טובים בו. -
12:33 - 12:35אני רוצה לתת לכם דוגמה.
-
12:35 - 12:40כיום זה לוקח 15 דקות
לייצר מבחן דיאגנוסטי חדש -
12:40 - 12:42ואני אראה לכם זאת בזמן אמת עכשיו,
-
12:42 - 12:45אבל דחסתי את זה ל-3 דקות
על ידי הוצאת כמה חלקים. -
12:45 - 12:48במקום להראות לכם יצירת
מבחן דיאגנוסטי רפואי חדש, -
12:48 - 12:52אני הולך להראות לכם
מבחן דיאגנוסטי של תמונות של מכוניות, -
12:52 - 12:54בגלל שזה משהו שכולנו יכולים להבין.
-
12:54 - 12:57אז הנה אנחנו מתחילים עם
בערך 1.5 מיליון תמונות של מכוניות, -
12:57 - 13:00ואני רוצה ליצור משהו
שיכול לפצל אותם לזוית -
13:00 - 13:03שבה התמונה צולמה.
-
13:03 - 13:07אז התמונות האלה הן לגמרי לא מתוייגות,
אז אני צריך להתחיל מאפס. -
13:07 - 13:08בעזרת אלגוריתם הלמידה העמוקה שלנו,
-
13:08 - 13:12הוא יכול לזהות אוטומטית
איזורים של מבנה בתמונות אלו. -
13:12 - 13:16אז הדבר הנחמד הוא שהאדם
והמחשב יכולים לעבוד עתה יחד. -
13:16 - 13:18אז האדם, כמו שאתם רואים כאן,
-
13:18 - 13:21אומר למחשב על איזורי עניין
-
13:21 - 13:25שהוא רוצה שהמחשב ינסה
להשתמש בהם לשיפור האלגוריתם. -
13:25 - 13:30כעת, מערכות הלמידה העמוקה הללו
הן למעשה בחלל בעל 16,000 מימדים, -
13:30 - 13:33אז אתם רואים כאן שהמחשב
מסובב זאת דרך המרחב הזה, -
13:33 - 13:35ומנסה למצוא איזורים חדשים של מבנה.
-
13:35 - 13:37וכשהוא מצליח,
-
13:37 - 13:40האדם שנוהג בו יכול לציין את
האיזורים שמעניינים. -
13:40 - 13:43אז הנה, המחשב מצא בהצלחה איזורים,
-
13:43 - 13:46לדוגמה, זוויות.
-
13:46 - 13:47אז כשאנחנו מתקדמים בתהליך הזה,
-
13:47 - 13:50אנחנו בהדרגה אומרים
למחשב עוד ועוד -
13:50 - 13:52אודות סוגי המבנים שאנחנו מחפשים.
-
13:52 - 13:54אתם יכולים לדמיין זאת במבחן דיאגנוסטי
-
13:54 - 13:57זה יהיה פתולוג שמזהה
איזורי מחלה, לדוגמה, -
13:57 - 14:02או רדיולוג שמצביע על קשריות
שיכולות להיות בעייתיות. -
14:02 - 14:05ולפעמים זה יכול להיות קשה לאלגוריתם.
-
14:05 - 14:07במקרה הזה, הוא די התבלבל.
-
14:07 - 14:09החלקים הקדמיים והאחוריים
של המכוניות מעורבבים. -
14:09 - 14:11אז כאן עלינו להיות טיפה יותר זהירים,
-
14:11 - 14:15ולבחור באופן ידני את החלקים הקדמיים
בניגוד לאלו האחוריים, -
14:15 - 14:20ואז להגיד למחשב שזו סוג של קבוצה
-
14:20 - 14:22שאנחנו מעונינים בה.
-
14:22 - 14:24אז אנחנו עושים זאת למשך זמן מה,
מדלגים על קצת, -
14:24 - 14:26ואז אנחנו מאמנים את אלגוריתם
הלמידה החישובית -
14:26 - 14:28בהתבסס על אותם 200 דברים,
-
14:28 - 14:30ומקווים שהוא השתפר בהרבה.
-
14:30 - 14:34אתם רואים, הוא התחיל להדהות
כמה מהתמונות האלו, -
14:34 - 14:38ומראה לנו שהוא כבר מזהה
איך להבין כמה מאלה בעצמו. -
14:38 - 14:41אז אנחנו יכולים להשתמש בקונספט הזה
של תמונות דומות, -
14:41 - 14:43ועל ידי שימוש בתמונות דומות,
אתם יכולים עכשיו לראות, -
14:43 - 14:47שהמחשב בנקודה זו מסוגל
למצוא רק את החזית של מכוניות. -
14:47 - 14:50אז בנקודה זו,
האדם יכול לומר למחשב, -
14:50 - 14:52אוקיי, כן, עשית עבודה טובה.
-
14:54 - 14:56לפעמים, כמובן, אפילו בנקודה זו
-
14:56 - 15:00זה עדיין קשה להפריד בין קבוצות.
-
15:00 - 15:03במקרה הזה, אפילו אחרי שאנחנו נותנים למחשב
לנסות לסובב זאת למשך זמן מה, -
15:03 - 15:07אנחנו עדיין מוצאים שהתמונות
של הצדדים השמאלייים והימניים -
15:07 - 15:08מעורבבות זו בזו.
-
15:08 - 15:10אז אנחנו שוב יכולים לתת
למחשב כמה רמזים, -
15:10 - 15:13ולהגיד, אוקיי, נסה למצוא
תכנית שמפרידה -
15:13 - 15:16את צד ימין מצד שמאל עד כמה שניתן
-
15:16 - 15:18על ידי שימוש באלגוריתם הלמידה העמוקה הזה.
-
15:18 - 15:21ואחרי שנתנו לו את הרמז הזה--
אה, אוקיי, הוא הצליח. -
15:21 - 15:24הוא הצליח למצוא דרך
לחשוב על האובייקטים האלה -
15:24 - 15:26שהפרידו את זה יחד.
-
15:26 - 15:29אז אתם מבינים את הרעיון פה.
-
15:29 - 15:37זה לא מקרה שבו האדם מוחלף על ידי המחשב,
-
15:37 - 15:40אלא שהם עובדים יחד.
-
15:40 - 15:43מה שאנחנו עושים כאן הוא להחליף
משהו שהיה לוקח לצוות -
15:43 - 15:45של חמישה או שישה אנשים
בערך שבע שנים -
15:45 - 15:48ומחליפים אותו במשהו שלוקח 15 דקות
-
15:48 - 15:50לאדם אחד שפועל לבד.
-
15:50 - 15:54אז התהליך הזה לוקח בערך
ארבע או חמש חזרות. -
15:54 - 15:56אתם רואים עכשיו שיש לנו 62 אחוז
-
15:56 - 15:59מ-1.5 מיליון התמונות שלנו
מסווגות נכונה. -
15:59 - 16:01בנקודה זו, אנחנו יכולים
להתחיל די במהירות -
16:01 - 16:03לקחת חלקם גדולים במלואם,
-
16:03 - 16:06לעבור עליהם ולוודא שאין טעויות.
-
16:06 - 16:10היכן שישנן טעויות, אנו יכולים
ליידע את המחשב עליהן. -
16:10 - 16:13ועל ידי שימוש בסוג זה של תהליך
עבור כל אחת מהקבוצות השונות, -
16:13 - 16:15אנחנו עכשיו מגיעים ל-80 אחוזי הצלחה
-
16:15 - 16:18בסיווג מיליון וחצי התמונות.
-
16:18 - 16:20ובנקודה זו, זהו רק מקרה
-
16:20 - 16:23של מציאת המספר הקטן
שלא מסווג כראוי, -
16:23 - 16:26ולנסות להבין למה.
-
16:26 - 16:28על ידי שימוש בגישה זו,
-
16:28 - 16:32תוך 15 דקות אנו מגיעים
ל-97 אחוזי סיווג. -
16:32 - 16:37אז סוג כזה של טכניקה
יכול לאפשר לנו לתקן בעיה גדולה, -
16:37 - 16:40שהיא שיש חוסר במומחיות רפואית בעולם.
-
16:40 - 16:43פורום הכלכלה העולמי אומר
שיש בין 10X ו-20X -
16:43 - 16:46של מחסור ברופאים בעולם המתפתח,
-
16:46 - 16:47ושזה ייקח בערך 300 שנה
-
16:47 - 16:51לאמן מספיק אנשים לתקן את הבעיה הזו.
-
16:51 - 16:54אז דמיינו אם היינו יכולים
לעזור להגביר את היעילות שלהם -
16:54 - 16:56על ידי שימוש בגישת הלמידה העמוקה הזו?
-
16:56 - 16:59אז אני מאוד מתרגש מהאפשרויות.
-
16:59 - 17:01אני גם מאוד מודאג מהבעיות.
-
17:01 - 17:04הבעיה כאן היא שכל איזור בכחול על המפה
-
17:04 - 17:08הוא מקום שבו שירותים
הם מעל ל-80 אחוז מהתעסוקה. -
17:08 - 17:10מה זה שירותים?
-
17:10 - 17:11אלו שירותים.
-
17:11 - 17:16אלו הם גם בדיוק הדברים שמחשבים
בדיוק למדו איך לעשות. -
17:16 - 17:19אז 80 אחוז מהתעסוקה העולמית
בעולם המפותח -
17:19 - 17:22הם דברים שמחשבים בדיוק למדו איך לעשות.
-
17:22 - 17:23מה זה אומר?
-
17:23 - 17:26ובכן, זה יהיה בסדר.
הן יוחלפו בעבודות אחרות. -
17:26 - 17:29למשל, יהיו יותר עבודות
עבור מדעני נתונים. -
17:29 - 17:30ובכן, לא באמת.
-
17:30 - 17:33לא לוקח למדענים זמן רב
לבנות את הדברים הללו. -
17:33 - 17:36למשל, ארבעת האלגוריתמים האלה
נבנו כולם על ידי אותו אדם. -
17:36 - 17:38אז אם אתם חושבים, הו,
כל זה כבר קרה בעבר, -
17:38 - 17:42ראינו את התוצאות בעבר
כאשר דברים חדשים הגיעו -
17:42 - 17:44והם מוחלפים בעבודות חדשות,
-
17:44 - 17:46אבל מה העבודות החדשות הללו הולכות להיות?
-
17:46 - 17:49זה מאוד קשה בשבילנו להעריך זאת,
-
17:49 - 17:51בגלל שהביצועים האנושיים
גדלים בקצב ההדרגתי הזה, -
17:51 - 17:54אבל יש לנו עכשיו מערכת, למידה עמוקה,
-
17:54 - 17:57שאנחנו יודעים שממש גדלה
ביכולות שלה באופן אקספוננציאלי. -
17:57 - 17:59ואנחנו כאן.
-
17:59 - 18:01אז כרגע, אנחנו רואים את הדברים שסביבנו
-
18:01 - 18:03ואומרים, "הו, מחשבים
הם עדיין די טיפשים." נכון? -
18:03 - 18:06אבל תוך חמש שנים,
מחשבים יהיו מחוץ לטבלה הזו. -
18:06 - 18:10אז אנחנו צריכים להתחיל לחשוב
על היכולת הזו כבר עכשיו. -
18:10 - 18:12ראינו את זה קורה בעבר, כמובן.
-
18:12 - 18:14במהפכה התעשייתית,
-
18:14 - 18:17ראינו שינוי משמעותי ביכולות
הודות למנועים. -
18:18 - 18:21העניין הוא שאחרי זמן מה,
העניינים השתטחו. -
18:21 - 18:23הייתה הפרעה חברתית,
-
18:23 - 18:26אבל ברגע שהשתמשו במנועים על מנת
לייצר חשמל בכל המצבים, -
18:26 - 18:28דברים התחילו להירגע.
-
18:28 - 18:30מהפיכת הלמידה החישובית
-
18:30 - 18:33הולכת להיות שונה מאוד
מהמהפיכה התעשייתית, -
18:33 - 18:36כיוון שמהפיכת הלמידה החישובית,
היא לעולם לא נרגעת. -
18:36 - 18:39ככל שמחשבים יהיו יותר טובים
בפעילוית אינטלקטואליות, -
18:39 - 18:43כך הם יכולים לבנות מחשבים טובים יותר
שיהיו טובים יותר ביכולות אינטלקטואליות, -
18:43 - 18:45אז זה הולך להיות סוג של שינוי
-
18:45 - 18:47שהעולם למעשה לא חווה מעולם,
-
18:47 - 18:51אז ההבנה הקודמת שלכם
של מה אפשרי, היא שונה. -
18:51 - 18:53זה כבר מכה בנו.
-
18:53 - 18:56ב-25 השנים האחרונות,
כשפריון ההון הולך וגדל, -
18:56 - 19:01פריון העבודה נשאר שטוח,
למעשה אפילו מעט ירד. -
19:01 - 19:04אז אני רוצה שאנחנו נתחיל
לנהל את הדיון הזה כעת. -
19:04 - 19:07אני יודע שהרבה פעמים כשאני
מספר לאנשים על המצב הזה, -
19:07 - 19:09אנשים יכולים לבטל אותי.
-
19:09 - 19:10ובכן, מחשבים לא יכולים ממש לחשוב,
-
19:10 - 19:13הם לא מביעים רגשות,
הם לא מבינים שירה, -
19:13 - 19:16אנחנו לא ממש מבינים איך הם עובדים.
-
19:16 - 19:17אז מה?
-
19:17 - 19:19מחשבים כרגע יכולים לעשות את הדברים
-
19:19 - 19:22שבני אדם מקבלים תשלום
לעשות במשך רוב חייהם, -
19:22 - 19:24אז עכשיו הזמן להתחיל לחשוב
-
19:24 - 19:28על איך אנחנו הולכים להתאים את
המבנים החברתיים והכלכליים שלנו -
19:28 - 19:30כך שיהיו מודעים למציאות החדשה הזו.
-
19:30 - 19:31תודה.
-
19:31 - 19:32(מחיאות כפיים)
- Title:
- ההשלכות הנפלאות והמבעיתות של מה שמחשבים יכולים ללמוד
- Speaker:
- ג'רמי הווארד
- Description:
-
מה קורה כאשר אנו מלמדים מחשב איך ללמוד? הטכנולוג ג'רמי הווארד חולק כמה פיתוחים חדשים ומפתיעים בתחום המתקדם במהירות של למידה עמוקה, טכניקה שיכולה להעניק למחשבים את היכולת ללמוד סינית, או לזהות חפצים בתמונות, או לעזור לגבש אבחנה רפואית. (כלי אחד של למידה עמוקה, אחרי צפייה של שעות ביוטיוב, לימד את עצמו את הקונספט של "חתולים".) בואו להיות מרותקים לתחום שישנה את הדרך בה המחשבים שסביבכם מתנהגים... מוקדם מכפי שאתם מצפים.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Ido Dekkers approved Hebrew subtitles for The wonderful and terrifying implications of computers that can learn | ||
Zeeva Livshitz edited Hebrew subtitles for The wonderful and terrifying implications of computers that can learn | ||
Zeeva Livshitz edited Hebrew subtitles for The wonderful and terrifying implications of computers that can learn | ||
Zeeva Livshitz edited Hebrew subtitles for The wonderful and terrifying implications of computers that can learn | ||
Zeeva Livshitz accepted Hebrew subtitles for The wonderful and terrifying implications of computers that can learn | ||
Shir Ben Asher Kestin edited Hebrew subtitles for The wonderful and terrifying implications of computers that can learn | ||
Shir Ben Asher Kestin edited Hebrew subtitles for The wonderful and terrifying implications of computers that can learn | ||
Shir Ben Asher Kestin edited Hebrew subtitles for The wonderful and terrifying implications of computers that can learn |