TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
ג'רמי הווארד: ההשלכות הנפלאות והמבעיתות של מה שמחשבים יכולים ללמוד
Filmed:
Readability: 4.5
2,532,971 views
מה קורה כאשר אנו מלמדים מחשב איך ללמוד? הטכנולוג ג'רמי הווארד חולק כמה פיתוחים חדשים ומפתיעים בתחום המתקדם במהירות של למידה עמוקה, טכניקה שיכולה להעניק למחשבים את היכולת ללמוד סינית, או לזהות חפצים בתמונות, או לעזור לגבש אבחנה רפואית. (כלי אחד של למידה עמוקה, אחרי צפייה של שעות ביוטיוב, לימד את עצמו את הקונספט של "חתולים".) בואו להיות מרותקים לתחום שישנה את הדרך בה המחשבים שסביבכם מתנהגים... מוקדם מכפי שאתם מצפים.
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
פעם, אם רצית לגרום למחשב לעשות משהו חדש
00:16
you would have to program it.
1
4893
1554
היית צריך לתכנת אותו.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
כעת, תכנות, למי מכם
שלא עשו זאת בעצמם,
שלא עשו זאת בעצמם,
דורש לפרוש בפירוט מייגע
00:21
requires laying out in excruciating detail
3
9858
3502
כל צעד וצעד שאתה רוצה שהמחשב יעשה
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
על מנת להשיג את המטרה שלך.
00:28
in order to achieve your goal.
5
16727
2362
כעת, אם אתה רוצה לעשות משהו
שאתה לא יודע איך לעשות בעצמך,
שאתה לא יודע איך לעשות בעצמך,
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
אז זה הולך להיות אתגר רציני.
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
אז זה היה האתגר שעמד בפני
האיש הזה, ארתור סמואל.
האיש הזה, ארתור סמואל.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
ב-1956, הוא רצה לגרום למחשב הזה
00:40
In 1956, he wanted to get this computer
9
28131
4077
להיות מסוגל להביס אותו בדמקה.
00:44
to be able to beat him at checkers.
10
32208
2340
איך אתה יכול לכתוב תוכנה,
00:46
How can you write a program,
11
34548
2040
לפרוש בפירוט מייגע,
איך להיות יותר טוב ממך בדמקה?
איך להיות יותר טוב ממך בדמקה?
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
אז הוא הגה רעיון:
00:52
So he came up with an idea:
13
40394
1722
הוא נתן למחשב לשחק
נגד עצמו אלפי פעמים
נגד עצמו אלפי פעמים
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
00:57
and learn how to play checkers.
15
45840
2524
וללמוד איך לשחק דמקה.
ואכן זה עבד, ולמעשה עד 1962,
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
המחשב הזה ניצח את האלוף של קונטיקט.
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
אז ארתור סמואל היה אבי הלמידה החישובית.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
ואני חב לו חוב ענק.
01:10
and I have a great debt to him,
19
58534
1717
בגלל שאני עוסק בלמידה חישובית.
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
הייתי הנשיא של קאגל,
01:15
I was the president of Kaggle,
21
63014
1465
קהילה שמונה מעל 200,000 אנשים
שעוסקים בלמידה חישובית.
שעוסקים בלמידה חישובית.
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
קאגל מארגנת תחרויות
01:19
Kaggle puts up competitions
23
67867
2058
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
לנסות ולגרום להם לפתור
בעיות שלא נפתרו עד כה,
בעיות שלא נפתרו עד כה,
וזו הייתה הצלחה מאות פעמים.
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
אז מתצפית מנקודת יתרון זו,
הצלחתי לגלות
הצלחתי לגלות
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
הרבה על מה שלמידה חישובית
יכולה לעשות בעבר, לעשות היום,
יכולה לעשות בעבר, לעשות היום,
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
ומה היא יכולה לעשות בעתיד.
01:35
and what it could do in the future.
28
83890
2362
אולי ההצלחה הגדולה הראשונה של
למידה חישובית באופן מסחרי הייתה גוגל.
למידה חישובית באופן מסחרי הייתה גוגל.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
גוגל הראתה שזה אפשרי למצוא מידע
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
על ידי שימוש באלגוריתם ממוחשב,
01:45
by using a computer algorithm,
31
93784
1752
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
והאלגוריתם הזה
מבוסס על למידה חישובית.
מבוסס על למידה חישובית.
מאז, היו הרבה הצלחות מסחריות
של למידה ממוחשבת.
של למידה ממוחשבת.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
חברות כמו אמזון ונטפליקס
01:54
Companies like Amazon and Netflix
34
102323
1837
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
משתמשות בלמידה חישובית
כדי להציע מוצרים שאולי תרצה לקנות,
כדי להציע מוצרים שאולי תרצה לקנות,
סרטים שאולי תרצה לראות.
01:59
movies that you might like to watch.
36
107876
2020
לפעמים, זה כמעט מפחיד.
02:01
Sometimes, it's almost creepy.
37
109896
1807
חברות כמו לינקדאין ופייסבוק
02:03
Companies like LinkedIn and Facebook
38
111703
1954
לפעמים אומרות לך מי
עשויים להיות החברים שלך
עשויים להיות החברים שלך
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
ואין לך מושג איך הן עשו את זה,
02:08
and you have no idea how it did it,
40
116251
1977
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
וזה בגלל שהן משתמשות בכוחה
של הלמידה החישובית.
של הלמידה החישובית.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
אלו הם אלגוריתמים שלמדו
איך לעשות זאת מנתונים
איך לעשות זאת מנתונים
02:16
rather than being programmed by hand.
43
124152
3247
במקום להיות מתוכנתות לעשות
זאת באופן ידני.
זאת באופן ידני.
02:19
This is also how IBM was successful
44
127399
2478
כך גם IBM הצליחה
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
לגרום לווטסון להביס
את שני אלופי העולם ב"ג'פרדי",
את שני אלופי העולם ב"ג'פרדי",
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
ולענות על שאלות עדינות ומורכבות
להפליא כמו זאת:
להפליא כמו זאת:
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
["ה'אריה של נמרוד' העתיק נעלם מהמוזיאון
הלאומי של העיר הזאת ב-2003 (יחד עם עוד הרבה דברים)"]
הלאומי של העיר הזאת ב-2003 (יחד עם עוד הרבה דברים)"]
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
זו גם הסיבה בגללה אנו עכשיו
רואים את המכוניות הראשונות שנוהגות לבד.
רואים את המכוניות הראשונות שנוהגות לבד.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
אם אתם רוצים להיות מסוגלים
להבחין בין, למשל,
להבחין בין, למשל,
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
עץ והולך רגל, ובכן,
זה די חשוב.
זה די חשוב.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
אנחנו לא יודעים איך לכתוב
את התוכנות הללו באופן ידני,
את התוכנות הללו באופן ידני,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
אך עם למידה חישובית,
זה אפשרי כעת.
זה אפשרי כעת.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
ולמעשה, המכונית הזו נסעה מעל
מיליון מיילים
מיליון מיילים
02:48
without any accidents on regular roads.
54
156680
3506
ללא אף תאונה בכבישים רגילים.
02:52
So we now know that computers can learn,
55
160196
3914
אז אנחנו יודעים שמחשבים יכולים ללמוד,
02:56
and computers can learn to do things
56
164110
1900
ומחשבים יכולים ללמוד לעשות דברים
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
שאנחנו למעשה לפעמים
לא יודעים לעשות בעצמנו,
לא יודעים לעשות בעצמנו,
03:00
or maybe can do them better than us.
58
168848
2885
או אולי יכולים לעשות אותם יותר טוב מאיתנו.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
אחת מהדוגמאות המדהימות ביותר
שראיתי ללמידה חישובית
שראיתי ללמידה חישובית
03:07
happened on a project that I ran at Kaggle
60
175928
2392
קרתה בפרוייקט שהובלתי בקאגל
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
שבו צוות שהובל על ידי
בחור בשם ג'פרי הינטון
בחור בשם ג'פרי הינטון
03:13
from the University of Toronto
62
181911
1552
מאוניברסיטת טורונטו
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
זכה בתחרות על
פיתוח תרופות אוטומטי.
פיתוח תרופות אוטומטי.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
כעת, מה שמדהים פה זה לא רק שהם ניצחו
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
את כל האלגוריתמים שפותחו על ידי מרק
או קהילת האקדמיה העולמית,
או קהילת האקדמיה העולמית,
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
אלא שלאף אחד בצוות לא היה רקע
בכימיה, ביולוגיה או מדעי החיים,
בכימיה, ביולוגיה או מדעי החיים,
03:30
and they did it in two weeks.
67
198061
2169
והם עשו זאת בשבועיים.
03:32
How did they do this?
68
200230
1381
איך הם עשו זאת?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
הם השתמשו באלגוריתם
יוצא דופן שנקרא למידה עמוקה.
יוצא דופן שנקרא למידה עמוקה.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
זה היה כל כך חשוב
שההצלחה סוקרה
שההצלחה סוקרה
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
בניו יורק טיימס במאמר בעמוד הראשי
כמה שבועות לאחר מכן.
כמה שבועות לאחר מכן.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
זה ג'פרי הינטון
כאן משמאל.
כאן משמאל.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
למידה עמוקה הוא אלגוריתם
ששואב השראה מהמוח האנושי,
ששואב השראה מהמוח האנושי,
03:50
and as a result it's an algorithm
74
218488
1812
וכתוצאה מכך הוא אלגוריתם
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
שאין לו מגבלות תיאורטיות
על מה שהוא מסוגל לעשות.
על מה שהוא מסוגל לעשות.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
ככל שנותנים לו יותר נתונים וזמן חישוב,
03:58
the better it gets.
77
226964
1312
כך הוא משתפר.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
הניו יורק טיימס גם
הראה במאמר הזה
הראה במאמר הזה
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
תוצאה מדהימה נוספת
של למידה חישובית
של למידה חישובית
04:04
which I'm going to show you now.
80
232857
2712
שאני הולך להראות לכם כעת.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
הם מראים שמחשבים יכולים
להקשיב ולהבין.
להקשיב ולהבין.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(וידאו) ריצ'רד ראשיד: עכשיו, הצעד האחרון
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
שאני רוצה להיות מסוגל לבצע בתהליך הזה
04:18
is to actually speak to you in Chinese.
84
246246
4715
הוא למעשה לדבר אליכם בסינית.
04:22
Now the key thing there is,
85
250961
2635
עכשיו המפתח פה,
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
הוא שהצלחנו לקחת כמות גדולה
של מידע מהרבה דוברי סינית
של מידע מהרבה דוברי סינית
04:30
and produce a text-to-speech system
87
258598
2530
ולייצר מערכת של טקסט-לדיבור
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
שלוקחת טקסט בסינית
והופכת אותו לשפה סינית,
והופכת אותו לשפה סינית,
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
ואז לקחנו כשעה של הקול שלי
04:41
and we've used that to modulate
90
269929
1891
והשתמשנו בזה כדי להתאים
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
את המערכת הסטנדרטית של טקסט-לדיבור
כך שהיא תישמע כמוני.
כך שהיא תישמע כמוני.
04:48
Again, the result's not perfect.
92
276364
2540
שוב, התוצאה לא מושלמת.
04:50
There are in fact quite a few errors.
93
278904
2648
יש למעשה די הרבה שגיאות.
04:53
(In Chinese)
94
281552
2484
(בסינית)
04:56
(Applause)
95
284036
3367
(מחיאות כפיים)
05:01
There's much work to be done in this area.
96
289446
3576
יש הרבה עבודה לעשות בתחום הזה.
05:05
(In Chinese)
97
293022
3645
(סינית)
05:08
(Applause)
98
296667
3433
(מחיאות כפיים)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
(ג'רמי הווארד:) ובכן, זה היה בכנס
למידה חישובית בסין.
למידה חישובית בסין.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
זה די נדיר, למעשה, בכנסים אקדמאים
05:19
that you do hear spontaneous applause,
101
307114
1897
לשמוע מחיאות כפיים ספונטניות,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
למרות שכמובן לפעמים
בכנסים של TEDx, הרגישו חופשי.
בכנסים של TEDx, הרגישו חופשי.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
כל מה שראיתם שם קרה עם למידה עמוקה.
05:27
(Applause) Thank you.
104
315482
1525
(מחיאות כפיים)
תודה.
תודה.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
התמלול לאנגלית היה למידה עמוקה.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
התרגום לסינית והטקסט
מימין למעלה- למידה עמוקה.
מימין למעלה- למידה עמוקה.
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
והבניה של הקול היתה למידה עמוקה גם כן.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
אז למידה עמוקה היא דבר מדהים.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
זה אלגוריתם יחיד שיכול לעשות כמעט הכל.
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
וגיליתי ששנה קודם לכן,
הוא גם למד לראות.
הוא גם למד לראות.
05:47
In this obscure competition from Germany
111
335452
2176
בתחרות לא מוכרת בגרמניה
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
בשם הבוחן הגרמני לביצועי זיהוי שלטי תנועה
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
למידה עמוקה למדה לזהות
שלטי תנועה כמו זה
שלטי תנועה כמו זה
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
היא לא רק זיהתה את השלטים
05:57
better than any other algorithm,
115
345712
1758
יותר טוב מכל אלגוריתם אחר,
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
לוח התוצאות ממש הראה שהיא
יותר טובה מאנשים,
יותר טובה מאנשים,
06:02
about twice as good as people.
117
350189
1852
בערך פי 2 יותר טוב מאנשים.
06:04
So by 2011, we had the first example
118
352041
1996
אז עד 2011, היתה לנו את הדוגמה הראשונה
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
למחשבים שיכולים לראות יותר טוב מאנשים.
06:09
Since that time, a lot has happened.
120
357442
2049
מאז, הרבה התרחש.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
ב-2012, גוגל הכריזה שהיא
נתנה לאלגוריתם למידה עמוקה
נתנה לאלגוריתם למידה עמוקה
06:15
watch YouTube videos
122
363005
1415
לצפות בסרטוני יוטיוב
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
והם עבדו על הנתונים על 16,000
מחשבים למשך חודש,
מחשבים למשך חודש,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
והמחשב למד באופן עצמאי על
מושגים כמו אנשים וחתולים
מושגים כמו אנשים וחתולים
06:24
just by watching the videos.
125
372218
1809
רק מצפייה בסרטונים.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
זה מאוד דומה לדרך בה אנשים לומדים.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
בני אדם לא לומדים על ידי כך
שאומרים להם מה הם רואים,
שאומרים להם מה הם רואים,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
אלא על ידי למידה עצמאית
של מהם אותם דברים.
של מהם אותם דברים.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
גם ב-2012, ג'פרי הינטון,
שראינו קודם,
שראינו קודם,
06:37
won the very popular ImageNet competition,
130
385819
2858
ניצח בתחרות אימג'נט המאוד פופולרית,
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
שביקשה לנסות לגלות על
1.5 מיליון תמונות
1.5 מיליון תמונות
06:44
what they're pictures of.
132
392818
1438
תמונות של מה הן.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
נכון ל-2014, ירדנו
לשיעור שגיאות של 6%
לשיעור שגיאות של 6%
06:49
in image recognition.
134
397789
1453
בזיהוי תמונה.
06:51
This is better than people, again.
135
399242
2026
זה יותר טוב מאנשים, שוב.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
אז מכונות באמת עושות עבודה מצויינת בכך,
06:57
and it is now being used in industry.
137
405037
2269
וזה עכשיו נכנס לשימוש בתעשייה.
06:59
For example, Google announced last year
138
407306
3042
למשל, גוגל הכריזה בשנה שעברה
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
שהם מיפו כל מיקום ומיקום בצרפת תוך שעתיים,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
והדרך בה הם עשו זאת היתה
הזנת תמונות רחוב
הזנת תמונות רחוב
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
לאלגוריתם למידה עמוקה
שיזהה ויקרא מספרי רחובות.
שיזהה ויקרא מספרי רחובות.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
דמיינו כמה זמן זה היה לוקח בעבר:
07:16
dozens of people, many years.
143
424919
3355
עשרות אנשים, שנים רבות.
07:20
This is also happening in China.
144
428274
1911
זה גם קורה בסין.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
באידו הוא סוג של
הגוגל הסיני, אני מניח.
הגוגל הסיני, אני מניח.
07:26
and what you see here in the top left
146
434221
2283
ומה שרואים כאן בשמאל למעלה
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
הוא דוגמה לתמונה שאני העליתי
למערכת הלמידה העמוקה של באידו,
למערכת הלמידה העמוקה של באידו,
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
ומתחת אפשר לראות שהמערכת הבינה מה התמונה
07:36
and found similar images.
149
444247
2236
ומצאה תמונות דומות.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
לתמונות הדומות למעשה יש רקעים דומים,
07:41
similar directions of the faces,
151
449219
1658
כיווני פרצופים דומים,
07:42
even some with their tongue out.
152
450877
1788
אפילו כמה עם הלשון בחוץ.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
זה לא להסתכל על טקסט של דף אינטרנט.
07:47
All I uploaded was an image.
154
455695
1412
כל מה שאני העליתי היה תמונה.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
אז כעת יש לנו מחשבים שבאמת
מבינים מה הם רואים
מבינים מה הם רואים
07:53
and can therefore search databases
156
461128
1624
ולכן יכולים לחפש במאגרי מידע
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
של מאות מיליוני תמונות בזמן אמת.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
אז מה זה אומר
עכשיו שמחשבים יכולים לראות?
עכשיו שמחשבים יכולים לראות?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
ובכן, זה לא רק
שמחשבים יכולים לראות.
שמחשבים יכולים לראות.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
למעשה, למידה עמוקה
עשתה יותר מכך.
עשתה יותר מכך.
08:05
Complex, nuanced sentences like this one
161
473622
2948
משפטים מורכבים עם ניואנסים, כמו זה
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
הם כעת מובנים בעזרת
אלגוריתמים של למידה עמוקה.
אלגוריתמים של למידה עמוקה.
08:11
As you can see here,
163
479394
1303
כמו שאתם רואים פה,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
המערכת הזו שמבוססת בסטנפורד
שמראה את הנקודה האדומה למעלה
שמראה את הנקודה האדומה למעלה
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
הבינה שהמשפט הזה מבטא רגש שלילי.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
למידה עמוקה היא כעת למעשה
כמעט ברמה של בן אדם
כמעט ברמה של בן אדם
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
בלהבין על מה משפטים מדברים
ומה הם אומרים על אותם דברים.
ומה הם אומרים על אותם דברים.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
בנוסף, עשו שימוש בלמידה עמוקה
לקריאת סינית,
לקריאת סינית,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
שוב, בערך ברמה של דובר סינית מלידה.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
האלגוריתם הזה שפותח בשוויץ
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
על ידי אנשים שאף אחד
מהם לא דובר או מבין סינית.
מהם לא דובר או מבין סינית.
08:39
As I say, using deep learning
172
507331
2051
כמו שאמרתי, שימוש בלמידה עמוקה
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
היא בערך המערכת הכי טובה
בעולם לשם כך,
בעולם לשם כך,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
אפילו בהשוואה
להבנה אנושית.
להבנה אנושית.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
זוהי מערכת אותה אנו בונים בחברה שלי
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
שמראה איך מחברים את כל הדברים האלה.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
אלו תמונות להן לא מצורף טקסט,
08:56
and as I'm typing in here sentences,
178
524189
2352
וכשאני מקליד את המשפטים האלה כאן,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
בזמן אמת זה מבין את התמונות האלו
09:01
and figuring out what they're about
180
529510
1679
ומבין על מה הן
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
ומבין שהתמונות דומות לטקסט שאני כותב.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
אז אתם רואים, זה למעשה
מבין את המשפטים שלי
מבין את המשפטים שלי
09:09
and actually understanding these pictures.
183
537108
2224
וממש מבין את התמונות הללו.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
אני יודע שראיתם משהו דומה בגוגל,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
שבו אפשר להקליד דברים
וזה מראה לך תמונות,
וזה מראה לך תמונות,
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
אבל למעשה מה שזה עושה זה
לחפש בדף האינטרנט אחר טקסט.
לחפש בדף האינטרנט אחר טקסט.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
זה מאוד שונה מאשר ממש להבין את התמונות.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
זה משהו שמחשבים
היו מסוגלים לעשות
היו מסוגלים לעשות
09:25
for the first time in the last few months.
189
553843
3248
בפעם הראשונה רק בחודשים האחרונים.
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
אז אנו רואים עכשיו שמחשבים
יכולים לא רק לראות אלא גם לקרוא,
יכולים לא רק לראות אלא גם לקרוא,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
וכמובן, הראינו שהם יכולים
להבין את מה שהם שומעים.
להבין את מה שהם שומעים.
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
אולי זה לא מפתיע כעת
שאני עומד לספר לכם שהם יכולים לכתוב.
שאני עומד לספר לכם שהם יכולים לכתוב.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
הנה טקסט שייצרתי
על ידי אלגוריתם למידה עמוקה אתמול.
על ידי אלגוריתם למידה עמוקה אתמול.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
והנה טקסט שאלגוריתם
מסטנפורד ייצר.
מסטנפורד ייצר.
09:49
Each of these sentences was generated
195
577096
1764
כל אחד מהמשפטים הללו נוצר
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
על יגי אלגוריתם למידה עמוקה
על מנת לתאר כל אחת מהתמונות האלו.
על מנת לתאר כל אחת מהתמונות האלו.
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
האלגוריתם הזה לא ראה לפני כן מעולם
איש בחולצה שחורה שמנגן בגיטרה.
איש בחולצה שחורה שמנגן בגיטרה.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
הוא ראה אדם בעבר,
הוא ראה שחור בעבר,
הוא ראה שחור בעבר,
10:01
it's seen a guitar before,
199
589801
1599
הוא ראה גיטרה בעבר,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
אך הוא ייצר באופן עצמאי
את התיאור החדש של התמונה.
את התיאור החדש של התמונה.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
אנחנו עדיין לא בדיוק ברמה אנושית כאן,
אך אנחנו קרובים.
אך אנחנו קרובים.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
במבחנים, בני אדם מעדיפים
את הכותרת המיוצרת על ידי מחשב
את הכותרת המיוצרת על ידי מחשב
10:15
one out of four times.
203
603264
1527
אחת לכל ארבע פעמים.
10:16
Now this system is now only two weeks old,
204
604791
2064
עכשיו המערכת הזו היא רק בת שבועיים,
10:18
so probably within the next year,
205
606855
1846
אז סביר שמתישהו בשנה הבאה,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
האלגוריתם הממוחשב יעבור בהרבה
את היכולות האנושיות
את היכולות האנושיות
10:23
at the rate things are going.
207
611502
1862
בקצב שבו דברים מתקדמים.
10:25
So computers can also write.
208
613364
3049
אז מחשבים גם יכולים לכתוב.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
אם לוקחים את כל זה יחד
זה מוביל לאפשרויות מרגשות.
זה מוביל לאפשרויות מרגשות.
10:31
For example, in medicine,
210
619888
1492
למשל, ברפואה,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
צוות בבוסטון הכריז שהם גילו
10:35
dozens of new clinically relevant features
212
623905
2949
עשרות מאפיינים רלוונטיים קלינית
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
של גידולים, שיכולים לעזור לרופאים
לקבל פרוגנוזה של הסרטן.
לקבל פרוגנוזה של הסרטן.
10:44
Very similarly, in Stanford,
214
632220
2296
באופן דומה, בסטנפורד,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
קבוצה הכריזה כי,
לאחר שהסתכלו על רקמות בהגדלה,
לאחר שהסתכלו על רקמות בהגדלה,
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
הם פיתחו מערכת
מבוססת למידה חישובית
מבוססת למידה חישובית
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
שהיא למעשה טובה יותר
מפתולוגים אנושיים
מפתולוגים אנושיים
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
בחיזוי סיכויי הישרדות
עבור הסובלים מסרטן.
עבור הסובלים מסרטן.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
בשני המקרים האלה, לא רק
שהתחזיות היו יותר מדוייקות,
שהתחזיות היו יותר מדוייקות,
11:02
but they generated new insightful science.
220
650764
2502
אלא שהן גם הפיקו מדע חדש בעל תובנות.
11:05
In the radiology case,
221
653276
1505
במקרה של הרדיולוגיה,
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
היו אינדיקטורים קליניים חדשים
שבני אדם יכולים להבין.
שבני אדם יכולים להבין.
11:09
In this pathology case,
223
657876
1792
במקרה הזה של הפתולוגיה,
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
המערכת הממוחשבת גילתה למעשה
שהתאים שסביב הסרטן
שהתאים שסביב הסרטן
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
הם חשובים כמו תאי הסרטן עצמם
11:19
in making a diagnosis.
226
667508
1752
לאבחנה.
זה ההיפך ממה שפתולוגים
למדו במשך עשורים.
למדו במשך עשורים.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
בכל אחד משני המקרים הללו,
אלו היו מערכות שפותחו
אלו היו מערכות שפותחו
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
על ידי שילוב של מומחים רפואיים
ומומחי למידה חישובית,
ומומחי למידה חישובית,
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
אך החל מהשנה שעברה,
אנחנו מעבר גם לכך.
אנחנו מעבר גם לכך.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
הנה דוגמה לזיהוי איזורים סרטניים
11:39
of human tissue under a microscope.
232
687824
2530
ברקמה אנושית תחת מיקרוסקופ.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
המערכת שאתם רואים כאן יכולה
לזהות את אותם איזורים באופו יותר מדוייק,
לזהות את אותם איזורים באופו יותר מדוייק,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
או בערך מדוייק באותה מידה,
כמו פתולוג אנושי,
כמו פתולוג אנושי,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
אך נבנתה אך ורק על ידי
למידה עמוקה, ללא מומחיות רפואית
למידה עמוקה, ללא מומחיות רפואית
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
על ידי אנשים שאין להם רקע בתחום כלל.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
באופן דומה, כאן, הסגמנטציה של הנוירון.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
אנו יכולים כעת לחלק נוירונים לסגמנטים
כמעט באופן מדוייק כמו בני אדם,
כמעט באופן מדוייק כמו בני אדם,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
אך המערכת הזו פותחה
על ידי למידה עמוקה
על ידי למידה עמוקה
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
ואנשים ללא רקע ברפואה.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
אז אני, כמישהו ללא רקע ברפואה,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
נראה שאני מספיק מצוייד
להקים חברה רפואית חדשה.
להקים חברה רפואית חדשה.
12:15
which I did.
243
723875
2146
וזה מה שעשיתי.
12:18
I was kind of terrified of doing it,
244
726021
1740
הייתי די מבועת מכך,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
אבל התיאוריה הציעה
שזה צריך להיות אפשרי
שזה צריך להיות אפשרי
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
לעשות רפואה שימושית
בשימוש בטכניקות אנליזת מידע בלבד.
בשימוש בטכניקות אנליזת מידע בלבד.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
ולמרבה המזל, המשוב היה פנטסנטי,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
לא רק מהתקשורת
אלא גם מהקהילה הרפואית,
אלא גם מהקהילה הרפואית,
12:32
who have been very supportive.
249
740978
2344
שהיו מאוד תומכים.
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
התאוריה היא שאנחנו יכולים
לקחת את חלק הביניים של התהליך הרפואי
לקחת את חלק הביניים של התהליך הרפואי
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
ולהפוך אותו לאנליזת מידע ככל הניתן,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
ולאפשר לרופאים לעשות את
מה שהם הכי טובים בו.
מה שהם הכי טובים בו.
12:45
I want to give you an example.
253
753429
1602
אני רוצה לתת לכם דוגמה.
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
כיום זה לוקח 15 דקות
לייצר מבחן דיאגנוסטי חדש
לייצר מבחן דיאגנוסטי חדש
12:51
and I'll show you that in real time now,
255
759975
1954
ואני אראה לכם זאת בזמן אמת עכשיו,
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
אבל דחסתי את זה ל-3 דקות
על ידי הוצאת כמה חלקים.
על ידי הוצאת כמה חלקים.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
במקום להראות לכם יצירת
מבחן דיאגנוסטי רפואי חדש,
מבחן דיאגנוסטי רפואי חדש,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
אני הולך להראות לכם
מבחן דיאגנוסטי של תמונות של מכוניות,
מבחן דיאגנוסטי של תמונות של מכוניות,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
בגלל שזה משהו שכולנו יכולים להבין.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
אז הנה אנחנו מתחילים עם
בערך 1.5 מיליון תמונות של מכוניות,
בערך 1.5 מיליון תמונות של מכוניות,
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
ואני רוצה ליצור משהו
שיכול לפצל אותם לזוית
שיכול לפצל אותם לזוית
13:12
of the photo that's being taken.
262
780475
2223
שבה התמונה צולמה.
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
אז התמונות האלה הן לגמרי לא מתוייגות,
אז אני צריך להתחיל מאפס.
אז אני צריך להתחיל מאפס.
13:18
With our deep learning algorithm,
264
786586
1865
בעזרת אלגוריתם הלמידה העמוקה שלנו,
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
הוא יכול לזהות אוטומטית
איזורים של מבנה בתמונות אלו.
איזורים של מבנה בתמונות אלו.
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
אז הדבר הנחמד הוא שהאדם
והמחשב יכולים לעבוד עתה יחד.
והמחשב יכולים לעבוד עתה יחד.
13:27
So the human, as you can see here,
267
795778
2178
אז האדם, כמו שאתם רואים כאן,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
אומר למחשב על איזורי עניין
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
שהוא רוצה שהמחשב ינסה
להשתמש בהם לשיפור האלגוריתם.
להשתמש בהם לשיפור האלגוריתם.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
כעת, מערכות הלמידה העמוקה הללו
הן למעשה בחלל בעל 16,000 מימדים,
הן למעשה בחלל בעל 16,000 מימדים,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
אז אתם רואים כאן שהמחשב
מסובב זאת דרך המרחב הזה,
מסובב זאת דרך המרחב הזה,
13:45
trying to find new areas of structure.
272
813009
1992
ומנסה למצוא איזורים חדשים של מבנה.
13:47
And when it does so successfully,
273
815001
1781
וכשהוא מצליח,
האדם שנוהג בו יכול לציין את
האיזורים שמעניינים.
האיזורים שמעניינים.
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
אז הנה, המחשב מצא בהצלחה איזורים,
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
13:55
for example, angles.
276
823208
2562
לדוגמה, זוויות.
13:57
So as we go through this process,
277
825770
1606
אז כשאנחנו מתקדמים בתהליך הזה,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
אנחנו בהדרגה אומרים
למחשב עוד ועוד
למחשב עוד ועוד
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
אודות סוגי המבנים שאנחנו מחפשים.
14:04
You can imagine in a diagnostic test
280
832144
1772
אתם יכולים לדמיין זאת במבחן דיאגנוסטי
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
זה יהיה פתולוג שמזהה
איזורי מחלה, לדוגמה,
איזורי מחלה, לדוגמה,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
או רדיולוג שמצביע על קשריות
שיכולות להיות בעייתיות.
שיכולות להיות בעייתיות.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
ולפעמים זה יכול להיות קשה לאלגוריתם.
14:16
In this case, it got kind of confused.
284
844851
1964
במקרה הזה, הוא די התבלבל.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
החלקים הקדמיים והאחוריים
של המכוניות מעורבבים.
של המכוניות מעורבבים.
14:21
So here we have to be a bit more careful,
286
849365
2072
אז כאן עלינו להיות טיפה יותר זהירים,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
ולבחור באופן ידני את החלקים הקדמיים
בניגוד לאלו האחוריים,
בניגוד לאלו האחוריים,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
ואז להגיד למחשב שזו סוג של קבוצה
14:32
that we're interested in.
289
860175
1348
שאנחנו מעונינים בה.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
אז אנחנו עושים זאת למשך זמן מה,
מדלגים על קצת,
מדלגים על קצת,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
ואז אנחנו מאמנים את אלגוריתם
הלמידה החישובית
הלמידה החישובית
14:38
based on these couple of hundred things,
292
866446
1974
בהתבסס על אותם 200 דברים,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
ומקווים שהוא השתפר בהרבה.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
אתם רואים, הוא התחיל להדהות
כמה מהתמונות האלו,
כמה מהתמונות האלו,
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
ומראה לנו שהוא כבר מזהה
איך להבין כמה מאלה בעצמו.
איך להבין כמה מאלה בעצמו.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
אז אנחנו יכולים להשתמש בקונספט הזה
של תמונות דומות,
של תמונות דומות,
14:53
and using similar images, you can now see,
297
881128
2094
ועל ידי שימוש בתמונות דומות,
אתם יכולים עכשיו לראות,
אתם יכולים עכשיו לראות,
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
שהמחשב בנקודה זו מסוגל
למצוא רק את החזית של מכוניות.
למצוא רק את החזית של מכוניות.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
אז בנקודה זו,
האדם יכול לומר למחשב,
האדם יכול לומר למחשב,
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
אוקיי, כן, עשית עבודה טובה.
15:05
Sometimes, of course, even at this point
301
893652
2185
לפעמים, כמובן, אפילו בנקודה זו
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
זה עדיין קשה להפריד בין קבוצות.
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
במקרה הזה, אפילו אחרי שאנחנו נותנים למחשב
לנסות לסובב זאת למשך זמן מה,
לנסות לסובב זאת למשך זמן מה,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
אנחנו עדיין מוצאים שהתמונות
של הצדדים השמאלייים והימניים
של הצדדים השמאלייים והימניים
15:18
are all mixed up together.
305
906744
1478
מעורבבות זו בזו.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
אז אנחנו שוב יכולים לתת
למחשב כמה רמזים,
למחשב כמה רמזים,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
ולהגיד, אוקיי, נסה למצוא
תכנית שמפרידה
תכנית שמפרידה
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
את צד ימין מצד שמאל עד כמה שניתן
15:27
using this deep learning algorithm.
309
915945
2122
על ידי שימוש באלגוריתם הלמידה העמוקה הזה.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
ואחרי שנתנו לו את הרמז הזה--
אה, אוקיי, הוא הצליח.
אה, אוקיי, הוא הצליח.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
הוא הצליח למצוא דרך
לחשוב על האובייקטים האלה
לחשוב על האובייקטים האלה
15:35
that's separated out these together.
312
923891
2380
שהפרידו את זה יחד.
15:38
So you get the idea here.
313
926271
2438
אז אתם מבינים את הרעיון פה.
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
זה לא מקרה שבו האדם מוחלף על ידי המחשב,
15:48
but where they're working together.
315
936906
2640
אלא שהם עובדים יחד.
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
מה שאנחנו עושים כאן הוא להחליף
משהו שהיה לוקח לצוות
משהו שהיה לוקח לצוות
15:55
of five or six people about seven years
317
943096
2002
של חמישה או שישה אנשים
בערך שבע שנים
בערך שבע שנים
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
ומחליפים אותו במשהו שלוקח 15 דקות
15:59
for one person acting alone.
319
947703
2505
לאדם אחד שפועל לבד.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
אז התהליך הזה לוקח בערך
ארבע או חמש חזרות.
ארבע או חמש חזרות.
16:06
You can see we now have 62 percent
321
954158
1859
אתם רואים עכשיו שיש לנו 62 אחוז
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
מ-1.5 מיליון התמונות שלנו
מסווגות נכונה.
מסווגות נכונה.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
בנקודה זו, אנחנו יכולים
להתחיל די במהירות
להתחיל די במהירות
16:13
grab whole big sections,
324
961448
1297
לקחת חלקם גדולים במלואם,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
לעבור עליהם ולוודא שאין טעויות.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
היכן שישנן טעויות, אנו יכולים
ליידע את המחשב עליהן.
ליידע את המחשב עליהן.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
ועל ידי שימוש בסוג זה של תהליך
עבור כל אחת מהקבוצות השונות,
עבור כל אחת מהקבוצות השונות,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
אנחנו עכשיו מגיעים ל-80 אחוזי הצלחה
16:27
in classifying the 1.5 million images.
329
975148
2415
בסיווג מיליון וחצי התמונות.
16:29
And at this point, it's just a case
330
977563
2078
ובנקודה זו, זהו רק מקרה
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
של מציאת המספר הקטן
שלא מסווג כראוי,
שלא מסווג כראוי,
16:35
and trying to understand why.
332
983220
2888
ולנסות להבין למה.
16:38
And using that approach,
333
986108
1743
על ידי שימוש בגישה זו,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
תוך 15 דקות אנו מגיעים
ל-97 אחוזי סיווג.
ל-97 אחוזי סיווג.
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
אז סוג כזה של טכניקה
יכול לאפשר לנו לתקן בעיה גדולה,
יכול לאפשר לנו לתקן בעיה גדולה,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
שהיא שיש חוסר במומחיות רפואית בעולם.
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
פורום הכלכלה העולמי אומר
שיש בין 10X ו-20X
שיש בין 10X ו-20X
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
של מחסור ברופאים בעולם המתפתח,
16:57
and it would take about 300 years
339
1005727
2113
ושזה ייקח בערך 300 שנה
לאמן מספיק אנשים לתקן את הבעיה הזו.
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
אז דמיינו אם היינו יכולים
לעזור להגביר את היעילות שלהם
לעזור להגביר את היעילות שלהם
17:05
using these deep learning approaches?
342
1013619
2839
על ידי שימוש בגישת הלמידה העמוקה הזו?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
אז אני מאוד מתרגש מהאפשרויות.
17:10
I'm also concerned about the problems.
344
1018690
2589
אני גם מאוד מודאג מהבעיות.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
הבעיה כאן היא שכל איזור בכחול על המפה
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
הוא מקום שבו שירותים
הם מעל ל-80 אחוז מהתעסוקה.
הם מעל ל-80 אחוז מהתעסוקה.
17:20
What are services?
347
1028172
1787
מה זה שירותים?
17:21
These are services.
348
1029959
1514
אלו שירותים.
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
אלו הם גם בדיוק הדברים שמחשבים
בדיוק למדו איך לעשות.
בדיוק למדו איך לעשות.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
אז 80 אחוז מהתעסוקה העולמית
בעולם המפותח
בעולם המפותח
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
הם דברים שמחשבים בדיוק למדו איך לעשות.
17:33
What does that mean?
352
1041963
1440
מה זה אומר?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
ובכן, זה יהיה בסדר.
הן יוחלפו בעבודות אחרות.
הן יוחלפו בעבודות אחרות.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
למשל, יהיו יותר עבודות
עבור מדעני נתונים.
עבור מדעני נתונים.
17:40
Well, not really.
355
1048693
817
ובכן, לא באמת.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
לא לוקח למדענים זמן רב
לבנות את הדברים הללו.
לבנות את הדברים הללו.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
למשל, ארבעת האלגוריתמים האלה
נבנו כולם על ידי אותו אדם.
נבנו כולם על ידי אותו אדם.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
אז אם אתם חושבים, הו,
כל זה כבר קרה בעבר,
כל זה כבר קרה בעבר,
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
ראינו את התוצאות בעבר
כאשר דברים חדשים הגיעו
כאשר דברים חדשים הגיעו
17:54
and they get replaced by new jobs,
360
1062126
2252
והם מוחלפים בעבודות חדשות,
17:56
what are these new jobs going to be?
361
1064378
2116
אבל מה העבודות החדשות הללו הולכות להיות?
זה מאוד קשה בשבילנו להעריך זאת,
17:58
It's very hard for us to estimate this,
362
1066494
1871
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
בגלל שהביצועים האנושיים
גדלים בקצב ההדרגתי הזה,
גדלים בקצב ההדרגתי הזה,
אבל יש לנו עכשיו מערכת, למידה עמוקה,
18:03
but we now have a system, deep learning,
364
1071104
2562
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
שאנחנו יודעים שממש גדלה
ביכולות שלה באופן אקספוננציאלי.
ביכולות שלה באופן אקספוננציאלי.
ואנחנו כאן.
18:08
And we're here.
366
1076893
1605
18:10
So currently, we see the things around us
367
1078498
2061
אז כרגע, אנחנו רואים את הדברים שסביבנו
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
ואומרים, "הו, מחשבים
הם עדיין די טיפשים." נכון?
הם עדיין די טיפשים." נכון?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
אבל תוך חמש שנים,
מחשבים יהיו מחוץ לטבלה הזו.
מחשבים יהיו מחוץ לטבלה הזו.
אז אנחנו צריכים להתחיל לחשוב
על היכולת הזו כבר עכשיו.
על היכולת הזו כבר עכשיו.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
ראינו את זה קורה בעבר, כמובן.
18:22
We have seen this once before, of course.
371
1090529
2050
במהפכה התעשייתית,
18:24
In the Industrial Revolution,
372
1092579
1387
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
ראינו שינוי משמעותי ביכולות
הודות למנועים.
הודות למנועים.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
העניין הוא שאחרי זמן מה,
העניינים השתטחו.
העניינים השתטחו.
18:32
There was social disruption,
375
1100805
1702
הייתה הפרעה חברתית,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
אבל ברגע שהשתמשו במנועים על מנת
לייצר חשמל בכל המצבים,
לייצר חשמל בכל המצבים,
18:37
things really settled down.
377
1105946
2354
דברים התחילו להירגע.
18:40
The Machine Learning Revolution
378
1108300
1473
מהפיכת הלמידה החישובית
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
הולכת להיות שונה מאוד
מהמהפיכה התעשייתית,
מהמהפיכה התעשייתית,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
כיוון שמהפיכת הלמידה החישובית,
היא לעולם לא נרגעת.
היא לעולם לא נרגעת.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
ככל שמחשבים יהיו יותר טובים
בפעילוית אינטלקטואליות,
בפעילוית אינטלקטואליות,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
כך הם יכולים לבנות מחשבים טובים יותר
שיהיו טובים יותר ביכולות אינטלקטואליות,
שיהיו טובים יותר ביכולות אינטלקטואליות,
18:54
so this is going to be a kind of change
383
1122862
1908
אז זה הולך להיות סוג של שינוי
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
שהעולם למעשה לא חווה מעולם,
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
אז ההבנה הקודמת שלכם
של מה אפשרי, היא שונה.
של מה אפשרי, היא שונה.
19:02
This is already impacting us.
386
1130974
1780
זה כבר מכה בנו.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
ב-25 השנים האחרונות,
כשפריון ההון הולך וגדל,
כשפריון ההון הולך וגדל,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
פריון העבודה נשאר שטוח,
למעשה אפילו מעט ירד.
למעשה אפילו מעט ירד.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
אז אני רוצה שאנחנו נתחיל
לנהל את הדיון הזה כעת.
לנהל את הדיון הזה כעת.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
אני יודע שהרבה פעמים כשאני
מספר לאנשים על המצב הזה,
מספר לאנשים על המצב הזה,
19:19
people can be quite dismissive.
391
1147176
1490
אנשים יכולים לבטל אותי.
19:20
Well, computers can't really think,
392
1148666
1673
ובכן, מחשבים לא יכולים ממש לחשוב,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
הם לא מביעים רגשות,
הם לא מבינים שירה,
הם לא מבינים שירה,
19:25
we don't really understand how they work.
394
1153367
2521
אנחנו לא ממש מבינים איך הם עובדים.
19:27
So what?
395
1155888
1486
אז מה?
19:29
Computers right now can do the things
396
1157374
1804
מחשבים כרגע יכולים לעשות את הדברים
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
שבני אדם מקבלים תשלום
לעשות במשך רוב חייהם,
לעשות במשך רוב חייהם,
19:33
so now's the time to start thinking
398
1161897
1731
אז עכשיו הזמן להתחיל לחשוב
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
על איך אנחנו הולכים להתאים את
המבנים החברתיים והכלכליים שלנו
המבנים החברתיים והכלכליים שלנו
19:40
to be aware of this new reality.
400
1168015
1840
כך שיהיו מודעים למציאות החדשה הזו.
19:41
Thank you.
401
1169855
1533
תודה.
19:43
(Applause)
402
1171388
802
(מחיאות כפיים)
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