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: Cum învățăm computerele să înțeleagă imagini

Filmed:
2,702,344 views

Când un copil privește o poză, poate identifica elementele simple: „pisică”, „carte”, „scaun”. Acum computerele devin îndeajuns de inteligente să facă același lucru. Ce urmează? Într-un discurs pasional, expertul în recunoașterea computerizată a imaginilor Fei-Fei Li descrie esența a ce va urma, incluzând o bază de date de 15 milioane de poze, pe care echipa sa a construit-o ca să „învețe” un computer să înțeleagă pozele.
- 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 showspectacol you something.
0
2366
3738
Să vă arăt ceva.
00:18
(VideoPagina) Girlfată: Okay, that's a catpisică
sittingședință in a bedpat.
1
6104
4156
OK. Aia e o pisică stând în pat.
00:22
The boybăiat is pettingmângâi the elephantelefant.
2
10260
4040
Băiatul mângâie elefantul.
00:26
Those are people
that are going on an airplaneavion.
3
14300
4354
Aceștia sunt oameni
care intră într-un avion.
00:30
That's a bigmare airplaneavion.
4
18654
2810
E un avion mare.
00:33
Fei-FeiFei-Fei LiLi: This is
a three-year-oldîn vârstă de trei ani childcopil
5
21464
2206
Acesta e o fetiţă de 3 ani
care descrie ce vede în nişte poze.
00:35
describingdescriind what she seesvede
in a seriesserie of photosfotografii.
6
23670
3679
00:39
She mightar putea still have a lot
to learnînvăța about this worldlume,
7
27349
2845
Poate că mai are multe de învățat
despre lumea asta,
00:42
but she's alreadydeja an expertexpert
at one very importantimportant tasksarcină:
8
30194
4549
dar e expertă într-o sarcină
foarte importantă:
00:46
to make sensesens of what she seesvede.
9
34743
2846
să înțeleagă ceea ce vede.
00:50
Our societysocietate is more
technologicallytehnologic advancedavansat than ever.
10
38229
4226
Societatea noastră
e mai avansată tehnologic ca niciodată.
00:54
We sendtrimite people to the moonlună,
we make phonestelefoane that talk to us
11
42455
3629
Trimitem oameni pe lună,
facem telefoane care ne vorbesc
00:58
or customizepersonaliza radioradio stationsstații
that can playa juca only musicmuzică we like.
12
46084
4946
sau personalizăm posturi de radio
care pun doar muzica preferată.
01:03
YetÎncă, our mostcel mai advancedavansat
machinesmaşini and computerscalculatoare
13
51030
4055
Totuşi, cele mai avansate
mașinării și computere
01:07
still strugglelupta at this tasksarcină.
14
55085
2903
încă se chinuie cu această sarcină.
01:09
So I'm here todayastăzi
to give you a progressprogres reportraport
15
57988
3459
Sunt azi aici să vă fac un raport despre progresul
recunoașterii computerizate a imaginilor,
01:13
on the latestcele mai recente advancesavans
in our researchcercetare in computercomputer visionviziune,
16
61447
4047
01:17
one of the mostcel mai frontierfrontiera
and potentiallypotenţial revolutionaryrevoluţionar
17
65494
4161
o cercetare revoluţionară de vârf
din tehnologia şi ştiinţa calculatoarelor.
01:21
technologiestehnologii in computercomputer scienceştiinţă.
18
69655
3206
01:24
Yes, we have prototypedprototyped carsautoturisme
that can driveconduce by themselvesînșiși,
19
72861
4551
Avem prototipuri de mașini
care conduc singure,
01:29
but withoutfără smartinteligent visionviziune,
they cannotnu poti really tell the differencediferență
20
77412
3853
dar fără vedere inteligentă nu deosebesc
o pungă de hârtie mototolită pe stradă,
01:33
betweenîntre a crumpledmototolită paperhârtie bagsac
on the roaddrum, whichcare can be runalerga over,
21
81265
3970
peste care poate trece,
01:37
and a rockstâncă that sizemărimea,
whichcare should be avoidedevitat.
22
85235
3340
și o piatră de aceaşi dimensiune,
care ar trebui evitată.
01:41
We have madefăcut fabulousfabulos megapixelmegapixeli camerascamere,
23
89415
3390
Am făcut camere megapixel fabuloase,
dar n-am redat vederea orbilor.
01:44
but we have not deliveredlivrat
sightvedere to the blindORB.
24
92805
3135
01:48
DronesDrone can flya zbura over massivemasiv landteren,
25
96420
3305
Dronele pot zbura peste suprafeţe întinse,
dar n-au destulă tehnologie vizuală
01:51
but don't have enoughdestul visionviziune technologytehnologie
26
99725
2134
01:53
to help us to trackurmări
the changesschimbări of the rainforestsjunglă.
27
101859
3461
ca să ne ajute să urmărim
schimbările pădurii tropicale.
01:57
SecuritySecuritate camerascamere are everywherepretutindeni,
28
105320
2950
Camerele de securitate sunt peste tot,
02:00
but they do not alertalerta us when a childcopil
is drowningînec in a swimmingînot poolpiscină.
29
108270
5067
dar nu ne alertează
când un copil se îneacă într-o piscină.
02:06
PhotosFotografii and videosVideoclipuri are becomingdevenire
an integralintegrantă partparte of globalglobal life.
30
114167
5595
Fotografiile și videoclipurile
devin o parte integrală a vieții globale.
02:11
They're beingfiind generatedgenerate at a paceritm
that's fardeparte beyonddincolo what any humanuman,
31
119762
4087
Sunt generate cu o viteză mult peste
ce speră să vadă un om sau un grup,
02:15
or teamsechipe of humansoameni, could hopesperanţă to viewvedere,
32
123849
2783
02:18
and you and I are contributingcontribuind
to that at this TEDTED.
33
126632
3921
iar noi contribuim cu acest TED.
02:22
YetÎncă our mostcel mai advancedavansat softwaresoftware-ul
is still strugglingluptă at understandingînţelegere
34
130553
5232
Cele mai avansate programe se străduiesc
să le înțeleagă și să le administreze.
02:27
and managinggestionarea this enormousenorm contentconţinut.
35
135785
3876
02:31
So in other wordscuvinte,
collectivelycolectiv as a societysocietate,
36
139661
5272
Altfel spus, colectiv, ca societate,
suntem orbi,
02:36
we're very much blindORB,
37
144933
1746
02:38
because our smartestdeștept
machinesmaşini are still blindORB.
38
146679
3387
pentru că cele mai inteligente dispozitive
sunt încă oarbe.
02:43
"Why is this so hardgreu?" you mayMai askcere.
39
151526
2926
„De ce e atât de greu?” ați putea întreba.
02:46
CamerasAparat de fotografiat can take picturespoze like this one
40
154452
2693
Camerele pot face poze ca aceasta
02:49
by convertingde conversie lightslumini into
a two-dimensionalbidimensională arraymulțime of numbersnumerele
41
157145
3994
convertind lumini în șiruri
de numere bidimensionale – pixeli.
02:53
knowncunoscut as pixelspixeli,
42
161139
1650
02:54
but these are just lifelesslipsit de viaţă numbersnumerele.
43
162789
2251
Dar sunt doar numere fără viață.
Nu au un înțeles în sine.
02:57
They do not carrytransporta meaningsens in themselvesînșiși.
44
165040
3111
03:00
Just like to hearauzi is not
the samela fel as to listen,
45
168151
4343
Cum „a auzi” nu e la fel cu „a asculta”,
„a face poze” nu e la fel cu „a vedea”,
03:04
to take picturespoze is not
the samela fel as to see,
46
172494
4040
03:08
and by seeingvedere,
we really mean understandingînţelegere.
47
176534
3829
iar prin „a vedea” ne referim la „a înţelege”.
03:13
In factfapt, it tooka luat MotherMama NatureNatura
540 millionmilion yearsani of hardgreu work
48
181293
6177
Naturii i-au trebuit
540 mil. ani de muncă grea pentru asta,
03:19
to do this tasksarcină,
49
187470
1973
03:21
and much of that effortefort
50
189443
1881
iar mare parte din efort
03:23
wenta mers into developingîn curs de dezvoltare the visualvizual
processingprelucrare apparatusaparate of our brainscreier,
51
191324
5271
a constat în dezvoltarea creierului
pentru procesarea vederii, nu a ochlor.
03:28
not the eyesochi themselvesînșiși.
52
196595
2647
03:31
So visionviziune beginsîncepe with the eyesochi,
53
199242
2747
Vederea începe cu ochii,
dar de fapt are loc în creier.
03:33
but it trulycu adevărat takes placeloc in the braincreier.
54
201989
3518
03:38
So for 15 yearsani now, startingpornire
from my PhPH-ul.D. at CaltechCaltech
55
206287
5060
De 15 ani, începând cu doctoratul
la Caltech,
03:43
and then leadingconducere Stanford'sStanford VisionViziune LabLaborator,
56
211347
2926
iar apoi conducând
Laboratorul Vizual din Stanford,
03:46
I've been workinglucru with my mentorsmentori,
collaboratorscolaboratori and studentselevi
57
214273
4396
am lucrat cu mentorii,
colaboratorii și studenții mei
03:50
to teacha preda computerscalculatoare to see.
58
218669
2889
să învățăm computerele să vadă.
Ne ocupăm de recunoașterea
imaginilor și învățarea automată.
03:54
Our researchcercetare fieldcamp is calleddenumit
computercomputer visionviziune and machinemaşină learningînvăţare.
59
222658
3294
03:57
It's partparte of the generalgeneral fieldcamp
of artificialartificial intelligenceinteligență.
60
225952
3878
Face parte din aria generală
a inteligenței artificiale.
04:03
So ultimatelyîn cele din urmă, we want to teacha preda
the machinesmaşini to see just like we do:
61
231000
5493
În final vrem să învățăm mașinăriile
să vadă ca noi:
să denumească obiecte,
04:08
namingDenumire objectsobiecte, identifyingidentificarea people,
inferringdeducere 3D geometrygeometrie of things,
62
236493
5387
să identifice persoane,
să deducă geometria 3D a lucrurilor,
04:13
understandingînţelegere relationsrelaţii, emotionsemoții,
actionsacţiuni and intentionsintenţiile.
63
241880
5688
să înțeleagă relații, emoții,
acțiuni și intenții.
04:19
You and I weaveţese togetherîmpreună entireîntreg storiespovestiri
of people, placeslocuri and things
64
247568
6153
Noi toţi țesem povești întregi
despre oameni, locuri și lucruri
04:25
the momentmoment we laypune our gazeprivirea on them.
65
253721
2164
în clipa în care le vedem.
04:28
The first stepEtapa towardscătre this goalpoartă
is to teacha preda a computercomputer to see objectsobiecte,
66
256955
5583
Primul pas către acest țel e
să învățăm computerele să vadă obiectele,
04:34
the buildingclădire blockbloc of the visualvizual worldlume.
67
262538
3368
pietrele de temelie ale lumii vizuale.
04:37
In its simplestmai simplu termstermeni,
imagineimagina this teachingînvățătură processproces
68
265906
4434
În cel mai simplu mod,
imaginați-vă acest proces de învățare
04:42
as showingarătând the computerscalculatoare
some trainingpregătire imagesimagini
69
270340
2995
ca arătându-le computerelor
câteva imagini de antrenament
04:45
of a particularspecial objectobiect, let's say catspisici,
70
273335
3321
ale unui obiect, să spunem pisici
04:48
and designingproiect a modelmodel that learnsînvaţă
from these trainingpregătire imagesimagini.
71
276656
4737
și creând un model
care învață după aceste imagini.
04:53
How hardgreu can this be?
72
281393
2044
Cât de greu poate fi?
04:55
After all, a catpisică is just
a collectionColectie of shapesforme and colorscolorate,
73
283437
4052
Până la urmă, o pisică
e doar o colecție de forme și culori,
04:59
and this is what we did
in the earlydin timp dayszi of objectobiect modelingmodelare.
74
287489
4086
iar asta e ce am făcut
la începutul modelării obiectelor.
05:03
We'dNe-ar tell the computercomputer algorithmAlgoritmul
in a mathematicalmatematic languagelimba
75
291575
3622
Îi spuneam computerului
într-un limbaj matematic
05:07
that a catpisică has a roundrundă facefață,
a chubbydolofan bodycorp,
76
295197
3343
că o pisică are o față rotundă,
un corp durduliu,
05:10
two pointyascuţite earsurechi, and a long tailcoadă,
77
298540
2299
două urechi ascuțite și o coadă lungă
05:12
and that lookedprivit all fine.
78
300839
1410
și totul arăta bine.
05:14
But what about this catpisică?
79
302859
2113
Dar ce spuneți de pisica asta?
05:16
(LaughterRâs)
80
304972
1091
(Râsete)
05:18
It's all curledcicoare up.
81
306063
1626
E ghemuită toată.
05:19
Now you have to addadăuga anothero alta shapeformă
and viewpointpunct de vedere to the objectobiect modelmodel.
82
307689
4719
Trebuie adăugată încă o formă
și punct de vedere modelului.
05:24
But what if catspisici are hiddenascuns?
83
312408
1715
Dar dacă pisicile sunt ascunse?
05:27
What about these sillyprost catspisici?
84
315143
2219
Dar aceste pisici prostuțe?
05:31
Now you get my pointpunct.
85
319112
2417
Acum mă înțelegeți.
05:33
Even something as simplesimplu
as a householdgospodărie petanimal de companie
86
321529
3367
Chiar ceva simplu ca un animal de casă
05:36
can presentprezent an infiniteinfinit numbernumăr
of variationsvariații to the objectobiect modelmodel,
87
324896
4504
poate prezenta un număr infinit
de variații ale modelului,
05:41
and that's just one objectobiect.
88
329400
2233
iar acesta e doar un obiect.
05:44
So about eightopt yearsani agoîn urmă,
89
332573
2492
Acum aproximativ opt ani,
05:47
a very simplesimplu and profoundprofund observationobservare
changedschimbat my thinkinggândire.
90
335065
5030
o observație foarte simplă și profundă
mi-a schimbat gândirea.
05:53
No one tellsspune a childcopil how to see,
91
341425
2685
Nimeni nu-i spune unui copil cum să vadă,
mai ales la început.
05:56
especiallyin mod deosebit in the earlydin timp yearsani.
92
344110
2261
05:58
They learnînvăța this throughprin
real-worldlumea reala experiencesexperiențe and examplesexemple.
93
346371
5000
Învață asta prin experiențe și exemple
din lumea reală.
06:03
If you considerconsidera a child'scopilului eyesochi
94
351371
2740
Dacă considerați ochii copilului
ca o pereche de camere biologice,
06:06
as a pairpereche of biologicalbiologic camerascamere,
95
354111
2554
06:08
they take one pictureimagine
about everyfiecare 200 millisecondsmilisecunde,
96
356665
4180
acestea fac o poză
la fiecare 200 milisecunde,
06:12
the averagein medie time an eyeochi movementcirculaţie is madefăcut.
97
360845
3134
– durata medie a unei mișcări oculare.
06:15
So by agevârstă threeTrei, a childcopil would have seenvăzut
hundredssute of millionsmilioane of picturespoze
98
363979
5550
Până la 3 ani, un copil ar fi văzut
sute de milioane de poze cu lumea reală.
06:21
of the realreal worldlume.
99
369529
1834
Astea sunt multe exemple de antrenament.
06:23
That's a lot of trainingpregătire examplesexemple.
100
371363
2280
06:26
So insteadin schimb of focusingfocalizare solelyexclusiv
on better and better algorithmsalgoritmi,
101
374383
5989
Astfel în loc să ne axăm doar
pe algoritmi din ce în ce mai buni,
06:32
my insightînțelegere was to give the algorithmsalgoritmi
the kinddrăguț of trainingpregătire datadate
102
380372
5272
m-am gândit să ofer algoritmilor
tipul de date
06:37
that a childcopil was givendat throughprin experiencesexperiențe
103
385644
3319
primite de copil prin experiență,
atât cantitativ cât și calitativ.
06:40
in bothambii quantitycantitatea and qualitycalitate.
104
388963
3878
06:44
OnceO dată we know this,
105
392841
1858
Plecând de la asta știam că trebuie
să construim o bază de date
06:46
we knewștiut we neededNecesar to collectcolectarea a datadate seta stabilit
106
394699
2971
06:49
that has fardeparte more imagesimagini
than we have ever had before,
107
397670
4459
ce are mult mai multe imagini
decât am avut înainte,
06:54
perhapspoate thousandsmii of timesori more,
108
402129
2577
probabil de mii de ori mai multe,
06:56
and togetherîmpreună with ProfessorProfesor universitar
KaiKai LiLi at PrincetonPrinceton UniversityUniversitatea,
109
404706
4111
iar împreună cu profesorul Kai Li
de la Princeton University
07:00
we launcheda lansat the ImageNetImageNet projectproiect in 2007.
110
408817
4752
am lansat proiectul ImageNet în 2007.
07:05
LuckilyDin fericire, we didn't have to mountmontură
a cameraaparat foto on our headcap
111
413569
3838
Din fericire, nu a trebuit să
ne montăm o cameră pe cap
07:09
and wait for manymulți yearsani.
112
417407
1764
și să așteptăm mulți ani.
07:11
We wenta mers to the InternetInternet,
113
419171
1463
Am apelat la Internet,
07:12
the biggestCea mai mare treasurecomoara trovetezaur of picturespoze
that humansoameni have ever createdcreată.
114
420634
4436
cel mai mare tezaur de poze
creat vreodată de oameni.
07:17
We downloadeddescărcat nearlyaproape a billionmiliard imagesimagini
115
425070
3041
Am descărcat aproape un miliard de imagini
07:20
and used crowdsourcingcrowdsourcing technologytehnologie
like the AmazonAmazon MechanicalMecanice TurkTurk platformplatformă
116
428111
5880
și am folosit tehnologii ca platforma
Amazon Mechanical Turk
07:25
to help us to labeleticheta these imagesimagini.
117
433991
2339
pentru a ne ajuta să etichetăm imaginile.
07:28
At its peakvârf, ImageNetImageNet was one of
the biggestCea mai mare employersangajatori
118
436330
4900
La apogeu, ImageNet a fost
unul dintre cei mai mari angajatori
07:33
of the AmazonAmazon MechanicalMecanice TurkTurk workersmuncitorii:
119
441230
2996
ai lucrătorilor Amazon Mechanical Turk:
07:36
togetherîmpreună, almostaproape 50,000 workersmuncitorii
120
444226
3854
în total, aproape 50.000 de lucrători
07:40
from 167 countriesțări around the worldlume
121
448080
4040
din 167 de țări din jurul lumii
07:44
helpeda ajutat us to cleancurat, sortfel and labeleticheta
122
452120
3947
ne-au ajutat să curățăm,
să triem și să etichetăm
07:48
nearlyaproape a billionmiliard candidatecandidat imagesimagini.
123
456067
3575
aproape un miliard de imagini inițiale.
07:52
That was how much effortefort it tooka luat
124
460612
2653
De atât de mult efort a fost nevoie
07:55
to capturecaptură even a fractionfracțiune
of the imageryimagini
125
463265
3900
pentru a captura doar o fracțiune
din imaginile
07:59
a child'scopilului mindminte takes in
in the earlydin timp developmentaldezvoltare yearsani.
126
467165
4171
pe care mintea unui copil le face
în primii ani ai dezvoltării.
08:04
In hindsightretrospectiv, this ideaidee of usingutilizând bigmare datadate
127
472148
3902
Privind în urmă, această idee
de a folosi date mari
08:08
to traintren computercomputer algorithmsalgoritmi
mayMai seempărea obviousevident now,
128
476050
4550
pentru a antrena algoritmii computerelor
poate părea evidentă acum,
08:12
but back in 2007, it was not so obviousevident.
129
480600
4110
dar în 2007 nu era atât de evidentă.
08:16
We were fairlydestul de alonesingur on this journeycălătorie
for quitedestul de a while.
130
484710
3878
Eram destul de singuri
în această călătorie pentru multă vreme.
08:20
Some very friendlyprietenos colleaguescolegii advisedrecomandă me
to do something more usefulutil for my tenureposesiune,
131
488588
5003
Câțiva colegi prietenoși m-au sfătuit
să fac ceva mai folositor ca ocupație
08:25
and we were constantlymereu strugglingluptă
for researchcercetare fundingfinanțarea.
132
493591
4342
și ne chinuiam constant pentru fonduri.
08:29
OnceO dată, I even jokedglumea to my graduateabsolvent studentselevi
133
497933
2485
O dată, chiar am glumit cu studenții mei
08:32
that I would just reopenredeschide
my dryuscat cleaner'scurat pe shopmagazin to fundfond ImageNetImageNet.
134
500418
4063
că aș redeschide spălătoria mea
pentru a susține ImageNet.
08:36
After all, that's how I fundedfinanțat
my collegecolegiu yearsani.
135
504481
4761
Până la urmă, așa mi-am finanțat
anii de studenție.
08:41
So we carriedtransportate on.
136
509242
1856
Așa că am continuat.
08:43
In 2009, the ImageNetImageNet projectproiect deliveredlivrat
137
511098
3715
În 2009 proiectul ImageNet a furnizat
o bază de date de 15 milioane de imagini
08:46
a databaseBază de date of 15 millionmilion imagesimagini
138
514813
4042
08:50
acrosspeste 22,000 classesclase
of objectsobiecte and things
139
518855
4805
din 22.000 de clase de obiecte și lucruri
organizate după cuvinte englezești uzuale.
08:55
organizedorganizat by everydayin fiecare zi EnglishEngleză wordscuvinte.
140
523660
3320
08:58
In bothambii quantitycantitatea and qualitycalitate,
141
526980
2926
Atât cantitativ, cât și calitativ,
era la o scală fără precedent.
09:01
this was an unprecedentedfără precedent scalescară.
142
529906
2972
09:04
As an exampleexemplu, in the casecaz of catspisici,
143
532878
3461
Ca exemplu, în cazul pisicilor,
avem mai mult de 62.000 de pisici
09:08
we have more than 62,000 catspisici
144
536339
2809
09:11
of all kindstipuri of looksarată and posesridică
145
539148
4110
de toate felurile și ipostazele,
09:15
and acrosspeste all speciesspecie
of domesticintern and wildsălbatic catspisici.
146
543258
5223
din toate speciile de pisici
domestice și sălbatice.
09:20
We were thrilledîncântat
to have put togetherîmpreună ImageNetImageNet,
147
548481
3344
Eram încântați de crearea ImageNet
09:23
and we wanted the wholeîntreg researchcercetare worldlume
to benefitbeneficiu from it,
148
551825
3738
și am vrut ca toată lumea
să poată beneficia,
09:27
so in the TEDTED fashionModă,
we openeddeschis up the entireîntreg datadate seta stabilit
149
555563
4041
astfel respectând tradiția TED,
am deschis întreaga bază de date
09:31
to the worldwidela nivel mondial
researchcercetare communitycomunitate for freegratuit.
150
559604
3592
gratis către toată comunitatea
de cercetători.
09:36
(ApplauseAplauze)
151
564636
4000
(Aplauze)
09:41
Now that we have the datadate
to nourishhrăneşte our computercomputer braincreier,
152
569416
4538
Acum că avem datele pentru a hrăni
creierul computerelor,
09:45
we're readygata to come back
to the algorithmsalgoritmi themselvesînșiși.
153
573954
3737
suntem gata să revenim la algoritmi.
09:49
As it turnedîntoarse out, the wealthbogatie
of informationinformație providedprevăzut by ImageNetImageNet
154
577691
5178
Se pare că bogăția informațiilor
furnizate de ImageNet
09:54
was a perfectperfect matchMeci to a particularspecial classclasă
of machinemaşină learningînvăţare algorithmsalgoritmi
155
582869
4806
se potrivea perfect cu o clasă specială
de algoritmi de învățare automată
09:59
calleddenumit convolutionalConvolutional neuralneural networkreţea,
156
587675
2415
numită rețea neuronală convolutivă,
10:02
pioneeredpionier by KunihikoKunihiko FukushimaFukushima,
GeoffGeoff HintonHinton, and YannYann LeCunLeCun
157
590090
5248
inițiată de Kunihiko Fukushima,
Geoff Hinton și Yann LeCun
10:07
back in the 1970s and '80s.
158
595338
3645
în anii '70 și '80.
10:10
Just like the braincreier consistsconstă
of billionsmiliarde of highlyextrem de connectedconectat neuronsneuroni,
159
598983
5619
La fel cum creierul constă în miliarde
de neuroni interconectați,
10:16
a basicde bază operatingoperare unitunitate in a neuralneural networkreţea
160
604602
3854
o unitate elementară operațională
dintr-o rețea neuronală
e un nod asemănător neuronului.
10:20
is a neuron-likeneuron-ca nodenod.
161
608456
2415
10:22
It takes inputintrare from other nodesnoduri
162
610871
2554
Primește impulsuri de la unele noduri
și trimite impulsuri altora.
10:25
and sendstrimite outputproducție to othersalții.
163
613425
2718
10:28
MoreoverÎn plus, these hundredssute of thousandsmii
or even millionsmilioane of nodesnoduri
164
616143
4713
Mai mult, aceste sute de mii
sau chiar milioane de noduri
10:32
are organizedorganizat in hierarchicalierarhice layersstraturi,
165
620856
3227
sunt organizate în straturi ierarhice,
şi ele similare creierului.
10:36
alsode asemenea similarasemănător to the braincreier.
166
624083
2554
10:38
In a typicaltipic neuralneural networkreţea we use
to traintren our objectobiect recognitionrecunoaştere modelmodel,
167
626637
4783
Într-o rețea neuronală tipică folosită la
antrenarea recunoașterii obiectelor
10:43
it has 24 millionmilion nodesnoduri,
168
631420
3181
sunt 24 de milioane de noduri,
140 de milioane de parametri
10:46
140 millionmilion parametersparametrii,
169
634601
3297
și 15 miliarde de conexiuni.
10:49
and 15 billionmiliard connectionsconexiuni.
170
637898
2763
E un model enorm.
10:52
That's an enormousenorm modelmodel.
171
640661
2415
Alimentată de datele masive din ImageNet
10:55
PoweredAlimentat by the massivemasiv datadate from ImageNetImageNet
172
643076
3901
10:58
and the modernmodern CPUsProcesoare and GPUsGPU-uri
to traintren suchastfel de a humongoushumongous modelmodel,
173
646977
5433
și de unitățile moderne de procesare
pentru a antrena un asemenea model imens,
11:04
the convolutionalConvolutional neuralneural networkreţea
174
652410
2369
rețeaua neuronală convolutivă a înflorit
într-un mod neașteptat.
11:06
blossomedînflorit in a way that no one expectedașteptat.
175
654779
3436
11:10
It becamea devenit the winningcâștigător architecturearhitectură
176
658215
2508
A devenit arhitectura câștigătoare
11:12
to generateGenera excitingemoționant newnou resultsrezultate
in objectobiect recognitionrecunoaştere.
177
660723
5340
care a generat noi rezultate captivante
în recunoașterea obiectelor.
11:18
This is a computercomputer tellingspune us
178
666063
2810
E un computer care ne spune
că e poza unei pisici și unde e pisica.
11:20
this pictureimagine containsconține a catpisică
179
668873
2300
11:23
and where the catpisică is.
180
671173
1903
Sigur că nu există doar pisici,
așa că iată un computer spunându-ne
11:25
Of coursecurs there are more things than catspisici,
181
673076
2112
11:27
so here'saici e a computercomputer algorithmAlgoritmul tellingspune us
182
675188
2438
că poza conține un băiat
și un urs de pluș,
11:29
the pictureimagine containsconține
a boybăiat and a teddyTeddy bearurs;
183
677626
3274
11:32
a dogcâine, a personpersoană, and a smallmic kitezmeu
in the backgroundfundal;
184
680900
4366
un cățel, o persoană
și un mic zmeu în fundal;
sau o poză foarte aglomerată
11:37
or a pictureimagine of very busyocupat things
185
685266
3135
11:40
like a man, a skateboardskateboard,
railingsbalustrade, a lampostlampost, and so on.
186
688401
4644
precum un bărbat, un skateboard,
balustrade, un felinar și tot așa.
11:45
SometimesUneori, when the computercomputer
is not so confidentîncrezător about what it seesvede,
187
693045
5293
Uneori, când computerul
nu este foarte sigur de ce vede,
l-am învățat să fie destul de deștept
11:51
we have taughtînvățat it to be smartinteligent enoughdestul
188
699498
2276
11:53
to give us a safesigur answerRăspuns
insteadin schimb of committingsăvârșire too much,
189
701774
3878
încât să dea un răspuns sigur
în loc să se chinuie prea mult,
11:57
just like we would do,
190
705652
2811
așa cum am face noi,
12:00
but other timesori our computercomputer algorithmAlgoritmul
is remarkableremarcabil at tellingspune us
191
708463
4666
dar uneori algoritmul e remarcabil,
spunându-ne exact ce sunt obiectele,
12:05
what exactlyexact the objectsobiecte are,
192
713129
2253
12:07
like the make, modelmodel, yearan of the carsautoturisme.
193
715382
3436
ca marca, modelul,
anul de fabricație al mașinilor.
12:10
We appliedaplicat this algorithmAlgoritmul to millionsmilioane
of GoogleGoogle StreetStrada ViewVezi imagesimagini
194
718818
5386
Am aplicat acest algoritm
pe milioane de imagini Google Street View
din sute de orașe americane
și am aflat ceva foarte interesant.
12:16
acrosspeste hundredssute of AmericanAmerican citiesorase,
195
724204
3135
12:19
and we have learnedînvățat something
really interestinginteresant:
196
727339
2926
12:22
first, it confirmedconfirmat our commoncomun wisdomînţelepciune
197
730265
3320
În primul rând, a confirmat
cunoștințele generale
12:25
that carmașină pricesprețurile correlatecorela very well
198
733585
3290
că prețurile mașinilor sunt corelate
cu venitul familiilor.
12:28
with householdgospodărie incomesveniturile.
199
736875
2345
12:31
But surprisinglysurprinzător, carmașină pricesprețurile
alsode asemenea correlatecorela well
200
739220
4527
Dar surprinzător, sunt corelate
și cu rata criminalității în orașe
12:35
with crimecrimă ratestarife in citiesorase,
201
743747
2300
sau tiparul voturilor pe coduri poștale.
12:39
or votingvot patternsmodele by zipzip codescoduri.
202
747007
3963
Stai un pic. Asta-i tot?
12:44
So wait a minuteminut. Is that it?
203
752060
2206
12:46
Has the computercomputer alreadydeja matchedpotrivire
or even surpasseddepăşit humanuman capabilitiescapabilități?
204
754266
5153
Computerul a egalat
sau a întrecut abilităţile umane?
12:51
Not so fastrapid.
205
759419
2138
Să nu ne grăbim..
12:53
So fardeparte, we have just taughtînvățat
the computercomputer to see objectsobiecte.
206
761557
4923
Am învățat computerul să vadă obiecte,
ca un copil care pronunță câteva cuvinte.
12:58
This is like a smallmic childcopil
learningînvăţare to utterrosti a fewpuțini nounsSubstantive în.
207
766480
4644
13:03
It's an incredibleincredibil accomplishmentrealizare,
208
771124
2670
E o realizare incredibilă,
dar e doar primul pas.
13:05
but it's only the first stepEtapa.
209
773794
2460
13:08
SoonÎn curând, anothero alta developmentaldezvoltare
milestonepiatră de hotar will be hitlovit,
210
776254
3762
Curând, un alt prag va fi atins,
iar copiii vor comunica în propoziții.
13:12
and childrencopii beginÎNCEPE
to communicatecomunica in sentencespropoziţii.
211
780016
3461
13:15
So insteadin schimb of sayingzicală
this is a catpisică in the pictureimagine,
212
783477
4224
Astfel în loc să spună
că „asta e o pisică în poză”,
13:19
you alreadydeja heardauzit the little girlfată
tellingspune us this is a catpisică lyingminciună on a bedpat.
213
787701
5202
deja ați auzit-o pe fetiță, spunându-ne
că e „o pisică întinsă pe pat”.
13:24
So to teacha preda a computercomputer
to see a pictureimagine and generateGenera sentencespropoziţii,
214
792903
5595
Ca să învățăm un computer să vadă o poză
și să genereze propoziții,
13:30
the marriagecăsătorie betweenîntre bigmare datadate
and machinemaşină learningînvăţare algorithmAlgoritmul
215
798498
3948
mariajul dintre colecțiile mari de date
și algoritmii de învățare automată
13:34
has to take anothero alta stepEtapa.
216
802446
2275
trebuie să facă un nou pas.
13:36
Now, the computercomputer has to learnînvăța
from bothambii picturespoze
217
804721
4156
Computerul trebuie să învețe din imagini
dar și din propozițile rostite de oameni.
13:40
as well as naturalnatural languagelimba sentencespropoziţii
218
808877
2856
13:43
generatedgenerate by humansoameni.
219
811733
3322
13:47
Just like the braincreier integratesintegrează
visionviziune and languagelimba,
220
815055
3853
La fel cum creierul integrează
viziunea și limbajul,
13:50
we developeddezvoltat a modelmodel
that connectsConnects partspărți of visualvizual things
221
818908
5201
am dezvoltat un model
ce conectează părți vizuale,
13:56
like visualvizual snippetsfragmente de cod
222
824109
1904
ca fragmente vizuale,
cu cuvinte și propoziții în fraze.
13:58
with wordscuvinte and phrasesexpresii in sentencespropoziţii.
223
826013
4203
14:02
About fourpatru monthsluni agoîn urmă,
224
830216
2763
Cam acum 4 luni
am pus totul cap-la-cap,
14:04
we finallyin sfarsit tiedlegat de all this togetherîmpreună
225
832979
2647
14:07
and producedprodus one of the first
computercomputer visionviziune modelsmodele
226
835626
3784
și am creat unul dintre primele
computere ce recunosc imaginile
14:11
that is capablecapabil of generatinggenerator
a human-likehuman-like sentenceteză
227
839410
3994
şi e capabil să genereze
propoziții similare celor umane
14:15
when it seesvede a pictureimagine for the first time.
228
843404
3506
când vede o poză pentru prima dată.
14:18
Now, I'm readygata to showspectacol you
what the computercomputer saysspune
229
846910
4644
Veţi vedea ce spune computerul despre poza
pe care a văzut-o fetița la început.
14:23
when it seesvede the pictureimagine
230
851554
1975
14:25
that the little girlfată saw
at the beginningînceput of this talk.
231
853529
3830
14:31
(VideoPagina) ComputerCalculator: A man is standingpermanent
nextUrmător → to an elephantelefant.
232
859519
3344
„Un bărbat stă lângă un elefant.”
14:36
A largemare airplaneavion sittingședință on toptop
of an airportaeroport runwaypistă de decolare.
233
864393
3634
„Un avion mare
stă pe pista unui aeroport.”
14:41
FFLFFL: Of coursecurs, we're still workinglucru hardgreu
to improveîmbunătăţi our algorithmsalgoritmi,
234
869057
4212
Bineînțeles, încă lucrăm din greu
să îmbunătățim algoritmii
14:45
and it still has a lot to learnînvăța.
235
873269
2596
și are încă multe de învățat.
14:47
(ApplauseAplauze)
236
875865
2291
(Aplauze)
14:51
And the computercomputer still makesmărci mistakesgreșeli.
237
879556
3321
Iar computerul încă face greșeli.
14:54
(VideoPagina) ComputerCalculator: A catpisică lyingminciună
on a bedpat in a blanketpătură.
238
882877
3391
„O pisică întinsă pe pat într-o pătură.”
14:58
FFLFFL: So of coursecurs, when it seesvede
too manymulți catspisici,
239
886268
2553
Când vede prea multe pisici,
crede că totul arată ca o pisică.
15:00
it thinkscrede everything
mightar putea look like a catpisică.
240
888821
2926
15:05
(VideoPagina) ComputerCalculator: A youngtineri boybăiat
is holdingdeținere a baseballbaseball batbăţ.
241
893317
2864
„Un băiat ținând o bâtă de baseball.”
15:08
(LaughterRâs)
242
896181
1765
(Râsete)
15:09
FFLFFL: Or, if it hasn'tnu are seenvăzut a toothbrushperiuta de dinti,
it confusesconfundă it with a baseballbaseball batbăţ.
243
897946
4583
Dacă n-a văzut o periuță de dinți,
o confundă cu o bâtă de baseball.
15:15
(VideoPagina) ComputerCalculator: A man ridingcălărie a horsecal
down a streetstradă nextUrmător → to a buildingclădire.
244
903309
3434
„Un bărbat călărește un cal
pe o stradă lângă o clădire.”
15:18
(LaughterRâs)
245
906743
2023
(Râsete)
15:20
FFLFFL: We haven'tnu au taughtînvățat ArtArta 101
to the computerscalculatoare.
246
908766
3552
Nu le-am predat arta computerelor.
„O zebră stând într-un câmp cu iarbă.”
15:25
(VideoPagina) ComputerCalculator: A zebraZebra standingpermanent
in a fieldcamp of grassiarbă.
247
913768
2884
N-a învățat să aprecieze
frumusețea naturii ca şi noi.
15:28
FFLFFL: And it hasn'tnu are learnedînvățat to appreciatea aprecia
the stunninguluitor beautyfrumuseţe of naturenatură
248
916652
3367
15:32
like you and I do.
249
920019
2438
15:34
So it has been a long journeycălătorie.
250
922457
2832
A fost o călătorie lungă.
15:37
To get from agevârstă zerozero to threeTrei was hardgreu.
251
925289
4226
Să ajungem cu vârsta
de la 0 la 3 ani a fost greu.
Adevărata provocare e
să trecem de la 3 la 13 și mai departe.
15:41
The realreal challengeprovocare is to go
from threeTrei to 13 and fardeparte beyonddincolo.
252
929515
5596
Să vă reamintesc
poza asta cu băiatul și tortul.
15:47
Let me remindreaminti you with this pictureimagine
of the boybăiat and the caketort again.
253
935111
4365
15:51
So fardeparte, we have taughtînvățat
the computercomputer to see objectsobiecte
254
939476
4064
Până acum am învățat computerul
să vadă obiecte
15:55
or even tell us a simplesimplu storypoveste
when seeingvedere a pictureimagine.
255
943540
4458
sau chiar să ne spună o poveste simplă
când vede poza.
15:59
(VideoPagina) ComputerCalculator: A personpersoană sittingședință
at a tablemasa with a caketort.
256
947998
3576
„O persoană stând la masă cu un tort.”
16:03
FFLFFL: But there's so much more
to this pictureimagine
257
951574
2630
Dar e mult mai mult în această poză
decât o persoană și un tort.
16:06
than just a personpersoană and a caketort.
258
954204
2270
Computerul nu vede
că acesta e un tort italian special
16:08
What the computercomputer doesn't see
is that this is a specialspecial ItalianItaliană caketort
259
956474
4467
16:12
that's only servedservit duringpe parcursul EasterPaste time.
260
960941
3217
servit doar în preajma Paștelui.
16:16
The boybăiat is wearingpurtare his favoritefavorit t-shirttricou
261
964158
3205
Băiatul poartă tricoul său preferat
16:19
givendat to him as a giftcadou by his fatherTată
after a tripexcursie to SydneySydney,
262
967363
3970
dăruit de tatăl său,
după o excursie în Sydney,
16:23
and you and I can all tell how happyfericit he is
263
971333
3808
iar noi putem vedea cât de fericit e
și ce are de gând.
16:27
and what's exactlyexact on his mindminte
at that momentmoment.
264
975141
3203
16:31
This is my sonfiu LeoLeo.
265
979214
3125
Acesta e fiul meu Leo.
În cercetarea inteligenței vizuale,
16:34
On my questQuest for visualvizual intelligenceinteligență,
266
982339
2624
16:36
I think of LeoLeo constantlymereu
267
984963
2391
mă gândesc constant la Leo
și la lumea în care va trăi.
16:39
and the futureviitor worldlume he will livetrăi in.
268
987354
2903
16:42
When machinesmaşini can see,
269
990257
2021
Când mașinăriile pot vedea,
16:44
doctorsmedici and nursesasistente medicale will have
extrasuplimentar pairsperechi of tirelessneobosit eyesochi
270
992278
4712
doctorii și asistentele vor avea
alte perechi de ochi neobosiți
16:48
to help them to diagnosediagnostica
and take careîngrijire of patientspacienți.
271
996990
4092
să-i ajute să diagnosticheze
și să aibă grijă de pacienți.
16:53
CarsMasini will runalerga smartermai inteligent
and safermai sigur on the roaddrum.
272
1001082
4383
Mașinile vor merge mai inteligent
și mai sigur pe drum.
16:57
RobotsRoboti, not just humansoameni,
273
1005465
2694
Roboții, nu doar oamenii,
17:00
will help us to bravecurajos the disasterdezastru zoneszone
to saveSalvați the trappedprins and woundedrăniți.
274
1008159
4849
ne vor ajuta în zonele de dezastru
pentru a-i salva pe captivi și răniți.
17:05
We will discoverdescoperi newnou speciesspecie,
better materialsmateriale,
275
1013798
3796
Vom descoperi noi specii,
materiale mai bune
17:09
and exploreexplora unseennevăzut frontiersfrontiere
with the help of the machinesmaşini.
276
1017594
4509
și vom explora frontiere nevăzute
cu ajutorul mașinăriilor.
17:15
Little by little, we're givingoferindu- sightvedere
to the machinesmaşini.
277
1023113
4167
Încet-încet, facem mașinăriile să vadă.
17:19
First, we teacha preda them to see.
278
1027280
2798
Întâi le învățăm pe ele să vadă.
17:22
Then, they help us to see better.
279
1030078
2763
Apoi ne vor ajuta să vedem noi mai bine.
17:24
For the first time, humanuman eyesochi
won'tnu va be the only onescele
280
1032841
4165
Pentru prima dată, nu doar ochii umani
vor analiza şi explora lumea.
17:29
ponderingreflecţie and exploringexplorarea our worldlume.
281
1037006
2934
Vom folosi mașinăriile
pentru inteligența lor
17:31
We will not only use the machinesmaşini
for theiral lor intelligenceinteligență,
282
1039940
3460
17:35
we will alsode asemenea collaboratecolabora with them
in waysmoduri that we cannotnu poti even imagineimagina.
283
1043400
6179
şi vom colabora cu ele
în moduri în care nici nu ne imaginăm.
17:41
This is my questQuest:
284
1049579
2161
Asta e misiunea mea:
să ofer computerelor inteligența vizuală
17:43
to give computerscalculatoare visualvizual intelligenceinteligență
285
1051740
2712
17:46
and to createcrea a better futureviitor
for LeoLeo and for the worldlume.
286
1054452
5131
și să creez un viitor mai bun
pentru Leo și pentru lume.
Mulțumesc.
17:51
Thank you.
287
1059583
1811
17:53
(ApplauseAplauze)
288
1061394
3785
(Aplauze)
Translated by George Ovidiu Panaite
Reviewed by Diana Livezeanu

▲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