1
00:00:14,641 --> 00:00:16,809
בסדר גמור, תודה כריס
ותודה שאתם מארחים אותי פה.

2
00:00:16,809 --> 00:00:19,441
האם כולם שומעים אותי טוב?

3
00:00:21,665 --> 00:00:24,825
אז, היום אני הולך לדבר

4
00:00:24,825 --> 00:00:27,094
על סוג של מידע
שמוכר לכולנו

5
00:00:27,094 --> 00:00:30,861
ואני חושב שכולנו,
לפחות רובנו, באופן מהותי.

6
00:00:30,861 --> 00:00:34,878
וזה מידע גאוגרפי
ובמיוחד תמונות של כדור הארץ.

7
00:00:34,878 --> 00:00:38,131
ואנחנו כבר ראינו
כמה דוגמאות לזה היום.

8
00:00:38,131 --> 00:00:41,839
אני אתחיל פה
עם תצוגה וסיפור קטן.

9
00:00:41,845 --> 00:00:44,305
הייתי חייב להביא אביזר,
לא יכולתי להתאפק.

10
00:00:44,305 --> 00:00:51,144
המקינטוש פאואר בוק 145 הישן שלי מ 1992.

11
00:00:51,144 --> 00:00:56,052
זה המחשב הראשון
שהיה לי עם דיסק קשיח.

12
00:00:56,052 --> 00:00:58,747
הוא הגיע עם 4, זה היה 4?

13
00:00:58,747 --> 00:01:03,534
למעשה כ 6 מגה בייט של זיכרון.

14
00:01:03,534 --> 00:01:07,434
זה היה עניין גדול 
ואני הייתי המום מזה.

15
00:01:07,434 --> 00:01:09,376
לא יכולתי להאמין שהיה לי כל כך הרבה זיכרון.

16
00:01:09,376 --> 00:01:11,240
אני פשוט אניח את זה כאן.

17
00:01:11,240 --> 00:01:14,610
אני לא האמנתי
שהיה לי כל כך הרבה זיכרון בקצות האצבעות שלי.

18
00:01:14,610 --> 00:01:16,953
היום, לכולנו יש מחשבים.

19
00:01:16,979 --> 00:01:19,178
אני יכול לרדת לסטייפלס 
ולקנות מחשב

20
00:01:19,178 --> 00:01:22,143
שיש לו רבע מיליון פעמים 
יותר זיכרון מזה

21
00:01:22,143 --> 00:01:25,149
בעבור 400$ או 600$
או משהו כזה.

22
00:01:25,149 --> 00:01:27,930
זמנים השתנו
וזה היה לפני 20 שנה.

23
00:01:27,930 --> 00:01:31,726
כתוצאה מכך, 
עם כל כוח המחשוב הגדל,

24
00:01:31,726 --> 00:01:34,393
אנחנו טובעים במידע.

25
00:01:34,393 --> 00:01:36,236
אנחנו פשוט לחלוטין טובעים במידע.

26
00:01:36,236 --> 00:01:38,775
ואחד מסוגי המידע
שאנחנו הכי טובעים בו

27
00:01:38,775 --> 00:01:41,931
היא חישה מרחוק
או נתוני תמונות, נתוני לווין,

28
00:01:41,931 --> 00:01:44,127
נתוני תצלומי אוויר, דברים כאלה.

29
00:01:44,127 --> 00:01:46,345
וכולנו שיחקנו עם זה,
אני בטוח.

30
00:01:46,345 --> 00:01:49,015
כולנו אוהבים גוגל כדור הארץ,
זה חינם וזה כיף.

31
00:01:49,015 --> 00:01:51,728
וזה פשוט מלא בתמונות.

32
00:01:51,728 --> 00:01:54,276
אז, מה אנחנו עושים עם כל הדברים האלה?

33
00:01:54,276 --> 00:01:56,065
איך אנחנו עושים שימוש בזה?

34
00:01:56,065 --> 00:01:59,014
הנה תמונה של בולטימור. 
זאת בולטימור העירונית.

35
00:01:59,061 --> 00:02:00,856
יש בה את כל האובייקטים הנפלאים האלה.

36
00:02:00,856 --> 00:02:02,675
אני יכול להסתכל שם ולראות,

37
00:02:02,675 --> 00:02:04,140
זה קשה עם המקרן הזה,

38
00:02:04,163 --> 00:02:06,525
אבל אני יכול לראות עצים ובניינים,
ודברים כאלה.

39
00:02:06,549 --> 00:02:07,890
ובואו נגיד

40
00:02:07,916 --> 00:02:12,144
שרציתי בעצם לעשות איזשהו 
מחקר כמותי עם זה.

41
00:02:12,144 --> 00:02:14,262
נגיד שהייתי צריך לעשות משהו
שדורש לדעת

42
00:02:14,262 --> 00:02:15,580
היכן בעצם היו העצים.

43
00:02:15,580 --> 00:02:17,200
אני יכול לראות איפה נמצאים העצים,

44
00:02:17,200 --> 00:02:20,392
אבל המחשב לא יודע,
אין לו מושג מהו עץ.

45
00:02:20,392 --> 00:02:23,021
בואו נגיד שאני רציתי לעשות משהו כמו,

46
00:02:23,021 --> 00:02:25,114
אלה למעשה המקומות של פשעים,

47
00:02:25,114 --> 00:02:29,114
נגיד שרציתי לדעת
אם צפיפות של עצים משפיעה על פשע.

48
00:02:29,114 --> 00:02:32,291
אין שום דרך שאני יכול לעשות את זה
עם תמונה בדרך שיש לנו את זה עכשיו,

49
00:02:32,291 --> 00:02:35,894
בסביבת מחשוב.

50
00:02:35,894 --> 00:02:38,645
וחלק מהסיבה לזה

51
00:02:38,645 --> 00:02:41,395
היא שמחשבים
לא באמת טובים בלזהות דברים

52
00:02:41,395 --> 00:02:43,348
כמו שאנחנו טובים בלזהות דברים.

53
00:02:43,348 --> 00:02:47,911
אנחנו מצויינים בזיהוי
דברים עם הבדלים קלים מאוד.

54
00:02:47,911 --> 00:02:50,572
אני יכול להגיד לכם בתוך שתי שניות

55
00:02:50,572 --> 00:02:53,359
שזה ג'ורג' קרלין 
וזה זיגמונד פרויד.

56
00:02:53,359 --> 00:02:56,148
שזה הוא ביג לבובסקי 
וזה אדי וודר.

57
00:02:56,148 --> 00:02:59,896
עבורי לאמן את המחשב
לזהות את ההבדלים

58
00:02:59,896 --> 00:03:03,644
בין ביג לבובסקי, א.ק.א. הברנש ואדי וודר,

59
00:03:03,644 --> 00:03:07,394
היה לוקח לי כמויות זמן שלא ייאמנו.

60
00:03:07,394 --> 00:03:11,648
ועדיין אני יכול לעשות זאת מיידית,
אז זה בעיה כאן.

61
00:03:11,648 --> 00:03:14,866
אז, בואו ניגש לעניין כאן.

62
00:03:14,866 --> 00:03:17,798
משמאל יש לי מידע גולמי.

63
00:03:17,824 --> 00:03:20,510
צילום אינפרארד צבעוני של חישה מרחוק.

64
00:03:20,510 --> 00:03:26,557
בצד ימין יש לי
שכבת מערכת מידע גיאוגרפית מסווגת.

65
00:03:26,573 --> 00:03:29,644
זהו מידע שימושי.

66
00:03:29,644 --> 00:03:33,944
המחשב יודע מה זה דשא,
מהם בניינים ויודע מהם עצים.

67
00:03:33,944 --> 00:03:36,976
איך אני מגיע מאחד לשני?

68
00:03:36,976 --> 00:03:41,223
זו חידה גדולה גדולה 
בעולם של היום של נתונים ברזולוציה גבוהה.

69
00:03:41,223 --> 00:03:44,192
הנה תמונה
של אזור עירוני טיפוסי.

70
00:03:44,192 --> 00:03:46,144
אני מסתכל על זה ורואה
כל מיני תכונות

71
00:03:46,160 --> 00:03:48,325
ואני רואה שזה ברזולוציה ממש טובה.

72
00:03:48,325 --> 00:03:52,063
אם הייתי צריך לעבוד 
עם נתוני חישה מרחוק לפני 15 שנה,

73
00:03:52,063 --> 00:03:54,785
היו לי תמונות ברזולוציה גסה.

74
00:03:54,811 --> 00:03:57,224
זהו אותו המיקום המדויק 
באמצעות פיקסלים של 30 מטר.

75
00:03:57,224 --> 00:04:01,980
אז, סיווג החומר הזה 
היה דבר שונה באופן מהותי,

76
00:04:01,980 --> 00:04:05,509
משום שכל מה שבאמת הייתי צריך לעשות 
הוא להכנס לאזור הכללי של המגרש.

77
00:04:05,509 --> 00:04:08,315
הפיקסלים האלו כאן
הם בגדול סוג של עירוניים,

78
00:04:08,315 --> 00:04:11,121
הפיקסלים האלו בגדול סוג של יער.

79
00:04:11,121 --> 00:04:14,707
אני לא באמת הייתי צריך לדעת
את הזהות המסויימת של חפצים.

80
00:04:14,707 --> 00:04:18,587
עכשיו בהרצה קדימה להיום
ויש לי תמונה שאני יכול לעשות לה זום

81
00:04:18,587 --> 00:04:23,472
ואני יכול לראות
מיליון סוגים שונים של דברים.

82
00:04:23,472 --> 00:04:29,917
ממכוניות במגרש חנייה
למכולות,

83
00:04:29,917 --> 00:04:33,818
למנופים במתקן המכולות

84
00:04:33,858 --> 00:04:37,556
למכונות על גבי בניין

85
00:04:37,937 --> 00:04:39,270
עד ל.., אני אוהב את זה,

86
00:04:39,270 --> 00:04:42,908
זה הספינקס 
במלון לוקסור בלאס וגאס.

87
00:04:42,908 --> 00:04:45,088
תנסו להגיד למחשב מה זה.

88
00:04:45,088 --> 00:04:48,504
הינה עוד אחד בלאס וגאס,
אני אוהבת את גוגל כדור הארץ בלאס וגאס,

89
00:04:48,504 --> 00:04:50,024
זה הכי טוב, זה כל כך כיף.

90
00:04:50,024 --> 00:04:52,746
זוהי בריכה טרופית בצורת דג.

91
00:04:52,793 --> 00:04:56,218
שוב, לא כל כך קל להגיד למחשב
מה זה.

92
00:04:56,250 --> 00:04:57,710
וזה הטוב מכולם.

93
00:04:57,757 --> 00:05:03,103
אני מאמין שזאת תמונת לווין ברזולוציה גבוהה

94
00:05:03,103 --> 00:05:07,496
של גמלים באמצע אפריקה
וזה חלק מפרויקט מגה טיסה מעל אפריקה

95
00:05:07,496 --> 00:05:11,889
של גוגל ונשיונל גאוגרפיק,

96
00:05:11,889 --> 00:05:14,056
המספר של דברים אפשריים

97
00:05:14,082 --> 00:05:16,282
שאני צריך להכין מחשבים
להיות מוכנים להם,

98
00:05:16,282 --> 00:05:18,687
הסוגים של אובייקטים
על גבי שטח כדור הארץ

99
00:05:18,713 --> 00:05:20,345
שטח כדור הארץ,
הוא מדהים.

100
00:05:20,745 --> 00:05:25,208
וזה פרוייקט
שלעולם לא נראה גמור,

101
00:05:25,208 --> 00:05:29,381
הפרוייקט הזה של ללמד מחשבים
את הבינה מלאכותית,

102
00:05:29,381 --> 00:05:31,663
לתת להם את הבינה המלאכותית 
שהם צריכים

103
00:05:31,687 --> 00:05:33,885
לזהות את כל הוריאציות על כדור הארץ.

104
00:05:33,909 --> 00:05:35,353
הינה אחד אפילו יותר טוב.

105
00:05:35,369 --> 00:05:38,114
זהו למעשה דבר אמיתי,
זהו הקולונל (KFC).

106
00:05:38,114 --> 00:05:42,733
מישהו באמת עשה מגה אמנות
של הקולונל באמצע נבאדה.

107
00:05:43,233 --> 00:05:46,371
זה מעניין
כמה רבים מאלו הגיעו מנבאדה.

108
00:05:46,400 --> 00:05:48,828
(צחוק)

109
00:05:49,471 --> 00:05:51,618
אז, בואו נסביר למה זה קשה

110
00:05:51,618 --> 00:05:55,125
להשתמש בשיטות
שתמיד השתמשנו בהן בעבר

111
00:05:55,125 --> 00:05:58,302
עבור הדור הזה
של תמונות ברזולוציה גבוהה.

112
00:05:58,302 --> 00:06:01,337
הנה תמונה ברזולוציה גבוהה של ברלינגטון.

113
00:06:01,337 --> 00:06:06,232
אם אני אנסה לסווג כל פיקסל,
פיקסל אחרי פיקסל,

114
00:06:06,232 --> 00:06:10,710
אני אקבל קשקוש מפוקסל נוראי.

115
00:06:10,710 --> 00:06:14,370
אם אני מסתכל על אובייקט ספציפי
כמו בית, הבית הזה עשוי,

116
00:06:14,370 --> 00:06:17,410
זה קשה לראות, אבל זה פשוט עשרות 
ערכי פיקסל שונים.

117
00:06:17,410 --> 00:06:19,005
שלא באמת אומרים שום דבר.

118
00:06:19,029 --> 00:06:23,784
אם אני לוקח עץ בודד, שוב,
זה מומצא מקשקוש של פיקסלים.

119
00:06:23,784 --> 00:06:26,802
עכשיו, אם אני עושה זום על העץ הזה,
למשל,

120
00:06:26,802 --> 00:06:33,312
אני אראה שזה עשוי מפיקסלים,
הרבה סוגים של טונים, צבעים שונים,

121
00:06:33,312 --> 00:06:37,837
וזה הייצוג הישיר 
בפיקסלים מסווגים,

122
00:06:37,837 --> 00:06:39,332
זה חסר משמעות, נכון?

123
00:06:39,332 --> 00:06:40,949
זה לא למצוא אובייקטים.

124
00:06:40,949 --> 00:06:45,969
אז, אני צריך ללמד את המחשב
לראות אובייקטים ולחשוב כמוני.

125
00:06:46,017 --> 00:06:48,795
זה אומר ללמד מחשב
לחשוב כמו בן אנוש,

126
00:06:48,795 --> 00:06:52,148
מה שאומר לעבוד
על בסיס גודל צורני, טון, דפוס,

127
00:06:52,148 --> 00:06:55,310
טקסטורה, ראייה ואסוציאציה,
הרבה מזה זה מרחבי.

128
00:06:55,310 --> 00:07:00,450
אנחנו חייבים להפסיק לחשוב פיקסל פיקסל
ולהתחיל לחשוב על דברים מרחבית.

129
00:07:00,450 --> 00:07:04,265
זה אומר לקחת תמונה
ומה שנקרא, לפלח אותה,

130
00:07:04,265 --> 00:07:05,757
להפוך אותה לאובייקטים.

131
00:07:05,788 --> 00:07:08,694
והתהליך של הפילוח הזה
הוא קשה מאוד.

132
00:07:08,694 --> 00:07:12,763
אתם צריכים לאמן מחשב
לפלח בצורה נכונה.

133
00:07:12,763 --> 00:07:15,496
ואם אני מסתכל, הנה בית,
הנה צד אחד של הגג

134
00:07:15,496 --> 00:07:17,911
וצד אחר של הגג,
יש כביש פרטי,

135
00:07:17,939 --> 00:07:19,727
הם מפולחים כאובייקטים שונים

136
00:07:19,753 --> 00:07:21,702
ואז אני יכול לארגן את האובייקטים מחדש

137
00:07:21,702 --> 00:07:25,181
לתוך משהו שהוא רק בית
ומשהו אחר שהוא רק כביש פרטי.

138
00:07:25,181 --> 00:07:27,761
ובסוף היום, מה שיהיה לי

139
00:07:27,787 --> 00:07:29,107
זה משהו כזה.

140
00:07:29,107 --> 00:07:31,829
אני אוכל להגיד לכם את ההבדלים.

141
00:07:31,845 --> 00:07:37,503
למרות שהחתימה הספקטרלית 
היא מאותו הגג הזה והכביש הזה,

142
00:07:37,598 --> 00:07:40,845
אני יודע שגורם הקומפקטיות שלהם 
הוא שונה,

143
00:07:40,845 --> 00:07:43,568
ובגלל זה,
בגלל מדדי הצורה שלהם,

144
00:07:43,568 --> 00:07:46,291
אני יכול להגיד לכם מי מהם הוא גג
ומי מהם הוא כביש,

145
00:07:46,291 --> 00:07:49,015
ואני יכול להתחיל
לסווג דברים בצורה הזאת.

146
00:07:52,845 --> 00:07:55,646
בכדי לעשות זאת נדרשת
מערכת חוקים עצומה.

147
00:07:55,646 --> 00:08:01,125
מערכת החוקים יכולה להיות עשרות על עשרות
עד מעל מאה דפים.

148
00:08:01,125 --> 00:08:06,186
של כל חוקי הסיווג האלו
ואני לא אשעמם אתכם עם הפרטים.

149
00:08:06,186 --> 00:08:09,687
אני גם אשתמש במידע מסייע.

150
00:08:09,687 --> 00:08:13,136
יש את כל סוגי מגדירי מערכות מידע גיאוגרפיות גדולים 
שעוזרים לי עכשיו לסווג דברים.

151
00:08:13,136 --> 00:08:16,174
רוב הערים אוספות דברים 
על עקבות בניין,

152
00:08:16,174 --> 00:08:18,721
אנחנו יודעים איפה נמצאות חלקות אדמה, 
אנחנו יודעים איפה הם קווי ביוב

153
00:08:18,737 --> 00:08:20,371
וכבישים וכל מיני דברים כאלה.

154
00:08:20,398 --> 00:08:21,806
אנחנו יכולים להשתמש בזה כדי לעזור לעצמנו,

155
00:08:21,806 --> 00:08:23,823
אבל הכי חשוב
מהמידע המסייע

156
00:08:23,849 --> 00:08:27,767
שנמצא שם בחוץ היום נקרא ליידר:
איתור אור בטווח.

157
00:08:27,767 --> 00:08:30,044
ובליידר משתמשים
מזה זמן מה בהנדסה

158
00:08:30,060 --> 00:08:32,808
וזה מאפשר לנו במהות ליצור
מודלים של פני השטח.

159
00:08:32,808 --> 00:08:35,566
זוהי כיכר קולומבוס 
בסנטרל פארק בניו יורק

160
00:08:35,566 --> 00:08:38,787
וזה גובה פני השטח 
של העצים.

161
00:08:38,787 --> 00:08:42,107
הליידר אומר לי
היכן נמצאת החופה של העצים,

162
00:08:42,107 --> 00:08:47,580
היכן נמצאים גגות הבניינים,
הוא אומר לי גם היכן פני הקרקע.

163
00:08:47,580 --> 00:08:50,702
ואני יכול ליצור מודלים מפורטים להפליא
של העולם

164
00:08:50,702 --> 00:08:52,195
אז עכשיו אני לא רק עובד

165
00:08:52,195 --> 00:08:55,539
עם מידע ספקטרלי מרחבי, 
החזרת מידע,

166
00:08:55,539 --> 00:08:59,011
אני גם עובד עם מידע גובה, 
אני יודע את הגבהים של הדברים

167
00:08:59,011 --> 00:09:02,349
אז אני יכול לראות שני אובייקטים
שהם ירוקים ועציים,

168
00:09:02,349 --> 00:09:05,687
אבל אני יכול להגיד שאחד מהם הוא שיח
ואחד מהם הוא עץ.

169
00:09:05,687 --> 00:09:09,027
וזה רק זום על משטח שם.

170
00:09:09,027 --> 00:09:12,042
עכשיו הבעיה היא,
זה מאוד עתיר נתונים

171
00:09:12,052 --> 00:09:17,757
ואף אחד לא הבין עד לא מזמן, 
ואני מתכוון שאולי לפני שנתיים,

172
00:09:17,757 --> 00:09:20,862
אנשים עשו את זה
על בסיס של אריח אחרי אריח

173
00:09:20,862 --> 00:09:22,840
לעבוד על אריח אחד קטן של נתונים
בכל פעם

174
00:09:22,866 --> 00:09:24,672
זה עלול להיות, אתם יודעים,

175
00:09:24,672 --> 00:09:28,552
אחד, שרק שקווי המתאר האדומים 
שאתם רואה שם,

176
00:09:28,576 --> 00:09:31,250
ושעשוי להיות חצי ג'יגה 
או משהו כזה.

177
00:09:31,250 --> 00:09:35,148
אז אנחנו כבר עובדים על להפוך את זה 
לסביבה ארגונית,

178
00:09:35,148 --> 00:09:38,397
זה מה שאנחנו צריכים לעשות,
לעשות מזה סביבה ארגונית

179
00:09:38,397 --> 00:09:41,322
כך שנוכל להתחיל להסתכל
על אלפי אריחים של נתונים בכל פעם,

180
00:09:41,322 --> 00:09:42,860
ועשינו את זה בהצלחה.

181
00:09:44,316 --> 00:09:48,088
המעבדה שלי, היא מעבדה לניתוח מרחבי.

182
00:09:48,114 --> 00:09:51,860
המעבדה לניתוח מרחבי היא המעבדה שאני מנהל,

183
00:09:51,860 --> 00:09:54,921
והם עושים את הדברים האלו כבר כמה שנים,

184
00:09:54,921 --> 00:09:59,142
והם אספו, מ 64 פרויקטים, 837 קהילות,

185
00:09:59,142 --> 00:10:03,895
כיסו 28 מיליון אנשים, 
כמעט 9000 קילומטרים רבועים של נתונים מופו,

186
00:10:03,895 --> 00:10:06,977
250 מיליארד פיקסלים של מוצרים שנוצרו
מכיסוי הקרקע

187
00:10:06,977 --> 00:10:09,024
ו 110 טרה של נתונים.

188
00:10:09,064 --> 00:10:12,346
אז זו התחייבות גדולה 
אבל זו רק ההתחלה.

189
00:10:12,386 --> 00:10:15,578
נחזור לנתוני הפשיעה 
שסיפרתי לכם על העצים האלה,

190
00:10:15,578 --> 00:10:17,141
אז הנה שוב בולטימור.

191
00:10:17,181 --> 00:10:20,395
שימוש בשיטה הזאת,
אנחנו הופכים נתונים למידע.

192
00:10:20,434 --> 00:10:22,640
אנחנו מקבלים עצים,
אנחנו יודעים עכשיו איפה עצים נמצאים.

193
00:10:22,695 --> 00:10:24,274
אני מכסה את זה עם הפשיעה.

194
00:10:24,456 --> 00:10:28,479
אני מסיים עם מידע,
אני עכשיו יכול לעשות מחקר,

195
00:10:28,532 --> 00:10:30,683
ורק הצענו את זה 
לפרסום.

196
00:10:30,707 --> 00:10:34,008
נודע לנו למעשה 
שיש קשר שלילי חזק

197
00:10:34,048 --> 00:10:35,437
בין עצים ופשיעה

198
00:10:35,460 --> 00:10:37,618
גם כשהתאמתי לכחמישים דברים אחרים.

199
00:10:37,658 --> 00:10:42,844
לא יכולנו לעשות את זה 
ללא סוג זה של מידע.

200
00:10:42,852 --> 00:10:45,352
אז עם זה, אני אגיד תודה לאנשים

201
00:10:45,391 --> 00:10:46,986
מהמעבדה לניתוח מרחבי,

202
00:10:47,031 --> 00:10:50,221
ובמיוחד לג'רלאט אוניל-דאן 
שעזר לי להכין את זה

203
00:10:50,222 --> 00:10:53,245
ועשה את המחקר הזה
במשך זמן רב ותודה לכם.

204
00:10:53,250 --> 00:10:56,312
תודה לכם. (מחיאות כפיים)