ABOUT THE SPEAKER
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.

Why you should listen

Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.

Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.

Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers

More profile about the speaker
Fei-Fei Li | Speaker | TED.com
TED2015

Fei-Fei Li: How we're teaching computers to understand pictures

Fei-Fei Li: Hoe we computers leren om foto's te begrijpen

Filmed:
2,702,344 views

Als een klein kind een foto bekijkt, kan het simpele dingen onderscheiden: 'poes', 'boek', 'stoel'. Computers zijn inmiddels slim genoeg om dat ook te kunnen. En nu? In deze spannende talk beschrijft computerzicht-expert Fei-Fei Li de huidige stand van zaken -- inclusief de beeldbank met 15 miljoen foto's, die haar team opbouwde om de computer foto's te 'leren' begrijpen -- en de belangrijkste dingen die eraan komen.
- Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio

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

00:14
Let me showtonen you something.
0
2366
3738
Ik laat je wat zien.
(Video) Meisje: Oké, dat is een poes
die in bed zit.
00:18
(VideoVideo) GirlMeisje: Okay, that's a catkat
sittingzittend in a bedbed.
1
6104
4156
De jongen verzorgt de olifant.
00:22
The boyjongen is pettingkinderboerderij the elephantolifant.
2
10260
4040
00:26
Those are people
that are going on an airplanevliegtuig.
3
14300
4354
Dat zijn mensen
die met het vliegtuig gaan.
Dat is een groot vliegtuig.
00:30
That's a biggroot airplanevliegtuig.
4
18654
2810
Fei-Fei Li: Dit is een kind van drie
00:33
Fei-FeiFei-Fei LiLi: This is
a three-year-olddrie-jarige childkind
5
21464
2206
dat beschrijft wat het ziet
op een serie foto's.
00:35
describingbeschrijven what she seesziet
in a seriesserie of photosfoto's.
6
23670
3679
00:39
She mightmacht still have a lot
to learnleren about this worldwereld-,
7
27349
2845
Het moet nog veel leren over de wereld,
00:42
but she's alreadynu al an expertdeskundige
at one very importantbelangrijk tasktaak:
8
30194
4549
maar het is nu al een expert
in iets heel belangrijks:
00:46
to make sensezin of what she seesziet.
9
34743
2846
iets zinnigs maken van wat het ziet.
Onze maatschappij is technologisch
verder dan ooit.
00:50
Our societymaatschappij is more
technologicallytechnologisch advancedgevorderd than ever.
10
38229
4226
We sturen mensen naar de maan,
maken telefoons die tegen ons praten,
00:54
We sendsturen people to the moonmaan,
we make phonestelefoons that talk to us
11
42455
3629
of stellen radiozenders samen, die alleen
muziek uitzenden die we mooi vinden.
00:58
or customizeaanpassen radioradio- stationsstations
that can playspelen only musicmuziek- we like.
12
46084
4946
01:03
YetNog, our mostmeest advancedgevorderd
machinesmachines and computerscomputers
13
51030
4055
Toch worstelen onze geavanceerde machines
en computers met deze taak.
01:07
still struggleworstelen at this tasktaak.
14
55085
2903
Ik ben hier vandaag om je
de voortgang te laten zien
01:09
So I'm here todayvandaag
to give you a progressvooruitgang reportrapport
15
57988
3459
van de recentste ontwikkelingen
in ons onderzoek naar computervisie,
01:13
on the latestlaatste advancesvoorschotten
in our researchOnderzoek in computercomputer visionvisie,
16
61447
4047
een van de meest grensverleggende
en mogelijk revolutionaire technologieën
01:17
one of the mostmeest frontiergrens
and potentiallymogelijk revolutionaryrevolutionair
17
65494
4161
01:21
technologiestechnologieën in computercomputer sciencewetenschap.
18
69655
3206
in de computerwetenschap.
Ja, we hebben prototypes van auto's
die zelf kunnen rijden,
01:24
Yes, we have prototypedprototyped carsauto's
that can driverijden by themselveszich,
19
72861
4551
maar zonder slim zicht,
zien ze het verschil niet
01:29
but withoutzonder smartslim visionvisie,
they cannotkan niet really tell the differenceverschil
20
77412
3853
01:33
betweentussen a crumpledverfrommeld paperpapier bagzak
on the roadweg, whichwelke can be runrennen over,
21
81265
3970
tussen een verfrommelde papieren zak
op de weg, waar je overheen kan rijden,
01:37
and a rockrots that sizegrootte,
whichwelke should be avoidedvermeden.
22
85235
3340
en een evengrote kei,
waar je omheen moet rijden.
We hebben geweldige
megapixelcamera's gemaakt,
01:41
We have madegemaakt fabulousfabelachtig megapixelMegapixel camerascamera's,
23
89415
3390
01:44
but we have not deliveredgeleverd
sightzicht to the blindBlind.
24
92805
3135
maar we kunnen blinden
nog niet laten zien.
Drones kunnen grote afstanden vliegen,
01:48
DronesDrones can flyvlieg over massivemassief landland-,
25
96420
3305
maar hun visie-technologie schiet tekort
01:51
but don't have enoughgenoeg visionvisie technologytechnologie
26
99725
2134
01:53
to help us to trackspoor
the changesveranderingen of the rainforestsregenwouden.
27
101859
3461
om veranderingen te helpen opsporen
in het regenwoud.
01:57
SecurityVeiligheid camerascamera's are everywhereoveral,
28
105320
2950
Er zijn overal veiligheidscamera's,
02:00
but they do not alertalarm us when a childkind
is drowningverdrinking in a swimmingzwemmen poolzwembad.
29
108270
5067
maar die waarschuwen ons niet
als een kind verdrinkt in een zwembad.
Foto's en filmpjes zijn deel
van ons leven geworden.
02:06
PhotosFoto 's and videosvideos are becomingworden
an integralintegraal partdeel of globalglobaal life.
30
114167
5595
Ze verschijnen sneller dan welk mens,
02:11
They're beingwezen generatedgegenereerd at a pacetempo
that's farver beyondvoorbij what any humanmenselijk,
31
119762
4087
02:15
or teamsteams of humansmensen, could hopehoop to viewuitzicht,
32
123849
2783
of welk team mensen ooit kan bekijken,
02:18
and you and I are contributingbijdragende
to that at this TEDTED.
33
126632
3921
en jullie en ik dragen daaraan bij
op deze TED.
02:22
YetNog our mostmeest advancedgevorderd softwaresoftware
is still strugglingworstelen at understandingbegrip
34
130553
5232
Onze meest geavanceerde software
heeft nog steeds moeite met het begrijpen
02:27
and managingbeheren this enormousenorm contentinhoud.
35
135785
3876
van deze enorme hoeveelheid gegevens.
02:31
So in other wordstekst,
collectivelycollectief as a societymaatschappij,
36
139661
5272
Met andere woorden,
we zijn met z'n allen heel erg blind,
02:36
we're very much blindBlind,
37
144933
1746
omdat onze slimste machines
ook nog blind zijn.
02:38
because our smartestslimste
machinesmachines are still blindBlind.
38
146679
3387
Je zal je afvragen
waarom het zo moeilijk is.
02:43
"Why is this so hardhard?" you maymei askvragen.
39
151526
2926
Camera's kunnen dit soort foto's nemen
02:46
CamerasCamera 's can take picturesafbeeldingen like this one
40
154452
2693
door licht om te zetten
naar een 2-dimensionale serie getallen,
02:49
by convertingomzetten lightslichten into
a two-dimensionaltweedimensionale arrayrangschikking of numbersgetallen
41
157145
3994
bekend als pixels.
02:53
knownbekend as pixelspixels,
42
161139
1650
02:54
but these are just lifelesslevenloze numbersgetallen.
43
162789
2251
Maar dit zijn slechts levenloze getallen.
02:57
They do not carrydragen meaningbetekenis in themselveszich.
44
165040
3111
Ze hebben zelf geen betekenis.
03:00
Just like to hearhoren is not
the samedezelfde as to listen,
45
168151
4343
Horen is niet hetzelfde als luisteren.
Foto's nemen is niet hetzelfde als zien.
03:04
to take picturesafbeeldingen is not
the samedezelfde as to see,
46
172494
4040
En met zien
bedoelen we echt begrijpen.
03:08
and by seeingziend,
we really mean understandingbegrip.
47
176534
3829
Het kostte Moeder Natuur
540 miljoen jaar hard werken
03:13
In factfeit, it tooknam MotherMoeder NatureNatuur
540 millionmiljoen yearsjaar of hardhard work
48
181293
6177
03:19
to do this tasktaak,
49
187470
1973
om dit te doen.
03:21
and much of that effortinspanning
50
189443
1881
Veel van die inspanning
ging zitten in het ontwikkelen
van het verwerkingsgedeelte in ons brein.
03:23
wentgegaan into developingontwikkelen the visualzichtbaar
processingverwerken apparatusapparaat of our brainshersenen,
51
191324
5271
Niet de ogen zelf.
03:28
not the eyesogen themselveszich.
52
196595
2647
Gezichtsvermogen begint bij de ogen,
03:31
So visionvisie beginsbegint with the eyesogen,
53
199242
2747
maar het gebeurt in feite
in de hersenen.
03:33
but it trulywerkelijk takes placeplaats in the brainhersenen.
54
201989
3518
03:38
So for 15 yearsjaar now, startingbeginnend
from my PhPH.D. at CaltechCaltech
55
206287
5060
Al 15 jaar, vanaf mijn
promoveren aan Caltech,
en later, toen ik de leiding had
van het Stanford Vision Lab,
03:43
and then leadingleidend Stanford'sStanfords VisionVisie LabLab,
56
211347
2926
werk ik samen met mijn mentoren,
medewerkers en studenten
03:46
I've been workingwerkend with my mentorsmentoren,
collaboratorsmedewerkers and studentsstudenten
57
214273
4396
03:50
to teachonderwijzen computerscomputers to see.
58
218669
2889
om computers te leren zien.
Ons onderzoeksgebied heet
computervisie en machine-leren.
03:54
Our researchOnderzoek fieldveld- is calledriep
computercomputer visionvisie and machinemachine learningaan het leren.
59
222658
3294
03:57
It's partdeel of the generalalgemeen fieldveld-
of artificialkunstmatig intelligenceintelligentie-.
60
225952
3878
Het is onderdeel van het algemene
gebied van kunstmatige intelligentie.
Uiteindelijk willen we de machines
aanleren wat wijzelf ook doen:
04:03
So ultimatelytenslotte, we want to teachonderwijzen
the machinesmachines to see just like we do:
61
231000
5493
voorwerpen benoemen, mensen herkennen,
ruimtelijke vormen afleiden,
04:08
namingnaamgeving objectsvoorwerpen, identifyingidentificeren people,
inferringafgeleid van 3D geometrymeetkunde of things,
62
236493
5387
04:13
understandingbegrip relationsrelaties, emotionsemoties,
actionsacties and intentionsbedoelingen.
63
241880
5688
het begrijpen van verhoudingen,
emoties, acties en bedoelingen.
04:19
You and I weaveweven togethersamen entiregeheel storiesverhalen
of people, placesplaatsen and things
64
247568
6153
Jullie en ik maken complete verhalen
van mensen, plaatsen en dingen,
op het moment dat we ernaar kijken.
04:25
the momentmoment we layleggen our gazeblik on them.
65
253721
2164
Eerst moeten we de computer leren
voorwerpen te zien,
04:28
The first stepstap towardsnaar this goaldoel
is to teachonderwijzen a computercomputer to see objectsvoorwerpen,
66
256955
5583
04:34
the buildinggebouw blockblok of the visualzichtbaar worldwereld-.
67
262538
3368
de bouwsteen van de visuele wereld.
Heel simpel gezegd:
stel je dit leerproces voor
04:37
In its simplesteenvoudigste termstermen,
imaginestel je voor this teachingonderwijs processwerkwijze
68
265906
4434
04:42
as showingtonen the computerscomputers
some trainingopleiding imagesafbeeldingen
69
270340
2995
als het aan de computer laten zien
van oefenplaatjes
04:45
of a particularbijzonder objectvoorwerp, let's say catskatten,
70
273335
3321
van bepaalde voorwerpen,
bijvoorbeeld katten,
04:48
and designingontwerpen a modelmodel- that learnsleert
from these trainingopleiding imagesafbeeldingen.
71
276656
4737
en ontwerp een model dat leert
van deze oefenplaatjes.
Hoe moeilijk is dat?
04:53
How hardhard can this be?
72
281393
2044
Een kat is tenslotte alleen maar
een verzameling vormen en kleuren.
04:55
After all, a catkat is just
a collectionverzameling of shapesvormen and colorskleuren,
73
283437
4052
04:59
and this is what we did
in the earlyvroeg daysdagen of objectvoorwerp modelingmodellering.
74
287489
4086
En dit deden we in het begintijd
van het modelleren van voorwerpen.
We moesten de computer
algoritmes leren in een wiskundige taal,
05:03
We'dWe zouden tell the computercomputer algorithmalgoritme
in a mathematicalwiskundig languagetaal
75
291575
3622
05:07
that a catkat has a roundronde facegezicht,
a chubbymollig bodylichaam,
76
295197
3343
dat een kat een ronde kop heeft,
een mollig lijf,
twee puntoren en een lange staart.
05:10
two pointypuntige earsoren, and a long tailstaart,
77
298540
2299
En dat leek goed te gaan.
05:12
and that lookedkeek all fine.
78
300839
1410
Maar deze kat dan?
05:14
But what about this catkat?
79
302859
2113
(Gelach)
05:16
(LaughterGelach)
80
304972
1091
Die ligt helemaal opgekruld.
05:18
It's all curledgekruld up.
81
306063
1626
Nu moet je nog een vorm en gezichtspunt
toevoegen aan je model.
05:19
Now you have to addtoevoegen anothereen ander shapevorm
and viewpointgezichtspunt to the objectvoorwerp modelmodel-.
82
307689
4719
05:24
But what if catskatten are hiddenverborgen?
83
312408
1715
Maar als katten zijn verstopt?
Deze grappige katten bijvoorbeeld.
05:27
What about these sillydwaas catskatten?
84
315143
2219
(Gelach)
05:31
Now you get my pointpunt.
85
319112
2417
Nu ga je het snappen.
05:33
Even something as simpleeenvoudig
as a householdhuishouden pethuisdier
86
321529
3367
Zelf iets simpels als een huisdier
05:36
can presentaanwezig an infiniteeindeloos numberaantal
of variationsvariaties to the objectvoorwerp modelmodel-,
87
324896
4504
kan zorgen voor ontelbaar veel
variaties van het model.
Dat is nog maar één voorwerp.
05:41
and that's just one objectvoorwerp.
88
329400
2233
05:44
So about eightacht yearsjaar agogeleden,
89
332573
2492
Acht jaar geleden
05:47
a very simpleeenvoudig and profounddiepgaand observationobservatie
changedveranderd my thinkinghet denken.
90
335065
5030
veranderde een simpele
en grondige observatie mijn denken.
Niemand vertelt aan een kind
hoe het moet kijken.
05:53
No one tellsvertelt a childkind how to see,
91
341425
2685
Zeker niet in de eerste jaren.
05:56
especiallyvooral in the earlyvroeg yearsjaar.
92
344110
2261
Ze leren het via ervaringen en voorbeelden
uit het echte leven.
05:58
They learnleren this throughdoor
real-worldechte wereld experienceservaringen and examplesvoorbeelden.
93
346371
5000
06:03
If you consideroverwegen a child'skind eyesogen
94
351371
2740
Bekijk de ogen van kinderen eens
als een paar biologische camera's.
06:06
as a pairpaar- of biologicalbiologisch camerascamera's,
95
354111
2554
Ze nemen elke 200 milliseconden een foto,
06:08
they take one pictureafbeelding
about everyelk 200 millisecondsmilliseconden,
96
356665
4180
de gemiddelde tijd van een oogbeweging.
06:12
the averagegemiddelde time an eyeoog movementbeweging is madegemaakt.
97
360845
3134
Als het drie is, heeft een kind
honderden miljoenen beelden gezien
06:15
So by ageleeftijd threedrie, a childkind would have seengezien
hundredshonderden of millionsmiljoenen of picturesafbeeldingen
98
363979
5550
06:21
of the realecht worldwereld-.
99
369529
1834
van de echte wereld.
Dat zijn heel wat oefenvoorbeelden.
06:23
That's a lot of trainingopleiding examplesvoorbeelden.
100
371363
2280
In plaats van je alleen te richten op
steeds betere algoritmes,
06:26
So insteadin plaats daarvan of focusingscherpstellen solelyuitsluitend
on better and better algorithmsalgoritmen,
101
374383
5989
zag ik in dat je de algoritmes
de oefengegevens moest geven
06:32
my insightin zicht was to give the algorithmsalgoritmen
the kindsoort of trainingopleiding datagegevens
102
380372
5272
06:37
that a childkind was givengegeven throughdoor experienceservaringen
103
385644
3319
dat een kind ook krijgt door ervaring.
Zowel qua kwantiteit als kwaliteit.
06:40
in bothbeide quantityhoeveelheid and qualitykwaliteit.
104
388963
3878
06:44
OnceEenmaal we know this,
105
392841
1858
Toen we dat wisten,
wisten we dat we een verzameling
gegevens moesten maken
06:46
we knewwist we needednodig to collectverzamelen a datagegevens setreeks
106
394699
2971
06:49
that has farver more imagesafbeeldingen
than we have ever had before,
107
397670
4459
die veel meer plaatjes bevat
dan wij ooit hebben gehad.
Misschien wel duizenden keren meer.
06:54
perhapsmisschien thousandsduizenden of timestijden more,
108
402129
2577
06:56
and togethersamen with ProfessorProfessor
KaiKai LiLi at PrincetonPrinceton UniversityUniversiteit,
109
404706
4111
Samen met professor Kai Li
aan de Princeton Universiteit,
07:00
we launchedgelanceerd the ImageNetImageNet projectproject in 2007.
110
408817
4752
lanceerden we in 2007
het ImageNet-project.
07:05
LuckilyGelukkig, we didn't have to mountberg
a cameracamera on our headhoofd
111
413569
3838
Gelukkig hoefden we geen camera
op ons hoofd te zetten
en jaren te wachten.
07:09
and wait for manyveel yearsjaar.
112
417407
1764
We gingen het internet op,
07:11
We wentgegaan to the InternetInternet,
113
419171
1463
07:12
the biggestgrootste treasureschat trovetrove of picturesafbeeldingen
that humansmensen have ever createdaangemaakt.
114
420634
4436
de grootste schat aan plaatjes
die de mens ooit heeft gemaakt.
07:17
We downloadedgedownload nearlybijna a billionmiljard imagesafbeeldingen
115
425070
3041
We downloadden
meer dan een miljard plaatjes
07:20
and used crowdsourcingcrowdsourcing technologytechnologie
like the AmazonAmazon MechanicalMechanische TurkTurk platformplatform
116
428111
5880
en gebruikten crowdsourcing,
zoals met de Amazon Mechanische Turk
om ons de plaatjes te helpen kenmerken.
07:25
to help us to labeletiket these imagesafbeeldingen.
117
433991
2339
07:28
At its peakhoogtepunt, ImageNetImageNet was one of
the biggestgrootste employerswerkgevers
118
436330
4900
Op zijn hoogtepunt was ImageNet
een van de grootste werkgevers
07:33
of the AmazonAmazon MechanicalMechanische TurkTurk workersarbeiders:
119
441230
2996
voor de Amazon
Mechanische Turk-werknemers:
07:36
togethersamen, almostbijna 50,000 workersarbeiders
120
444226
3854
In totaal bijna 50.000 mensen
07:40
from 167 countrieslanden around the worldwereld-
121
448080
4040
uit 167 landen van de wereld
hielpen ons met het opschonen,
sorteren en markeren
07:44
helpedgeholpen us to cleanschoon, sortsoort and labeletiket
122
452120
3947
07:48
nearlybijna a billionmiljard candidatekandidaat-lidstaten imagesafbeeldingen.
123
456067
3575
van bijna een miljard
mogelijk bruikbare plaatjes.
Zoveel moeite kostte het
07:52
That was how much effortinspanning it tooknam
124
460612
2653
07:55
to capturevangst even a fractionfractie
of the imagerybeeldspraak
125
463265
3900
om slechts een fractie
van de beelden te verwerken
dat een kind opneemt
in zijn eerste jaren.
07:59
a child'skind mindgeest takes in
in the earlyvroeg developmentalontwikkelingsstoornissen yearsjaar.
126
467165
4171
Achteraf gezien lijkt dit idee
om big data te gebruiken
08:04
In hindsightachteraf, this ideaidee of usinggebruik makend van biggroot datagegevens
127
472148
3902
08:08
to traintrein computercomputer algorithmsalgoritmen
maymei seemlijken obviousduidelijk now,
128
476050
4550
om computeralgoritmes te trainen,
nogal logisch,
maar in 2007 was dat niet zo.
08:12
but back in 2007, it was not so obviousduidelijk.
129
480600
4110
We stonden best lang alleen
op deze weg.
08:16
We were fairlytamelijk alonealleen on this journeyreis
for quiteheel a while.
130
484710
3878
Een paar vriendelijke collega's
raadden me aan wat nuttigers te gaan doen,
08:20
Some very friendlyvriendelijk colleaguescollega's advisedgeadviseerd me
to do something more usefulnuttig for my tenureambtsperiode,
131
488588
5003
08:25
and we were constantlyvoortdurend strugglingworstelen
for researchOnderzoek fundingfinanciering.
132
493591
4342
en we hadden veel moeite
om onderzoeksgeld bij elkaar te krijgen.
Ik grapte een keer naar mijn studenten
08:29
OnceEenmaal, I even jokedgrapte to my graduateafstuderen studentsstudenten
133
497933
2485
08:32
that I would just reopenHeropen
my drydroog cleaner'sde reiniger shopwinkel to fundfonds ImageNetImageNet.
134
500418
4063
dat ik mijn stomerij zou heropenen
om ImageNet te sponsoren.
Zo bekostigde ik immers ook mijn studie.
08:36
After all, that's how I fundedgefinancierde
my collegecollege yearsjaar.
135
504481
4761
We gingen dus door.
08:41
So we carriedgedragen on.
136
509242
1856
In 2009 leverde het ImageNet-project
een database op
08:43
In 2009, the ImageNetImageNet projectproject deliveredgeleverd
137
511098
3715
08:46
a databasedatabank of 15 millionmiljoen imagesafbeeldingen
138
514813
4042
met 15 miljoen plaatjes
in 22.000 categorieën
van voorwerpen en dingen
08:50
acrossaan de overkant 22,000 classesklassen
of objectsvoorwerpen and things
139
518855
4805
08:55
organizedgeorganiseerd by everydayelke dag EnglishEngels wordstekst.
140
523660
3320
ingedeeld met alledaagse Engelse woorden.
Zowel qua kwantiteit als kwaliteit,
08:58
In bothbeide quantityhoeveelheid and qualitykwaliteit,
141
526980
2926
was dit een ongekende schaal.
09:01
this was an unprecedentedzonder precedent scaleschaal.
142
529906
2972
09:04
As an examplevoorbeeld, in the casegeval of catskatten,
143
532878
3461
We hebben bijvoorbeeld
in het geval van de katten,
09:08
we have more than 62,000 catskatten
144
536339
2809
meer dan 62.000 katten
09:11
of all kindssoorten of lookslooks and posesposes
145
539148
4110
in allerlei posities en houdingen
en allerlei soorten wilde en huiskatten.
09:15
and acrossaan de overkant all speciessoorten
of domestichuiselijk and wildwild catskatten.
146
543258
5223
We waren enthousiast
toen we ImageNet in elkaar hadden gezet
09:20
We were thrilledblij
to have put togethersamen ImageNetImageNet,
147
548481
3344
09:23
and we wanted the wholegeheel researchOnderzoek worldwereld-
to benefitvoordeel from it,
148
551825
3738
en we wilden dat de hele onderzoekswereld
er plezier van had.
Dus volgens de TED-methode stelden we
gratis de hele verzameling beschikbaar
09:27
so in the TEDTED fashionmode,
we openedgeopend up the entiregeheel datagegevens setreeks
149
555563
4041
aan de wereldwijde onderzoeksgemeenschap.
09:31
to the worldwidewereldwijd
researchOnderzoek communitygemeenschap for freegratis.
150
559604
3592
(Applaus)
09:36
(ApplauseApplaus)
151
564636
4000
Nu we de gegevens hebben
om het computerbrein te voeden,
09:41
Now that we have the datagegevens
to nourishvoeden our computercomputer brainhersenen,
152
569416
4538
kunnen we terugkomen
op de algoritmes zelf.
09:45
we're readyklaar to come back
to the algorithmsalgoritmen themselveszich.
153
573954
3737
Het bleek dat de overdadige informatie
die ImageNet gaf,
09:49
As it turnedgedraaid out, the wealthrijkdom
of informationinformatie providedvoorzien by ImageNetImageNet
154
577691
5178
precies paste bij een speciaal soort
algoritme voor machineleren.
09:54
was a perfectperfect matchbij elkaar passen to a particularbijzonder classklasse
of machinemachine learningaan het leren algorithmsalgoritmen
155
582869
4806
09:59
calledriep convolutionalconvolutionele neuralneurale networknetwerk,
156
587675
2415
die convolutioneel neuraal netwerk heet,
10:02
pioneeredpionier by KunihikoKunihiko FukushimaFukushima,
GeoffGeoff HintonHinton, and YannYann LeCunLeCun
157
590090
5248
het eerst aangepakt door Kunihiko
Fukushima, Geoff Hinton en Yann LeCun,
10:07
back in the 1970s and '80s.
158
595338
3645
in de jaren zeventig en tachtig.
Net als in de hersenen,
10:10
Just like the brainhersenen consistsbestaat
of billionsmiljarden of highlyzeer connectedaangesloten neuronsneuronen,
159
598983
5619
die bestaan uit miljarden
goedverbonden neuronen,
is de basiseenheid
van een neuraal netwerk
10:16
a basicbasis- operatingbedrijfs- uniteenheid in a neuralneurale networknetwerk
160
604602
3854
een neuronenachtig knooppunt.
10:20
is a neuron-likeneuron-achtige nodeknooppunt.
161
608456
2415
Het ontvangt input
van andere knooppunten
10:22
It takes inputinvoer from other nodesknooppunten
162
610871
2554
en stuurt output naar andere.
10:25
and sendsverzendt outputuitgang to othersanderen.
163
613425
2718
Deze honderdduizenden,
of zelfs miljoenen knooppunten
10:28
MoreoverBovendien, these hundredshonderden of thousandsduizenden
or even millionsmiljoenen of nodesknooppunten
164
616143
4713
10:32
are organizedgeorganiseerd in hierarchicalhiërarchische layerslagen,
165
620856
3227
zijn bovendien
in hiërarchische lagen georganiseerd.
Ook weer net als in de hersenen.
10:36
alsoook similarsoortgelijk to the brainhersenen.
166
624083
2554
In een neuraal netwerk dat we gebruiken
om voorwerpherkenning te trainen,
10:38
In a typicaltypisch neuralneurale networknetwerk we use
to traintrein our objectvoorwerp recognitionerkenning modelmodel-,
167
626637
4783
10:43
it has 24 millionmiljoen nodesknooppunten,
168
631420
3181
zitten 24 miljoen knooppunten,
10:46
140 millionmiljoen parametersparameters,
169
634601
3297
140 miljoen parameters,
en 15 miljard verbindingen.
10:49
and 15 billionmiljard connectionsverbindingen.
170
637898
2763
Dat is een gigantisch model.
10:52
That's an enormousenorm modelmodel-.
171
640661
2415
10:55
PoweredAangedreven by the massivemassief datagegevens from ImageNetImageNet
172
643076
3901
Mogelijk gemaakt door de enorme
hoeveelheid gegevens van IMageNet
10:58
and the modernmodern CPUsCPU 's and GPUsGPU 's
to traintrein suchzodanig a humongousHumongous modelmodel-,
173
646977
5433
en moderne processoren
om zo'n gigantisch model te trainen,
kwam het convolutioneel
neuraal netwerk tot bloei,
11:04
the convolutionalconvolutionele neuralneurale networknetwerk
174
652410
2369
11:06
blossomedbloei in a way that no one expectedverwacht.
175
654779
3436
op een manier die niemand had verwacht.
Het werd de architectuur
11:10
It becamewerd the winningwinnend architecturearchitectuur
176
658215
2508
die de meeste opwindende
nieuwe resultaten leverde
11:12
to generatevoortbrengen excitingopwindend newnieuwe resultsuitslagen
in objectvoorwerp recognitionerkenning.
177
660723
5340
op het gebied van voorwerpherkenning.
Dit is een computer die ons vertelt
11:18
This is a computercomputer tellingvertellen us
178
666063
2810
dat op deze foto een kat staat
11:20
this pictureafbeelding containsbevat a catkat
179
668873
2300
11:23
and where the catkat is.
180
671173
1903
en waar de kat is.
Er zijn natuurlijk meer dingen dan katten.
11:25
Of courseCursus there are more things than catskatten,
181
673076
2112
11:27
so here'shier is a computercomputer algorithmalgoritme tellingvertellen us
182
675188
2438
Hier is een computeralgoritme dat zegt
11:29
the pictureafbeelding containsbevat
a boyjongen and a teddyTeddy bearbeer;
183
677626
3274
dat op deze foto
een jongen met teddybeer staat,
11:32
a doghond, a personpersoon, and a smallklein kitevlieger
in the backgroundachtergrond;
184
680900
4366
een hond, een persoon
en een vliegertje op de achtergrond,
11:37
or a pictureafbeelding of very busybezig things
185
685266
3135
of een foto met veel dingen,
11:40
like a man, a skateboardskateboard,
railingsbalustrades, a lampostlampost, and so on.
186
688401
4644
zoals een man, een skateboard,
een hek, een lantaarnpaal, enzovoort.
11:45
SometimesSoms, when the computercomputer
is not so confidentzelfverzekerd about what it seesziet,
187
693045
5293
Soms, als de computer het
niet helemaal zeker weet,
hebben we hem geleerd
slim genoeg te zijn
11:51
we have taughtonderwezen it to be smartslim enoughgenoeg
188
699498
2276
11:53
to give us a safeveilig answerantwoord
insteadin plaats daarvan of committingplegen too much,
189
701774
3878
om een veilig antwoord te geven
in plaats van te veel prijs te geven,
wat wij ook zouden doen.
11:57
just like we would do,
190
705652
2811
Op andere momenten is het opmerkelijk
wat het computeralgoritme ons vertelt
12:00
but other timestijden our computercomputer algorithmalgoritme
is remarkableopmerkelijk at tellingvertellen us
191
708463
4666
12:05
what exactlyprecies the objectsvoorwerpen are,
192
713129
2253
welke voorwerpen het precies zijn,
zoals merk, model
en bouwjaar van de auto.
12:07
like the make, modelmodel-, yearjaar of the carsauto's.
193
715382
3436
12:10
We appliedtoegepast this algorithmalgoritme to millionsmiljoenen
of GoogleGoogle StreetStraat ViewWeergave imagesafbeeldingen
194
718818
5386
We pasten dit algoritme toe op miljoenen
Google Street View-beelden
dwars door honderden Amerikaanse steden,
12:16
acrossaan de overkant hundredshonderden of AmericanAmerikaanse citiessteden,
195
724204
3135
en we bemerkten iets interessants:
12:19
and we have learnedgeleerd something
really interestinginteressant:
196
727339
2926
12:22
first, it confirmedbevestigd our commongemeenschappelijk wisdomwijsheid
197
730265
3320
ten eerste bevestigde het ons vermoeden
12:25
that carauto pricesprijzen correlatecorreleren very well
198
733585
3290
dat autoprijzen gelijk op gaan
12:28
with householdhuishouden incomesinkomens.
199
736875
2345
met gezinsinkomens.
Verrassend is echter,
dat autoprijzen ook gelijk op gaan
12:31
But surprisinglyverrassend, carauto pricesprijzen
alsoook correlatecorreleren well
200
739220
4527
12:35
with crimemisdrijf ratesprijzen in citiessteden,
201
743747
2300
met de misdaadcijfers in de steden,
of het stemgedrag met de postcode.
12:39
or votingstemming patternspatronen by zipritssluiting codescodes.
202
747007
3963
Wacht even, is dat het?
12:44
So wait a minuteminuut. Is that it?
203
752060
2206
12:46
Has the computercomputer alreadynu al matchedop elkaar afgestemd
or even surpassedovertroffen humanmenselijk capabilitiesmogelijkheden?
204
754266
5153
Is de computer al net zo goed als de mens
of zelfs al beter?
12:51
Not so fastsnel.
205
759419
2138
Niet zo snel.
12:53
So farver, we have just taughtonderwezen
the computercomputer to see objectsvoorwerpen.
206
761557
4923
Tot nu toe hebben we de computer
alleen geleerd voorwerpen te bekijken.
Net als een kind leren een paar
zelfstandige naamwoorden te zeggen.
12:58
This is like a smallklein childkind
learningaan het leren to uttervolslagen a fewweinig nounszelfstandige naamwoorden.
207
766480
4644
Een ongelooflijke prestatie,
13:03
It's an incredibleongelooflijk accomplishmentprestatie,
208
771124
2670
maar pas de eerste stap.
13:05
but it's only the first stepstap.
209
773794
2460
13:08
SoonBinnenkort, anothereen ander developmentalontwikkelingsstoornissen
milestonemijlpaal will be hitraken,
210
776254
3762
Er zal vlot een volgende mijlpaal
gehaald worden:
het kind zal beginnen
te communiceren in zinnen.
13:12
and childrenkinderen beginbeginnen
to communicatecommuniceren in sentenceszinnen.
211
780016
3461
13:15
So insteadin plaats daarvan of sayinggezegde
this is a catkat in the pictureafbeelding,
212
783477
4224
In plaats van te zeggen dat het een kat is
op het plaatje,
13:19
you alreadynu al heardgehoord the little girlmeisje
tellingvertellen us this is a catkat lyingaan het liegen on a bedbed.
213
787701
5202
heb je het meisje al horen zeggen
dat de kat op een bed ligt.
13:24
So to teachonderwijzen a computercomputer
to see a pictureafbeelding and generatevoortbrengen sentenceszinnen,
214
792903
5595
Om een computer dus te leren
om een plaatje te zien en zinnen te maken,
13:30
the marriagehuwelijk betweentussen biggroot datagegevens
and machinemachine learningaan het leren algorithmalgoritme
215
798498
3948
moet het huwelijk tussen big data
en machineleren
de volgende stap nemen.
13:34
has to take anothereen ander stepstap.
216
802446
2275
13:36
Now, the computercomputer has to learnleren
from bothbeide picturesafbeeldingen
217
804721
4156
De computer moet zowel leren
van plaatjes
13:40
as well as naturalnatuurlijk languagetaal sentenceszinnen
218
808877
2856
als van zinnen in natuurlijke taal,
13:43
generatedgegenereerd by humansmensen.
219
811733
3322
voortgebracht door mensen.
13:47
Just like the brainhersenen integratesintegreert
visionvisie and languagetaal,
220
815055
3853
Net zoals de hersenen
die beeld en taal integreren,
13:50
we developedontwikkelde a modelmodel-
that connectsconnects partsonderdelen of visualzichtbaar things
221
818908
5201
hebben we een model ontwikkeld
dat delen van zichtbare dingen,
13:56
like visualzichtbaar snippetssnippets
222
824109
1904
visuele fragmenten,
13:58
with wordstekst and phraseszinnen in sentenceszinnen.
223
826013
4203
verbindt met woorden en zinsdelen.
14:02
About fourvier monthsmaanden agogeleden,
224
830216
2763
Ongeveer vier maanden geleden
voegden we dit allemaal samen
14:04
we finallyTenslotte tiedgebonden all this togethersamen
225
832979
2647
en maakten een van de eerste
computervisie-modellen
14:07
and producedgeproduceerd one of the first
computercomputer visionvisie modelsmodellen
226
835626
3784
dat in staat is mensentaalachtige
zinnen te maken
14:11
that is capablein staat of generatingopwekkende
a human-likemensachtige sentencezin
227
839410
3994
14:15
when it seesziet a pictureafbeelding for the first time.
228
843404
3506
als het voor de eerste keer
een plaatje ziet.
14:18
Now, I'm readyklaar to showtonen you
what the computercomputer sayszegt
229
846910
4644
Ik ben zover dat ik wil laten zien
wat de computer zegt
14:23
when it seesziet the pictureafbeelding
230
851554
1975
als die het plaatje ziet
14:25
that the little girlmeisje saw
at the beginningbegin of this talk.
231
853529
3830
van het meisje dat je aan het begin
van de talk hebt gezien.
(Video) Computer: Een man staat
naast de olifant.
14:31
(VideoVideo) ComputerComputer: A man is standingstaand
nextvolgende to an elephantolifant.
232
859519
3344
Een groot vliegtuig staat
op een startbaan.
14:36
A largegroot airplanevliegtuig sittingzittend on toptop
of an airportluchthaven runwaystartbaan.
233
864393
3634
14:41
FFLFFL: Of courseCursus, we're still workingwerkend hardhard
to improveverbeteren our algorithmsalgoritmen,
234
869057
4212
FFL: Natuurlijk werken we hard
aan het verbeteren van de algoritmes
14:45
and it still has a lot to learnleren.
235
873269
2596
en er moet nog veel geleerd worden.
14:47
(ApplauseApplaus)
236
875865
2291
(Applaus)
De computer maakt nog steeds fouten.
14:51
And the computercomputer still makesmerken mistakesfouten.
237
879556
3321
14:54
(VideoVideo) ComputerComputer: A catkat lyingaan het liegen
on a bedbed in a blanketdeken.
238
882877
3391
(Video) Computer: Een kat
ligt op een bed in een laken.
FFL: Als hij te veel katten ziet,
14:58
FFLFFL: So of courseCursus, when it seesziet
too manyveel catskatten,
239
886268
2553
kan hij gaan denken dat alles een kat is.
15:00
it thinksdenkt everything
mightmacht look like a catkat.
240
888821
2926
15:05
(VideoVideo) ComputerComputer: A youngjong boyjongen
is holdingbezit a baseballbasketbal batknuppel.
241
893317
2864
(Video) Computer: Een jongetje
heeft een honkbalknuppel vast.
15:08
(LaughterGelach)
242
896181
1765
(Gelach)
FFL: Als hij nog nooit een tandenborstel
heeft gezien, raakt hij in de war.
15:09
FFLFFL: Or, if it hasn'theeft niet seengezien a toothbrushtandenborstel,
it confusesverwart it with a baseballbasketbal batknuppel.
243
897946
4583
(Video) Computer: Een man rijdt paard
door een straat langs een gebouw.
15:15
(VideoVideo) ComputerComputer: A man ridingpaardrijden a horsepaard
down a streetstraat nextvolgende to a buildinggebouw.
244
903309
3434
(Gelach)
15:18
(LaughterGelach)
245
906743
2023
FFL: We hebben Art 101 nog niet
aan de computer geleerd.
15:20
FFLFFL: We haven'thebben niet taughtonderwezen ArtKunst 101
to the computerscomputers.
246
908766
3552
(Video) Computer: Een zebra
staat in een grasveld.
15:25
(VideoVideo) ComputerComputer: A zebraZebra standingstaand
in a fieldveld- of grassgras.
247
913768
2884
FFL: Het heeft nog niet geleerd
de prachtige natuur te waarderen,
15:28
FFLFFL: And it hasn'theeft niet learnedgeleerd to appreciateop prijs stellen
the stunningstunning beautyschoonheid of naturenatuur
248
916652
3367
15:32
like you and I do.
249
920019
2438
zoals jullie en ik doen.
De weg is dus lang.
15:34
So it has been a long journeyreis.
250
922457
2832
Het viel niet mee
om van nul naar drie jaar te komen
15:37
To get from ageleeftijd zeronul to threedrie was hardhard.
251
925289
4226
Van drie tot 13 jaar of verder,
is helemaal een grote uitdaging.
15:41
The realecht challengeuitdaging is to go
from threedrie to 13 and farver beyondvoorbij.
252
929515
5596
15:47
Let me remindherinneren you with this pictureafbeelding
of the boyjongen and the cakecake again.
253
935111
4365
Denk nog even aan dit plaatje
van de jongen en de taart.
Tot nu toe hebben we de computer geleerd
om voorwerpen te zien
15:51
So farver, we have taughtonderwezen
the computercomputer to see objectsvoorwerpen
254
939476
4064
15:55
or even tell us a simpleeenvoudig storyverhaal
when seeingziend a pictureafbeelding.
255
943540
4458
of zelfs een simpel verhaaltje
te vertellen bij het zien van een plaatje.
(Video) Computer: Een persoon
zit aan tafel met een taart.
15:59
(VideoVideo) ComputerComputer: A personpersoon sittingzittend
at a tabletafel with a cakecake.
256
947998
3576
16:03
FFLFFL: But there's so much more
to this pictureafbeelding
257
951574
2630
FFL: Maar er zit meer aan vast
dan alleen een persoon en een taart.
16:06
than just a personpersoon and a cakecake.
258
954204
2270
De computer ziet niet dat dit
een speciale Italiaanse taart is
16:08
What the computercomputer doesn't see
is that this is a specialspeciaal ItalianItaliaans cakecake
259
956474
4467
16:12
that's only servedgeserveerd duringgedurende EasterPasen time.
260
960941
3217
die alleen met Pasen wordt gegeten.
De jongen draagt zijn lievelingsshirt
16:16
The boyjongen is wearingvervelend his favoritefavoriete t-shirtt-shirt
261
964158
3205
die hij heeft gekregen van zijn vader
na een reis naar Sydney,
16:19
givengegeven to him as a giftgift by his fathervader
after a tripreis to SydneySydney,
262
967363
3970
16:23
and you and I can all tell how happygelukkig he is
263
971333
3808
en iedereen ziet hoe blij hij is
16:27
and what's exactlyprecies on his mindgeest
at that momentmoment.
264
975141
3203
en waar hij precies aan denkt
op dat moment.
Dit is mijn zoon Leo.
16:31
This is my sonzoon LeoLeo.
265
979214
3125
Bij mijn zoektocht
naar visuele intelligentie
16:34
On my questzoektocht for visualzichtbaar intelligenceintelligentie-,
266
982339
2624
denk ik steeds aan Leo
16:36
I think of LeoLeo constantlyvoortdurend
267
984963
2391
en aan zijn toekomstige wereld.
16:39
and the futuretoekomst worldwereld- he will liveleven in.
268
987354
2903
Als machines kunnen zien,
16:42
When machinesmachines can see,
269
990257
2021
16:44
doctorsartsen and nursesverpleegkundigen will have
extraextra pairsparen of tirelessonvermoeibare eyesogen
270
992278
4712
zullen doktoren en verpleegsters
een extra paar onvermoeibare ogen hebben
16:48
to help them to diagnosediagnostiseren
and take carezorg of patientspatiënten.
271
996990
4092
om te helpen bij de diagnose
en om voor de patiënten te zorgen.
16:53
CarsAuto 's will runrennen smarterslimmer
and saferveiliger on the roadweg.
272
1001082
4383
Auto's zullen slimmer
en veiliger over de weg rijden..
16:57
RobotsRobots, not just humansmensen,
273
1005465
2694
Robots, niet alleen mensen,
zullen ons helpen rampplekken te betreden
om ingeslotenen en gewonden te redden.
17:00
will help us to bravedapper the disasterramp zoneszones
to savebesparen the trappedgevangen and woundedverwond.
274
1008159
4849
We zullen nieuwe soorten ontdekken
en betere materialen,
17:05
We will discoverontdekken newnieuwe speciessoorten,
better materialsmaterialen,
275
1013798
3796
17:09
and exploreonderzoeken unseenongezien frontiersgrenzen
with the help of the machinesmachines.
276
1017594
4509
en ongeziene gebieden verkennen
met behulp van machines.
Beetje bij beetje geven we machines
gezichtsvermogen.
17:15
Little by little, we're givinggeven sightzicht
to the machinesmachines.
277
1023113
4167
17:19
First, we teachonderwijzen them to see.
278
1027280
2798
Eerst leren we ze te kijken.
Daarna helpen ze ons bij het kijken.
17:22
Then, they help us to see better.
279
1030078
2763
17:24
For the first time, humanmenselijk eyesogen
won'tzal niet be the only onesdegenen
280
1032841
4165
Voor het eerst zijn menselijke ogen
niet de enige
17:29
ponderingpeinzen and exploringverkennen our worldwereld-.
281
1037006
2934
die over de wereld nadenken
en haar verkennen.
We gaan de machines niet alleen
vanwege hun intelligentie gebruiken,
17:31
We will not only use the machinesmachines
for theirhun intelligenceintelligentie-,
282
1039940
3460
17:35
we will alsoook collaboratesamenwerken with them
in waysmanieren that we cannotkan niet even imaginestel je voor.
283
1043400
6179
en gaan met ze samenwerken
op manieren die we ons
niet kunnen voorstellen.
Dit is mijn zoektocht:
17:41
This is my questzoektocht:
284
1049579
2161
17:43
to give computerscomputers visualzichtbaar intelligenceintelligentie-
285
1051740
2712
computers visuele intelligentie geven
17:46
and to createcreëren a better futuretoekomst
for LeoLeo and for the worldwereld-.
286
1054452
5131
en een betere toekomst geven
aan Leo en aan de wereld.
Dank je wel.
17:51
Thank you.
287
1059583
1811
(Applaus)
17:53
(ApplauseApplaus)
288
1061394
3785
Translated by Dick Stada
Reviewed by Rik Delaet

▲Back to top

ABOUT THE SPEAKER
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.

Why you should listen

Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.

Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.

Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers

More profile about the speaker
Fei-Fei Li | Speaker | TED.com