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

Jeremy Howard: De wonderbaarlijke en schrikwekkende implicaties van computers die kunnen leren | Jeremy Howard | TEDxBrussels

Filmed:
2,532,971 views

Wat gebeurt er als we een computer leren leren? Technoloog Jeremy Howard bespreekt enkele verrassende nieuwe ontwikkelingen over het snel evoluerende gebied van 'deep learning', een techniek die computers de mogelijkheid geeft om Chinees te leren, om objecten in foto's te herkennen of om mee te denken bij een medische diagnose. (Eén 'deep learning'-toepassing maakte zich het begrip 'katten' eigen door het bekijken van uren YouTube.) Word bijgepraat over een veld dat de manier waarop computers zich gedragen zal veranderen... waarschijnlijk sneller dan je denkt.
- 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 computercomputer to do something newnieuwe,
0
880
4013
Als je vroeger een computer
iets nieuws wilde laten doen,
00:16
you would have to programprogramma it.
1
4893
1554
moest je hem programmeren.
00:18
Now, programmingprogrammering, for those of you here
that haven'thebben niet donegedaan it yourselfjezelf,
2
6447
3411
Voor wie het nooit zelf heeft gedaan:
00:21
requiresvereist layingtot vaststelling van out in excruciatingondraaglijk detaildetail-
3
9858
3502
programmeren vereist
dat je tot in het allerpijnlijkste detail
00:25
everyelk singlesingle stepstap that you want
the computercomputer to do
4
13360
3367
elke stap uitschrijft
van wat je wil dat de computer doet
00:28
in orderbestellen to achievebereiken your goaldoel.
5
16727
2362
om je doel te bereiken.
00:31
Now, if you want to do something
that you don't know how to do yourselfjezelf,
6
19089
3496
Als je iets wil doen, waarvan je
zelf niet weet hoe je het moet doen,
00:34
then this is going
to be a great challengeuitdaging.
7
22585
2063
dan is dit een ​​grote uitdaging.
00:36
So this was the challengeuitdaging facedgeconfronteerd
by this man, ArthurArthur SamuelSamuel.
8
24648
3483
Dat was de uitdaging
voor deze man, Arthur Samuel.
00:40
In 1956, he wanted to get this computercomputer
9
28131
4077
In 1956 wilde hij
deze computer zover krijgen
00:44
to be ablein staat to beatovertreffen him at checkersDammen.
10
32208
2340
dat hij Samuel zelf kon verslaan
bij het dammen.
00:46
How can you writeschrijven a programprogramma,
11
34548
2040
Hoe schrijf je een programma
00:48
layleggen out in excruciatingondraaglijk detaildetail-,
how to be better than you at checkersDammen?
12
36588
3806
dat tot in het allerpijnlijkste detail,
beter is in dammen dan je zelf bent?
00:52
So he camekwam up with an ideaidee:
13
40394
1722
Hij kwam met een idee:
00:54
he had the computercomputer playspelen
againsttegen itselfzelf thousandsduizenden of timestijden
14
42116
3724
hij liet de computer duizenden keren
tegen zichzelf spelen
00:57
and learnleren how to playspelen checkersDammen.
15
45840
2524
en daarbij leren hoe te dammen.
01:00
And indeedinderdaad it workedwerkte,
and in factfeit, by 1962,
16
48364
3180
Het werkte en in 1962 versloeg
01:03
this computercomputer had beatengeslagen
the ConnecticutConnecticut statestaat championkampioen.
17
51544
4017
deze computer de kampioen
van de staat Connecticut.
Zo werd Arthur Samuel
de vader van het ‘machinaal leren’.
01:07
So ArthurArthur SamuelSamuel was
the fathervader of machinemachine learningaan het leren,
18
55561
2973
01:10
and I have a great debtschuld to him,
19
58534
1717
Ik heb veel aan hem te danken,
01:12
because I am a machinemachine
learningaan het leren practitionerbeoefenaar.
20
60251
2763
want ik doe aan machinaal leren.
01:15
I was the presidentpresident of KaggleKaggle,
21
63014
1465
Ik was voorzitter van Kaggle,
01:16
a communitygemeenschap of over 200,000
machinemachine learningaan het leren practictionerspractictioners.
22
64479
3388
een gemeenschap van meer dan
200.000 machinaal-lerenbeoefenaars.
01:19
KaggleKaggle putsputs up competitionscompetities
23
67867
2058
Kaggle organiseert wedstrijden
01:21
to try and get them to solveoplossen
previouslyeerder unsolvedonopgelost problemsproblemen,
24
69925
3708
om eerder onopgeloste problemen
op te lossen.
01:25
and it's been successfulgeslaagd
hundredshonderden of timestijden.
25
73633
3837
Dat lukte al honderden keren.
01:29
So from this vantageVantage pointpunt,
I was ablein staat to find out
26
77470
2470
Daardoor kon ik heel wat te weten komen
01:31
a lot about what machinemachine learningaan het leren
can do in the pastverleden, can do todayvandaag,
27
79940
3950
over wat machinaal leren kon doen
in het verleden, vandaag,
01:35
and what it could do in the futuretoekomst.
28
83890
2362
en wat het zou kunnen doen in de toekomst.
01:38
PerhapsMisschien the first biggroot successsucces of
machinemachine learningaan het leren commerciallycommercieel was GoogleGoogle.
29
86252
4423
Misschien is Google het eerste grote
commerciële succes van machinaal leren.
01:42
GoogleGoogle showedtoonden that it is
possiblemogelijk to find informationinformatie
30
90675
3109
Google liet zien dat het mogelijk is
om informatie te vinden
01:45
by usinggebruik makend van a computercomputer algorithmalgoritme,
31
93784
1752
met een computeralgoritme.
01:47
and this algorithmalgoritme is basedgebaseerde
on machinemachine learningaan het leren.
32
95536
2901
Dit algoritme is gebaseerd
op machinaal leren.
Sinds die tijd heeft machinaal leren
heel wat commerciële successen geboekt.
01:50
SinceSinds that time, there have been manyveel
commercialcommercieel successessuccessen of machinemachine learningaan het leren.
33
98437
3886
Bedrijven als Amazon en Netflix
gebruiken machinaal leren
01:54
CompaniesBedrijven like AmazonAmazon and NetflixNetflix
34
102323
1837
01:56
use machinemachine learningaan het leren to suggestsuggereren
productsproducten that you mightmacht like to buykopen,
35
104160
3716
om producten te suggereren
die je misschien wilt kopen,
01:59
moviesfilms that you mightmacht like to watch.
36
107876
2020
of films om naar te kijken.
02:01
SometimesSoms, it's almostbijna creepygriezelig.
37
109896
1807
Soms is het bijna griezelig.
02:03
CompaniesBedrijven like LinkedInLinkedIn and FacebookFacebook
38
111703
1954
Bedrijven zoals LinkedIn en Facebook
kunnen je soms vertellen
wie je vrienden zouden kunnen zijn
02:05
sometimessoms will tell you about
who your friendsvrienden mightmacht be
39
113657
2594
02:08
and you have no ideaidee how it did it,
40
116251
1977
en je hebt geen idee
hoe dat in zijn werk ging.
02:10
and this is because it's usinggebruik makend van
the powermacht of machinemachine learningaan het leren.
41
118228
2967
Dat is de kracht van machinaal leren.
02:13
These are algorithmsalgoritmen that have
learnedgeleerd how to do this from datagegevens
42
121195
2957
Deze algoritmen hebben dit
uit gegevens geleerd te doen
02:16
ratherliever than beingwezen programmedgeprogrammeerd by handhand-.
43
124152
3247
in plaats van door manueel programmeren.
02:19
This is alsoook how IBMIBM was successfulgeslaagd
44
127399
2478
Daarom ook kon Watson van IBM
02:21
in gettingkrijgen WatsonWatson to beatovertreffen
the two worldwereld- championskampioenen at "JeopardyGevaar,"
45
129877
3862
de twee wereldkampioenen
bij "Jeopardy" verslaan
door heel subtiele en complexe vragen
als deze te beantwoorden.
02:25
answeringantwoordapparaat incrediblyongelooflijk subtlesubtiel
and complexcomplex questionsvragen like this one.
46
133739
3225
["O.a. de oude 'Leeuw van Nimrod' verdween
hier in 2003 uit het nationaal museum."]
02:28
["The ancientoude 'Lion' Lion of Nimrud'Nimrud' wentgegaan missingmissend
from this city'sstad nationalnationaal museummuseum in 2003
(alonglangs with a lot of other stuffspul)"]
47
136964
2835
02:31
This is alsoook why we are now ablein staat
to see the first self-drivingzelf rijden carsauto's.
48
139799
3235
Ook daarom kunnen we nu
de eerste zelfsturende auto's zien.
02:35
If you want to be ablein staat to tell
the differenceverschil betweentussen, say,
49
143034
2822
Het verschil zien tussen
een boom en een voetganger
02:37
a treeboom and a pedestrianvoetganger,
well, that's prettymooi importantbelangrijk.
50
145856
2632
is dan nogal belangrijk.
We weten niet hoe we zulke programma's
handmatig moeten schrijven,
02:40
We don't know how to writeschrijven
those programsprogramma's by handhand-,
51
148488
2587
02:43
but with machinemachine learningaan het leren,
this is now possiblemogelijk.
52
151075
2997
maar met machinaal leren kan het.
Deze auto heeft er al meer
dan een miljoen kilometer opzitten
02:46
And in factfeit, this carauto has drivenaangedreven
over a millionmiljoen milesmijlen
53
154072
2608
02:48
withoutzonder any accidentsongevallen on regularregelmatig roadswegen.
54
156680
3506
zonder ongevallen en op gewone wegen.
02:52
So we now know that computerscomputers can learnleren,
55
160196
3914
We weten nu dat computers kunnen leren,
02:56
and computerscomputers can learnleren to do things
56
164110
1900
en computers dingen kunnen leren doen
02:58
that we actuallywerkelijk sometimessoms
don't know how to do ourselvesonszelf,
57
166010
2838
waarvan we eigenlijk soms niet weten
hoe we ze zelf moeten doen,
03:00
or maybe can do them better than us.
58
168848
2885
of kunnen ze misschien beter doen dan wij.
03:03
One of the mostmeest amazingverbazingwekkend examplesvoorbeelden
I've seengezien of machinemachine learningaan het leren
59
171733
4195
Een van de meest
verbazingwekkende voorbeelden
van machinaal leren die ik heb gezien,
03:07
happenedgebeurd on a projectproject that I ranrende at KaggleKaggle
60
175928
2392
zag ik op een project
dat ik op Kaggle leidde.
03:10
where a teamteam runrennen by a guy
calledriep GeoffreyGeoffrey HintonHinton
61
178320
3591
Een team geleid door Geoffrey Hinton
van de Universiteit van Toronto
03:13
from the UniversityUniversiteit of TorontoToronto
62
181911
1552
won een wedstrijd in het geautomatiseerd
ontdekken van geneesmiddelen.
03:15
wonwon a competitionwedstrijd for
automaticAutomatisch drugdrug discoveryontdekking.
63
183463
2677
03:18
Now, what was extraordinarybuitengewoon here
is not just that they beatovertreffen
64
186140
2847
Het was al buitengewoon
dat ze alle algoritmen van Merck
03:20
all of the algorithmsalgoritmen developedontwikkelde by MerckMerck
or the internationalInternationale academicacademische communitygemeenschap,
65
188987
4013
en de internationale
academische gemeenschap versloegen,
03:25
but nobodyniemand on the teamteam had any backgroundachtergrond
in chemistrychemie or biologybiologie or life scienceswetenschappen,
66
193000
5061
maar daarbij had niemand in het team
een achtergrond
in scheikunde, biologie
of levenswetenschappen,
en ze deden het in twee weken.
03:30
and they did it in two weeksweken.
67
198061
2169
03:32
How did they do this?
68
200230
1381
Hoe deden ze het?
03:34
They used an extraordinarybuitengewoon algorithmalgoritme
calledriep deepdiep learningaan het leren.
69
202421
2921
Ze gebruikten een buitengewoon algoritme:
‘deep learning’.
03:37
So importantbelangrijk was this that in factfeit
the successsucces was coveredbedekt
70
205342
2949
Zo belangrijk was dat,
dat het een paar weken later
03:40
in The NewNieuw YorkYork TimesTijden in a frontvoorkant pagepagina
articleartikel a fewweinig weeksweken laterlater.
71
208291
3121
in The New York Times
als voorpagina-artikel verscheen.
03:43
This is GeoffreyGeoffrey HintonHinton
here on the left-handlinkerhand sidekant.
72
211412
2735
Dit is Geoffrey Hinton hier links.
03:46
DeepDiep learningaan het leren is an algorithmalgoritme
inspiredgeinspireerd by how the humanmenselijk brainhersenen workswerken,
73
214147
4341
Deep learning is een algoritme
geïnspireerd op het menselijk brein.
03:50
and as a resultresultaat it's an algorithmalgoritme
74
218488
1812
Daardoor is het een algoritme
03:52
whichwelke has no theoreticaltheoretisch limitationsbeperkingen
on what it can do.
75
220300
3841
zonder theoretische beperkingen
op wat het kan doen.
03:56
The more datagegevens you give it and the more
computationberekening time you give it,
76
224141
2823
Hoe meer gegevens
en rekentijd je het geeft,
03:58
the better it getskrijgt.
77
226964
1312
hoe beter het wordt.
04:00
The NewNieuw YorkYork TimesTijden alsoook
showedtoonden in this articleartikel
78
228276
2339
De New York Times toonde
in dit artikel ook
een ander uitzonderlijk resultaat
van deep learning.
04:02
anothereen ander extraordinarybuitengewoon
resultresultaat of deepdiep learningaan het leren
79
230615
2242
04:04
whichwelke I'm going to showtonen you now.
80
232857
2712
Ik ga het je nu laten zien.
04:07
It showsshows that computerscomputers
can listen and understandbegrijpen.
81
235569
4941
Het toont aan dat computers
kunnen luisteren en begrijpen.
04:12
(VideoVideo) RichardRichard RashidRashid: Now, the last stepstap
82
240510
2711
(Video) Richard Rashid:
De laatste stap
04:15
that I want to be ablein staat
to take in this processwerkwijze
83
243221
3025
die ik in dit proces wil kunnen zetten,
04:18
is to actuallywerkelijk speakspreken to you in ChineseChinees.
84
246246
4715
is om je daadwerkelijk
in het Chinees aan te spreken.
04:22
Now the keysleutel thing there is,
85
250961
2635
Het belangrijkste is
04:25
we'vewij hebben been ablein staat to take a largegroot amountbedrag
of informationinformatie from manyveel ChineseChinees speakersspeakers
86
253596
5002
dat we een ​​grote hoeveelheid informatie
van vele Chinese sprekers konden vergaren
04:30
and produceproduceren a text-to-speechtekst naar spraak systemsysteem
87
258598
2530
en een tekst-naar-spraaksysteem produceren
04:33
that takes ChineseChinees texttekst
and convertsconverteert it into ChineseChinees languagetaal,
88
261128
4673
dat Chinese tekst
omzet naar Chinese spreektaal.
04:37
and then we'vewij hebben takeningenomen
an houruur or so of my owneigen voicestem
89
265801
4128
Daarna hebben we een paar uren
mijn eigen stem opgenomen
04:41
and we'vewij hebben used that to modulatemoduleren
90
269929
1891
en ze gebruikt om het standaard
tekst-naar-spraak systeem te moduleren
04:43
the standardstandaard- text-to-speechtekst naar spraak systemsysteem
so that it would soundgeluid like me.
91
271820
4544
zodat het zou klinken zoals ik.
04:48
Again, the result'sresultaat van not perfectperfect.
92
276364
2540
Het resultaat is niet perfect.
04:50
There are in factfeit quiteheel a fewweinig errorsfouten.
93
278904
2648
Er zitten nogal wat fouten in.
04:53
(In ChineseChinees)
94
281552
2484
(In het Chinees)
04:56
(ApplauseApplaus)
95
284036
3367
(Applaus)
05:01
There's much work to be donegedaan in this areaGebied.
96
289446
3576
Er is nog veel werk te doen
op dit gebied.
05:05
(In ChineseChinees)
97
293022
3645
(In het Chinees)
05:08
(ApplauseApplaus)
98
296667
3433
(Applaus)
Jeremy Howard: Dat was op een conferentie
over machinaal leren in China.
05:13
JeremyJeremy HowardHoward: Well, that was at
a machinemachine learningaan het leren conferenceconferentie in ChinaChina.
99
301345
3399
05:16
It's not oftenvaak, actuallywerkelijk,
at academicacademische conferencesconferenties
100
304744
2370
Op wetenschappelijke congressen
05:19
that you do hearhoren spontaneousspontaan applauseapplaus,
101
307114
1897
hoor je niet vaak spontaan applaus,
05:21
althoughhoewel of courseCursus sometimessoms
at TEDxTEDx conferencesconferenties, feel freegratis.
102
309011
3676
maar natuurlijk wel eens
bij TEDx conferenties, het mag.
05:24
Everything you saw there
was happeninggebeurtenis with deepdiep learningaan het leren.
103
312687
2795
Alles wat je zag,
gebeurde met deep learning.
05:27
(ApplauseApplaus) Thank you.
104
315482
1525
(Applaus)
Dank je.
05:29
The transcriptiontranscriptie in EnglishEngels
was deepdiep learningaan het leren.
105
317007
2282
De transcriptie in het Engels
was deep learning.
05:31
The translationvertaling to ChineseChinees and the texttekst
in the toptop right, deepdiep learningaan het leren,
106
319289
3412
Ook de vertaling naar Chinees en de tekst
in de rechterbovenhoek is deep learning.
05:34
and the constructionbouw of the voicestem
was deepdiep learningaan het leren as well.
107
322701
3307
De constructie van de stem,
weer deep learning.
05:38
So deepdiep learningaan het leren is
this extraordinarybuitengewoon thing.
108
326008
3234
Deep learning is buitengewoon.
05:41
It's a singlesingle algorithmalgoritme that
can seemlijken to do almostbijna anything,
109
329242
3099
Een enkel algoritme
lijkt bijna alles te kunnen.
05:44
and I discoveredontdekt that a yearjaar earliervroeger,
it had alsoook learnedgeleerd to see.
110
332341
3111
Een jaar eerder ontdekte ik
dat het systeem ook had leren zien.
Bij een minder bekende
wedstrijd in Duitsland,
05:47
In this obscureverdoezelen competitionwedstrijd from GermanyDuitsland
111
335452
2176
05:49
calledriep the GermanDuits TrafficVerkeer SignTeken
RecognitionErkenning BenchmarkBenchmark,
112
337628
2597
de German Traffic Sign
Recognition Benchmark,
05:52
deepdiep learningaan het leren had learnedgeleerd
to recognizeherken trafficverkeer signstekenen like this one.
113
340225
3393
heeft deep learning verkeersborden
zoals deze leren herkennen.
05:55
Not only could it
recognizeherken the trafficverkeer signstekenen
114
343618
2094
Niet alleen kan het verkeersborden
beter dan enig ander algoritme herkennen,
05:57
better than any other algorithmalgoritme,
115
345712
1758
het scorebord liet zien dat het ook
ongeveer twee keer beter was dan mensen.
05:59
the leaderboardLeaderboard actuallywerkelijk showedtoonden
it was better than people,
116
347470
2719
06:02
about twicetweemaal as good as people.
117
350189
1852
In 2011 hadden we dus het eerste voorbeeld
06:04
So by 2011, we had the first examplevoorbeeld
118
352041
1996
06:06
of computerscomputers that can see
better than people.
119
354037
3405
van computers die beter
kunnen zien dan mensen.
06:09
SinceSinds that time, a lot has happenedgebeurd.
120
357442
2049
Sinds die tijd is er veel gebeurd.
06:11
In 2012, GoogleGoogle announcedaangekondigd that
they had a deepdiep learningaan het leren algorithmalgoritme
121
359491
3514
In 2012 kondigde Google aan
dat ze een deep learning-algoritme
YouTube-video’s lieten bekijken.
06:15
watch YouTubeYouTube videosvideos
122
363005
1415
06:16
and crunchedgekraakte the datagegevens
on 16,000 computerscomputers for a monthmaand,
123
364420
3437
Het verwerkte een maand lang
de gegevens op 16.000 computers,
06:19
and the computercomputer independentlyonafhankelijk learnedgeleerd
about conceptsconcepten suchzodanig as people and catskatten
124
367857
4361
en de computer leerde zelfstandig
over begrippen als mensen en katten
gewoon door naar de video's te kijken.
06:24
just by watchingkijken the videosvideos.
125
372218
1809
06:26
This is much like the way
that humansmensen learnleren.
126
374027
2352
Net als de manier waarop mensen leren.
06:28
HumansMensen don't learnleren
by beingwezen told what they see,
127
376379
2740
Mensen leren niet doordat hen
wordt verteld wat ze zien,
06:31
but by learningaan het leren for themselveszich
what these things are.
128
379119
3331
maar door zichzelf
deze dingen te leren.
06:34
AlsoOok in 2012, GeoffreyGeoffrey HintonHinton,
who we saw earliervroeger,
129
382450
3369
Ook in 2012, won Geoffrey Hinton,
die we eerder zagen,
06:37
wonwon the very popularpopulair ImageNetImageNet competitionwedstrijd,
130
385819
2858
de zeer populaire ImageNet-wedstrijd,
06:40
looking to try to figurefiguur out
from one and a halfvoor de helft millionmiljoen imagesafbeeldingen
131
388677
4141
door te kijken naar anderhalf miljoen
afbeeldingen om erachter te komen
06:44
what they're picturesafbeeldingen of.
132
392818
1438
wat ze voorstelden.
06:46
As of 2014, we're now down
to a sixzes percentprocent errorfout ratetarief
133
394256
3533
Vanaf 2014 zitten we op
een zes procent foutenpercentage
06:49
in imagebeeld recognitionerkenning.
134
397789
1453
bij beeldherkenning.
06:51
This is better than people, again.
135
399242
2026
Dit is alweer beter dan mensen.
06:53
So machinesmachines really are doing
an extraordinarilybuitengewoon good jobbaan of this,
136
401268
3769
Machines kunnen dit buitengewoon goed
06:57
and it is now beingwezen used in industryindustrie.
137
405037
2269
en het wordt nu gebruikt in de industrie.
06:59
For examplevoorbeeld, GoogleGoogle announcedaangekondigd last yearjaar
138
407306
3042
Vorig jaar kondigde
Google bijvoorbeeld aan
07:02
that they had mappedtoegewezen everyelk singlesingle
locationplaats in FranceFrankrijk in two hoursuur,
139
410348
4585
dat ze elke locatie in Frankrijk
in twee uur tijd in kaart hadden gebracht,
07:06
and the way they did it was
that they fedgevoed streetstraat viewuitzicht imagesafbeeldingen
140
414933
3447
door Street View-beelden
07:10
into a deepdiep learningaan het leren algorithmalgoritme
to recognizeherken and readlezen streetstraat numbersgetallen.
141
418380
4319
met een deep learning-algoritme te herkennen
en de huisnummers te lezen.
Stel je voor hoe lang het
anders zou hebben geduurd:
07:14
ImagineStel je voor how long
it would have takeningenomen before:
142
422699
2220
07:16
dozenstientallen of people, manyveel yearsjaar.
143
424919
3355
tientallen mensen, vele jaren.
07:20
This is alsoook happeninggebeurtenis in ChinaChina.
144
428274
1911
Dit gebeurt ook in China.
07:22
BaiduBaidu is kindsoort of
the ChineseChinees GoogleGoogle, I guessraden,
145
430185
4036
Baidu is een soort Chinese Google,
denk ik,
07:26
and what you see here in the toptop left
146
434221
2283
en wat je hier ziet
in de linkerbovenhoek,
07:28
is an examplevoorbeeld of a pictureafbeelding that I uploadedgeüpload
to Baidu'sBaidu's deepdiep learningaan het leren systemsysteem,
147
436504
3974
is een voorbeeld van een foto
die ik heb geüpload
naar Baidu’s deep learning-systeem.
07:32
and underneathonder you can see that the systemsysteem
has understoodbegrijpelijk what that pictureafbeelding is
148
440478
3769
Daaronder kun je zien dat het systeem
heeft begrepen wat dat beeld is
07:36
and foundgevonden similarsoortgelijk imagesafbeeldingen.
149
444247
2236
en gelijkaardige beelden vond.
De gelijkaardige beelden
hebben gelijkaardige achtergronden,
07:38
The similarsoortgelijk imagesafbeeldingen actuallywerkelijk
have similarsoortgelijk backgroundsachtergronden,
150
446483
2736
07:41
similarsoortgelijk directionsroutebeschrijving of the facesgezichten,
151
449219
1658
dezelfde richtingen van gezichten,
07:42
even some with theirhun tonguetong out.
152
450877
1788
sommige zelfs met hun tong uit.
07:44
This is not clearlyduidelijk looking
at the texttekst of a webweb pagepagina.
153
452665
3030
Dit is niet zomaar wat kijken
naar de tekst van een webpagina.
07:47
All I uploadedgeüpload was an imagebeeld.
154
455695
1412
Alles wat ik uploadde, waren beelden.
07:49
So we now have computerscomputers whichwelke
really understandbegrijpen what they see
155
457107
4021
Dus hebben we nu computers
die echt begrijpen wat ze zien
07:53
and can thereforedaarom searchzoeken databasesdatabases
156
461128
1624
en derhalve databases
07:54
of hundredshonderden of millionsmiljoenen
of imagesafbeeldingen in realecht time.
157
462752
3554
van honderden miljoenen beelden
in real time doorzoeken.
07:58
So what does it mean
now that computerscomputers can see?
158
466306
3230
Wat betekent het nu
dat computers kunnen zien?
08:01
Well, it's not just
that computerscomputers can see.
159
469536
2017
Computers kunnen niet alleen maar zien.
08:03
In factfeit, deepdiep learningaan het leren
has donegedaan more than that.
160
471553
2069
Deep learning doet meer.
08:05
ComplexComplex, nuancedgenuanceerd sentenceszinnen like this one
161
473622
2948
Complexe, genuanceerde zinnen zoals deze
08:08
are now understandablebegrijpelijk
with deepdiep learningaan het leren algorithmsalgoritmen.
162
476570
2824
zijn nu begrijpelijk
met deep learning-algoritmen.
08:11
As you can see here,
163
479394
1303
Zoals je hier kunt zien,
08:12
this Stanford-basedStanford gebaseerde systemsysteem
showingtonen the redrood dotpunt at the toptop
164
480697
2768
heeft dit systeem van Stanford
met de rode stip bovenaan
08:15
has figuredbedacht out that this sentencezin
is expressinguitdrukken negativenegatief sentimentsentiment.
165
483465
3919
uitgeknobbeld dat deze zin
een negatief sentiment weergeeft.
08:19
DeepDiep learningaan het leren now in factfeit
is nearin de buurt humanmenselijk performanceprestatie
166
487384
3406
Deep learning komt in de buurt
van menselijke prestaties
08:22
at understandingbegrip what sentenceszinnen are about
and what it is sayinggezegde about those things.
167
490802
5121
bij het begrijpen waar zinnen over gaan
en wat ze zeggen over die dingen.
08:27
AlsoOok, deepdiep learningaan het leren has
been used to readlezen ChineseChinees,
168
495923
2728
Ook is deep learning gebruikt
om Chinees te lezen,
08:30
again at about nativeinheems
ChineseChinees speakerspreker levelniveau.
169
498651
3156
weer op ongeveer het niveau
van Chinese moedertaalsprekers.
08:33
This algorithmalgoritme developedontwikkelde
out of SwitzerlandZwitserland
170
501807
2168
Dit algoritme werd
in Zwitserland ontwikkeld
08:35
by people, nonegeen of whomwie speakspreken
or understandbegrijpen any ChineseChinees.
171
503975
3356
alweer door mensen die geen
Chinees spreken of begrijpen.
08:39
As I say, usinggebruik makend van deepdiep learningaan het leren
172
507331
2051
Zoals ik al zei, deep learning
is zowat het beste systeem
ter wereld hiervoor,
08:41
is about the bestbeste systemsysteem
in the worldwereld- for this,
173
509382
2219
08:43
even comparedvergeleken to nativeinheems
humanmenselijk understandingbegrip.
174
511601
5117
zelfs in vergelijking
met autochtoon menselijk begrijpen.
Het is een systeem dat we
op mijn bedrijf hebben ontwikkeld
08:48
This is a systemsysteem that we
put togethersamen at my companybedrijf
175
516718
2964
08:51
whichwelke showsshows puttingzetten
all this stuffspul togethersamen.
176
519682
2046
door dit allemaal te combineren.
Dit zijn foto’s
zonder bijhorende tekst,
08:53
These are picturesafbeeldingen whichwelke
have no texttekst attachedgehecht,
177
521728
2461
en terwijl ik hier zinnen typ,
08:56
and as I'm typingtypen in here sentenceszinnen,
178
524189
2352
08:58
in realecht time it's understandingbegrip
these picturesafbeeldingen
179
526541
2969
begrijpt het deze foto’s in real time,
09:01
and figuringuitzoeken out what they're about
180
529510
1679
zoekt uit waarover ze gaan
09:03
and findingbevinding picturesafbeeldingen that are similarsoortgelijk
to the texttekst that I'm writingschrift.
181
531189
3163
en vindt foto’s die lijken op
de tekst die ik schrijf.
09:06
So you can see, it's actuallywerkelijk
understandingbegrip my sentenceszinnen
182
534352
2756
Zoals jullie kunnen zien, begrijpt het
mijn zinnen en deze foto's echt.
09:09
and actuallywerkelijk understandingbegrip these picturesafbeeldingen.
183
537108
2224
09:11
I know that you've seengezien
something like this on GoogleGoogle,
184
539332
2559
Dit heb je vast al gezien op Google,
09:13
where you can typetype in things
and it will showtonen you picturesafbeeldingen,
185
541891
2775
waar je woorden kunt intypen
en het je afbeeldingen toont,
09:16
but actuallywerkelijk what it's doing is it's
searchingzoeken the webpagewebpagina for the texttekst.
186
544666
3424
maar eigenlijk doorzoekt het
de webpagina op tekst.
Dat is heel wat anders dan
werkelijk begrijpen van de afbeeldingen.
09:20
This is very differentverschillend from actuallywerkelijk
understandingbegrip the imagesafbeeldingen.
187
548090
3001
09:23
This is something that computerscomputers
have only been ablein staat to do
188
551091
2752
Dit kunnen computers alleen nog maar
09:25
for the first time in the last fewweinig monthsmaanden.
189
553843
3248
sinds de laatste paar maanden.
09:29
So we can see now that computerscomputers
can not only see but they can alsoook readlezen,
190
557091
4091
Computers kunnen dus niet alleen zien,
maar ook lezen,
09:33
and, of courseCursus, we'vewij hebben showngetoond that they
can understandbegrijpen what they hearhoren.
191
561182
3765
en, zoals we hebben aangetoond,
ook begrijpen wat ze horen.
Misschien niet zo verwonderlijk
dat ik je vertel dat ze kunnen schrijven.
09:36
PerhapsMisschien not surprisingverrassend now that
I'm going to tell you they can writeschrijven.
192
564947
3442
09:40
Here is some texttekst that I generatedgegenereerd
usinggebruik makend van a deepdiep learningaan het leren algorithmalgoritme yesterdaygisteren.
193
568389
4783
Deze tekst genereerde ik gisteren
met een deep learning-algoritme.
09:45
And here is some texttekst that an algorithmalgoritme
out of StanfordStanford generatedgegenereerd.
194
573172
3924
En hier een stukje tekst dat
een algoritme van Stanford genereerde.
09:49
EachElke of these sentenceszinnen was generatedgegenereerd
195
577096
1764
Elk van deze zinnen werd gegenereerd
09:50
by a deepdiep learningaan het leren algorithmalgoritme
to describebeschrijven eachelk of those picturesafbeeldingen.
196
578860
4249
door een deep learning-algoritme
om elk van deze foto's te beschrijven.
09:55
This algorithmalgoritme before has never seengezien
a man in a blackzwart shirtoverhemd playingspelen a guitargitaar.
197
583109
4472
Dit algoritme had nog nooit een man
in een zwart shirt gitaar zien spelen.
09:59
It's seengezien a man before,
it's seengezien blackzwart before,
198
587581
2220
Het had al apart een man, zwart
10:01
it's seengezien a guitargitaar before,
199
589801
1599
en een gitaar gezien,
10:03
but it has independentlyonafhankelijk generatedgegenereerd
this novelroman descriptionBeschrijving of this pictureafbeelding.
200
591400
4294
maar genereerde onafhankelijk
de nieuwe beschrijving van dit beeld.
10:07
We're still not quiteheel at humanmenselijk
performanceprestatie here, but we're closedichtbij.
201
595694
3502
We zijn nog niet zover
als menselijke prestaties,
maar we komen in de buurt.
10:11
In teststesten, humansmensen preferverkiezen
the computer-generatedcomputer gegenereerde captionbijschrift
202
599196
4068
Bij tests geven mensen
één op de vier keer de voorkeur
aan het bijschrift van de computer.
10:15
one out of fourvier timestijden.
203
603264
1527
10:16
Now this systemsysteem is now only two weeksweken oldoud,
204
604791
2064
Dit systeem is nog maar twee weken oud,
10:18
so probablywaarschijnlijk withinbinnen the nextvolgende yearjaar,
205
606855
1846
dus waarschijnlijk
zal in de loop van volgend jaar,
10:20
the computercomputer algorithmalgoritme will be
well pastverleden humanmenselijk performanceprestatie
206
608701
2801
het computer-algoritme
het beter doen dan mensen.
10:23
at the ratetarief things are going.
207
611502
1862
10:25
So computerscomputers can alsoook writeschrijven.
208
613364
3049
Computers kunnen dus ook schrijven.
10:28
So we put all this togethersamen and it leadsleads
to very excitingopwindend opportunitieskansen.
209
616413
3475
Dit alles tezamen leidt
tot zeer interessante mogelijkheden.
10:31
For examplevoorbeeld, in medicinegeneeskunde,
210
619888
1492
In de geneeskunde heeft
een team in Boston aangekondigd
10:33
a teamteam in BostonBoston announcedaangekondigd
that they had discoveredontdekt
211
621380
2525
tientallen nieuwe klinisch relevante
eigenschappen van tumoren
10:35
dozenstientallen of newnieuwe clinicallyklinisch relevantrelevant featuresKenmerken
212
623905
2949
10:38
of tumorstumoren whichwelke help doctorsartsen
make a prognosisprognose of a cancerkanker.
213
626854
4266
te hebben ontdekt, wat artsen helpt bij
het maken van prognoses voor kanker.
Ook in Stanford maakte een groep bekend
10:44
Very similarlyevenzo, in StanfordStanford,
214
632220
2296
10:46
a groupgroep there announcedaangekondigd that,
looking at tissuesweefsels underonder magnificationvergroting,
215
634516
3663
dat ze, kijkend
naar weefsels onder vergroting,
een op machinaal-leren gebaseerd
systeem hebben ontwikkeld
10:50
they'veze hebben developedontwikkelde
a machinemachine learning-basedleren gebaseerde systemsysteem
216
638179
2381
10:52
whichwelke in factfeit is better
than humanmenselijk pathologistspathologen
217
640560
2582
dat beter was dan menselijke pathologen
10:55
at predictingvoorspellen survivaloverleving ratesprijzen
for cancerkanker suffererspatiënten.
218
643142
4377
in het voorspellen van overlevingskansen
voor kankerpatiënten.
10:59
In bothbeide of these casesgevallen, not only
were the predictionsvoorspellingen more accurateaccuraat,
219
647519
3245
In beide gevallen werden niet alleen
de voorspellingen nauwkeuriger,
11:02
but they generatedgegenereerd newnieuwe insightfulinzichtelijke sciencewetenschap.
220
650764
2502
maar ze genereerden
nieuwe inzichtelijke wetenschap.
11:05
In the radiologyRadiologie casegeval,
221
653276
1505
Bij de radiologie
waren dat nieuwe klinische indicatoren
die mensen kunnen begrijpen.
11:06
they were newnieuwe clinicalklinisch indicatorsindicatoren
that humansmensen can understandbegrijpen.
222
654781
3095
11:09
In this pathologypathologie casegeval,
223
657876
1792
Bij de pathologie
11:11
the computercomputer systemsysteem actuallywerkelijk discoveredontdekt
that the cellscellen around the cancerkanker
224
659668
4500
ontdekte het computersysteem
dat de cellen rond de kanker
11:16
are as importantbelangrijk as
the cancerkanker cellscellen themselveszich
225
664168
3340
even belangrijk zijn
als de kankercellen zelf
11:19
in makingmaking a diagnosisdiagnose.
226
667508
1752
bij het maken van een diagnose.
11:21
This is the oppositetegenover of what pathologistspathologen
had been taughtonderwezen for decadestientallen jaren.
227
669260
5361
Dit is het tegenovergestelde van wat
pathologen decennialang hadden geleerd.
11:26
In eachelk of those two casesgevallen,
they were systemssystemen developedontwikkelde
228
674621
3292
In beide gevallen
werden systemen ontwikkeld
11:29
by a combinationcombinatie of medicalmedisch expertsexperts
and machinemachine learningaan het leren expertsexperts,
229
677913
3621
door een combinatie van medische experts
en machinaal-lerenexperts,
11:33
but as of last yearjaar,
we're now beyondvoorbij that too.
230
681534
2741
maar dat was vorig jaar,
nu staan we verder.
11:36
This is an examplevoorbeeld of
identifyingidentificeren cancerouskanker areasgebieden
231
684275
3549
Dit is een voorbeeld van identificatie
van carcinomateuze gebieden
11:39
of humanmenselijk tissuezakdoek underonder a microscopeMicroscoop.
232
687824
2530
van menselijk weefsel
onder een microscoop.
11:42
The systemsysteem beingwezen showngetoond here
can identifyidentificeren those areasgebieden more accuratelynauwkeurig,
233
690354
4613
Het systeem dat hier wordt getoond,
kan deze doelgebieden
preciezer identificeren
of ongeveer net zo precies
als menselijke pathologen, maar werd
11:46
or about as accuratelynauwkeurig,
as humanmenselijk pathologistspathologen,
234
694967
2775
11:49
but was builtgebouwd entirelygeheel with deepdiep learningaan het leren
usinggebruik makend van no medicalmedisch expertiseexpertise
235
697742
3392
geheel ontwikkeld met deep learning
zonder medische expertise
11:53
by people who have
no backgroundachtergrond in the fieldveld-.
236
701134
2526
door mensen zonder achtergrond
op dat gebied.
11:56
SimilarlyOp dezelfde manier, here, this neuronneuron segmentationsegmentatie.
237
704730
2555
Evenzo bij deze neuronen-segmentatie.
We kunnen nu neuronen ongeveer
11:59
We can now segmentsegment neuronsneuronen
about as accuratelynauwkeurig as humansmensen can,
238
707285
3668
net zo nauwkeurig onderscheiden
als mensen het kunnen,
12:02
but this systemsysteem was developedontwikkelde
with deepdiep learningaan het leren
239
710953
2717
maar dit systeem
is ontwikkeld met deep learning
12:05
usinggebruik makend van people with no previousvoorgaand
backgroundachtergrond in medicinegeneeskunde.
240
713670
3251
met mensen zonder eerdere
achtergrond in de geneeskunde.
12:08
So myselfmezelf, as somebodyiemand with
no previousvoorgaand backgroundachtergrond in medicinegeneeskunde,
241
716921
3227
Ikzelf, als iemand zonder eerdere
achtergrond in de geneeskunde,
12:12
I seemlijken to be entirelygeheel well qualifiedgekwalificeerd
to startbegin a newnieuwe medicalmedisch companybedrijf,
242
720148
3727
lijk helemaal gekwalificeerd te zijn om
een ​​nieuw medisch bedrijf op te starten,
12:15
whichwelke I did.
243
723875
2146
wat ik dan ook deed.
Ik was doodsbang om het te doen,
12:18
I was kindsoort of terrifieddoodsbang of doing it,
244
726021
1740
12:19
but the theorytheorie seemedscheen to suggestsuggereren
that it oughtmoeten to be possiblemogelijk
245
727761
2889
maar de theorie leek te suggereren
dat het mogelijk moet zijn
12:22
to do very usefulnuttig medicinegeneeskunde
usinggebruik makend van just these datagegevens analyticanalytisch techniquestechnieken.
246
730650
5492
om aan zeer bruikbare geneeskunde te doen
met deze data-analyse technieken.
Gelukkig is de feedback
fantastisch geweest.
12:28
And thankfullydankbaar, the feedbackterugkoppeling
has been fantasticfantastisch,
247
736142
2480
12:30
not just from the mediamedia
but from the medicalmedisch communitygemeenschap,
248
738622
2356
Niet alleen van de media
maar ook van de medische gemeenschap,
die zeer positief reageerde.
12:32
who have been very supportiveondersteunende.
249
740978
2344
De theorie is dat wij het middelste deel
van het medische proces kunnen overnemen
12:35
The theorytheorie is that we can take
the middlemidden- partdeel of the medicalmedisch processwerkwijze
250
743322
4149
12:39
and turnbeurt that into datagegevens analysisanalyse
as much as possiblemogelijk,
251
747471
2893
en dat zoveel mogelijk
in gegevensanalyse omzetten
12:42
leavingverlaten doctorsartsen to do
what they're bestbeste at.
252
750364
3065
om artsen dat te laten doen
waarin ze uitblinken.
12:45
I want to give you an examplevoorbeeld.
253
753429
1602
Ik geef een voorbeeld.
12:47
It now takes us about 15 minutesnotulen
to generatevoortbrengen a newnieuwe medicalmedisch diagnosticdiagnostisch testtest
254
755031
4944
Het kost ons nu ongeveer 15 minuten
om een ​​nieuwe medische diagnostische
test te genereren.
Ik toon het in real-time,
12:51
and I'll showtonen you that in realecht time now,
255
759975
1954
12:53
but I've compressedgecomprimeerde it down to
threedrie minutesnotulen by cuttingsnijdend some piecesstukken out.
256
761929
3487
maar comprimeerde het tot drie minuten
door wat weg te laten.
In plaats van het creëren van
een medisch-diagnostische test te tonen,
12:57
RatherEerder than showingtonen you
creatinghet creëren van a medicalmedisch diagnosticdiagnostisch testtest,
257
765416
3061
13:00
I'm going to showtonen you
a diagnosticdiagnostisch testtest of carauto imagesafbeeldingen,
258
768477
3369
toon ik een diagnostische test
van afbeeldingen van auto's,
13:03
because that's something
we can all understandbegrijpen.
259
771846
2222
want dat begrijpen we allemaal.
13:06
So here we're startingbeginnend with
about 1.5 millionmiljoen carauto imagesafbeeldingen,
260
774068
3201
We beginnen hier met ongeveer
1,5 miljoen afbeeldingen van auto's,
13:09
and I want to createcreëren something
that can splitspleet them into the anglehoek
261
777269
3206
en ik wil iets maken
dat hen kan sorteren
13:12
of the photofoto that's beingwezen takeningenomen.
262
780475
2223
volgens de hoek
vanwaar de foto werd genomen.
13:14
So these imagesafbeeldingen are entirelygeheel unlabeledlabelloze,
so I have to startbegin from scratchkrassen.
263
782698
3888
Deze beelden zijn ongelabeld,
dus moet ik beginnen vanaf nul.
13:18
With our deepdiep learningaan het leren algorithmalgoritme,
264
786586
1865
Met ons deep learning-algoritme
13:20
it can automaticallyautomatisch identifyidentificeren
areasgebieden of structurestructuur in these imagesafbeeldingen.
265
788451
3707
kan het automatisch structuurdelen
identificeren in deze beelden.
13:24
So the niceleuk thing is that the humanmenselijk
and the computercomputer can now work togethersamen.
266
792158
3620
Het leuke is dat mens en computer
nu kunnen samenwerken.
13:27
So the humanmenselijk, as you can see here,
267
795778
2178
De mens zoals hier te zien,
13:29
is tellingvertellen the computercomputer
about areasgebieden of interestinteresseren
268
797956
2675
wijst de computer op aandachtsgebieden
13:32
whichwelke it wants the computercomputer then
to try and use to improveverbeteren its algorithmalgoritme.
269
800631
4650
waarvan hij wil dat de computer ze
gebruikt om het algoritme te verbeteren.
13:37
Now, these deepdiep learningaan het leren systemssystemen actuallywerkelijk
are in 16,000-dimensional-dimensionale spaceruimte,
270
805281
4296
Deze deep learning-systemen zijn in feite
in een 16.000-dimensionale ruimte.
13:41
so you can see here the computercomputer
rotatingroterende this throughdoor that spaceruimte,
271
809577
3432
Je kunt de computer dit
in die ruimte zien draaien,
13:45
tryingproberen to find newnieuwe areasgebieden of structurestructuur.
272
813009
1992
om nieuwe structuurgebieden te vinden.
13:47
And when it does so successfullymet succes,
273
815001
1781
Als dat lukt,
13:48
the humanmenselijk who is drivinghet rijden it can then
pointpunt out the areasgebieden that are interestinginteressant.
274
816782
4004
kan de mens dan wijzen
op gebieden die interessant zijn.
13:52
So here, the computercomputer has
successfullymet succes foundgevonden areasgebieden,
275
820786
2422
Hier heeft de computer
goede gebieden gevonden,
13:55
for examplevoorbeeld, angleshoeken.
276
823208
2562
bijvoorbeeld hoeken.
13:57
So as we go throughdoor this processwerkwijze,
277
825770
1606
Bij het doorlopen van dit proces,
13:59
we're graduallygeleidelijk tellingvertellen
the computercomputer more and more
278
827376
2340
vertellen we de computer
geleidelijk aan meer en meer
14:01
about the kindssoorten of structuresstructuren
we're looking for.
279
829716
2428
over de soorten structuren
die we zoeken.
14:04
You can imaginestel je voor in a diagnosticdiagnostisch testtest
280
832144
1772
Je kunt je voorstellen
dat in een diagnostische test
14:05
this would be a pathologistpatholoog-anatoom identifyingidentificeren
areasgebieden of pathosispathosis, for examplevoorbeeld,
281
833916
3350
een patholoog zieke gebieden
gaat identificeren
14:09
or a radiologistradioloog indicatingwijzend op
potentiallymogelijk troublesomelastig nodulesknobbeltjes.
282
837266
5026
of een radioloog potentieel
gevaarlijke knobbeltjes aanwijst.
14:14
And sometimessoms it can be
difficultmoeilijk for the algorithmalgoritme.
283
842292
2559
Soms wordt het moeilijk
voor het algoritme.
14:16
In this casegeval, it got kindsoort of confusedverward.
284
844851
1964
Hier raakte het in de war.
De voor- en achterkanten van de auto's
worden door elkaar gehaald.
14:18
The frontsfronten and the backsrug
of the carsauto's are all mixedgemengd up.
285
846815
2550
14:21
So here we have to be a bitbeetje more carefulvoorzichtig,
286
849365
2072
Dus moeten we hier wat preciezer zijn,
14:23
manuallyhandmatig selectingselecteren these frontsfronten
as opposedgekant tegen to the backsrug,
287
851437
3232
voor- en achterkanten handmatig selecteren
14:26
then tellingvertellen the computercomputer
that this is a typetype of groupgroep
288
854669
5506
en de computer vertellen
dat dit een soort groep is
waarin we geïnteresseerd zijn.
14:32
that we're interestedgeïnteresseerd in.
289
860175
1348
14:33
So we do that for a while,
we skipoverspringen over a little bitbeetje,
290
861523
2677
Dat doen we even,
we slaan even wat over,
14:36
and then we traintrein the
machinemachine learningaan het leren algorithmalgoritme
291
864200
2246
en trainen daarmee
het machinaal-lerenalgoritme
14:38
basedgebaseerde on these couplepaar of hundredhonderd things,
292
866446
1974
op basis van die paar honderd dingen,
14:40
and we hopehoop that it's gottengekregen a lot better.
293
868420
2025
en hopen dat het dan veel beter gaat.
14:42
You can see, it's now startedbegonnen to fadevervagen
some of these picturesafbeeldingen out,
294
870445
3073
Jullie zien, hij begint nu
sommige van deze foto’s te vervagen,
14:45
showingtonen us that it alreadynu al is recognizingherkennen
how to understandbegrijpen some of these itselfzelf.
295
873518
4708
en laat daarmee zien dat het
sommige ervan zelf begint te begrijpen.
We kunnen dan gebruik maken
van het concept van soortgelijke foto's,
14:50
We can then use this conceptconcept
of similarsoortgelijk imagesafbeeldingen,
296
878226
2902
14:53
and usinggebruik makend van similarsoortgelijk imagesafbeeldingen, you can now see,
297
881128
2094
daarmee kun je nu zien
14:55
the computercomputer at this pointpunt is ablein staat to
entirelygeheel find just the frontsfronten of carsauto's.
298
883222
4019
dat de computer in staat is om alleen
de voorkanten van auto’s te vinden.
14:59
So at this pointpunt, the humanmenselijk
can tell the computercomputer,
299
887241
2948
Nu kan de mens de computer vertellen:
15:02
okay, yes, you've donegedaan
a good jobbaan of that.
300
890189
2293
“Oké, dat heb je goed gedaan.”
15:05
SometimesSoms, of courseCursus, even at this pointpunt
301
893652
2185
Maar zelfs op dit punt
15:07
it's still difficultmoeilijk
to separatescheiden out groupsgroepen.
302
895837
3674
is het soms nog steeds moeilijk
groepen te scheiden.
15:11
In this casegeval, even after we let the
computercomputer try to rotatedraaien this for a while,
303
899511
3884
Zelfs na de computer
dit een tijdje te laten roteren,
15:15
we still find that the left sideszijden
and the right sideszijden picturesafbeeldingen
304
903399
3345
zien we nog steeds dat foto’s
van de linker- en de rechterzijde
15:18
are all mixedgemengd up togethersamen.
305
906744
1478
door elkaar worden gehaald.
We kunnen dan de computer
weer enkele tips geven,
15:20
So we can again give
the computercomputer some hintsTips,
306
908222
2140
15:22
and we say, okay, try and find
a projectionprojectie that separatesscheidt out
307
910362
2976
en zeggen dat hij een projectie
moet zoeken
15:25
the left sideszijden and the right sideszijden
as much as possiblemogelijk
308
913338
2607
die de linker- en rechterkant
zoveel mogelijk scheidt
15:27
usinggebruik makend van this deepdiep learningaan het leren algorithmalgoritme.
309
915945
2122
door middel van
een deep learning-algoritme.
15:30
And givinggeven it that hintwenk --
ahAh, okay, it's been successfulgeslaagd.
310
918067
2942
En met die hint –
ah, oké, het is gelukt.
15:33
It's managedbeheerd to find a way
of thinkinghet denken about these objectsvoorwerpen
311
921009
2882
Hij vond een ​​manier
van denken over deze objecten
15:35
that's separatedgescheiden out these togethersamen.
312
923891
2380
dat ze van elkaar scheidde.
15:38
So you get the ideaidee here.
313
926271
2438
Je ziet het idee erachter.
15:40
This is a casegeval not where the humanmenselijk
is beingwezen replacedvervangen by a computercomputer,
314
928709
8197
Hier werd de mens
niet vervangen door een computer,
15:48
but where they're workingwerkend togethersamen.
315
936906
2640
maar ze werkten samen.
15:51
What we're doing here is we're replacingvervangen
something that used to take a teamteam
316
939546
3550
Dit zou een team van vijf of zes personen
zeven jaar hebben gekost.
15:55
of fivevijf or sixzes people about sevenzeven yearsjaar
317
943096
2002
15:57
and replacingvervangen it with something
that takes 15 minutesnotulen
318
945098
2605
Dit duurt 15 minuten
15:59
for one personpersoon actingacteren alonealleen.
319
947703
2505
voor één enkele persoon.
16:02
So this processwerkwijze takes about
fourvier or fivevijf iterationsiteraties.
320
950208
3950
Dit proces neemt ongeveer
vier of vijf iteraties in beslag.
16:06
You can see we now have 62 percentprocent
321
954158
1859
Je kunt zien dat we nu 62%
16:08
of our 1.5 millionmiljoen imagesafbeeldingen
classifiedingedeeld correctlycorrect.
322
956017
2959
van onze 1,5 miljoen beelden
correct hebben geclassificeerd.
16:10
And at this pointpunt, we
can startbegin to quiteheel quicklysnel
323
958976
2472
Vanaf nu kunnen we vrij snel
heel grote secties aanpakken
16:13
grabgrijpen wholegeheel biggroot sectionssecties,
324
961448
1297
16:14
checkcontroleren throughdoor them to make sure
that there's no mistakesfouten.
325
962745
2919
en controleren of er
geen fouten werden gemaakt.
16:17
Where there are mistakesfouten, we can
let the computercomputer know about them.
326
965664
3952
Waar fouten zijn,
kunnen we de computer daarop wijzen.
16:21
And usinggebruik makend van this kindsoort of processwerkwijze
for eachelk of the differentverschillend groupsgroepen,
327
969616
3045
Met dit soort proces voor elk
van de verschillende groepen,
16:24
we are now up to
an 80 percentprocent successsucces ratetarief
328
972661
2487
hebben we nu een 80% kans op succes
16:27
in classifyingclassificeren the 1.5 millionmiljoen imagesafbeeldingen.
329
975148
2415
bij het sorteren
van de 1,5 miljoen afbeeldingen.
16:29
And at this pointpunt, it's just a casegeval
330
977563
2078
Dan is het nog zaak
16:31
of findingbevinding the smallklein numberaantal
that aren'tzijn niet classifiedingedeeld correctlycorrect,
331
979641
3579
het kleine aantal te vinden
dat niet correct werd ingedeeld
16:35
and tryingproberen to understandbegrijpen why.
332
983220
2888
en proberen te begrijpen waarom.
16:38
And usinggebruik makend van that approachnadering,
333
986108
1743
Met behulp van die aanpak
16:39
by 15 minutesnotulen we get
to 97 percentprocent classificationclassificatie ratesprijzen.
334
987851
4121
krijgen we op 15 minuten
tot 97% juiste classificatie.
16:43
So this kindsoort of techniquetechniek
could allowtoestaan us to fixrepareren a majorgroot problemprobleem,
335
991972
4600
Dit soort techniek stelt ons in staat
een ​​groot probleem op te lossen,
16:48
whichwelke is that there's a lackgebrek
of medicalmedisch expertiseexpertise in the worldwereld-.
336
996578
3036
namelijk het gebrek
aan medische expertise in de wereld.
16:51
The WorldWereld EconomicEconomische ForumForum sayszegt
that there's betweentussen a 10x and a 20x
337
999614
3489
Het Wereld Economisch Forum zegt
dat er tussen de 10 en 20 keer
16:55
shortagetekort of physiciansartsen
in the developingontwikkelen worldwereld-,
338
1003103
2624
te weinig artsen zijn
in de derde wereld.
16:57
and it would take about 300 yearsjaar
339
1005727
2113
Het zou ongeveer 300 jaar duren
om voldoende mensen op te leiden
om dat probleem op te lossen.
16:59
to traintrein enoughgenoeg people
to fixrepareren that problemprobleem.
340
1007840
2894
17:02
So imaginestel je voor if we can help
enhanceverbeteren theirhun efficiencyrendement
341
1010734
2885
Stel dat we hun efficiëntie
kunnen verbeteren
17:05
usinggebruik makend van these deepdiep learningaan het leren approachesbenaderingen?
342
1013619
2839
met behulp van deep learning?
17:08
So I'm very excitedopgewonden
about the opportunitieskansen.
343
1016458
2232
Ik ben erg enthousiast
over de mogelijkheden.
17:10
I'm alsoook concernedbezorgd about the problemsproblemen.
344
1018690
2589
Maar ik zie ook problemen.
17:13
The problemprobleem here is that
everyelk areaGebied in blueblauw on this mapkaart
345
1021279
3124
Het probleem hier is dat
elk gebied in het blauw op deze kaart
17:16
is somewhereergens where servicesdiensten
are over 80 percentprocent of employmentwerk.
346
1024403
3769
ergens is waar de dienstensector instaat
voor meer dan 80% van de werkgelegenheid.
17:20
What are servicesdiensten?
347
1028172
1787
Wat zijn diensten?
17:21
These are servicesdiensten.
348
1029959
1514
Dit zijn diensten.
17:23
These are alsoook the exactexact things that
computerscomputers have just learnedgeleerd how to do.
349
1031473
4154
Dit zijn ook exact die dingen
die computers net hebben leren doen.
17:27
So 80 percentprocent of the world's's werelds employmentwerk
in the developedontwikkelde worldwereld-
350
1035627
3804
Dus 80% van de werkgelegenheid
in de ontwikkelde wereld
17:31
is stuffspul that computerscomputers
have just learnedgeleerd how to do.
351
1039431
2532
zijn zaken die computers
net hebben leren doen.
17:33
What does that mean?
352
1041963
1440
Wat betekent dat?
Het komt wel goed.
17:35
Well, it'llhet zal be fine.
They'llZij zullen be replacedvervangen by other jobsjobs.
353
1043403
2583
Er komen wel andere banen.
17:37
For examplevoorbeeld, there will be
more jobsjobs for datagegevens scientistswetenschappers.
354
1045986
2707
Bijvoorbeeld meer banen
voor datawetenschappers.
Nou, niet echt. Datawetenschappers
kunnen deze dingen heel snel ontwikkelen.
17:40
Well, not really.
355
1048693
817
17:41
It doesn't take datagegevens scientistswetenschappers
very long to buildbouwen these things.
356
1049510
3118
17:44
For examplevoorbeeld, these fourvier algorithmsalgoritmen
were all builtgebouwd by the samedezelfde guy.
357
1052628
3252
Zo werden deze vier algoritmes
alle ontwikkeld door dezelfde man.
17:47
So if you think, oh,
it's all happenedgebeurd before,
358
1055880
2438
Als je denkt: “Ach, het is allemaal
al eerder gebeurd,
17:50
we'vewij hebben seengezien the resultsuitslagen in the pastverleden
of when newnieuwe things come alonglangs
359
1058318
3808
we zagen wat er vroeger gebeurde
als er nieuwe dingen kwamen,
17:54
and they get replacedvervangen by newnieuwe jobsjobs,
360
1062126
2252
ze worden vervangen door nieuwe banen.”
17:56
what are these newnieuwe jobsjobs going to be?
361
1064378
2116
Maar wat zullen deze nieuwe banen zijn?
17:58
It's very hardhard for us to estimateschatting this,
362
1066494
1871
Moeilijk in te schatten,
omdat menselijk kunnen
met dit geleidelijke tempo groeit,
18:00
because humanmenselijk performanceprestatie
growsgroeit at this gradualgeleidelijk ratetarief,
363
1068365
2739
18:03
but we now have a systemsysteem, deepdiep learningaan het leren,
364
1071104
2562
maar we hebben nu
een deep learning-systeem
18:05
that we know actuallywerkelijk growsgroeit
in capabilitygeschiktheid exponentiallyexponentieel.
365
1073666
3227
dat eigenlijk exponentieel
in mogelijkheden toeneemt.
18:08
And we're here.
366
1076893
1605
Hier zijn we.
18:10
So currentlymomenteel, we see the things around us
367
1078498
2061
We kijken naar wat we hebben
en zeggen: "Ach, computers zijn
nog steeds behoorlijk dom." Ja?
18:12
and we say, "Oh, computerscomputers
are still prettymooi dumbstom." Right?
368
1080559
2676
18:15
But in fivevijf years'jaar time,
computerscomputers will be off this charttabel.
369
1083235
3429
Maar in vijf jaar tijd zullen computers
buiten deze grafiek vallen.
18:18
So we need to be startingbeginnend to think
about this capabilitygeschiktheid right now.
370
1086664
3865
Daar moeten we nu al beginnen
over na te denken.
Hebben we dit niet
al eerder zien gebeuren?
18:22
We have seengezien this onceeen keer before, of courseCursus.
371
1090529
2050
18:24
In the IndustrialIndustriële RevolutionRevolutie,
372
1092579
1387
In de Industriële Revolutie
18:25
we saw a stepstap changeverandering
in capabilitygeschiktheid thanksbedankt to enginesmotoren.
373
1093966
2851
deden we een grote stap
in mogelijkheden dankzij machines.
18:29
The thing is, thoughhoewel,
that after a while, things flattenedafgeplatte out.
374
1097667
3138
Maar na een tijdje vlakte het wat af.
Er was maatschappelijke ontwrichting,
18:32
There was socialsociaal disruptionontwrichting,
375
1100805
1702
18:34
but onceeen keer enginesmotoren were used
to generatevoortbrengen powermacht in all the situationssituaties,
376
1102507
3439
maar zodra machines in alle situaties
voor energie gingen zorgen,
18:37
things really settledverrekend down.
377
1105946
2354
kalmeerde het weer.
18:40
The MachineMachine LearningLeren RevolutionRevolutie
378
1108300
1473
De Machinaal-Leren Revolutie
18:41
is going to be very differentverschillend
from the IndustrialIndustriële RevolutionRevolutie,
379
1109773
2909
zal heel wat anders zijn
dan de Industriële Revolutie,
18:44
because the MachineMachine LearningLeren RevolutionRevolutie,
it never settlesvestigt down.
380
1112682
2950
omdat de Machinaal-Leren Revolutie
nooit gaat stoppen.
18:47
The better computerscomputers get
at intellectualintellectueel activitiesactiviteiten,
381
1115632
2982
Hoe beter computers worden
in intellectuele activiteiten,
18:50
the more they can buildbouwen better computerscomputers
to be better at intellectualintellectueel capabilitiesmogelijkheden,
382
1118614
4248
hoe meer ze betere computers kunnen bouwen
om intellectuele vermogens te verbeteren.
18:54
so this is going to be a kindsoort of changeverandering
383
1122862
1908
Dit gaat om een ​​soort verandering
18:56
that the worldwereld- has actuallywerkelijk
never experiencedervaren before,
384
1124770
2478
die de wereld nog nooit
eerder heeft meegemaakt.
18:59
so your previousvoorgaand understandingbegrip
of what's possiblemogelijk is differentverschillend.
385
1127248
3306
Je vorige idee van wat mogelijk is,
schiet tekort.
19:02
This is alreadynu al impactinginvloed us.
386
1130974
1780
Dit beïnvloedt ons nu al.
19:04
In the last 25 yearsjaar,
as capitalhoofdstad productivityproduktiviteit has increasedtoegenomen,
387
1132754
3630
Terwijl in de afgelopen 25 jaar
de kapitaalproductiviteit toenam,
19:08
laborarbeid productivityproduktiviteit has been flatvlak,
in factfeit even a little bitbeetje down.
388
1136400
4188
ging het voor de arbeidsproductiviteit
zelfs een beetje omlaag.
19:13
So I want us to startbegin
havingmet this discussiondiscussie now.
389
1141408
2741
Ik zou deze discussie
nu willen opstarten.
19:16
I know that when I oftenvaak tell people
about this situationsituatie,
390
1144149
3027
Ik weet dat wanneer ik
mensen hierover vertel,
19:19
people can be quiteheel dismissiveminachtende.
391
1147176
1490
ze vaak heel afwijzend zijn:
19:20
Well, computerscomputers can't really think,
392
1148666
1673
"Computers kunnen toch niet echt denken,
19:22
they don't emoteeMote,
they don't understandbegrijpen poetrypoëzie,
393
1150339
3028
voelen, poëzie begrijpen.
19:25
we don't really understandbegrijpen how they work.
394
1153367
2521
We begrijpen niet echt hoe ze werken."
19:27
So what?
395
1155888
1486
Dus?
19:29
ComputersComputers right now can do the things
396
1157374
1804
Computers kunnen nu dingen doen
19:31
that humansmensen spendbesteden mostmeest
of theirhun time beingwezen paidbetaald to do,
397
1159178
2719
waarvoor mensen al hun hele leven
betaald werden,
19:33
so now'snu is the time to startbegin thinkinghet denken
398
1161897
1731
dus is het nu tijd om te gaan nadenken
19:35
about how we're going to adjustaanpassen our
socialsociaal structuresstructuren and economiceconomisch structuresstructuren
399
1163628
4387
hoe we onze sociale
en economische structuren gaan aanpassen
19:40
to be awarebewust of this newnieuwe realityrealiteit.
400
1168015
1840
en ons bewust worden
van deze nieuwe realiteit.
19:41
Thank you.
401
1169855
1533
Bedankt.
19:43
(ApplauseApplaus)
402
1171388
802
(Applaus)
Translated by Rik Delaet
Reviewed by Valérie Boor

▲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