ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives.

Why you should listen

Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."

Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.

More profile about the speaker
Jeremy Howard | Speaker | TED.com
TEDxBrussels

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

Τζέρεμι Χάουαρντ: Οι θαυμαστές και τρομακτικές επιπτώσεις των υπολογιστών που μαθαίνουν

Filmed:
2,532,971 views

Τι συμβαίνει όταν διδάσκουμε σε έναν υπολογιστή πώς να μαθαίνει; Ο τεχνολόγος Τζέρεμι Χάουαρντ μοιράζεται μαζί μας μερικά εκπληκτικά νέα επιτεύγματα στον ταχύτατα αναπτυσσόμενο χώρο της βαθιάς μάθησης, μια τεχνική που δίνει στους υπολογιστές τη δυνατότητα να μαθαίνουν Κινέζικα, ή να αναγνωρίζουν αντικείμενα μέσα σε φωτογραφίες, ή να βοηθούν στη διαμόρφωση μιας ιατρικής διάγνωσης. (Ένα εργαλείο βαθιάς μάθησης, αφού παρακολούθησε για ώρες βίντεο στο YouTube, δίδαξε στον εαυτό του την έννοια «γάτα»). Βρεθείτε σ' έναν χώρο που θ' αλλάξει τον τρόπο συμπεριφοράς των υπολογιστών... νωρίτερα απ' όσο πιθανόν νομίζετε.
- Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio

Double-click the English transcript below to play the video.

00:12
It used to be that if you wanted
to get a computerυπολογιστή to do something newνέος,
0
880
4013
Ήταν σύνηθες, αν θέλατε
ένας υπολογιστής να κάνει κάτι νέο,
00:16
you would have to programπρόγραμμα it.
1
4893
1554
έπρεπε να τον προγραμματίσετε.
00:18
Now, programmingπρογραμματισμός, for those of you here
that haven'tδεν έχουν doneΈγινε it yourselfσύ ο ίδιος,
2
6447
3411
Ο προγραμματισμός βέβαια,
για όσους δεν έχετε ασχοληθεί,
00:21
requiresαπαιτεί layingγια τον καθορισμό out in excruciatingβασανιστικό detailλεπτομέρεια
3
9858
3502
απαιτεί να καταχωρήσεις
με εξωφρενική λεπτομέρεια
00:25
everyκάθε singleμονόκλινο stepβήμα that you want
the computerυπολογιστή to do
4
13360
3367
κάθε ξεχωριστό βήμα
που θέλετε να κάνει ο υπολογιστής
00:28
in orderΣειρά to achieveφέρνω σε πέρας your goalστόχος.
5
16727
2362
για να πετύχετε το σκοπό σας.
00:31
Now, if you want to do something
that you don't know how to do yourselfσύ ο ίδιος,
6
19089
3496
Και αν θέλετε να κάνετε κάτι
που δεν ξέρετε να το κάνετε ο ίδιος,
00:34
then this is going
to be a great challengeπρόκληση.
7
22585
2063
αυτό είναι σοβαρό πρόβλημα.
00:36
So this was the challengeπρόκληση facedαντιμετωπίζουν
by this man, ArthurΑρθούρος SamuelΣαμουήλ.
8
24648
3483
Αυτό ήταν το πρόβλημα του Άρθουρ Σάμιουελ.
00:40
In 1956, he wanted to get this computerυπολογιστή
9
28131
4077
Το 1956 ήθελε να κάνει αυτό τον υπολογιστή
00:44
to be ableικανός to beatΡυθμός him at checkersΝτάμα.
10
32208
2340
να μπορεί να τον νικάει στη ντάμα.
00:46
How can you writeγράφω a programπρόγραμμα,
11
34548
2040
Πώς μπορείς να γράψεις πρόγραμμα,
00:48
layλαϊκός out in excruciatingβασανιστικό detailλεπτομέρεια,
how to be better than you at checkersΝτάμα?
12
36588
3806
να καταχωρήσεις με πλήρη λεπτομέρεια,
πώς να γίνει καλύτερος από σένα στη ντάμα;
00:52
So he cameήρθε up with an ideaιδέα:
13
40394
1722
Έτσι είχε μια ιδέα:
00:54
he had the computerυπολογιστή playπαίζω
againstκατά itselfεαυτό thousandsχιλιάδες of timesφορές
14
42116
3724
έβαλε τον υπολογιστή να παίξει
ενάντια στον εαυτό του χιλιάδες φορές
00:57
and learnμαθαίνω how to playπαίζω checkersΝτάμα.
15
45840
2524
και να μάθει να παίζει ντάμα.
01:00
And indeedπράγματι it workedεργάστηκε,
and in factγεγονός, by 1962,
16
48364
3180
Πραγματικά είχε αποτέλεσμα και έως το 1962
01:03
this computerυπολογιστή had beatenχτυπημένος
the ConnecticutΚονέκτικατ stateκατάσταση championπρωταθλητής.
17
51544
4017
ο υπολογιστής είχε νικήσει
τον πρωταθλητή της πολιτείας Κονέκτικατ.
01:07
So ArthurΑρθούρος SamuelΣαμουήλ was
the fatherπατέρας of machineμηχανή learningμάθηση,
18
55561
2973
Έτσι ο Άρθουρ Σάμιουελ
ήταν ο πατέρας της μηχανικής μάθησης,
01:10
and I have a great debtχρέος to him,
19
58534
1717
και του χρωστάω πολλά,
01:12
because I am a machineμηχανή
learningμάθηση practitionerεπαγγελματίας.
20
60251
2763
επειδή ασχολούμαι με την εφαρμογή
της μηχανικής μάθησης.
01:15
I was the presidentΠρόεδρος of KaggleKaggle,
21
63014
1465
Ήμουν πρόεδρος της Kaggle,
μια κοινότητα άνω των 200.000 ατόμων
που ασχολούνται με τη μηχανική μάθηση.
01:16
a communityκοινότητα of over 200,000
machineμηχανή learningμάθηση practictionerspractictioners.
22
64479
3388
01:19
KaggleKaggle putsθέτει up competitionsδιαγωνισμούς
23
67867
2058
Η Kaggle οργανώνει διαγωνισμούς
01:21
to try and get them to solveλύσει
previouslyπροηγουμένως unsolvedάλυτα problemsπροβλήματα,
24
69925
3708
για τη λύση άλυτων προβλημάτων,
01:25
and it's been successfulεπιτυχής
hundredsεκατοντάδες of timesφορές.
25
73633
3837
και σημείωσε επιτυχίες εκατοντάδες φορές.
Από αυτή την πλεονεκτική θέση
μπόρεσα να ανακαλύψω πολλά
01:29
So from this vantageπλεονεκτική θέση pointσημείο,
I was ableικανός to find out
26
77470
2470
01:31
a lot about what machineμηχανή learningμάθηση
can do in the pastτο παρελθόν, can do todayσήμερα,
27
79940
3950
σχετικά με το τι έκανε η μηχανική μάθηση
στο παρελθόν, τι μπορεί να κάνει σήμερα,
01:35
and what it could do in the futureμελλοντικός.
28
83890
2362
και τι θα μπορεί να κάνει στο μέλλον.
01:38
PerhapsΊσως the first bigμεγάλο successεπιτυχία of
machineμηχανή learningμάθηση commerciallyεμπορικώς was GoogleGoogle.
29
86252
4423
Ίσως η πρώτη εμπορικά μεγάλη επιτυχία
της μηχανικής μάθησης ήταν η Google.
01:42
GoogleGoogle showedέδειξε that it is
possibleδυνατόν to find informationπληροφορίες
30
90675
3109
Η Google απέδειξε ότι ήταν δυνατόν
να βρεθούν πληροφορίες
01:45
by usingχρησιμοποιώντας a computerυπολογιστή algorithmαλγόριθμος,
31
93784
1752
με ένα αλγόριθμο υπολογιστή,
01:47
and this algorithmαλγόριθμος is basedμε βάση
on machineμηχανή learningμάθηση.
32
95536
2901
και αυτός ο αλγόριθμος
βασίζεται στη μηχανική μάθηση.
01:50
SinceΑπό το that time, there have been manyΠολλά
commercialεμπορικός successesεπιτυχίες of machineμηχανή learningμάθηση.
33
98437
3886
Από τότε έχουν υπάρξει πολλές
εμπορικές επιτυχίες της μηχανικής μάθησης.
01:54
CompaniesΕταιρείες like AmazonAmazon and NetflixNetflix
34
102323
1837
Εταιρείες όπως η Amazon και η Netflix
01:56
use machineμηχανή learningμάθηση to suggestπροτείνω
productsπροϊόντα that you mightθα μπορούσε like to buyαγορά,
35
104160
3716
χρησιμοποιούν τη μηχανική μάθηση
για να προτείνουν προϊόντα ν' αγοράσετε,
01:59
moviesκινηματογράφος that you mightθα μπορούσε like to watch.
36
107876
2020
ταινίες που θα θέλατε να δείτε.
02:01
SometimesΜερικές φορές, it's almostσχεδόν creepyανατριχιαστικό.
37
109896
1807
Μερικές φορές γίνεται ανατριχιαστικό.
02:03
CompaniesΕταιρείες like LinkedInLinkedIn and FacebookΣτο Facebook
38
111703
1954
Εταιρείες όπως η LinkedIn και το Facebook
02:05
sometimesωρες ωρες will tell you about
who your friendsοι φιλοι mightθα μπορούσε be
39
113657
2594
μερικές φορές σας λένε
ποιοι μπορεί να είναι φίλοι σας
02:08
and you have no ideaιδέα how it did it,
40
116251
1977
και δεν έχετε ιδέα πώς τα κατάφεραν,
02:10
and this is because it's usingχρησιμοποιώντας
the powerεξουσία of machineμηχανή learningμάθηση.
41
118228
2967
και το κάνουν με τη δύναμη
της μηχανικής μάθησης.
02:13
These are algorithmsαλγορίθμους that have
learnedέμαθα how to do this from dataδεδομένα
42
121195
2957
Αυτοί είναι αλγόριθμοι που έμαθαν
να το κάνουν από τα δεδομένα
02:16
ratherμάλλον than beingνα εισαι programmedπρογραμματισμένος by handχέρι.
43
124152
3247
παρά από προγραμματισμό με το χέρι.
02:19
This is alsoεπίσης how IBMIBM was successfulεπιτυχής
44
127399
2478
Έτσι κατάφερε και η IBM
02:21
in gettingνα πάρει WatsonWatson to beatΡυθμός
the two worldκόσμος championsπρωταθλητές at "JeopardyΔιακινδύνευση,"
45
129877
3862
να νικήσει o Γουότσον τους δύο
παγκόσμιους πρωταθλητές του «Jeopardy»
02:25
answeringαπαντώντας incrediblyαπίστευτα subtleδιακριτικό
and complexσυγκρότημα questionsερωτήσεις like this one.
46
133739
3225
απαντώντας απίστευτα πονηρές
και περίπλοκες ερωτήσεις όπως αυτή.
02:28
["The ancientαρχαίος 'Lion«Λιοντάρι of Nimrud'Του Νιμρούντ» wentπήγε missingλείπει
from this city'sτης ΠΟΛΗΣ nationalεθνικός museumμουσείο in 2003
(alongκατά μήκος with a lot of other stuffυλικό)"]
47
136964
2835
[«Το "Λιοντάρι του Νεμρώδ" εξαφανίστηκε
από το μουσείο αυτής της πόλης το 2003»]
02:31
This is alsoεπίσης why we are now ableικανός
to see the first self-drivingαυτο-οδήγηση carsαυτοκίνητα.
48
139799
3235
Γι' αυτό έχουμε πλέον τα πρώτα αυτοκίνητα
που οδηγούν μόνα τους.
Αν θέλεις να μπορείς
να δεις τη διαφορά, ας πούμε,
02:35
If you want to be ableικανός to tell
the differenceδιαφορά betweenμεταξύ, say,
49
143034
2822
ανάμεσα σε ένα δένδρο και έναν πεζό,
αυτό είναι πολύ σημαντικό.
02:37
a treeδέντρο and a pedestrianπεζός,
well, that's prettyαρκετά importantσπουδαίος.
50
145856
2632
02:40
We don't know how to writeγράφω
those programsπρογράμματα by handχέρι,
51
148488
2587
Δεν ξέρουμε να γράφουμε
τέτοια προγράμματα με το χέρι,
02:43
but with machineμηχανή learningμάθηση,
this is now possibleδυνατόν.
52
151075
2997
αλλά με τη μηχανική μάθηση
αυτό είναι πλέον δυνατόν.
Αυτό το αυτοκίνητο έχει οδηγήσει
πάνω από 1.600.000 χιλιόμετρα
02:46
And in factγεγονός, this carαυτοκίνητο has drivenοδηγείται
over a millionεκατομμύριο milesμίλια
53
154072
2608
02:48
withoutχωρίς any accidentsατυχήματα on regularτακτικός roadsδρόμους.
54
156680
3506
σε κανονικό δρόμο χωρίς καθόλου ατυχήματα.
02:52
So we now know that computersΥπολογιστές can learnμαθαίνω,
55
160196
3914
Έτσι ξέρουμε ότι οι υπολογιστές
μπορούν να μαθαίνουν,
02:56
and computersΥπολογιστές can learnμαθαίνω to do things
56
164110
1900
και μπορούν να μάθουν να κάνουν πράγματα
02:58
that we actuallyπράγματι sometimesωρες ωρες
don't know how to do ourselvesεμείς οι ίδιοι,
57
166010
2838
που μερικές φορές
ούτε κι εμείς ξέρουμε να κάνουμε,
03:00
or maybe can do them better than us.
58
168848
2885
ή μπορούν να τα κάνουν καλύτερα από εμάς.
03:03
One of the mostπλέον amazingφοβερο examplesπαραδείγματα
I've seenείδα of machineμηχανή learningμάθηση
59
171733
4195
Ένα εκπληκτικό παράδειγμα
της μηχανικής μάθησης που έχω δει
έγινε σε ένα πρόγραμμα
που έκανα στην Kaggle,
03:07
happenedσυνέβη on a projectέργο that I ranέτρεξα at KaggleKaggle
60
175928
2392
03:10
where a teamομάδα runτρέξιμο by a guy
calledπου ονομάζεται GeoffreyGeoffrey HintonHinton
61
178320
3591
όπου μια ομάδα
υπό κάποιον ονόματι Τζέφρι Χίντον
03:13
from the UniversityΠανεπιστήμιο of TorontoΤορόντο
62
181911
1552
από το Πανεπιστήμιο του Τορόντο,
03:15
wonΚέρδισε a competitionανταγωνισμός for
automaticΑυτόματη drugφάρμακο discoveryανακάλυψη.
63
183463
2677
κέρδισε έναν διαγωνισμό
για αυτόματη ανακάλυψη φαρμάκου.
03:18
Now, what was extraordinaryέκτακτος here
is not just that they beatΡυθμός
64
186140
2847
Αυτό όμως που είναι αξιοσημείωτο
δεν είναι ότι νίκησαν
03:20
all of the algorithmsαλγορίθμους developedαναπτηγμένος by MerckΗ Merck
or the internationalΔιεθνές academicακαδημαϊκός communityκοινότητα,
65
188987
4013
όλους τους αλγόριθμους της Μέρκ
ή της διεθνούς ακαδημαϊκής κοινότητας,
03:25
but nobodyκανείς on the teamομάδα had any backgroundΙστορικό
in chemistryχημεία or biologyβιολογία or life sciencesεπιστήμες,
66
193000
5061
αλλά ότι κανείς στην ομάδα δεν είχε
γνώσεις χημείας, βιολογίας ή ιατρικής,
03:30
and they did it in two weeksεβδομάδες.
67
198061
2169
και τα κατάφεραν μέσα σε δύο εβδομάδες.
03:32
How did they do this?
68
200230
1381
Πώς τα κατάφεραν;
Χρησιμοποίησαν έναν ασυνήθιστο αλγόριθμο
που λέγεται βαθιά μάθηση.
03:34
They used an extraordinaryέκτακτος algorithmαλγόριθμος
calledπου ονομάζεται deepβαθύς learningμάθηση.
69
202421
2921
03:37
So importantσπουδαίος was this that in factγεγονός
the successεπιτυχία was coveredσκεπαστός
70
205342
2949
Ήταν τόσο σημαντικό
που η επιτυχία καλύφθηκε
σε πρωτοσέλιδο των Τάιμς της Νέας Υόρκης
μερικές εβδομάδες μετά.
03:40
in The NewΝέα YorkΥόρκη TimesΦορές in a frontεμπρός pageσελίδα
articleάρθρο a fewλίγοι weeksεβδομάδες laterαργότερα.
71
208291
3121
03:43
This is GeoffreyGeoffrey HintonHinton
here on the left-handαριστερόχειρας sideπλευρά.
72
211412
2735
Ο Τζέφρι Χίντον είναι εδώ αριστερά.
03:46
DeepΒαθύ learningμάθηση is an algorithmαλγόριθμος
inspiredεμπνευσμένος by how the humanο άνθρωπος brainεγκέφαλος worksεργοστάσιο,
73
214147
4341
Η βαθιά μάθηση είναι ένας αλγόριθμος
εμπνευσμένος από το ανθρώπινο μυαλό,
03:50
and as a resultαποτέλεσμα it's an algorithmαλγόριθμος
74
218488
1812
συνεπώς είναι ένας αλγόριθμος
03:52
whichοι οποίες has no theoreticalθεωρητικός limitationsπεριορισμούς
on what it can do.
75
220300
3841
που θεωρητικά δεν έχει όρια
στο τι μπορεί να κάνει.
03:56
The more dataδεδομένα you give it and the more
computationυπολογισμός time you give it,
76
224141
2823
Όσο περισσότερα δεδομένα
και χρόνο υπολογισμού του δίνεις,
03:58
the better it getsπαίρνει.
77
226964
1312
τόσο καλύτερος γίνεται.
04:00
The NewΝέα YorkΥόρκη TimesΦορές alsoεπίσης
showedέδειξε in this articleάρθρο
78
228276
2339
Οι Τάιμς της Νέας Υόρκης
έδειξαν επίσης στο άρθρο
04:02
anotherαλλο extraordinaryέκτακτος
resultαποτέλεσμα of deepβαθύς learningμάθηση
79
230615
2242
άλλο ένα ασυνήθιστο αποτέλεσμα
της βαθιάς μάθησης
04:04
whichοι οποίες I'm going to showπροβολή you now.
80
232857
2712
που θα σας δείξω τώρα.
04:07
It showsδείχνει that computersΥπολογιστές
can listen and understandκαταλαβαίνουν.
81
235569
4941
Δείχνει ότι οι υπολογιστές μπορούν
να ακούν και να καταλαβαίνουν.
04:12
(VideoΒίντεο) RichardΡίτσαρντ RashidΡασίντ: Now, the last stepβήμα
82
240510
2711
(Βίντεο) Ρίτσαρντ Ράσιντ:
Τώρα το τελευταίο βήμα
04:15
that I want to be ableικανός
to take in this processεπεξεργάζομαι, διαδικασία
83
243221
3025
που θέλω να κάνω σε αυτή τη διαδικασία
04:18
is to actuallyπράγματι speakμιλώ to you in ChineseΚινεζικά.
84
246246
4715
είναι να σας μιλήσω κανονικά στα Κινέζικα.
04:22
Now the keyκλειδί thing there is,
85
250961
2635
Το μυστικό εδώ είναι ότι,
04:25
we'veέχουμε been ableικανός to take a largeμεγάλο amountποσό
of informationπληροφορίες from manyΠολλά ChineseΚινεζικά speakersΗχεία
86
253596
5002
μπορέσαμε να πάρουμε μεγάλη ποσότητα
πληροφοριών από ομιλητές της Κινεζικής
και να φτιάξουμε ένα σύστημα
μετατροπής κειμένου σε ομιλία
04:30
and produceπαράγω a text-to-speechμετατροπή κειμένου σε ομιλία systemΣύστημα
87
258598
2530
04:33
that takes ChineseΚινεζικά textκείμενο
and convertsμετατρέπει it into ChineseΚινεζικά languageΓλώσσα,
88
261128
4673
που μετατρέπει Κινέζικο λόγο
από γραπτό σε προφορικό,
04:37
and then we'veέχουμε takenληφθεί
an hourώρα or so of my ownτα δικά voiceφωνή
89
265801
4128
και μετά χρειαστήκαμε καμιά ώρα
με τη δική μου φωνή
04:41
and we'veέχουμε used that to modulateδιαφοροποιούν
90
269929
1891
για να μπορέσουμε να ρυθμίσουμε
04:43
the standardπρότυπο text-to-speechμετατροπή κειμένου σε ομιλία systemΣύστημα
so that it would soundήχος like me.
91
271820
4544
το βασικό σύστημα μετατροπής λόγου
ώστε να ακούγεται σαν εμένα.
04:48
Again, the result'sτου αποτελέσματος not perfectτέλειος.
92
276364
2540
Και πάλι το αποτέλεσμα δεν ήταν τέλειο.
04:50
There are in factγεγονός quiteαρκετά a fewλίγοι errorsσφάλματα.
93
278904
2648
Υπήρχαν μερικά λαθάκια.
04:53
(In ChineseΚινεζικά)
94
281552
2484
(Στα Κινέζικα)
04:56
(ApplauseΧειροκροτήματα)
95
284036
3367
(Χειροκρότημα)
05:01
There's much work to be doneΈγινε in this areaπεριοχή.
96
289446
3576
Χρειάζεται να γίνουν πολλά
σε αυτό τον τομέα.
05:05
(In ChineseΚινεζικά)
97
293022
3645
(Στα Κινέζικα)
05:08
(ApplauseΧειροκροτήματα)
98
296667
3433
(Χειροκρότημα)
05:13
JeremyJeremy HowardΧάουαρντ: Well, that was at
a machineμηχανή learningμάθηση conferenceδιάσκεψη in ChinaΚίνα.
99
301345
3399
Τζέρεμι Χάουαρντ: Αυτό ήταν
σε συνέδριο μηχανικής μάθησης στην Κίνα.
05:16
It's not oftenσυχνά, actuallyπράγματι,
at academicακαδημαϊκός conferencesσυνέδρια
100
304744
2370
Δεν συμβαίνει συχνά σε ακαδημαϊκά συνέδρια
05:19
that you do hearακούω spontaneousαυθόρμητος applauseχειροκροτήματα,
101
307114
1897
να έχεις τόσο αυθόρμητες επευφημίες,
05:21
althoughαν και of courseσειρά μαθημάτων sometimesωρες ωρες
at TEDxTEDx conferencesσυνέδρια, feel freeΕλεύθερος.
102
309011
3676
αλλά μιας και είμαστε σε συνάντηση TED,
μην περιορίζεστε.
05:24
Everything you saw there
was happeningσυμβαίνει with deepβαθύς learningμάθηση.
103
312687
2795
Όλα όσα είδατε εκεί
συνέβησαν με τη βαθιά μάθηση.
05:27
(ApplauseΧειροκροτήματα) Thank you.
104
315482
1525
(Χειροκρότημα)
Ευχαριστώ.
05:29
The transcriptionμεταγραφή in EnglishΑγγλικά
was deepβαθύς learningμάθηση.
105
317007
2282
Η μεταγραφή στα Αγγλικά
έγινε από τη βαθιά μάθηση.
05:31
The translationμετάφραση to ChineseΚινεζικά and the textκείμενο
in the topμπλουζα right, deepβαθύς learningμάθηση,
106
319289
3412
Η μετάφραση στα Κινέζικα,
το κείμενο πάνω δεξιά,
05:34
and the constructionκατασκευή of the voiceφωνή
was deepβαθύς learningμάθηση as well.
107
322701
3307
και η σύνθεση της φωνής
έγιναν από τη βαθιά μάθηση επίσης.
05:38
So deepβαθύς learningμάθηση is
this extraordinaryέκτακτος thing.
108
326008
3234
Η βαθιά μάθηση είναι κάτι ξεχωριστό.
05:41
It's a singleμονόκλινο algorithmαλγόριθμος that
can seemφαίνομαι to do almostσχεδόν anything,
109
329242
3099
Είναι ένας αλγόριθμος
που μοιάζει να μπορεί να κάνει τα πάντα,
05:44
and I discoveredανακαλύφθηκε that a yearέτος earlierνωρίτερα,
it had alsoεπίσης learnedέμαθα to see.
110
332341
3111
και ανακάλυψα ότι πριν ένα χρόνο
είχε επίσης μάθει να βλέπει.
05:47
In this obscureσκοτεινές competitionανταγωνισμός from GermanyΓερμανία
111
335452
2176
Σε έναν δυσνόητο διαγωνισμό στη Γερμανία
05:49
calledπου ονομάζεται the GermanΓερμανικά TrafficΚυκλοφορίας SignΕίσοδος
RecognitionΑναγνώριση BenchmarkΣημείο αναφοράς,
112
337628
2597
σχετικά με την αναγνώριση οδικής σήμανσης,
05:52
deepβαθύς learningμάθηση had learnedέμαθα
to recognizeαναγνωρίζω trafficΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ signsσημάδια like this one.
113
340225
3393
η βαθιά μάθηση έμαθε να αναγνωρίζει
οδικά σήματα όπως αυτό.
05:55
Not only could it
recognizeαναγνωρίζω the trafficΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ signsσημάδια
114
343618
2094
Όχι μόνο αναγνώριζε τα οδικά σήματα
05:57
better than any other algorithmαλγόριθμος,
115
345712
1758
καλύτερα από κάθε άλλο αλγόριθμο,
05:59
the leaderboardLeaderboard actuallyπράγματι showedέδειξε
it was better than people,
116
347470
2719
στον πίνακα αποτελεσμάτων
σημείωσε βαθμολογία
δύο φορές καλύτερη από τους ανθρώπους.
06:02
about twiceεις διπλούν as good as people.
117
350189
1852
06:04
So by 2011, we had the first exampleπαράδειγμα
118
352041
1996
Έτσι έως το 2011,
είχαμε το πρώτο παράδειγμα υπολογιστή
που μπορεί να δει καλύτερα από άνθρωπο.
06:06
of computersΥπολογιστές that can see
better than people.
119
354037
3405
06:09
SinceΑπό το that time, a lot has happenedσυνέβη.
120
357442
2049
Από τότε έγιναν πολλά.
06:11
In 2012, GoogleGoogle announcedανακοίνωσε that
they had a deepβαθύς learningμάθηση algorithmαλγόριθμος
121
359491
3514
Το 2012 η Google ανακοίνωσε ότι
ο αλγόριθμος βαθιά μάθηση
06:15
watch YouTubeYouTube videosΒίντεο
122
363005
1415
έβλεπε βίντεο του YouTube
06:16
and crunchedανησυχείτε the dataδεδομένα
on 16,000 computersΥπολογιστές for a monthμήνας,
123
364420
3437
και διάβαζε δεδομένα
από 16.000 υπολογιστές για ένα μήνα,
06:19
and the computerυπολογιστή independentlyανεξάρτητα learnedέμαθα
about conceptsέννοιες suchτέτοιος as people and catsγάτες
124
367857
4361
και ο υπολογιστής έμαθε από μόνος του
έννοιες όπως «άνθρωπος και «γάτα»,
06:24
just by watchingβλέποντας the videosΒίντεο.
125
372218
1809
απλώς βλέποντας τα βίντεο.
06:26
This is much like the way
that humansτου ανθρώπου learnμαθαίνω.
126
374027
2352
Μοιάζει πολύ με τον τρόπο
που μαθαίνουν οι άνθρωποι.
06:28
HumansΟι άνθρωποι don't learnμαθαίνω
by beingνα εισαι told what they see,
127
376379
2740
Δεν μαθαίνουμε
όταν κάποιος μας λέει τι να δούμε,
06:31
but by learningμάθηση for themselvesτους εαυτούς τους
what these things are.
128
379119
3331
αλλά μαθαίνοντας από μόνοι μας
τι είναι αυτά τα πράγματα.
06:34
AlsoΕπίσης in 2012, GeoffreyGeoffrey HintonHinton,
who we saw earlierνωρίτερα,
129
382450
3369
Επίσης το 2012 ο Τζέφρι Χίντον
που είδαμε νωρίτερα
06:37
wonΚέρδισε the very popularδημοφιλής ImageNetImageNet competitionανταγωνισμός,
130
385819
2858
κέρδισε στον δημοφιλή διαγωνισμό ImageNet,
06:40
looking to try to figureεικόνα out
from one and a halfΉμισυ millionεκατομμύριο imagesεικόνες
131
388677
4141
προσπαθώντας να βρει
μέσα από 1,5 εκατομμύριο εικόνες
06:44
what they're picturesεικόνες of.
132
392818
1438
τι απεικονίζουν.
06:46
As of 2014, we're now down
to a sixέξι percentτοις εκατό errorλάθος rateτιμή
133
394256
3533
Από το 2014 έχουμε πέσει
στο 6% ποσοστό σφάλματος
06:49
in imageεικόνα recognitionαναγνώριση.
134
397789
1453
στην αναγνώριση εικόνας.
06:51
This is better than people, again.
135
399242
2026
Και πάλι καλύτερα από τον άνθρωπο.
06:53
So machinesμηχανές really are doing
an extraordinarilyεξαιρετικά good jobδουλειά of this,
136
401268
3769
Οι μηχανές τα καταφέρνουν πολύ καλά
σε αυτό τον τομέα,
06:57
and it is now beingνα εισαι used in industryβιομηχανία.
137
405037
2269
και πλέον χρησιμοποιείται στη βιομηχανία.
06:59
For exampleπαράδειγμα, GoogleGoogle announcedανακοίνωσε last yearέτος
138
407306
3042
Για παράδειγμα, η Google ανακοίνωσε πέρυσι
07:02
that they had mappedαντιστοίχιση everyκάθε singleμονόκλινο
locationτοποθεσία in FranceΓαλλία in two hoursώρες,
139
410348
4585
ότι χαρτογράφησαν ολόκληρη
τη Γαλλία μέσα σε δύο ώρες,
07:06
and the way they did it was
that they fedτάισα streetδρόμος viewθέα imagesεικόνες
140
414933
3447
και το έκαναν εισάγοντας φωτογραφίες
από την τεχνολογία Street View
07:10
into a deepβαθύς learningμάθηση algorithmαλγόριθμος
to recognizeαναγνωρίζω and readανάγνωση streetδρόμος numbersαριθμούς.
141
418380
4319
σε έναν αλγόριθμο βαθιάς μάθησης
ώστε να αναγνωρίζει την αρίθμηση των οδών.
07:14
ImagineΦανταστείτε how long
it would have takenληφθεί before:
142
422699
2220
Φανταστείτε πόσο θα έπαιρνε παλιότερα:
07:16
dozensντουζίνες of people, manyΠολλά yearsχρόνια.
143
424919
3355
πλήθος ανθρώπων, πολλά χρόνια.
07:20
This is alsoεπίσης happeningσυμβαίνει in ChinaΚίνα.
144
428274
1911
Συμβαίνει επίσης στην Κίνα.
07:22
BaiduBaidu is kindείδος of
the ChineseΚινεζικά GoogleGoogle, I guessεικασία,
145
430185
4036
Η Baidu είναι θα λέγαμε
η αντίστοιχη Google της Κίνας
07:26
and what you see here in the topμπλουζα left
146
434221
2283
και εδώ πάνω αριστερά
βλέπετε ένα παράδειγμα
07:28
is an exampleπαράδειγμα of a pictureεικόνα that I uploadedφορτώθηκε
to Baidu'sBaidu deepβαθύς learningμάθηση systemΣύστημα,
147
436504
3974
από μια φωτογραφία που μεταφόρτωσα
στο σύστημα βαθιάς μάθησης της Baidu,
07:32
and underneathκάτω από you can see that the systemΣύστημα
has understoodκατανοητή what that pictureεικόνα is
148
440478
3769
και από κάτω βλέπετε ότι
το σύστημα αναγνώρισε τη φωτογραφία
07:36
and foundβρέθηκαν similarπαρόμοιος imagesεικόνες.
149
444247
2236
και βρήκε και παρόμοιες.
07:38
The similarπαρόμοιος imagesεικόνες actuallyπράγματι
have similarπαρόμοιος backgroundsυπόβαθρα,
150
446483
2736
Οι παρόμοιες εικόνες έχουν παρόμοιο φόντο,
παρόμοιο προσανατολισμό των προσώπων,
07:41
similarπαρόμοιος directionsκατευθύνσεις of the facesπρόσωπα,
151
449219
1658
07:42
even some with theirδικα τους tongueγλώσσα out.
152
450877
1788
μερικές ακόμα και με τη γλώσσα έξω.
07:44
This is not clearlyσαφώς looking
at the textκείμενο of a webιστός pageσελίδα.
153
452665
3030
Αυτό σαφώς δεν είναι
σαν να βλέπεις κείμενο σε ιστοσελίδα.
07:47
All I uploadedφορτώθηκε was an imageεικόνα.
154
455695
1412
Μόνο μια φωτογραφία ανέβασα.
07:49
So we now have computersΥπολογιστές whichοι οποίες
really understandκαταλαβαίνουν what they see
155
457107
4021
Έχουμε λοιπόν υπολογιστές
που πράγματι καταλαβαίνουν τι βλέπουν
και γι' αυτό μπορούν
να ερευνήσουν βάσεις δεδομένων
07:53
and can thereforeεπομένως searchΨάξιμο databasesβάσεις δεδομένων
156
461128
1624
07:54
of hundredsεκατοντάδες of millionsεκατομμύρια
of imagesεικόνες in realπραγματικός time.
157
462752
3554
εκατοντάδων εκατομμυρίων εικόνων
σε πραγματικό χρόνο.
07:58
So what does it mean
now that computersΥπολογιστές can see?
158
466306
3230
Τι σημασία έχει ότι
οι υπολογιστές μπορούν να βλέπουν;
08:01
Well, it's not just
that computersΥπολογιστές can see.
159
469536
2017
Λοιπόν, δεν είναι μόνο αυτό.
08:03
In factγεγονός, deepβαθύς learningμάθηση
has doneΈγινε more than that.
160
471553
2069
Η βαθιά μάθηση έκανε περισσότερα.
08:05
ComplexΣυγκρότημα, nuancedλεπτή sentencesποινές like this one
161
473622
2948
Περίπλοκες προτάσεις με λεπτές έννοιες,
όπως αυτή εδώ,
08:08
are now understandableκατανοητός
with deepβαθύς learningμάθηση algorithmsαλγορίθμους.
162
476570
2824
μπορούν πλέον να κατανοηθούν
από τον αλγόριθμο.
08:11
As you can see here,
163
479394
1303
Όπως βλέπετε εδώ,
08:12
this Stanford-basedΒασίζεται στο Πανεπιστήμιο του Στάνφορντ systemΣύστημα
showingεπίδειξη the redτο κόκκινο dotτελεία at the topμπλουζα
164
480697
2768
το σύστημα του Στάνφορντ
στην κόκκινη κουκκίδα στην κορυφή
08:15
has figuredσχηματικός out that this sentenceπερίοδος
is expressingεκφράζοντας negativeαρνητικός sentimentσυναίσθημα.
165
483465
3919
κατάλαβε ότι αυτή η πρόταση
εκφράζει αρνητικό συναίσθημα.
08:19
DeepΒαθύ learningμάθηση now in factγεγονός
is nearκοντά humanο άνθρωπος performanceεκτέλεση
166
487384
3406
Η βαθιά μάθηση όντως πλησιάζει
την ανθρώπινη επίδοση
08:22
at understandingκατανόηση what sentencesποινές are about
and what it is sayingρητό about those things.
167
490802
5121
στο να καταλαβαίνουν το κεντρικό θέμα
και το γενικό περιεχόμενο μιας πρότασης.
Η βαθιά μάθηση χρησιμοποιήθηκε επίσης
για την ανάγνωση Κινέζικων
08:27
AlsoΕπίσης, deepβαθύς learningμάθηση has
been used to readανάγνωση ChineseΚινεζικά,
168
495923
2728
08:30
again at about nativeντόπιος
ChineseΚινεζικά speakerΟμιλητής levelεπίπεδο.
169
498651
3156
και πάλι στο επίπεδο
του Κινέζου φυσικού ομιλητή.
08:33
This algorithmαλγόριθμος developedαναπτηγμένος
out of SwitzerlandΕλβετία
170
501807
2168
Αυτός ο αλγόριθμος εξελίχθηκε
από ομάδα Ελβετών,
08:35
by people, noneκανένας of whomποιόν speakμιλώ
or understandκαταλαβαίνουν any ChineseΚινεζικά.
171
503975
3356
κανείς εκ των οποίων
δεν μιλούσε ή καταλάβαινε Κινέζικα.
08:39
As I say, usingχρησιμοποιώντας deepβαθύς learningμάθηση
172
507331
2051
Όπως είπα, η χρήση της βαθιάς μάθησης
08:41
is about the bestκαλύτερος systemΣύστημα
in the worldκόσμος for this,
173
509382
2219
είναι το καλύτερο σύστημα
στον κόσμο γι' αυτό,
08:43
even comparedσε συγκριση to nativeντόπιος
humanο άνθρωπος understandingκατανόηση.
174
511601
5117
συγκρινόμενο ακόμα και
με την ανθρώπινη κατανόηση.
08:48
This is a systemΣύστημα that we
put togetherμαζί at my companyΕταιρία
175
516718
2964
Είναι ένα σύστημα
που φτιάχνουμε στην εταιρεία μου
08:51
whichοι οποίες showsδείχνει puttingβάζοντας
all this stuffυλικό togetherμαζί.
176
519682
2046
που δείχνει πώς συντίθενται όλα τα μέρη.
08:53
These are picturesεικόνες whichοι οποίες
have no textκείμενο attachedσυνημμένο,
177
521728
2461
Αυτές είναι εικόνες χωρίς κείμενο,
08:56
and as I'm typingπληκτρολόγηση in here sentencesποινές,
178
524189
2352
και καθώς πληκτρολογώ κείμενο,
08:58
in realπραγματικός time it's understandingκατανόηση
these picturesεικόνες
179
526541
2969
σε πραγματικό χρόνο
κατανοεί αυτές τις εικόνες,
09:01
and figuringκατανόηση out what they're about
180
529510
1679
αντιλαμβάνεται το θέμα τους,
09:03
and findingεύρεση picturesεικόνες that are similarπαρόμοιος
to the textκείμενο that I'm writingΓραφή.
181
531189
3163
και βρίσκει παρόμοιες φωτογραφίες
με το κείμενο που γράφω.
09:06
So you can see, it's actuallyπράγματι
understandingκατανόηση my sentencesποινές
182
534352
2756
Άρα ουσιαστικά
καταλαβαίνει τις προτάσεις μου
09:09
and actuallyπράγματι understandingκατανόηση these picturesεικόνες.
183
537108
2224
και καταλαβαίνει αυτές τις εικόνες.
09:11
I know that you've seenείδα
something like this on GoogleGoogle,
184
539332
2559
Ξέρω ότι έχετε δει κάτι τέτοιο στη Google,
09:13
where you can typeτύπος in things
and it will showπροβολή you picturesεικόνες,
185
541891
2775
όπου πληκτρολογείτε κάτι
και σας δείχνει εικόνες,
09:16
but actuallyπράγματι what it's doing is it's
searchingερευνητικός the webpageιστοσελίδα for the textκείμενο.
186
544666
3424
αλλά στην πραγματικότητα
ψάχνει στην ιστοσελίδα για κείμενο.
09:20
This is very differentδιαφορετικός from actuallyπράγματι
understandingκατανόηση the imagesεικόνες.
187
548090
3001
Αυτό είναι πολύ διαφορετικό
από το να κατανοείς τις εικόνες.
09:23
This is something that computersΥπολογιστές
have only been ableικανός to do
188
551091
2752
Αυτό το κατάφεραν οι υπολογιστές
09:25
for the first time in the last fewλίγοι monthsμήνες.
189
553843
3248
για πρώτη φορά πριν λίγους μήνες.
Έτσι οι υπολογιστές, όχι μόνο βλέπουν,
αλλά μπορούν και να διαβάσουν,
09:29
So we can see now that computersΥπολογιστές
can not only see but they can alsoεπίσης readανάγνωση,
190
557091
4091
09:33
and, of courseσειρά μαθημάτων, we'veέχουμε shownαπεικονίζεται that they
can understandκαταλαβαίνουν what they hearακούω.
191
561182
3765
και φυσικά δείξαμε
ότι καταλαβαίνουν ό,τι ακούνε.
09:36
PerhapsΊσως not surprisingεκπληκτικός now that
I'm going to tell you they can writeγράφω.
192
564947
3442
Ίσως δεν σας εκπλήξει να σας πω
ότι μπορούν να γράφουν.
09:40
Here is some textκείμενο that I generatedδημιουργούνται
usingχρησιμοποιώντας a deepβαθύς learningμάθηση algorithmαλγόριθμος yesterdayεχθές.
193
568389
4783
Εδώ είναι κείμενο που παρήγαγα χθες
με έναν αλγόριθμο βαθιάς μάθησης.
09:45
And here is some textκείμενο that an algorithmαλγόριθμος
out of StanfordΠανεπιστήμιο του Στάνφορντ generatedδημιουργούνται.
194
573172
3924
Και αυτό είναι κείμενο που παρήγαγε
ένας αλγόριθμος του Στάνφορντ.
09:49
EachΚάθε of these sentencesποινές was generatedδημιουργούνται
195
577096
1764
Κάθε πρόταση δημιουργήθηκε
09:50
by a deepβαθύς learningμάθηση algorithmαλγόριθμος
to describeπεριγράφω eachκαθε of those picturesεικόνες.
196
578860
4249
από έναν αλγόριθμο βαθιάς μάθησης
για να περιγράψει καθεμιά από τις εικόνες.
09:55
This algorithmαλγόριθμος before has never seenείδα
a man in a blackμαύρος shirtπουκάμισο playingπαιχνίδι a guitarκιθάρα.
197
583109
4472
Ο αλγόριθμος δεν είχε ξαναδεί άνθρωπο
με μαύρο πουκάμισο να παίζει κιθάρα.
09:59
It's seenείδα a man before,
it's seenείδα blackμαύρος before,
198
587581
2220
Είχε ξαναδεί άνθρωπο,
είχε ξαναδεί μαύρο,
10:01
it's seenείδα a guitarκιθάρα before,
199
589801
1599
είχε ξαναδεί κιθάρα,
10:03
but it has independentlyανεξάρτητα generatedδημιουργούνται
this novelμυθιστόρημα descriptionπεριγραφή of this pictureεικόνα.
200
591400
4294
αλλά από μόνος του έφτιαξε
αυτή τη νέα περιγραφή για την εικόνα.
10:07
We're still not quiteαρκετά at humanο άνθρωπος
performanceεκτέλεση here, but we're closeΚοντά.
201
595694
3502
Εδώ δεν φτάσαμε την ανθρώπινη απόδοση
αλλά πλησιάζουμε.
10:11
In testsδοκιμές, humansτου ανθρώπου preferπροτιμώ
the computer-generatedπου δημιουργούνται με υπολογιστή captionλεζάντα
202
599196
4068
Στις δοκιμές, οι άνθρωποι προτιμούν
τις ετικέτες που φτιάχτηκαν από υπολογιστή
10:15
one out of fourτέσσερα timesφορές.
203
603264
1527
μία στις τέσσερις φορές.
10:16
Now this systemΣύστημα is now only two weeksεβδομάδες oldπαλαιός,
204
604791
2064
Αυτό το σύστημα είναι μόνο δύο εβδομάδων,
10:18
so probablyπιθανώς withinστα πλαίσια the nextεπόμενος yearέτος,
205
606855
1846
άρα μάλλον εντός του επόμενου έτους,
10:20
the computerυπολογιστή algorithmαλγόριθμος will be
well pastτο παρελθόν humanο άνθρωπος performanceεκτέλεση
206
608701
2801
ο αλγόριθμος θα έχει ξεπεράσει
την ανθρώπινη επίδοση
10:23
at the rateτιμή things are going.
207
611502
1862
με τους τρέχοντες ρυθμούς.
10:25
So computersΥπολογιστές can alsoεπίσης writeγράφω.
208
613364
3049
Άρα οι υπολογιστές μπορούν και να γράφουν.
10:28
So we put all this togetherμαζί and it leadsοδηγεί
to very excitingσυναρπαστικός opportunitiesευκαιρίες.
209
616413
3475
Βάζοντάς τα όλα μαζί
οδεύουμε σε εκπληκτικές δυνατότητες.
10:31
For exampleπαράδειγμα, in medicineφάρμακο,
210
619888
1492
Για παράδειγμα, στην ιατρική,
10:33
a teamομάδα in BostonΒοστώνη announcedανακοίνωσε
that they had discoveredανακαλύφθηκε
211
621380
2525
μια ομάδα στη Βοστόνη
ανακοίνωσε ότι ανακάλυψαν
10:35
dozensντουζίνες of newνέος clinicallyκλινικά relevantσχετικό featuresχαρακτηριστικά
212
623905
2949
μεγάλο αριθμό νέων κλινικά σχετικών
χαρακτηριστικών όγκων
10:38
of tumorsόγκους whichοι οποίες help doctorsτους γιατρούς
make a prognosisΠρόγνωση of a cancerΚαρκίνος.
213
626854
4266
που θα βοηθήσει τους γιατρούς
στην πρόγνωση του καρκίνου.
10:44
Very similarlyομοίως, in StanfordΠανεπιστήμιο του Στάνφορντ,
214
632220
2296
Παρομοίως στο Στάνφορντ,
10:46
a groupομάδα there announcedανακοίνωσε that,
looking at tissuesιστούς underκάτω από magnificationμεγέθυνση,
215
634516
3663
μια ομάδα ανακοίνωσε ότι,
εξετάζοντας ιστούς σε μεγέθυνση,
10:50
they'veέχουν developedαναπτηγμένος
a machineμηχανή learning-basedμάθηση που βασίζεται systemΣύστημα
216
638179
2381
εξέλιξαν ένα σύστημα μηχανικής μάθησης
10:52
whichοι οποίες in factγεγονός is better
than humanο άνθρωπος pathologistsΠαθολόγοι
217
640560
2582
που είναι όντως καλύτερο
από τους ανθρώπους παθολόγους
10:55
at predictingπροβλέποντας survivalεπιβίωση ratesτιμές
for cancerΚαρκίνος sufferersοι πάσχοντες.
218
643142
4377
στην πρόβλεψη των ποσοστών επιβίωσης
των πασχόντων από καρκίνο.
10:59
In bothκαι τα δυο of these casesπεριπτώσεις, not only
were the predictionsΠρογνωστικά more accurateακριβής,
219
647519
3245
Και στις δύο περιπτώσεις,
όχι μόνο έκαναν ακριβέστερη πρόβλεψη,
11:02
but they generatedδημιουργούνται newνέος insightfulδιορατική scienceεπιστήμη.
220
650764
2502
αλλά παρήγαγαν πιο διορατική γνώση.
Στην περίπτωση της ακτινολογίας,
11:05
In the radiologyΑκτινολογία caseπερίπτωση,
221
653276
1505
11:06
they were newνέος clinicalκλινικός indicatorsδείκτες
that humansτου ανθρώπου can understandκαταλαβαίνουν.
222
654781
3095
υπήρξαν νέες κλινικές ενδείξεις
που οι άνθρωποι θα καταλάβουν.
11:09
In this pathologyπαθολογία caseπερίπτωση,
223
657876
1792
Σε αυτή την παθολογική περίπτωση,
11:11
the computerυπολογιστή systemΣύστημα actuallyπράγματι discoveredανακαλύφθηκε
that the cellsκυττάρων around the cancerΚαρκίνος
224
659668
4500
το σύστημα στον υπολογιστή ανακάλυψε
ότι τα κύτταρα γύρω από τον όγκο
11:16
are as importantσπουδαίος as
the cancerΚαρκίνος cellsκυττάρων themselvesτους εαυτούς τους
225
664168
3340
είναι το ίδιο σημαντικά
όσο τα καρκινικά κύτταρα
11:19
in makingκατασκευή a diagnosisδιάγνωση.
226
667508
1752
για τη διάγνωση.
11:21
This is the oppositeαπεναντι απο of what pathologistsΠαθολόγοι
had been taughtδιδακτός for decadesδεκαετίες.
227
669260
5361
Αυτό είναι αντίθετο από όσα διδάσκονταν
οι παθολόγοι για δεκαετίες.
11:26
In eachκαθε of those two casesπεριπτώσεις,
they were systemsσυστήματα developedαναπτηγμένος
228
674621
3292
Σε καθεμιά από τις δύο περιπτώσεις,
ήταν συστήματα που αναπτύχθηκαν
11:29
by a combinationσυνδυασμός of medicalιατρικός expertsειδικοί
and machineμηχανή learningμάθηση expertsειδικοί,
229
677913
3621
από συνδυασμό ειδικών στην ιατρική
και ειδικών στη μηχανική μάθηση,
11:33
but as of last yearέτος,
we're now beyondπέρα that too.
230
681534
2741
αλλά από πέρυσι,
το έχουμε ξεπεράσει και αυτό.
11:36
This is an exampleπαράδειγμα of
identifyingτον εντοπισμό cancerousκαρκινικό areasπεριοχές
231
684275
3549
Εδώ έχουμε παράδειγμα
εντοπισμού καρκινικής περιοχής
11:39
of humanο άνθρωπος tissueιστός underκάτω από a microscopeμικροσκόπιο.
232
687824
2530
σε ανθρώπινο ιστό κάτω από το μικροσκόπιο.
11:42
The systemΣύστημα beingνα εισαι shownαπεικονίζεται here
can identifyαναγνωρίζω those areasπεριοχές more accuratelyμε ακρίβεια,
233
690354
4613
Το σύστημα μπορεί να εντοπίσει
αυτές τις περιοχές ακριβέστερα,
11:46
or about as accuratelyμε ακρίβεια,
as humanο άνθρωπος pathologistsΠαθολόγοι,
234
694967
2775
ή περίπου με την ίδια ακρίβεια
όσο οι παθολόγοι,
11:49
but was builtχτισμένο entirelyεξ ολοκλήρου with deepβαθύς learningμάθηση
usingχρησιμοποιώντας no medicalιατρικός expertiseεξειδίκευση
235
697742
3392
αλλά έγινε εξολοκλήρου με τη βαθιά μάθηση,
χωρίς ιατρική τεχνογνωσία,
11:53
by people who have
no backgroundΙστορικό in the fieldπεδίο.
236
701134
2526
από ανθρώπους χωρίς προϋπηρεσία
στον χώρο αυτό.
11:56
SimilarlyΟμοίως, here, this neuronνευρώνας segmentationκατάτμηση.
237
704730
2555
Παρόμοια εδώ, αυτή η κατάτμηση νευρώνα.
11:59
We can now segmentτμήμα neuronsνευρώνες
about as accuratelyμε ακρίβεια as humansτου ανθρώπου can,
238
707285
3668
Μπορούμε πλέον να κατατμήσουμε νευρώνες
με την ίδια ακρίβεια όπως οι άνθρωποι,
12:02
but this systemΣύστημα was developedαναπτηγμένος
with deepβαθύς learningμάθηση
239
710953
2717
αλλά με σύστημα που αναπτύχθηκε
με τη βαθιά μάθηση
12:05
usingχρησιμοποιώντας people with no previousπροηγούμενος
backgroundΙστορικό in medicineφάρμακο.
240
713670
3251
και ανθρώπους που δεν είχαν
καμία σχέση με την ιατρική.
12:08
So myselfεγώ ο ίδιος, as somebodyκάποιος with
no previousπροηγούμενος backgroundΙστορικό in medicineφάρμακο,
241
716921
3227
Συνεπώς εγώ ο ίδιος,
πλήρως άσχετος με την ιατρική,
12:12
I seemφαίνομαι to be entirelyεξ ολοκλήρου well qualifiedπροσόντα
to startαρχή a newνέος medicalιατρικός companyΕταιρία,
242
720148
3727
φαίνεται να έχω όλα τα προσόντα
να φτιάξω μια ιατροφαρμακευτική εταιρεία,
12:15
whichοι οποίες I did.
243
723875
2146
πράγμα που έκανα.
12:18
I was kindείδος of terrifiedτρομοκρατημένος of doing it,
244
726021
1740
Αρχικά φοβόμουν να το κάνω,
12:19
but the theoryθεωρία seemedφαινόταν to suggestπροτείνω
that it oughtπρέπει to be possibleδυνατόν
245
727761
2889
αλλά θεωρητικά φαινόταν εφικτό
12:22
to do very usefulχρήσιμος medicineφάρμακο
usingχρησιμοποιώντας just these dataδεδομένα analyticαναλυτικός techniquesτεχνικές.
246
730650
5492
να φτιάξω χρήσιμα φάρμακα χρησιμοποιώντας
μόνο τεχνικές ανάλυσης δεδομένων.
12:28
And thankfullyευγνομονώς, the feedbackανατροφοδότηση
has been fantasticφανταστικός,
247
736142
2480
Ευτυχώς τα σχόλια ήταν άκρως ενθαρρυντικά.
όχι μόνο από τα μέσα
αλλά και από την ιατρική κοινότητα,
12:30
not just from the mediaμεσο ΜΑΖΙΚΗΣ ΕΝΗΜΕΡΩΣΗΣ
but from the medicalιατρικός communityκοινότητα,
248
738622
2356
12:32
who have been very supportiveυποστηρικτικό.
249
740978
2344
που με στήριξε πολύ.
12:35
The theoryθεωρία is that we can take
the middleΜέσης partμέρος of the medicalιατρικός processεπεξεργάζομαι, διαδικασία
250
743322
4149
Θεωρητικά μπορούμε να πάρουμε
την μέση φάση της ιατρικής διαδικασίας
12:39
and turnστροφή that into dataδεδομένα analysisανάλυση
as much as possibleδυνατόν,
251
747471
2893
και να αναλύσουμε τα δεδομένα της
στο μέγιστο δυνατό βαθμό,
12:42
leavingαφήνοντας doctorsτους γιατρούς to do
what they're bestκαλύτερος at.
252
750364
3065
αφήνοντας τους γιατρούς να κάνουν
αυτό που ξέρουν καλύτερα.
12:45
I want to give you an exampleπαράδειγμα.
253
753429
1602
Θα σας δώσω ένα παράδειγμα.
12:47
It now takes us about 15 minutesλεπτά
to generateπαράγω a newνέος medicalιατρικός diagnosticδιαγνωστικός testδοκιμή
254
755031
4944
Τώρα μας παίρνει 15 λεπτά να βγάλουμε
ένα νέο διαγνωστικό τεστ
12:51
and I'll showπροβολή you that in realπραγματικός time now,
255
759975
1954
και θα το δείτε σε πραγματικό χρόνο,
12:53
but I've compressedσυμπιεσμένο it down to
threeτρία minutesλεπτά by cuttingτομή some piecesκομμάτια out.
256
761929
3487
αλλά το συμπίεσα σε τρία λεπτά
παραλείποντας κάποια κομμάτια.
12:57
RatherΜάλλον than showingεπίδειξη you
creatingδημιουργώντας a medicalιατρικός diagnosticδιαγνωστικός testδοκιμή,
257
765416
3061
Αντί για τη δημιουργία
ενός ιατρικού διαγνωστικού τεστ,
13:00
I'm going to showπροβολή you
a diagnosticδιαγνωστικός testδοκιμή of carαυτοκίνητο imagesεικόνες,
258
768477
3369
θα σας δείξω ένα διαγνωστικό τεστ
από εικόνες αυτοκινήτων,
13:03
because that's something
we can all understandκαταλαβαίνουν.
259
771846
2222
επειδή είναι κάτι που όλοι καταλαβαίνουμε.
13:06
So here we're startingεκκίνηση with
about 1.5 millionεκατομμύριο carαυτοκίνητο imagesεικόνες,
260
774068
3201
Ξεκινάμε με περίπου 1,5 εκατομμύριο
εικόνες αυτοκινήτων
13:09
and I want to createδημιουργώ something
that can splitσπλιτ them into the angleγωνία
261
777269
3206
και θέλω να φτιάξω κάτι που θα τις χωρίσει
13:12
of the photoφωτογραφία that's beingνα εισαι takenληφθεί.
262
780475
2223
ανάλογα με τη γωνία λήψης της φωτογραφίας.
13:14
So these imagesεικόνες are entirelyεξ ολοκλήρου unlabeledχωρίς ετικέτα,
so I have to startαρχή from scratchγρατσουνιά.
263
782698
3888
Οι εικόνες δεν έχουν καθόλου κείμενο,
έτσι αρχίζω από το μηδέν.
13:18
With our deepβαθύς learningμάθηση algorithmαλγόριθμος,
264
786586
1865
Με τον αλγόριθμο βαθιάς γνώσης
13:20
it can automaticallyαυτομάτως identifyαναγνωρίζω
areasπεριοχές of structureδομή in these imagesεικόνες.
265
788451
3707
μπορεί αυτόματα να εντοπίσει
περιοχές δομής μέσα στις εικόνες.
13:24
So the niceόμορφη thing is that the humanο άνθρωπος
and the computerυπολογιστή can now work togetherμαζί.
266
792158
3620
Είναι καλό που άνθρωπος και υπολογιστής
μπορούν να συνεργαστούν.
13:27
So the humanο άνθρωπος, as you can see here,
267
795778
2178
Ο άνθρωπος που βλέπετε εδώ
13:29
is tellingαποτελεσματικός the computerυπολογιστή
about areasπεριοχές of interestενδιαφέρον
268
797956
2675
λέει στον υπολογιστή
για τις περιοχές ενδιαφέροντος
13:32
whichοι οποίες it wants the computerυπολογιστή then
to try and use to improveβελτιώσει its algorithmαλγόριθμος.
269
800631
4650
που θέλει να χρησιμοποιήσει ο υπολογιστής
για να βελτιώσει τον αλγόριθμό του.
13:37
Now, these deepβαθύς learningμάθηση systemsσυστήματα actuallyπράγματι
are in 16,000-dimensional-διαστάσεων spaceχώρος,
270
805281
4296
Τα συστήματα αυτά είναι
σε διάστημα 16.000 διαστάσεων,
13:41
so you can see here the computerυπολογιστή
rotatingΠεριστρεφόμενη this throughδιά μέσου that spaceχώρος,
271
809577
3432
έτσι βλέπετε τον υπολογιστή
να το περιστρέφει σε αυτό το διάστημα,
13:45
tryingπροσπαθεί to find newνέος areasπεριοχές of structureδομή.
272
813009
1992
προσπαθώντας να βρει νέες περιοχές δομής.
13:47
And when it does so successfullyεπιτυχώς,
273
815001
1781
Και όταν το κάνει με επιτυχία,
13:48
the humanο άνθρωπος who is drivingοδήγηση it can then
pointσημείο out the areasπεριοχές that are interestingενδιαφέρων.
274
816782
4004
τότε ο ανθρώπινος χειριστής μπορεί
να δείξει τις περιοχές ενδιαφέροντος.
13:52
So here, the computerυπολογιστή has
successfullyεπιτυχώς foundβρέθηκαν areasπεριοχές,
275
820786
2422
Εδώ ο υπολογιστής βρήκε επιτυχώς περιοχές,
13:55
for exampleπαράδειγμα, anglesγωνίες.
276
823208
2562
για παράδειγμα, κάποιες γωνίες.
13:57
So as we go throughδιά μέσου this processεπεξεργάζομαι, διαδικασία,
277
825770
1606
Κατά τη διάρκεια της διαδικασίας,
13:59
we're graduallyσταδιακά tellingαποτελεσματικός
the computerυπολογιστή more and more
278
827376
2340
σταδιακά λέμε στον υπολογιστή
όλο και περισσότερα
14:01
about the kindsείδη of structuresδομές
we're looking for.
279
829716
2428
για το είδος των δομών που ψάχνουμε.
14:04
You can imagineφαντάζομαι in a diagnosticδιαγνωστικός testδοκιμή
280
832144
1772
Φανταστείτε ότι στο διαγνωστικό τεστ
14:05
this would be a pathologistπαθολόγος identifyingτον εντοπισμό
areasπεριοχές of pathosisπαθολογία, for exampleπαράδειγμα,
281
833916
3350
θα είναι ο παθολόγος που δείχνει
τις επικίνδυνες περιοχές,
14:09
or a radiologistΑκτινολόγος indicatingαναφέροντας
potentiallyενδεχομένως troublesomeενοχλητικό nodulesοζίδια.
282
837266
5026
ή ο ακτινολόγος να δείχνει
τους εν δυνάμει ανησυχητικούς όζους.
14:14
And sometimesωρες ωρες it can be
difficultδύσκολος for the algorithmαλγόριθμος.
283
842292
2559
Μερικές φορές ο αλγόριθμος δυσκολεύεται.
14:16
In this caseπερίπτωση, it got kindείδος of confusedταραγμένος.
284
844851
1964
Εδώ έχει μπερδευτεί λίγο.
14:18
The frontsμέτωπα and the backsπλάτες
of the carsαυτοκίνητα are all mixedμικτός up.
285
846815
2550
Τα μπρος και πίσω μέρη των αυτοκινήτων
έχουν μπλεχτεί.
14:21
So here we have to be a bitκομμάτι more carefulπροσεκτικός,
286
849365
2072
Τότε πρέπει να προσέξουμε λίγο περισσότερο
14:23
manuallyχειροκίνητα selectingεπιλέγοντας these frontsμέτωπα
as opposedαντίθετος to the backsπλάτες,
287
851437
3232
επιλέγοντας χειροκίνητα αυτά τα μπρος
από εκείνα τα πίσω μέρη,
14:26
then tellingαποτελεσματικός the computerυπολογιστή
that this is a typeτύπος of groupομάδα
288
854669
5506
και μετά λέγοντας στον υπολογιστή
ότι αυτά είναι ένα είδος ομάδας
14:32
that we're interestedενδιαφερόμενος in.
289
860175
1348
που μας ενδιαφέρει.
14:33
So we do that for a while,
we skipπαραλείπω over a little bitκομμάτι,
290
861523
2677
Το κάνουμε για λίγο,
παραλείπουμε λίγο εδώ,
14:36
and then we trainτρένο the
machineμηχανή learningμάθηση algorithmαλγόριθμος
291
864200
2246
και μετά εκπαιδεύουμε
τον αλγόριθμο βαθιά μάθηση
14:38
basedμε βάση on these coupleζευγάρι of hundredεκατό things,
292
866446
1974
με βάση αυτά τα διακόσια περίπου πράγματα,
14:40
and we hopeελπίδα that it's gottenπήρε a lot better.
293
868420
2025
και ελπίζουμε ότι βελτιώθηκε.
14:42
You can see, it's now startedξεκίνησε to fadeξεθωριάζει
some of these picturesεικόνες out,
294
870445
3073
Μπορείτε να δείτε ότι θολώνει
κάποια μέρη των εικόνων,
14:45
showingεπίδειξη us that it alreadyήδη is recognizingαναγνωρίζοντας
how to understandκαταλαβαίνουν some of these itselfεαυτό.
295
873518
4708
δείχνοντάς μας ότι ήδη καταλαβαίνει
πώς να αναγνωρίζει κάποια μέρη μόνος του.
Μπορούμε να χρησιμοποιήσουμε
το σχέδιο με τις παρόμοιες εικόνες,
14:50
We can then use this conceptέννοια
of similarπαρόμοιος imagesεικόνες,
296
878226
2902
14:53
and usingχρησιμοποιώντας similarπαρόμοιος imagesεικόνες, you can now see,
297
881128
2094
και έτσι εδώ μπορείτε να δείτε
14:55
the computerυπολογιστή at this pointσημείο is ableικανός to
entirelyεξ ολοκλήρου find just the frontsμέτωπα of carsαυτοκίνητα.
298
883222
4019
ο υπολογιστής τώρα μπορεί ολοκληρωτικά
να βρίσκει μόνο τα μπροστινά μέρη.
14:59
So at this pointσημείο, the humanο άνθρωπος
can tell the computerυπολογιστή,
299
887241
2948
Σε αυτό το σημείο ο άνθρωπος
μπορεί να λέει στον υπολογιστή,
15:02
okay, yes, you've doneΈγινε
a good jobδουλειά of that.
300
890189
2293
εντάξει, μια χαρά τα πας.
Φυσικά κάποιες φορές,
ακόμα και σε αυτό το σημείο
15:05
SometimesΜερικές φορές, of courseσειρά μαθημάτων, even at this pointσημείο
301
893652
2185
15:07
it's still difficultδύσκολος
to separateξεχωριστός out groupsομάδες.
302
895837
3674
είναι ακόμα δύσκολο
να διακρίνει τις ομάδες.
15:11
In this caseπερίπτωση, even after we let the
computerυπολογιστή try to rotateγυρίζω this for a while,
303
899511
3884
Εδώ, ακόμη και αφού ο υπολογιστής
το έχει περιστρέψει κάμποσο,
15:15
we still find that the left sidesπλευρές
and the right sidesπλευρές picturesεικόνες
304
903399
3345
ακόμα οι εικόνες αριστερής
και δεξιάς πλευράς
15:18
are all mixedμικτός up togetherμαζί.
305
906744
1478
είναι ανάμικτες.
Έτσι δίνουμε στον υπολογιστή
κάποιες οδηγίες,
15:20
So we can again give
the computerυπολογιστή some hintsυποδείξεις,
306
908222
2140
15:22
and we say, okay, try and find
a projectionπροβολή that separatesχωρίζει out
307
910362
2976
και του λέμε να βρει
μια προβολή που να διαχωρίζει
15:25
the left sidesπλευρές and the right sidesπλευρές
as much as possibleδυνατόν
308
913338
2607
κατά το δυνατόν
τις δεξιές από τις αριστερές πλευρές
15:27
usingχρησιμοποιώντας this deepβαθύς learningμάθηση algorithmαλγόριθμος.
309
915945
2122
χρησιμοποιώντας
τον αλγόριθμο βαθιάς γνώσης.
15:30
And givingδίνοντας it that hintίχνος --
ahαχ, okay, it's been successfulεπιτυχής.
310
918067
2942
Με αυτή την οδηγία --
ωραία, είχε αποτέλεσμα.
15:33
It's managedδιαχειρίζεται to find a way
of thinkingσκέψη about these objectsαντικείμενα
311
921009
2882
Κατάφερε να βρει τρόπο σκέψης
σχετικά με αυτά τα αντικείμενα
15:35
that's separatedσε διασταση out these togetherμαζί.
312
923891
2380
ώστε να τα διαχωρίσει.
15:38
So you get the ideaιδέα here.
313
926271
2438
Καταλαβαίνετε λοιπόν πώς γίνεται.
15:40
This is a caseπερίπτωση not where the humanο άνθρωπος
is beingνα εισαι replacedαντικατασταθεί by a computerυπολογιστή,
314
928709
8197
Αυτή δεν είναι περίπτωση που ο υπολογιστής
αντικαθιστά τον άνθρωπο,
15:48
but where they're workingεργαζόμενος togetherμαζί.
315
936906
2640
αλλά όπου συνεργάζονται.
15:51
What we're doing here is we're replacingαντικατάσταση
something that used to take a teamομάδα
316
939546
3550
Εδώ αντικαθιστούμε κάτι
που χρειαζόταν μια ομάδα
15:55
of fiveπέντε or sixέξι people about sevenεπτά yearsχρόνια
317
943096
2002
πέντε ή έξι ατόμων για σχεδόν επτά χρόνια,
15:57
and replacingαντικατάσταση it with something
that takes 15 minutesλεπτά
318
945098
2605
και το αντικαθιστούμε με κάτι
που χρειάζεται 15 λεπτά
15:59
for one personπρόσωπο actingηθοποιία aloneμόνος.
319
947703
2505
για ένα άτομο που δουλεύει μόνο του.
16:02
So this processεπεξεργάζομαι, διαδικασία takes about
fourτέσσερα or fiveπέντε iterationsεπαναλήψεις.
320
950208
3950
Έτσι η διαδικασία αφαιρεί τέσσερις
ή πέντε επαναληπτικές φάσεις.
16:06
You can see we now have 62 percentτοις εκατό
321
954158
1859
Βλέπετε ότι τώρα έχουμε 62%
16:08
of our 1.5 millionεκατομμύριο imagesεικόνες
classifiedταξινομούνται correctlyσωστά.
322
956017
2959
από 1,5 εκατομμύριο εικόνες
ορθά ταξινομημένες.
16:10
And at this pointσημείο, we
can startαρχή to quiteαρκετά quicklyγρήγορα
323
958976
2472
Και σε αυτό το σημείο,
μπορούμε αρκετά γρήγορα
16:13
grabαρπάζω wholeολόκληρος bigμεγάλο sectionsτμήματα,
324
961448
1297
να μαρκάρουμε μεγάλα τμήματα,
16:14
checkέλεγχος throughδιά μέσου them to make sure
that there's no mistakesλάθη.
325
962745
2919
να τα τσεκάρουμε ώστε να μην έχουν λάθη.
16:17
Where there are mistakesλάθη, we can
let the computerυπολογιστή know about them.
326
965664
3952
Όπου υπάρχουν σφάλματα,
ενημερώνουμε τον υπολογιστή.
16:21
And usingχρησιμοποιώντας this kindείδος of processεπεξεργάζομαι, διαδικασία
for eachκαθε of the differentδιαφορετικός groupsομάδες,
327
969616
3045
Και με αυτή τη διαδικασία για κάθε ομάδα,
16:24
we are now up to
an 80 percentτοις εκατό successεπιτυχία rateτιμή
328
972661
2487
έχουμε φτάσει σε ένα ποσοστό επιτυχίας 80%
16:27
in classifyingταξινόμηση των the 1.5 millionεκατομμύριο imagesεικόνες.
329
975148
2415
στην ταξινόμηση 1,5 εκατομμυρίου εικόνων.
16:29
And at this pointσημείο, it's just a caseπερίπτωση
330
977563
2078
Είμαστε στη φάση όπου
16:31
of findingεύρεση the smallμικρό numberαριθμός
that aren'tδεν είναι classifiedταξινομούνται correctlyσωστά,
331
979641
3579
παίρνουμε τις λίγες εικόνες
που δεν ταξινομήθηκαν σωστά
16:35
and tryingπροσπαθεί to understandκαταλαβαίνουν why.
332
983220
2888
και προσπαθούμε να βρούμε τον λόγο.
16:38
And usingχρησιμοποιώντας that approachπλησιάζω,
333
986108
1743
Με αυτή την προσέγγιση,
16:39
by 15 minutesλεπτά we get
to 97 percentτοις εκατό classificationταξινόμηση ratesτιμές.
334
987851
4121
σε 15 λεπτά φτάνουμε
το 97% στον ρυθμό ταξινόμησης.
16:43
So this kindείδος of techniqueτεχνική
could allowεπιτρέπω us to fixδιορθώσετε a majorμείζων problemπρόβλημα,
335
991972
4600
Αυτή η τεχνική θα βοηθήσει
να διορθώσουμε ένα σοβαρό πρόβλημα,
16:48
whichοι οποίες is that there's a lackέλλειψη
of medicalιατρικός expertiseεξειδίκευση in the worldκόσμος.
336
996578
3036
την ανεπάρκεια ειδικών
στην ιατρική σε όλο τον κόσμο.
16:51
The WorldΚόσμο EconomicΟικονομικό ForumΦόρουμ saysλέει
that there's betweenμεταξύ a 10x and a 20x
337
999614
3489
Το Παγκόσμιο Οικονομικό Φόρουμ λέει ότι
υπάρχει δεκαπλάσιο με εικοσαπλάσιο
έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο,
16:55
shortageέλλειψη of physiciansτους γιατρούς
in the developingανάπτυξη worldκόσμος,
338
1003103
2624
16:57
and it would take about 300 yearsχρόνια
339
1005727
2113
και θα χρειαστούν 300 χρόνια
για να εκπαιδευθούν αρκετοί άνθρωποι
ώστε να λυθεί το πρόβλημα.
16:59
to trainτρένο enoughαρκετά people
to fixδιορθώσετε that problemπρόβλημα.
340
1007840
2894
17:02
So imagineφαντάζομαι if we can help
enhanceενισχύω theirδικα τους efficiencyαποδοτικότητα
341
1010734
2885
Φαντάζεστε να μπορούσαμε
να ενισχύσουμε την απόδοσή τους
17:05
usingχρησιμοποιώντας these deepβαθύς learningμάθηση approachesπροσεγγίσεις?
342
1013619
2839
με την προσέγγιση της βαθιάς μάθησης;
17:08
So I'm very excitedερεθισμένος
about the opportunitiesευκαιρίες.
343
1016458
2232
Είμαι ενθουσιασμένος
με αυτές τις προοπτικές.
17:10
I'm alsoεπίσης concernedενδιαφερόμενος about the problemsπροβλήματα.
344
1018690
2589
Ανησυχώ επίσης και για τα προβλήματα.
17:13
The problemπρόβλημα here is that
everyκάθε areaπεριοχή in blueμπλε on this mapχάρτης
345
1021279
3124
Το πρόβλημα εδώ είναι ότι
κάθε μπλε περιοχή στο χάρτη
17:16
is somewhereκάπου where servicesΥπηρεσίες
are over 80 percentτοις εκατό of employmentεργασία.
346
1024403
3769
είναι μέρος όπου οι υπηρεσίες
είναι πάνω από το 80% της απασχόλησης.
17:20
What are servicesΥπηρεσίες?
347
1028172
1787
Ποιες είναι οι υπηρεσίες;
17:21
These are servicesΥπηρεσίες.
348
1029959
1514
Αυτές είναι οι υπηρεσίες.
17:23
These are alsoεπίσης the exactακριβής things that
computersΥπολογιστές have just learnedέμαθα how to do.
349
1031473
4154
Είναι αυτά ακριβώς τα πράγματα
που ο υπολογιστής μόλις έμαθε να κάνει.
17:27
So 80 percentτοις εκατό of the world'sτου κόσμου employmentεργασία
in the developedαναπτηγμένος worldκόσμος
350
1035627
3804
Έτσι το 80% της παγκόσμιας απασχόλησης
στον αναπτυσσόμενο κόσμο
είναι πράγματα που οι υπολογιστές
μόλις έμαθαν να κάνουν.
17:31
is stuffυλικό that computersΥπολογιστές
have just learnedέμαθα how to do.
351
1039431
2532
17:33
What does that mean?
352
1041963
1440
Τι σημαίνει αυτό;
17:35
Well, it'llθα το κάνει be fine.
They'llΑυτοί θα be replacedαντικατασταθεί by other jobsθέσεις εργασίας.
353
1043403
2583
Κάτι θα γίνει.
Θα αντικατασταθούν από άλλες δουλειές.
17:37
For exampleπαράδειγμα, there will be
more jobsθέσεις εργασίας for dataδεδομένα scientistsΕπιστήμονες.
354
1045986
2707
Θα γίνουν περισσότερες θέσεις
για επιστήμονες δεδομένων.
17:40
Well, not really.
355
1048693
817
Όχι ακριβώς.
17:41
It doesn't take dataδεδομένα scientistsΕπιστήμονες
very long to buildχτίζω these things.
356
1049510
3118
Δεν χρειάζονται πολύ χρόνο
να φτιάξουν κάτι τέτοιο.
17:44
For exampleπαράδειγμα, these fourτέσσερα algorithmsαλγορίθμους
were all builtχτισμένο by the sameίδιο guy.
357
1052628
3252
Αυτούς τους τέσσερις αλγόριθμους
τους έφτιαξε το ίδιο άτομο.
17:47
So if you think, oh,
it's all happenedσυνέβη before,
358
1055880
2438
Αν σκεφτείτε, εντάξει,
το έχουμε ξαναδεί το έργο,
17:50
we'veέχουμε seenείδα the resultsΑποτελέσματα in the pastτο παρελθόν
of when newνέος things come alongκατά μήκος
359
1058318
3808
είδαμε τα αποτελέσματα στο παρελθόν
όταν προέκυψαν νέες ανάγκες
17:54
and they get replacedαντικατασταθεί by newνέος jobsθέσεις εργασίας,
360
1062126
2252
και αντικαταστάθηκαν από νέα επαγγέλματα,
17:56
what are these newνέος jobsθέσεις εργασίας going to be?
361
1064378
2116
ποια θα είναι τα νέα επαγγέλματα;
17:58
It's very hardσκληρά for us to estimateεκτίμηση this,
362
1066494
1871
Είναι πολύ δύσκολο να το εκτιμήσουμε
18:00
because humanο άνθρωπος performanceεκτέλεση
growsμεγαλώνει at this gradualβαθμιαίος rateτιμή,
363
1068365
2739
γιατί η ανθρώπινη απόδοση
αυξάνεται με σταδιακό ρυθμό,
18:03
but we now have a systemΣύστημα, deepβαθύς learningμάθηση,
364
1071104
2562
αλλά τώρα έχουμε το σύστημα βαθιάς μάθησης
18:05
that we know actuallyπράγματι growsμεγαλώνει
in capabilityικανότητα exponentiallyεκθετικά.
365
1073666
3227
που αυξάνει την ικανότητά του
με ρυθμούς γεωμετρικής προόδου.
18:08
And we're here.
366
1076893
1605
Και είμαστε εδώ.
18:10
So currentlyεπί του παρόντος, we see the things around us
367
1078498
2061
Προς το παρόν,
κοιτάμε γύρω μας και σκεφτόμαστε
18:12
and we say, "Oh, computersΥπολογιστές
are still prettyαρκετά dumbχαζός." Right?
368
1080559
2676
«Οι υπολογιστές είναι χαζά μηχανήματα».
Σωστά;
18:15
But in fiveπέντε years'χρόνια time,
computersΥπολογιστές will be off this chartδιάγραμμα.
369
1083235
3429
Σε πέντε χρόνια όμως, οι υπολογιστές
θα έχουν φύγει από τα όρια του πίνακα.
18:18
So we need to be startingεκκίνηση to think
about this capabilityικανότητα right now.
370
1086664
3865
Θα πρέπει να αρχίσουμε να σκεφτόμαστε
αυτή την ικανότητα άμεσα.
Το έχουμε δει ακόμη μια φορά στο παρελθόν.
18:22
We have seenείδα this onceμια φορά before, of courseσειρά μαθημάτων.
371
1090529
2050
18:24
In the IndustrialΒιομηχανική RevolutionΕπανάσταση,
372
1092579
1387
Στη Βιομηχανική Επανάσταση
18:25
we saw a stepβήμα changeαλλαγή
in capabilityικανότητα thanksευχαριστώ to enginesκινητήρες.
373
1093966
2851
είδαμε μια αλλαγή ρυθμού στην ικανότητα
χάρις στις μηχανές.
Το θέμα είναι βέβαια, ότι μετά από λίγο
τα πράγματα ισοπεδώθηκαν.
18:29
The thing is, thoughαν και,
that after a while, things flattenedπεπλατυσμένο out.
374
1097667
3138
18:32
There was socialκοινωνικός disruptionαναστάτωση,
375
1100805
1702
Υπήρξε κοινωνική διάσπαση,
αλλά εφόσον οι μηχανές χρησιμοποιήθηκαν
για την παραγωγή ενέργειας παντού
18:34
but onceμια φορά enginesκινητήρες were used
to generateπαράγω powerεξουσία in all the situationsκαταστάσεις,
376
1102507
3439
18:37
things really settledτακτοποιημένο down.
377
1105946
2354
τα πράγματα έφτασαν σε μια σταθερότητα.
18:40
The MachineΜηχάνημα LearningΜάθηση RevolutionΕπανάσταση
378
1108300
1473
Η Επανάσταση Μηχανικής Μάθησης
18:41
is going to be very differentδιαφορετικός
from the IndustrialΒιομηχανική RevolutionΕπανάσταση,
379
1109773
2909
θα διαφέρει πολύ
από τη Βιομηχανική Επανάσταση
επειδή η Μηχανική Μάθηση
ποτέ δεν φτάνει σε στάδιο σταθερότητας.
18:44
because the MachineΜηχάνημα LearningΜάθηση RevolutionΕπανάσταση,
it never settlesδιευθετεί down.
380
1112682
2950
18:47
The better computersΥπολογιστές get
at intellectualδιανοούμενος activitiesδραστηριότητες,
381
1115632
2982
Όσο οι υπολογιστές βελτιώνονται
σε διανοητικές ικανότητες,
18:50
the more they can buildχτίζω better computersΥπολογιστές
to be better at intellectualδιανοούμενος capabilitiesικανότητες,
382
1118614
4248
θα φτιάξουν καλύτερους υπολογιστές
που θα βελτιωθούν διανοητικά περισσότερο,
18:54
so this is going to be a kindείδος of changeαλλαγή
383
1122862
1908
έτσι θα είναι ένα είδος αλλαγής
18:56
that the worldκόσμος has actuallyπράγματι
never experiencedέμπειρος before,
384
1124770
2478
που ο κόσμος δεν έχει ξαναζήσει,
έτσι η προηγούμενη αντίληψή σας
για το τι είναι δυνατόν είναι διαφορετική.
18:59
so your previousπροηγούμενος understandingκατανόηση
of what's possibleδυνατόν is differentδιαφορετικός.
385
1127248
3306
Ήδη μας επηρεάζει.
19:02
This is alreadyήδη impactingπου επηρεάζουν us.
386
1130974
1780
19:04
In the last 25 yearsχρόνια,
as capitalκεφάλαιο productivityπαραγωγικότητα has increasedαυξήθηκε,
387
1132754
3630
Τα τελευταία 25 χρόνια, καθώς αυξανόταν
η παραγωγικότητα κεφαλαίου,
19:08
laborεργασία productivityπαραγωγικότητα has been flatδιαμέρισμα,
in factγεγονός even a little bitκομμάτι down.
388
1136400
4188
η παραγωγικότητα εργασίας έμενε σταθερή,
ίσως και να μειωνόταν ελάχιστα.
19:13
So I want us to startαρχή
havingέχοντας this discussionσυζήτηση now.
389
1141408
2741
Ας ξαναρχίσουμε αυτή τη συζήτηση τώρα.
19:16
I know that when I oftenσυχνά tell people
about this situationκατάσταση,
390
1144149
3027
Ξέρω ότι όταν κάνω συζήτηση
σχετικά με αυτή την κατάσταση,
οι άνθρωποι γίνονται απαξιωτικοί.
19:19
people can be quiteαρκετά dismissiveαπολύω.
391
1147176
1490
19:20
Well, computersΥπολογιστές can't really think,
392
1148666
1673
Οι υπολογιστές δεν μπορούν να σκεφτούν,
19:22
they don't emoteο συναισθηματικός,
they don't understandκαταλαβαίνουν poetryποίηση,
393
1150339
3028
δεν νιώθουν,
δεν καταλαβαίνουν την ποίηση,
εμείς δεν καταλαβαίνουμε πραγματικά
πώς αυτοί λειτουργούν.
19:25
we don't really understandκαταλαβαίνουν how they work.
394
1153367
2521
19:27
So what?
395
1155888
1486
Και λοιπόν;
19:29
ComputersΥπολογιστές right now can do the things
396
1157374
1804
Οι υπολογιστές τώρα μπορούν να κάνουν
όσα οι άνθρωποι πληρώνονται για να κάνουν
19:31
that humansτου ανθρώπου spendδαπανήσει mostπλέον
of theirδικα τους time beingνα εισαι paidεπί πληρωμή to do,
397
1159178
2719
έτσι είναι καιρός να σκεφτούμε
19:33
so now'sτώρα είναι the time to startαρχή thinkingσκέψη
398
1161897
1731
πώς θα αναπροσαρμόσουμε
τις κοινωνικές και οικονομικές δομές
19:35
about how we're going to adjustπροσαρμόζω our
socialκοινωνικός structuresδομές and economicοικονομικός structuresδομές
399
1163628
4387
19:40
to be awareενήμερος of this newνέος realityπραγματικότητα.
400
1168015
1840
σε αυτή τη νέα πραγματικότητα.
19:41
Thank you.
401
1169855
1533
Ευχαριστώ.
(Χειροκρότημα)
19:43
(ApplauseΧειροκροτήματα)
402
1171388
802
Translated by Lucas Kaimaras
Reviewed by Chryssa Rapessi

▲Back to top

ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives.

Why you should listen

Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."

Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.

More profile about the speaker
Jeremy Howard | Speaker | TED.com