The wonderful and terrifying implications of computers that can learn | Jeremy Howard

المترجم: Ghalia Turki المدقّق: Mai Yousef

It used to be that if you wanted to get a computer to do something new,

إعتدنا قديما علي انه عندما تريد من الحاسب القيام بمهمة ما

you would have to program it.

فإنه عليك برمجته.

Now, programming, for those of you here that haven't done it yourself,

الآن، البرمجة بالنسبة للذين لم يقومو بها من قبل،

requires laying out in excruciating detail

تتطلب وضع كل خطوة تريد من الحاسوب القيام بها بالتفصيل الممل

every single step that you want the computer to do

in order to achieve your goal.

من أجل تحقيق غايتك.

Now, if you want to do something that you don't know how to do yourself,

الآن، في حال أردت القيام بأمرٍ لاتعرف كيفية القيام به بنفسك،

then this is going to be a great challenge.

عندها سيكون هذا تحدٍ كبير.

So this was the challenge faced by this man, Arthur Samuel.

و هذا هو التحدي الذي واجه هذا الرجل ارثر صامويل

In 1956, he wanted to get this computer

في عام 1956، أراد ان يشتري هذا الحاسوب

to be able to beat him at checkers.

أن يكون قادراً على هزيمته في لعبة الداما.

How can you write a program,

ليتمكن من هزيمتة في لعبة الشطرنج

lay out in excruciating detail, how to be better than you at checkers?

كيف يمكنك كتابة برنامج بكل تفاصيلة كيف يمكن للحاسوب ان يكون أفضل منك في الشطرنج؟

So he came up with an idea:

لذا فقد جاء بفكرة:

he had the computer play against itself thousands of times

جعل الحاسوب يلعب ضد نفسه آلاف المرات

and learn how to play checkers.

ويتعلم كيفية لعب الشطرنج

And indeed it worked, and in fact, by 1962,

وبالفعل نجحت فكرته وفي عام 1962

this computer had beaten the Connecticut state champion.

فاز هذا الكمبيوتر ببطولة ولاية كونيتيكت

So Arthur Samuel was the father of machine learning,

لهذا يعد أرثر صاموئيل أب التعلم الآلي

and I have a great debt to him,

وأنا أدين له بشده

because I am a machine learning practitioner.

لأنني ممارس للتعلم الآلي

I was the president of Kaggle,

لقد كنت رئيس شركة كاجل ،

a community of over 200,000 machine learning practictioners.

مجتمع أكثر من 200,000 ممارس للتعلم الألي

Kaggle puts up competitions

وقد وضعت شركة كاجل مسابقات

to try and get them to solve previously unsolved problems,

لحثهم على محاولة أن يحلوا مشاكل لم تحل من قبل

and it's been successful hundreds of times.

وقد نجحت مئات المرات

So from this vantage point, I was able to find out

وإنطلاقاً من هذه النقطة تمكنت من إكتشاف

a lot about what machine learning can do in the past, can do today,

الكثير عن ما الذي كان يستطيع التعلم الآلي فعله في الماضي وما يستطيعه اليوم

and what it could do in the future.

وما الذي ستتمكن من فعله في المستقبل

Perhaps the first big success of machine learning commercially was Google.

ربما يكون أول نجاح تجاري كبير للتعلم الآلي هو جوجل

Google showed that it is possible to find information

جوجل أظهرت إمكانية أن تجد معلومات

by using a computer algorithm,

من خلال إستخدام لوغارتيمات الكمبيوتر

and this algorithm is based on machine learning.

وتعتمد هذه اللوغارتيمات على التعلم الآلي

Since that time, there have been many commercial successes of machine learning.

ومنذ هذا الوقت كان هناك نجاحات تجارية كبيرة في التعلم الآلي

Companies like Amazon and Netflix

فشركات مثل أمازون ونت فليكس

use machine learning to suggest products that you might like to buy,

تستخدم التعلم الآلي لإقتراح المنتجات التي قد تفضل شرائها

movies that you might like to watch.

والأفلام التي تحب مشاهدتها

Sometimes, it's almost creepy.

في بعض الأحيان قد يبدو الأمر مخيف

Companies like LinkedIn and Facebook

شركات مثل لينكد ان وفيسبوك

sometimes will tell you about who your friends might be

أحياناً ستخبرك من يجب أن يكون صديقك؟

and you have no idea how it did it,

وأنت ليس لديك أي فكرة عن كيف فعلت هذا؟

and this is because it's using the power of machine learning.

وهذا لأنها تستخدم قوة التعلم الآلي

These are algorithms that have learned how to do this from data

هذه هي الخوارزمات التي تعلمت كيف تفعل هذا من البيانات

rather than being programmed by hand.

بدلاً من أن يتم برمجتها يدوياً

This is also how IBM was successful

وهذا أيضاً هو سبب نجاح أي بي إم

in getting Watson to beat the two world champions at "Jeopardy,"

في أن يجعلوا الكمبيوتر واطسون يهزم بطلي عالم في مسابقة "جابردي"

answering incredibly subtle and complex questions like this one.

مجيباً بشكل مذهل على أسئلة متقنة ومعقدة مثل

["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"]

من أي مدينة فقد أسد نمرود الأثري عام 2003؟

This is also why we are now able to see the first self-driving cars.

هذا أيضاً سبب أننا نرى الأن أول سيارة ذاتية القيادة

If you want to be able to tell the difference between, say,

إذا كنت تستطيع أن تخبرنا الإختلاف بين مثلاً

a tree and a pedestrian, well, that's pretty important.

شجرة وشئ متحرك وهو شئ هام جداً

We don't know how to write those programs by hand,

نحن لا نعرف كيف نكتب هذه البرامج بأيدينا

but with machine learning, this is now possible.

ولكنه الأن أصبح ممكناً بواسطة التعلم الآلي

And in fact, this car has driven over a million miles

وفي الحقيقة ، هذه السيارة تم قيادتها لملايين الأميال

without any accidents on regular roads.

بدون أي حوادث على الطرق العادية

So we now know that computers can learn,

لذلك نعلم الأن أن الكمبيوتر يستطيع التعلم

and computers can learn to do things

وأن الكمبيوتر يستطيع أن يتعلم كيفية فعل أشياء

that we actually sometimes don't know how to do ourselves,

لا نعرف أحياناً كيف نفعلها بأنفسنا

or maybe can do them better than us.

أو قد يفعلموها أفضل مننا.

One of the most amazing examples I've seen of machine learning

ومن أغرب الأمثلة التي رأيتها بالتعلم الآلي

happened on a project that I ran at Kaggle

حدثت بمشروع أديره بشركة كاجل

where a team run by a guy called Geoffrey Hinton

في فريق يديره رجل يدعى جوفري هينتون

from the University of Toronto

من جامعة تورنتو

won a competition for automatic drug discovery.

فازوا في مسابقة لإكتشاف أدوية أوتوماتيكية

Now, what was extraordinary here is not just that they beat

المذهل هنا ليس فقط أنهم أستطاعوا هزيمة

all of the algorithms developed by Merck or the international academic community,

جميع اللوغاريتمات التي طورتها ميرك أو المجتمع الأكاديمي الدولي

but nobody on the team had any background in chemistry or biology or life sciences,

ولكن لا أحد من الفريق لديه أي خلفية عن علوم الحياة أو الكيمياء أو الأحياء

and they did it in two weeks.

وقد قاموا بهذا الإنجاز في أسبوعين فقط

How did they do this?

كيف أستطاعوا أن يحققوا هذا؟

They used an extraordinary algorithm called deep learning.

أستخدموا لوغاريتمات فائقة تدعى التعلم العميق

So important was this that in fact the success was covered

ولشدة اهميته تم تغطيته

in The New York Times in a front page article a few weeks later.

في مقال الصفحة الأولى لنيويورك تايمز منذ عدة أسابيع

This is Geoffrey Hinton here on the left-hand side.

هذا هو جوفري هينتون على الجانب الأيسر

Deep learning is an algorithm inspired by how the human brain works,

التعلم العميق هي اللوغاريتمات التي تم إستلهامها من كيفية عمل العقل البشري

and as a result it's an algorithm

وبالطبع كنتيجه فهي اللوغاريتمات

which has no theoretical limitations on what it can do.

التي ليس لها حدود نظرية حول ما تستطيع فعله

The more data you give it and the more computation time you give it,

كلما غذيتها ببيانات وأعطيتها وقت لحسابها

the better it gets.

كلما حصلت على نتائج أفضل

The New York Times also showed in this article

وقد عرضت نيويورك تايمز أيضاً في هذا المقال

another extraordinary result of deep learning

نتيجه أخرى فائقة للتعلم العميق

which I'm going to show you now.

والتي سأعرضها عليكم الأن

It shows that computers can listen and understand.

فهي تظهر قدرة الكمبيوتر على أن يسمع ويفهم

(Video) Richard Rashid: Now, the last step

(فيديو) ريتشارد رشيد : الأن ، أخر خطوة

that I want to be able to take in this process

التي أريد تحقيقها في هذه العملية

is to actually speak to you in Chinese.

هي أن أتحدث بالصينية لكم

Now the key thing there is,

الأن الشئ الرئيسي هو ،

we've been able to take a large amount of information from many Chinese speakers

أننا تمكنا من أخذ كمية كبيرة من المعلومات من العديد من متحدثي الصينية

and produce a text-to-speech system

وأنتجنا نظام لتحويل النص المكتوب لحديث

that takes Chinese text and converts it into Chinese language,

وأخذنا نص صيني وحولناه للغة الصينية

and then we've taken an hour or so of my own voice

ثم أخذنا بعد ذلك ما يقرب من ساعة لصوتي

and we've used that to modulate

وأستخدمناه لتعديل صوت

the standard text-to-speech system so that it would sound like me.

النظام الأساسي لتحويل النص المكتوب لحديث حتى يبدو كصوتي

Again, the result's not perfect.

مرة أخرى ، النتيجة ليست مثالية

There are in fact quite a few errors.

في الحقيقة كان هناك بعض الأخطاء القليلة

(In Chinese)

(باللغة الصينية)

(Applause)

(تصفيق)

There's much work to be done in this area.

هناك الكثير من العمل الذي يجب أنجازه في هذا المجال

(In Chinese)

(باللغة الصينية)

(Applause)

(تصفيق)

Jeremy Howard: Well, that was at a machine learning conference in China.

جيرمي هوارد : حسناً ، هذا كان في مؤتمر التعلم الآلي بالصين

It's not often, actually, at academic conferences

في الواقع ليس من المعتاد بالمؤتمرات الأكاديمية

that you do hear spontaneous applause,

أن تسمع تصفيق عفوي

although of course sometimes at TEDx conferences, feel free.

بالرغم من أنه أحياناً بالطبع يحدث بمؤتمرات TEDx ، تصرفوا بحريتكم.

Everything you saw there was happening with deep learning.

كل ما رأيتموه هناك كان يحدث بالتعلم العميق

(Applause) Thank you.

(تصفيق) شكراً لكم

The transcription in English was deep learning.

كتابة نص الحديث بالإنجليزية كان التعلم العميق

The translation to Chinese and the text in the top right, deep learning,

الترجمة للصينية والكتابة بأعلى اليمين كان التعلم العميق

and the construction of the voice was deep learning as well.

كما أن تركيب الصوت تم عبر التعلم العميق أيضاً

So deep learning is this extraordinary thing.

لذلك فإن التعلم العميق هو شئ مذهل.

It's a single algorithm that can seem to do almost anything,

إنها لوغاريتمة واحدة تستطيع تقريباً أن تفعل أي شئ

and I discovered that a year earlier, it had also learned to see.

وقد أكتشفت أنها منذ عام مضى أيضاً قد تعلمت أت ترى.

In this obscure competition from Germany

في مسابقة غير معروفة بألمانيا

called the German Traffic Sign Recognition Benchmark,

تدعى معيار التعرف على إشارات المرور الألمانية

deep learning had learned to recognize traffic signs like this one.

التعلم العميق قد تعلم التعرف على إشارات المرور مثل هذه

Not only could it recognize the traffic signs

وهي لا تستطيع فقط التعرف على إشارات المرور

better than any other algorithm,

أفضل من أي لوغاريتمة أخرى

the leaderboard actually showed it was better than people,

بل في الحقيقه تظهر اللوحة أنها أفضل من البشر

about twice as good as people.

بحوالي مرتين مما يستطيعه البشر.

So by 2011, we had the first example

لذلك عام 2011 كان لدينا أول مثال

of computers that can see better than people.

لكمبيوتر يستطيع أن يرى أفضل من البشر

Since that time, a lot has happened.

ومنذ ذلك الوقت حدث الكثير

In 2012, Google announced that they had a deep learning algorithm

في عام 2012 جوجل أعلنت أن لديهم خوارزمة تعلم عميق

watch YouTube videos

تشاهد فيديوهات اليوتيوب

and crunched the data on 16,000 computers for a month,

وتعالج بيانات 16000 كمبيوتر شهرياً

and the computer independently learned about concepts such as people and cats

ثم يقوم الكمبيوتر ذاتياً بالتعلم عن مفاهيم مثل التاس والقطط

just by watching the videos.

فقط بمجرد مشاهدة الفيديوهات

This is much like the way that humans learn.

هذا يشبه كثيراً طريقة تعلم البشر

Humans don't learn by being told what they see,

البشر لا يتعلمون عن طريق إخبارهم عن ما يروه

but by learning for themselves what these things are.

ولكن يعلمون أنفسهم ماذا تكون هذه الأشياء

Also in 2012, Geoffrey Hinton, who we saw earlier,

أيضاً في عام 2012 ، جوفري هينتون الذي رأيناه منذ قليل

won the very popular ImageNet competition,

فاز بمسابقة ImageNet ذائعة الصيت

looking to try to figure out from one and a half million images

حيث كان يبحث عن محاولة لإكتشاف من بين مليون ونصف صورة

what they're pictures of.

مما تم تصويرهم

As of 2014, we're now down to a six percent error rate

وبالنسبة لـ 2014 فإننا الأن قلصنا نسبة الخطأ لـ 6%

in image recognition.

في التعرف على الصور

This is better than people, again.

ومرة أخرى ، هذا أفضل من البشر

So machines really are doing an extraordinarily good job of this,

لذلك فإن الألات بالفعل تستطيع القيام بأعمال فائقة

and it is now being used in industry.

ويتم إستخدامها الأن بالصناعة

For example, Google announced last year

وكمثال فإن جوجل أعلنت العام الماضي

that they had mapped every single location in France in two hours,

أنهم رسموا خريطة لكل مكان بفرنسا في ساعتين

and the way they did it was that they fed street view images

وقد فعلوا هذا عن طريق إدخال صور للشوارع

into a deep learning algorithm to recognize and read street numbers.

لخوارزمة التعلم العميق للتعرف على وقراءة أرقام الشوارع

Imagine how long it would have taken before:

لك أن تتخيل كم كانت ستسغرق مسبقاً

dozens of people, many years.

عشرات الناس والعديد من السنوات.

This is also happening in China.

وقد حدثت أيضاً في الصين.

Baidu is kind of the Chinese Google, I guess,

بيدو هو نوع من جوجل الصيني ، على ما أعتقد

and what you see here in the top left

وما ترونه هنا في أعلى اليسار

is an example of a picture that I uploaded to Baidu's deep learning system,

مثال لصورة قد حملتها إلى نظام بيدو للتعلم العميق

and underneath you can see that the system has understood what that picture is

وبالأسفل ترون أن النظام قد فهم ماذا تكون هذه الصورة

and found similar images.

بل ووجدت صور أخرى مشابهة

The similar images actually have similar backgrounds,

الصور المشابهة ذات خلفيات متماثلة

similar directions of the faces,

بنفس إتجاهات الوجوه

even some with their tongue out.

بل بعضهم كان بلسانه إلى الخارج

This is not clearly looking at the text of a web page.

وهذا لم يكن بالطبع بحث عن نص مكتوب على صفحة ويب

All I uploaded was an image.

كل ما حملته كان صورة.

So we now have computers which really understand what they see

لذلك أصبح لدينا الأن أجهزة كمبيوتر تستطيع بالفعل فهم ما تراه

and can therefore search databases

وبالتالي تستطيع البحث في قواعد بيانات

of hundreds of millions of images in real time.

لمئات الملايين من الصور في نفس الوقت.

So what does it mean now that computers can see?

والأن ما الذي يعنيه أن تستطيع أجهزة الكمبيوتر أن ترى؟

Well, it's not just that computers can see.

حسناً ، ليس فقط أن أجهزة الكمبيوتر تستطيع الرؤية

In fact, deep learning has done more than that.

في الواقع التعلم العميق قد فعل أكثر من هذا

Complex, nuanced sentences like this one

فجمل معقدة ودقيقة مثل هذه

are now understandable with deep learning algorithms.

الأن أصبحت مفهومة بخوارزمة التعلم العميق

As you can see here,

كما تروا هنا

this Stanford-based system showing the red dot at the top

هذا نظام ستانفورد يظهر النقاط الحمراء بأعلى

has figured out that this sentence is expressing negative sentiment.

قد كشفت أن هذه الجملة تعبر عن إحساس سلبي

Deep learning now in fact is near human performance

في الواقع التعلم العميق الأن أصبح قريب من الأداء البشري

at understanding what sentences are about and what it is saying about those things.

في فهم ما تعبر عنه الجمل وما تقوله عن هذه الأشياء.

Also, deep learning has been used to read Chinese,

التعلم العميق قد أستخدم أيضا لقراءة الصينية

again at about native Chinese speaker level.

وبنفس مستوى متحدث الصينية كلغته الأم

This algorithm developed out of Switzerland

هذه الخوارزمة تم تطويرها بسويسرا

by people, none of whom speak or understand any Chinese.

بواسطة ناس لم يتحدث أي منهم أو يفهم الصينية

As I say, using deep learning

وكما قلت إستخدام التعلم العميق

is about the best system in the world for this,

أصبح أفضل نظام بالعالم لمثل هذا

even compared to native human understanding.

بل ويمكن مقارنته للفهم البشري للغة الأم

This is a system that we put together at my company

هذا هو النظام الذي صنعناه بشركتي

which shows putting all this stuff together.

والذي يظهر وضع هذه الأشياء معاً

These are pictures which have no text attached,

هذه الصور ليس لها أي نص مكتوب ملحق بها

and as I'm typing in here sentences,

وأثناء كتابتي هنا لجمل نصية

in real time it's understanding these pictures

فهي تفهم هذه الصور في نفس الوقت

and figuring out what they're about

وتحدد ما تعبر عنه هذه الصور

and finding pictures that are similar to the text that I'm writing.

وتجد الصور التي تشابه النص الذي كتبته

So you can see, it's actually understanding my sentences

تستطيع أن تروا أنها بالفعل تفهم كتابتي

and actually understanding these pictures.

وأيضاً تفهم هذه الصور

I know that you've seen something like this on Google,

أعلم أنك رأيت شئ يشبه ذلك على جوجل

where you can type in things and it will show you pictures,

حيث تكتب عن أشياء لتظهر لك بالصور

but actually what it's doing is it's searching the webpage for the text.

ولكن ما تفعله بالواقع هو بحث عن نصوص بصفحة الموقع

This is very different from actually understanding the images.

وهذا مختلف كلياً عن الفهم الفعلي للصور

This is something that computers have only been able to do

وهذا شئ يستطيع الكمبيوتر فقط فعله

for the first time in the last few months.

لأول مرة بالشهور القليلة الماضية.

So we can see now that computers can not only see but they can also read,

نرى الأن أجهزة الكمبيوتر تستطيع ليس فقط الرؤية بل القراءة أيضاً

and, of course, we've shown that they can understand what they hear.

وبالطبع قد عرضنا أنها تستطيع فهم ما تسمعه.

Perhaps not surprising now that I'm going to tell you they can write.

ربما ليس من المفاجئ الأن أن أخبرك أنها تستطيع الكتابة.

Here is some text that I generated using a deep learning algorithm yesterday.

هنا بعض النصوص التي أنتجتها بالأمس مستخدماً خوارزمة التعلم العميق

And here is some text that an algorithm out of Stanford generated.

وهنا بعض النصوص التي أنتجتها خوارزمة بستانفورد

Each of these sentences was generated

كلاً من هذه الجمل المكتوبة تم إنتاجها

by a deep learning algorithm to describe each of those pictures.

بواسطة خوارزمة التعلم العميق لوصف كلاً من هذه الصور

This algorithm before has never seen a man in a black shirt playing a guitar.

هذه الخوارزمة لم ترى من قبل رجل يرتدي قميص أسود ويعزف على الجيتار

It's seen a man before, it's seen black before,

هي رأت رجل من قبل ورأت اللون الأسود من قبل

it's seen a guitar before,

ورأت جيتار من قبل

but it has independently generated this novel description of this picture.

لكنها ذاتياً أنتجت وصفها الجديد عن هذه الصورة

We're still not quite at human performance here, but we're close.

ما زال هذا الأداء ليس كمثيله البشري ولكننا قريبين

In tests, humans prefer the computer-generated caption

في الإختبارات البشر يفضلون الشرح الذي أنتجه الكمبيوتر

one out of four times.

بنسبة واحد لأربعة

Now this system is now only two weeks old,

الأن هذا النظام عمره أسبوعين فقط

so probably within the next year,

لذا ربما يكون بحلول العام القادم

the computer algorithm will be well past human performance

تكون قد تعدت خوارزمة الكمبيوتر الأداء البشري

at the rate things are going.

بنسبة الإنجاز هذه التي تتم بها الأشياء

So computers can also write.

لذلك فإن الكمبيوتر يستطيع أيضاً أن يكتب

So we put all this together and it leads to very exciting opportunities.

إذا وضعنا كل هذا معا فسيقودنا لفرص مدهشة

For example, in medicine,

مثلاً في صناعة الدواء

a team in Boston announced that they had discovered

أعلن فريق عمل ببوسطن أنهم أكتشفوا

dozens of new clinically relevant features

عشرات التشخيصات الجديدة المتعلقة

of tumors which help doctors make a prognosis of a cancer.

بالأورام التي تساعد الأطباء علي التنبؤ بالسرطان

Very similarly, in Stanford,

وفي أمر مشابهه بستانفورد

a group there announced that, looking at tissues under magnification,

أعلنت مجموعة كانت تفحص الأنسجة المكبره

they've developed a machine learning-based system

أنهم طوروا نظام قائم على التعلم الآلي

which in fact is better than human pathologists

هو في الواقع أفضل من الأخصائين البشريين في علوم الأمراض

at predicting survival rates for cancer sufferers.

وتنبأت بمعدلات نجاة لمن يعانون من السرطان

In both of these cases, not only were the predictions more accurate,

في كلا الحالتين لم يكن التنبأ أكثر دقه فقط

but they generated new insightful science.

ولكنهم أنتجوا علم دقيق جديد

In the radiology case,

في حالة طب الأشعة

they were new clinical indicators that humans can understand.

هناك مؤشرات تشخيصية جديدة يستطيع البشر إدراكها

In this pathology case,

في حالة علم الأمراض

the computer system actually discovered that the cells around the cancer

نظام الكمبيوتر قد أكتشف بالفعل أن الخلايا حول السرطان

are as important as the cancer cells themselves

هي بأهمية الخلايا السرطانية نفسها

in making a diagnosis.

للتوصل للتشخيص

This is the opposite of what pathologists had been taught for decades.

وهذا عكس ما تعلمه أخصائي الأمراض لعشرات السنين

In each of those two cases, they were systems developed

وقد تم تطوير كلا الحالتين بنظم الكمبيوتر

by a combination of medical experts and machine learning experts,

بواسطة مجموعة من خبراء في كلاً من الطب والتعلم الألي

but as of last year, we're now beyond that too.

لكن بالنسبة للعام الماضي فقد تخطينا هذا الأن أيضاً

This is an example of identifying cancerous areas

هذا مثال للتعرف على المناطق السرطانية

of human tissue under a microscope.

من أنسجة إنسان تحت الميكرسكوب

The system being shown here can identify those areas more accurately,

النظام الذي تم عرضه هنا يستطيع تحديد هذه المناطق بدقة أكبر

or about as accurately, as human pathologists,

أو بنفس دقة أخصائي الأمراض البشريين

but was built entirely with deep learning using no medical expertise

لكن تم بنائها بالكامل بالتعلم العميق بدون إستخدام أي خبرة طبية

by people who have no background in the field.

وبواسطة ناس ليس لديهم أي خلفية عن هذا المجال

Similarly, here, this neuron segmentation.

وبالمثل هنا في فصل الخلايا العصبية

We can now segment neurons about as accurately as humans can,

نحن نستطيع الأن فصل الخلايا العصبية بنفس دقة البشر

but this system was developed with deep learning

ولكن هذا النظام تم تطويره بالتعلم العميق

using people with no previous background in medicine.

بإستخدام ناس ليس لديهم أي خلفية طبية سابقة

So myself, as somebody with no previous background in medicine,

وأنا عن نفسي كشخص ليس لديه أي خلفية طبية سابقة

I seem to be entirely well qualified to start a new medical company,

يبدو أنني مؤهل تماماً لبدء شركة طبية جديدة

which I did.

والتي بدئتها بالفعل

I was kind of terrified of doing it,

وكنت إلى حد ما قلق من القيام بذلك

but the theory seemed to suggest that it ought to be possible

ولكن النظرية رجحت أن الأمر سيكون ممكناً

to do very useful medicine using just these data analytic techniques.

لعمل أدوية مفيدة جداً بإستخدام فقط أساليب تحليل البيانات

And thankfully, the feedback has been fantastic,

وحمداً لله أن الأراء كانت رائعة

not just from the media but from the medical community,

ليس فقط من جانب الإعلام ولكن من المجتمع الطبي

who have been very supportive.

الذي كان داعماً جداً

The theory is that we can take the middle part of the medical process

النظرية كانت أننا نستطيع أن نأخذ الجزء الأوسط من العملية الطبية

and turn that into data analysis as much as possible,

ونحوله لتحليل بيانات بقدر المستطاع

leaving doctors to do what they're best at.

ونترك الأطباء ليفعلوا ماهم خبراء به

I want to give you an example.

وأريد أن أعطيكم مثال

It now takes us about 15 minutes to generate a new medical diagnostic test

نستغرق الأن حوالي 15 دقيقة لإستخراج إختبار تشخيص طبي جديد

and I'll show you that in real time now,

وسأريكم الأن هذا المثال في نفس وقت حديثنا

but I've compressed it down to three minutes by cutting some pieces out.

ولكني قلصتها لثلاث دقائق بإقتطاع بعض الأجزاء منها

Rather than showing you creating a medical diagnostic test,

وبدلاً من أن أعرض عليكم عمل إختبار تشخيص طبي

I'm going to show you a diagnostic test of car images,

سأريكم إختبار تشخيص لصور سيارات

because that's something we can all understand.

لأن هذا سنستطيع جميعنا فهمه

So here we're starting with about 1.5 million car images,

لذلك سنبدأ بحوالي 1.5 مليون صور سيارات

and I want to create something that can split them into the angle

أنا هنا أريد عمل شئ يستطيع تقسيم الصور للزاوية

of the photo that's being taken.

التي تم إلتقاطها بها

So these images are entirely unlabeled, so I have to start from scratch.

ولأن هذه الصور لم يتم تصنيفها تماماً لذا كا ن علي البدء من نقطة الصفر

With our deep learning algorithm,

بخوازمتنا للتعلم العميق

it can automatically identify areas of structure in these images.

إنها تستطيع تلقائياً التعرف على مناطق بنية هذه الصور

So the nice thing is that the human and the computer can now work together.

الشئ الظريف أن الإنسان والكمبيوتر يستطيعان الأن العمل سوياً

So the human, as you can see here,

كما تروا هنا الإنسان

is telling the computer about areas of interest

يخبر الكمبيوتر عن دوائر الإهتمام

which it wants the computer then to try and use to improve its algorithm.

التي تريد من الكمبيوتر أن يجربها ليطور بعد ذلك من خوارزمته

Now, these deep learning systems actually are in 16,000-dimensional space,

الأن هذه النظم للتعلم الألي هي بالفعل بفراغ ذو 16000 بعد

so you can see here the computer rotating this through that space,

لذلك نرى الكمبيوتر يدير الصور في هذا الفراغ

trying to find new areas of structure.

محاولاً إيجاد مناطق جديدة للتركيبه

And when it does so successfully,

وعندما ينجح في تنفيذ هذا

the human who is driving it can then point out the areas that are interesting.

يستطيع الإنسان الذي بدءها أن يشير إلى المناطق التي تهمه

So here, the computer has successfully found areas,

وهنا الكمبيوتر بالفعل وجد هذه المناطق بنجاح

for example, angles.

فمثلاً ، الزوايا

So as we go through this process,

فكلما تعمقنا في هذه العملية

we're gradually telling the computer more and more

فإننا نخبر الكمبيوتر تدريجياً أكثر وأكثر

about the kinds of structures we're looking for.

عن أنواع التركيبة التي نبحث عنها

You can imagine in a diagnostic test

ولك أن تتخيل في إختبارات التشخيص الطبي

this would be a pathologist identifying areas of pathosis, for example,

فمثلاً كتحديد أخصائي الأمراض بأماكن المرض

or a radiologist indicating potentially troublesome nodules.

أو كإشارة أخصائي الأشعة للنقاط المقلقة

And sometimes it can be difficult for the algorithm.

وأحياناً يكون هذا صعب على الخوارزمة

In this case, it got kind of confused.

حيث يحدث لها حالة من الإرتباك

The fronts and the backs of the cars are all mixed up.

مقدمات وخلفيات السيارات إختلطت جميعها

So here we have to be a bit more careful,

لذلك يجب أن نكون حريصين قليلاً

manually selecting these fronts as opposed to the backs,

فيتم إختيار المقدمة يدوياً كشئ عكس الخلفيات

then telling the computer that this is a type of group

ونخبر الكمبيوتر بعدها أن هذا تصنيف المجموعه

that we're interested in.

التي نريدها

So we do that for a while, we skip over a little bit,

نفعل هذا لفترة من الزمن لأننا نتخطاه قليلاً

and then we train the machine learning algorithm

وبعدها ندرب الكمبيوتر على خوارزمة التعلم الآلي

based on these couple of hundred things,

بناء على المائتين شئ هذه

and we hope that it's gotten a lot better.

ونأمل أن تصبح هذه الأمور أفضل بكثير

You can see, it's now started to fade some of these pictures out,

يمكنكم رؤية أنها بدءت الأن تغذية بعض هذه الصور

showing us that it already is recognizing how to understand some of these itself.

لتظهر لنا إنها بالفعل بدءت التعرف على كيفية فهم البعض بنفسها

We can then use this concept of similar images,

ويمكننا إستخدام نفس مبدأ الصور المشابهه

and using similar images, you can now see,

ونستخدم صور مشابهه كما ترون الأن

the computer at this point is able to entirely find just the fronts of cars.

الكمبيوتر عند هذه النقطة يستطيع أن يجد فقط مقدمات السيارات

So at this point, the human can tell the computer,

ومن هنا يستطيع البشر إخبار الكمبيوتر

okay, yes, you've done a good job of that.

أنك بالفعل قد قمت بعمل ممتاز

Sometimes, of course, even at this point

أحياناً بالطبع عند هذه النقطة

it's still difficult to separate out groups.

يظل صعباً فصل هذه المجموعات

In this case, even after we let the computer try to rotate this for a while,

حتى بعد أن نترك الكمبيوتر يحاول إدارتها لوقت

we still find that the left sides and the right sides pictures

نظل نجد أن صور الجانب الأيسر والأيمن

are all mixed up together.

تم خلطها جميعها معاً

So we can again give the computer some hints,

لذلك يجب أن نعطي لكمبيوتر بعض الملحوظات

and we say, okay, try and find a projection that separates out

ونقول له جيد حاول وأبحث عن وسيلة لفصل

the left sides and the right sides as much as possible

صور الجانب الأيسر عن الأيمن بقدر المستطاع

using this deep learning algorithm.

بإستخدام خوارزمة التعلم العميق

And giving it that hint -- ah, okay, it's been successful.

وبإعطائه هذه التعليمات. جيد لقد نجحت

It's managed to find a way of thinking about these objects

لقد دبرت أمرها لتجد وسيلة للتفكير في هذه الأشياء

that's separated out these together.

لفصلها جميعاً

So you get the idea here.

وهنا تكون الفكرة قد وصلت لكم

This is a case not where the human is being replaced by a computer,

وهذه الحالة ليست لإحلال الكمبيوتر مكان البشر

but where they're working together.

ولكن للعمل معاً

What we're doing here is we're replacing something that used to take a team

ما فعلناه هنا أننا إستبدلنا شئ إعتدنا أن ينفذه فريق

of five or six people about seven years

مكون من ستة أشخاص لسبعة سنين

and replacing it with something that takes 15 minutes

واحللنا محله عملاً يأخذ فقط 15 دقيقة

for one person acting alone.

بواسطة شخص واحد يقوم بهذا العمل

So this process takes about four or five iterations.

وهذه العملية تأخذ حوالي أربع لخمس تكرارات

You can see we now have 62 percent

كما تروا أننا الأن لدينا 62%

of our 1.5 million images classified correctly.

من 1.5 مليون صورة تم تصنيفهم بشكل صحيح

And at this point, we can start to quite quickly

ومن هنا نستطيع البدء سريعاً في

grab whole big sections,

ترتيب اقسام كبيرة كاملة

check through them to make sure that there's no mistakes.

نفحص من خلالها لنتأكد أن لا يوجد أخطاء

Where there are mistakes, we can let the computer know about them.

إذا كان هناك أخطاء فيجب إطلاع الكمبيوتر

And using this kind of process for each of the different groups,

ونستخدم هذه العملية لكل مجموهة مختلفة

we are now up to an 80 percent success rate

ونحن الأن وصلنا لنسبة 80% نجاح

in classifying the 1.5 million images.

في تصنيف الـ 1.5 مليون صورة

And at this point, it's just a case

وهذه مجرد حالة واحدة

of finding the small number that aren't classified correctly,

لإيجاد العدد الصغير الذي لم يتم تصنيفه صحيحاً

and trying to understand why.

ومحاولة فهم هذا الخطأ

And using that approach,

وبإستخدام هذا الإسلوب

by 15 minutes we get to 97 percent classification rates.

بعد حوالي 15 دقيقة وصلنا 97% من التصنيف

So this kind of technique could allow us to fix a major problem,

هذا الأسلوب سيمكنا من إصلاح مشاكل كبيرة

which is that there's a lack of medical expertise in the world.

التي تواجهه نقص بالخبراء الطبيين بالعالم

The World Economic Forum says that there's between a 10x and a 20x

منتدى العالم الإقتصادي يقول أن هناك بين x10 وx20

shortage of physicians in the developing world,

نقص في الأطباء في الدول النامية

and it would take about 300 years

مما تطلب حوالي 300 سنة

to train enough people to fix that problem.

لتدريب عدد كافي لإصلاح هذه المشكلة

So imagine if we can help enhance their efficiency

تخيل إذا أستطعنا المساعدة في تحسين كفائتهم

using these deep learning approaches?

بإستخدام أساليب التعلم العميق

So I'm very excited about the opportunities.

لذلك أن متشوق جداً لهذه الفرص

I'm also concerned about the problems.

كما إنني مهتم جداً بالمشاكل

The problem here is that every area in blue on this map

المشكلة أن كل منطقة زرقاء بهذه الخريطة

is somewhere where services are over 80 percent of employment.

هي مكان ما حيث الخدمات أكثر من 80% من التشغيل

What are services?

ما هي الخدمات؟

These are services.

هذه هي الخدمات

These are also the exact things that computers have just learned how to do.

وهناك أيضاً أشياء محددة التي تعلم الكمبيوتر مؤخرا كيف يفعلها

So 80 percent of the world's employment in the developed world

لذلك 80% من تشغيل العالم في الدول النامية

is stuff that computers have just learned how to do.

هي الأشياء التي مؤخراً تعلم الكمبيوتر كيفية عملها

What does that mean?

ما الذي يعنية هذا؟

Well, it'll be fine. They'll be replaced by other jobs.

حسناً ، سيتم إستبدالهم بوظائف أخرى

For example, there will be more jobs for data scientists.

مثلا سيكون هناك وظائف أكثر لعلماء البيانات

Well, not really.

ليس حقيقي

It doesn't take data scientists very long to build these things.

لن يحتاج علماء البيانات وقت طويل لبناء هذه الأشياء

For example, these four algorithms were all built by the same guy.

فمثلاً الأربع خوارزمات تلك بناهم نفس الشخص

So if you think, oh, it's all happened before,

إذا كنت تعتقد إنها حدثت جميعها مسبقاً

we've seen the results in the past of when new things come along

فنحن رأينا النتائج بالسابق عندما حدثت أشياء جديدة

and they get replaced by new jobs,

وتم إستبدالهم بوظائف جديدة

what are these new jobs going to be?

ماذا ستكون هذه الوظائف الجديدة؟

It's very hard for us to estimate this,

من صعب علينا جداً توقعها

because human performance grows at this gradual rate,

لأن إداء الإنسان ينمو بمعدل تدريجي

but we now have a system, deep learning,

ولكننا الأن لدينا نظام وهو التعلم العميق

that we know actually grows in capability exponentially.

وما نعرفه بالفعل ينمو بقدرات مضاعفة

And we're here.

ونحن هنا

So currently, we see the things around us

وحالياً نرى الأشياء حولنا

and we say, "Oh, computers are still pretty dumb." Right?

ونقول "كفى ، الكمبيوتر مازال غبياً" صحيح؟

But in five years' time, computers will be off this chart.

ولكن خلال 5 سنين ستكون أجهزة الكمبيوتر خارج هذه الخريطة

So we need to be starting to think about this capability right now.

لذلك نحتاج أن نفكر في قدراته من الأن

We have seen this once before, of course.

وقد رأينا مثل هذا من قبل بالطبع

In the Industrial Revolution,

بالثورة الصناعية

we saw a step change in capability thanks to engines.

لقد رأينا تغير كبير في القدرات بسبب للألات

The thing is, though, that after a while, things flattened out.

الشئ الهام أنه بعد فترة الأمور تتغير كلياً

There was social disruption,

كان هناك إرتباك مجتمعي

but once engines were used to generate power in all the situations,

ولكن بمجرد أن تم إستخدام الماكينات لتوليد الكهرباء بجميع المواقف

things really settled down.

الأمور بالفعل إستقرت

The Machine Learning Revolution

ثــورة التـعلـم الألــي

is going to be very different from the Industrial Revolution,

ستكون مختلفة تماماً عن الثورة الصناعية

because the Machine Learning Revolution, it never settles down.

لأن ثورة التعلم الألي لن تستقر أبداً

The better computers get at intellectual activities,

كلما طورت أجهزة الكمبيوتر مستويات ذكائها

the more they can build better computers to be better at intellectual capabilities,

كلما إستطاعوا بناء أجهزة كمبيوتر أفضل لتطوير مستويات ذكائهم

so this is going to be a kind of change

لذا سيكون نوع من التغيير

that the world has actually never experienced before,

الذي لم يختبره العالم من قبل

so your previous understanding of what's possible is different.

وسيتغير فهمك السابق عن ماهو ممكن

This is already impacting us.

إنها بالفعل تؤثر علينا

In the last 25 years, as capital productivity has increased,

في الـ 25 سنه الماضية حيث زادت إنتاجية رأس المال

labor productivity has been flat, in fact even a little bit down.

الإنتاجية العمالية أصبحت ثابتة بل في الواقع قد إنحدرت قليلاً

So I want us to start having this discussion now.

لذلك أريد منكم ان تبدؤا هذه المناقشة الأن

I know that when I often tell people about this situation,

أنا أعرف أنني عادة عندما أخبر الناس عن هذا الموقف

people can be quite dismissive.

يستطيع الناس أن يرفضوا بشدة

Well, computers can't really think,

حسناً ، الكمبيوتر لا يستطيع التفكير

they don't emote, they don't understand poetry,

لا يستطيعون أن يشعروا ولا أن يفهموا الشعر

we don't really understand how they work.

ونحن في الحقيقة لا نفهم كيف يعملون

So what?

وما الأهمية؟

Computers right now can do the things

أجهزة الكمبيوتر الأن تستطيع فعل أشياء

that humans spend most of their time being paid to do,

يتم الدفع للبشر ليقضوا معظم وقتهم في فعله

so now's the time to start thinking

لذلك حان الوقت الأن لنبدأ التفكير

about how we're going to adjust our social structures and economic structures

كيف سنعدل تركيبتنا المجتمعية والإقتصادية؟

to be aware of this new reality.

لنكون واعيين لهذه الحقيقة الجديدة

Thank you.

شكراً لكم

(Applause)

(تصفيق)