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

מתרגם: Shir Ben Asher Kestin מבקר: Zeeva Livshitz

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

פעם, אם רצית לגרום למחשב לעשות משהו חדש

you would have to program it.

היית צריך לתכנת אותו.

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

כעת, תכנות, למי מכם שלא עשו זאת בעצמם,

requires laying out in excruciating detail

דורש לפרוש בפירוט מייגע

כל צעד וצעד שאתה רוצה שהמחשב יעשה

every single step that you want the computer to do

in order to achieve your goal.

על מנת להשיג את המטרה שלך.

כעת, אם אתה רוצה לעשות משהו שאתה לא יודע איך לעשות בעצמך,

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

then this is going to be a great challenge.

אז זה הולך להיות אתגר רציני.

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

אז זה היה האתגר שעמד בפני האיש הזה, ארתור סמואל.

ב-1956, הוא רצה לגרום למחשב הזה

In 1956, he wanted to get this computer

להיות מסוגל להביס אותו בדמקה.

to be able to beat him at checkers.

How can you write a program,

איך אתה יכול לכתוב תוכנה,

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

לפרוש בפירוט מייגע, איך להיות יותר טוב ממך בדמקה?

So he came up with an idea:

אז הוא הגה רעיון:

הוא נתן למחשב לשחק נגד עצמו אלפי פעמים

he had the computer play against itself thousands of times

and learn how to play checkers.

וללמוד איך לשחק דמקה.

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

ואכן זה עבד, ולמעשה עד 1962,

this computer had beaten the Connecticut state champion.

המחשב הזה ניצח את האלוף של קונטיקט.

So Arthur Samuel was the father of machine learning,

אז ארתור סמואל היה אבי הלמידה החישובית.

and I have a great debt to him,

ואני חב לו חוב ענק.

בגלל שאני עוסק בלמידה חישובית.

because I am a machine learning practitioner.

הייתי הנשיא של קאגל,

I was the president of Kaggle,

a community of over 200,000 machine learning practictioners.

קהילה שמונה מעל 200,000 אנשים שעוסקים בלמידה חישובית.

Kaggle puts up competitions

קאגל מארגנת תחרויות

to try and get them to solve previously unsolved problems,

לנסות ולגרום להם לפתור בעיות שלא נפתרו עד כה,

and it's been successful hundreds of times.

וזו הייתה הצלחה מאות פעמים.

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

אז מתצפית מנקודת יתרון זו, הצלחתי לגלות

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

הרבה על מה שלמידה חישובית יכולה לעשות בעבר, לעשות היום,

and what it could do in the future.

ומה היא יכולה לעשות בעתיד.

אולי ההצלחה הגדולה הראשונה של למידה חישובית באופן מסחרי הייתה גוגל.

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

Google showed that it is possible to find information

גוגל הראתה שזה אפשרי למצוא מידע

by using a computer algorithm,

על ידי שימוש באלגוריתם ממוחשב,

and this algorithm is based on machine learning.

והאלגוריתם הזה מבוסס על למידה חישובית.

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

מאז, היו הרבה הצלחות מסחריות של למידה ממוחשבת.

Companies like Amazon and Netflix

חברות כמו אמזון ונטפליקס

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

משתמשות בלמידה חישובית כדי להציע מוצרים שאולי תרצה לקנות,

movies that you might like to watch.

סרטים שאולי תרצה לראות.

Sometimes, it's almost creepy.

לפעמים, זה כמעט מפחיד.

Companies like LinkedIn and Facebook

חברות כמו לינקדאין ופייסבוק

sometimes will tell you about who your friends might be

לפעמים אומרות לך מי עשויים להיות החברים שלך

and you have no idea how it did it,

ואין לך מושג איך הן עשו את זה,

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

וזה בגלל שהן משתמשות בכוחה של הלמידה החישובית.

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

אלו הם אלגוריתמים שלמדו איך לעשות זאת מנתונים

rather than being programmed by hand.

במקום להיות מתוכנתות לעשות זאת באופן ידני.

This is also how IBM was successful

כך גם IBM הצליחה

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

לגרום לווטסון להביס את שני אלופי העולם ב"ג'פרדי",

answering incredibly subtle and complex questions like this one.

ולענות על שאלות עדינות ומורכבות להפליא כמו זאת:

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

["ה'אריה של נמרוד' העתיק נעלם מהמוזיאון הלאומי של העיר הזאת ב-2003 (יחד עם עוד הרבה דברים)"]

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

זו גם הסיבה בגללה אנו עכשיו רואים את המכוניות הראשונות שנוהגות לבד.

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

אם אתם רוצים להיות מסוגלים להבחין בין, למשל,

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

עץ והולך רגל, ובכן, זה די חשוב.

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

אנחנו לא יודעים איך לכתוב את התוכנות הללו באופן ידני,

but with machine learning, this is now possible.

אך עם למידה חישובית, זה אפשרי כעת.

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

ולמעשה, המכונית הזו נסעה מעל מיליון מיילים

without any accidents on regular roads.

ללא אף תאונה בכבישים רגילים.

So we now know that computers can learn,

אז אנחנו יודעים שמחשבים יכולים ללמוד,

and computers can learn to do things

ומחשבים יכולים ללמוד לעשות דברים

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

שאנחנו למעשה לפעמים לא יודעים לעשות בעצמנו,

or maybe can do them better than us.

או אולי יכולים לעשות אותם יותר טוב מאיתנו.

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

אחת מהדוגמאות המדהימות ביותר שראיתי ללמידה חישובית

happened on a project that I ran at Kaggle

קרתה בפרוייקט שהובלתי בקאגל

where a team run by a guy called Geoffrey Hinton

שבו צוות שהובל על ידי בחור בשם ג'פרי הינטון

from the University of Toronto

מאוניברסיטת טורונטו

won a competition for automatic drug discovery.

זכה בתחרות על פיתוח תרופות אוטומטי.

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

כעת, מה שמדהים פה זה לא רק שהם ניצחו

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

את כל האלגוריתמים שפותחו על ידי מרק או קהילת האקדמיה העולמית,

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

אלא שלאף אחד בצוות לא היה רקע בכימיה, ביולוגיה או מדעי החיים,

and they did it in two weeks.

והם עשו זאת בשבועיים.

How did they do this?

איך הם עשו זאת?

They used an extraordinary algorithm called deep learning.

הם השתמשו באלגוריתם יוצא דופן שנקרא למידה עמוקה.

So important was this that in fact the success was covered

זה היה כל כך חשוב שההצלחה סוקרה

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

בניו יורק טיימס במאמר בעמוד הראשי כמה שבועות לאחר מכן.

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

זה ג'פרי הינטון כאן משמאל.

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

למידה עמוקה הוא אלגוריתם ששואב השראה מהמוח האנושי,

and as a result it's an algorithm

וכתוצאה מכך הוא אלגוריתם

which has no theoretical limitations on what it can do.

שאין לו מגבלות תיאורטיות על מה שהוא מסוגל לעשות.

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

ככל שנותנים לו יותר נתונים וזמן חישוב,

the better it gets.

כך הוא משתפר.

The New York Times also showed in this article

הניו יורק טיימס גם הראה במאמר הזה

another extraordinary result of deep learning

תוצאה מדהימה נוספת של למידה חישובית

which I'm going to show you now.

שאני הולך להראות לכם כעת.

It shows that computers can listen and understand.

הם מראים שמחשבים יכולים להקשיב ולהבין.

(Video) Richard Rashid: Now, the last step

(וידאו) ריצ'רד ראשיד: עכשיו, הצעד האחרון

that I want to be able to take in this process

שאני רוצה להיות מסוגל לבצע בתהליך הזה

is to actually speak to you in Chinese.

הוא למעשה לדבר אליכם בסינית.

Now the key thing there is,

עכשיו המפתח פה,

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

הוא שהצלחנו לקחת כמות גדולה של מידע מהרבה דוברי סינית

and produce a text-to-speech system

ולייצר מערכת של טקסט-לדיבור

that takes Chinese text and converts it into Chinese language,

שלוקחת טקסט בסינית והופכת אותו לשפה סינית,

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

ואז לקחנו כשעה של הקול שלי

and we've used that to modulate

והשתמשנו בזה כדי להתאים

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

את המערכת הסטנדרטית של טקסט-לדיבור כך שהיא תישמע כמוני.

Again, the result's not perfect.

שוב, התוצאה לא מושלמת.

There are in fact quite a few errors.

יש למעשה די הרבה שגיאות.

(In Chinese)

(בסינית)

(Applause)

(מחיאות כפיים)

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

יש הרבה עבודה לעשות בתחום הזה.

(In Chinese)

(סינית)

(Applause)

(מחיאות כפיים)

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

(ג'רמי הווארד:) ובכן, זה היה בכנס למידה חישובית בסין.

It's not often, actually, at academic conferences

זה די נדיר, למעשה, בכנסים אקדמאים

that you do hear spontaneous applause,

לשמוע מחיאות כפיים ספונטניות,

although of course sometimes at TEDx conferences, feel free.

למרות שכמובן לפעמים בכנסים של TEDx, הרגישו חופשי.

Everything you saw there was happening with deep learning.

כל מה שראיתם שם קרה עם למידה עמוקה.

(Applause) Thank you.

(מחיאות כפיים) תודה.

The transcription in English was deep learning.

התמלול לאנגלית היה למידה עמוקה.

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

התרגום לסינית והטקסט מימין למעלה- למידה עמוקה.

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

והבניה של הקול היתה למידה עמוקה גם כן.

So deep learning is this extraordinary thing.

אז למידה עמוקה היא דבר מדהים.

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

זה אלגוריתם יחיד שיכול לעשות כמעט הכל.

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

וגיליתי ששנה קודם לכן, הוא גם למד לראות.

In this obscure competition from Germany

בתחרות לא מוכרת בגרמניה

called the German Traffic Sign Recognition Benchmark,

בשם הבוחן הגרמני לביצועי זיהוי שלטי תנועה

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

למידה עמוקה למדה לזהות שלטי תנועה כמו זה

Not only could it recognize the traffic signs

היא לא רק זיהתה את השלטים

better than any other algorithm,

יותר טוב מכל אלגוריתם אחר,

the leaderboard actually showed it was better than people,

לוח התוצאות ממש הראה שהיא יותר טובה מאנשים,

about twice as good as people.

בערך פי 2 יותר טוב מאנשים.

So by 2011, we had the first example

אז עד 2011, היתה לנו את הדוגמה הראשונה

of computers that can see better than people.

למחשבים שיכולים לראות יותר טוב מאנשים.

Since that time, a lot has happened.

מאז, הרבה התרחש.

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

ב-2012, גוגל הכריזה שהיא נתנה לאלגוריתם למידה עמוקה

watch YouTube videos

לצפות בסרטוני יוטיוב

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

והם עבדו על הנתונים על 16,000 מחשבים למשך חודש,

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

והמחשב למד באופן עצמאי על מושגים כמו אנשים וחתולים

just by watching the videos.

רק מצפייה בסרטונים.

This is much like the way that humans learn.

זה מאוד דומה לדרך בה אנשים לומדים.

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

בני אדם לא לומדים על ידי כך שאומרים להם מה הם רואים,

but by learning for themselves what these things are.

אלא על ידי למידה עצמאית של מהם אותם דברים.

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

גם ב-2012, ג'פרי הינטון, שראינו קודם,

won the very popular ImageNet competition,

ניצח בתחרות אימג'נט המאוד פופולרית,

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

שביקשה לנסות לגלות על 1.5 מיליון תמונות

what they're pictures of.

תמונות של מה הן.

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

נכון ל-2014, ירדנו לשיעור שגיאות של 6%

in image recognition.

בזיהוי תמונה.

This is better than people, again.

זה יותר טוב מאנשים, שוב.

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

אז מכונות באמת עושות עבודה מצויינת בכך,

and it is now being used in industry.

וזה עכשיו נכנס לשימוש בתעשייה.

For example, Google announced last year

למשל, גוגל הכריזה בשנה שעברה

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

שהם מיפו כל מיקום ומיקום בצרפת תוך שעתיים,

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

והדרך בה הם עשו זאת היתה הזנת תמונות רחוב

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

לאלגוריתם למידה עמוקה שיזהה ויקרא מספרי רחובות.

Imagine how long it would have taken before:

דמיינו כמה זמן זה היה לוקח בעבר:

dozens of people, many years.

עשרות אנשים, שנים רבות.

This is also happening in China.

זה גם קורה בסין.

Baidu is kind of the Chinese Google, I guess,

באידו הוא סוג של הגוגל הסיני, אני מניח.

and what you see here in the top left

ומה שרואים כאן בשמאל למעלה

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

הוא דוגמה לתמונה שאני העליתי למערכת הלמידה העמוקה של באידו,

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

ומתחת אפשר לראות שהמערכת הבינה מה התמונה

and found similar images.

ומצאה תמונות דומות.

The similar images actually have similar backgrounds,

לתמונות הדומות למעשה יש רקעים דומים,

similar directions of the faces,

כיווני פרצופים דומים,

even some with their tongue out.

אפילו כמה עם הלשון בחוץ.

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

זה לא להסתכל על טקסט של דף אינטרנט.

All I uploaded was an image.

כל מה שאני העליתי היה תמונה.

So we now have computers which really understand what they see

אז כעת יש לנו מחשבים שבאמת מבינים מה הם רואים

and can therefore search databases

ולכן יכולים לחפש במאגרי מידע

of hundreds of millions of images in real time.

של מאות מיליוני תמונות בזמן אמת.

So what does it mean now that computers can see?

אז מה זה אומר עכשיו שמחשבים יכולים לראות?

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

ובכן, זה לא רק שמחשבים יכולים לראות.

In fact, deep learning has done more than that.

למעשה, למידה עמוקה עשתה יותר מכך.

Complex, nuanced sentences like this one

משפטים מורכבים עם ניואנסים, כמו זה

are now understandable with deep learning algorithms.

הם כעת מובנים בעזרת אלגוריתמים של למידה עמוקה.

As you can see here,

כמו שאתם רואים פה,

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

המערכת הזו שמבוססת בסטנפורד שמראה את הנקודה האדומה למעלה

has figured out that this sentence is expressing negative sentiment.

הבינה שהמשפט הזה מבטא רגש שלילי.

Deep learning now in fact is near human performance

למידה עמוקה היא כעת למעשה כמעט ברמה של בן אדם

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

בלהבין על מה משפטים מדברים ומה הם אומרים על אותם דברים.

Also, deep learning has been used to read Chinese,

בנוסף, עשו שימוש בלמידה עמוקה לקריאת סינית,

again at about native Chinese speaker level.

שוב, בערך ברמה של דובר סינית מלידה.

This algorithm developed out of Switzerland

האלגוריתם הזה שפותח בשוויץ

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

על ידי אנשים שאף אחד מהם לא דובר או מבין סינית.

As I say, using deep learning

כמו שאמרתי, שימוש בלמידה עמוקה

is about the best system in the world for this,

היא בערך המערכת הכי טובה בעולם לשם כך,

even compared to native human understanding.

אפילו בהשוואה להבנה אנושית.

This is a system that we put together at my company

זוהי מערכת אותה אנו בונים בחברה שלי

which shows putting all this stuff together.

שמראה איך מחברים את כל הדברים האלה.

These are pictures which have no text attached,

אלו תמונות להן לא מצורף טקסט,

and as I'm typing in here sentences,

וכשאני מקליד את המשפטים האלה כאן,

in real time it's understanding these pictures

בזמן אמת זה מבין את התמונות האלו

and figuring out what they're about

ומבין על מה הן

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

ומבין שהתמונות דומות לטקסט שאני כותב.

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

אז אתם רואים, זה למעשה מבין את המשפטים שלי

and actually understanding these pictures.

וממש מבין את התמונות הללו.

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

אני יודע שראיתם משהו דומה בגוגל,

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

שבו אפשר להקליד דברים וזה מראה לך תמונות,

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

אבל למעשה מה שזה עושה זה לחפש בדף האינטרנט אחר טקסט.

This is very different from actually understanding the images.

זה מאוד שונה מאשר ממש להבין את התמונות.

This is something that computers have only been able to do

זה משהו שמחשבים היו מסוגלים לעשות

for the first time in the last few months.

בפעם הראשונה רק בחודשים האחרונים.

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

אז אנו רואים עכשיו שמחשבים יכולים לא רק לראות אלא גם לקרוא,

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

וכמובן, הראינו שהם יכולים להבין את מה שהם שומעים.

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

אולי זה לא מפתיע כעת שאני עומד לספר לכם שהם יכולים לכתוב.

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

הנה טקסט שייצרתי על ידי אלגוריתם למידה עמוקה אתמול.

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

והנה טקסט שאלגוריתם מסטנפורד ייצר.

Each of these sentences was generated

כל אחד מהמשפטים הללו נוצר

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

על יגי אלגוריתם למידה עמוקה על מנת לתאר כל אחת מהתמונות האלו.

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

האלגוריתם הזה לא ראה לפני כן מעולם איש בחולצה שחורה שמנגן בגיטרה.

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

הוא ראה אדם בעבר, הוא ראה שחור בעבר,

it's seen a guitar before,

הוא ראה גיטרה בעבר,

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

אך הוא ייצר באופן עצמאי את התיאור החדש של התמונה.

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

אנחנו עדיין לא בדיוק ברמה אנושית כאן, אך אנחנו קרובים.

In tests, humans prefer the computer-generated caption

במבחנים, בני אדם מעדיפים את הכותרת המיוצרת על ידי מחשב

one out of four times.

אחת לכל ארבע פעמים.

Now this system is now only two weeks old,

עכשיו המערכת הזו היא רק בת שבועיים,

so probably within the next year,

אז סביר שמתישהו בשנה הבאה,

the computer algorithm will be well past human performance

האלגוריתם הממוחשב יעבור בהרבה את היכולות האנושיות

at the rate things are going.

בקצב שבו דברים מתקדמים.

So computers can also write.

אז מחשבים גם יכולים לכתוב.

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

אם לוקחים את כל זה יחד זה מוביל לאפשרויות מרגשות.

For example, in medicine,

למשל, ברפואה,

a team in Boston announced that they had discovered

צוות בבוסטון הכריז שהם גילו

dozens of new clinically relevant features

עשרות מאפיינים רלוונטיים קלינית

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

של גידולים, שיכולים לעזור לרופאים לקבל פרוגנוזה של הסרטן.

Very similarly, in Stanford,

באופן דומה, בסטנפורד,

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

קבוצה הכריזה כי, לאחר שהסתכלו על רקמות בהגדלה,

they've developed a machine learning-based system

הם פיתחו מערכת מבוססת למידה חישובית

which in fact is better than human pathologists

שהיא למעשה טובה יותר מפתולוגים אנושיים

at predicting survival rates for cancer sufferers.

בחיזוי סיכויי הישרדות עבור הסובלים מסרטן.

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

בשני המקרים האלה, לא רק שהתחזיות היו יותר מדוייקות,

but they generated new insightful science.

אלא שהן גם הפיקו מדע חדש בעל תובנות.

In the radiology case,

במקרה של הרדיולוגיה,

they were new clinical indicators that humans can understand.

היו אינדיקטורים קליניים חדשים שבני אדם יכולים להבין.

In this pathology case,

במקרה הזה של הפתולוגיה,

the computer system actually discovered that the cells around the cancer

המערכת הממוחשבת גילתה למעשה שהתאים שסביב הסרטן

are as important as the cancer cells themselves

הם חשובים כמו תאי הסרטן עצמם

in making a diagnosis.

לאבחנה.

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

זה ההיפך ממה שפתולוגים למדו במשך עשורים.

In each of those two cases, they were systems developed

בכל אחד משני המקרים הללו, אלו היו מערכות שפותחו

by a combination of medical experts and machine learning experts,

על ידי שילוב של מומחים רפואיים ומומחי למידה חישובית,

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

אך החל מהשנה שעברה, אנחנו מעבר גם לכך.

This is an example of identifying cancerous areas

הנה דוגמה לזיהוי איזורים סרטניים

of human tissue under a microscope.

ברקמה אנושית תחת מיקרוסקופ.

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

המערכת שאתם רואים כאן יכולה לזהות את אותם איזורים באופו יותר מדוייק,

or about as accurately, as human pathologists,

או בערך מדוייק באותה מידה, כמו פתולוג אנושי,

but was built entirely with deep learning using no medical expertise

אך נבנתה אך ורק על ידי למידה עמוקה, ללא מומחיות רפואית

by people who have no background in the field.

על ידי אנשים שאין להם רקע בתחום כלל.

Similarly, here, this neuron segmentation.

באופן דומה, כאן, הסגמנטציה של הנוירון.

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

אנו יכולים כעת לחלק נוירונים לסגמנטים כמעט באופן מדוייק כמו בני אדם,

but this system was developed with deep learning

אך המערכת הזו פותחה על ידי למידה עמוקה

using people with no previous background in medicine.

ואנשים ללא רקע ברפואה.

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

אז אני, כמישהו ללא רקע ברפואה,

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

נראה שאני מספיק מצוייד להקים חברה רפואית חדשה.

which I did.

וזה מה שעשיתי.

I was kind of terrified of doing it,

הייתי די מבועת מכך,

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

אבל התיאוריה הציעה שזה צריך להיות אפשרי

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

לעשות רפואה שימושית בשימוש בטכניקות אנליזת מידע בלבד.

And thankfully, the feedback has been fantastic,

ולמרבה המזל, המשוב היה פנטסנטי,

not just from the media but from the medical community,

לא רק מהתקשורת אלא גם מהקהילה הרפואית,

who have been very supportive.

שהיו מאוד תומכים.

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

התאוריה היא שאנחנו יכולים לקחת את חלק הביניים של התהליך הרפואי

and turn that into data analysis as much as possible,

ולהפוך אותו לאנליזת מידע ככל הניתן,

leaving doctors to do what they're best at.

ולאפשר לרופאים לעשות את מה שהם הכי טובים בו.

I want to give you an example.

אני רוצה לתת לכם דוגמה.

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

כיום זה לוקח 15 דקות לייצר מבחן דיאגנוסטי חדש

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

ואני אראה לכם זאת בזמן אמת עכשיו,

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

אבל דחסתי את זה ל-3 דקות על ידי הוצאת כמה חלקים.

Rather than showing you creating a medical diagnostic test,

במקום להראות לכם יצירת מבחן דיאגנוסטי רפואי חדש,

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

אני הולך להראות לכם מבחן דיאגנוסטי של תמונות של מכוניות,

because that's something we can all understand.

בגלל שזה משהו שכולנו יכולים להבין.

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

אז הנה אנחנו מתחילים עם בערך 1.5 מיליון תמונות של מכוניות,

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

ואני רוצה ליצור משהו שיכול לפצל אותם לזוית

of the photo that's being taken.

שבה התמונה צולמה.

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

אז התמונות האלה הן לגמרי לא מתוייגות, אז אני צריך להתחיל מאפס.

With our deep learning algorithm,

בעזרת אלגוריתם הלמידה העמוקה שלנו,

it can automatically identify areas of structure in these images.

הוא יכול לזהות אוטומטית איזורים של מבנה בתמונות אלו.

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

אז הדבר הנחמד הוא שהאדם והמחשב יכולים לעבוד עתה יחד.

So the human, as you can see here,

אז האדם, כמו שאתם רואים כאן,

is telling the computer about areas of interest

אומר למחשב על איזורי עניין

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

שהוא רוצה שהמחשב ינסה להשתמש בהם לשיפור האלגוריתם.

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

כעת, מערכות הלמידה העמוקה הללו הן למעשה בחלל בעל 16,000 מימדים,

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

אז אתם רואים כאן שהמחשב מסובב זאת דרך המרחב הזה,

trying to find new areas of structure.

ומנסה למצוא איזורים חדשים של מבנה.

And when it does so successfully,

וכשהוא מצליח,

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

האדם שנוהג בו יכול לציין את האיזורים שמעניינים.

So here, the computer has successfully found areas,

אז הנה, המחשב מצא בהצלחה איזורים,

for example, angles.

לדוגמה, זוויות.

So as we go through this process,

אז כשאנחנו מתקדמים בתהליך הזה,

we're gradually telling the computer more and more

אנחנו בהדרגה אומרים למחשב עוד ועוד

about the kinds of structures we're looking for.

אודות סוגי המבנים שאנחנו מחפשים.

You can imagine in a diagnostic test

אתם יכולים לדמיין זאת במבחן דיאגנוסטי

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

זה יהיה פתולוג שמזהה איזורי מחלה, לדוגמה,

or a radiologist indicating potentially troublesome nodules.

או רדיולוג שמצביע על קשריות שיכולות להיות בעייתיות.

And sometimes it can be difficult for the algorithm.

ולפעמים זה יכול להיות קשה לאלגוריתם.

In this case, it got kind of confused.

במקרה הזה, הוא די התבלבל.

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

החלקים הקדמיים והאחוריים של המכוניות מעורבבים.

So here we have to be a bit more careful,

אז כאן עלינו להיות טיפה יותר זהירים,

manually selecting these fronts as opposed to the backs,

ולבחור באופן ידני את החלקים הקדמיים בניגוד לאלו האחוריים,

then telling the computer that this is a type of group

ואז להגיד למחשב שזו סוג של קבוצה

that we're interested in.

שאנחנו מעונינים בה.

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

אז אנחנו עושים זאת למשך זמן מה, מדלגים על קצת,

and then we train the machine learning algorithm

ואז אנחנו מאמנים את אלגוריתם הלמידה החישובית

based on these couple of hundred things,

בהתבסס על אותם 200 דברים,

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

ומקווים שהוא השתפר בהרבה.

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

אתם רואים, הוא התחיל להדהות כמה מהתמונות האלו,

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

ומראה לנו שהוא כבר מזהה איך להבין כמה מאלה בעצמו.

We can then use this concept of similar images,

אז אנחנו יכולים להשתמש בקונספט הזה של תמונות דומות,

and using similar images, you can now see,

ועל ידי שימוש בתמונות דומות, אתם יכולים עכשיו לראות,

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

שהמחשב בנקודה זו מסוגל למצוא רק את החזית של מכוניות.

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

אז בנקודה זו, האדם יכול לומר למחשב,

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

אוקיי, כן, עשית עבודה טובה.

Sometimes, of course, even at this point

לפעמים, כמובן, אפילו בנקודה זו

it's still difficult to separate out groups.

זה עדיין קשה להפריד בין קבוצות.

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

במקרה הזה, אפילו אחרי שאנחנו נותנים למחשב לנסות לסובב זאת למשך זמן מה,

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

אנחנו עדיין מוצאים שהתמונות של הצדדים השמאלייים והימניים

are all mixed up together.

מעורבבות זו בזו.

So we can again give the computer some hints,

אז אנחנו שוב יכולים לתת למחשב כמה רמזים,

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

ולהגיד, אוקיי, נסה למצוא תכנית שמפרידה

the left sides and the right sides as much as possible

את צד ימין מצד שמאל עד כמה שניתן

using this deep learning algorithm.

על ידי שימוש באלגוריתם הלמידה העמוקה הזה.

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

ואחרי שנתנו לו את הרמז הזה-- אה, אוקיי, הוא הצליח.

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

הוא הצליח למצוא דרך לחשוב על האובייקטים האלה

that's separated out these together.

שהפרידו את זה יחד.

So you get the idea here.

אז אתם מבינים את הרעיון פה.

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

זה לא מקרה שבו האדם מוחלף על ידי המחשב,

but where they're working together.

אלא שהם עובדים יחד.

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

מה שאנחנו עושים כאן הוא להחליף משהו שהיה לוקח לצוות

of five or six people about seven years

של חמישה או שישה אנשים בערך שבע שנים

and replacing it with something that takes 15 minutes

ומחליפים אותו במשהו שלוקח 15 דקות

for one person acting alone.

לאדם אחד שפועל לבד.

So this process takes about four or five iterations.

אז התהליך הזה לוקח בערך ארבע או חמש חזרות.

You can see we now have 62 percent

אתם רואים עכשיו שיש לנו 62 אחוז

of our 1.5 million images classified correctly.

מ-1.5 מיליון התמונות שלנו מסווגות נכונה.

And at this point, we can start to quite quickly

בנקודה זו, אנחנו יכולים להתחיל די במהירות

grab whole big sections,

לקחת חלקם גדולים במלואם,

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

לעבור עליהם ולוודא שאין טעויות.

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

היכן שישנן טעויות, אנו יכולים ליידע את המחשב עליהן.

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

ועל ידי שימוש בסוג זה של תהליך עבור כל אחת מהקבוצות השונות,

we are now up to an 80 percent success rate

אנחנו עכשיו מגיעים ל-80 אחוזי הצלחה

in classifying the 1.5 million images.

בסיווג מיליון וחצי התמונות.

And at this point, it's just a case

ובנקודה זו, זהו רק מקרה

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

של מציאת המספר הקטן שלא מסווג כראוי,

and trying to understand why.

ולנסות להבין למה.

And using that approach,

על ידי שימוש בגישה זו,

by 15 minutes we get to 97 percent classification rates.

תוך 15 דקות אנו מגיעים ל-97 אחוזי סיווג.

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

אז סוג כזה של טכניקה יכול לאפשר לנו לתקן בעיה גדולה,

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

שהיא שיש חוסר במומחיות רפואית בעולם.

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

פורום הכלכלה העולמי אומר שיש בין 10X ו-20X

shortage of physicians in the developing world,

של מחסור ברופאים בעולם המתפתח,

and it would take about 300 years

ושזה ייקח בערך 300 שנה

to train enough people to fix that problem.

לאמן מספיק אנשים לתקן את הבעיה הזו.

So imagine if we can help enhance their efficiency

אז דמיינו אם היינו יכולים לעזור להגביר את היעילות שלהם

using these deep learning approaches?

על ידי שימוש בגישת הלמידה העמוקה הזו?

So I'm very excited about the opportunities.

אז אני מאוד מתרגש מהאפשרויות.

I'm also concerned about the problems.

אני גם מאוד מודאג מהבעיות.

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

הבעיה כאן היא שכל איזור בכחול על המפה

is somewhere where services are over 80 percent of employment.

הוא מקום שבו שירותים הם מעל ל-80 אחוז מהתעסוקה.

What are services?

מה זה שירותים?

These are services.

אלו שירותים.

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

אלו הם גם בדיוק הדברים שמחשבים בדיוק למדו איך לעשות.

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

אז 80 אחוז מהתעסוקה העולמית בעולם המפותח

is stuff that computers have just learned how to do.

הם דברים שמחשבים בדיוק למדו איך לעשות.

What does that mean?

מה זה אומר?

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

ובכן, זה יהיה בסדר. הן יוחלפו בעבודות אחרות.

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

למשל, יהיו יותר עבודות עבור מדעני נתונים.

Well, not really.

ובכן, לא באמת.

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

לא לוקח למדענים זמן רב לבנות את הדברים הללו.

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

למשל, ארבעת האלגוריתמים האלה נבנו כולם על ידי אותו אדם.

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

אז אם אתם חושבים, הו, כל זה כבר קרה בעבר,

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

ראינו את התוצאות בעבר כאשר דברים חדשים הגיעו

and they get replaced by new jobs,

והם מוחלפים בעבודות חדשות,

what are these new jobs going to be?

אבל מה העבודות החדשות הללו הולכות להיות?

It's very hard for us to estimate this,

זה מאוד קשה בשבילנו להעריך זאת,

because human performance grows at this gradual rate,

בגלל שהביצועים האנושיים גדלים בקצב ההדרגתי הזה,

but we now have a system, deep learning,

אבל יש לנו עכשיו מערכת, למידה עמוקה,

that we know actually grows in capability exponentially.

שאנחנו יודעים שממש גדלה ביכולות שלה באופן אקספוננציאלי.

And we're here.

ואנחנו כאן.

So currently, we see the things around us

אז כרגע, אנחנו רואים את הדברים שסביבנו

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

ואומרים, "הו, מחשבים הם עדיין די טיפשים." נכון?

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

אבל תוך חמש שנים, מחשבים יהיו מחוץ לטבלה הזו.

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

אז אנחנו צריכים להתחיל לחשוב על היכולת הזו כבר עכשיו.

We have seen this once before, of course.

ראינו את זה קורה בעבר, כמובן.

In the Industrial Revolution,

במהפכה התעשייתית,

we saw a step change in capability thanks to engines.

ראינו שינוי משמעותי ביכולות הודות למנועים.

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

העניין הוא שאחרי זמן מה, העניינים השתטחו.

There was social disruption,

הייתה הפרעה חברתית,

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

אבל ברגע שהשתמשו במנועים על מנת לייצר חשמל בכל המצבים,

things really settled down.

דברים התחילו להירגע.

The Machine Learning Revolution

מהפיכת הלמידה החישובית

is going to be very different from the Industrial Revolution,

הולכת להיות שונה מאוד מהמהפיכה התעשייתית,

because the Machine Learning Revolution, it never settles down.

כיוון שמהפיכת הלמידה החישובית, היא לעולם לא נרגעת.

The better computers get at intellectual activities,

ככל שמחשבים יהיו יותר טובים בפעילוית אינטלקטואליות,

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

כך הם יכולים לבנות מחשבים טובים יותר שיהיו טובים יותר ביכולות אינטלקטואליות,

so this is going to be a kind of change

אז זה הולך להיות סוג של שינוי

that the world has actually never experienced before,

שהעולם למעשה לא חווה מעולם,

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

אז ההבנה הקודמת שלכם של מה אפשרי, היא שונה.

This is already impacting us.

זה כבר מכה בנו.

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

ב-25 השנים האחרונות, כשפריון ההון הולך וגדל,

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

פריון העבודה נשאר שטוח, למעשה אפילו מעט ירד.

So I want us to start having this discussion now.

אז אני רוצה שאנחנו נתחיל לנהל את הדיון הזה כעת.

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

אני יודע שהרבה פעמים כשאני מספר לאנשים על המצב הזה,

people can be quite dismissive.

אנשים יכולים לבטל אותי.

Well, computers can't really think,

ובכן, מחשבים לא יכולים ממש לחשוב,

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

הם לא מביעים רגשות, הם לא מבינים שירה,

we don't really understand how they work.

אנחנו לא ממש מבינים איך הם עובדים.

So what?

אז מה?

Computers right now can do the things

מחשבים כרגע יכולים לעשות את הדברים

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

שבני אדם מקבלים תשלום לעשות במשך רוב חייהם,

so now's the time to start thinking

אז עכשיו הזמן להתחיל לחשוב

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

על איך אנחנו הולכים להתאים את המבנים החברתיים והכלכליים שלנו

to be aware of this new reality.

כך שיהיו מודעים למציאות החדשה הזו.

Thank you.

תודה.

(Applause)

(מחיאות כפיים)