TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: Nuostabios ir bauginančios kompiuterių, kurie gali mokytis, pasekmės
Filmed:
Readability: 4.5
2,532,971 views
Kas nutinka, kai mes išmokome kompiuterį mokytis? Technologas Jeremy Howard dalinasi stebinančiomis naujovėmis greitai tobulėjančioje giliojo mokymosi srityje, technikoje, kuri suteikia kompiuteriams gebėjimą mokytis kinų kalbos, ar pažinti objektus nuotraukose, ar padėti nustatyti medicininę diagnozę (vienas gilaus mokymosi įrankis, po ilgų valandų žiūrint „YouTube“, išmokė save „kačių“ koncepcijos). Būkite įtraukti į sritį, kuri pakeis, kaip kompiuteriai šalia mūsų elgsis... greičiau, nei galite pagalvoti.
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
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 computer to do something new,
to get a computer to do something new,
0
880
4013
Anksčiau, jei norėdavai, kad kompiuteris
padarytų kažką naujo,
padarytų kažką naujo,
00:16
you would have to program it.
1
4893
1554
turėdavai programuoti.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Programavimas, sakau tiems,
kas niekada nėra to daręs,
kas niekada nėra to daręs,
00:21
requires laying out in excruciating detail
3
9858
3502
vargina savo reikalavimu išdėstyti
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
kiekvieną atskirą žingsnį, ką nori,
kad kompiuteris darytų,
kad kompiuteris darytų,
00:28
in order to achieve your goal.
5
16727
2362
kad pasiektų tavo iškeltą tikslą.
00:31
Now, if you want to do something
that you don't know how to do yourself,
that you don't know how to do yourself,
6
19089
3496
Ir jei nori padaryti kažką,
ko pats nežinai kaip padaryti,
ko pats nežinai kaip padaryti,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
tai išties yra didelis iššūkis.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Su šiuo iššūkiu susidūrė
šis žmogus, Athur Samuel.
šis žmogus, Athur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
1956 m. jis norėjo, kad kompiuteris
sugebėtų jį nugalėti žaidžiant šaškėmis.
00:44
to be able to beat him at checkers.
10
32208
2340
00:46
How can you write a program,
11
34548
2040
Kaip gali parašyti programą,
00:48
lay out in excruciating detail,
how to be better than you at checkers?
how to be better than you at checkers?
12
36588
3806
detalizuoti, kaip būti geresniam
nei esi pats žaisdamas šaškėmis?
nei esi pats žaisdamas šaškėmis?
00:52
So he came up with an idea:
13
40394
1722
Jam kilo idėja:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
jis leido kompiuteriui žaisti
prieš save tūkstančius kartų
prieš save tūkstančius kartų
00:57
and learn how to play checkers.
15
45840
2524
ir išmokti žaisti šaškėmis.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Ir tai suveikė, be to, 1962 m.
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
šis kompiuteris nugalėjo
Konektikuto čempioną.
Konektikuto čempioną.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Taigi Arthur Samuel yra
gebančios mokytis mašinos tėvas,
gebančios mokytis mašinos tėvas,
01:10
and I have a great debt to him,
19
58534
1717
ir jam aš esu skolingas,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
nes aš esu gebančios mokytis
mašinos praktikas.
mašinos praktikas.
01:15
I was the president of Kaggle,
21
63014
1465
Aš buvau „Kaggle“ prezidentu,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
bendruomenės su daugiau nei 200 000
besimokančios mašinos praktikų.
besimokančios mašinos praktikų.
01:19
Kaggle puts up competitions
23
67867
2058
„Kaggle“ skelbia konkursus
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
pabandyti ir išspręsti
prieš tai neišspręstas problemas,
prieš tai neišspręstas problemas,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
ir tai pavyko šimtus kartų.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Taigi turėdamas pranašumą
aš galėjau daug sužinoti
aš galėjau daug sužinoti
01:31
a lot about what machine learning
can do in the past, can do today,
can do in the past, can do today,
27
79940
3950
apie tai, ką besimokančios mašinos
galėjo padaryti praeity, ką gali dabar,
galėjo padaryti praeity, ką gali dabar,
01:35
and what it could do in the future.
28
83890
2362
ir ką galėtų ateityje.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Galbūt pirma didžiausia besimokančios
mašinos komercinė sėkmė buvo „Google“.
mašinos komercinė sėkmė buvo „Google“.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
„Google“ įrodė, kad įmanoma
surasti informaciją,
surasti informaciją,
01:45
by using a computer algorithm,
31
93784
1752
naudojant kompiuterio algoritmą,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
šis algoritmas paremtas
mašinos gebėjimu mokytis.
mašinos gebėjimu mokytis.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Nuo to laiko turime daugiau
komercinės sėkmės pavyzdžių.
komercinės sėkmės pavyzdžių.
01:54
Companies like Amazon and Netflix
34
102323
1837
Įmonės, kaip „Amazon“ ir „Netflix“,
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
naudoja besimokančias mašinas, kad
pasiūlytų tai, ką gal norėtumėte pirkti,
pasiūlytų tai, ką gal norėtumėte pirkti,
01:59
movies that you might like to watch.
36
107876
2020
filmų, kuriuos galbūt norėtumėte pamatyti.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Kartais tai kelia baimę.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Įmonės, kaip „LinkedIn“ ir „Facebook“,
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
kartais pasiūlys jums, kas
galėtų būti jūsų draugais,
galėtų būti jūsų draugais,
02:08
and you have no idea how it did it,
40
116251
1977
ir jūs nežinote, kaip jie tai daro,
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
ir tai tik dėl to, kad jie naudoja
besimokančios mašinos galią.
besimokančios mašinos galią.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Tai yra algoritmai, kurie iš duomenų
mokosi, kaip tai padaryti,
mokosi, kaip tai padaryti,
02:16
rather than being programmed by hand.
43
124152
3247
užuot būtų programuojami ranka.
02:19
This is also how IBM was successful
44
127399
2478
Taip buvo ir su IBM pasisekimu,
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
kad Watson sumuštų du
pasaulio čempionus žaidime „Jeopardy“,
pasaulio čempionus žaidime „Jeopardy“,
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
atsakinėjant neįtikėtinai subtilius ir
sunkius klausimus, kaip šis.
sunkius klausimus, kaip šis.
02:28
["The ancient 'Lion of Nimrud' went missing
from this city's national museum in 2003
(along with a lot of other stuff)"]
from this city's national museum in 2003
(along with a lot of other stuff)"]
47
136964
2835
[„Antik. „Nimrudo liūtas“ dingo
iš šio miesto muziejaus...“]
iš šio miesto muziejaus...“]
02:31
This is also why we are now able
to see the first self-driving cars.
to see the first self-driving cars.
48
139799
3235
Dėl tos pačios priežasties matome
pirmus automobilius be vairuotojų.
pirmus automobilius be vairuotojų.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Jei jūs norite įvardinti
skirtumą tarp, pavyzdžiui,
skirtumą tarp, pavyzdžiui,
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
medžio ir pėsčiojo,
ką gi, tai gana svarbu.
ką gi, tai gana svarbu.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Mes nežinome, kaip parašyti
šias programas ranka,
šias programas ranka,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
bet su besimokančiomis mašinomis
dabar tai įmanoma.
dabar tai įmanoma.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Išties, šis automobilis nuvažiavo
virš milijono mylių
virš milijono mylių
02:48
without any accidents on regular roads.
54
156680
3506
be jokių eismo įvykių įprastuose keliuose.
02:52
So we now know that computers can learn,
55
160196
3914
Dabar žinome – kompiuteriai gali mokytis,
02:56
and computers can learn to do things
56
164110
1900
ir jie gali išmokti daryti dalykus,
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
kurių mes patys kartais,
nežinome kaip padaryti,
nežinome kaip padaryti,
03:00
or maybe can do them better than us.
58
168848
2885
o gal netgi padaryti geriau, nei mes.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Vienas iš nuostabiausių mano matytų
besimokančios mašinos pavyzdžių
besimokančios mašinos pavyzdžių
03:07
happened on a project that I ran at Kaggle
60
175928
2392
nutiko mano vykdytame projekte „Kaggle“.
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
Komanda, kuriai vadovavo vaikinas
vardu Geoffrey Hinton,
vardu Geoffrey Hinton,
03:13
from the University of Toronto
62
181911
1552
iš Toronto universiteto,
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
laimėjo varžybas už
automatinį vaistų atradimą.
automatinį vaistų atradimą.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Keisčiausia ne tai, kad
jie paneigė visus
jie paneigė visus
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
Merck sukurtus ar tarptautinius
akademinės bendruomenės algoritmus,
akademinės bendruomenės algoritmus,
03:25
but nobody on the team had any background
in chemistry or biology or life sciences,
in chemistry or biology or life sciences,
66
193000
5061
o tai, kad nei vienas neturėjo chemijos,
biologijos ar gamtos mokslų pagrindų,
biologijos ar gamtos mokslų pagrindų,
03:30
and they did it in two weeks.
67
198061
2169
ir jie tai padarė per dvi savaites.
03:32
How did they do this?
68
200230
1381
Kaip jiems pavyko?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Jie naudojo išskirtinį algoritmą,
vadinamą giliuoju mokymusi.
vadinamą giliuoju mokymusi.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Tai buvo tiek svarbu, kad ši
sėkmės istorija buvo aprašyta
sėkmės istorija buvo aprašyta
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
pirmajame „New York Times“ puslapyje
po kelių savaičių.
po kelių savaičių.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Čia yra Geoffrey Hinton,
kairėje pusėje.
kairėje pusėje.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
Gilusis mokymasis yra algoritmas,
įkvėptas to, kaip dirba žmogaus smegenys,
įkvėptas to, kaip dirba žmogaus smegenys,
03:50
and as a result it's an algorithm
74
218488
1812
ir dėl to šis algoritmas
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
neturi teorinių apribojimų tam,
ką jis gali daryti.
ką jis gali daryti.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Kuo daugiau jam duodi duomenų ir
laiko jiems apskaičiuoti,
laiko jiems apskaičiuoti,
03:58
the better it gets.
77
226964
1312
tuo jis geresnis.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
„New York Times“ taip pat
tame straipsnyje aprašė
tame straipsnyje aprašė
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
kitą išskirtinį
gilaus mokymosi rezultatą,
gilaus mokymosi rezultatą,
04:04
which I'm going to show you now.
80
232857
2712
kurį dabar jums parodysiu.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Tai rodo, kad kompiuteris
gali girdėti ir suprasti.
gali girdėti ir suprasti.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Video) Richard Rashid: Dabar
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
paskutinis dalykas, ką norėčiau
padaryti šiame procese,
padaryti šiame procese,
04:18
is to actually speak to you in Chinese.
84
246246
4715
yra kalbėti su jumis kiniškai.
04:22
Now the key thing there is,
85
250961
2635
Pagrindinis dalykas,
04:25
we've been able to take a large amount
of information from many Chinese speakers
of information from many Chinese speakers
86
253596
5002
kad mes turėjome galimybę surinkti
daugybę informacijos iš kalbančių kiniškai
daugybę informacijos iš kalbančių kiniškai
04:30
and produce a text-to-speech system
87
258598
2530
ir sukurti teksto-kalbos sistemą,
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
kuri paima kinišką tekstą
ir konvertuoja jį į kinų kalbą,
ir konvertuoja jį į kinų kalbą,
04:37
and then we've taken
an hour or so of my own voice
an hour or so of my own voice
89
265801
4128
ir tada mes paėmėme
apie valandą mano balso,
apie valandą mano balso,
04:41
and we've used that to modulate
90
269929
1891
ir tai panaudojome sumodeliuoti
04:43
the standard text-to-speech system
so that it would sound like me.
so that it would sound like me.
91
271820
4544
standartinę teksto-kalbos sistemą,
kuri kalbėtų mano balsu.
kuri kalbėtų mano balsu.
04:48
Again, the result's not perfect.
92
276364
2540
Dar kartą, rezultatas nėra tobulas.
04:50
There are in fact quite a few errors.
93
278904
2648
Iš tiesų, yra keli netikslumai.
04:53
(In Chinese)
94
281552
2484
(Kiniškai)
04:56
(Applause)
95
284036
3367
(Plojimai)
05:01
There's much work to be done in this area.
96
289446
3576
Dar daug reikia nuveikti šioje srityje.
05:05
(In Chinese)
97
293022
3645
(Kiniškai)
05:08
(Applause)
98
296667
3433
(Plojimai)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Jeremy Howard: Tai buvo besimokan-
čių mašinų konferencija Kinijoje.
čių mašinų konferencija Kinijoje.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Išties nedažnai pasitaiko
mokslo konferencijose
mokslo konferencijose
05:19
that you do hear spontaneous applause,
101
307114
1897
išgirsti spontaniškus plojimus,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
nors, žinoma, kartais pasitaiko ir
TEDx konferencijose, nesivaržykite.
TEDx konferencijose, nesivaržykite.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Viskas, ką jūs čia matėte,
vyko su giliuoju mokymusi.
vyko su giliuoju mokymusi.
05:27
(Applause) Thank you.
104
315482
1525
(Plojimai) Dėkoju.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
Angliška transkripcija
buvo gilus mokymasis.
buvo gilus mokymasis.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
Vertimas į kinų kalbą ir tekstas
viršuje dešinėje – gilus mokymasis,
viršuje dešinėje – gilus mokymasis,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
ir balso konstrukcija –
taip pat gilus mokymasis.
taip pat gilus mokymasis.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Gilusis mokymasis yra
išskirtinis dalykas.
išskirtinis dalykas.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Tai yra atskiras algoritmas,
kuris, atrodo, gali beveik viską,
kuris, atrodo, gali beveik viską,
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
ir aš atradau, kad prieš metus
jis išmoko matyti.
jis išmoko matyti.
05:47
In this obscure competition from Germany
111
335452
2176
Šiame nežymiame konkurse Vokietijoje,
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
pavadintame Vokiečių kelių ženklų
atpažinimo etalonu,
atpažinimo etalonu,
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
gilusis mokymasis išmoko
atpažinti kelio ženklus, kaip šis.
atpažinti kelio ženklus, kaip šis.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Ne tik galėjo
atpažinti kelio ženklus
atpažinti kelio ženklus
05:57
better than any other algorithm,
115
345712
1758
geriau, nei kiti algoritmai,
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
rezultatų lentelė parodė,
kad jis buvo geresnis už žmones,
kad jis buvo geresnis už žmones,
06:02
about twice as good as people.
117
350189
1852
netgi du kartus geresnis.
06:04
So by 2011, we had the first example
118
352041
1996
Taigi 2011 m. turėjome pirmą pavyzdį
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
kompiuterių, galinčių matyti
geriau, nei žmonės.
geriau, nei žmonės.
06:09
Since that time, a lot has happened.
120
357442
2049
Nuo tada daug kas įvyko.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
2012 m. „Google“ paskelbė, kad
jie leido gilaus mokymosi algoritmui
jie leido gilaus mokymosi algoritmui
06:15
watch YouTube videos
122
363005
1415
žiūrėti „YouTube“ įrašus
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
ir mėnesį rinko duomenis iš
16 000 kompiuterių,
16 000 kompiuterių,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
ir šie kompiuteriai savarankiškai išmoko
apie sąvokas, kaip žmonės ir katės,
apie sąvokas, kaip žmonės ir katės,
06:24
just by watching the videos.
125
372218
1809
tiesiog žiūrėdami vaizdo įrašus.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Tai panašu į tai,
kaip mokosi žmonės.
kaip mokosi žmonės.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Žmonės mokosi ne kai jiems sakoma,
ką jie mato,
ką jie mato,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
bet mokosi patys atrasdami,
kas šie dalykai yra.
kas šie dalykai yra.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Taip pat 2012 m. Geoffrey Hinton,
kurį matėme anksčiau,
kurį matėme anksčiau,
06:37
won the very popular ImageNet competition,
130
385819
2858
laimėjo populiarų „ImageNet“ konkursą,
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
bandantį apskaičiuoti
iš pusantro milijono vaizdų,
iš pusantro milijono vaizdų,
06:44
what they're pictures of.
132
392818
1438
kieno tai nuotraukos.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
Nors dabar 2014 m., mes vis dar
klystame 6 procentais
klystame 6 procentais
06:49
in image recognition.
134
397789
1453
atpažindami vaizdus.
06:51
This is better than people, again.
135
399242
2026
Ir vėlgi tai yra geriau, nei gali žmonės.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Taigi mašinos išties daro
išskirtinį darbą šioje srityje,
išskirtinį darbą šioje srityje,
06:57
and it is now being used in industry.
137
405037
2269
ir dabar tai naudojama pramonėje.
06:59
For example, Google announced last year
138
407306
3042
Pavyzdžiui, „Google“ pernai paskelbė,
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
kad į žemėlapį įtraukė kiekvieną atskirą
Prancūzijos vietą vos per dvi valandas,
Prancūzijos vietą vos per dvi valandas,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
jie tai padarė perkeldami
gatvių vaizdus
gatvių vaizdus
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
į gilaus mokymosi algoritmą,
kad atpažintų gatvių numerius.
kad atpažintų gatvių numerius.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Įsivaizduokite, kaip ilgai
tai būtų užtrukę:
tai būtų užtrukę:
07:16
dozens of people, many years.
143
424919
3355
daugybė žmonių ir metų.
07:20
This is also happening in China.
144
428274
1911
Tai vyksta ir Kinijoje.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
„Baidu“ yra savotiškas
kinų „Google“, spėju,
kinų „Google“, spėju,
07:26
and what you see here in the top left
146
434221
2283
ir tai, ką jūs matote viršuje kairėje
07:28
is an example of a picture that I uploaded
to Baidu's deep learning system,
to Baidu's deep learning system,
147
436504
3974
yra pavyzdys nuotraukos, kurią aš
įkėliau į „Baidu“ gilaus mokymosi sistemą,
įkėliau į „Baidu“ gilaus mokymosi sistemą,
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
ir apačioje jūs galite pamatyti, kad
sistema suprato, kas yra nuotraukoje,
sistema suprato, kas yra nuotraukoje,
07:36
and found similar images.
149
444247
2236
ir rado panašius vaizdus.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Išties panašūs vaizdai
turi panašų foną,
turi panašų foną,
07:41
similar directions of the faces,
151
449219
1658
panašų snukių pasukimą,
07:42
even some with their tongue out.
152
450877
1788
netgi kai kurie su iškištu liežuviu.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Tai nelabai aišku, žiūrint
į tekstą tinklalapyje.
į tekstą tinklalapyje.
07:47
All I uploaded was an image.
154
455695
1412
Aš įkėliau tik nuotrauką.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Taigi dabar mes turime kompiuterius,
kurie tikrai supranta, ką mato
kurie tikrai supranta, ką mato
07:53
and can therefore search databases
156
461128
1624
ir gali ieškoti duomenų bazėse
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
šimtus milijonus
vaizdų realiu laiku.
vaizdų realiu laiku.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Taigi ką reiškia, kad
dabar kompiuteriai gali matyti?
dabar kompiuteriai gali matyti?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Tai ne tik, kad
kompiuteriai gali matyti.
kompiuteriai gali matyti.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Išties, gilus mokymasis
padarė daugiau.
padarė daugiau.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Sudėtingi sakiniai su niuansais, kaip šis
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
dabar yra suprantami
su gilaus mokymosi algoritmais.
su gilaus mokymosi algoritmais.
08:11
As you can see here,
163
479394
1303
Kaip galite čia matyti.
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
ši Stanfordu paremta sistema,
rodanti raudoną tašką viršuj,
rodanti raudoną tašką viršuj,
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
suprato, kad šis sakinys
išreiškia neigiamą mintį.
išreiškia neigiamą mintį.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Gilus mokymasis iš tiesų
artėja prie žmogaus gebėjimo
artėja prie žmogaus gebėjimo
08:22
at understanding what sentences are about
and what it is saying about those things.
and what it is saying about those things.
167
490802
5121
suprasti, apie ką yra sakiniai
ir kas yra sakoma apie tuos dalykus.
ir kas yra sakoma apie tuos dalykus.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Taip pat, gilus mokymasis
buvo naudotas skaityti kiniškai
buvo naudotas skaityti kiniškai
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
dar kartą gimtosios
kinų kalbos skaitytojo lygiu.
kinų kalbos skaitytojo lygiu.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Šis algoritmas, sukurtas
Šveicarijoje žmonių,
Šveicarijoje žmonių,
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
kurių nei vienas nekalba
ar supranta kiniškai.
ar supranta kiniškai.
08:39
As I say, using deep learning
172
507331
2051
Kaip ir sakiau, gilaus mokymosi naudojimas
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
už tai yra geriausia sistema
pasaulyje
pasaulyje
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
net palyginus su įgimtu
žmogaus suvokimu.
žmogaus suvokimu.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Tai yra sistema, kurią mes
sudėjome mano kompanijoje,
sudėjome mano kompanijoje,
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
kuri rodo, kaip sudeda
viską į krūvą.
viską į krūvą.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Štai čia nuotraukos, kurios
neturi pridėto teksto,
neturi pridėto teksto,
08:56
and as I'm typing in here sentences,
178
524189
2352
ir kai aš rašau šiuos žodžius,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
ji realiu laiku supranta
šias nuotraukas
šias nuotraukas
09:01
and figuring out what they're about
180
529510
1679
ir išsiaiškina, apie ką jos,
09:03
and finding pictures that are similar
to the text that I'm writing.
to the text that I'm writing.
181
531189
3163
ir suranda nuotraukas, panašias
į tekstą, kurį aš rašau.
į tekstą, kurį aš rašau.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Taigi jūs matote, kad ji išties
supranta mano žodžius
supranta mano žodžius
09:09
and actually understanding these pictures.
183
537108
2224
ir iš tikrųjų supranta šiuos vaizdus.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Žinau, kad jūs matėte
kažką panašaus „Google“,
kažką panašaus „Google“,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
kur jūs rašote tekstą,
ir jums suranda vaizdus,
ir jums suranda vaizdus,
09:16
but actually what it's doing is it's
searching the webpage for the text.
searching the webpage for the text.
186
544666
3424
bet iš tikrųjų ji tik ieško
tinklalapio su nurodytu tekstu.
tinklalapio su nurodytu tekstu.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Tai išties skiriasi nuo tikro
vaizdų supratimo.
vaizdų supratimo.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Tai yra kažkas, ką kompiuteriai
galėjo padaryti
galėjo padaryti
09:25
for the first time in the last few months.
189
553843
3248
pirmą kartą paskutiniais mėnesiais.
09:29
So we can see now that computers
can not only see but they can also read,
can not only see but they can also read,
190
557091
4091
Taigi mes matome, kad kompiuteriai
gali ne tik matyti, bet ir skaityti,
gali ne tik matyti, bet ir skaityti,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
ir, žinoma, mes parodėme, kad jie
gali suprasti ką girdi.
gali suprasti ką girdi.
09:36
Perhaps not surprising now that
I'm going to tell you they can write.
I'm going to tell you they can write.
192
564947
3442
Gal nenustebinsiu jums pasakydamas,
kad jie gali ir rašyti.
kad jie gali ir rašyti.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Štai čia tekstas, kurį sugeneravau vakar
naudodamas gilaus mokymosi algoritmą.
naudodamas gilaus mokymosi algoritmą.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Ir štai čia - tekstas, kurį sugeneravo
Stanfordo algoritmas.
Stanfordo algoritmas.
09:49
Each of these sentences was generated
195
577096
1764
Kiekvienas šių sakinių buvo sukurtas
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
gilaus mokymosi algoritmo,
kad aprašytų kiekvieną šių vaizdų.
kad aprašytų kiekvieną šių vaizdų.
09:55
This algorithm before has never seen
a man in a black shirt playing a guitar.
a man in a black shirt playing a guitar.
197
583109
4472
Šis algoritmas prieš tai nebuvo matęs
vyro juodais marškinėliais grojant gitara.
vyro juodais marškinėliais grojant gitara.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Jis yra matęs vyrą prieš tai,
yra matęs juodą,
yra matęs juodą,
10:01
it's seen a guitar before,
199
589801
1599
taip pat ir gitarą,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
bet jis savarankiškai sugeneravo
šį nuotraukos aprašymą.
šį nuotraukos aprašymą.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Kol kas tai neprilygsta žmogaus
gebėjimams, bet mes esame arti.
gebėjimams, bet mes esame arti.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Testuose žmonės teikia pirmenybę
kompiuterio sukurtai antraštei
kompiuterio sukurtai antraštei
10:15
one out of four times.
203
603264
1527
vieną iš keturių kartų.
10:16
Now this system is now only two weeks old,
204
604791
2064
Šiai sistemai kol kas tik dvi savaitės,
10:18
so probably within the next year,
205
606855
1846
taigi tikėtina, kad per kitus metus
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
kompiuterio algoritmas bus
10:23
at the rate things are going.
207
611502
1862
gerokai pralenkęs žmogaus gebėjimus.
10:25
So computers can also write.
208
613364
3049
Taigi kompiuteriai taip pat gali rašyti.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Taigi mes viską sudėjome, ir tai
veda į įdomias galimybes.
veda į įdomias galimybes.
10:31
For example, in medicine,
210
619888
1492
Pavyzdžiui, medicinoje.
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
Komanda Bostone pranešė,
kad jie atrado
kad jie atrado
10:35
dozens of new clinically relevant features
212
623905
2949
daugybę naujų kliniškai svarbių
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
auglių bruožų, kurie padeda gydytojams
prognozuoti vėžį.
prognozuoti vėžį.
10:44
Very similarly, in Stanford,
214
632220
2296
Labai panašiai Stanforde
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
ten esanti komanda pranešė, kad
tyrinėdami padidintus audinius
tyrinėdami padidintus audinius
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
jie sukūrė sistemą,
pagrįstą mašinos mokymusi,
pagrįstą mašinos mokymusi,
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
kuri išties yra geresnė,
už žmones patologus
už žmones patologus
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
nustatant išgyvenimo tikimybę
sergantiems vėžiu.
sergantiems vėžiu.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
Abiem atvejais ne tik buvo
tikslesnės prognozės,
tikslesnės prognozės,
11:02
but they generated new insightful science.
220
650764
2502
bet jie sukūrė ir naują įžvalgos mokslą.
11:05
In the radiology case,
221
653276
1505
Radiologijos atveju
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
tai buvo nauji klinikiniai indikatoriai,
kuriuos supranta žmonės.
kuriuos supranta žmonės.
11:09
In this pathology case,
223
657876
1792
Patologijos atveju
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
kompiuterio sistema atrado, kad
ląstelės aplink vėžio židinį
ląstelės aplink vėžio židinį
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
yra tokios pat svarbios,
kaip vėžinės ląstelės
kaip vėžinės ląstelės
11:19
in making a diagnosis.
226
667508
1752
nustatant diagnozę.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Tai yra atvirkščiai, nei patologai
buvo mokami dešimtmečiais.
buvo mokami dešimtmečiais.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
Kiekviename šių dviejų atvejų
buvo sukurtos sistemos
buvo sukurtos sistemos
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
derinant medicinos ekspertus
ir mašinos mokymosi ekspertus,
ir mašinos mokymosi ekspertus,
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
bet paskutiniais metais
mes pažengėme į priekį.
mes pažengėme į priekį.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Štai čia pavyzdys, kaip
nustatomos vėžio ląstelės
nustatomos vėžio ląstelės
11:39
of human tissue under a microscope.
232
687824
2530
žmogaus audinyje po mikroskopu.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Čia demonstruojama sistema
gali atpažinti šias vietas tiksliau,
gali atpažinti šias vietas tiksliau,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
ar beveik taip pat tiksliai,
kaip gydytojai patologai,
kaip gydytojai patologai,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
ji buvo sukurta vien su giliu
mokymusi, be jokių medicinos žinių
mokymusi, be jokių medicinos žinių
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
žmonių, kurie neturi
jokio pagrindo šioje srityje.
jokio pagrindo šioje srityje.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Panašiai čia, tai neurono segmentavimas.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Dabar galime segmentuoti neuronus
beveik taip pat tiksliai, kaip žmonės,
beveik taip pat tiksliai, kaip žmonės,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
bet ši sistema sukurta
naudojant gilų mokymąsi
naudojant gilų mokymąsi
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
žmonių, neturinčių ankstesnės
patirties medicinoje.
patirties medicinoje.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Taigi aš, neturintis
jokio medicininio išsilavinimo,
jokio medicininio išsilavinimo,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
panašu, kad esu tinkamas
įsteigti naują medicinos kompaniją,
įsteigti naują medicinos kompaniją,
12:15
which I did.
243
723875
2146
ką aš ir padariau.
12:18
I was kind of terrified of doing it,
244
726021
1740
Tam tikra prasme bijojau tą daryti,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
bet teorija, rodos, pati patarė,
kad turėtų būti įmanoma
kad turėtų būti įmanoma
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
sukurti naudingą mediciną,
naudojant tik duomenų analizės technikas.
naudojant tik duomenų analizės technikas.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Ir laimei, atsiliepimai
buvo puikūs,
buvo puikūs,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
ne tik iš žiniasklaidos,
bet ir iš medikų,
bet ir iš medikų,
12:32
who have been very supportive.
249
740978
2344
kurie labai palaikė.
12:35
The theory is that we can take
the middle part of the medical process
the middle part of the medical process
250
743322
4149
Teoriškai mes galime paimti
vidurinę medicininio proceso dalį
vidurinę medicininio proceso dalį
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
ir paversti ją į duomenų analizę
kiek įmanoma daugiau,
kiek įmanoma daugiau,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
leidžiant gydytojams daryti tai,
ką jie geriausiai sugeba.
ką jie geriausiai sugeba.
12:45
I want to give you an example.
253
753429
1602
Noriu jums duoti pavyzdį.
12:47
It now takes us about 15 minutes
to generate a new medical diagnostic test
to generate a new medical diagnostic test
254
755031
4944
Mums užtrunka apie 15 minučių
sukurti naują medicininės diagnozės testą,
sukurti naują medicininės diagnozės testą,
12:51
and I'll show you that in real time now,
255
759975
1954
dabar aš jums parodysiu realiu laiku,
12:53
but I've compressed it down to
three minutes by cutting some pieces out.
three minutes by cutting some pieces out.
256
761929
3487
bet aš sumažinau jį iki trijų
minučių išmesdamas kai kurias dalis.
minučių išmesdamas kai kurias dalis.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Užuot rodęs jums, kaip
kuriamas medicininės diagnozės testas,
kuriamas medicininės diagnozės testas,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
aš jums parodysiu
mašinų vaizdų diagnozės testą,
mašinų vaizdų diagnozės testą,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
nes šitai mes visi
galime suprasti.
galime suprasti.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Taigi pradedame su
apie 1,5 milijono automobilių vaizdų,
apie 1,5 milijono automobilių vaizdų,
13:09
and I want to create something
that can split them into the angle
that can split them into the angle
261
777269
3206
ir aš noriu sukurti kažką,
kas gali juos išskaidyti pagal
kas gali juos išskaidyti pagal
13:12
of the photo that's being taken.
262
780475
2223
padarytos nuotraukos kampą.
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
so I have to start from scratch.
263
782698
3888
Šie vaizdai yra be žymių,
taigi turiu pradėti nuo pradžių.
taigi turiu pradėti nuo pradžių.
13:18
With our deep learning algorithm,
264
786586
1865
Naudojant gilaus mokymosi algoritmą
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
jis gali automatiškai identifikuoti
struktūros vietas šiuose vaizduose.
struktūros vietas šiuose vaizduose.
13:24
So the nice thing is that the human
and the computer can now work together.
and the computer can now work together.
266
792158
3620
Nuostabu, kad žmogus ir kompiuteris
dabar gali kartu dirbti.
dabar gali kartu dirbti.
13:27
So the human, as you can see here,
267
795778
2178
Taigi žmogus, kaip jūs matote čia,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
nurodo kompiuteriui
jam rūpimas vietas,
jam rūpimas vietas,
13:32
which it wants the computer then
to try and use to improve its algorithm.
to try and use to improve its algorithm.
269
800631
4650
nori, kad kompiuteris
išbandytų ir pagerintų savo algoritmą.
išbandytų ir pagerintų savo algoritmą.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Dabar šios gilaus mokymosi sistemos
yra 16 000 dimensijų erdvėje,
yra 16 000 dimensijų erdvėje,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
taigi jūs matote kompiuterį,
besisukantį šioje erdvėje,
besisukantį šioje erdvėje,
13:45
trying to find new areas of structure.
272
813009
1992
ieškantį naujų struktūros vietų.
13:47
And when it does so successfully,
273
815001
1781
Ir, kai jam tai pavyksta,
13:48
the human who is driving it can then
point out the areas that are interesting.
point out the areas that are interesting.
274
816782
4004
žmogus, kuris jį valdo, tada
atkreipia dėmesį į įdomias vietas.
atkreipia dėmesį į įdomias vietas.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Taigi kompiuteris
sėkmingai surado vietas,
sėkmingai surado vietas,
13:55
for example, angles.
276
823208
2562
pavyzdžiui, kampus.
13:57
So as we go through this process,
277
825770
1606
Kai perėjome šį procesą,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
mes tolygiai nurodome
kompiuteriui vis daugiau
kompiuteriui vis daugiau
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
apie struktūrų tipus,
kurių mes ieškome.
kurių mes ieškome.
14:04
You can imagine in a diagnostic test
280
832144
1772
Įsivaizduokite diagnostikos teste
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
tai būtų patologas, identifikuojantis,
pavyzdžiui, susirgimo tipą,
pavyzdžiui, susirgimo tipą,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
arba radiologas, nustatantis
potencialiai pavojingus mazgelius.
potencialiai pavojingus mazgelius.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Ir kartais tai gali būti
sudėtinga algoritmui.
sudėtinga algoritmui.
14:16
In this case, it got kind of confused.
284
844851
1964
Šiuo atveju jis šiek tiek pasimetė.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Mašinų priekiai ir galai
yra sumaišyti.
yra sumaišyti.
14:21
So here we have to be a bit more careful,
286
849365
2072
Taigi turime būti dėmesingesni,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
rankiniu būdu atrinkdami šiuos priekius,
kaip galų priešingybes
kaip galų priešingybes
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
tada nurodyti kompiuteriui,
kad šio tipo grupė
kad šio tipo grupė
14:32
that we're interested in.
289
860175
1348
mus domina.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Taigi mes tai darome kurį laiką,
šiek tiek praleidžiame,
šiek tiek praleidžiame,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
ir tada treniruojame
mašinos mokymosi algoritmą,
mašinos mokymosi algoritmą,
14:38
based on these couple of hundred things,
292
866446
1974
paremtą keliais šimtais dalykų,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
ir mes tikimės, kad jis patobulės.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Dabar matote, kad jis pradėjo
išmetinėti kai kuriuos vaizdus,
išmetinėti kai kuriuos vaizdus,
14:45
showing us that it already is recognizing
how to understand some of these itself.
how to understand some of these itself.
295
873518
4708
rodydamas mums, kad jau žino,
kaip pačiam suprasti kai kuriuos vaizdus.
kaip pačiam suprasti kai kuriuos vaizdus.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Tada mes galime naudoti šį
panašių vaizdų konceptą,
panašių vaizdų konceptą,
14:53
and using similar images, you can now see,
297
881128
2094
ir naudojant panašius vaizdus, matote,
14:55
the computer at this point is able to
entirely find just the fronts of cars.
entirely find just the fronts of cars.
298
883222
4019
kompiuteris šioje vietoje sugeba
atrasti vien automobilių priekius.
atrasti vien automobilių priekius.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Šiuo atveju žmogus
gali pasakyti kompiuteriui,
gali pasakyti kompiuteriui,
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
puiku, tu padarei
gerą darbą.
gerą darbą.
15:05
Sometimes, of course, even at this point
301
893652
2185
Kartais, žinoma, net ir šiuo momentu
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
tai vis dar sudėtinga
atskirti grupes.
atskirti grupes.
15:11
In this case, even after we let the
computer try to rotate this for a while,
computer try to rotate this for a while,
303
899511
3884
Net jei mes leidžiame
kompiuteriui bandyti kurį laiką,
kompiuteriui bandyti kurį laiką,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
mes vis dar randame, kad kairės ir
dešinės pusės vaizdai
dešinės pusės vaizdai
15:18
are all mixed up together.
305
906744
1478
yra visi sumaišyti.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Mes galime vėl kompiuteriui
duoti užuominų,
duoti užuominų,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
sakome - gerai, pabandyk ir rask
projekciją, kuri kuo labiau
projekciją, kuri kuo labiau
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
išskiria kaires puses nuo dešinių
15:27
using this deep learning algorithm.
309
915945
2122
naudojant šį gilaus mokymosi algoritmą.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Ir davus užuominą –
ak, puiku, pavyko.
ak, puiku, pavyko.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Jam pavyko surasti mąstymo
apie šiuos objektus būdą,
apie šiuos objektus būdą,
15:35
that's separated out these together.
312
923891
2380
kas atskyrė detales.
15:38
So you get the idea here.
313
926271
2438
Taigi jūs mane supratote.
15:40
This is a case not where the human
is being replaced by a computer,
is being replaced by a computer,
314
928709
8197
Čia ne tas atvejis, kur žmogus
yra pakeičiamas kompiuterio,
yra pakeičiamas kompiuterio,
15:48
but where they're working together.
315
936906
2640
bet tas, kai jie dirba kartu.
15:51
What we're doing here is we're replacing
something that used to take a team
something that used to take a team
316
939546
3550
Ką mes čia darome, tai išstumiame
kažką, kam reikėdavo komandos
kažką, kam reikėdavo komandos
15:55
of five or six people about seven years
317
943096
2002
iš penkių ar šešių žmonių 7 metams,
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
ir pakeičiame tai su kažkuo,
kas užtrunka 15 min.
kas užtrunka 15 min.
15:59
for one person acting alone.
319
947703
2505
veikiant vienam asmeniui.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Šiam procesui prireikia
4 ar 5 pakartojimų.
4 ar 5 pakartojimų.
16:06
You can see we now have 62 percent
321
954158
1859
Dabar matote, kad turime 62 proc.
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
iš mūsų 1,5 milijono vaizdų
suskirstytų teisingai.
suskirstytų teisingai.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Ir šiame etape mes
galime pradėti gana greitai
galime pradėti gana greitai
16:13
grab whole big sections,
324
961448
1297
imti pilnas dalis,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
patikrinti jas ir įsitikinti,
kad nėra klaidų.
kad nėra klaidų.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Jei yra klaidų, leidžiame
kompiuteriui jas žinoti.
kompiuteriui jas žinoti.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Ir naudodami tokį procesą
kiekvienai atskirai grupei
kiekvienai atskirai grupei
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
mes pasiekiame 80 proc.
sėkmės rodiklį
sėkmės rodiklį
16:27
in classifying the 1.5 million images.
329
975148
2415
skirstant 1,5 milijono vaizdų.
16:29
And at this point, it's just a case
330
977563
2078
Šiuo momentu tai tik problema,
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
kaip surasti mažą kiekį,
kuris nėra teisingai suklasifikuotas,
kuris nėra teisingai suklasifikuotas,
16:35
and trying to understand why.
332
983220
2888
ir pabandyti suprasti kodėl.
16:38
And using that approach,
333
986108
1743
Naudojant šį metodą,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
per 15 minučių mes
suklasifikuojame 97 proc.
suklasifikuojame 97 proc.
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
Tokio tipo technika leistų
mums išspręsti pagrindinę problemą –
mums išspręsti pagrindinę problemą –
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
medicininės ekspertizės
trūkumą pasaulyje.
trūkumą pasaulyje.
16:51
The World Economic Forum says
that there's between a 10x and a 20x
that there's between a 10x and a 20x
337
999614
3489
Pasaulio ekonomikos forumas teigia,
kad gydytojų trūkumas siekia
kad gydytojų trūkumas siekia
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
nuo 10 iki 20 kartų
besivystančiose šalyse,
besivystančiose šalyse,
16:57
and it would take about 300 years
339
1005727
2113
ir prireiktų apie 300 metų
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
išmokyti pakankamai žmonių
šiai problemai panaikinti.
šiai problemai panaikinti.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Įsivaizduokite, jei galėtume
padidinti jų efektyvumą
padidinti jų efektyvumą
17:05
using these deep learning approaches?
342
1013619
2839
naudodami šiuos gilaus mokymosi būdus?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Esu labai susijaudinęs
dėl šių galimybių.
dėl šių galimybių.
17:10
I'm also concerned about the problems.
344
1018690
2589
Man taip pat rūpi šios problemos.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Problema ta, kad
kiekviena mėlyna spalva šiame žemėlapyje
kiekviena mėlyna spalva šiame žemėlapyje
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
rodo, kur paslaugos užima
virš 80 procentų užimtumo.
virš 80 procentų užimtumo.
17:20
What are services?
347
1028172
1787
Kokios tai paslaugos?
17:21
These are services.
348
1029959
1514
Štai šios paslaugos.
17:23
These are also the exact things that
computers have just learned how to do.
computers have just learned how to do.
349
1031473
4154
Taip pat tai konkretūs dalykai, kuriuos
kompiuteriai jau išmoko daryti.
kompiuteriai jau išmoko daryti.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Taigi 80 proc. pasaulio užimtumo
išsivysčiusiame pasaulyje
išsivysčiusiame pasaulyje
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
yra dalykai, kuriuos kompiuteriai
jau išmoko daryti.
jau išmoko daryti.
17:33
What does that mean?
352
1041963
1440
Ką tai reiškia?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Ką gi, viskas bus gerai.
Jie bus pakeisti kitų darbų.
Jie bus pakeisti kitų darbų.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Pavyzdžiui, bus daugiau darbo
duomenų mokslininkams.
duomenų mokslininkams.
17:40
Well, not really.
355
1048693
817
Tiesa, nelabai.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Duomenų mokslininkams
neužtrunka ilgai tai sukurti.
neužtrunka ilgai tai sukurti.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Pavyzdžiui, šie keturi algoritmai
buvo sukurti to paties vaikino.
buvo sukurti to paties vaikino.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Taigi, jei galvojate, ak,
taip jau buvo anksčiau,
taip jau buvo anksčiau,
17:50
we've seen the results in the past
of when new things come along
of when new things come along
359
1058318
3808
mes matėme rezultatus praeity,
kai atsirado nauji dalykai
kai atsirado nauji dalykai
17:54
and they get replaced by new jobs,
360
1062126
2252
ir jie buvo pakeisti naujų darbų,
17:56
what are these new jobs going to be?
361
1064378
2116
kokie tie nauji darbai bus?
17:58
It's very hard for us to estimate this,
362
1066494
1871
Labai sunku mums tai įvertinti,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
nes žmogaus veikla
auga palaipsniui,
auga palaipsniui,
18:03
but we now have a system, deep learning,
364
1071104
2562
o mes turime sistemą, gilų mokymąsi,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
kuris, mes jau žinome, auga
eksponentiniu pajėgumu.
eksponentiniu pajėgumu.
18:08
And we're here.
366
1076893
1605
Ir štai mes čia.
18:10
So currently, we see the things around us
367
1078498
2061
Šiuo metu mes matome, kas aplinkui dedasi
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
ir mes sakome, „Ak, kompiuteriai yra
gana kvaili“. Taip?
gana kvaili“. Taip?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Bet po penkerių metų
kompiuteriai peraugs šią lentelę.
kompiuteriai peraugs šią lentelę.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Mums reikia pradėti galvoti
apie šį sugebėjimą jau dabar.
apie šį sugebėjimą jau dabar.
18:22
We have seen this once before, of course.
371
1090529
2050
Mes tai jau matėme kartą, žinoma.
18:24
In the Industrial Revolution,
372
1092579
1387
Pramonės perversme
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
mes matėme pasikeitimą
pajėgume dėka variklių.
pajėgume dėka variklių.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Dalykas tas, vis dėlto,
kad po kurio laiko viskas nusistovės.
kad po kurio laiko viskas nusistovės.
18:32
There was social disruption,
375
1100805
1702
Tuomet buvo socialinis lūžis,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
bet vos tik varikliai buvo panaudoti
jėgos generavimui visose situacijose
jėgos generavimui visose situacijose
18:37
things really settled down.
377
1105946
2354
viskas išties nusistovėjo.
18:40
The Machine Learning Revolution
378
1108300
1473
Mašinų mokymosi revoliucija
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
labai skirsis nuo
Pramonės perversmo,
Pramonės perversmo,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
nes mašinų mokymosi revoliucija
niekada nenusistovės.
niekada nenusistovės.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Kuo kompiuteriai taps geresni
intelektualinėje veikloje,
intelektualinėje veikloje,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
tuo geresnius kompiuterius jie gali
sukurti dar geresnei veiklai,
sukurti dar geresnei veiklai,
18:54
so this is going to be a kind of change
383
1122862
1908
taigi tai bus pasikeitimas,
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
kurio pasaulis iš tiesų
niekada nebuvo patyręs.
niekada nebuvo patyręs.
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
Taigi jūsų ankstesnis suvokimas,
kas yra įmanoma, yra skirtingas.
kas yra įmanoma, yra skirtingas.
19:02
This is already impacting us.
386
1130974
1780
Tai jau daro mums įtaką.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Paskutiniais 25 metais,
padidėjus kapitalo produktyvumui,
padidėjus kapitalo produktyvumui,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
darbo jėgos produktyvumas buvo nuoseklus,
tiesą sakant, truputį žemas.
tiesą sakant, truputį žemas.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Taigi noriu, kad mes pradėtume
apie tai diskutuoti.
apie tai diskutuoti.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Žinau, kad, kai kalbu žmonėms
apie šią situaciją,
apie šią situaciją,
19:19
people can be quite dismissive.
391
1147176
1490
žmonės gali būti gana priešiški.
19:20
Well, computers can't really think,
392
1148666
1673
Kompiuteriai negali tikrai galvoti,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
jie neturi jausmų,
jie nesupranta poezijos,
jie nesupranta poezijos,
19:25
we don't really understand how they work.
394
1153367
2521
mes nelabai suprantame, kaip jie dirba.
19:27
So what?
395
1155888
1486
Tai kas?
19:29
Computers right now can do the things
396
1157374
1804
Kompiuteriai jau dabar daro dalykus,
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
kuriems žmonės skiria daugiausia
savo apmokamo laiko,
savo apmokamo laiko,
19:33
so now's the time to start thinking
398
1161897
1731
dabar pats laikas pradėti mąstyti
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
apie tai, kaip mes pritaikysime savo
socialines ir ekonomines struktūras,
socialines ir ekonomines struktūras,
19:40
to be aware of this new reality.
400
1168015
1840
kad suvoktume šią naują realybę.
19:41
Thank you.
401
1169855
1533
Dėkoju.
19:43
(Applause)
402
1171388
802
(Plojimai.)
ABOUT THE SPEAKER
Jeremy Howard - Data scientistJeremy 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.
Jeremy Howard | Speaker | TED.com