Return to Video

לראות את הדפוס של הפיקסלים: אוסטין טרוי ב TEDxUVM

  • 0:15 - 0:17
    בסדר גמור, תודה כריס
    ותודה שאתם מארחים אותי פה.
  • 0:17 - 0:19
    האם כולם שומעים אותי טוב?
  • 0:22 - 0:25
    אז, היום אני הולך לדבר
  • 0:25 - 0:27
    על סוג של מידע
    שמוכר לכולנו
  • 0:27 - 0:31
    ואני חושב שכולנו,
    לפחות רובנו, באופן מהותי.
  • 0:31 - 0:35
    וזה מידע גאוגרפי
    ובמיוחד תמונות של כדור הארץ.
  • 0:35 - 0:38
    ואנחנו כבר ראינו
    כמה דוגמאות לזה היום.
  • 0:38 - 0:42
    אני אתחיל פה
    עם תצוגה וסיפור קטן.
  • 0:42 - 0:44
    הייתי חייב להביא אביזר,
    לא יכולתי להתאפק.
  • 0:44 - 0:51
    המקינטוש פאואר בוק 145 הישן שלי מ 1992.
  • 0:51 - 0:56
    זה המחשב הראשון
    שהיה לי עם דיסק קשיח.
  • 0:56 - 0:59
    הוא הגיע עם 4, זה היה 4?
  • 0:59 - 1:04
    למעשה כ 6 מגה בייט של זיכרון.
  • 1:04 - 1:07
    זה היה עניין גדול
    ואני הייתי המום מזה.
  • 1:07 - 1:09
    לא יכולתי להאמין שהיה לי כל כך הרבה זיכרון.
  • 1:09 - 1:11
    אני פשוט אניח את זה כאן.
  • 1:11 - 1:15
    אני לא האמנתי
    שהיה לי כל כך הרבה זיכרון בקצות האצבעות שלי.
  • 1:15 - 1:17
    היום, לכולנו יש מחשבים.
  • 1:17 - 1:19
    אני יכול לרדת לסטייפלס
    ולקנות מחשב
  • 1:19 - 1:22
    שיש לו רבע מיליון פעמים
    יותר זיכרון מזה
  • 1:22 - 1:25
    בעבור 400$ או 600$
    או משהו כזה.
  • 1:25 - 1:28
    זמנים השתנו
    וזה היה לפני 20 שנה.
  • 1:28 - 1:32
    כתוצאה מכך,
    עם כל כוח המחשוב הגדל,
  • 1:32 - 1:34
    אנחנו טובעים במידע.
  • 1:34 - 1:36
    אנחנו פשוט לחלוטין טובעים במידע.
  • 1:36 - 1:39
    ואחד מסוגי המידע
    שאנחנו הכי טובעים בו
  • 1:39 - 1:42
    היא חישה מרחוק
    או נתוני תמונות, נתוני לווין,
  • 1:42 - 1:44
    נתוני תצלומי אוויר, דברים כאלה.
  • 1:44 - 1:46
    וכולנו שיחקנו עם זה,
    אני בטוח.
  • 1:46 - 1:49
    כולנו אוהבים גוגל כדור הארץ,
    זה חינם וזה כיף.
  • 1:49 - 1:52
    וזה פשוט מלא בתמונות.
  • 1:52 - 1:54
    אז, מה אנחנו עושים עם כל הדברים האלה?
  • 1:54 - 1:56
    איך אנחנו עושים שימוש בזה?
  • 1:56 - 1:59
    הנה תמונה של בולטימור.
    זאת בולטימור העירונית.
  • 1:59 - 2:01
    יש בה את כל האובייקטים הנפלאים האלה.
  • 2:01 - 2:03
    אני יכול להסתכל שם ולראות,
  • 2:03 - 2:04
    זה קשה עם המקרן הזה,
  • 2:04 - 2:07
    אבל אני יכול לראות עצים ובניינים,
    ודברים כאלה.
  • 2:07 - 2:08
    ובואו נגיד
  • 2:08 - 2:12
    שרציתי בעצם לעשות איזשהו
    מחקר כמותי עם זה.
  • 2:12 - 2:14
    נגיד שהייתי צריך לעשות משהו
    שדורש לדעת
  • 2:14 - 2:16
    היכן בעצם היו העצים.
  • 2:16 - 2:17
    אני יכול לראות איפה נמצאים העצים,
  • 2:17 - 2:20
    אבל המחשב לא יודע,
    אין לו מושג מהו עץ.
  • 2:20 - 2:23
    בואו נגיד שאני רציתי לעשות משהו כמו,
  • 2:23 - 2:25
    אלה למעשה המקומות של פשעים,
  • 2:25 - 2:29
    נגיד שרציתי לדעת
    אם צפיפות של עצים משפיעה על פשע.
  • 2:29 - 2:32
    אין שום דרך שאני יכול לעשות את זה
    עם תמונה בדרך שיש לנו את זה עכשיו,
  • 2:32 - 2:36
    בסביבת מחשוב.
  • 2:36 - 2:39
    וחלק מהסיבה לזה
  • 2:39 - 2:41
    היא שמחשבים
    לא באמת טובים בלזהות דברים
  • 2:41 - 2:43
    כמו שאנחנו טובים בלזהות דברים.
  • 2:43 - 2:48
    אנחנו מצויינים בזיהוי
    דברים עם הבדלים קלים מאוד.
  • 2:48 - 2:51
    אני יכול להגיד לכם בתוך שתי שניות
  • 2:51 - 2:53
    שזה ג'ורג' קרלין
    וזה זיגמונד פרויד.
  • 2:53 - 2:56
    שזה הוא ביג לבובסקי
    וזה אדי וודר.
  • 2:56 - 3:00
    עבורי לאמן את המחשב
    לזהות את ההבדלים
  • 3:00 - 3:04
    בין ביג לבובסקי, א.ק.א. הברנש ואדי וודר,
  • 3:04 - 3:07
    היה לוקח לי כמויות זמן שלא ייאמנו.
  • 3:07 - 3:12
    ועדיין אני יכול לעשות זאת מיידית,
    אז זה בעיה כאן.
  • 3:12 - 3:15
    אז, בואו ניגש לעניין כאן.
  • 3:15 - 3:18
    משמאל יש לי מידע גולמי.
  • 3:18 - 3:21
    צילום אינפרארד צבעוני של חישה מרחוק.
  • 3:21 - 3:27
    בצד ימין יש לי
    שכבת מערכת מידע גיאוגרפית מסווגת.
  • 3:27 - 3:30
    זהו מידע שימושי.
  • 3:30 - 3:34
    המחשב יודע מה זה דשא,
    מהם בניינים ויודע מהם עצים.
  • 3:34 - 3:37
    איך אני מגיע מאחד לשני?
  • 3:37 - 3:41
    זו חידה גדולה גדולה
    בעולם של היום של נתונים ברזולוציה גבוהה.
  • 3:41 - 3:44
    הנה תמונה
    של אזור עירוני טיפוסי.
  • 3:44 - 3:46
    אני מסתכל על זה ורואה
    כל מיני תכונות
  • 3:46 - 3:48
    ואני רואה שזה ברזולוציה ממש טובה.
  • 3:48 - 3:52
    אם הייתי צריך לעבוד
    עם נתוני חישה מרחוק לפני 15 שנה,
  • 3:52 - 3:55
    היו לי תמונות ברזולוציה גסה.
  • 3:55 - 3:57
    זהו אותו המיקום המדויק
    באמצעות פיקסלים של 30 מטר.
  • 3:57 - 4:02
    אז, סיווג החומר הזה
    היה דבר שונה באופן מהותי,
  • 4:02 - 4:06
    משום שכל מה שבאמת הייתי צריך לעשות
    הוא להכנס לאזור הכללי של המגרש.
  • 4:06 - 4:08
    הפיקסלים האלו כאן
    הם בגדול סוג של עירוניים,
  • 4:08 - 4:11
    הפיקסלים האלו בגדול סוג של יער.
  • 4:11 - 4:15
    אני לא באמת הייתי צריך לדעת
    את הזהות המסויימת של חפצים.
  • 4:15 - 4:19
    עכשיו בהרצה קדימה להיום
    ויש לי תמונה שאני יכול לעשות לה זום
  • 4:19 - 4:23
    ואני יכול לראות
    מיליון סוגים שונים של דברים.
  • 4:23 - 4:30
    ממכוניות במגרש חנייה
    למכולות,
  • 4:30 - 4:34
    למנופים במתקן המכולות
  • 4:34 - 4:38
    למכונות על גבי בניין
  • 4:38 - 4:39
    עד ל.., אני אוהב את זה,
  • 4:39 - 4:43
    זה הספינקס
    במלון לוקסור בלאס וגאס.
  • 4:43 - 4:45
    תנסו להגיד למחשב מה זה.
  • 4:45 - 4:49
    הינה עוד אחד בלאס וגאס,
    אני אוהבת את גוגל כדור הארץ בלאס וגאס,
  • 4:49 - 4:50
    זה הכי טוב, זה כל כך כיף.
  • 4:50 - 4:53
    זוהי בריכה טרופית בצורת דג.
  • 4:53 - 4:56
    שוב, לא כל כך קל להגיד למחשב
    מה זה.
  • 4:56 - 4:58
    וזה הטוב מכולם.
  • 4:58 - 5:03
    אני מאמין שזאת תמונת לווין ברזולוציה גבוהה
  • 5:03 - 5:07
    של גמלים באמצע אפריקה
    וזה חלק מפרויקט מגה טיסה מעל אפריקה
  • 5:07 - 5:12
    של גוגל ונשיונל גאוגרפיק,
  • 5:12 - 5:14
    המספר של דברים אפשריים
  • 5:14 - 5:16
    שאני צריך להכין מחשבים
    להיות מוכנים להם,
  • 5:16 - 5:19
    הסוגים של אובייקטים
    על גבי שטח כדור הארץ
  • 5:19 - 5:20
    שטח כדור הארץ,
    הוא מדהים.
  • 5:21 - 5:25
    וזה פרוייקט
    שלעולם לא נראה גמור,
  • 5:25 - 5:29
    הפרוייקט הזה של ללמד מחשבים
    את הבינה מלאכותית,
  • 5:29 - 5:32
    לתת להם את הבינה המלאכותית
    שהם צריכים
  • 5:32 - 5:34
    לזהות את כל הוריאציות על כדור הארץ.
  • 5:34 - 5:35
    הינה אחד אפילו יותר טוב.
  • 5:35 - 5:38
    זהו למעשה דבר אמיתי,
    זהו הקולונל (KFC).
  • 5:38 - 5:43
    מישהו באמת עשה מגה אמנות
    של הקולונל באמצע נבאדה.
  • 5:43 - 5:46
    זה מעניין
    כמה רבים מאלו הגיעו מנבאדה.
  • 5:46 - 5:49
    (צחוק)
  • 5:49 - 5:52
    אז, בואו נסביר למה זה קשה
  • 5:52 - 5:55
    להשתמש בשיטות
    שתמיד השתמשנו בהן בעבר
  • 5:55 - 5:58
    עבור הדור הזה
    של תמונות ברזולוציה גבוהה.
  • 5:58 - 6:01
    הנה תמונה ברזולוציה גבוהה של ברלינגטון.
  • 6:01 - 6:06
    אם אני אנסה לסווג כל פיקסל,
    פיקסל אחרי פיקסל,
  • 6:06 - 6:11
    אני אקבל קשקוש מפוקסל נוראי.
  • 6:11 - 6:14
    אם אני מסתכל על אובייקט ספציפי
    כמו בית, הבית הזה עשוי,
  • 6:14 - 6:17
    זה קשה לראות, אבל זה פשוט עשרות
    ערכי פיקסל שונים.
  • 6:17 - 6:19
    שלא באמת אומרים שום דבר.
  • 6:19 - 6:24
    אם אני לוקח עץ בודד, שוב,
    זה מומצא מקשקוש של פיקסלים.
  • 6:24 - 6:27
    עכשיו, אם אני עושה זום על העץ הזה,
    למשל,
  • 6:27 - 6:33
    אני אראה שזה עשוי מפיקסלים,
    הרבה סוגים של טונים, צבעים שונים,
  • 6:33 - 6:38
    וזה הייצוג הישיר
    בפיקסלים מסווגים,
  • 6:38 - 6:39
    זה חסר משמעות, נכון?
  • 6:39 - 6:41
    זה לא למצוא אובייקטים.
  • 6:41 - 6:46
    אז, אני צריך ללמד את המחשב
    לראות אובייקטים ולחשוב כמוני.
  • 6:46 - 6:49
    זה אומר ללמד מחשב
    לחשוב כמו בן אנוש,
  • 6:49 - 6:52
    מה שאומר לעבוד
    על בסיס גודל צורני, טון, דפוס,
  • 6:52 - 6:55
    טקסטורה, ראייה ואסוציאציה,
    הרבה מזה זה מרחבי.
  • 6:55 - 7:00
    אנחנו חייבים להפסיק לחשוב פיקסל פיקסל
    ולהתחיל לחשוב על דברים מרחבית.
  • 7:00 - 7:04
    זה אומר לקחת תמונה
    ומה שנקרא, לפלח אותה,
  • 7:04 - 7:06
    להפוך אותה לאובייקטים.
  • 7:06 - 7:09
    והתהליך של הפילוח הזה
    הוא קשה מאוד.
  • 7:09 - 7:13
    אתם צריכים לאמן מחשב
    לפלח בצורה נכונה.
  • 7:13 - 7:15
    ואם אני מסתכל, הנה בית,
    הנה צד אחד של הגג
  • 7:15 - 7:18
    וצד אחר של הגג,
    יש כביש פרטי,
  • 7:18 - 7:20
    הם מפולחים כאובייקטים שונים
  • 7:20 - 7:22
    ואז אני יכול לארגן את האובייקטים מחדש
  • 7:22 - 7:25
    לתוך משהו שהוא רק בית
    ומשהו אחר שהוא רק כביש פרטי.
  • 7:25 - 7:28
    ובסוף היום, מה שיהיה לי
  • 7:28 - 7:29
    זה משהו כזה.
  • 7:29 - 7:32
    אני אוכל להגיד לכם את ההבדלים.
  • 7:32 - 7:38
    למרות שהחתימה הספקטרלית
    היא מאותו הגג הזה והכביש הזה,
  • 7:38 - 7:41
    אני יודע שגורם הקומפקטיות שלהם
    הוא שונה,
  • 7:41 - 7:44
    ובגלל זה,
    בגלל מדדי הצורה שלהם,
  • 7:44 - 7:46
    אני יכול להגיד לכם מי מהם הוא גג
    ומי מהם הוא כביש,
  • 7:46 - 7:49
    ואני יכול להתחיל
    לסווג דברים בצורה הזאת.
  • 7:53 - 7:56
    בכדי לעשות זאת נדרשת
    מערכת חוקים עצומה.
  • 7:56 - 8:01
    מערכת החוקים יכולה להיות עשרות על עשרות
    עד מעל מאה דפים.
  • 8:01 - 8:06
    של כל חוקי הסיווג האלו
    ואני לא אשעמם אתכם עם הפרטים.
  • 8:06 - 8:10
    אני גם אשתמש במידע מסייע.
  • 8:10 - 8:13
    יש את כל סוגי מגדירי מערכות מידע גיאוגרפיות גדולים
    שעוזרים לי עכשיו לסווג דברים.
  • 8:13 - 8:16
    רוב הערים אוספות דברים
    על עקבות בניין,
  • 8:16 - 8:19
    אנחנו יודעים איפה נמצאות חלקות אדמה,
    אנחנו יודעים איפה הם קווי ביוב
  • 8:19 - 8:20
    וכבישים וכל מיני דברים כאלה.
  • 8:20 - 8:22
    אנחנו יכולים להשתמש בזה כדי לעזור לעצמנו,
  • 8:22 - 8:24
    אבל הכי חשוב
    מהמידע המסייע
  • 8:24 - 8:28
    שנמצא שם בחוץ היום נקרא ליידר:
    איתור אור בטווח.
  • 8:28 - 8:30
    ובליידר משתמשים
    מזה זמן מה בהנדסה
  • 8:30 - 8:33
    וזה מאפשר לנו במהות ליצור
    מודלים של פני השטח.
  • 8:33 - 8:36
    זוהי כיכר קולומבוס
    בסנטרל פארק בניו יורק
  • 8:36 - 8:39
    וזה גובה פני השטח
    של העצים.
  • 8:39 - 8:42
    הליידר אומר לי
    היכן נמצאת החופה של העצים,
  • 8:42 - 8:48
    היכן נמצאים גגות הבניינים,
    הוא אומר לי גם היכן פני הקרקע.
  • 8:48 - 8:51
    ואני יכול ליצור מודלים מפורטים להפליא
    של העולם
  • 8:51 - 8:52
    אז עכשיו אני לא רק עובד
  • 8:52 - 8:56
    עם מידע ספקטרלי מרחבי,
    החזרת מידע,
  • 8:56 - 8:59
    אני גם עובד עם מידע גובה,
    אני יודע את הגבהים של הדברים
  • 8:59 - 9:02
    אז אני יכול לראות שני אובייקטים
    שהם ירוקים ועציים,
  • 9:02 - 9:06
    אבל אני יכול להגיד שאחד מהם הוא שיח
    ואחד מהם הוא עץ.
  • 9:06 - 9:09
    וזה רק זום על משטח שם.
  • 9:09 - 9:12
    עכשיו הבעיה היא,
    זה מאוד עתיר נתונים
  • 9:12 - 9:18
    ואף אחד לא הבין עד לא מזמן,
    ואני מתכוון שאולי לפני שנתיים,
  • 9:18 - 9:21
    אנשים עשו את זה
    על בסיס של אריח אחרי אריח
  • 9:21 - 9:23
    לעבוד על אריח אחד קטן של נתונים
    בכל פעם
  • 9:23 - 9:25
    זה עלול להיות, אתם יודעים,
  • 9:25 - 9:29
    אחד, שרק שקווי המתאר האדומים
    שאתם רואה שם,
  • 9:29 - 9:31
    ושעשוי להיות חצי ג'יגה
    או משהו כזה.
  • 9:31 - 9:35
    אז אנחנו כבר עובדים על להפוך את זה
    לסביבה ארגונית,
  • 9:35 - 9:38
    זה מה שאנחנו צריכים לעשות,
    לעשות מזה סביבה ארגונית
  • 9:38 - 9:41
    כך שנוכל להתחיל להסתכל
    על אלפי אריחים של נתונים בכל פעם,
  • 9:41 - 9:43
    ועשינו את זה בהצלחה.
  • 9:44 - 9:48
    המעבדה שלי, היא מעבדה לניתוח מרחבי.
  • 9:48 - 9:52
    המעבדה לניתוח מרחבי היא המעבדה שאני מנהל,
  • 9:52 - 9:55
    והם עושים את הדברים האלו כבר כמה שנים,
  • 9:55 - 9:59
    והם אספו, מ 64 פרויקטים, 837 קהילות,
  • 9:59 - 10:04
    כיסו 28 מיליון אנשים,
    כמעט 9000 קילומטרים רבועים של נתונים מופו,
  • 10:04 - 10:07
    250 מיליארד פיקסלים של מוצרים שנוצרו
    מכיסוי הקרקע
  • 10:07 - 10:09
    ו 110 טרה של נתונים.
  • 10:09 - 10:12
    אז זו התחייבות גדולה
    אבל זו רק ההתחלה.
  • 10:12 - 10:16
    נחזור לנתוני הפשיעה
    שסיפרתי לכם על העצים האלה,
  • 10:16 - 10:17
    אז הנה שוב בולטימור.
  • 10:17 - 10:20
    שימוש בשיטה הזאת,
    אנחנו הופכים נתונים למידע.
  • 10:20 - 10:23
    אנחנו מקבלים עצים,
    אנחנו יודעים עכשיו איפה עצים נמצאים.
  • 10:23 - 10:24
    אני מכסה את זה עם הפשיעה.
  • 10:24 - 10:28
    אני מסיים עם מידע,
    אני עכשיו יכול לעשות מחקר,
  • 10:29 - 10:31
    ורק הצענו את זה
    לפרסום.
  • 10:31 - 10:34
    נודע לנו למעשה
    שיש קשר שלילי חזק
  • 10:34 - 10:35
    בין עצים ופשיעה
  • 10:35 - 10:38
    גם כשהתאמתי לכחמישים דברים אחרים.
  • 10:38 - 10:43
    לא יכולנו לעשות את זה
    ללא סוג זה של מידע.
  • 10:43 - 10:45
    אז עם זה, אני אגיד תודה לאנשים
  • 10:45 - 10:47
    מהמעבדה לניתוח מרחבי,
  • 10:47 - 10:50
    ובמיוחד לג'רלאט אוניל-דאן
    שעזר לי להכין את זה
  • 10:50 - 10:53
    ועשה את המחקר הזה
    במשך זמן רב ותודה לכם.
  • 10:53 - 10:56
    תודה לכם. (מחיאות כפיים)
Title:
לראות את הדפוס של הפיקסלים: אוסטין טרוי ב TEDxUVM
Description:

עבודתו של אוסטין טרוי מתמקדת בשימוש בקרקע - ובמיוחד בסיבות והשפעות של פיתוח עירוני / פרוורי והאפקטיביות של מדיניות בתיווך השפעות אלה. הוא גם מעוניין ללמוד את התפקיד והחשיבות של נכסים סביבתיים במערכות עירוניות והפצת הכימות המרחבי של שירותי מערכות אקולוגיות
more » « less
Video Language:
English
Team:
closed TED
Project:
TEDxTalks
Duration:
10:58

Hebrew subtitles

Revisions Compare revisions

Our website uses cookies for analysis purposes.