1
00:00:01,280 --> 00:00:05,136
تقوم خوارزميات الحاسوب اليوم بمهام هائلة

2
00:00:05,160 --> 00:00:09,896
بدقة عالية، على نطاق واسع، 
وباستخدام ذكاء يشبه ذكاء الإنسان

3
00:00:09,920 --> 00:00:13,856
وغالباً ما يعرف ذكاء الحواسيب بال"أيه آي"

4
00:00:13,880 --> 00:00:15,736
أو الذكاء الاصطناعي

5
00:00:15,760 --> 00:00:19,960
والذي سيكون له تأثير كبير على حياتنا 
في المستقبل

6
00:00:20,880 --> 00:00:24,816
لكننا ما زلنا نواجه اليوم تحديات كثيرة

7
00:00:24,840 --> 00:00:28,336
في كشف وتشخيص العديد من الأمراض 
التي تهدد الحياة

8
00:00:28,360 --> 00:00:30,720
مثل الأمراض المُعدية والسرطان

9
00:00:32,000 --> 00:00:34,296
الآلاف من المرضى في كل عام

10
00:00:34,320 --> 00:00:37,120
يخسرون حياتهم بسبب سرطان الكبد والفم

11
00:00:37,880 --> 00:00:40,576
أفضل طريقة لمساعدة هؤلاء المرضى

12
00:00:40,600 --> 00:00:44,920
هي إجراء الكشف المبكر
وتشخيص هذه الأمراض.

13
00:00:45,880 --> 00:00:50,040
إذن كيف نكتشف هذه الأمراض اليوم،
وهل يمكن للذكاء الاصطناعي أن يساعد؟

14
00:00:51,920 --> 00:00:55,576
للأسف، فالمرضى الذين يشتبه 
بإصابتهم بهذه الأمراض،

15
00:00:55,600 --> 00:00:58,256
يطلب منهم الطبيب أولاً إجراء

16
00:00:58,280 --> 00:01:00,896
صور شعاعية متطورة ومكلفة جداً

17
00:01:00,920 --> 00:01:05,016
مثل التصوير الفلوري والأشعة المقطعية
والرنين المغناطيسي

18
00:01:05,040 --> 00:01:07,336
وبمجرد جمع هذه الصور

19
00:01:07,360 --> 00:01:11,880
يقوم طبيب آخر بتشخيص تلك الصور
والتحدث إلى المريض.

20
00:01:12,520 --> 00:01:15,976
كما ترون، تتطلب هذه العملية 
الكثير من الموارد

21
00:01:16,000 --> 00:01:20,416
كما تتطلب أطباء ذوي خبرة،
وتقنيات تصوير طبي مكلفة،

22
00:01:20,440 --> 00:01:23,536
وهذا الحل ليس عملياً
للعالم النامي

23
00:01:23,560 --> 00:01:26,920
وفي الحقيقة، للكثير من الدول
الصناعية كذلك.

24
00:01:27,760 --> 00:01:30,640
إذاً هل نستطيع حل هذه المشكلة،
باستخدام الذكاء الاصطناعي؟

25
00:01:31,840 --> 00:01:35,896
اليوم، إذا ما أردنا استخدام 
نقنيات الذكاء الاصطناعي التقليدي

26
00:01:35,920 --> 00:01:37,136
لحل هذه المشكلة

27
00:01:37,160 --> 00:01:38,616
فإننا بحاجة إلى عشرة آلاف...

28
00:01:38,640 --> 00:01:42,656
أكرر، بحدود 10 آلاف صورة
من هذه الصور الطبية المكلفة

29
00:01:42,680 --> 00:01:44,056
يجب أن تكون جاهزة أولاً

30
00:01:44,080 --> 00:01:46,976
بعد ذلك، نحن بحاجة لأطباء ذوي خبرة

31
00:01:47,000 --> 00:01:49,496
لتحليل هذه الصور لنا.

32
00:01:49,520 --> 00:01:51,616
وباستخدامنا لهذه المعلومات،

33
00:01:51,640 --> 00:01:55,296
يمكننا تدريب شبكة عصبونية عميقة نموذجية
أو شبكة تعلم عميق

34
00:01:55,320 --> 00:01:57,456
لتوفير التشخيص للمريض

35
00:01:57,480 --> 00:01:59,216
على غرار النهج الأول،

36
00:01:59,240 --> 00:02:01,383
فإن أساليب الذكاء الاصطناعي التقليدي

37
00:02:01,407 --> 00:02:02,856
تعاني من نفس المشكلة.

38
00:02:02,880 --> 00:02:07,440
كميات كبيرة من البيانات والأطباء الخبراء 
وتقنيات تصوير طبي متطورة.

39
00:02:08,320 --> 00:02:12,616
هل يمكننا إذًا إيجاد أساليب 
أكثر فعالية وقابلة للتوسع

40
00:02:12,640 --> 00:02:15,936
إضافة إلى طرق ذكاء اصطناعي قيمة

41
00:02:15,960 --> 00:02:19,016
لحل هذه المشاكل التي تواجهنا اليوم؟

42
00:02:19,040 --> 00:02:22,336
هذا تماماً هو ما تعمل عليه مجموعتنا 
في مختبر "إم آي تي ميديا لاب".

43
00:02:22,360 --> 00:02:26,216
اختراع مجموعة متنوعة 
من أساليب الذكاء الاصطناعي غير التقليدية

44
00:02:26,240 --> 00:02:29,416
لحل الكثير من التحديات التي تواجهنا اليوم

45
00:02:29,440 --> 00:02:31,640
في مجال التصوير الطبي والتجارب السريرية

46
00:02:32,480 --> 00:02:35,536
في المثال الذي عرضته اليوم،
كان لدينا هدفان

47
00:02:35,560 --> 00:02:38,536
الهدف الأول كان تقليص
عدد الصور الطبية المطلوبة

48
00:02:38,560 --> 00:02:41,816
لتدريب خوارزميات الذكاء الاصطناعي.

49
00:02:41,840 --> 00:02:43,936
أما الهدف الثاني، فهو أكثر طموحاً،

50
00:02:43,960 --> 00:02:47,696
كنا نريد التقليل من استخدام 
تقنيات التصوير الطبي عالية الكلفة

51
00:02:47,720 --> 00:02:48,936
لفحص المرضى

52
00:02:48,960 --> 00:02:50,160
إذاً كيف فعلنا ذلك؟

53
00:02:50,920 --> 00:02:52,136
بالنسبة لهدفنا الأول،

54
00:02:52,160 --> 00:02:54,216
بدلاً من البدء بالعشرات والآلاف

55
00:02:54,240 --> 00:02:57,256
من هذه الصور الطبية المكلفة، 
واستعمال الذكاء الاصطناعي التقليدي

56
00:02:57,280 --> 00:02:59,336
بدأنا بصورة طبية واحدة

57
00:02:59,360 --> 00:03:03,136
ومن خلال هذه الصورة، 
استطعت أنا وفريقي أن نجد أسلوبًا ذكيًّا

58
00:03:03,160 --> 00:03:05,896
لاستخراج المليارات من حزم المعلومات.

59
00:03:05,920 --> 00:03:09,616
تتضمن حزم المعلومات هذه: 
الألوان والبكسلات والأبعاد

60
00:03:09,640 --> 00:03:12,176
وتوصيفات المرض على الصورة الطبية.

61
00:03:12,200 --> 00:03:16,536
بمعنى آخر، قمنا بتحويل صورة واحدة
إلى مليارات النقاط من بيانات التدريب،

62
00:03:16,560 --> 00:03:20,096
مما قلل بشكل كبير من كمية البيانات 
اللازمة للتدريب

63
00:03:20,120 --> 00:03:21,336
بالنسبة للهدف الثاني،

64
00:03:21,360 --> 00:03:25,216
أي الحد من استخدام الصور الطبية المكلفة 
لفحص المرضى،

65
00:03:25,240 --> 00:03:28,096
بدأنا بصورة الضوء الأبيض القياسية،

66
00:03:28,120 --> 00:03:32,456
الملتقطة للمريض إما من آلة تصوير رقمية 
ذات عدسة أحادية عاكسة أو من هاتف محمول.

67
00:03:32,480 --> 00:03:34,936
المليارات من حزم المعلومات 
الذي ذكرناها قبل قليل؟

68
00:03:34,960 --> 00:03:38,496
قمنا بتركيبها على هذه الصورة،


69
00:03:38,520 --> 00:03:41,040
وأنشأنا ما نسميه صورة مركبة.

70
00:03:41,480 --> 00:03:44,776
وما أدهشنا هو أننا احتجنا فقط إلى 50 صورة

71
00:03:44,800 --> 00:03:46,136
أكرر، فقط خمسون صورة

72
00:03:46,160 --> 00:03:50,000
من هذه الصور المركبة، 
من أجل تدريب خوارزمياتنا لفعالية عالية

73
00:03:50,680 --> 00:03:52,016
لتلخيص طريقتنا،

74
00:03:52,040 --> 00:03:55,216
بدلاً من استخدام عشرة آلاف صورة
طبية عالية التكلفة

75
00:03:55,240 --> 00:03:58,256
يمكننا الآن تدريب خوارزميات الذكاء 
الاصطناعي بطريقة غير تقليدية

76
00:03:58,280 --> 00:04:02,360
باستخدام فقط 50 صورة 
قياسية عالية الجودة،

77
00:04:02,360 --> 00:04:05,476
ملتقطة بآلات تصوير رقمية 
ذات عدسة أحادية عاكسة وهواتف محمولة.

78
00:04:05,476 --> 00:04:06,616
لتوفير التشخيص.

79
00:04:06,640 --> 00:04:07,856
والأهم من هذا،

80
00:04:07,880 --> 00:04:11,016
فخوارزمياتنا يمكنها أن تقبل، 
في المستقبل وحتى في الوقت الحالي

81
00:04:11,040 --> 00:04:13,856
بعض الصور البسيطة جداً للمريض 
بتقنية الضوء الأبيض،

82
00:04:13,880 --> 00:04:16,320
عوضاً عن تقنيات التصوير الطبي المكلفة.

83
00:04:17,120 --> 00:04:20,216
أعتقد أننا مستعدون لدخول عصر

84
00:04:20,240 --> 00:04:22,176
حيث يمكن للذكاء الاصطناعي

85
00:04:22,200 --> 00:04:24,736
أن يؤثر فيه بشكل هائل على مستقبلنا

86
00:04:24,760 --> 00:04:27,216
وأعتقد أن التفكير 
في الذكاء الاصطناعي التقليدي

87
00:04:27,240 --> 00:04:30,016
الذي يعتبر غنيًّا بالبيانات 
وفقيرًا في التطبيق

88
00:04:30,040 --> 00:04:31,576
يجب علينا أيضاً متابعة التفكير،

89
00:04:31,600 --> 00:04:34,616
في طرق غير تقليدية لتطوير الذكاء الاصطناعي

90
00:04:34,640 --> 00:04:36,576
التي تتطلب فقط كمية محدودة من البيانات

91
00:04:36,600 --> 00:04:39,536
لحل بعض المشاكل الكبيرة
التي تواجهنا اليوم

92
00:04:39,560 --> 00:04:40,816
خاصة في الرعاية الصحية.

93
00:04:40,840 --> 00:04:42,056
شكراً جزيلاً لكم.

94
00:04:42,080 --> 00:04:45,920
(تصفيق)