איך אנחנו מלמדים מחשבים להבין תמונות
-
0:02 - 0:06בואו אני אראה לכם משהו.
-
0:06 - 0:10(וידאו) ילדה: "אוקיי, זה חתול
שיושב על מיטה. -
0:10 - 0:14הילד מלטף את הפיל.
-
0:14 - 0:19אלה אנשים שעולים על מטוס.
-
0:19 - 0:21זה מטוס גדול."
-
0:21 - 0:24זו ילדה בת שלוש שנים
-
0:24 - 0:27מתארת מה היא רואה בסדרת תמונות.
-
0:27 - 0:30אולי יש לה עוד הרבה ללמוד על העולם,
-
0:30 - 0:35אבל היא כבר מומחית
במשימה אחת מאוד חשובה: -
0:35 - 0:38להבין מה היא רואה.
-
0:38 - 0:42החברה שלנו היא יותר
מתקדמת טכנולוגית מאי פעם. -
0:42 - 0:46אנחנו שולחים אנשים לירח,
אנחנו מייצרים טלפונים שמדברים אלינו -
0:46 - 0:51או מתאימים אישית תחנות רדיו
שינגנו רק מוסיקה שאנחנו אוהבים. -
0:51 - 0:55ועדיין, המכונות והמחשבים
המתקדמים ביותר שלנו -
0:55 - 0:58עדיין מתקשים במשימה הזו.
-
0:58 - 1:01אז אני פה היום כדי לתת לכם דו"ח התקדמות
-
1:01 - 1:05על ההתפתחויות האחרונות במחקר שלנו
על ראיית מחשב, -
1:05 - 1:10אחד מהטכנולוגיות החלוציות והמהפכניות ביותר
-
1:10 - 1:13במדעי המחשב.
-
1:13 - 1:17נכון, יש לנו אבטיפוס של מכוניות
שיכולות לנסוע בעצמן, -
1:17 - 1:21אבל בלי ראייה חכמה,
הן לא יכולות באמת להבדיל -
1:21 - 1:25בין שקית נייר מקופלת על הכביש,
שאפשר לנסוע עליה, -
1:25 - 1:29ואבן בגודל הזה,
שצריך להימנע ממנה. -
1:29 - 1:33ייצרנו מצלמות מגהפיקסל מדהימות,
-
1:33 - 1:36אבל לא הצלחנו להביא ראייה לעיוורים.
-
1:36 - 1:40מזל"טים יכולים לטוס מעל שטח עצום,
-
1:40 - 1:42אבל חסרי טכנולוגיית ראייה מספקת
-
1:42 - 1:45בשביל לעזור לנו לעקוב
אחרי השינויים ביערות הגשם. -
1:45 - 1:48מצלמות אבטחה נמצאות בכל מקום,
-
1:48 - 1:53אבל הן לא מתריעות כשילד טובע בבריכה.
-
1:54 - 2:00תמונות וסרטונים הופכים לחלק בלתי נפרד
מהחיים הגלובליים. -
2:00 - 2:04הם נוצרים בקצב שהוא מעל לכל מה שכל אדם,
-
2:04 - 2:07או קבוצות של אנשים,
יכולים לקוות לצפות בהם, -
2:07 - 2:11ואתם ואני תורמים לזה בשיחת TED הזו.
-
2:11 - 2:16אבל התוכנה המתקדמת ביותר שלנו עדיין
מתמודדת בלהבין -
2:16 - 2:20ולנהל את התוכן העצום הזה.
-
2:20 - 2:25אז במילים אחרות, במשותף כחברה,
-
2:25 - 2:27אנחנו מאוד עיוורים,
-
2:27 - 2:30כי המכונות החכמות ביותר שלנו
עדיין עיוורות. -
2:32 - 2:34אתם יכולים לשאול -
"למה זה כל כך קשה?" -
2:34 - 2:37מצלמות יכולות לקחת תמונות כמו זו,
-
2:37 - 2:41על ידי המרת אורות לשטח דו מימדי של מספרים,
-
2:41 - 2:43הידועים כפיקסלים,
-
2:43 - 2:45אבל אלו רק מספרים חסרי חיים.
-
2:45 - 2:48הם לא נושאים איזושהי משמעות בעצמם.
-
2:48 - 2:52כמו שלשמוע זה לא אותו דבר כמו להקשיב,
-
2:52 - 2:57לקחת תמונות זה לא אותו דבר כמו לראות,
-
2:57 - 3:00ובלראות, אנחנו למעשה מתכוונים ללהבין.
-
3:01 - 3:07למעשה, זה לקח לאימא טבע
540 מיליון שנים של עבודה קשה -
3:07 - 3:09לעשות את המשימה הזו,
-
3:09 - 3:11והרבה מהמאמץ הזה
-
3:11 - 3:17הלך על פיתוח מנגנון
העיבוד החזותי של המוח שלנו, -
3:17 - 3:19לא העיניים עצמן.
-
3:19 - 3:22אז ראייה מתחילה בעיניים,
-
3:22 - 3:26אבל באמת מתרחשת במוח.
-
3:26 - 3:31אז במשך 15 שנים האחרונות,
מהדוקטורט שלי במכון הטכנולוגי של קליפורניה -
3:31 - 3:34ואז הובלת מעבדת הראייה בסטנפורד,
-
3:34 - 3:39אני עובדת עם המורים הרוחניים שלי,
משתפי פעולה וסטודנטים, -
3:39 - 3:42ללמד מחשבים לראות.
-
3:43 - 3:46תחום המחקר שלנו נקרא -
ראייה ממוחשבת ולמידת מכונה. -
3:46 - 3:50זה חלק מתחום כללי יותר
של אינטלגנציה מלאכותית. -
3:51 - 3:56אז בסופו של דבר, אנחנו רוצים
ללמד את המכונות לראות כמו שאנחנו רואים: -
3:56 - 4:02לנקוב בשמות של אובייקטים, לזהות אנשים,
להסיק גיאומטרית תלת מימדית של דברים, -
4:02 - 4:08להבין קשרים, רגשות, פעולות וכוונות.
-
4:08 - 4:14אתם ואני רוקמים ביחד
סיפורים שלמים של אנשים, מקומות ודברים -
4:14 - 4:16ברגע שאנחנו מניחים עליהם את המבט שלנו.
-
4:17 - 4:23הצעד הראשון לכיוון המטרה הזו
הוא ללמד מחשב לראות חפצים, -
4:23 - 4:26אבן הבניין של העולם החזותי.
-
4:26 - 4:30במונחים הכי פשוטים,
דמיינו את תהליך הלמידה הזה -
4:30 - 4:33כלהראות למחשבים
כמה תמונות אימון של אובייקט מסוים, -
4:33 - 4:37בואו נאמר חתולים,
-
4:37 - 4:41ועיצוב מודל שילמד מתמונות האימון האלו.
-
4:41 - 4:43כמה קשה זה כבר יכול להיות?
-
4:43 - 4:47אחרי הכל, חתול הוא פשוט
אוסף של צורות וצבעים, -
4:47 - 4:52וזה מה שאנחנו עשינו בימים הראשונים
של שימוש כמודל תיאורטי באובייקטים. -
4:52 - 4:55היינו אומרים לאלגוריתם של המחשב
בשפה מתמטית -
4:55 - 4:59שהפנים של חתול הן עגולות,
גוף שמנמן, -
4:59 - 5:01שני אוזניים מחודדות, זנב ארוך,
-
5:01 - 5:02וזה היה נראה בסדר גמור.
-
5:03 - 5:05אבל מה עם החתול הזה?
-
5:05 - 5:06(צחוק)
-
5:06 - 5:08הוא כולו מכורבל.
-
5:08 - 5:12עכשיו צריך להוסיף עוד צורה ונקודת מבט
למודל האובייקט. -
5:12 - 5:14אבל מה אם חתולים מתחבאים?
-
5:15 - 5:17מה עם החתולים המטופשים האלו?
-
5:19 - 5:22עכשיו אתם מתחילים להבין את הנקודה שלי.
-
5:22 - 5:25אפילו משהו פשוט כמו חיית מחמד ביתית
-
5:25 - 5:29יכול להציג אינסוף צורות למודל של אובייקט,
-
5:29 - 5:32וזה רק אובייקט אחד.
-
5:33 - 5:35אז לפני 8 שנים בערך,
-
5:35 - 5:40הסתכלות מאוד פשוטה ומעמיקה
שינתה את המחשבה שלי. -
5:41 - 5:44אף אחד לא אומר לילד איך לראות,
-
5:44 - 5:46במיוחד לא בשנים המוקדמות.
-
5:46 - 5:51הם לומדים דרך הנסיון
בעולם האמיתי ודוגמאות. -
5:51 - 5:54אם תתייחסו לעיניים של ילד
-
5:54 - 5:57כזוג מצלמות ביולוגיות
-
5:57 - 6:01הן לוקחות תמונה אחת
בערך כל 200 אלפיות השנייה, -
6:01 - 6:04הזמן הממוצע של תנועת עין.
-
6:04 - 6:10אז עד גיל שלוש, ילד יראה
מאות מיליוני תמונות -
6:10 - 6:11של העולם האמיתי.
-
6:11 - 6:14זה הרבה דוגמאות אימון.
-
6:14 - 6:20אז במקום להתרכז אך ורק על אלגוריתמים
טובים יותר ויותר, -
6:20 - 6:26התובנה שלי היתה לתת לאלגוריתמים
את סוג מידע האימון -
6:26 - 6:29שילד מקבל דרך ניסיון
-
6:29 - 6:33גם בכמות וגם באיכות.
-
6:33 - 6:35ברגע שאנחנו יודעים את זה,
-
6:35 - 6:38ידענו שאנחנו צריכים לאסוף מערכת מידע
-
6:38 - 6:42שיש בה הרבה יותר תמונות
ממה שהיו לנו אי פעם, -
6:42 - 6:45אולי פי כמה אלפים יותר,
-
6:45 - 6:49ויחד עם פרופסור קאי לי
מאוניברסיטת פרינסטון, -
6:49 - 6:54התחלנו את פרוייקט אימג'נט ב-2007.
-
6:54 - 6:57למזלנו, לא היינו צריכים לשים
מצלמה על ראשינו -
6:57 - 6:59ולחכות הרבה שנים.
-
6:59 - 7:01ניגשנו לאינטרנט,
-
7:01 - 7:05האוצר הגדול ביותר של תמונות
שהאדם יצר אי פעם. -
7:05 - 7:08הורדנו כמעט מיליארד תמונות
-
7:08 - 7:14והשתמשנו בפעילות של הציבור הרחב
כמו הפלטפורמת המכניקל טורק של אמזון -
7:14 - 7:16
כדי לעזור לנו לתייג את התמונות האלו. -
7:16 - 7:21בשיאו, אימג'נט היה אחד המעסיקים הגדולים
-
7:21 - 7:24של פלטפורמת טורק של אמזון:
-
7:24 - 7:28ביחד, כמעט 50,000 עובדים
-
7:28 - 7:32מ-167 מדינות מסביב לעולם
-
7:32 - 7:36עזרו לנו לנקות, לסדר ולתייג
-
7:36 - 7:40כמעט מיליארד תמונות מועמדות.
-
7:41 - 7:43זה כמה מאמץ נדרש
-
7:43 - 7:47כדי ללכוד שבריר מיכולת הדימוי
-
7:47 - 7:51שמוח של ילד מסוגל לעשות
בשנות ההתפתחות המוקדמות. -
7:52 - 7:56בדיעבד, הרעיון להשתמש בביג דאטה
-
7:56 - 8:01בשביל לאמן אלגוריתם של מחשב
נראה אולי ברור עכשיו, -
8:01 - 8:05אבל ב-2007, זה לא היה כזה ברור.
-
8:05 - 8:09היינו יחסית לבד במסע הזה למשך זמן לא קצר.
-
8:09 - 8:14כמה עמיתים ידידותיים הציעו לי לעשות משהו
שימושי יותר בשביל הקביעות שלי, -
8:14 - 8:18והיינו נאבקים כל הזמן על תקציבי מחקר.
-
8:18 - 8:20פעם אחת, התבדחתי
עם הסטודנטים שלי לתואר שני -
8:20 - 8:24שאני פשוט אפתח מחדש את החנות
לניקוי יבש שלי כדי לממן את אימג'נט. -
8:24 - 8:29אחרי הכל, ככה מימנתי את שנות הלימודים שלי.
-
8:29 - 8:31אז המשכנו.
-
8:31 - 8:35ב-2009, פרוייקט אימג'נט סיפק
-
8:35 - 8:39בסיס נתונים של 15 מיליון תמונות
-
8:39 - 8:44לרוחב 22,000 סוגי אובייקטים ודברים
-
8:44 - 8:47מאורגנים לפי שפה אנגלית יומיומית.
-
8:47 - 8:50גם בכמות וגם באיכות,
-
8:50 - 8:53זה היה קנה מידה חסר תקדים.
-
8:53 - 8:56כדוגמא, במקרה של חתולים,
-
8:56 - 8:59יש לנו יותר מ-62,000 חתולים
-
8:59 - 9:03בכל מיני מראות ותנוחות
-
9:03 - 9:08ועל פני כל המינים של
חתולים ביתיים ופראיים. -
9:08 - 9:12היינו נרגשים להרכיב את אימג'נט,
-
9:12 - 9:16ורצינו שכל עולם המחקר ירוויח ממנו,
-
9:16 - 9:20אז ברוח TED, פתחנו את כל
מערכת הנתונים שלנו -
9:20 - 9:23לקהילת המחקר ברחבי העולם בחינם.
-
9:25 - 9:29(מחיאות כפיים)
-
9:29 - 9:34עכשיו כשיש לנו את הנתונים להזין
במוח הממוחשב שלנו, -
9:34 - 9:38אנחנו מוכנים לחזור לאלגוריתמים עצמם.
-
9:38 - 9:43כפי שהתברר, עושר המידע
שסופק על ידי אימג'נט -
9:43 - 9:48היה התאמה מושלמת לסוג מסויים
של אלגוריתמים ללמידת מכונה -
9:48 - 9:50הנקראים רשת עצבים מורכבת,
-
9:50 - 9:55שפרצו דרך על ידי
קוניהיקו פוקושימה, ג'ף הינטון ויאן לה-קון -
9:55 - 9:59בשנות ה-70 וה-80.
-
9:59 - 10:05בדיוק כמו שהמוח מכיל מיליארדי נוירונים
המחוברים היטב, -
10:05 - 10:08יחידת הפעלה בסיסית ברשת הנויראלית
-
10:08 - 10:11היא הצומת מנתב המידע דמוי נוירון.
-
10:11 - 10:13הוא מקבל מידע מצמתים אחרים
-
10:13 - 10:16ושולח אותם לאחרים.
-
10:16 - 10:21יתרה מזו, מאות אלפי
או אולי אפילו מיליוני הצמתים -
10:21 - 10:24מאורגנים בשכבות היררכיות,
-
10:24 - 10:27גם כן בדומה למוח.
-
10:27 - 10:31ברשת נויראלית טיפוסית אנו משתמשים
כדי לאמן את המודל זיהוי האובייקטים שלנו, -
10:31 - 10:35יש בו 24 מיליון צמתים,
-
10:35 - 10:38140 מיליון משתנים,
-
10:38 - 10:41ו-15 מיליארד קשרים.
-
10:41 - 10:43זה מודל ענק.
-
10:43 - 10:47המונע על ידי מידע נתונים עצום מאימג'נט
-
10:47 - 10:52ויחידות העיבוד המרכזיות והמעבדים הגרפיים
לאימון מודל כזה כביר, -
10:52 - 10:55הרשת הנויראלית המורכבת
-
10:55 - 10:58פרחה בצורה שאף אחד לא ציפה לה.
-
10:58 - 11:01זה הפך להיות הארכיטקטורה המנצחת
-
11:01 - 11:06ביצירת תוצאות חדשות ומרגשות
בזיהוי אובייקטים. -
11:06 - 11:09זה מחשב שאומר לנו
-
11:09 - 11:11שהתמונה הזו מכילה חתול
-
11:11 - 11:13ואיפה נמצא החתול.
-
11:13 - 11:15כמובן שיש יותר דברים מחתולים,
-
11:15 - 11:18אז הנה אלגוריתם של מחשב אומר לנו
-
11:18 - 11:21שהתמונה מכילה ילד ובובת דובי;
-
11:21 - 11:25כלב, אדם, ועפיפון קטן ברקע;
-
11:25 - 11:28או תמונה של דברים מאוד עסוקים
-
11:28 - 11:33כמו איש, סקייטבורד, מעקות,
עמוד תאורה וכן הלאה. -
11:33 - 11:38לפעמים, כשהמחשב לא בטוח לגמרי
במה שהוא רואה, -
11:39 - 11:42לימדנו אותו להיות חכם מספיק
-
11:42 - 11:46כדי לתת לנו תשובה בטוחה
במקום להתחייב יותר מדי, -
11:46 - 11:48בדיוק כמו שאנחנו היינו עושים,
-
11:48 - 11:53אבל בפעמים אחרות האלגוריתם הממוחשב שלנו
מצויין בלהגיד לנו -
11:53 - 11:55מה בדיוק הם האובייקטים,
-
11:55 - 11:59כמו היצרן, המודל והשנה של מכוניות.
-
11:59 - 12:04יישמנו את האלגוריתם הזה למיליוני תמונות
של מפת הרחובות של גוגל -
12:04 - 12:07במאות ערים אמריקניות,
-
12:07 - 12:10ולמדנו משהו מאוד מעניין:
-
12:10 - 12:14דבר ראשון, זה אימת את הידע הנפוץ
-
12:14 - 12:17שמחירי מכוניות נמצאים בקשר ישיר
-
12:17 - 12:19להכנסות משק הבית.
-
12:19 - 12:24אבל באופן מפתיע, מחירי המכוניות
נמצאים בקשר ישיר -
12:24 - 12:26עם רמת הפשע בערים,
-
12:27 - 12:31או תבנית הצבעות על פי מיקודים.
-
12:32 - 12:34אז רגע. זה הכל?
-
12:34 - 12:39האם המחשב השווה או אפילו עקף
את היכולות האנושיות? -
12:39 - 12:42לא כל כך מהר.
-
12:42 - 12:46עד עכשיו, אנחנו רק לימדנו את המחשב
לראות אובייקטים. -
12:46 - 12:51זה כמו שילד קטן לומד לבטא מספר
שמות עצם. -
12:51 - 12:54זה הישג מדהים,
-
12:54 - 12:56אבל זה רק הצעד הראשון.
-
12:56 - 13:00בקרוב, עוד אבן דרך התפתחותית תושג,
-
13:00 - 13:03וילדים מתחילים לתקשר במשפטים.
-
13:03 - 13:08אז במקום להגיד - זה חתול בתמונה,
-
13:08 - 13:13כבר שמעתם את הילדה הקטנה אומרת לנו
שזה חתול ששוכב על מיטה. -
13:13 - 13:18אז ללמד מחשב לראות תמונה
ולייצר משפטים, -
13:18 - 13:22הנישואים בין ביג דאטה
לאלגוריתם לימוד מכונה -
13:22 - 13:25צריכים לקחת עוד צעד.
-
13:25 - 13:29עכשיו, המחשב צריך ללמוד משתי התמונות
-
13:29 - 13:32כמו גם ממשפטים טבעיים בשפה
-
13:32 - 13:35שנוצרים על ידי בני אדם.
-
13:35 - 13:39בדיוק כמו שהמוח מייצר ראייה ושפה,
-
13:39 - 13:44אנחנו פיתחנו מודל שמקשר חלקים
של דברים ויזואלים -
13:44 - 13:46כמו מקטעים קצרים
-
13:46 - 13:50עם מילים וביטויים במשפטים.
-
13:50 - 13:53לפני ארבעה חודשים בערך,
-
13:53 - 13:56סוף סוף קשרנו את כל זה ביחד
-
13:56 - 13:59ויצרנו את אחד ממודלי
הראייה הממוחשבת הראשונים -
13:59 - 14:03שמסוגלים לייצר משפט בדומה לאדם
-
14:03 - 14:07כאשר הוא רואה תמונה בפעם הראשונה.
-
14:07 - 14:12עכשיו, אני מוכנה להראות לכם
מה המחשב אומר -
14:12 - 14:14כשהוא רואה את התמונה
-
14:14 - 14:17שהילדה הקטנה ראתה בתחילת השיחה הזו.
-
14:20 - 14:23(וידאו) מחשב: איש עומד ליד פיל.
-
14:24 - 14:28מטוס גדול עומד על מסלול טיסה.
-
14:29 - 14:33פיי פיי: כמובן, אנחנו עדיין עובדים קשה
כדי לשפר את האלגוריתמים שלנו, -
14:33 - 14:36ועדיין יש לו הרבה ללמוד.
-
14:36 - 14:38(מחיאות כפיים)
-
14:40 - 14:43והמחשב עדיין עושה טעויות.
-
14:43 - 14:46(וידאו) מחשב: חתול שוכב על מיטה בשמיכה.
-
14:46 - 14:49פיי פיי: אז כמובן, כשהוא רואה
יותר מדי חתולים, -
14:49 - 14:52הוא חושב שהכל יכול להיראות כמו חתול.
-
14:53 - 14:56(וידאו) מחשב: ילד צעיר מחזיק אלת בייסבול.
-
14:56 - 14:58(צחוק)
-
14:58 - 15:03פיי פיי: או אם הוא לא ראה מברשת שיניים,
הוא מבלבל את זה עם אלת בייסבול. -
15:03 - 15:07(וידאו) מחשב: איש רוכב על סוס
במורד הרחוב ליד בניין. -
15:07 - 15:09(צחוק)
-
15:09 - 15:12פיי פיי: לא לימדנו את המחשבים
מבוא לאומנות. -
15:14 - 15:17(וידאו) מחשב: זברה עומדת בשדה עשב.
-
15:17 - 15:20פיי פיי: והוא לא למד להעריך
את היופי המדהים של הטבע -
15:20 - 15:22כמוני וכמוכם.
-
15:22 - 15:25אז עדיין יש לו דרך ארוכה.
-
15:25 - 15:30להגיע מגיל אפס לשלוש היה קשה.
-
15:30 - 15:35האתגר האמיתי הוא להגיע
משלוש לשלוש עשרה ומעבר לזה. -
15:35 - 15:39תרשו לי להזכיר לכם עם התמונה
של הילד והעוגה שוב. -
15:39 - 15:44עד עכשיו, לימדנו את המחשב לראות אובייקטים
-
15:44 - 15:48או אפילו לספר לנו סיפור פשוט
כשהוא רואה תמונה. -
15:48 - 15:52(וידאו) מחשב: אדם יושב ליד שולחן עם עוגה.
-
15:52 - 15:54פיי פיי: אבל יש עוד כל כך הרבה בתמונה הזו
-
15:54 - 15:56מאשר רק אדם ועוגה.
-
15:56 - 16:01מה שהמחשב לא רואה זה שזו
עוגה איטלקית מיוחדת -
16:01 - 16:04שמוגשת רק בחג הפסחא.
-
16:04 - 16:07הילד לובש את החולצה האהובה עליו
-
16:07 - 16:11שניתנה לו על ידי אביו אחרי טיול בסידני,
-
16:11 - 16:15ואתם ואני יכוים להגיד כמה מאושר הוא
-
16:15 - 16:18ומה בדיוק הוא חושב ברגע הזה.
-
16:19 - 16:22זה בני ליאו.
-
16:22 - 16:25במסע שלי לאינטלגנציה חזותית,
-
16:25 - 16:27אני כל הזמן חושבת על ליאו
-
16:27 - 16:30ועל העולם העתידי בו הוא יחיה.
-
16:30 - 16:32כשמכונות יכולות לראות,
-
16:32 - 16:37לרופאים ואחיות יהיה עוד זוג עיניים
שלא מתעייפות -
16:37 - 16:41כדי לעזור להם לאבחן ולדאוג למטופלים.
-
16:41 - 16:45מכוניות ינועו
בצורה חכמה יותר ובטוחה יותר בדרכים. -
16:45 - 16:48רובוטים, לא רק בני אדם,
-
16:48 - 16:53יעזרו לנו לעמוד בגבורה באזורי אסון
ולהציל את הלכודים והפצועים. -
16:54 - 16:58אנחנו נגלה מינים חדשים,
חומרים טובים יותר, -
16:58 - 17:02ונחקור גבולות חדשים
עם עזרה של המכונות. -
17:03 - 17:07לאט לאט, אנחנו נותנים יכולת ראייה למכונות.
-
17:07 - 17:10קודם כל, אנחנו מלמדים אותם לראות.
-
17:10 - 17:13לאחר מכן, הם יעזרו לנו לראות טוב יותר.
-
17:13 - 17:17בפעם הראשונה, העיניים האנושיות
לא יהיו העיניים היחידות -
17:17 - 17:20שמהרהרות וחוקרות את העולם.
-
17:20 - 17:23אנחנו לא רק נשתמש במכונות
בשביל האינטליגנציה שלהם, -
17:23 - 17:30אנחנו גם נשתף איתן פעולה בדרכים
שאנחנו אפילו לא יכולים לדמיין. -
17:30 - 17:32זה המסע שלי:
-
17:32 - 17:34לתת למחשבים תבונה חזותית
-
17:34 - 17:40וליצור עתיד טוב יותר
בשביל ליאו ובשביל העולם. -
17:40 - 17:41תודה רבה.
-
17:41 - 17:45(מחיאות כפיים)
- Title:
- איך אנחנו מלמדים מחשבים להבין תמונות
- Speaker:
- פיי-פיי לי
- Description:
-
כשילדה קטנה מסתכלת על תמונה, היא יכולה לזהות אלמנטים פשוטים: "חתול", "ספר", "כיסא".
עכשיו, מחשבים נהיים חכמים מספיק לעשות את זה גם. מה השלב הבא? בשיחה מרתקת, המומחית לראיית מחשב פיי-פיי לי מתארת את החדשות האחרונות ביותר - כולל מאגר נתונים של 15 מיליון תמונות שהצוות שלה בנה כדי "ללמד" מחשב להבין תמונות - והתובנות המרכזיות שעוד יגיעו בעתיד. - Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:58
Ido Dekkers approved Hebrew subtitles for How we're teaching computers to understand pictures | ||
Ido Dekkers edited Hebrew subtitles for How we're teaching computers to understand pictures | ||
Ido Dekkers accepted Hebrew subtitles for How we're teaching computers to understand pictures | ||
Ido Dekkers edited Hebrew subtitles for How we're teaching computers to understand pictures | ||
Ido Dekkers edited Hebrew subtitles for How we're teaching computers to understand pictures | ||
hila scherba edited Hebrew subtitles for How we're teaching computers to understand pictures | ||
hila scherba edited Hebrew subtitles for How we're teaching computers to understand pictures | ||
hila scherba edited Hebrew subtitles for How we're teaching computers to understand pictures |