TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Filmed:
Readability: 4.5
2,532,971 views
What happens when we teach a computer how to learn? Technologist Jeremy Howard shares some surprising new developments in the fast-moving field of deep learning, a technique that can give computers the ability to learn Chinese, or to recognize objects in photos, or to help think through a medical diagnosis. (One deep learning tool, after watching hours of YouTube, taught itself the concept of “cats.”) Get caught up on a field that will change the way the computers around you behave … sooner than you probably think.
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Double-click the English transcript below to play the video.
00:12
It used to be that if you wanted
to get a computer to do something new,
to get a computer to do something new,
0
880
4013
إعتدنا قديما علي انه عندما تريد من
الحاسب القيام بمهمة ما
الحاسب القيام بمهمة ما
00:16
you would have to program it.
1
4893
1554
فإنه عليك برمجته.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
الآن، البرمجة بالنسبة للذين لم يقومو بها من قبل،
00:21
requires laying out in excruciating detail
3
9858
3502
تتطلب وضع كل خطوة تريد من الحاسوب القيام بها بالتفصيل الممل
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
00:28
in order to achieve your goal.
5
16727
2362
من أجل تحقيق غايتك.
00:31
Now, if you want to do something
that you don't know how to do yourself,
that you don't know how to do yourself,
6
19089
3496
الآن، في حال أردت القيام بأمرٍ
لاتعرف كيفية القيام به بنفسك،
لاتعرف كيفية القيام به بنفسك،
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
عندها سيكون هذا تحدٍ كبير.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
و هذا هو التحدي الذي واجه هذا الرجل
ارثر صامويل
ارثر صامويل
00:40
In 1956, he wanted to get this computer
9
28131
4077
في عام 1956، أراد
ان يشتري هذا الحاسوب
ان يشتري هذا الحاسوب
00:44
to be able to beat him at checkers.
10
32208
2340
أن يكون قادراً على هزيمته في لعبة الداما.
00:46
How can you write a program,
11
34548
2040
ليتمكن من هزيمتة في
لعبة الشطرنج
لعبة الشطرنج
00:48
lay out in excruciating detail,
how to be better than you at checkers?
how to be better than you at checkers?
12
36588
3806
كيف يمكنك كتابة برنامج بكل تفاصيلة كيف
يمكن للحاسوب ان يكون أفضل منك في الشطرنج؟
يمكن للحاسوب ان يكون أفضل منك في الشطرنج؟
00:52
So he came up with an idea:
13
40394
1722
لذا فقد جاء بفكرة:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
جعل الحاسوب يلعب ضد نفسه آلاف المرات
00:57
and learn how to play checkers.
15
45840
2524
ويتعلم كيفية لعب الشطرنج
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
وبالفعل نجحت فكرته وفي عام 1962
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
فاز هذا الكمبيوتر ببطولة ولاية كونيتيكت
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
لهذا يعد أرثر صاموئيل أب التعلم الآلي
01:10
and I have a great debt to him,
19
58534
1717
وأنا أدين له بشده
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
لأنني ممارس للتعلم الآلي
01:15
I was the president of Kaggle,
21
63014
1465
لقد كنت رئيس شركة كاجل ،
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
مجتمع أكثر من 200,000 ممارس للتعلم الألي
01:19
Kaggle puts up competitions
23
67867
2058
وقد وضعت شركة كاجل مسابقات
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
لحثهم على محاولة أن يحلوا
مشاكل لم تحل من قبل
مشاكل لم تحل من قبل
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
وقد نجحت مئات المرات
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
وإنطلاقاً من هذه النقطة تمكنت من إكتشاف
01:31
a lot about what machine learning
can do in the past, can do today,
can do in the past, can do today,
27
79940
3950
الكثير عن ما الذي كان يستطيع التعلم الآلي
فعله في الماضي وما يستطيعه اليوم
فعله في الماضي وما يستطيعه اليوم
01:35
and what it could do in the future.
28
83890
2362
وما الذي ستتمكن من فعله في المستقبل
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
ربما يكون أول نجاح تجاري كبير
للتعلم الآلي هو جوجل
للتعلم الآلي هو جوجل
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
جوجل أظهرت إمكانية أن تجد معلومات
01:45
by using a computer algorithm,
31
93784
1752
من خلال إستخدام لوغارتيمات الكمبيوتر
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
وتعتمد هذه اللوغارتيمات على التعلم الآلي
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
ومنذ هذا الوقت كان هناك نجاحات
تجارية كبيرة في التعلم الآلي
تجارية كبيرة في التعلم الآلي
01:54
Companies like Amazon and Netflix
34
102323
1837
فشركات مثل أمازون ونت فليكس
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
تستخدم التعلم الآلي لإقتراح المنتجات
التي قد تفضل شرائها
التي قد تفضل شرائها
01:59
movies that you might like to watch.
36
107876
2020
والأفلام التي تحب مشاهدتها
02:01
Sometimes, it's almost creepy.
37
109896
1807
في بعض الأحيان قد يبدو الأمر مخيف
02:03
Companies like LinkedIn and Facebook
38
111703
1954
شركات مثل لينكد ان وفيسبوك
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
أحياناً ستخبرك من يجب أن يكون صديقك؟
02:08
and you have no idea how it did it,
40
116251
1977
وأنت ليس لديك أي فكرة عن كيف فعلت هذا؟
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
وهذا لأنها تستخدم قوة التعلم الآلي
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
هذه هي الخوارزمات التي تعلمت
كيف تفعل هذا من البيانات
كيف تفعل هذا من البيانات
02:16
rather than being programmed by hand.
43
124152
3247
بدلاً من أن يتم برمجتها يدوياً
02:19
This is also how IBM was successful
44
127399
2478
وهذا أيضاً هو سبب نجاح أي بي إم
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
في أن يجعلوا الكمبيوتر واطسون
يهزم بطلي عالم في مسابقة "جابردي"
يهزم بطلي عالم في مسابقة "جابردي"
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
مجيباً بشكل مذهل على أسئلة متقنة
ومعقدة مثل
ومعقدة مثل
02:28
["The ancient 'Lion of Nimrud' went missing
from this city's national museum in 2003
(along with a lot of other stuff)"]
from this city's national museum in 2003
(along with a lot of other stuff)"]
47
136964
2835
من أي مدينة فقد أسد نمرود الأثري عام 2003؟
02:31
This is also why we are now able
to see the first self-driving cars.
to see the first self-driving cars.
48
139799
3235
هذا أيضاً سبب أننا نرى الأن أول سيارة ذاتية القيادة
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
إذا كنت تستطيع أن تخبرنا الإختلاف بين مثلاً
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
شجرة وشئ متحرك وهو شئ هام جداً
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
نحن لا نعرف كيف نكتب هذه البرامج بأيدينا
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
ولكنه الأن أصبح ممكناً بواسطة التعلم الآلي
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
وفي الحقيقة ، هذه السيارة تم قيادتها لملايين الأميال
02:48
without any accidents on regular roads.
54
156680
3506
بدون أي حوادث على الطرق العادية
02:52
So we now know that computers can learn,
55
160196
3914
لذلك نعلم الأن أن الكمبيوتر يستطيع التعلم
02:56
and computers can learn to do things
56
164110
1900
وأن الكمبيوتر يستطيع أن
يتعلم كيفية فعل أشياء
يتعلم كيفية فعل أشياء
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
لا نعرف أحياناً كيف نفعلها بأنفسنا
03:00
or maybe can do them better than us.
58
168848
2885
أو قد يفعلموها أفضل مننا.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
ومن أغرب الأمثلة التي رأيتها بالتعلم الآلي
03:07
happened on a project that I ran at Kaggle
60
175928
2392
حدثت بمشروع أديره بشركة كاجل
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
في فريق يديره رجل يدعى
جوفري هينتون
جوفري هينتون
03:13
from the University of Toronto
62
181911
1552
من جامعة تورنتو
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
فازوا في مسابقة لإكتشاف أدوية أوتوماتيكية
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
المذهل هنا ليس فقط أنهم أستطاعوا هزيمة
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
جميع اللوغاريتمات التي طورتها
ميرك أو المجتمع الأكاديمي الدولي
ميرك أو المجتمع الأكاديمي الدولي
03:25
but nobody on the team had any background
in chemistry or biology or life sciences,
in chemistry or biology or life sciences,
66
193000
5061
ولكن لا أحد من الفريق لديه أي خلفية عن
علوم الحياة أو الكيمياء أو الأحياء
علوم الحياة أو الكيمياء أو الأحياء
03:30
and they did it in two weeks.
67
198061
2169
وقد قاموا بهذا الإنجاز في أسبوعين فقط
03:32
How did they do this?
68
200230
1381
كيف أستطاعوا أن يحققوا هذا؟
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
أستخدموا لوغاريتمات
فائقة تدعى التعلم العميق
فائقة تدعى التعلم العميق
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
ولشدة اهميته تم تغطيته
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
في مقال الصفحة الأولى
لنيويورك تايمز منذ عدة أسابيع
لنيويورك تايمز منذ عدة أسابيع
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
هذا هو جوفري هينتون على الجانب الأيسر
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
التعلم العميق هي اللوغاريتمات التي
تم إستلهامها من كيفية عمل العقل البشري
تم إستلهامها من كيفية عمل العقل البشري
03:50
and as a result it's an algorithm
74
218488
1812
وبالطبع كنتيجه فهي اللوغاريتمات
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
التي ليس لها حدود نظرية حول ما تستطيع فعله
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
كلما غذيتها ببيانات وأعطيتها وقت لحسابها
03:58
the better it gets.
77
226964
1312
كلما حصلت على نتائج أفضل
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
وقد عرضت نيويورك تايمز أيضاً في هذا المقال
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
نتيجه أخرى فائقة للتعلم العميق
04:04
which I'm going to show you now.
80
232857
2712
والتي سأعرضها عليكم الأن
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
فهي تظهر قدرة الكمبيوتر على أن يسمع ويفهم
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(فيديو) ريتشارد رشيد : الأن ،
أخر خطوة
أخر خطوة
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
التي أريد تحقيقها في هذه العملية
04:18
is to actually speak to you in Chinese.
84
246246
4715
هي أن أتحدث بالصينية لكم
04:22
Now the key thing there is,
85
250961
2635
الأن الشئ الرئيسي هو ،
04:25
we've been able to take a large amount
of information from many Chinese speakers
of information from many Chinese speakers
86
253596
5002
أننا تمكنا من أخذ كمية كبيرة من
المعلومات من العديد من متحدثي الصينية
المعلومات من العديد من متحدثي الصينية
04:30
and produce a text-to-speech system
87
258598
2530
وأنتجنا نظام لتحويل النص المكتوب لحديث
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
وأخذنا نص صيني وحولناه للغة الصينية
04:37
and then we've taken
an hour or so of my own voice
an hour or so of my own voice
89
265801
4128
ثم أخذنا بعد ذلك ما يقرب من ساعة لصوتي
04:41
and we've used that to modulate
90
269929
1891
وأستخدمناه لتعديل صوت
04:43
the standard text-to-speech system
so that it would sound like me.
so that it would sound like me.
91
271820
4544
النظام الأساسي لتحويل النص
المكتوب لحديث حتى يبدو كصوتي
المكتوب لحديث حتى يبدو كصوتي
04:48
Again, the result's not perfect.
92
276364
2540
مرة أخرى ، النتيجة ليست مثالية
04:50
There are in fact quite a few errors.
93
278904
2648
في الحقيقة كان هناك بعض الأخطاء القليلة
04:53
(In Chinese)
94
281552
2484
(باللغة الصينية)
04:56
(Applause)
95
284036
3367
(تصفيق)
05:01
There's much work to be done in this area.
96
289446
3576
هناك الكثير من العمل الذي يجب
أنجازه في هذا المجال
أنجازه في هذا المجال
05:05
(In Chinese)
97
293022
3645
(باللغة الصينية)
05:08
(Applause)
98
296667
3433
(تصفيق)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
جيرمي هوارد : حسناً ، هذا كان
في مؤتمر التعلم الآلي بالصين
في مؤتمر التعلم الآلي بالصين
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
في الواقع ليس من المعتاد
بالمؤتمرات الأكاديمية
بالمؤتمرات الأكاديمية
05:19
that you do hear spontaneous applause,
101
307114
1897
أن تسمع تصفيق عفوي
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
بالرغم من أنه أحياناً بالطبع يحدث
بمؤتمرات TEDx ، تصرفوا بحريتكم.
بمؤتمرات TEDx ، تصرفوا بحريتكم.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
كل ما رأيتموه هناك كان يحدث بالتعلم العميق
05:27
(Applause) Thank you.
104
315482
1525
(تصفيق)
شكراً لكم
شكراً لكم
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
كتابة نص الحديث بالإنجليزية
كان التعلم العميق
كان التعلم العميق
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
الترجمة للصينية والكتابة بأعلى
اليمين كان التعلم العميق
اليمين كان التعلم العميق
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
كما أن تركيب الصوت تم عبر
التعلم العميق أيضاً
التعلم العميق أيضاً
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
لذلك فإن التعلم العميق هو شئ مذهل.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
إنها لوغاريتمة واحدة تستطيع
تقريباً أن تفعل أي شئ
تقريباً أن تفعل أي شئ
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
وقد أكتشفت أنها منذ عام مضى
أيضاً قد تعلمت أت ترى.
أيضاً قد تعلمت أت ترى.
05:47
In this obscure competition from Germany
111
335452
2176
في مسابقة غير معروفة بألمانيا
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
تدعى معيار التعرف على إشارات المرور الألمانية
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
التعلم العميق قد تعلم التعرف
على إشارات المرور مثل هذه
على إشارات المرور مثل هذه
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
وهي لا تستطيع فقط التعرف على إشارات المرور
05:57
better than any other algorithm,
115
345712
1758
أفضل من أي لوغاريتمة أخرى
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
بل في الحقيقه تظهر اللوحة
أنها أفضل من البشر
أنها أفضل من البشر
06:02
about twice as good as people.
117
350189
1852
بحوالي مرتين مما يستطيعه البشر.
06:04
So by 2011, we had the first example
118
352041
1996
لذلك عام 2011 كان لدينا أول مثال
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
لكمبيوتر يستطيع أن يرى أفضل من البشر
06:09
Since that time, a lot has happened.
120
357442
2049
ومنذ ذلك الوقت حدث الكثير
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
في عام 2012 جوجل أعلنت
أن لديهم خوارزمة تعلم عميق
أن لديهم خوارزمة تعلم عميق
06:15
watch YouTube videos
122
363005
1415
تشاهد فيديوهات اليوتيوب
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
وتعالج بيانات 16000 كمبيوتر شهرياً
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
ثم يقوم الكمبيوتر ذاتياً بالتعلم
عن مفاهيم مثل التاس والقطط
عن مفاهيم مثل التاس والقطط
06:24
just by watching the videos.
125
372218
1809
فقط بمجرد مشاهدة الفيديوهات
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
هذا يشبه كثيراً طريقة تعلم البشر
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
البشر لا يتعلمون عن طريق
إخبارهم عن ما يروه
إخبارهم عن ما يروه
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
ولكن يعلمون أنفسهم ماذا تكون هذه الأشياء
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
أيضاً في عام 2012 ، جوفري هينتون
الذي رأيناه منذ قليل
الذي رأيناه منذ قليل
06:37
won the very popular ImageNet competition,
130
385819
2858
فاز بمسابقة ImageNet ذائعة الصيت
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
حيث كان يبحث عن محاولة
لإكتشاف من بين مليون ونصف صورة
لإكتشاف من بين مليون ونصف صورة
06:44
what they're pictures of.
132
392818
1438
مما تم تصويرهم
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
وبالنسبة لـ 2014 فإننا الأن
قلصنا نسبة الخطأ لـ 6%
قلصنا نسبة الخطأ لـ 6%
06:49
in image recognition.
134
397789
1453
في التعرف على الصور
06:51
This is better than people, again.
135
399242
2026
ومرة أخرى ، هذا أفضل من البشر
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
لذلك فإن الألات بالفعل
تستطيع القيام بأعمال فائقة
تستطيع القيام بأعمال فائقة
06:57
and it is now being used in industry.
137
405037
2269
ويتم إستخدامها الأن بالصناعة
06:59
For example, Google announced last year
138
407306
3042
وكمثال فإن جوجل أعلنت العام الماضي
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
أنهم رسموا خريطة لكل مكان بفرنسا في ساعتين
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
وقد فعلوا هذا عن طريق إدخال صور للشوارع
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
لخوارزمة التعلم العميق للتعرف
على وقراءة أرقام الشوارع
على وقراءة أرقام الشوارع
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
لك أن تتخيل كم كانت ستسغرق مسبقاً
07:16
dozens of people, many years.
143
424919
3355
عشرات الناس والعديد من السنوات.
07:20
This is also happening in China.
144
428274
1911
وقد حدثت أيضاً في الصين.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
بيدو هو نوع من جوجل الصيني ، على ما أعتقد
07:26
and what you see here in the top left
146
434221
2283
وما ترونه هنا في أعلى اليسار
07:28
is an example of a picture that I uploaded
to Baidu's deep learning system,
to Baidu's deep learning system,
147
436504
3974
مثال لصورة قد حملتها إلى
نظام بيدو للتعلم العميق
نظام بيدو للتعلم العميق
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
وبالأسفل ترون أن النظام قد
فهم ماذا تكون هذه الصورة
فهم ماذا تكون هذه الصورة
07:36
and found similar images.
149
444247
2236
بل ووجدت صور أخرى مشابهة
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
الصور المشابهة ذات خلفيات متماثلة
07:41
similar directions of the faces,
151
449219
1658
بنفس إتجاهات الوجوه
07:42
even some with their tongue out.
152
450877
1788
بل بعضهم كان بلسانه إلى الخارج
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
وهذا لم يكن بالطبع بحث
عن نص مكتوب على صفحة ويب
عن نص مكتوب على صفحة ويب
07:47
All I uploaded was an image.
154
455695
1412
كل ما حملته كان صورة.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
لذلك أصبح لدينا الأن أجهزة
كمبيوتر تستطيع بالفعل فهم ما تراه
كمبيوتر تستطيع بالفعل فهم ما تراه
07:53
and can therefore search databases
156
461128
1624
وبالتالي تستطيع البحث
في قواعد بيانات
في قواعد بيانات
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
لمئات الملايين من الصور في نفس الوقت.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
والأن ما الذي يعنيه أن تستطيع
أجهزة الكمبيوتر أن ترى؟
أجهزة الكمبيوتر أن ترى؟
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
حسناً ، ليس فقط أن أجهزة الكمبيوتر
تستطيع الرؤية
تستطيع الرؤية
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
في الواقع التعلم العميق قد فعل أكثر من هذا
08:05
Complex, nuanced sentences like this one
161
473622
2948
فجمل معقدة ودقيقة مثل هذه
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
الأن أصبحت مفهومة بخوارزمة التعلم العميق
08:11
As you can see here,
163
479394
1303
كما تروا هنا
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
هذا نظام ستانفورد يظهر النقاط الحمراء بأعلى
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
قد كشفت أن هذه الجملة تعبر عن إحساس سلبي
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
في الواقع التعلم العميق الأن
أصبح قريب من الأداء البشري
أصبح قريب من الأداء البشري
08:22
at understanding what sentences are about
and what it is saying about those things.
and what it is saying about those things.
167
490802
5121
في فهم ما تعبر عنه الجمل
وما تقوله عن هذه الأشياء.
وما تقوله عن هذه الأشياء.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
التعلم العميق قد أستخدم أيضا لقراءة
الصينية
الصينية
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
وبنفس مستوى متحدث الصينية كلغته الأم
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
هذه الخوارزمة تم تطويرها بسويسرا
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
بواسطة ناس لم يتحدث أي منهم أو يفهم الصينية
08:39
As I say, using deep learning
172
507331
2051
وكما قلت إستخدام التعلم العميق
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
أصبح أفضل نظام بالعالم لمثل هذا
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
بل ويمكن مقارنته للفهم البشري للغة الأم
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
هذا هو النظام الذي صنعناه بشركتي
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
والذي يظهر وضع هذه الأشياء معاً
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
هذه الصور ليس لها أي نص مكتوب ملحق بها
08:56
and as I'm typing in here sentences,
178
524189
2352
وأثناء كتابتي هنا لجمل نصية
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
فهي تفهم هذه الصور في نفس الوقت
09:01
and figuring out what they're about
180
529510
1679
وتحدد ما تعبر عنه هذه الصور
09:03
and finding pictures that are similar
to the text that I'm writing.
to the text that I'm writing.
181
531189
3163
وتجد الصور التي تشابه النص الذي كتبته
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
تستطيع أن تروا أنها بالفعل تفهم كتابتي
09:09
and actually understanding these pictures.
183
537108
2224
وأيضاً تفهم هذه الصور
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
أعلم أنك رأيت شئ يشبه ذلك على جوجل
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
حيث تكتب عن أشياء لتظهر لك بالصور
09:16
but actually what it's doing is it's
searching the webpage for the text.
searching the webpage for the text.
186
544666
3424
ولكن ما تفعله بالواقع هو بحث
عن نصوص بصفحة الموقع
عن نصوص بصفحة الموقع
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
وهذا مختلف كلياً عن الفهم الفعلي للصور
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
وهذا شئ يستطيع الكمبيوتر فقط فعله
09:25
for the first time in the last few months.
189
553843
3248
لأول مرة بالشهور القليلة الماضية.
09:29
So we can see now that computers
can not only see but they can also read,
can not only see but they can also read,
190
557091
4091
نرى الأن أجهزة الكمبيوتر تستطيع
ليس فقط الرؤية بل القراءة أيضاً
ليس فقط الرؤية بل القراءة أيضاً
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
وبالطبع قد عرضنا أنها تستطيع فهم ما تسمعه.
09:36
Perhaps not surprising now that
I'm going to tell you they can write.
I'm going to tell you they can write.
192
564947
3442
ربما ليس من المفاجئ الأن أن
أخبرك أنها تستطيع الكتابة.
أخبرك أنها تستطيع الكتابة.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
هنا بعض النصوص التي أنتجتها بالأمس مستخدماً خوارزمة التعلم العميق
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
وهنا بعض النصوص التي أنتجتها
خوارزمة بستانفورد
خوارزمة بستانفورد
09:49
Each of these sentences was generated
195
577096
1764
كلاً من هذه الجمل المكتوبة تم إنتاجها
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
بواسطة خوارزمة التعلم العميق
لوصف كلاً من هذه الصور
لوصف كلاً من هذه الصور
09:55
This algorithm before has never seen
a man in a black shirt playing a guitar.
a man in a black shirt playing a guitar.
197
583109
4472
هذه الخوارزمة لم ترى من قبل رجل
يرتدي قميص أسود ويعزف على الجيتار
يرتدي قميص أسود ويعزف على الجيتار
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
هي رأت رجل من قبل ورأت اللون الأسود من قبل
10:01
it's seen a guitar before,
199
589801
1599
ورأت جيتار من قبل
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
لكنها ذاتياً أنتجت وصفها
الجديد عن هذه الصورة
الجديد عن هذه الصورة
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
ما زال هذا الأداء ليس كمثيله
البشري ولكننا قريبين
البشري ولكننا قريبين
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
في الإختبارات البشر يفضلون
الشرح الذي أنتجه الكمبيوتر
الشرح الذي أنتجه الكمبيوتر
10:15
one out of four times.
203
603264
1527
بنسبة واحد لأربعة
10:16
Now this system is now only two weeks old,
204
604791
2064
الأن هذا النظام عمره أسبوعين فقط
10:18
so probably within the next year,
205
606855
1846
لذا ربما يكون بحلول العام القادم
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
تكون قد تعدت خوارزمة
الكمبيوتر الأداء البشري
الكمبيوتر الأداء البشري
10:23
at the rate things are going.
207
611502
1862
بنسبة الإنجاز هذه التي تتم بها الأشياء
10:25
So computers can also write.
208
613364
3049
لذلك فإن الكمبيوتر يستطيع أيضاً أن يكتب
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
إذا وضعنا كل هذا معا فسيقودنا لفرص مدهشة
10:31
For example, in medicine,
210
619888
1492
مثلاً في صناعة الدواء
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
أعلن فريق عمل ببوسطن أنهم أكتشفوا
10:35
dozens of new clinically relevant features
212
623905
2949
عشرات التشخيصات الجديدة المتعلقة
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
بالأورام التي تساعد الأطباء
علي التنبؤ بالسرطان
علي التنبؤ بالسرطان
10:44
Very similarly, in Stanford,
214
632220
2296
وفي أمر مشابهه بستانفورد
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
أعلنت مجموعة كانت تفحص الأنسجة المكبره
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
أنهم طوروا نظام قائم على التعلم الآلي
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
هو في الواقع أفضل من الأخصائين
البشريين في علوم الأمراض
البشريين في علوم الأمراض
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
وتنبأت بمعدلات نجاة لمن يعانون من السرطان
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
في كلا الحالتين لم يكن التنبأ أكثر دقه فقط
11:02
but they generated new insightful science.
220
650764
2502
ولكنهم أنتجوا علم دقيق جديد
11:05
In the radiology case,
221
653276
1505
في حالة طب الأشعة
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
هناك مؤشرات تشخيصية
جديدة يستطيع البشر إدراكها
جديدة يستطيع البشر إدراكها
11:09
In this pathology case,
223
657876
1792
في حالة علم الأمراض
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
نظام الكمبيوتر قد أكتشف
بالفعل أن الخلايا حول السرطان
بالفعل أن الخلايا حول السرطان
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
هي بأهمية الخلايا السرطانية نفسها
11:19
in making a diagnosis.
226
667508
1752
للتوصل للتشخيص
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
وهذا عكس ما تعلمه أخصائي
الأمراض لعشرات السنين
الأمراض لعشرات السنين
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
وقد تم تطوير كلا الحالتين بنظم الكمبيوتر
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
بواسطة مجموعة من خبراء في
كلاً من الطب والتعلم الألي
كلاً من الطب والتعلم الألي
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
لكن بالنسبة للعام الماضي
فقد تخطينا هذا الأن أيضاً
فقد تخطينا هذا الأن أيضاً
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
هذا مثال للتعرف على المناطق السرطانية
11:39
of human tissue under a microscope.
232
687824
2530
من أنسجة إنسان تحت الميكرسكوب
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
النظام الذي تم عرضه هنا
يستطيع تحديد هذه المناطق بدقة أكبر
يستطيع تحديد هذه المناطق بدقة أكبر
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
أو بنفس دقة أخصائي الأمراض البشريين
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
لكن تم بنائها بالكامل بالتعلم العميق
بدون إستخدام أي خبرة طبية
بدون إستخدام أي خبرة طبية
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
وبواسطة ناس ليس لديهم أي خلفية
عن هذا المجال
عن هذا المجال
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
وبالمثل هنا في فصل الخلايا العصبية
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
نحن نستطيع الأن فصل الخلايا
العصبية بنفس دقة البشر
العصبية بنفس دقة البشر
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
ولكن هذا النظام تم تطويره بالتعلم العميق
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
بإستخدام ناس ليس لديهم أي خلفية طبية سابقة
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
وأنا عن نفسي كشخص ليس
لديه أي خلفية طبية سابقة
لديه أي خلفية طبية سابقة
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
يبدو أنني مؤهل تماماً لبدء شركة طبية جديدة
12:15
which I did.
243
723875
2146
والتي بدئتها بالفعل
12:18
I was kind of terrified of doing it,
244
726021
1740
وكنت إلى حد ما قلق من القيام بذلك
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
ولكن النظرية رجحت أن الأمر سيكون ممكناً
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
لعمل أدوية مفيدة جداً بإستخدام
فقط أساليب تحليل البيانات
فقط أساليب تحليل البيانات
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
وحمداً لله أن الأراء كانت رائعة
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
ليس فقط من جانب الإعلام
ولكن من المجتمع الطبي
ولكن من المجتمع الطبي
12:32
who have been very supportive.
249
740978
2344
الذي كان داعماً جداً
12:35
The theory is that we can take
the middle part of the medical process
the middle part of the medical process
250
743322
4149
النظرية كانت أننا نستطيع أن
نأخذ الجزء الأوسط من العملية الطبية
نأخذ الجزء الأوسط من العملية الطبية
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
ونحوله لتحليل بيانات بقدر المستطاع
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
ونترك الأطباء ليفعلوا ماهم خبراء به
12:45
I want to give you an example.
253
753429
1602
وأريد أن أعطيكم مثال
12:47
It now takes us about 15 minutes
to generate a new medical diagnostic test
to generate a new medical diagnostic test
254
755031
4944
نستغرق الأن حوالي 15 دقيقة
لإستخراج إختبار تشخيص طبي جديد
لإستخراج إختبار تشخيص طبي جديد
12:51
and I'll show you that in real time now,
255
759975
1954
وسأريكم الأن هذا المثال في نفس وقت حديثنا
12:53
but I've compressed it down to
three minutes by cutting some pieces out.
three minutes by cutting some pieces out.
256
761929
3487
ولكني قلصتها لثلاث دقائق
بإقتطاع بعض الأجزاء منها
بإقتطاع بعض الأجزاء منها
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
وبدلاً من أن أعرض عليكم
عمل إختبار تشخيص طبي
عمل إختبار تشخيص طبي
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
سأريكم إختبار تشخيص لصور سيارات
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
لأن هذا سنستطيع جميعنا فهمه
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
لذلك سنبدأ بحوالي 1.5 مليون صور سيارات
13:09
and I want to create something
that can split them into the angle
that can split them into the angle
261
777269
3206
أنا هنا أريد عمل شئ يستطيع
تقسيم الصور للزاوية
تقسيم الصور للزاوية
13:12
of the photo that's being taken.
262
780475
2223
التي تم إلتقاطها بها
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
so I have to start from scratch.
263
782698
3888
ولأن هذه الصور لم يتم تصنيفها
تماماً لذا كا ن علي البدء من نقطة الصفر
تماماً لذا كا ن علي البدء من نقطة الصفر
13:18
With our deep learning algorithm,
264
786586
1865
بخوازمتنا للتعلم العميق
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
إنها تستطيع تلقائياً التعرف
على مناطق بنية هذه الصور
على مناطق بنية هذه الصور
13:24
So the nice thing is that the human
and the computer can now work together.
and the computer can now work together.
266
792158
3620
الشئ الظريف أن الإنسان والكمبيوتر
يستطيعان الأن العمل سوياً
يستطيعان الأن العمل سوياً
13:27
So the human, as you can see here,
267
795778
2178
كما تروا هنا الإنسان
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
يخبر الكمبيوتر عن دوائر الإهتمام
13:32
which it wants the computer then
to try and use to improve its algorithm.
to try and use to improve its algorithm.
269
800631
4650
التي تريد من الكمبيوتر أن يجربها
ليطور بعد ذلك من خوارزمته
ليطور بعد ذلك من خوارزمته
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
الأن هذه النظم للتعلم الألي هي
بالفعل بفراغ ذو 16000 بعد
بالفعل بفراغ ذو 16000 بعد
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
لذلك نرى الكمبيوتر يدير
الصور في هذا الفراغ
الصور في هذا الفراغ
13:45
trying to find new areas of structure.
272
813009
1992
محاولاً إيجاد مناطق جديدة للتركيبه
13:47
And when it does so successfully,
273
815001
1781
وعندما ينجح في تنفيذ هذا
13:48
the human who is driving it can then
point out the areas that are interesting.
point out the areas that are interesting.
274
816782
4004
يستطيع الإنسان الذي بدءها أن
يشير إلى المناطق التي تهمه
يشير إلى المناطق التي تهمه
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
وهنا الكمبيوتر بالفعل وجد
هذه المناطق بنجاح
هذه المناطق بنجاح
13:55
for example, angles.
276
823208
2562
فمثلاً ، الزوايا
13:57
So as we go through this process,
277
825770
1606
فكلما تعمقنا في هذه العملية
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
فإننا نخبر الكمبيوتر تدريجياً أكثر وأكثر
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
عن أنواع التركيبة التي نبحث عنها
14:04
You can imagine in a diagnostic test
280
832144
1772
ولك أن تتخيل في إختبارات
التشخيص الطبي
التشخيص الطبي
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
فمثلاً كتحديد أخصائي الأمراض بأماكن المرض
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
أو كإشارة أخصائي الأشعة للنقاط المقلقة
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
وأحياناً يكون هذا صعب على الخوارزمة
14:16
In this case, it got kind of confused.
284
844851
1964
حيث يحدث لها حالة من الإرتباك
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
مقدمات وخلفيات السيارات إختلطت جميعها
14:21
So here we have to be a bit more careful,
286
849365
2072
لذلك يجب أن نكون حريصين قليلاً
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
فيتم إختيار المقدمة يدوياً كشئ
عكس الخلفيات
عكس الخلفيات
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
ونخبر الكمبيوتر بعدها أن هذا تصنيف
المجموعه
المجموعه
14:32
that we're interested in.
289
860175
1348
التي نريدها
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
نفعل هذا لفترة من الزمن
لأننا نتخطاه قليلاً
لأننا نتخطاه قليلاً
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
وبعدها ندرب الكمبيوتر على
خوارزمة التعلم الآلي
خوارزمة التعلم الآلي
14:38
based on these couple of hundred things,
292
866446
1974
بناء على المائتين شئ هذه
14:40
and we hope that it's gotten a lot better.
293
868420
2025
ونأمل أن تصبح هذه الأمور أفضل بكثير
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
يمكنكم رؤية أنها بدءت الأن
تغذية بعض هذه الصور
تغذية بعض هذه الصور
14:45
showing us that it already is recognizing
how to understand some of these itself.
how to understand some of these itself.
295
873518
4708
لتظهر لنا إنها بالفعل بدءت التعرف
على كيفية فهم البعض بنفسها
على كيفية فهم البعض بنفسها
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
ويمكننا إستخدام نفس مبدأ الصور المشابهه
14:53
and using similar images, you can now see,
297
881128
2094
ونستخدم صور مشابهه كما ترون الأن
14:55
the computer at this point is able to
entirely find just the fronts of cars.
entirely find just the fronts of cars.
298
883222
4019
الكمبيوتر عند هذه النقطة يستطيع أن
يجد فقط مقدمات السيارات
يجد فقط مقدمات السيارات
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
ومن هنا يستطيع البشر إخبار الكمبيوتر
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
أنك بالفعل قد قمت بعمل ممتاز
15:05
Sometimes, of course, even at this point
301
893652
2185
أحياناً بالطبع عند هذه النقطة
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
يظل صعباً فصل هذه المجموعات
15:11
In this case, even after we let the
computer try to rotate this for a while,
computer try to rotate this for a while,
303
899511
3884
حتى بعد أن نترك الكمبيوتر
يحاول إدارتها لوقت
يحاول إدارتها لوقت
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
نظل نجد أن صور الجانب الأيسر والأيمن
15:18
are all mixed up together.
305
906744
1478
تم خلطها جميعها معاً
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
لذلك يجب أن نعطي لكمبيوتر بعض الملحوظات
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
ونقول له جيد حاول وأبحث عن وسيلة لفصل
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
صور الجانب الأيسر عن الأيمن بقدر المستطاع
15:27
using this deep learning algorithm.
309
915945
2122
بإستخدام خوارزمة التعلم العميق
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
وبإعطائه هذه التعليمات. جيد لقد نجحت
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
لقد دبرت أمرها لتجد وسيلة
للتفكير في هذه الأشياء
للتفكير في هذه الأشياء
15:35
that's separated out these together.
312
923891
2380
لفصلها جميعاً
15:38
So you get the idea here.
313
926271
2438
وهنا تكون الفكرة قد وصلت لكم
15:40
This is a case not where the human
is being replaced by a computer,
is being replaced by a computer,
314
928709
8197
وهذه الحالة ليست لإحلال
الكمبيوتر مكان البشر
الكمبيوتر مكان البشر
15:48
but where they're working together.
315
936906
2640
ولكن للعمل معاً
15:51
What we're doing here is we're replacing
something that used to take a team
something that used to take a team
316
939546
3550
ما فعلناه هنا أننا إستبدلنا شئ
إعتدنا أن ينفذه فريق
إعتدنا أن ينفذه فريق
15:55
of five or six people about seven years
317
943096
2002
مكون من ستة أشخاص لسبعة سنين
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
واحللنا محله عملاً يأخذ فقط 15 دقيقة
15:59
for one person acting alone.
319
947703
2505
بواسطة شخص واحد يقوم بهذا العمل
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
وهذه العملية تأخذ حوالي أربع لخمس تكرارات
16:06
You can see we now have 62 percent
321
954158
1859
كما تروا أننا الأن لدينا 62%
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
من 1.5 مليون صورة تم تصنيفهم بشكل صحيح
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
ومن هنا نستطيع البدء سريعاً في
16:13
grab whole big sections,
324
961448
1297
ترتيب اقسام كبيرة كاملة
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
نفحص من خلالها لنتأكد أن لا يوجد أخطاء
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
إذا كان هناك أخطاء فيجب إطلاع الكمبيوتر
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
ونستخدم هذه العملية لكل مجموهة مختلفة
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
ونحن الأن وصلنا لنسبة 80% نجاح
16:27
in classifying the 1.5 million images.
329
975148
2415
في تصنيف الـ 1.5 مليون صورة
16:29
And at this point, it's just a case
330
977563
2078
وهذه مجرد حالة واحدة
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
لإيجاد العدد الصغير الذي
لم يتم تصنيفه صحيحاً
لم يتم تصنيفه صحيحاً
16:35
and trying to understand why.
332
983220
2888
ومحاولة فهم هذا الخطأ
16:38
And using that approach,
333
986108
1743
وبإستخدام هذا الإسلوب
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
بعد حوالي 15 دقيقة وصلنا 97% من التصنيف
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
هذا الأسلوب سيمكنا من إصلاح مشاكل كبيرة
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
التي تواجهه نقص بالخبراء الطبيين بالعالم
16:51
The World Economic Forum says
that there's between a 10x and a 20x
that there's between a 10x and a 20x
337
999614
3489
منتدى العالم الإقتصادي يقول أن هناك بين x10 وx20
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
نقص في الأطباء في الدول النامية
16:57
and it would take about 300 years
339
1005727
2113
مما تطلب حوالي 300 سنة
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
لتدريب عدد كافي لإصلاح هذه المشكلة
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
تخيل إذا أستطعنا المساعدة في تحسين كفائتهم
17:05
using these deep learning approaches?
342
1013619
2839
بإستخدام أساليب التعلم العميق
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
لذلك أن متشوق جداً لهذه الفرص
17:10
I'm also concerned about the problems.
344
1018690
2589
كما إنني مهتم جداً بالمشاكل
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
المشكلة أن كل منطقة زرقاء بهذه الخريطة
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
هي مكان ما حيث الخدمات
أكثر من 80% من التشغيل
أكثر من 80% من التشغيل
17:20
What are services?
347
1028172
1787
ما هي الخدمات؟
17:21
These are services.
348
1029959
1514
هذه هي الخدمات
17:23
These are also the exact things that
computers have just learned how to do.
computers have just learned how to do.
349
1031473
4154
وهناك أيضاً أشياء محددة التي
تعلم الكمبيوتر مؤخرا كيف يفعلها
تعلم الكمبيوتر مؤخرا كيف يفعلها
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
لذلك 80% من تشغيل العالم في الدول النامية
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
هي الأشياء التي مؤخراً تعلم
الكمبيوتر كيفية عملها
الكمبيوتر كيفية عملها
17:33
What does that mean?
352
1041963
1440
ما الذي يعنية هذا؟
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
حسناً ، سيتم إستبدالهم بوظائف أخرى
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
مثلا سيكون هناك وظائف أكثر لعلماء البيانات
17:40
Well, not really.
355
1048693
817
ليس حقيقي
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
لن يحتاج علماء البيانات
وقت طويل لبناء هذه الأشياء
وقت طويل لبناء هذه الأشياء
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
فمثلاً الأربع خوارزمات تلك بناهم نفس الشخص
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
إذا كنت تعتقد إنها حدثت جميعها مسبقاً
17:50
we've seen the results in the past
of when new things come along
of when new things come along
359
1058318
3808
فنحن رأينا النتائج بالسابق
عندما حدثت أشياء جديدة
عندما حدثت أشياء جديدة
17:54
and they get replaced by new jobs,
360
1062126
2252
وتم إستبدالهم بوظائف جديدة
17:56
what are these new jobs going to be?
361
1064378
2116
ماذا ستكون هذه الوظائف الجديدة؟
17:58
It's very hard for us to estimate this,
362
1066494
1871
من صعب علينا جداً توقعها
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
لأن إداء الإنسان ينمو بمعدل تدريجي
18:03
but we now have a system, deep learning,
364
1071104
2562
ولكننا الأن لدينا نظام وهو التعلم العميق
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
وما نعرفه بالفعل ينمو بقدرات مضاعفة
18:08
And we're here.
366
1076893
1605
ونحن هنا
18:10
So currently, we see the things around us
367
1078498
2061
وحالياً نرى الأشياء حولنا
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
ونقول "كفى ، الكمبيوتر مازال غبياً" صحيح؟
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
ولكن خلال 5 سنين ستكون أجهزة
الكمبيوتر خارج هذه الخريطة
الكمبيوتر خارج هذه الخريطة
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
لذلك نحتاج أن نفكر في قدراته من الأن
18:22
We have seen this once before, of course.
371
1090529
2050
وقد رأينا مثل هذا من قبل بالطبع
18:24
In the Industrial Revolution,
372
1092579
1387
بالثورة الصناعية
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
لقد رأينا تغير كبير في القدرات بسبب للألات
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
الشئ الهام أنه بعد فترة الأمور تتغير كلياً
18:32
There was social disruption,
375
1100805
1702
كان هناك إرتباك مجتمعي
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
ولكن بمجرد أن تم إستخدام الماكينات
لتوليد الكهرباء بجميع المواقف
لتوليد الكهرباء بجميع المواقف
18:37
things really settled down.
377
1105946
2354
الأمور بالفعل إستقرت
18:40
The Machine Learning Revolution
378
1108300
1473
ثــورة التـعلـم الألــي
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
ستكون مختلفة تماماً عن الثورة الصناعية
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
لأن ثورة التعلم الألي لن تستقر أبداً
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
كلما طورت أجهزة الكمبيوتر مستويات ذكائها
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
كلما إستطاعوا بناء أجهزة كمبيوتر
أفضل لتطوير مستويات ذكائهم
أفضل لتطوير مستويات ذكائهم
18:54
so this is going to be a kind of change
383
1122862
1908
لذا سيكون نوع من التغيير
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
الذي لم يختبره العالم من قبل
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
وسيتغير فهمك السابق عن ماهو ممكن
19:02
This is already impacting us.
386
1130974
1780
إنها بالفعل تؤثر علينا
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
في الـ 25 سنه الماضية حيث
زادت إنتاجية رأس المال
زادت إنتاجية رأس المال
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
الإنتاجية العمالية أصبحت ثابتة بل في الواقع قد إنحدرت قليلاً
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
لذلك أريد منكم ان تبدؤا هذه المناقشة الأن
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
أنا أعرف أنني عادة عندما أخبر الناس عن هذا الموقف
19:19
people can be quite dismissive.
391
1147176
1490
يستطيع الناس أن يرفضوا بشدة
19:20
Well, computers can't really think,
392
1148666
1673
حسناً ، الكمبيوتر لا يستطيع التفكير
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
لا يستطيعون أن يشعروا ولا أن يفهموا الشعر
19:25
we don't really understand how they work.
394
1153367
2521
ونحن في الحقيقة لا نفهم كيف يعملون
19:27
So what?
395
1155888
1486
وما الأهمية؟
19:29
Computers right now can do the things
396
1157374
1804
أجهزة الكمبيوتر الأن تستطيع فعل أشياء
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
يتم الدفع للبشر ليقضوا معظم وقتهم في فعله
19:33
so now's the time to start thinking
398
1161897
1731
لذلك حان الوقت الأن لنبدأ التفكير
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
كيف سنعدل تركيبتنا المجتمعية والإقتصادية؟
19:40
to be aware of this new reality.
400
1168015
1840
لنكون واعيين لهذه الحقيقة الجديدة
19:41
Thank you.
401
1169855
1533
شكراً لكم
19:43
(Applause)
402
1171388
802
(تصفيق)
ABOUT THE SPEAKER
Jeremy Howard - Data scientistJeremy Howard imagines how advanced machine learning can improve our lives.
Why you should listen
Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."
Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.
Jeremy Howard | Speaker | TED.com