0:00:14.641,0:00:16.809
בסדר גמור, תודה כריס[br]ותודה שאתם מארחים אותי פה.

0:00:16.809,0:00:19.441
האם כולם שומעים אותי טוב?

0:00:21.665,0:00:24.825
אז, היום אני הולך לדבר

0:00:24.825,0:00:27.094
על סוג של מידע[br]שמוכר לכולנו

0:00:27.094,0:00:30.861
ואני חושב שכולנו,[br]לפחות רובנו, באופן מהותי.

0:00:30.861,0:00:34.878
וזה מידע גאוגרפי[br]ובמיוחד תמונות של כדור הארץ.

0:00:34.878,0:00:38.131
ואנחנו כבר ראינו[br]כמה דוגמאות לזה היום.

0:00:38.131,0:00:41.839
אני אתחיל פה[br]עם תצוגה וסיפור קטן.

0:00:41.845,0:00:44.305
הייתי חייב להביא אביזר,[br]לא יכולתי להתאפק.

0:00:44.305,0:00:51.144
המקינטוש פאואר בוק 145 הישן שלי מ 1992.

0:00:51.144,0:00:56.052
זה המחשב הראשון[br]שהיה לי עם דיסק קשיח.

0:00:56.052,0:00:58.747
הוא הגיע עם 4, זה היה 4?

0:00:58.747,0:01:03.534
למעשה כ 6 מגה בייט של זיכרון.

0:01:03.534,0:01:07.434
זה היה עניין גדול [br]ואני הייתי המום מזה.

0:01:07.434,0:01:09.376
לא יכולתי להאמין שהיה לי כל כך הרבה זיכרון.

0:01:09.376,0:01:11.240
אני פשוט אניח את זה כאן.

0:01:11.240,0:01:14.610
אני לא האמנתי[br]שהיה לי כל כך הרבה זיכרון בקצות האצבעות שלי.

0:01:14.610,0:01:16.953
היום, לכולנו יש מחשבים.

0:01:16.979,0:01:19.178
אני יכול לרדת לסטייפלס [br]ולקנות מחשב

0:01:19.178,0:01:22.143
שיש לו רבע מיליון פעמים [br]יותר זיכרון מזה

0:01:22.143,0:01:25.149
בעבור 400$ או 600$[br]או משהו כזה.

0:01:25.149,0:01:27.930
זמנים השתנו[br]וזה היה לפני 20 שנה.

0:01:27.930,0:01:31.726
כתוצאה מכך, [br]עם כל כוח המחשוב הגדל,

0:01:31.726,0:01:34.393
אנחנו טובעים במידע.

0:01:34.393,0:01:36.236
אנחנו פשוט לחלוטין טובעים במידע.

0:01:36.236,0:01:38.775
ואחד מסוגי המידע[br]שאנחנו הכי טובעים בו

0:01:38.775,0:01:41.931
היא חישה מרחוק[br]או נתוני תמונות, נתוני לווין,

0:01:41.931,0:01:44.127
נתוני תצלומי אוויר, דברים כאלה.

0:01:44.127,0:01:46.345
וכולנו שיחקנו עם זה,[br]אני בטוח.

0:01:46.345,0:01:49.015
כולנו אוהבים גוגל כדור הארץ,[br]זה חינם וזה כיף.

0:01:49.015,0:01:51.728
וזה פשוט מלא בתמונות.

0:01:51.728,0:01:54.276
אז, מה אנחנו עושים עם כל הדברים האלה?

0:01:54.276,0:01:56.065
איך אנחנו עושים שימוש בזה?

0:01:56.065,0:01:59.014
הנה תמונה של בולטימור. [br]זאת בולטימור העירונית.

0:01:59.061,0:02:00.856
יש בה את כל האובייקטים הנפלאים האלה.

0:02:00.856,0:02:02.675
אני יכול להסתכל שם ולראות,

0:02:02.675,0:02:04.140
זה קשה עם המקרן הזה,

0:02:04.163,0:02:06.525
אבל אני יכול לראות עצים ובניינים,[br]ודברים כאלה.

0:02:06.549,0:02:07.890
ובואו נגיד

0:02:07.916,0:02:12.144
שרציתי בעצם לעשות איזשהו [br]מחקר כמותי עם זה.

0:02:12.144,0:02:14.262
נגיד שהייתי צריך לעשות משהו[br]שדורש לדעת

0:02:14.262,0:02:15.580
היכן בעצם היו העצים.

0:02:15.580,0:02:17.200
אני יכול לראות איפה נמצאים העצים,

0:02:17.200,0:02:20.392
אבל המחשב לא יודע,[br]אין לו מושג מהו עץ.

0:02:20.392,0:02:23.021
בואו נגיד שאני רציתי לעשות משהו כמו,

0:02:23.021,0:02:25.114
אלה למעשה המקומות של פשעים,

0:02:25.114,0:02:29.114
נגיד שרציתי לדעת[br]אם צפיפות של עצים משפיעה על פשע.

0:02:29.114,0:02:32.291
אין שום דרך שאני יכול לעשות את זה[br]עם תמונה בדרך שיש לנו את זה עכשיו,

0:02:32.291,0:02:35.894
בסביבת מחשוב.

0:02:35.894,0:02:38.645
וחלק מהסיבה לזה

0:02:38.645,0:02:41.395
היא שמחשבים[br]לא באמת טובים בלזהות דברים

0:02:41.395,0:02:43.348
כמו שאנחנו טובים בלזהות דברים.

0:02:43.348,0:02:47.911
אנחנו מצויינים בזיהוי[br]דברים עם הבדלים קלים מאוד.

0:02:47.911,0:02:50.572
אני יכול להגיד לכם בתוך שתי שניות

0:02:50.572,0:02:53.359
שזה ג'ורג' קרלין [br]וזה זיגמונד פרויד.

0:02:53.359,0:02:56.148
שזה הוא ביג לבובסקי [br]וזה אדי וודר.

0:02:56.148,0:02:59.896
עבורי לאמן את המחשב[br]לזהות את ההבדלים

0:02:59.896,0:03:03.644
בין ביג לבובסקי, א.ק.א. הברנש ואדי וודר,

0:03:03.644,0:03:07.394
היה לוקח לי כמויות זמן שלא ייאמנו.

0:03:07.394,0:03:11.648
ועדיין אני יכול לעשות זאת מיידית,[br]אז זה בעיה כאן.

0:03:11.648,0:03:14.866
אז, בואו ניגש לעניין כאן.

0:03:14.866,0:03:17.798
משמאל יש לי מידע גולמי.

0:03:17.824,0:03:20.510
צילום אינפרארד צבעוני של חישה מרחוק.

0:03:20.510,0:03:26.557
בצד ימין יש לי[br]שכבת מערכת מידע גיאוגרפית מסווגת.

0:03:26.573,0:03:29.644
זהו מידע שימושי.

0:03:29.644,0:03:33.944
המחשב יודע מה זה דשא,[br]מהם בניינים ויודע מהם עצים.

0:03:33.944,0:03:36.976
איך אני מגיע מאחד לשני?

0:03:36.976,0:03:41.223
זו חידה גדולה גדולה [br]בעולם של היום של נתונים ברזולוציה גבוהה.

0:03:41.223,0:03:44.192
הנה תמונה[br]של אזור עירוני טיפוסי.

0:03:44.192,0:03:46.144
אני מסתכל על זה ורואה[br]כל מיני תכונות

0:03:46.160,0:03:48.325
ואני רואה שזה ברזולוציה ממש טובה.

0:03:48.325,0:03:52.063
אם הייתי צריך לעבוד [br]עם נתוני חישה מרחוק לפני 15 שנה,

0:03:52.063,0:03:54.785
היו לי תמונות ברזולוציה גסה.

0:03:54.811,0:03:57.224
זהו אותו המיקום המדויק [br]באמצעות פיקסלים של 30 מטר.

0:03:57.224,0:04:01.980
אז, סיווג החומר הזה [br]היה דבר שונה באופן מהותי,

0:04:01.980,0:04:05.509
משום שכל מה שבאמת הייתי צריך לעשות [br]הוא להכנס לאזור הכללי של המגרש.

0:04:05.509,0:04:08.315
הפיקסלים האלו כאן[br]הם בגדול סוג של עירוניים,

0:04:08.315,0:04:11.121
הפיקסלים האלו בגדול סוג של יער.

0:04:11.121,0:04:14.707
אני לא באמת הייתי צריך לדעת[br]את הזהות המסויימת של חפצים.

0:04:14.707,0:04:18.587
עכשיו בהרצה קדימה להיום[br]ויש לי תמונה שאני יכול לעשות לה זום

0:04:18.587,0:04:23.472
ואני יכול לראות[br]מיליון סוגים שונים של דברים.

0:04:23.472,0:04:29.917
ממכוניות במגרש חנייה[br]למכולות,

0:04:29.917,0:04:33.818
למנופים במתקן המכולות

0:04:33.858,0:04:37.556
למכונות על גבי בניין

0:04:37.937,0:04:39.270
עד ל.., אני אוהב את זה,

0:04:39.270,0:04:42.908
זה הספינקס [br]במלון לוקסור בלאס וגאס.

0:04:42.908,0:04:45.088
תנסו להגיד למחשב מה זה.

0:04:45.088,0:04:48.504
הינה עוד אחד בלאס וגאס,[br]אני אוהבת את גוגל כדור הארץ בלאס וגאס,

0:04:48.504,0:04:50.024
זה הכי טוב, זה כל כך כיף.

0:04:50.024,0:04:52.746
זוהי בריכה טרופית בצורת דג.

0:04:52.793,0:04:56.218
שוב, לא כל כך קל להגיד למחשב[br]מה זה.

0:04:56.250,0:04:57.710
וזה הטוב מכולם.

0:04:57.757,0:05:03.103
אני מאמין שזאת תמונת לווין ברזולוציה גבוהה

0:05:03.103,0:05:07.496
של גמלים באמצע אפריקה[br]וזה חלק מפרויקט מגה טיסה מעל אפריקה

0:05:07.496,0:05:11.889
של גוגל ונשיונל גאוגרפיק,

0:05:11.889,0:05:14.056
המספר של דברים אפשריים

0:05:14.082,0:05:16.282
שאני צריך להכין מחשבים[br]להיות מוכנים להם,

0:05:16.282,0:05:18.687
הסוגים של אובייקטים[br]על גבי שטח כדור הארץ

0:05:18.713,0:05:20.345
שטח כדור הארץ,[br]הוא מדהים.

0:05:20.745,0:05:25.208
וזה פרוייקט[br]שלעולם לא נראה גמור,

0:05:25.208,0:05:29.381
הפרוייקט הזה של ללמד מחשבים[br]את הבינה מלאכותית,

0:05:29.381,0:05:31.663
לתת להם את הבינה המלאכותית [br]שהם צריכים

0:05:31.687,0:05:33.885
לזהות את כל הוריאציות על כדור הארץ.

0:05:33.909,0:05:35.353
הינה אחד אפילו יותר טוב.

0:05:35.369,0:05:38.114
זהו למעשה דבר אמיתי,[br]זהו הקולונל (KFC).

0:05:38.114,0:05:42.733
מישהו באמת עשה מגה אמנות[br]של הקולונל באמצע נבאדה.

0:05:43.233,0:05:46.371
זה מעניין[br]כמה רבים מאלו הגיעו מנבאדה.

0:05:46.400,0:05:48.828
(צחוק)

0:05:49.471,0:05:51.618
אז, בואו נסביר למה זה קשה

0:05:51.618,0:05:55.125
להשתמש בשיטות[br]שתמיד השתמשנו בהן בעבר

0:05:55.125,0:05:58.302
עבור הדור הזה[br]של תמונות ברזולוציה גבוהה.

0:05:58.302,0:06:01.337
הנה תמונה ברזולוציה גבוהה של ברלינגטון.

0:06:01.337,0:06:06.232
אם אני אנסה לסווג כל פיקסל,[br]פיקסל אחרי פיקסל,

0:06:06.232,0:06:10.710
אני אקבל קשקוש מפוקסל נוראי.

0:06:10.710,0:06:14.370
אם אני מסתכל על אובייקט ספציפי[br]כמו בית, הבית הזה עשוי,

0:06:14.370,0:06:17.410
זה קשה לראות, אבל זה פשוט עשרות [br]ערכי פיקסל שונים.

0:06:17.410,0:06:19.005
שלא באמת אומרים שום דבר.

0:06:19.029,0:06:23.784
אם אני לוקח עץ בודד, שוב,[br]זה מומצא מקשקוש של פיקסלים.

0:06:23.784,0:06:26.802
עכשיו, אם אני עושה זום על העץ הזה,[br]למשל,

0:06:26.802,0:06:33.312
אני אראה שזה עשוי מפיקסלים,[br]הרבה סוגים של טונים, צבעים שונים,

0:06:33.312,0:06:37.837
וזה הייצוג הישיר [br]בפיקסלים מסווגים,

0:06:37.837,0:06:39.332
זה חסר משמעות, נכון?

0:06:39.332,0:06:40.949
זה לא למצוא אובייקטים.

0:06:40.949,0:06:45.969
אז, אני צריך ללמד את המחשב[br]לראות אובייקטים ולחשוב כמוני.

0:06:46.017,0:06:48.795
זה אומר ללמד מחשב[br]לחשוב כמו בן אנוש,

0:06:48.795,0:06:52.148
מה שאומר לעבוד[br]על בסיס גודל צורני, טון, דפוס,

0:06:52.148,0:06:55.310
טקסטורה, ראייה ואסוציאציה,[br]הרבה מזה זה מרחבי.

0:06:55.310,0:07:00.450
אנחנו חייבים להפסיק לחשוב פיקסל פיקסל[br]ולהתחיל לחשוב על דברים מרחבית.

0:07:00.450,0:07:04.265
זה אומר לקחת תמונה[br]ומה שנקרא, לפלח אותה,

0:07:04.265,0:07:05.757
להפוך אותה לאובייקטים.

0:07:05.788,0:07:08.694
והתהליך של הפילוח הזה[br]הוא קשה מאוד.

0:07:08.694,0:07:12.763
אתם צריכים לאמן מחשב[br]לפלח בצורה נכונה.

0:07:12.763,0:07:15.496
ואם אני מסתכל, הנה בית,[br]הנה צד אחד של הגג

0:07:15.496,0:07:17.911
וצד אחר של הגג,[br]יש כביש פרטי,

0:07:17.939,0:07:19.727
הם מפולחים כאובייקטים שונים

0:07:19.753,0:07:21.702
ואז אני יכול לארגן את האובייקטים מחדש

0:07:21.702,0:07:25.181
לתוך משהו שהוא רק בית[br]ומשהו אחר שהוא רק כביש פרטי.

0:07:25.181,0:07:27.761
ובסוף היום, מה שיהיה לי

0:07:27.787,0:07:29.107
זה משהו כזה.

0:07:29.107,0:07:31.829
אני אוכל להגיד לכם את ההבדלים.

0:07:31.845,0:07:37.503
למרות שהחתימה הספקטרלית [br]היא מאותו הגג הזה והכביש הזה,

0:07:37.598,0:07:40.845
אני יודע שגורם הקומפקטיות שלהם [br]הוא שונה,

0:07:40.845,0:07:43.568
ובגלל זה,[br]בגלל מדדי הצורה שלהם,

0:07:43.568,0:07:46.291
אני יכול להגיד לכם מי מהם הוא גג[br]ומי מהם הוא כביש,

0:07:46.291,0:07:49.015
ואני יכול להתחיל[br]לסווג דברים בצורה הזאת.

0:07:52.845,0:07:55.646
בכדי לעשות זאת נדרשת[br]מערכת חוקים עצומה.

0:07:55.646,0:08:01.125
מערכת החוקים יכולה להיות עשרות על עשרות[br]עד מעל מאה דפים.

0:08:01.125,0:08:06.186
של כל חוקי הסיווג האלו[br]ואני לא אשעמם אתכם עם הפרטים.

0:08:06.186,0:08:09.687
אני גם אשתמש במידע מסייע.

0:08:09.687,0:08:13.136
יש את כל סוגי מגדירי מערכות מידע גיאוגרפיות גדולים [br]שעוזרים לי עכשיו לסווג דברים.

0:08:13.136,0:08:16.174
רוב הערים אוספות דברים [br]על עקבות בניין,

0:08:16.174,0:08:18.721
אנחנו יודעים איפה נמצאות חלקות אדמה, [br]אנחנו יודעים איפה הם קווי ביוב

0:08:18.737,0:08:20.371
וכבישים וכל מיני דברים כאלה.

0:08:20.398,0:08:21.806
אנחנו יכולים להשתמש בזה כדי לעזור לעצמנו,

0:08:21.806,0:08:23.823
אבל הכי חשוב[br]מהמידע המסייע

0:08:23.849,0:08:27.767
שנמצא שם בחוץ היום נקרא ליידר:[br]איתור אור בטווח.

0:08:27.767,0:08:30.044
ובליידר משתמשים[br]מזה זמן מה בהנדסה

0:08:30.060,0:08:32.808
וזה מאפשר לנו במהות ליצור[br]מודלים של פני השטח.

0:08:32.808,0:08:35.566
זוהי כיכר קולומבוס [br]בסנטרל פארק בניו יורק

0:08:35.566,0:08:38.787
וזה גובה פני השטח [br]של העצים.

0:08:38.787,0:08:42.107
הליידר אומר לי[br]היכן נמצאת החופה של העצים,

0:08:42.107,0:08:47.580
היכן נמצאים גגות הבניינים,[br]הוא אומר לי גם היכן פני הקרקע.

0:08:47.580,0:08:50.702
ואני יכול ליצור מודלים מפורטים להפליא[br]של העולם

0:08:50.702,0:08:52.195
אז עכשיו אני לא רק עובד

0:08:52.195,0:08:55.539
עם מידע ספקטרלי מרחבי, [br]החזרת מידע,

0:08:55.539,0:08:59.011
אני גם עובד עם מידע גובה, [br]אני יודע את הגבהים של הדברים

0:08:59.011,0:09:02.349
אז אני יכול לראות שני אובייקטים[br]שהם ירוקים ועציים,

0:09:02.349,0:09:05.687
אבל אני יכול להגיד שאחד מהם הוא שיח[br]ואחד מהם הוא עץ.

0:09:05.687,0:09:09.027
וזה רק זום על משטח שם.

0:09:09.027,0:09:12.042
עכשיו הבעיה היא,[br]זה מאוד עתיר נתונים

0:09:12.052,0:09:17.757
ואף אחד לא הבין עד לא מזמן, [br]ואני מתכוון שאולי לפני שנתיים,

0:09:17.757,0:09:20.862
אנשים עשו את זה[br]על בסיס של אריח אחרי אריח

0:09:20.862,0:09:22.840
לעבוד על אריח אחד קטן של נתונים[br]בכל פעם

0:09:22.866,0:09:24.672
זה עלול להיות, אתם יודעים,

0:09:24.672,0:09:28.552
אחד, שרק שקווי המתאר האדומים [br]שאתם רואה שם,

0:09:28.576,0:09:31.250
ושעשוי להיות חצי ג'יגה [br]או משהו כזה.

0:09:31.250,0:09:35.148
אז אנחנו כבר עובדים על להפוך את זה [br]לסביבה ארגונית,

0:09:35.148,0:09:38.397
זה מה שאנחנו צריכים לעשות,[br]לעשות מזה סביבה ארגונית

0:09:38.397,0:09:41.322
כך שנוכל להתחיל להסתכל[br]על אלפי אריחים של נתונים בכל פעם,

0:09:41.322,0:09:42.860
ועשינו את זה בהצלחה.

0:09:44.316,0:09:48.088
המעבדה שלי, היא מעבדה לניתוח מרחבי.

0:09:48.114,0:09:51.860
המעבדה לניתוח מרחבי היא המעבדה שאני מנהל,

0:09:51.860,0:09:54.921
והם עושים את הדברים האלו כבר כמה שנים,

0:09:54.921,0:09:59.142
והם אספו, מ 64 פרויקטים, 837 קהילות,

0:09:59.142,0:10:03.895
כיסו 28 מיליון אנשים, [br]כמעט 9000 קילומטרים רבועים של נתונים מופו,

0:10:03.895,0:10:06.977
250 מיליארד פיקסלים של מוצרים שנוצרו[br]מכיסוי הקרקע

0:10:06.977,0:10:09.024
ו 110 טרה של נתונים.

0:10:09.064,0:10:12.346
אז זו התחייבות גדולה [br]אבל זו רק ההתחלה.

0:10:12.386,0:10:15.578
נחזור לנתוני הפשיעה [br]שסיפרתי לכם על העצים האלה,

0:10:15.578,0:10:17.141
אז הנה שוב בולטימור.

0:10:17.181,0:10:20.395
שימוש בשיטה הזאת,[br]אנחנו הופכים נתונים למידע.

0:10:20.434,0:10:22.640
אנחנו מקבלים עצים,[br]אנחנו יודעים עכשיו איפה עצים נמצאים.

0:10:22.695,0:10:24.274
אני מכסה את זה עם הפשיעה.

0:10:24.456,0:10:28.479
אני מסיים עם מידע,[br]אני עכשיו יכול לעשות מחקר,

0:10:28.532,0:10:30.683
ורק הצענו את זה [br]לפרסום.

0:10:30.707,0:10:34.008
נודע לנו למעשה [br]שיש קשר שלילי חזק

0:10:34.048,0:10:35.437
בין עצים ופשיעה

0:10:35.460,0:10:37.618
גם כשהתאמתי לכחמישים דברים אחרים.

0:10:37.658,0:10:42.844
לא יכולנו לעשות את זה [br]ללא סוג זה של מידע.

0:10:42.852,0:10:45.352
אז עם זה, אני אגיד תודה לאנשים

0:10:45.391,0:10:46.986
מהמעבדה לניתוח מרחבי,

0:10:47.031,0:10:50.221
ובמיוחד לג'רלאט אוניל-דאן [br]שעזר לי להכין את זה

0:10:50.222,0:10:53.245
ועשה את המחקר הזה[br]במשך זמן רב ותודה לכם.

0:10:53.250,0:10:56.312
תודה לכם. (מחיאות כפיים)