לראות את הדפוס של הפיקסלים: אוסטין טרוי ב TEDxUVM
-
0:15 - 0:17בסדר גמור, תודה כריס
ותודה שאתם מארחים אותי פה. -
0:17 - 0:19האם כולם שומעים אותי טוב?
-
0:22 - 0:25אז, היום אני הולך לדבר
-
0:25 - 0:27על סוג של מידע
שמוכר לכולנו -
0:27 - 0:31ואני חושב שכולנו,
לפחות רובנו, באופן מהותי. -
0:31 - 0:35וזה מידע גאוגרפי
ובמיוחד תמונות של כדור הארץ. -
0:35 - 0:38ואנחנו כבר ראינו
כמה דוגמאות לזה היום. -
0:38 - 0:42אני אתחיל פה
עם תצוגה וסיפור קטן. -
0:42 - 0:44הייתי חייב להביא אביזר,
לא יכולתי להתאפק. -
0:44 - 0:51המקינטוש פאואר בוק 145 הישן שלי מ 1992.
-
0:51 - 0:56זה המחשב הראשון
שהיה לי עם דיסק קשיח. -
0:56 - 0:59הוא הגיע עם 4, זה היה 4?
-
0:59 - 1:04למעשה כ 6 מגה בייט של זיכרון.
-
1:04 - 1:07זה היה עניין גדול
ואני הייתי המום מזה. -
1:07 - 1:09לא יכולתי להאמין שהיה לי כל כך הרבה זיכרון.
-
1:09 - 1:11אני פשוט אניח את זה כאן.
-
1:11 - 1:15אני לא האמנתי
שהיה לי כל כך הרבה זיכרון בקצות האצבעות שלי. -
1:15 - 1:17היום, לכולנו יש מחשבים.
-
1:17 - 1:19אני יכול לרדת לסטייפלס
ולקנות מחשב -
1:19 - 1:22שיש לו רבע מיליון פעמים
יותר זיכרון מזה -
1:22 - 1:25בעבור 400$ או 600$
או משהו כזה. -
1:25 - 1:28זמנים השתנו
וזה היה לפני 20 שנה. -
1:28 - 1:32כתוצאה מכך,
עם כל כוח המחשוב הגדל, -
1:32 - 1:34אנחנו טובעים במידע.
-
1:34 - 1:36אנחנו פשוט לחלוטין טובעים במידע.
-
1:36 - 1:39ואחד מסוגי המידע
שאנחנו הכי טובעים בו -
1:39 - 1:42היא חישה מרחוק
או נתוני תמונות, נתוני לווין, -
1:42 - 1:44נתוני תצלומי אוויר, דברים כאלה.
-
1:44 - 1:46וכולנו שיחקנו עם זה,
אני בטוח. -
1:46 - 1:49כולנו אוהבים גוגל כדור הארץ,
זה חינם וזה כיף. -
1:49 - 1:52וזה פשוט מלא בתמונות.
-
1:52 - 1:54אז, מה אנחנו עושים עם כל הדברים האלה?
-
1:54 - 1:56איך אנחנו עושים שימוש בזה?
-
1:56 - 1:59הנה תמונה של בולטימור.
זאת בולטימור העירונית. -
1:59 - 2:01יש בה את כל האובייקטים הנפלאים האלה.
-
2:01 - 2:03אני יכול להסתכל שם ולראות,
-
2:03 - 2:04זה קשה עם המקרן הזה,
-
2:04 - 2:07אבל אני יכול לראות עצים ובניינים,
ודברים כאלה. -
2:07 - 2:08ובואו נגיד
-
2:08 - 2:12שרציתי בעצם לעשות איזשהו
מחקר כמותי עם זה. -
2:12 - 2:14נגיד שהייתי צריך לעשות משהו
שדורש לדעת -
2:14 - 2:16היכן בעצם היו העצים.
-
2:16 - 2:17אני יכול לראות איפה נמצאים העצים,
-
2:17 - 2:20אבל המחשב לא יודע,
אין לו מושג מהו עץ. -
2:20 - 2:23בואו נגיד שאני רציתי לעשות משהו כמו,
-
2:23 - 2:25אלה למעשה המקומות של פשעים,
-
2:25 - 2:29נגיד שרציתי לדעת
אם צפיפות של עצים משפיעה על פשע. -
2:29 - 2:32אין שום דרך שאני יכול לעשות את זה
עם תמונה בדרך שיש לנו את זה עכשיו, -
2:32 - 2:36בסביבת מחשוב.
-
2:36 - 2:39וחלק מהסיבה לזה
-
2:39 - 2:41היא שמחשבים
לא באמת טובים בלזהות דברים -
2:41 - 2:43כמו שאנחנו טובים בלזהות דברים.
-
2:43 - 2:48אנחנו מצויינים בזיהוי
דברים עם הבדלים קלים מאוד. -
2:48 - 2:51אני יכול להגיד לכם בתוך שתי שניות
-
2:51 - 2:53שזה ג'ורג' קרלין
וזה זיגמונד פרויד. -
2:53 - 2:56שזה הוא ביג לבובסקי
וזה אדי וודר. -
2:56 - 3:00עבורי לאמן את המחשב
לזהות את ההבדלים -
3:00 - 3:04בין ביג לבובסקי, א.ק.א. הברנש ואדי וודר,
-
3:04 - 3:07היה לוקח לי כמויות זמן שלא ייאמנו.
-
3:07 - 3:12ועדיין אני יכול לעשות זאת מיידית,
אז זה בעיה כאן. -
3:12 - 3:15אז, בואו ניגש לעניין כאן.
-
3:15 - 3:18משמאל יש לי מידע גולמי.
-
3:18 - 3:21צילום אינפרארד צבעוני של חישה מרחוק.
-
3:21 - 3:27בצד ימין יש לי
שכבת מערכת מידע גיאוגרפית מסווגת. -
3:27 - 3:30זהו מידע שימושי.
-
3:30 - 3:34המחשב יודע מה זה דשא,
מהם בניינים ויודע מהם עצים. -
3:34 - 3:37איך אני מגיע מאחד לשני?
-
3:37 - 3:41זו חידה גדולה גדולה
בעולם של היום של נתונים ברזולוציה גבוהה. -
3:41 - 3:44הנה תמונה
של אזור עירוני טיפוסי. -
3:44 - 3:46אני מסתכל על זה ורואה
כל מיני תכונות -
3:46 - 3:48ואני רואה שזה ברזולוציה ממש טובה.
-
3:48 - 3:52אם הייתי צריך לעבוד
עם נתוני חישה מרחוק לפני 15 שנה, -
3:52 - 3:55היו לי תמונות ברזולוציה גסה.
-
3:55 - 3:57זהו אותו המיקום המדויק
באמצעות פיקסלים של 30 מטר. -
3:57 - 4:02אז, סיווג החומר הזה
היה דבר שונה באופן מהותי, -
4:02 - 4:06משום שכל מה שבאמת הייתי צריך לעשות
הוא להכנס לאזור הכללי של המגרש. -
4:06 - 4:08הפיקסלים האלו כאן
הם בגדול סוג של עירוניים, -
4:08 - 4:11הפיקסלים האלו בגדול סוג של יער.
-
4:11 - 4:15אני לא באמת הייתי צריך לדעת
את הזהות המסויימת של חפצים. -
4:15 - 4:19עכשיו בהרצה קדימה להיום
ויש לי תמונה שאני יכול לעשות לה זום -
4:19 - 4:23ואני יכול לראות
מיליון סוגים שונים של דברים. -
4:23 - 4:30ממכוניות במגרש חנייה
למכולות, -
4:30 - 4:34למנופים במתקן המכולות
-
4:34 - 4:38למכונות על גבי בניין
-
4:38 - 4:39עד ל.., אני אוהב את זה,
-
4:39 - 4:43זה הספינקס
במלון לוקסור בלאס וגאס. -
4:43 - 4:45תנסו להגיד למחשב מה זה.
-
4:45 - 4:49הינה עוד אחד בלאס וגאס,
אני אוהבת את גוגל כדור הארץ בלאס וגאס, -
4:49 - 4:50זה הכי טוב, זה כל כך כיף.
-
4:50 - 4:53זוהי בריכה טרופית בצורת דג.
-
4:53 - 4:56שוב, לא כל כך קל להגיד למחשב
מה זה. -
4:56 - 4:58וזה הטוב מכולם.
-
4:58 - 5:03אני מאמין שזאת תמונת לווין ברזולוציה גבוהה
-
5:03 - 5:07של גמלים באמצע אפריקה
וזה חלק מפרויקט מגה טיסה מעל אפריקה -
5:07 - 5:12של גוגל ונשיונל גאוגרפיק,
-
5:12 - 5:14המספר של דברים אפשריים
-
5:14 - 5:16שאני צריך להכין מחשבים
להיות מוכנים להם, -
5:16 - 5:19הסוגים של אובייקטים
על גבי שטח כדור הארץ -
5:19 - 5:20שטח כדור הארץ,
הוא מדהים. -
5:21 - 5:25וזה פרוייקט
שלעולם לא נראה גמור, -
5:25 - 5:29הפרוייקט הזה של ללמד מחשבים
את הבינה מלאכותית, -
5:29 - 5:32לתת להם את הבינה המלאכותית
שהם צריכים -
5:32 - 5:34לזהות את כל הוריאציות על כדור הארץ.
-
5:34 - 5:35הינה אחד אפילו יותר טוב.
-
5:35 - 5:38זהו למעשה דבר אמיתי,
זהו הקולונל (KFC). -
5:38 - 5:43מישהו באמת עשה מגה אמנות
של הקולונל באמצע נבאדה. -
5:43 - 5:46זה מעניין
כמה רבים מאלו הגיעו מנבאדה. -
5:46 - 5:49(צחוק)
-
5:49 - 5:52אז, בואו נסביר למה זה קשה
-
5:52 - 5:55להשתמש בשיטות
שתמיד השתמשנו בהן בעבר -
5:55 - 5:58עבור הדור הזה
של תמונות ברזולוציה גבוהה. -
5:58 - 6:01הנה תמונה ברזולוציה גבוהה של ברלינגטון.
-
6:01 - 6:06אם אני אנסה לסווג כל פיקסל,
פיקסל אחרי פיקסל, -
6:06 - 6:11אני אקבל קשקוש מפוקסל נוראי.
-
6:11 - 6:14אם אני מסתכל על אובייקט ספציפי
כמו בית, הבית הזה עשוי, -
6:14 - 6:17זה קשה לראות, אבל זה פשוט עשרות
ערכי פיקסל שונים. -
6:17 - 6:19שלא באמת אומרים שום דבר.
-
6:19 - 6:24אם אני לוקח עץ בודד, שוב,
זה מומצא מקשקוש של פיקסלים. -
6:24 - 6:27עכשיו, אם אני עושה זום על העץ הזה,
למשל, -
6:27 - 6:33אני אראה שזה עשוי מפיקסלים,
הרבה סוגים של טונים, צבעים שונים, -
6:33 - 6:38וזה הייצוג הישיר
בפיקסלים מסווגים, -
6:38 - 6:39זה חסר משמעות, נכון?
-
6:39 - 6:41זה לא למצוא אובייקטים.
-
6:41 - 6:46אז, אני צריך ללמד את המחשב
לראות אובייקטים ולחשוב כמוני. -
6:46 - 6:49זה אומר ללמד מחשב
לחשוב כמו בן אנוש, -
6:49 - 6:52מה שאומר לעבוד
על בסיס גודל צורני, טון, דפוס, -
6:52 - 6:55טקסטורה, ראייה ואסוציאציה,
הרבה מזה זה מרחבי. -
6:55 - 7:00אנחנו חייבים להפסיק לחשוב פיקסל פיקסל
ולהתחיל לחשוב על דברים מרחבית. -
7:00 - 7:04זה אומר לקחת תמונה
ומה שנקרא, לפלח אותה, -
7:04 - 7:06להפוך אותה לאובייקטים.
-
7:06 - 7:09והתהליך של הפילוח הזה
הוא קשה מאוד. -
7:09 - 7:13אתם צריכים לאמן מחשב
לפלח בצורה נכונה. -
7:13 - 7:15ואם אני מסתכל, הנה בית,
הנה צד אחד של הגג -
7:15 - 7:18וצד אחר של הגג,
יש כביש פרטי, -
7:18 - 7:20הם מפולחים כאובייקטים שונים
-
7:20 - 7:22ואז אני יכול לארגן את האובייקטים מחדש
-
7:22 - 7:25לתוך משהו שהוא רק בית
ומשהו אחר שהוא רק כביש פרטי. -
7:25 - 7:28ובסוף היום, מה שיהיה לי
-
7:28 - 7:29זה משהו כזה.
-
7:29 - 7:32אני אוכל להגיד לכם את ההבדלים.
-
7:32 - 7:38למרות שהחתימה הספקטרלית
היא מאותו הגג הזה והכביש הזה, -
7:38 - 7:41אני יודע שגורם הקומפקטיות שלהם
הוא שונה, -
7:41 - 7:44ובגלל זה,
בגלל מדדי הצורה שלהם, -
7:44 - 7:46אני יכול להגיד לכם מי מהם הוא גג
ומי מהם הוא כביש, -
7:46 - 7:49ואני יכול להתחיל
לסווג דברים בצורה הזאת. -
7:53 - 7:56בכדי לעשות זאת נדרשת
מערכת חוקים עצומה. -
7:56 - 8:01מערכת החוקים יכולה להיות עשרות על עשרות
עד מעל מאה דפים. -
8:01 - 8:06של כל חוקי הסיווג האלו
ואני לא אשעמם אתכם עם הפרטים. -
8:06 - 8:10אני גם אשתמש במידע מסייע.
-
8:10 - 8:13יש את כל סוגי מגדירי מערכות מידע גיאוגרפיות גדולים
שעוזרים לי עכשיו לסווג דברים. -
8:13 - 8:16רוב הערים אוספות דברים
על עקבות בניין, -
8:16 - 8:19אנחנו יודעים איפה נמצאות חלקות אדמה,
אנחנו יודעים איפה הם קווי ביוב -
8:19 - 8:20וכבישים וכל מיני דברים כאלה.
-
8:20 - 8:22אנחנו יכולים להשתמש בזה כדי לעזור לעצמנו,
-
8:22 - 8:24אבל הכי חשוב
מהמידע המסייע -
8:24 - 8:28שנמצא שם בחוץ היום נקרא ליידר:
איתור אור בטווח. -
8:28 - 8:30ובליידר משתמשים
מזה זמן מה בהנדסה -
8:30 - 8:33וזה מאפשר לנו במהות ליצור
מודלים של פני השטח. -
8:33 - 8:36זוהי כיכר קולומבוס
בסנטרל פארק בניו יורק -
8:36 - 8:39וזה גובה פני השטח
של העצים. -
8:39 - 8:42הליידר אומר לי
היכן נמצאת החופה של העצים, -
8:42 - 8:48היכן נמצאים גגות הבניינים,
הוא אומר לי גם היכן פני הקרקע. -
8:48 - 8:51ואני יכול ליצור מודלים מפורטים להפליא
של העולם -
8:51 - 8:52אז עכשיו אני לא רק עובד
-
8:52 - 8:56עם מידע ספקטרלי מרחבי,
החזרת מידע, -
8:56 - 8:59אני גם עובד עם מידע גובה,
אני יודע את הגבהים של הדברים -
8:59 - 9:02אז אני יכול לראות שני אובייקטים
שהם ירוקים ועציים, -
9:02 - 9:06אבל אני יכול להגיד שאחד מהם הוא שיח
ואחד מהם הוא עץ. -
9:06 - 9:09וזה רק זום על משטח שם.
-
9:09 - 9:12עכשיו הבעיה היא,
זה מאוד עתיר נתונים -
9:12 - 9:18ואף אחד לא הבין עד לא מזמן,
ואני מתכוון שאולי לפני שנתיים, -
9:18 - 9:21אנשים עשו את זה
על בסיס של אריח אחרי אריח -
9:21 - 9:23לעבוד על אריח אחד קטן של נתונים
בכל פעם -
9:23 - 9:25זה עלול להיות, אתם יודעים,
-
9:25 - 9:29אחד, שרק שקווי המתאר האדומים
שאתם רואה שם, -
9:29 - 9:31ושעשוי להיות חצי ג'יגה
או משהו כזה. -
9:31 - 9:35אז אנחנו כבר עובדים על להפוך את זה
לסביבה ארגונית, -
9:35 - 9:38זה מה שאנחנו צריכים לעשות,
לעשות מזה סביבה ארגונית -
9:38 - 9:41כך שנוכל להתחיל להסתכל
על אלפי אריחים של נתונים בכל פעם, -
9:41 - 9:43ועשינו את זה בהצלחה.
-
9:44 - 9:48המעבדה שלי, היא מעבדה לניתוח מרחבי.
-
9:48 - 9:52המעבדה לניתוח מרחבי היא המעבדה שאני מנהל,
-
9:52 - 9:55והם עושים את הדברים האלו כבר כמה שנים,
-
9:55 - 9:59והם אספו, מ 64 פרויקטים, 837 קהילות,
-
9:59 - 10:04כיסו 28 מיליון אנשים,
כמעט 9000 קילומטרים רבועים של נתונים מופו, -
10:04 - 10:07250 מיליארד פיקסלים של מוצרים שנוצרו
מכיסוי הקרקע -
10:07 - 10:09ו 110 טרה של נתונים.
-
10:09 - 10:12אז זו התחייבות גדולה
אבל זו רק ההתחלה. -
10:12 - 10:16נחזור לנתוני הפשיעה
שסיפרתי לכם על העצים האלה, -
10:16 - 10:17אז הנה שוב בולטימור.
-
10:17 - 10:20שימוש בשיטה הזאת,
אנחנו הופכים נתונים למידע. -
10:20 - 10:23אנחנו מקבלים עצים,
אנחנו יודעים עכשיו איפה עצים נמצאים. -
10:23 - 10:24אני מכסה את זה עם הפשיעה.
-
10:24 - 10:28אני מסיים עם מידע,
אני עכשיו יכול לעשות מחקר, -
10:29 - 10:31ורק הצענו את זה
לפרסום. -
10:31 - 10:34נודע לנו למעשה
שיש קשר שלילי חזק -
10:34 - 10:35בין עצים ופשיעה
-
10:35 - 10:38גם כשהתאמתי לכחמישים דברים אחרים.
-
10:38 - 10:43לא יכולנו לעשות את זה
ללא סוג זה של מידע. -
10:43 - 10:45אז עם זה, אני אגיד תודה לאנשים
-
10:45 - 10:47מהמעבדה לניתוח מרחבי,
-
10:47 - 10:50ובמיוחד לג'רלאט אוניל-דאן
שעזר לי להכין את זה -
10:50 - 10:53ועשה את המחקר הזה
במשך זמן רב ותודה לכם. -
10:53 - 10:56תודה 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
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 10:58
TED Translators admin edited Hebrew subtitles for Seeing the pattern for the pixels: Austin Troy at TEDxUVM | ||
Ido Dekkers approved Hebrew subtitles for Seeing the pattern for the pixels: Austin Troy at TEDxUVM | ||
Ido Dekkers accepted Hebrew subtitles for Seeing the pattern for the pixels: Austin Troy at TEDxUVM | ||
Ido Dekkers edited Hebrew subtitles for Seeing the pattern for the pixels: Austin Troy at TEDxUVM | ||
Ido Dekkers edited Hebrew subtitles for Seeing the pattern for the pixels: Austin Troy at TEDxUVM | ||
Tal Dekkers edited Hebrew subtitles for Seeing the pattern for the pixels: Austin Troy at TEDxUVM | ||
Tal Dekkers edited Hebrew subtitles for Seeing the pattern for the pixels: Austin Troy at TEDxUVM |