0:00:09.457,0:00:13.254
פעם, אם רציתם שמחשב[br]יעשה משהו חדש,

0:00:13.254,0:00:15.086
היה עליכם לתכנת אותו.

0:00:15.086,0:00:18.372
תכנות, לאלה מכם[br]שטרם עשו זאת,

0:00:18.372,0:00:21.475
מחייב לפרט באופן מפרך

0:00:21.475,0:00:25.064
כל שלב ושלב שאתם רוצים[br]שהמחשב יעשה

0:00:25.064,0:00:27.311
כדי להשיג את מטרתכם.

0:00:27.311,0:00:30.956
אם אתם רוצים לעשות משהו[br]שאינכם יודעים לעשות בעצמכם,

0:00:30.956,0:00:32.962
זה יהיה אתגר רציני.

0:00:32.962,0:00:36.512
זה היה האתגר שבפניו ניצב[br]איש זה, ארתור סמואל.

0:00:36.512,0:00:42.605
ב-1956, הוא רצה שהמחשב הזה[br]יביס אותו בדמקה.

0:00:42.605,0:00:44.362
איך הייתם כותבים תוכנה,

0:00:44.362,0:00:48.650
בפרטי-פרטים,[br]כדי שתנוצחו בדמקה?

0:00:48.650,0:00:50.357
היה לו רעיון:

0:00:50.357,0:00:54.200
הוא גרם למחשב לשחק נגד עצמו[br]אלפי פעמים

0:00:54.200,0:00:56.656
וללמוד לשחק דמקה.

0:00:56.656,0:00:59.604
וזה הצליח.[br]ובאמת, ב-1962,

0:00:59.604,0:01:02.537
המחשב ניצח את אלוף קונטיקט.

0:01:03.246,0:01:06.689
כך שארתור סמואל[br]הוא אבי למידת המכונה,

0:01:06.689,0:01:08.271
ואני חב לו חוב גדול,

0:01:08.271,0:01:11.109
כי אני עוסק בלמידת מכונה.

0:01:11.109,0:01:12.844
כיהנתי כנשיא "קאגל",

0:01:12.844,0:01:15.992
קהילה של יותר מ-200,000[br]אנשים שעוסקים בלמידת מכונה.

0:01:15.992,0:01:18.277
"קאגל" הציגה להם תחרויות

0:01:18.277,0:01:21.723
כדי לגרום להם לפתור[br]בעיות שלא נפתרו בעבר,

0:01:21.901,0:01:24.562
וזה הצליח מאות פעמים.

0:01:25.557,0:01:27.948
אז מעמדת היתרון הזו הצלחתי ללמוד

0:01:27.948,0:01:31.999
הרבה על מה שלמידת מכונה[br]יכלה לעשות בעבר, יכולה לעשות היום,

0:01:31.999,0:01:34.197
ומה שהיא תוכל לעשות בעתיד.

0:01:34.197,0:01:36.435
ייתכן שההצלחה הגדולה הראשונה

0:01:36.435,0:01:39.039
של למידת מכונה מבחינה מסחרית[br]היתה "גוגל".

0:01:39.039,0:01:41.665
"גוגל" הוכיחה שאפשר למצוא מידע

0:01:41.665,0:01:43.961
בעזרת אלגוריתם של מחשב,

0:01:43.961,0:01:46.775
ואלגוריתם זה מבוסס[br]על למידת מכונה.

0:01:46.775,0:01:50.491
מאז היו הרבה הצלחות מסחריות[br]של למידת מכונה.

0:01:50.491,0:01:52.506
חברות כמו "אמזון" ו"נטפליקס"

0:01:52.506,0:01:55.731
משתמשות בלמידת מכונה[br]כדי להציע מוצרים שאולי תרצו לקנות,

0:01:55.731,0:01:57.977
סרטים שאולי תרצו לראות.

0:01:57.977,0:01:59.921
לפעמים זה כמעט מפחיד.

0:01:59.921,0:02:01.745
חברות כמו "לינקד-אין" ו"פייסבוק"

0:02:01.745,0:02:04.320
אומרות לכם לפעמים[br]מי יכולים להיות חבריכם

0:02:04.320,0:02:06.191
ולכם אין מושג[br]איך הן עשו זאת.

0:02:06.191,0:02:09.240
הסיבה היא שהם מנצלים את כוחה[br]של למידת המכונה.

0:02:09.240,0:02:12.449
מדובר באלגוריתמים שלמדו[br]לעשות זאת מנתונים

0:02:12.449,0:02:15.546
ולא כי תכנתו אותם ידנית.

0:02:15.690,0:02:18.274
כך גם הצליחה איי-בי-אם

0:02:18.274,0:02:21.926
להביס בעזרת המחשב "ווטסון"[br]שני אלופי עולם בשעשועון הטלוויזיה "ג'פרדי",

0:02:21.926,0:02:24.978
שענה על שאלות חריפות[br]ומורכבות להפליא כמו זו.

0:02:24.978,0:02:27.868
["האריה מנמרוד" העתיק נעלם[br]מהמוזיאון הלאומי של עיר זו ב-2003]

0:02:27.868,0:02:31.744
זו גם הסיבה למכוניות[br]הנהיגה האוטומטית הראשונות.

0:02:31.744,0:02:34.016
אם רוצים לדעת מה ההבדל, נניח,

0:02:34.016,0:02:37.088
בין עץ להולך-רגל,[br]הם חשובים למדי.

0:02:37.088,0:02:39.575
איננו יודעים לכתוב תוכנות אלה[br]באופן ידני,

0:02:39.575,0:02:42.182
אבל בעזרת למידת מכונה,[br]זה אפשרי היום.

0:02:42.182,0:02:45.050
למעשה, המכונית הזאת[br]נסעה יותר מ-1,600,000 ק"מ

0:02:45.050,0:02:47.440
ללא שום תאונה,[br]בכבישים רגילים.

0:02:47.440,0:02:49.180
[מחשבים יכולים ללמוד]

0:02:49.180,0:02:52.220
אז כעת ברור לנו[br]שמחשבים מסוגלים ללמוד,

0:02:52.220,0:02:54.380
והם מסוגלים ללמוד לעשות דברים

0:02:54.380,0:02:57.135
שלפעמים אנו בעצמנו[br]איננו יודעים לעשות,

0:02:57.135,0:02:59.892
או לעשותם טוב יותר מאיתנו.

0:02:59.892,0:03:04.162
אחת הדוגמאות המדהימות ביותר[br]שראיתי, של למידת מכונה,

0:03:04.162,0:03:06.693
היתה במיזם שניהלתי ב"קאגל",

0:03:06.693,0:03:10.291
שבו צוות בראשותו[br]של אדם בשם ג'פרי הינטון

0:03:10.291,0:03:11.866
מאוניברסיטת טורונטו,

0:03:11.866,0:03:14.428
זכה בתחרות לאיתור אוטומטי של סמים.

0:03:14.428,0:03:17.073
היוצא-דופן כאן היה[br]לא רק שהם הביסו

0:03:17.073,0:03:21.139
את כל האלגוריתמים שפותחו ע"י "מרק"[br]או של הקהילה האקדמית העולמית,

0:03:21.139,0:03:26.346
אלא שלאיש בצוות לא היה רקע[br]בכימיה, בביולוגיה ובמדעי החיים,

0:03:26.346,0:03:28.630
והם עשו זאת תוך שבועיים.

0:03:28.630,0:03:30.443
איך הם עשו את זה?

0:03:30.443,0:03:33.838
הם השתמשו באלגוריתם מדהים[br]בשם "למידה עמוקה".

0:03:33.838,0:03:36.642
זה היה כה חשוב,[br]שההצלחה זכתה לסיקור

0:03:36.642,0:03:39.699
של ה"ניו-יורק טיימס"[br]ולכתבת-שער, אחרי כמה שבועות.

0:03:39.699,0:03:42.087
את ג'פרי הינטון רואים כאן משמאל.

0:03:42.087,0:03:46.568
"למידה עמוקה" הוא אלגוריתם[br]שמושפע מאופן פעולת המוח,

0:03:46.568,0:03:48.349
ועקב כך, זהו אלגוריתם

0:03:48.349,0:03:51.938
שאין שום מגבלה תיאורטית[br]על מה שהוא מסוגל לעשות.

0:03:51.938,0:03:55.139
ככל שנותנים לו יותר נתונים[br]ויותר זמן חישוב,

0:03:55.139,0:03:56.546
כך הוא משתפר.

0:03:56.546,0:03:59.051
ה"ניו-יורק טיימס"[br]גם הציג במאמר זה

0:03:59.051,0:04:01.034
תוצאה מדהימה נוספת[br]של למידה עמוקה

0:04:01.034,0:04:02.976
שאותה אראה לכם עכשיו.

0:04:02.976,0:04:04.318
[מחשבים יכולים להקשיב]

0:04:04.318,0:04:07.702
רואים כאן שמחשבים[br]יכולים להקשיב ולהבין.

0:04:08.484,0:04:10.848
[סרטון] ריצ'רד רשיד:[br]כעת, השלב האחרון

0:04:10.848,0:04:13.823
שברצוני לבצע בתהליך זה

0:04:14.753,0:04:17.884
הוא לשוחח איתך בסינית.

0:04:19.654,0:04:21.350
העניין המרכזי כאן,

0:04:21.350,0:04:26.641
הוא שאספנו כמות מידע גדולה[br]מדוברי סינית רבים

0:04:26.641,0:04:29.471
ויצרנו מערכת המרת טקסט לדיבור

0:04:29.471,0:04:33.602
שלוקחת טקסט בסינית[br]וממירה אותו לשפה הסינית,

0:04:35.018,0:04:38.322
ואז לקחנו הקלטה של כשעה[br]של הקול שלי

0:04:38.322,0:04:40.718
והשתמשנו בה כדי לאפנן

0:04:40.718,0:04:44.774
את מערכת המרת הטקסט לדיבור[br]כך שתישמע כמוני.

0:04:45.018,0:04:47.556
שוב, התוצאות אינן מושלמות.

0:04:47.556,0:04:50.204
למעשה, יש כמה טעויות.

0:04:50.204,0:04:52.710
[סינית]

0:04:52.710,0:04:56.403
[מחיאות כפיים]

0:04:57.499,0:05:00.820
יש עוד הרבה עבודה בתחום זה.

0:05:01.279,0:05:04.723
[סינית]

0:05:04.723,0:05:08.250
[מחיאות כפיים]

0:05:10.292,0:05:14.074
ג'רמי הווארד: זה היה בכנס בסין[br]בנושא למידת מכונה.

0:05:14.074,0:05:16.444
למען האמת, לא מרבים לשמוע[br]בכנסים אקדמיים

0:05:16.444,0:05:18.341
מחיאות כפיים ספונטניות,

0:05:18.341,0:05:22.017
אם כי זהו כנס TEDx[br]ותרגישו חופשיים...

0:05:22.017,0:05:24.812
כל מה שראיתם כאן[br]קרה בעזרת למידה עמוקה.

0:05:24.812,0:05:26.337
[מחיאות כפיים][br]תודה לכם.

0:05:26.337,0:05:28.619
הכיתוב באנגלית אמר:[br]"למידה עמוקה",

0:05:28.619,0:05:31.721
התרגום לסינית והטקסט למעלה מימין,[br]"למידה עמוקה",

0:05:31.721,0:05:35.338
וגם הבניית הקול נעשה[br]בלמידה עמוקה.

0:05:35.338,0:05:38.572
כך ש"למידה עמוקה"[br]היא דבר מופלא.

0:05:38.572,0:05:41.671
זהו אלגוריתם בודד[br]שמסוגל כנראה לעשות הכל,

0:05:41.671,0:05:44.782
וגיליתי ששנה לפני כן[br]הוא גם למד לראות.

0:05:44.782,0:05:46.958
בתחרות האלמונית הזו, בגרמניה,

0:05:46.958,0:05:49.015
ששמה "מדידת ביצועי זיהוי תמרורים",

0:05:49.015,0:05:52.948
הלמידה העמוקה למדה[br]לזהות תמרורים, כמו זה.

0:05:52.948,0:05:54.694
לא רק שהיא יכלה לזהות[br]את התמרורים

0:05:54.694,0:05:56.800
טוב מכל אלגוריתם אחר,

0:05:56.800,0:05:59.519
אלא שלוח התוצאות הראה[br]שהיא טובה יותר מבני-אדם;

0:05:59.519,0:06:01.201
כמעט פי שניים.

0:06:01.201,0:06:03.367
אז ב-2011 היתה לנו[br]דוגמה ראשונה

0:06:03.367,0:06:06.772
למחשב שיכול לראות[br]טוב יותר מבני-אדם.

0:06:06.772,0:06:08.821
מאז קרה הרבה.

0:06:08.821,0:06:12.165
ב-2012 "גוגל" הכריזה שהיא הפעילה[br]אלגוריתם למידה עמוקה

0:06:12.165,0:06:13.750
בצפייה בסרטוני "יו-טיוב"

0:06:13.750,0:06:17.027
ועיבדה בעזרתו את הנתונים[br]על 16,000 מחשבים במשך חודש.

0:06:17.027,0:06:21.548
והמחשבים למדו באופן עצמאי[br]אודות מושגים כמו בני-אדם וחתולים

0:06:21.548,0:06:23.357
רק מתוך צפיה בסרטונים.

0:06:23.357,0:06:25.509
זה דומה מאד לאופן הלמידה[br]של בני-אדם.

0:06:25.509,0:06:28.269
בני-אדם לא לומדים מכך[br]שאומרים להם מה הם רואים,

0:06:28.269,0:06:31.780
אלא מכך שהם מלמדים את עצמם[br]מהם אותם דברים.

0:06:31.780,0:06:35.149
עדיין ב-2012, ג'פרי הינטון,[br]שאותו ראינו קודם לכן,

0:06:35.149,0:06:38.007
זכה בתחרות הפופולרית מאד[br]"אימג'נט",

0:06:38.007,0:06:41.968
כשניסה להבין[br]מתוך 1.5 מיליון תמונות

0:06:41.968,0:06:43.586
מה הן מראות.

0:06:43.586,0:06:46.999
החל מ-2014 ירדנו לשיעור טעות[br]של 6 אחוזים

0:06:46.999,0:06:48.432
בזיהוי תמונות.

0:06:48.432,0:06:50.598
שוב, זה טוב יותר מבני-אדם.

0:06:50.598,0:06:54.367
כך שהמכונות עושות כאן[br]מלאכה מדהימה,

0:06:54.367,0:06:56.636
וכעת זה נכנס לשימוש בתעשייה.

0:06:56.636,0:06:59.678
לדוגמה, "גוגל" הכריזה בשנה שעברה

0:06:59.678,0:07:04.263
שהיא מיפתה כל מקום בצרפת[br]תוך שעתיים,

0:07:04.263,0:07:07.710
והיא עשתה זאת ע"י הזנת[br]תצלומי רחובות

0:07:07.710,0:07:12.029
לאלגוריתם למידה עמוקה[br]כדי שיזהה ויקרא מספרי רחוב.

0:07:12.029,0:07:14.249
תארו לעצמכם כמה זמן[br]זה היה אורך לפני כן:

0:07:14.249,0:07:17.604
עשרות אנשים, שנים רבות.

0:07:17.604,0:07:19.515
זה קורה גם בסין.

0:07:19.515,0:07:23.551
"באידו" הוא מעין "גוגל" הסיני,

0:07:23.551,0:07:25.834
ומה שאתם רואים למעלה משמאל

0:07:25.834,0:07:29.808
הוא דוגמה של תמונה שהעליתי[br]למערכת הלמידה העמוקה של "באידו",

0:07:29.808,0:07:33.577
ולמטה אתם רואים שהמערכת[br]הבינה מהי התמונה

0:07:33.577,0:07:35.813
ואיתרה תמונות דומות.

0:07:35.813,0:07:38.319
התמונות הדומות מכילות רקעים דומים,

0:07:38.319,0:07:41.995
הפנים בהן פונות לכיוונים דומים[br]וכמה אפילו עם הלשון בחוץ.

0:07:41.995,0:07:45.025
ברור שהמערכת לא בדקה[br]טקסט של אתר אינטרנט;

0:07:45.025,0:07:46.437
כל מה שהעליתי היה תמונה.

0:07:46.437,0:07:50.458
אז כעת יש לנו מחשבים[br]שממש מבינים מה הם רואים

0:07:50.458,0:07:52.082
ולכן יכולים לחפש בבסיסי נתונים

0:07:52.082,0:07:55.476
של מאות מיליוני תמונות[br]בזמן אמיתי.

0:07:55.476,0:07:58.866
מה זה אומר,[br]שהמחשבים מסוגלים כעת לראות?

0:07:58.866,0:08:00.703
ובכן, לא מדובר רק בכך[br]שהמחשבים יכולים לראות.

0:08:00.703,0:08:03.074
למעשה, הלמידה העמוקה[br]עשתה יותר מכך.

0:08:03.074,0:08:05.900
משפטים מורכבים ומלאי-דקויות כמו זה

0:08:05.900,0:08:08.724
ניתנים כעת להבנה[br]בעזרת אלגוריתמים של למידה עמוקה.

0:08:08.724,0:08:10.027
כפי שאתם רואים כאן,

0:08:10.027,0:08:12.795
המערכת הזו, של סטנפורד,[br]הציבה למעלה נקודה אדומה,

0:08:12.795,0:08:16.714
והבינה שהמשפט הזה מביע[br]רגש שלילי.

0:08:16.714,0:08:19.660
הלמידה העמוקה בעצם קרובה[br]לביצועים האנושיים

0:08:19.660,0:08:25.253
בהבנת משמעותם של משפטים[br]ומה הם אומרים על הדברים.

0:08:25.253,0:08:27.981
כמו כן, נעשה שימוש בלמידה העמוקה[br]כדי לקרוא סינית,

0:08:27.981,0:08:31.137
שוב, בערך ברמה של[br]דוברי סינית כשפת-אם.

0:08:31.137,0:08:33.304
האלגוריתם הזה פותח בשווייץ

0:08:33.304,0:08:36.660
ע"י אנשים שאיש מהם[br]איננו דובר או מבין סינית.

0:08:36.660,0:08:38.711
כפי שאמרתי, השימוש בלמידה עמוקה

0:08:38.711,0:08:40.931
הוא בערך המערכת[br]הכי טובה בעולם לכך,

0:08:40.931,0:08:45.392
אפילו בהשוואה לאנשים שמבינים[br]ברמת שפת-אם.

0:08:46.048,0:08:49.012
זאת מערכת שאנו מקימים[br]בחברה שלי

0:08:49.012,0:08:51.060
ורואים כאן כיצד הכל מתחבר.

0:08:51.060,0:08:53.519
אלו תמונות שלא מתלווה אליהן[br]שום טקסט,

0:08:53.519,0:08:55.871
ובעוד אני מקליד כאן משפטים,

0:08:55.871,0:08:58.840
המערכת מבינה בזמן אמיתי[br]את התמונות

0:08:58.840,0:09:00.369
תופשת מה הן מראות

0:09:00.369,0:09:03.512
ומוצאת תמונות עם דמיון[br]לטקסט שאני כותב.

0:09:03.512,0:09:06.218
כפי שאתם רואים,[br]היא ממש מבינה את המשפטים שלי

0:09:06.218,0:09:08.662
ואת התמונות האלה.

0:09:08.662,0:09:11.051
אני יודע שראיתם[br]משהו כזה ב"גוגל",

0:09:11.051,0:09:13.996
שבו אפשר להקליד דברים[br]והמערכת מראה לכם תמונות,

0:09:13.996,0:09:17.420
אבל למעשה היא מחפשת[br]באתרים את הטקסט.

0:09:17.420,0:09:20.151
זה שונה מאד[br]מהבנה ממשית של תמונות.

0:09:20.151,0:09:22.353
זה משהו שהמחשבים[br]הצליחו לעשות לראשונה

0:09:22.353,0:09:24.592
רק בחודשים האחרונים.

0:09:24.592,0:09:26.821
[מחשבים יכולים לקרוא]

0:09:26.821,0:09:30.512
אז אנו רואים שהמחשבים יכולים[br]לא רק לראות אלא גם לקרוא,

0:09:30.512,0:09:34.277
וכמובן, הראינו שהם מבינים[br]מה שהם שומעים.

0:09:34.277,0:09:37.719
כעת אולי לא יפתיע אתכם[br]לשמוע שהם יודעים לכתוב.

0:09:37.719,0:09:42.502
הנה טקסט שחוללתי אתמול[br]בעזרת אלגוריתם למידה עמוקה.

0:09:42.502,0:09:46.426
והנה טקסט שחולל[br]אלגוריתם של סטנפורד.

0:09:46.426,0:09:48.190
כל אחד מהמשפטים נוצר

0:09:48.190,0:09:52.439
ע"י אלגוריתם למידה עמוקה[br]כדי לתאר אחת מהתמונות.

0:09:52.439,0:09:56.911
האלגוריתם הזה לא ראה לפני כן[br]גבר בחולצה שחורה שמנגן בגיטרה.

0:09:56.911,0:09:59.131
הוא ראה גבר,[br]הוא ראה שחור,

0:09:59.131,0:10:00.730
הוא ראה גיטרה,

0:10:00.730,0:10:05.024
אבל הוא חולל באופן עצמאי[br]תיאור חדשני זה של התמונה.

0:10:05.024,0:10:08.526
עוד לא הגענו לרמת ביצועי אדם,[br]אבל אנו קרובים.

0:10:08.526,0:10:12.594
בניסויים, אנשים העדיפו[br]את הכותרת הממוחשבת

0:10:12.594,0:10:14.121
פעם אחת מתוך ארבע.

0:10:14.121,0:10:16.185
המערכת הזאת היא רק בת שבועיים,

0:10:16.185,0:10:18.031
אז סביר להניח שבשנה הבאה

0:10:18.031,0:10:20.682
האלגוריתם הממוחשב יעבור בהרבה[br]את הביצועים האנושיים,

0:10:20.682,0:10:22.694
בקצב שבו הדברים קורים.

0:10:23.014,0:10:25.743
אז המחשבים יכולים גם לכתוב.

0:10:25.743,0:10:29.218
אם נחבר הכל, זה מוביל[br]לכמה הזדמנויות מלהיבות מאד.

0:10:29.218,0:10:30.710
לדוגמה, ברפואה,

0:10:30.710,0:10:33.235
צוות בבוסטון הכריז שהוא גילה

0:10:33.235,0:10:36.184
עשרות מאפיינים רלוונטיים[br]מבחינה קלינית

0:10:36.184,0:10:40.426
של גידולים,[br]מה שעוזר לרופאים לאבחן סרטן.

0:10:41.550,0:10:43.846
באופן דומה מאד, בסטנפורד,

0:10:43.846,0:10:47.509
הכריזה קבוצה שבוחנת רקמות בהגדלה,

0:10:47.509,0:10:49.890
שהם פיתחו מערכת מבוססת[br]למידת-מכונה

0:10:49.890,0:10:52.472
שלמעשה טובה יותר מפתולוגים אנושיים

0:10:52.472,0:10:56.055
בחיזוי סיכויי הישרדות[br]של סובלים מסרטן.

0:10:56.539,0:10:59.734
בשני המקרים האלה, לא רק[br]שהתחזיות היו מדויקות יותר,

0:10:59.734,0:11:02.596
אלא גם חוללו מדע חדש וחכם.

0:11:02.596,0:11:04.111
במקרה הרדיולוגי,

0:11:04.111,0:11:07.206
היו אלה סמנים קליניים[br]שבני-אדם יכולים להבין,

0:11:07.206,0:11:08.998
במקרה הפתולוגי,

0:11:08.998,0:11:13.498
המערכת הממוחשבת גילתה[br]שהתאים סביב הסרטן

0:11:13.498,0:11:16.838
חשובים בדיוק כמו תאי הסרטן עצמם

0:11:16.838,0:11:18.590
לצרכי האבחון.

0:11:18.590,0:11:23.951
זהו ההיפך ממה שלמדו הפתולוגים[br]מזה עשרות שנים.

0:11:23.951,0:11:27.053
בכל אחד משני המקרים האלה,[br]אלו היו מערכות שפותחו

0:11:27.053,0:11:30.634
בעבודת-צוות של מומחים רפואיים[br]ומומחי למידת-מכונה,

0:11:30.634,0:11:33.395
אבל החל משנה שעברה,[br]גם זה נותר מאחורינו.

0:11:33.395,0:11:36.574
הנה דוגמה לזיהוי אזורים סרטניים

0:11:36.574,0:11:39.684
של רקמה אנושית מתחת למיקרוסקופ.

0:11:39.684,0:11:44.297
המערכת שנראית כאן מסוגלת[br]לזהות אזורים אלה ביתר דייקנות,

0:11:44.297,0:11:46.802
או בערך באותה דייקנות[br]כמו פתולוגים אנושיים,

0:11:46.802,0:11:50.464
אבל נבנתה כולה בלמידה עמוקה[br]ללא שום מומחיות רפואית

0:11:50.464,0:11:52.990
ובידי אנשים ללא שום רקע בתחום.

0:11:53.820,0:11:56.615
כאן, בדומה לכך,[br]חלוקת תאי העצב הזאת.

0:11:56.615,0:12:00.013
היום אנו יכולים לסווג תאי-עצב[br]בערך ברמת דיוק אנושי,

0:12:00.013,0:12:02.240
אבל המערכת הזאת פותחה[br]בעזרת למידה עמוקה

0:12:02.240,0:12:06.251
ובידי אנשים ללא שום[br]רקע קודם ברפואה.

0:12:06.251,0:12:09.328
כלומר, אני עצמי,[br]כאדם חסר רקע ברפואה,

0:12:09.328,0:12:13.015
מוסמך כנראה לגמרי[br]לייסד חברה רפואית חדשה,

0:12:13.015,0:12:15.351
וזה מה שעשיתי.

0:12:15.351,0:12:17.091
די פחדתי לעשות זאת,

0:12:17.091,0:12:19.770
אבל תיאורטית, אמור להיות אפשרי

0:12:19.770,0:12:25.342
לעסוק ברפואה מועילה ביותר[br]רק בעזרת שיטות של ניתוח נתונים.

0:12:25.342,0:12:27.812
ותודה לאל, התגובות היו נהדרות,

0:12:27.812,0:12:30.524
לא רק מהתקשורת,[br]אלא גם מהקהילה הרפואית,

0:12:30.524,0:12:32.422
שגילתה תמיכה רבה.

0:12:32.422,0:12:36.521
תיאורטית, אנו יכולים לקחת[br]את החלק האמצעי של התהליך הרפואי

0:12:36.521,0:12:39.494
להפוך אותו ככל האפשר[br]לניתוח נתונים,

0:12:39.494,0:12:42.759
ולהשאיר לרופאים לעשות[br]את מה שהם הכי טובים בו.

0:12:42.759,0:12:43.961
אתן לכם דוגמה.

0:12:43.961,0:12:49.305
היום דרושות לנו כ-15 דקות[br]כדי להמציא בדיקה רפואית חדשה,

0:12:49.305,0:12:51.259
וכעת אראה לכם את זה[br]בזמן אמיתי,

0:12:51.259,0:12:53.151
אלא שאני דוחס זאת[br]ל-3 דקות

0:12:53.151,0:12:54.793
ע"י ביטול כמה חלקים.

0:12:54.793,0:12:57.885
במקום להראות לכם[br]יצירה של בדיקה רפואית,

0:12:57.885,0:13:01.176
אראה לכם בדיקה[br]של תצלומי מכוניות,

0:13:01.176,0:13:03.398
כי זה משהו[br]שכולנו יכולים להבין.

0:13:03.398,0:13:06.599
אז כאן אנו מתחילים[br]עם כ-1.5 מיליון תצלומי מכוניות,

0:13:06.599,0:13:09.805
ואני רוצה ליצור משהו[br]שיכול לפצל אותם לפי הזוויות

0:13:09.805,0:13:12.028
בהן צולמו התמונות.

0:13:12.028,0:13:15.916
התמונות האלה נטולות כותרות,[br]כך שעלי להתחיל מאפס.

0:13:15.916,0:13:17.781
בעזרת אלגוריתם הלמידה העמוקה שלנו,

0:13:17.781,0:13:21.488
אנו מזהים אוטומטית[br]אזורי מבנה בתמונות האלה.

0:13:21.488,0:13:25.108
מה שנחמד הוא, שהאדם והמחשב[br]יכולים כעת לעבוד יחד.

0:13:25.108,0:13:27.096
האדם, כמו שאתם רואים כאן,

0:13:27.096,0:13:29.961
מראה למחשב אזורים מסוימים,

0:13:29.961,0:13:34.871
שהוא רוצה שהמחשב ייעזר בהם[br]כדי לשפר את האלגוריתם שלו.

0:13:34.871,0:13:38.907
מערכות הלמידה העמוקה הזו[br]פועלות בעצם במרחב 16,000 מימדי,

0:13:38.907,0:13:42.339
אתם רואים כאן שהמחשב[br]מסובב את זה במרחב הזה,

0:13:42.339,0:13:44.331
ומנסה למצוא אזורי מבנה חדשים.

0:13:44.331,0:13:46.112
כשהוא מצליח בכך,

0:13:46.112,0:13:50.116
האדם שמפקח עליו יכול לציין[br]אזורים בעלי עניין מיוחד.

0:13:50.116,0:13:52.538
כאן, המחשב הצליח למצוא אזורים,

0:13:52.538,0:13:55.100
למשל, זוויות.

0:13:55.100,0:13:56.706
אז ככל שאנו ממשיכים[br]בתהליך הזה,

0:13:56.706,0:13:59.046
אנו מלמדים את המחשב[br]יותר ויותר

0:13:59.046,0:14:01.474
אודות סוג המבנה שאנו מחפשים.

0:14:01.474,0:14:03.246
תוכלו ודאי לתאר לעצמכם[br]שבבדיקה רפואית

0:14:03.246,0:14:06.596
יהיה פתולוג[br]שמזהה אזורי מחלה, למשל,

0:14:06.596,0:14:11.622
או רדיולוג שמזהה גושים בעייתיים.

0:14:11.622,0:14:14.181
לפעמים האלגוריתם יתקשה בכך.

0:14:14.181,0:14:16.145
במקרה זה, הוא התבלבל קצת.

0:14:16.145,0:14:18.485
החזיתות והירכתיים של המכוניות התבלבלו.

0:14:18.485,0:14:20.767
אז כאן עלינו להיות[br]קצת יותר זהירים,

0:14:20.767,0:14:23.999
לברור ידנית בין החזיתות[br]לבין הירכתיים,

0:14:23.999,0:14:29.025
ואז לומר למחשב[br]שזהו סוג של קבוצה

0:14:29.025,0:14:30.853
שמעניין אותנו.

0:14:30.853,0:14:33.310
אנו עושים זאת זמן-מה.[br]נדלג מעט קדימה,

0:14:33.310,0:14:35.616
ואז מאמנים את אלגוריתם הלמידה[br]של המחשב

0:14:35.616,0:14:37.750
על יסוד המאות הספורות[br]של המקרים האלה,

0:14:37.750,0:14:39.535
ומקווים שהוא השתפר בהרבה.

0:14:39.535,0:14:42.518
אתם רואים שהוא החל לטשטש[br]כמה מהתמונות האלה,

0:14:42.518,0:14:47.556
וזה מראה לנו שהוא מזהה[br]ומבין זאת בעצמו.

0:14:47.556,0:14:50.458
כעת נוכל להשתמש בתפיסה זו[br]על תמונות דומות,

0:14:50.458,0:14:52.322
ובעזרת תמונות דומות[br]אתם יכולים לראות

0:14:52.322,0:14:56.571
שהמחשב יכול כעת לאתר[br]את חזיתות המכוניות בלבד.

0:14:56.571,0:14:59.519
בשלב זה האדם אומר למחשב:

0:14:59.519,0:15:01.812
"עשית מלאכה טובה."

0:15:02.982,0:15:05.167
לפעמים, כמובן, אפילו בשלב זה

0:15:05.167,0:15:08.841
עדיין קשה להפריד בין הקבוצות.

0:15:08.841,0:15:11.252
במקרה כזה,[br]אפילו אחרי שאנו מאפשרים

0:15:11.252,0:15:13.663
למחשב לנסות לסובב את זה[br]זמן-מה,

0:15:13.663,0:15:16.074
אנו עדיין מוצאים שהצילומים מימין[br]והצילומים משמאל

0:15:16.074,0:15:17.552
מתערבבים.

0:15:17.552,0:15:19.402
אז אנו יכולים שוב[br]לתת למחשב כמה רמזים,

0:15:19.402,0:15:21.348
ואומרים לו: "נסה למצוא היטל

0:15:21.348,0:15:25.095
שמפריד בין ימין לשמאל[br]ככל האפשר

0:15:25.095,0:15:27.337
בעזרת אלגוריתם הלמידה העמוקה.

0:15:27.337,0:15:30.089
ובעזרת הרמז הזה -[br]הנה, הוא הצליח.

0:15:30.089,0:15:32.921
הוא הצליח למצוא דרך[br]לחשוב על עצמים אלה

0:15:32.921,0:15:35.601
באופן שיפריד ביניהם.

0:15:35.601,0:15:38.039
אתם ודאי מבינים את הרעיון.

0:15:38.689,0:15:46.238
לא מדובר כאן במחשב[br]שמחליף את האדם,

0:15:46.238,0:15:48.876
אלא בעבודה משותפת שלהם.

0:15:48.876,0:15:52.036
מדובר כאן במשהו[br]שדרש פעם עבודה של צוות שלם

0:15:52.036,0:15:54.228
של 5-6 אנשים[br]במשך כ-7 שנים,

0:15:54.228,0:15:57.033
והחלפתו במשהו שאורך 15 דקות

0:15:57.033,0:15:59.538
לאדם אחד שפועל לבדו.

0:15:59.538,0:16:03.188
התהליך הזה דורש[br]כ-4 או 5 חזרות.

0:16:03.188,0:16:05.107
כעת אתם רואים שיש לנו 62%

0:16:05.107,0:16:08.306
סיווג נכון מתוך 1.5 מיליון המכוניות.

0:16:08.306,0:16:10.478
ובשלב זה אפשר, מהר למדי,

0:16:10.478,0:16:12.075
לקחת חלקים שלמים,

0:16:12.075,0:16:14.614
לעבור עליהם כדי לוודא[br]שאין טעויות.

0:16:14.614,0:16:18.946
במידה שיש, ביכולתנו[br]להודיע עליהן למחשב.

0:16:18.946,0:16:21.731
ובאמצעות תהליך זה[br]בכל אחת מהקבוצות השונות

0:16:21.731,0:16:24.148
אנו עומדים כעת על 80% הצלחה

0:16:24.148,0:16:26.893
בסיווג 1.5 מיליון התמונות האלה.

0:16:26.893,0:16:28.971
ובשלב זה מדובר פשוט

0:16:28.971,0:16:32.390
באיתור המספר הקטן של תמונות[br]שלא סווגו נכון,

0:16:32.390,0:16:35.438
ובנסיון להבין מדוע.

0:16:35.438,0:16:37.181
ובעזרת גישה זו,

0:16:37.181,0:16:41.302
תוך 15 דקות אנו מגיעים[br]ל-97% סיווג.

0:16:41.302,0:16:45.592
כלומר, בשיטה כזו נוכל לתקן[br]בעיה רצינית,

0:16:45.592,0:16:48.574
שהיא המחסור במומחי רפואה בעולם.

0:16:48.574,0:16:52.233
הפורום הכלכלי העולמי טוען[br]שיש בין פי 10 לפי 20

0:16:52.233,0:16:54.797
מחסור ברופאים בעולם המתפתח,

0:16:54.797,0:16:56.790
ושתידרשנה כ-300 שנה

0:16:56.790,0:17:00.064
להכשיר מספיק אנשים[br]כדי לתקן בעיה זו.

0:17:00.064,0:17:02.949
תארו לעצמכם שנוכל[br]לתרום ליעילות שלהם

0:17:02.949,0:17:05.788
בעזרת גישות אלה,[br]של למידה עמוקה.

0:17:05.788,0:17:07.630
כך שאני נלהב מאד[br]בקשר לאפשרויות.

0:17:07.630,0:17:10.438
אני גם מוטרד מן הבעיות.

0:17:10.438,0:17:13.553
הבעייה כאן היא[br]שכל אזור בכחול במפה זו

0:17:13.553,0:17:17.302
הוא מקום שבו התעסוקה בשירותים[br]היא מעל 80%.

0:17:17.302,0:17:19.089
אילו שירותים?

0:17:19.089,0:17:21.443
שירותים כאלה.[br]-נהיגה, בישול, אבחון, איתור תקדימים משפטיים-

0:17:21.443,0:17:22.731
וזהו גם בדיוק הדבר

0:17:22.731,0:17:25.165
שהמחשבים למדו זה עתה לעשות.

0:17:25.165,0:17:28.601
כלומר, 80% מהתעסוקה[br]בעולם המפותח

0:17:28.601,0:17:31.293
קשורים לדברים שהמחשבים[br]למדו זה עתה לעשות.

0:17:31.293,0:17:32.733
מה זה אומר?

0:17:32.733,0:17:35.056
נו, יהיה בסדר.[br]הם יקבלו משרות אחרות.

0:17:35.056,0:17:37.633
לדוגמה, תמיד יהיו מקומות עבודה[br]למדעני נתונים.

0:17:37.633,0:17:38.660
לא נכון.

0:17:38.660,0:17:41.248
מדעני נתונים לא זקוקים לזמן רב[br]כדי לבנות דברים כאלה.

0:17:41.248,0:17:45.210
לדוגמה, ארבעת האלגוריתמים האלה[br]פותחו ע"י אותו אדם.

0:17:45.210,0:17:47.648
אז אם אתם חושבים:[br]"אה, כבר קרו דברים כאלה,

0:17:47.648,0:17:51.276
"כבר ראינו מה היו התוצאות[br]של הופעת דברים חדשים.

0:17:51.276,0:17:53.318
"האנשים קיבלו משרות אחרות."

0:17:53.318,0:17:55.694
אז מה תהיינה המשרות החדשות האלה?

0:17:55.694,0:17:57.695
קשה לנו מאד להעריך זאת,

0:17:57.695,0:18:00.434
כי הביצועים האנושיים מתפתחים[br]בקצב הדרגתי,

0:18:00.434,0:18:02.656
אך כעת יש לנו מערכת,[br]הלמידה העמוקה,

0:18:02.656,0:18:06.223
שברור לנו שיכולתה מתפתחת[br]בקצב מעריכי.

0:18:06.223,0:18:07.558
וזה המצב.

0:18:07.558,0:18:09.569
אז כרגע אנו רואים[br]את הדברים שסביבנו,

0:18:09.569,0:18:12.325
ואומרים: "המחשבים עדיין די טפשים."[br]נכון?

0:18:12.325,0:18:15.994
אבל תוך 5 שנים,[br]המחשבים יעקפו אותנו בגרף הזה,

0:18:15.994,0:18:19.559
ולכן עלינו להתחיל לחשוב[br]על היכולת הזו כבר עכשיו.

0:18:19.559,0:18:21.579
כבר ראינו דברים כאלה, כמובן.

0:18:21.579,0:18:23.026
במהפכה התעשייתית,

0:18:23.026,0:18:26.147
ראינו שינוי הדרגתי ביכולת[br]הודות למנועים.

0:18:26.997,0:18:30.135
אבל אחרי זמן-מה,[br]הגרף התיישר.

0:18:30.135,0:18:31.537
היו שיבושים חברתיים,

0:18:31.537,0:18:35.086
אבל מעת שהמנוע שימש[br]לייצור חשמל עבור כל דבר,

0:18:35.086,0:18:37.630
המצב באמת התייצב.

0:18:37.630,0:18:39.107
מהפכת למידת המכונה

0:18:39.107,0:18:41.412
עתידה להיות שונה מאד[br]מן המהפכה התעשייתית,

0:18:41.412,0:18:44.965
כי מהפכת למידת המכונה[br]לעולם לא שוקטת על שמריה.

0:18:44.965,0:18:47.944
ככל שהמחשבים משתפרים[br]בפעילויות אינטלקטואליות,

0:18:47.944,0:18:52.192
כך הם יוכלו לבנות מחשבים[br]בעלי יכולות אינטלקטואליות משופרות,

0:18:52.192,0:18:54.100
כלומר, זה יהיה שינוי כזה,

0:18:54.100,0:18:56.578
שהעולם בעצם טרם חווה כמותו,

0:18:56.578,0:18:59.884
וההבנה הקודמת שלכם[br]לגבי מה שאפשרי, היא שונה.

0:19:00.304,0:19:01.894
זה כבר משפיע עלינו.

0:19:01.894,0:19:05.714
ב-25 השנה האחרונות,[br]עם העלייה בכושר ייצור ההון,

0:19:05.714,0:19:09.692
פריון העובדה נותר כשהיה,[br]למעשה, אפילו ירד מעט.

0:19:09.692,0:19:12.040
[לא עוזר: חינוך משופר, תמריצים.[br]עוזר: הפרדה עבודה מהשכר, כלכלת כישורים]

0:19:12.040,0:19:13.979
לכן ברצוני שנתחיל לדון בכך עכשיו.

0:19:13.979,0:19:16.136
אני יודע שכאשר אני מספר[br]לאנשים על המצב הזה,

0:19:16.136,0:19:17.636
הם מסוגלים לגלות חוסר-עניין:

0:19:17.636,0:19:19.329
"המחשבים לא באמת חושבים",

0:19:19.329,0:19:22.697
"אין להם רגשות,[br]הם לא מבינים שירה,"

0:19:22.697,0:19:24.998
"איננו מבינים באמת[br]איך הם פועלים.

0:19:24.998,0:19:26.244
"אז מה?"

0:19:26.244,0:19:28.348
המחשבים כיום מסוגלים לעשות דברים

0:19:28.348,0:19:31.227
שבני-אדם מתפרנסים מעשייתם[br]במשך רוב חייהם,

0:19:31.227,0:19:34.853
אז עכשיו הזמן להתחיל לחשוב[br]איך בדעתנו להתאים

0:19:34.853,0:19:37.129
את המבנים החברתיים והכלכליים שלנו

0:19:37.129,0:19:39.185
כדי להתחשב במציאות חדשה זו.

0:19:39.185,0:19:40.718
תודה לכם.

0:19:40.718,0:19:43.408
[מחיאות כפיים]