ההשלכות הנפלאות והמפחידות שיש ליכולתם של המחשבים ללמוד - ג'רמי הווארד - TEDxבריסל
-
0:09 - 0:13פעם, אם רציתם שמחשב
יעשה משהו חדש, -
0:13 - 0:15היה עליכם לתכנת אותו.
-
0:15 - 0:18תכנות, לאלה מכם
שטרם עשו זאת, -
0:18 - 0:21מחייב לפרט באופן מפרך
-
0:21 - 0:25כל שלב ושלב שאתם רוצים
שהמחשב יעשה -
0:25 - 0:27כדי להשיג את מטרתכם.
-
0:27 - 0:31אם אתם רוצים לעשות משהו
שאינכם יודעים לעשות בעצמכם, -
0:31 - 0:33זה יהיה אתגר רציני.
-
0:33 - 0:37זה היה האתגר שבפניו ניצב
איש זה, ארתור סמואל. -
0:37 - 0:43ב-1956, הוא רצה שהמחשב הזה
יביס אותו בדמקה. -
0:43 - 0:44איך הייתם כותבים תוכנה,
-
0:44 - 0:49בפרטי-פרטים,
כדי שתנוצחו בדמקה? -
0:49 - 0:50היה לו רעיון:
-
0:50 - 0:54הוא גרם למחשב לשחק נגד עצמו
אלפי פעמים -
0:54 - 0:57וללמוד לשחק דמקה.
-
0:57 - 1:00וזה הצליח.
ובאמת, ב-1962, -
1:00 - 1:03המחשב ניצח את אלוף קונטיקט.
-
1:03 - 1:07כך שארתור סמואל
הוא אבי למידת המכונה, -
1:07 - 1:08ואני חב לו חוב גדול,
-
1:08 - 1:11כי אני עוסק בלמידת מכונה.
-
1:11 - 1:13כיהנתי כנשיא "קאגל",
-
1:13 - 1:16קהילה של יותר מ-200,000
אנשים שעוסקים בלמידת מכונה. -
1:16 - 1:18"קאגל" הציגה להם תחרויות
-
1:18 - 1:22כדי לגרום להם לפתור
בעיות שלא נפתרו בעבר, -
1:22 - 1:25וזה הצליח מאות פעמים.
-
1:26 - 1:28אז מעמדת היתרון הזו הצלחתי ללמוד
-
1:28 - 1:32הרבה על מה שלמידת מכונה
יכלה לעשות בעבר, יכולה לעשות היום, -
1:32 - 1:34ומה שהיא תוכל לעשות בעתיד.
-
1:34 - 1:36ייתכן שההצלחה הגדולה הראשונה
-
1:36 - 1:39של למידת מכונה מבחינה מסחרית
היתה "גוגל". -
1:39 - 1:42"גוגל" הוכיחה שאפשר למצוא מידע
-
1:42 - 1:44בעזרת אלגוריתם של מחשב,
-
1:44 - 1:47ואלגוריתם זה מבוסס
על למידת מכונה. -
1:47 - 1:50מאז היו הרבה הצלחות מסחריות
של למידת מכונה. -
1:50 - 1:53חברות כמו "אמזון" ו"נטפליקס"
-
1:53 - 1:56משתמשות בלמידת מכונה
כדי להציע מוצרים שאולי תרצו לקנות, -
1:56 - 1:58סרטים שאולי תרצו לראות.
-
1:58 - 2:00לפעמים זה כמעט מפחיד.
-
2:00 - 2:02חברות כמו "לינקד-אין" ו"פייסבוק"
-
2:02 - 2:04אומרות לכם לפעמים
מי יכולים להיות חבריכם -
2:04 - 2:06ולכם אין מושג
איך הן עשו זאת. -
2:06 - 2:09הסיבה היא שהם מנצלים את כוחה
של למידת המכונה. -
2:09 - 2:12מדובר באלגוריתמים שלמדו
לעשות זאת מנתונים -
2:12 - 2:16ולא כי תכנתו אותם ידנית.
-
2:16 - 2:18כך גם הצליחה איי-בי-אם
-
2:18 - 2:22להביס בעזרת המחשב "ווטסון"
שני אלופי עולם בשעשועון הטלוויזיה "ג'פרדי", -
2:22 - 2:25שענה על שאלות חריפות
ומורכבות להפליא כמו זו. -
2:25 - 2:28["האריה מנמרוד" העתיק נעלם
מהמוזיאון הלאומי של עיר זו ב-2003] -
2:28 - 2:32זו גם הסיבה למכוניות
הנהיגה האוטומטית הראשונות. -
2:32 - 2:34אם רוצים לדעת מה ההבדל, נניח,
-
2:34 - 2:37בין עץ להולך-רגל,
הם חשובים למדי. -
2:37 - 2:40איננו יודעים לכתוב תוכנות אלה
באופן ידני, -
2:40 - 2:42אבל בעזרת למידת מכונה,
זה אפשרי היום. -
2:42 - 2:45למעשה, המכונית הזאת
נסעה יותר מ-1,600,000 ק"מ -
2:45 - 2:47ללא שום תאונה,
בכבישים רגילים. -
2:47 - 2:49[מחשבים יכולים ללמוד]
-
2:49 - 2:52אז כעת ברור לנו
שמחשבים מסוגלים ללמוד, -
2:52 - 2:54והם מסוגלים ללמוד לעשות דברים
-
2:54 - 2:57שלפעמים אנו בעצמנו
איננו יודעים לעשות, -
2:57 - 3:00או לעשותם טוב יותר מאיתנו.
-
3:00 - 3:04אחת הדוגמאות המדהימות ביותר
שראיתי, של למידת מכונה, -
3:04 - 3:07היתה במיזם שניהלתי ב"קאגל",
-
3:07 - 3:10שבו צוות בראשותו
של אדם בשם ג'פרי הינטון -
3:10 - 3:12מאוניברסיטת טורונטו,
-
3:12 - 3:14זכה בתחרות לאיתור אוטומטי של סמים.
-
3:14 - 3:17היוצא-דופן כאן היה
לא רק שהם הביסו -
3:17 - 3:21את כל האלגוריתמים שפותחו ע"י "מרק"
או של הקהילה האקדמית העולמית, -
3:21 - 3:26אלא שלאיש בצוות לא היה רקע
בכימיה, בביולוגיה ובמדעי החיים, -
3:26 - 3:29והם עשו זאת תוך שבועיים.
-
3:29 - 3:30איך הם עשו את זה?
-
3:30 - 3:34הם השתמשו באלגוריתם מדהים
בשם "למידה עמוקה". -
3:34 - 3:37זה היה כה חשוב,
שההצלחה זכתה לסיקור -
3:37 - 3:40של ה"ניו-יורק טיימס"
ולכתבת-שער, אחרי כמה שבועות. -
3:40 - 3:42את ג'פרי הינטון רואים כאן משמאל.
-
3:42 - 3:47"למידה עמוקה" הוא אלגוריתם
שמושפע מאופן פעולת המוח, -
3:47 - 3:48ועקב כך, זהו אלגוריתם
-
3:48 - 3:52שאין שום מגבלה תיאורטית
על מה שהוא מסוגל לעשות. -
3:52 - 3:55ככל שנותנים לו יותר נתונים
ויותר זמן חישוב, -
3:55 - 3:57כך הוא משתפר.
-
3:57 - 3:59ה"ניו-יורק טיימס"
גם הציג במאמר זה -
3:59 - 4:01תוצאה מדהימה נוספת
של למידה עמוקה -
4:01 - 4:03שאותה אראה לכם עכשיו.
-
4:03 - 4:04[מחשבים יכולים להקשיב]
-
4:04 - 4:08רואים כאן שמחשבים
יכולים להקשיב ולהבין. -
4:08 - 4:11[סרטון] ריצ'רד רשיד:
כעת, השלב האחרון -
4:11 - 4:14שברצוני לבצע בתהליך זה
-
4:15 - 4:18הוא לשוחח איתך בסינית.
-
4:20 - 4:21העניין המרכזי כאן,
-
4:21 - 4:27הוא שאספנו כמות מידע גדולה
מדוברי סינית רבים -
4:27 - 4:29ויצרנו מערכת המרת טקסט לדיבור
-
4:29 - 4:34שלוקחת טקסט בסינית
וממירה אותו לשפה הסינית, -
4:35 - 4:38ואז לקחנו הקלטה של כשעה
של הקול שלי -
4:38 - 4:41והשתמשנו בה כדי לאפנן
-
4:41 - 4:45את מערכת המרת הטקסט לדיבור
כך שתישמע כמוני. -
4:45 - 4:48שוב, התוצאות אינן מושלמות.
-
4:48 - 4:50למעשה, יש כמה טעויות.
-
4:50 - 4:53[סינית]
-
4:53 - 4:56[מחיאות כפיים]
-
4:57 - 5:01יש עוד הרבה עבודה בתחום זה.
-
5:01 - 5:05[סינית]
-
5:05 - 5:08[מחיאות כפיים]
-
5:10 - 5:14ג'רמי הווארד: זה היה בכנס בסין
בנושא למידת מכונה. -
5:14 - 5:16למען האמת, לא מרבים לשמוע
בכנסים אקדמיים -
5:16 - 5:18מחיאות כפיים ספונטניות,
-
5:18 - 5:22אם כי זהו כנס TEDx
ותרגישו חופשיים... -
5:22 - 5:25כל מה שראיתם כאן
קרה בעזרת למידה עמוקה. -
5:25 - 5:26[מחיאות כפיים]
תודה לכם. -
5:26 - 5:29הכיתוב באנגלית אמר:
"למידה עמוקה", -
5:29 - 5:32התרגום לסינית והטקסט למעלה מימין,
"למידה עמוקה", -
5:32 - 5:35וגם הבניית הקול נעשה
בלמידה עמוקה. -
5:35 - 5:39כך ש"למידה עמוקה"
היא דבר מופלא. -
5:39 - 5:42זהו אלגוריתם בודד
שמסוגל כנראה לעשות הכל, -
5:42 - 5:45וגיליתי ששנה לפני כן
הוא גם למד לראות. -
5:45 - 5:47בתחרות האלמונית הזו, בגרמניה,
-
5:47 - 5:49ששמה "מדידת ביצועי זיהוי תמרורים",
-
5:49 - 5:53הלמידה העמוקה למדה
לזהות תמרורים, כמו זה. -
5:53 - 5:55לא רק שהיא יכלה לזהות
את התמרורים -
5:55 - 5:57טוב מכל אלגוריתם אחר,
-
5:57 - 6:00אלא שלוח התוצאות הראה
שהיא טובה יותר מבני-אדם; -
6:00 - 6:01כמעט פי שניים.
-
6:01 - 6:03אז ב-2011 היתה לנו
דוגמה ראשונה -
6:03 - 6:07למחשב שיכול לראות
טוב יותר מבני-אדם. -
6:07 - 6:09מאז קרה הרבה.
-
6:09 - 6:12ב-2012 "גוגל" הכריזה שהיא הפעילה
אלגוריתם למידה עמוקה -
6:12 - 6:14בצפייה בסרטוני "יו-טיוב"
-
6:14 - 6:17ועיבדה בעזרתו את הנתונים
על 16,000 מחשבים במשך חודש. -
6:17 - 6:22והמחשבים למדו באופן עצמאי
אודות מושגים כמו בני-אדם וחתולים -
6:22 - 6:23רק מתוך צפיה בסרטונים.
-
6:23 - 6:26זה דומה מאד לאופן הלמידה
של בני-אדם. -
6:26 - 6:28בני-אדם לא לומדים מכך
שאומרים להם מה הם רואים, -
6:28 - 6:32אלא מכך שהם מלמדים את עצמם
מהם אותם דברים. -
6:32 - 6:35עדיין ב-2012, ג'פרי הינטון,
שאותו ראינו קודם לכן, -
6:35 - 6:38זכה בתחרות הפופולרית מאד
"אימג'נט", -
6:38 - 6:42כשניסה להבין
מתוך 1.5 מיליון תמונות -
6:42 - 6:44מה הן מראות.
-
6:44 - 6:47החל מ-2014 ירדנו לשיעור טעות
של 6 אחוזים -
6:47 - 6:48בזיהוי תמונות.
-
6:48 - 6:51שוב, זה טוב יותר מבני-אדם.
-
6:51 - 6:54כך שהמכונות עושות כאן
מלאכה מדהימה, -
6:54 - 6:57וכעת זה נכנס לשימוש בתעשייה.
-
6:57 - 7:00לדוגמה, "גוגל" הכריזה בשנה שעברה
-
7:00 - 7:04שהיא מיפתה כל מקום בצרפת
תוך שעתיים, -
7:04 - 7:08והיא עשתה זאת ע"י הזנת
תצלומי רחובות -
7:08 - 7:12לאלגוריתם למידה עמוקה
כדי שיזהה ויקרא מספרי רחוב. -
7:12 - 7:14תארו לעצמכם כמה זמן
זה היה אורך לפני כן: -
7:14 - 7:18עשרות אנשים, שנים רבות.
-
7:18 - 7:20זה קורה גם בסין.
-
7:20 - 7:24"באידו" הוא מעין "גוגל" הסיני,
-
7:24 - 7:26ומה שאתם רואים למעלה משמאל
-
7:26 - 7:30הוא דוגמה של תמונה שהעליתי
למערכת הלמידה העמוקה של "באידו", -
7:30 - 7:34ולמטה אתם רואים שהמערכת
הבינה מהי התמונה -
7:34 - 7:36ואיתרה תמונות דומות.
-
7:36 - 7:38התמונות הדומות מכילות רקעים דומים,
-
7:38 - 7:42הפנים בהן פונות לכיוונים דומים
וכמה אפילו עם הלשון בחוץ. -
7:42 - 7:45ברור שהמערכת לא בדקה
טקסט של אתר אינטרנט; -
7:45 - 7:46כל מה שהעליתי היה תמונה.
-
7:46 - 7:50אז כעת יש לנו מחשבים
שממש מבינים מה הם רואים -
7:50 - 7:52ולכן יכולים לחפש בבסיסי נתונים
-
7:52 - 7:55של מאות מיליוני תמונות
בזמן אמיתי. -
7:55 - 7:59מה זה אומר,
שהמחשבים מסוגלים כעת לראות? -
7:59 - 8:01ובכן, לא מדובר רק בכך
שהמחשבים יכולים לראות. -
8:01 - 8:03למעשה, הלמידה העמוקה
עשתה יותר מכך. -
8:03 - 8:06משפטים מורכבים ומלאי-דקויות כמו זה
-
8:06 - 8:09ניתנים כעת להבנה
בעזרת אלגוריתמים של למידה עמוקה. -
8:09 - 8:10כפי שאתם רואים כאן,
-
8:10 - 8:13המערכת הזו, של סטנפורד,
הציבה למעלה נקודה אדומה, -
8:13 - 8:17והבינה שהמשפט הזה מביע
רגש שלילי. -
8:17 - 8:20הלמידה העמוקה בעצם קרובה
לביצועים האנושיים -
8:20 - 8:25בהבנת משמעותם של משפטים
ומה הם אומרים על הדברים. -
8:25 - 8:28כמו כן, נעשה שימוש בלמידה העמוקה
כדי לקרוא סינית, -
8:28 - 8:31שוב, בערך ברמה של
דוברי סינית כשפת-אם. -
8:31 - 8:33האלגוריתם הזה פותח בשווייץ
-
8:33 - 8:37ע"י אנשים שאיש מהם
איננו דובר או מבין סינית. -
8:37 - 8:39כפי שאמרתי, השימוש בלמידה עמוקה
-
8:39 - 8:41הוא בערך המערכת
הכי טובה בעולם לכך, -
8:41 - 8:45אפילו בהשוואה לאנשים שמבינים
ברמת שפת-אם. -
8:46 - 8:49זאת מערכת שאנו מקימים
בחברה שלי -
8:49 - 8:51ורואים כאן כיצד הכל מתחבר.
-
8:51 - 8:54אלו תמונות שלא מתלווה אליהן
שום טקסט, -
8:54 - 8:56ובעוד אני מקליד כאן משפטים,
-
8:56 - 8:59המערכת מבינה בזמן אמיתי
את התמונות -
8:59 - 9:00תופשת מה הן מראות
-
9:00 - 9:04ומוצאת תמונות עם דמיון
לטקסט שאני כותב. -
9:04 - 9:06כפי שאתם רואים,
היא ממש מבינה את המשפטים שלי -
9:06 - 9:09ואת התמונות האלה.
-
9:09 - 9:11אני יודע שראיתם
משהו כזה ב"גוגל", -
9:11 - 9:14שבו אפשר להקליד דברים
והמערכת מראה לכם תמונות, -
9:14 - 9:17אבל למעשה היא מחפשת
באתרים את הטקסט. -
9:17 - 9:20זה שונה מאד
מהבנה ממשית של תמונות. -
9:20 - 9:22זה משהו שהמחשבים
הצליחו לעשות לראשונה -
9:22 - 9:25רק בחודשים האחרונים.
-
9:25 - 9:27[מחשבים יכולים לקרוא]
-
9:27 - 9:31אז אנו רואים שהמחשבים יכולים
לא רק לראות אלא גם לקרוא, -
9:31 - 9:34וכמובן, הראינו שהם מבינים
מה שהם שומעים. -
9:34 - 9:38כעת אולי לא יפתיע אתכם
לשמוע שהם יודעים לכתוב. -
9:38 - 9:43הנה טקסט שחוללתי אתמול
בעזרת אלגוריתם למידה עמוקה. -
9:43 - 9:46והנה טקסט שחולל
אלגוריתם של סטנפורד. -
9:46 - 9:48כל אחד מהמשפטים נוצר
-
9:48 - 9:52ע"י אלגוריתם למידה עמוקה
כדי לתאר אחת מהתמונות. -
9:52 - 9:57האלגוריתם הזה לא ראה לפני כן
גבר בחולצה שחורה שמנגן בגיטרה. -
9:57 - 9:59הוא ראה גבר,
הוא ראה שחור, -
9:59 - 10:01הוא ראה גיטרה,
-
10:01 - 10:05אבל הוא חולל באופן עצמאי
תיאור חדשני זה של התמונה. -
10:05 - 10:09עוד לא הגענו לרמת ביצועי אדם,
אבל אנו קרובים. -
10:09 - 10:13בניסויים, אנשים העדיפו
את הכותרת הממוחשבת -
10:13 - 10:14פעם אחת מתוך ארבע.
-
10:14 - 10:16המערכת הזאת היא רק בת שבועיים,
-
10:16 - 10:18אז סביר להניח שבשנה הבאה
-
10:18 - 10:21האלגוריתם הממוחשב יעבור בהרבה
את הביצועים האנושיים, -
10:21 - 10:23בקצב שבו הדברים קורים.
-
10:23 - 10:26אז המחשבים יכולים גם לכתוב.
-
10:26 - 10:29אם נחבר הכל, זה מוביל
לכמה הזדמנויות מלהיבות מאד. -
10:29 - 10:31לדוגמה, ברפואה,
-
10:31 - 10:33צוות בבוסטון הכריז שהוא גילה
-
10:33 - 10:36עשרות מאפיינים רלוונטיים
מבחינה קלינית -
10:36 - 10:40של גידולים,
מה שעוזר לרופאים לאבחן סרטן. -
10:42 - 10:44באופן דומה מאד, בסטנפורד,
-
10:44 - 10:48הכריזה קבוצה שבוחנת רקמות בהגדלה,
-
10:48 - 10:50שהם פיתחו מערכת מבוססת
למידת-מכונה -
10:50 - 10:52שלמעשה טובה יותר מפתולוגים אנושיים
-
10:52 - 10:56בחיזוי סיכויי הישרדות
של סובלים מסרטן. -
10:57 - 11:00בשני המקרים האלה, לא רק
שהתחזיות היו מדויקות יותר, -
11:00 - 11:03אלא גם חוללו מדע חדש וחכם.
-
11:03 - 11:04במקרה הרדיולוגי,
-
11:04 - 11:07היו אלה סמנים קליניים
שבני-אדם יכולים להבין, -
11:07 - 11:09במקרה הפתולוגי,
-
11:09 - 11:13המערכת הממוחשבת גילתה
שהתאים סביב הסרטן -
11:13 - 11:17חשובים בדיוק כמו תאי הסרטן עצמם
-
11:17 - 11:19לצרכי האבחון.
-
11:19 - 11:24זהו ההיפך ממה שלמדו הפתולוגים
מזה עשרות שנים. -
11:24 - 11:27בכל אחד משני המקרים האלה,
אלו היו מערכות שפותחו -
11:27 - 11:31בעבודת-צוות של מומחים רפואיים
ומומחי למידת-מכונה, -
11:31 - 11:33אבל החל משנה שעברה,
גם זה נותר מאחורינו. -
11:33 - 11:37הנה דוגמה לזיהוי אזורים סרטניים
-
11:37 - 11:40של רקמה אנושית מתחת למיקרוסקופ.
-
11:40 - 11:44המערכת שנראית כאן מסוגלת
לזהות אזורים אלה ביתר דייקנות, -
11:44 - 11:47או בערך באותה דייקנות
כמו פתולוגים אנושיים, -
11:47 - 11:50אבל נבנתה כולה בלמידה עמוקה
ללא שום מומחיות רפואית -
11:50 - 11:53ובידי אנשים ללא שום רקע בתחום.
-
11:54 - 11:57כאן, בדומה לכך,
חלוקת תאי העצב הזאת. -
11:57 - 12:00היום אנו יכולים לסווג תאי-עצב
בערך ברמת דיוק אנושי, -
12:00 - 12:02אבל המערכת הזאת פותחה
בעזרת למידה עמוקה -
12:02 - 12:06ובידי אנשים ללא שום
רקע קודם ברפואה. -
12:06 - 12:09כלומר, אני עצמי,
כאדם חסר רקע ברפואה, -
12:09 - 12:13מוסמך כנראה לגמרי
לייסד חברה רפואית חדשה, -
12:13 - 12:15וזה מה שעשיתי.
-
12:15 - 12:17די פחדתי לעשות זאת,
-
12:17 - 12:20אבל תיאורטית, אמור להיות אפשרי
-
12:20 - 12:25לעסוק ברפואה מועילה ביותר
רק בעזרת שיטות של ניתוח נתונים. -
12:25 - 12:28ותודה לאל, התגובות היו נהדרות,
-
12:28 - 12:31לא רק מהתקשורת,
אלא גם מהקהילה הרפואית, -
12:31 - 12:32שגילתה תמיכה רבה.
-
12:32 - 12:37תיאורטית, אנו יכולים לקחת
את החלק האמצעי של התהליך הרפואי -
12:37 - 12:39להפוך אותו ככל האפשר
לניתוח נתונים, -
12:39 - 12:43ולהשאיר לרופאים לעשות
את מה שהם הכי טובים בו. -
12:43 - 12:44אתן לכם דוגמה.
-
12:44 - 12:49היום דרושות לנו כ-15 דקות
כדי להמציא בדיקה רפואית חדשה, -
12:49 - 12:51וכעת אראה לכם את זה
בזמן אמיתי, -
12:51 - 12:53אלא שאני דוחס זאת
ל-3 דקות -
12:53 - 12:55ע"י ביטול כמה חלקים.
-
12:55 - 12:58במקום להראות לכם
יצירה של בדיקה רפואית, -
12:58 - 13:01אראה לכם בדיקה
של תצלומי מכוניות, -
13:01 - 13:03כי זה משהו
שכולנו יכולים להבין. -
13:03 - 13:07אז כאן אנו מתחילים
עם כ-1.5 מיליון תצלומי מכוניות, -
13:07 - 13:10ואני רוצה ליצור משהו
שיכול לפצל אותם לפי הזוויות -
13:10 - 13:12בהן צולמו התמונות.
-
13:12 - 13:16התמונות האלה נטולות כותרות,
כך שעלי להתחיל מאפס. -
13:16 - 13:18בעזרת אלגוריתם הלמידה העמוקה שלנו,
-
13:18 - 13:21אנו מזהים אוטומטית
אזורי מבנה בתמונות האלה. -
13:21 - 13:25מה שנחמד הוא, שהאדם והמחשב
יכולים כעת לעבוד יחד. -
13:25 - 13:27האדם, כמו שאתם רואים כאן,
-
13:27 - 13:30מראה למחשב אזורים מסוימים,
-
13:30 - 13:35שהוא רוצה שהמחשב ייעזר בהם
כדי לשפר את האלגוריתם שלו. -
13:35 - 13:39מערכות הלמידה העמוקה הזו
פועלות בעצם במרחב 16,000 מימדי, -
13:39 - 13:42אתם רואים כאן שהמחשב
מסובב את זה במרחב הזה, -
13:42 - 13:44ומנסה למצוא אזורי מבנה חדשים.
-
13:44 - 13:46כשהוא מצליח בכך,
-
13:46 - 13:50האדם שמפקח עליו יכול לציין
אזורים בעלי עניין מיוחד. -
13:50 - 13:53כאן, המחשב הצליח למצוא אזורים,
-
13:53 - 13:55למשל, זוויות.
-
13:55 - 13:57אז ככל שאנו ממשיכים
בתהליך הזה, -
13:57 - 13:59אנו מלמדים את המחשב
יותר ויותר -
13:59 - 14:01אודות סוג המבנה שאנו מחפשים.
-
14:01 - 14:03תוכלו ודאי לתאר לעצמכם
שבבדיקה רפואית -
14:03 - 14:07יהיה פתולוג
שמזהה אזורי מחלה, למשל, -
14:07 - 14:12או רדיולוג שמזהה גושים בעייתיים.
-
14:12 - 14:14לפעמים האלגוריתם יתקשה בכך.
-
14:14 - 14:16במקרה זה, הוא התבלבל קצת.
-
14:16 - 14:18החזיתות והירכתיים של המכוניות התבלבלו.
-
14:18 - 14:21אז כאן עלינו להיות
קצת יותר זהירים, -
14:21 - 14:24לברור ידנית בין החזיתות
לבין הירכתיים, -
14:24 - 14:29ואז לומר למחשב
שזהו סוג של קבוצה -
14:29 - 14:31שמעניין אותנו.
-
14:31 - 14:33אנו עושים זאת זמן-מה.
נדלג מעט קדימה, -
14:33 - 14:36ואז מאמנים את אלגוריתם הלמידה
של המחשב -
14:36 - 14:38על יסוד המאות הספורות
של המקרים האלה, -
14:38 - 14:40ומקווים שהוא השתפר בהרבה.
-
14:40 - 14:43אתם רואים שהוא החל לטשטש
כמה מהתמונות האלה, -
14:43 - 14:48וזה מראה לנו שהוא מזהה
ומבין זאת בעצמו. -
14:48 - 14:50כעת נוכל להשתמש בתפיסה זו
על תמונות דומות, -
14:50 - 14:52ובעזרת תמונות דומות
אתם יכולים לראות -
14:52 - 14:57שהמחשב יכול כעת לאתר
את חזיתות המכוניות בלבד. -
14:57 - 15:00בשלב זה האדם אומר למחשב:
-
15:00 - 15:02"עשית מלאכה טובה."
-
15:03 - 15:05לפעמים, כמובן, אפילו בשלב זה
-
15:05 - 15:09עדיין קשה להפריד בין הקבוצות.
-
15:09 - 15:11במקרה כזה,
אפילו אחרי שאנו מאפשרים -
15:11 - 15:14למחשב לנסות לסובב את זה
זמן-מה, -
15:14 - 15:16אנו עדיין מוצאים שהצילומים מימין
והצילומים משמאל -
15:16 - 15:18מתערבבים.
-
15:18 - 15:19אז אנו יכולים שוב
לתת למחשב כמה רמזים, -
15:19 - 15:21ואומרים לו: "נסה למצוא היטל
-
15:21 - 15:25שמפריד בין ימין לשמאל
ככל האפשר -
15:25 - 15:27בעזרת אלגוריתם הלמידה העמוקה.
-
15:27 - 15:30ובעזרת הרמז הזה -
הנה, הוא הצליח. -
15:30 - 15:33הוא הצליח למצוא דרך
לחשוב על עצמים אלה -
15:33 - 15:36באופן שיפריד ביניהם.
-
15:36 - 15:38אתם ודאי מבינים את הרעיון.
-
15:39 - 15:46לא מדובר כאן במחשב
שמחליף את האדם, -
15:46 - 15:49אלא בעבודה משותפת שלהם.
-
15:49 - 15:52מדובר כאן במשהו
שדרש פעם עבודה של צוות שלם -
15:52 - 15:54של 5-6 אנשים
במשך כ-7 שנים, -
15:54 - 15:57והחלפתו במשהו שאורך 15 דקות
-
15:57 - 16:00לאדם אחד שפועל לבדו.
-
16:00 - 16:03התהליך הזה דורש
כ-4 או 5 חזרות. -
16:03 - 16:05כעת אתם רואים שיש לנו 62%
-
16:05 - 16:08סיווג נכון מתוך 1.5 מיליון המכוניות.
-
16:08 - 16:10ובשלב זה אפשר, מהר למדי,
-
16:10 - 16:12לקחת חלקים שלמים,
-
16:12 - 16:15לעבור עליהם כדי לוודא
שאין טעויות. -
16:15 - 16:19במידה שיש, ביכולתנו
להודיע עליהן למחשב. -
16:19 - 16:22ובאמצעות תהליך זה
בכל אחת מהקבוצות השונות -
16:22 - 16:24אנו עומדים כעת על 80% הצלחה
-
16:24 - 16:27בסיווג 1.5 מיליון התמונות האלה.
-
16:27 - 16:29ובשלב זה מדובר פשוט
-
16:29 - 16:32באיתור המספר הקטן של תמונות
שלא סווגו נכון, -
16:32 - 16:35ובנסיון להבין מדוע.
-
16:35 - 16:37ובעזרת גישה זו,
-
16:37 - 16:41תוך 15 דקות אנו מגיעים
ל-97% סיווג. -
16:41 - 16:46כלומר, בשיטה כזו נוכל לתקן
בעיה רצינית, -
16:46 - 16:49שהיא המחסור במומחי רפואה בעולם.
-
16:49 - 16:52הפורום הכלכלי העולמי טוען
שיש בין פי 10 לפי 20 -
16:52 - 16:55מחסור ברופאים בעולם המתפתח,
-
16:55 - 16:57ושתידרשנה כ-300 שנה
-
16:57 - 17:00להכשיר מספיק אנשים
כדי לתקן בעיה זו. -
17:00 - 17:03תארו לעצמכם שנוכל
לתרום ליעילות שלהם -
17:03 - 17:06בעזרת גישות אלה,
של למידה עמוקה. -
17:06 - 17:08כך שאני נלהב מאד
בקשר לאפשרויות. -
17:08 - 17:10אני גם מוטרד מן הבעיות.
-
17:10 - 17:14הבעייה כאן היא
שכל אזור בכחול במפה זו -
17:14 - 17:17הוא מקום שבו התעסוקה בשירותים
היא מעל 80%. -
17:17 - 17:19אילו שירותים?
-
17:19 - 17:21שירותים כאלה.
-נהיגה, בישול, אבחון, איתור תקדימים משפטיים- -
17:21 - 17:23וזהו גם בדיוק הדבר
-
17:23 - 17:25שהמחשבים למדו זה עתה לעשות.
-
17:25 - 17:29כלומר, 80% מהתעסוקה
בעולם המפותח -
17:29 - 17:31קשורים לדברים שהמחשבים
למדו זה עתה לעשות. -
17:31 - 17:33מה זה אומר?
-
17:33 - 17:35נו, יהיה בסדר.
הם יקבלו משרות אחרות. -
17:35 - 17:38לדוגמה, תמיד יהיו מקומות עבודה
למדעני נתונים. -
17:38 - 17:39לא נכון.
-
17:39 - 17:41מדעני נתונים לא זקוקים לזמן רב
כדי לבנות דברים כאלה. -
17:41 - 17:45לדוגמה, ארבעת האלגוריתמים האלה
פותחו ע"י אותו אדם. -
17:45 - 17:48אז אם אתם חושבים:
"אה, כבר קרו דברים כאלה, -
17:48 - 17:51"כבר ראינו מה היו התוצאות
של הופעת דברים חדשים. -
17:51 - 17:53"האנשים קיבלו משרות אחרות."
-
17:53 - 17:56אז מה תהיינה המשרות החדשות האלה?
-
17:56 - 17:58קשה לנו מאד להעריך זאת,
-
17:58 - 18:00כי הביצועים האנושיים מתפתחים
בקצב הדרגתי, -
18:00 - 18:03אך כעת יש לנו מערכת,
הלמידה העמוקה, -
18:03 - 18:06שברור לנו שיכולתה מתפתחת
בקצב מעריכי. -
18:06 - 18:08וזה המצב.
-
18:08 - 18:10אז כרגע אנו רואים
את הדברים שסביבנו, -
18:10 - 18:12ואומרים: "המחשבים עדיין די טפשים."
נכון? -
18:12 - 18:16אבל תוך 5 שנים,
המחשבים יעקפו אותנו בגרף הזה, -
18:16 - 18:20ולכן עלינו להתחיל לחשוב
על היכולת הזו כבר עכשיו. -
18:20 - 18:22כבר ראינו דברים כאלה, כמובן.
-
18:22 - 18:23במהפכה התעשייתית,
-
18:23 - 18:26ראינו שינוי הדרגתי ביכולת
הודות למנועים. -
18:27 - 18:30אבל אחרי זמן-מה,
הגרף התיישר. -
18:30 - 18:32היו שיבושים חברתיים,
-
18:32 - 18:35אבל מעת שהמנוע שימש
לייצור חשמל עבור כל דבר, -
18:35 - 18:38המצב באמת התייצב.
-
18:38 - 18:39מהפכת למידת המכונה
-
18:39 - 18:41עתידה להיות שונה מאד
מן המהפכה התעשייתית, -
18:41 - 18:45כי מהפכת למידת המכונה
לעולם לא שוקטת על שמריה. -
18:45 - 18:48ככל שהמחשבים משתפרים
בפעילויות אינטלקטואליות, -
18:48 - 18:52כך הם יוכלו לבנות מחשבים
בעלי יכולות אינטלקטואליות משופרות, -
18:52 - 18:54כלומר, זה יהיה שינוי כזה,
-
18:54 - 18:57שהעולם בעצם טרם חווה כמותו,
-
18:57 - 19:00וההבנה הקודמת שלכם
לגבי מה שאפשרי, היא שונה. -
19:00 - 19:02זה כבר משפיע עלינו.
-
19:02 - 19:06ב-25 השנה האחרונות,
עם העלייה בכושר ייצור ההון, -
19:06 - 19:10פריון העובדה נותר כשהיה,
למעשה, אפילו ירד מעט. -
19:10 - 19:12[לא עוזר: חינוך משופר, תמריצים.
עוזר: הפרדה עבודה מהשכר, כלכלת כישורים] -
19:12 - 19:14לכן ברצוני שנתחיל לדון בכך עכשיו.
-
19:14 - 19:16אני יודע שכאשר אני מספר
לאנשים על המצב הזה, -
19:16 - 19:18הם מסוגלים לגלות חוסר-עניין:
-
19:18 - 19:19"המחשבים לא באמת חושבים",
-
19:19 - 19:23"אין להם רגשות,
הם לא מבינים שירה," -
19:23 - 19:25"איננו מבינים באמת
איך הם פועלים. -
19:25 - 19:26"אז מה?"
-
19:26 - 19:28המחשבים כיום מסוגלים לעשות דברים
-
19:28 - 19:31שבני-אדם מתפרנסים מעשייתם
במשך רוב חייהם, -
19:31 - 19:35אז עכשיו הזמן להתחיל לחשוב
איך בדעתנו להתאים -
19:35 - 19:37את המבנים החברתיים והכלכליים שלנו
-
19:37 - 19:39כדי להתחשב במציאות חדשה זו.
-
19:39 - 19:41תודה לכם.
-
19:41 - 19:43[מחיאות כפיים]
- Title:
- ההשלכות הנפלאות והמפחידות שיש ליכולתם של המחשבים ללמוד - ג'רמי הווארד - TEDxבריסל
- Description:
-
מה קורה כשאנו מלמדים מחשב ללמוד? איש הטכנולוגיה ג'רמי הווארד חושף מספר פיתוחים חדשים ומפתיעים בתחום המתפתח במהירות של הלמידה העמוקה, שמעניקה למחשבים את היכולת ללמוד סינית, לזהות עצמים בתמונות או לסייע בחשיבה בתחום האבחון הרפואי. (כלי למידה עמוקה מסוים, אחרי שצפה בעצמו במשך שעות ב"יו-טיוב", לימד עצמו את המושג "חתולים".) בואו להתעדכן בתחום שעתיד לשנות את אופן התנהגותם של המחשבים סביבכם - ומהר מכפי שאתם סבורים.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 19:47