Hebrew subtitles

ההשלכות הנפלאות והמבעיתות של מה שמחשבים יכולים ללמוד

Get Embed Code
30 Languages

Showing Revision 19 created 01/10/2015 by Zeeva Livshitz.

  1. פעם, אם רצית לגרום למחשב לעשות משהו חדש
  2. היית צריך לתכנת אותו.
  3. כעת, תכנות, למי מכם
    שלא עשו זאת בעצמם,
  4. דורש לפרוש בפירוט מייגע

  5. כל צעד וצעד שאתה רוצה שהמחשב יעשה
  6. על מנת להשיג את המטרה שלך.
  7. כעת, אם אתה רוצה לעשות משהו
    שאתה לא יודע איך לעשות בעצמך,
  8. אז זה הולך להיות אתגר רציני.
  9. אז זה היה האתגר שעמד בפני
    האיש הזה, ארתור סמואל.
  10. ב-1956, הוא רצה לגרום למחשב הזה

  11. להיות מסוגל להביס אותו בדמקה.
  12. איך אתה יכול לכתוב תוכנה,
  13. לפרוש בפירוט מייגע,
    איך להיות יותר טוב ממך בדמקה?
  14. אז הוא הגה רעיון:
  15. הוא נתן למחשב לשחק
    נגד עצמו אלפי פעמים
  16. וללמוד איך לשחק דמקה.
  17. ואכן זה עבד, ולמעשה עד 1962,
  18. המחשב הזה ניצח את האלוף של קונטיקט.
  19. אז ארתור סמואל היה אבי הלמידה החישובית.
  20. ואני חב לו חוב ענק.

  21. בגלל שאני עוסק בלמידה חישובית.
  22. הייתי הנשיא של קאגל,
  23. קהילה שמונה מעל 200,000 אנשים
    שעוסקים בלמידה חישובית.
  24. קאגל מארגנת תחרויות
  25. לנסות ולגרום להם לפתור
    בעיות שלא נפתרו עד כה,
  26. וזו הייתה הצלחה מאות פעמים.
  27. אז מתצפית מנקודת יתרון זו,
    הצלחתי לגלות
  28. הרבה על מה שלמידה חישובית
    יכולה לעשות בעבר, לעשות היום,
  29. ומה היא יכולה לעשות בעתיד.
  30. אולי ההצלחה הגדולה הראשונה של
    למידה חישובית באופן מסחרי הייתה גוגל.
  31. גוגל הראתה שזה אפשרי למצוא מידע
  32. על ידי שימוש באלגוריתם ממוחשב,
  33. והאלגוריתם הזה
    מבוסס על למידה חישובית.
  34. מאז, היו הרבה הצלחות מסחריות
    של למידה ממוחשבת.
  35. חברות כמו אמזון ונטפליקס
  36. משתמשות בלמידה חישובית
    כדי להציע מוצרים שאולי תרצה לקנות,
  37. סרטים שאולי תרצה לראות.
  38. לפעמים, זה כמעט מפחיד.
  39. חברות כמו לינקדאין ופייסבוק
  40. לפעמים אומרות לך מי
    עשויים להיות החברים שלך
  41. ואין לך מושג איך הן עשו את זה,
  42. וזה בגלל שהן משתמשות בכוחה
    של הלמידה החישובית.
  43. אלו הם אלגוריתמים שלמדו
    איך לעשות זאת מנתונים
  44. במקום להיות מתוכנתות לעשות
    זאת באופן ידני.
  45. כך גם IBM הצליחה

  46. לגרום לווטסון להביס
    את שני אלופי העולם ב"ג'פרדי",
  47. ולענות על שאלות עדינות ומורכבות
    להפליא כמו זאת:
  48. ["ה'אריה של נמרוד' העתיק נעלם מהמוזיאון
    הלאומי של העיר הזאת ב-2003 (יחד עם עוד הרבה דברים)"]
  49. זו גם הסיבה בגללה אנו עכשיו
    רואים את המכוניות הראשונות שנוהגות לבד.
  50. אם אתם רוצים להיות מסוגלים
    להבחין בין, למשל,
  51. עץ והולך רגל, ובכן,
    זה די חשוב.
  52. אנחנו לא יודעים איך לכתוב
    את התוכנות הללו באופן ידני,
  53. אך עם למידה חישובית,
    זה אפשרי כעת.
  54. ולמעשה, המכונית הזו נסעה מעל
    מיליון מיילים
  55. ללא אף תאונה בכבישים רגילים.
  56. אז אנחנו יודעים שמחשבים יכולים ללמוד,

  57. ומחשבים יכולים ללמוד לעשות דברים
  58. שאנחנו למעשה לפעמים
    לא יודעים לעשות בעצמנו,
  59. או אולי יכולים לעשות אותם יותר טוב מאיתנו.
  60. אחת מהדוגמאות המדהימות ביותר
    שראיתי ללמידה חישובית
  61. קרתה בפרוייקט שהובלתי בקאגל
  62. שבו צוות שהובל על ידי
    בחור בשם ג'פרי הינטון
  63. מאוניברסיטת טורונטו
  64. זכה בתחרות על
    פיתוח תרופות אוטומטי.
  65. כעת, מה שמדהים פה זה לא רק שהם ניצחו
  66. את כל האלגוריתמים שפותחו על ידי מרק
    או קהילת האקדמיה העולמית,
  67. אלא שלאף אחד בצוות לא היה רקע
    בכימיה, ביולוגיה או מדעי החיים,
  68. והם עשו זאת בשבועיים.
  69. איך הם עשו זאת?
  70. הם השתמשו באלגוריתם
    יוצא דופן שנקרא למידה עמוקה.
  71. זה היה כל כך חשוב
    שההצלחה סוקרה
  72. בניו יורק טיימס במאמר בעמוד הראשי
    כמה שבועות לאחר מכן.
  73. זה ג'פרי הינטון
    כאן משמאל.
  74. למידה עמוקה הוא אלגוריתם
    ששואב השראה מהמוח האנושי,
  75. וכתוצאה מכך הוא אלגוריתם
  76. שאין לו מגבלות תיאורטיות
    על מה שהוא מסוגל לעשות.
  77. ככל שנותנים לו יותר נתונים וזמן חישוב,
  78. כך הוא משתפר.
  79. הניו יורק טיימס גם
    הראה במאמר הזה

  80. תוצאה מדהימה נוספת
    של למידה חישובית
  81. שאני הולך להראות לכם כעת.
  82. הם מראים שמחשבים יכולים
    להקשיב ולהבין.
  83. (וידאו) ריצ'רד ראשיד: עכשיו, הצעד האחרון

  84. שאני רוצה להיות מסוגל לבצע בתהליך הזה
  85. הוא למעשה לדבר אליכם בסינית.
  86. עכשיו המפתח פה,
  87. הוא שהצלחנו לקחת כמות גדולה
    של מידע מהרבה דוברי סינית
  88. ולייצר מערכת של טקסט-לדיבור
  89. שלוקחת טקסט בסינית
    והופכת אותו לשפה סינית,
  90. ואז לקחנו כשעה של הקול שלי
  91. והשתמשנו בזה כדי להתאים
  92. את המערכת הסטנדרטית של טקסט-לדיבור
    כך שהיא תישמע כמוני.
  93. שוב, התוצאה לא מושלמת.
  94. יש למעשה די הרבה שגיאות.
  95. (בסינית)
  96. (מחיאות כפיים)
  97. יש הרבה עבודה לעשות בתחום הזה.
  98. (סינית)
  99. (מחיאות כפיים)
  100. (ג'רמי הווארד:) ובכן, זה היה בכנס
    למידה חישובית בסין.

  101. זה די נדיר, למעשה, בכנסים אקדמאים
  102. לשמוע מחיאות כפיים ספונטניות,
  103. למרות שכמובן לפעמים
    בכנסים של TEDx, הרגישו חופשי.
  104. כל מה שראיתם שם קרה עם למידה עמוקה.
  105. (מחיאות כפיים)
    תודה.
  106. התמלול לאנגלית היה למידה עמוקה.
  107. התרגום לסינית והטקסט
    מימין למעלה- למידה עמוקה.
  108. והבניה של הקול היתה למידה עמוקה גם כן.
  109. אז למידה עמוקה היא דבר מדהים.

  110. זה אלגוריתם יחיד שיכול לעשות כמעט הכל.
  111. וגיליתי ששנה קודם לכן,
    הוא גם למד לראות.
  112. בתחרות לא מוכרת בגרמניה
  113. בשם הבוחן הגרמני לביצועי זיהוי שלטי תנועה
  114. למידה עמוקה למדה לזהות
    שלטי תנועה כמו זה
  115. היא לא רק זיהתה את השלטים
  116. יותר טוב מכל אלגוריתם אחר,
  117. לוח התוצאות ממש הראה שהיא
    יותר טובה מאנשים,
  118. בערך פי 2 יותר טוב מאנשים.
  119. אז עד 2011, היתה לנו את הדוגמה הראשונה
  120. למחשבים שיכולים לראות יותר טוב מאנשים.
  121. מאז, הרבה התרחש.
  122. ב-2012, גוגל הכריזה שהיא
    נתנה לאלגוריתם למידה עמוקה
  123. לצפות בסרטוני יוטיוב
  124. והם עבדו על הנתונים על 16,000
    מחשבים למשך חודש,
  125. והמחשב למד באופן עצמאי על
    מושגים כמו אנשים וחתולים
  126. רק מצפייה בסרטונים.
  127. זה מאוד דומה לדרך בה אנשים לומדים.
  128. בני אדם לא לומדים על ידי כך
    שאומרים להם מה הם רואים,
  129. אלא על ידי למידה עצמאית
    של מהם אותם דברים.
  130. גם ב-2012, ג'פרי הינטון,
    שראינו קודם,
  131. ניצח בתחרות אימג'נט המאוד פופולרית,
  132. שביקשה לנסות לגלות על
    1.5 מיליון תמונות
  133. תמונות של מה הן.
  134. נכון ל-2014, ירדנו
    לשיעור שגיאות של 6%
  135. בזיהוי תמונה.
  136. זה יותר טוב מאנשים, שוב.
  137. אז מכונות באמת עושות עבודה מצויינת בכך,

  138. וזה עכשיו נכנס לשימוש בתעשייה.
  139. למשל, גוגל הכריזה בשנה שעברה
  140. שהם מיפו כל מיקום ומיקום בצרפת תוך שעתיים,
  141. והדרך בה הם עשו זאת היתה
    הזנת תמונות רחוב
  142. לאלגוריתם למידה עמוקה
    שיזהה ויקרא מספרי רחובות.
  143. דמיינו כמה זמן זה היה לוקח בעבר:
  144. עשרות אנשים, שנים רבות.
  145. זה גם קורה בסין.
  146. באידו הוא סוג של
    הגוגל הסיני, אני מניח.
  147. ומה שרואים כאן בשמאל למעלה
  148. הוא דוגמה לתמונה שאני העליתי
    למערכת הלמידה העמוקה של באידו,
  149. ומתחת אפשר לראות שהמערכת הבינה מה התמונה
  150. ומצאה תמונות דומות.
  151. לתמונות הדומות למעשה יש רקעים דומים,
  152. כיווני פרצופים דומים,
  153. אפילו כמה עם הלשון בחוץ.
  154. זה לא להסתכל על טקסט של דף אינטרנט.
  155. כל מה שאני העליתי היה תמונה.
  156. אז כעת יש לנו מחשבים שבאמת
    מבינים מה הם רואים
  157. ולכן יכולים לחפש במאגרי מידע
  158. של מאות מיליוני תמונות בזמן אמת.
  159. אז מה זה אומר
    עכשיו שמחשבים יכולים לראות?

  160. ובכן, זה לא רק
    שמחשבים יכולים לראות.
  161. למעשה, למידה עמוקה
    עשתה יותר מכך.
  162. משפטים מורכבים עם ניואנסים, כמו זה
  163. הם כעת מובנים בעזרת
    אלגוריתמים של למידה עמוקה.
  164. כמו שאתם רואים פה,
  165. המערכת הזו שמבוססת בסטנפורד
    שמראה את הנקודה האדומה למעלה
  166. הבינה שהמשפט הזה מבטא רגש שלילי.
  167. למידה עמוקה היא כעת למעשה
    כמעט ברמה של בן אדם
  168. בלהבין על מה משפטים מדברים
    ומה הם אומרים על אותם דברים.
  169. בנוסף, עשו שימוש בלמידה עמוקה
    לקריאת סינית,
  170. שוב, בערך ברמה של דובר סינית מלידה.
  171. האלגוריתם הזה שפותח בשוויץ
  172. על ידי אנשים שאף אחד
    מהם לא דובר או מבין סינית.
  173. כמו שאמרתי, שימוש בלמידה עמוקה
  174. היא בערך המערכת הכי טובה
    בעולם לשם כך,
  175. אפילו בהשוואה
    להבנה אנושית.
  176. זוהי מערכת אותה אנו בונים בחברה שלי

  177. שמראה איך מחברים את כל הדברים האלה.
  178. אלו תמונות להן לא מצורף טקסט,
  179. וכשאני מקליד את המשפטים האלה כאן,
  180. בזמן אמת זה מבין את התמונות האלו
  181. ומבין על מה הן
  182. ומבין שהתמונות דומות לטקסט שאני כותב.
  183. אז אתם רואים, זה למעשה
    מבין את המשפטים שלי
  184. וממש מבין את התמונות הללו.
  185. אני יודע שראיתם משהו דומה בגוגל,
  186. שבו אפשר להקליד דברים
    וזה מראה לך תמונות,
  187. אבל למעשה מה שזה עושה זה
    לחפש בדף האינטרנט אחר טקסט.
  188. זה מאוד שונה מאשר ממש להבין את התמונות.
  189. זה משהו שמחשבים
    היו מסוגלים לעשות
  190. בפעם הראשונה רק בחודשים האחרונים.
  191. אז אנו רואים עכשיו שמחשבים
    יכולים לא רק לראות אלא גם לקרוא,

  192. וכמובן, הראינו שהם יכולים
    להבין את מה שהם שומעים.
  193. אולי זה לא מפתיע כעת
    שאני עומד לספר לכם שהם יכולים לכתוב.
  194. הנה טקסט שייצרתי
    על ידי אלגוריתם למידה עמוקה אתמול.
  195. והנה טקסט שאלגוריתם
    מסטנפורד ייצר.
  196. כל אחד מהמשפטים הללו נוצר
  197. על יגי אלגוריתם למידה עמוקה
    על מנת לתאר כל אחת מהתמונות האלו.
  198. האלגוריתם הזה לא ראה לפני כן מעולם
    איש בחולצה שחורה שמנגן בגיטרה.
  199. הוא ראה אדם בעבר,
    הוא ראה שחור בעבר,
  200. הוא ראה גיטרה בעבר,
  201. אך הוא ייצר באופן עצמאי
    את התיאור החדש של התמונה.
  202. אנחנו עדיין לא בדיוק ברמה אנושית כאן,
    אך אנחנו קרובים.
  203. במבחנים, בני אדם מעדיפים
    את הכותרת המיוצרת על ידי מחשב
  204. אחת לכל ארבע פעמים.
  205. עכשיו המערכת הזו היא רק בת שבועיים,
  206. אז סביר שמתישהו בשנה הבאה,
  207. האלגוריתם הממוחשב יעבור בהרבה
    את היכולות האנושיות
  208. בקצב שבו דברים מתקדמים.
  209. אז מחשבים גם יכולים לכתוב.
  210. אם לוקחים את כל זה יחד
    זה מוביל לאפשרויות מרגשות.

  211. למשל, ברפואה,
  212. צוות בבוסטון הכריז שהם גילו
  213. עשרות מאפיינים רלוונטיים קלינית
  214. של גידולים, שיכולים לעזור לרופאים
    לקבל פרוגנוזה של הסרטן.
  215. באופן דומה, בסטנפורד,
  216. קבוצה הכריזה כי,
    לאחר שהסתכלו על רקמות בהגדלה,
  217. הם פיתחו מערכת
    מבוססת למידה חישובית
  218. שהיא למעשה טובה יותר
    מפתולוגים אנושיים
  219. בחיזוי סיכויי הישרדות
    עבור הסובלים מסרטן.
  220. בשני המקרים האלה, לא רק
    שהתחזיות היו יותר מדוייקות,
  221. אלא שהן גם הפיקו מדע חדש בעל תובנות.
  222. במקרה של הרדיולוגיה,
  223. היו אינדיקטורים קליניים חדשים
    שבני אדם יכולים להבין.
  224. במקרה הזה של הפתולוגיה,
  225. המערכת הממוחשבת גילתה למעשה
    שהתאים שסביב הסרטן
  226. הם חשובים כמו תאי הסרטן עצמם
  227. לאבחנה.
  228. זה ההיפך ממה שפתולוגים
    למדו במשך עשורים.
  229. בכל אחד משני המקרים הללו,
    אלו היו מערכות שפותחו
  230. על ידי שילוב של מומחים רפואיים
    ומומחי למידה חישובית,
  231. אך החל מהשנה שעברה,
    אנחנו מעבר גם לכך.
  232. הנה דוגמה לזיהוי איזורים סרטניים
  233. ברקמה אנושית תחת מיקרוסקופ.
  234. המערכת שאתם רואים כאן יכולה
    לזהות את אותם איזורים באופו יותר מדוייק,
  235. או בערך מדוייק באותה מידה,
    כמו פתולוג אנושי,
  236. אך נבנתה אך ורק על ידי
    למידה עמוקה, ללא מומחיות רפואית
  237. על ידי אנשים שאין להם רקע בתחום כלל.
  238. באופן דומה, כאן, הסגמנטציה של הנוירון.
  239. אנו יכולים כעת לחלק נוירונים לסגמנטים
    כמעט באופן מדוייק כמו בני אדם,
  240. אך המערכת הזו פותחה
    על ידי למידה עמוקה
  241. ואנשים ללא רקע ברפואה.
  242. אז אני, כמישהו ללא רקע ברפואה,

  243. נראה שאני מספיק מצוייד
    להקים חברה רפואית חדשה.
  244. וזה מה שעשיתי.
  245. הייתי די מבועת מכך,
  246. אבל התיאוריה הציעה
    שזה צריך להיות אפשרי
  247. לעשות רפואה שימושית
    בשימוש בטכניקות אנליזת מידע בלבד.
  248. ולמרבה המזל, המשוב היה פנטסנטי,
  249. לא רק מהתקשורת
    אלא גם מהקהילה הרפואית,
  250. שהיו מאוד תומכים.
  251. התאוריה היא שאנחנו יכולים
    לקחת את חלק הביניים של התהליך הרפואי
  252. ולהפוך אותו לאנליזת מידע ככל הניתן,
  253. ולאפשר לרופאים לעשות את
    מה שהם הכי טובים בו.
  254. אני רוצה לתת לכם דוגמה.
  255. כיום זה לוקח 15 דקות
    לייצר מבחן דיאגנוסטי חדש
  256. ואני אראה לכם זאת בזמן אמת עכשיו,
  257. אבל דחסתי את זה ל-3 דקות
    על ידי הוצאת כמה חלקים.
  258. במקום להראות לכם יצירת
    מבחן דיאגנוסטי רפואי חדש,
  259. אני הולך להראות לכם
    מבחן דיאגנוסטי של תמונות של מכוניות,
  260. בגלל שזה משהו שכולנו יכולים להבין.
  261. אז הנה אנחנו מתחילים עם
    בערך 1.5 מיליון תמונות של מכוניות,

  262. ואני רוצה ליצור משהו
    שיכול לפצל אותם לזוית
  263. שבה התמונה צולמה.
  264. אז התמונות האלה הן לגמרי לא מתוייגות,
    אז אני צריך להתחיל מאפס.
  265. בעזרת אלגוריתם הלמידה העמוקה שלנו,
  266. הוא יכול לזהות אוטומטית
    איזורים של מבנה בתמונות אלו.
  267. אז הדבר הנחמד הוא שהאדם
    והמחשב יכולים לעבוד עתה יחד.
  268. אז האדם, כמו שאתם רואים כאן,
  269. אומר למחשב על איזורי עניין
  270. שהוא רוצה שהמחשב ינסה
    להשתמש בהם לשיפור האלגוריתם.
  271. כעת, מערכות הלמידה העמוקה הללו
    הן למעשה בחלל בעל 16,000 מימדים,
  272. אז אתם רואים כאן שהמחשב
    מסובב זאת דרך המרחב הזה,
  273. ומנסה למצוא איזורים חדשים של מבנה.
  274. וכשהוא מצליח,
  275. האדם שנוהג בו יכול לציין את
    האיזורים שמעניינים.
  276. אז הנה, המחשב מצא בהצלחה איזורים,
  277. לדוגמה, זוויות.
  278. אז כשאנחנו מתקדמים בתהליך הזה,
  279. אנחנו בהדרגה אומרים
    למחשב עוד ועוד
  280. אודות סוגי המבנים שאנחנו מחפשים.
  281. אתם יכולים לדמיין זאת במבחן דיאגנוסטי
  282. זה יהיה פתולוג שמזהה
    איזורי מחלה, לדוגמה,
  283. או רדיולוג שמצביע על קשריות
    שיכולות להיות בעייתיות.
  284. ולפעמים זה יכול להיות קשה לאלגוריתם.
  285. במקרה הזה, הוא די התבלבל.
  286. החלקים הקדמיים והאחוריים
    של המכוניות מעורבבים.
  287. אז כאן עלינו להיות טיפה יותר זהירים,
  288. ולבחור באופן ידני את החלקים הקדמיים
    בניגוד לאלו האחוריים,
  289. ואז להגיד למחשב שזו סוג של קבוצה
  290. שאנחנו מעונינים בה.
  291. אז אנחנו עושים זאת למשך זמן מה,
    מדלגים על קצת,

  292. ואז אנחנו מאמנים את אלגוריתם
    הלמידה החישובית
  293. בהתבסס על אותם 200 דברים,
  294. ומקווים שהוא השתפר בהרבה.
  295. אתם רואים, הוא התחיל להדהות
    כמה מהתמונות האלו,
  296. ומראה לנו שהוא כבר מזהה
    איך להבין כמה מאלה בעצמו.
  297. אז אנחנו יכולים להשתמש בקונספט הזה
    של תמונות דומות,
  298. ועל ידי שימוש בתמונות דומות,
    אתם יכולים עכשיו לראות,
  299. שהמחשב בנקודה זו מסוגל
    למצוא רק את החזית של מכוניות.
  300. אז בנקודה זו,
    האדם יכול לומר למחשב,
  301. אוקיי, כן, עשית עבודה טובה.
  302. לפעמים, כמובן, אפילו בנקודה זו

  303. זה עדיין קשה להפריד בין קבוצות.
  304. במקרה הזה, אפילו אחרי שאנחנו נותנים למחשב
    לנסות לסובב זאת למשך זמן מה,
  305. אנחנו עדיין מוצאים שהתמונות
    של הצדדים השמאלייים והימניים
  306. מעורבבות זו בזו.
  307. אז אנחנו שוב יכולים לתת
    למחשב כמה רמזים,
  308. ולהגיד, אוקיי, נסה למצוא
    תכנית שמפרידה
  309. את צד ימין מצד שמאל עד כמה שניתן
  310. על ידי שימוש באלגוריתם הלמידה העמוקה הזה.
  311. ואחרי שנתנו לו את הרמז הזה--
    אה, אוקיי, הוא הצליח.
  312. הוא הצליח למצוא דרך
    לחשוב על האובייקטים האלה
  313. שהפרידו את זה יחד.
  314. אז אתם מבינים את הרעיון פה.

  315. זה לא מקרה שבו האדם מוחלף על ידי המחשב,
  316. אלא שהם עובדים יחד.
  317. מה שאנחנו עושים כאן הוא להחליף
    משהו שהיה לוקח לצוות
  318. של חמישה או שישה אנשים
    בערך שבע שנים
  319. ומחליפים אותו במשהו שלוקח 15 דקות
  320. לאדם אחד שפועל לבד.
  321. אז התהליך הזה לוקח בערך
    ארבע או חמש חזרות.

  322. אתם רואים עכשיו שיש לנו 62 אחוז
  323. מ-1.5 מיליון התמונות שלנו
    מסווגות נכונה.
  324. בנקודה זו, אנחנו יכולים
    להתחיל די במהירות
  325. לקחת חלקם גדולים במלואם,
  326. לעבור עליהם ולוודא שאין טעויות.
  327. היכן שישנן טעויות, אנו יכולים
    ליידע את המחשב עליהן.
  328. ועל ידי שימוש בסוג זה של תהליך
    עבור כל אחת מהקבוצות השונות,
  329. אנחנו עכשיו מגיעים ל-80 אחוזי הצלחה
  330. בסיווג מיליון וחצי התמונות.
  331. ובנקודה זו, זהו רק מקרה
  332. של מציאת המספר הקטן
    שלא מסווג כראוי,
  333. ולנסות להבין למה.
  334. על ידי שימוש בגישה זו,
  335. תוך 15 דקות אנו מגיעים
    ל-97 אחוזי סיווג.
  336. אז סוג כזה של טכניקה
    יכול לאפשר לנו לתקן בעיה גדולה,

  337. שהיא שיש חוסר במומחיות רפואית בעולם.
  338. פורום הכלכלה העולמי אומר
    שיש בין 10X ו-20X
  339. של מחסור ברופאים בעולם המתפתח,
  340. ושזה ייקח בערך 300 שנה
  341. לאמן מספיק אנשים לתקן את הבעיה הזו.
  342. אז דמיינו אם היינו יכולים
    לעזור להגביר את היעילות שלהם
  343. על ידי שימוש בגישת הלמידה העמוקה הזו?
  344. אז אני מאוד מתרגש מהאפשרויות.

  345. אני גם מאוד מודאג מהבעיות.
  346. הבעיה כאן היא שכל איזור בכחול על המפה
  347. הוא מקום שבו שירותים
    הם מעל ל-80 אחוז מהתעסוקה.
  348. מה זה שירותים?
  349. אלו שירותים.
  350. אלו הם גם בדיוק הדברים שמחשבים
    בדיוק למדו איך לעשות.
  351. אז 80 אחוז מהתעסוקה העולמית
    בעולם המפותח
  352. הם דברים שמחשבים בדיוק למדו איך לעשות.
  353. מה זה אומר?
  354. ובכן, זה יהיה בסדר.
    הן יוחלפו בעבודות אחרות.
  355. למשל, יהיו יותר עבודות
    עבור מדעני נתונים.
  356. ובכן, לא באמת.
  357. לא לוקח למדענים זמן רב
    לבנות את הדברים הללו.
  358. למשל, ארבעת האלגוריתמים האלה
    נבנו כולם על ידי אותו אדם.
  359. אז אם אתם חושבים, הו,
    כל זה כבר קרה בעבר,
  360. ראינו את התוצאות בעבר
    כאשר דברים חדשים הגיעו
  361. והם מוחלפים בעבודות חדשות,
  362. אבל מה העבודות החדשות הללו הולכות להיות?
  363. זה מאוד קשה בשבילנו להעריך זאת,
  364. בגלל שהביצועים האנושיים
    גדלים בקצב ההדרגתי הזה,
  365. אבל יש לנו עכשיו מערכת, למידה עמוקה,
  366. שאנחנו יודעים שממש גדלה
    ביכולות שלה באופן אקספוננציאלי.
  367. ואנחנו כאן.
  368. אז כרגע, אנחנו רואים את הדברים שסביבנו
  369. ואומרים, "הו, מחשבים
    הם עדיין די טיפשים." נכון?
  370. אבל תוך חמש שנים,
    מחשבים יהיו מחוץ לטבלה הזו.
  371. אז אנחנו צריכים להתחיל לחשוב
    על היכולת הזו כבר עכשיו.
  372. ראינו את זה קורה בעבר, כמובן.

  373. במהפכה התעשייתית,
  374. ראינו שינוי משמעותי ביכולות
    הודות למנועים.
  375. העניין הוא שאחרי זמן מה,
    העניינים השתטחו.
  376. הייתה הפרעה חברתית,
  377. אבל ברגע שהשתמשו במנועים על מנת
    לייצר חשמל בכל המצבים,
  378. דברים התחילו להירגע.
  379. מהפיכת הלמידה החישובית
  380. הולכת להיות שונה מאוד
    מהמהפיכה התעשייתית,
  381. כיוון שמהפיכת הלמידה החישובית,
    היא לעולם לא נרגעת.
  382. ככל שמחשבים יהיו יותר טובים
    בפעילוית אינטלקטואליות,
  383. כך הם יכולים לבנות מחשבים טובים יותר
    שיהיו טובים יותר ביכולות אינטלקטואליות,
  384. אז זה הולך להיות סוג של שינוי
  385. שהעולם למעשה לא חווה מעולם,
  386. אז ההבנה הקודמת שלכם
    של מה אפשרי, היא שונה.
  387. זה כבר מכה בנו.

  388. ב-25 השנים האחרונות,
    כשפריון ההון הולך וגדל,
  389. פריון העבודה נשאר שטוח,
    למעשה אפילו מעט ירד.
  390. אז אני רוצה שאנחנו נתחיל
    לנהל את הדיון הזה כעת.

  391. אני יודע שהרבה פעמים כשאני
    מספר לאנשים על המצב הזה,
  392. אנשים יכולים לבטל אותי.
  393. ובכן, מחשבים לא יכולים ממש לחשוב,
  394. הם לא מביעים רגשות,
    הם לא מבינים שירה,
  395. אנחנו לא ממש מבינים איך הם עובדים.
  396. אז מה?
  397. מחשבים כרגע יכולים לעשות את הדברים
  398. שבני אדם מקבלים תשלום
    לעשות במשך רוב חייהם,
  399. אז עכשיו הזמן להתחיל לחשוב
  400. על איך אנחנו הולכים להתאים את
    המבנים החברתיים והכלכליים שלנו
  401. כך שיהיו מודעים למציאות החדשה הזו.
  402. תודה.
  403. (מחיאות כפיים)