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

เจเรมี่ เฮาวาร์ด: ผลที่น่ามหัศจรรย์และน่าสะพรึงกลัว ของคอมพิวเตอร์ที่เรียนรู้ได้เอง

Filmed:
2,532,971 views

อะไรจะเกิดขึ้นเมื่อเราสอนให้คอมพิวเตอร์เรียนรู้ นักเทคโนโลยี เจเรมี่ เฮาวาร์ด นำมาบอกเล่าเรื่องการพัฒนาใหม่ที่น่าประหลาดใจ ในสาขาวิชา "การเรียนรู้ลึก" ที่มีการขับเคลื่อนอย่างรวดเร็ว เป็นเทคนิคที่ทำให้คอมพิวเตอร์สามารถเรียนภาษาจีนได้ หรือ ให้มันรู้จำวัตถุที่อยู่ในรูปภาพได้ หรือ ให้มันช่วยทำวินิจฉัยทางการแพทย์ (มีเครื่องมือการเรียนรู้ลึกชนิดหนึ่ง ที่หลังจากดูยูทูบไปหลายชั่วโมง สามารถสอนตัวเองให้ได้ความรู้ในเรื่อง "แมว") เรามาตามประเด็นในสาขาวิชาที่เปลี่ยนวิธีที่คอมพิวเตอร์รอบๆคุณจะปฏิบัติงาน...เร็วเกินกว่าที่คุณอาจจะคาดคิด
- 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 computerคอมพิวเตอร์ to do something newใหม่,
0
880
4013
เคยเป็นว่าถ้าอยากได้คอมพ์ มาทำอะไรที่ใหม่ๆ
00:16
you would have to programโครงการ it.
1
4893
1554
คุณก็ต้องโปรแกรมมัน
00:18
Now, programmingการเขียนโปรแกรม, for those of you here
that haven'tยังไม่ได้ doneเสร็จแล้ว it yourselfด้วยตัวคุณเอง,
2
6447
3411
ครับ การทำโปรแกรม
สำหรับคนที่ยังไม่เคยทำเอง
00:21
requiresต้องมี layingการวาง out in excruciatingระทมทุกข์ detailรายละเอียด
3
9858
3502
ก็ต้องวางแผนรายละเอียด
อย่างเลือดตาแทบกระเด็น
00:25
everyทุกๆ singleเดียว stepขั้นตอน that you want
the computerคอมพิวเตอร์ to do
4
13360
3367
ในทุกขั้นตอน ที่คุณต้องการให้คอมพิวเตอร์ทำ
00:28
in orderใบสั่ง to achieveบรรลุ your goalเป้าหมาย.
5
16727
2362
เพื่อให้บรรลุเป้าหมายของคุณ
00:31
Now, if you want to do something
that you don't know how to do yourselfด้วยตัวคุณเอง,
6
19089
3496
ถ้าต้องการทำสิ่งที่คุณเองไม่รู้วิธีทำแล้ว
00:34
then this is going
to be a great challengeท้าทาย.
7
22585
2063
ก็จะเป็นเรื่องท้าทายที่ยิ่งใหญ่ ที่ชายชื่อ
00:36
So this was the challengeท้าทาย facedต้องเผชิญกับ
by this man, Arthurอาร์เธอร์ Samuelซามูเอล.
8
24648
3483
อาร์เธอร์ แซมวล ก็เผชิญมาแล้วในอดีต
00:40
In 1956, he wanted to get this computerคอมพิวเตอร์
9
28131
4077
ปี 1956 เขาอยากจะให้คอมพิวเตอร์เครื่องนี้
00:44
to be ableสามารถ to beatตี him at checkersหมากฮอส.
10
32208
2340
เอาชนะเขาได้ ในเกมหมากฮอส
00:46
How can you writeเขียน a programโครงการ,
11
34548
2040
จะเขียนโปรแกรมโดยวางรายละเอียด
00:48
layปู out in excruciatingระทมทุกข์ detailรายละเอียด,
how to be better than you at checkersหมากฮอส?
12
36588
3806
อย่างเลือดตาแทบกระเด็น
ให้เหนือกว่าคุณในเกม ได้อย่างไร
00:52
So he cameมา up with an ideaความคิด:
13
40394
1722
ดังนั้น เขาจึงเกิดความคิดใหม่ขึ้นมา
00:54
he had the computerคอมพิวเตอร์ playเล่น
againstต่อต้าน itselfตัวเอง thousandsพัน of timesครั้ง
14
42116
3724
เขาให้คอมพ์เล่นแข่งกับตัวเอง หลายพันครั้ง
00:57
and learnเรียน how to playเล่น checkersหมากฮอส.
15
45840
2524
และให้มันเรียนรู้ ที่จะเล่นเกมหมากฮอส
01:00
And indeedจริง it workedทำงาน,
and in factความจริง, by 1962,
16
48364
3180
และมันก็ได้ผลจริง ๆ และตอนปี 1962
01:03
this computerคอมพิวเตอร์ had beatenตี
the Connecticutคอนเนตทิคั stateสถานะ championแชมป์.
17
51544
4017
คอมพ์เครื่องนี้ เล่นชนะแชมป์รัฐคอนเนตทิคัต
01:07
So Arthurอาร์เธอร์ Samuelซามูเอล was
the fatherพ่อ of machineเครื่อง learningการเรียนรู้,
18
55561
2973
อาร์เธอร์ แซมวล ถือว่าเป็นบิดา
ของการเรียนรู้ของเครื่อง
01:10
and I have a great debtหนี้สิน to him,
19
58534
1717
ผมเป็นหนี้เขาอย่างใหญ่หลวง เพราะ
01:12
because I am a machineเครื่อง
learningการเรียนรู้ practitionerแพทย์.
20
60251
2763
ผมเป็นผู้ปฏิบัติงาน ด้านเครื่องเรียนรู้นี้
01:15
I was the presidentประธาน of KaggleKaggle,
21
63014
1465
อดีตผมเป็นประธานกลุ่มแค็กเกิล
01:16
a communityชุมชน of over 200,000
machineเครื่อง learningการเรียนรู้ practictionerspractictioners.
22
64479
3388
เป็นกลุ่มคนกว่า 2 แสนคนที่ทำงานด้านนี้
01:19
KaggleKaggle putsทำให้ up competitionsการแข่งขัน
23
67867
2058
แค็กเกิลจัดการแข่งขัน เพื่อพยายามให้
01:21
to try and get them to solveแก้
previouslyก่อนหน้านี้ unsolvedยังไม่แก้ problemsปัญหาที่เกิดขึ้น,
24
69925
3708
เครื่องเหล่านั้นแก้ปัญหาที่แก้ไม่ได้มาก่อน
01:25
and it's been successfulที่ประสบความสำเร็จ
hundredsหลายร้อย of timesครั้ง.
25
73633
3837
และก็ประสบผลสำเร็จมาแล้วหลายร้อยครั้ง
01:29
So from this vantageความได้เปรียบ pointจุด,
I was ableสามารถ to find out
26
77470
2470
ดังนั้น จากมุมมองที่กว้างขวางนี้
ผมจึงได้ค้นพบ
01:31
a lot about what machineเครื่อง learningการเรียนรู้
can do in the pastอดีต, can do todayในวันนี้,
27
79940
3950
เรื่องการเรียนรู้ของเครื่องอีกมากมาย
ที่พวกมันทำได้
01:35
and what it could do in the futureอนาคต.
28
83890
2362
ในอดีต ปัจจุบัน และอนาคต
ส่วนความสำเร็จเชิงพาณิชย์
01:38
Perhapsบางที the first bigใหญ่ successความสำเร็จ of
machineเครื่อง learningการเรียนรู้ commerciallyในเชิงพาณิชย์ was GoogleGoogle.
29
86252
4423
ที่ยิ่งใหญ่ครั้งแรกของเรื่องนี้ อาจคือ
01:42
GoogleGoogle showedแสดงให้เห็นว่า that it is
possibleเป็นไปได้ to find informationข้อมูล
30
90675
3109
กูเกิลที่ให้เห็นว่าเป็นไปได้ที่จะค้นข้อมูล
01:45
by usingการใช้ a computerคอมพิวเตอร์ algorithmขั้นตอนวิธี,
31
93784
1752
โดยใช้วิธีการทางคอมพิวเตอร์
01:47
and this algorithmขั้นตอนวิธี is basedซึ่งเป็นรากฐาน
on machineเครื่อง learningการเรียนรู้.
32
95536
2901
ซึ่งมีพื้นฐานมาจาก การเรียนรู้ของเครื่อง
01:50
Sinceตั้งแต่ that time, there have been manyจำนวนมาก
commercialเชิงพาณิชย์ successesประสบความสำเร็จ of machineเครื่อง learningการเรียนรู้.
33
98437
3886
แต่นั้นมา มีความสำเร็จเชิงพาณิชย์อีกมาก
01:54
Companiesบริษัท like Amazonอเมซอน and NetflixNetflix
34
102323
1837
บริษัท อย่างเช่น แอมะซอน และ เน็ตฟลิกส์
01:56
use machineเครื่อง learningการเรียนรู้ to suggestแนะนำ
productsผลิตภัณฑ์ that you mightอาจ like to buyซื้อ,
35
104160
3716
ใช้การเรียนรู้ของเครื่อง เพื่อแนะนำสินค้า
01:59
moviesภาพยนตร์ that you mightอาจ like to watch.
36
107876
2020
ที่คุณอาจอยากซื้อ ภาพยนตร์ที่อาจอยากดู
02:01
Sometimesบางครั้ง, it's almostเกือบจะ creepyน่าขนลุก.
37
109896
1807
บางครั้ง ก็เกือบทำให้ขนลุก
02:03
Companiesบริษัท like LinkedInLinkedIn and FacebookFacebook
38
111703
1954
บริษัทอย่างเช่น ลิงด์อิน และเฟสบุก
02:05
sometimesบางครั้ง will tell you about
who your friendsเพื่อน mightอาจ be
39
113657
2594
บางครั้งจะบอกว่า ใครอาจเป็นเพื่อนของคุณ
02:08
and you have no ideaความคิด how it did it,
40
116251
1977
และคุณก็คิดไม่ออกเลยว่า มันทำได้อย่างไร
02:10
and this is because it's usingการใช้
the powerอำนาจ of machineเครื่อง learningการเรียนรู้.
41
118228
2967
นี่ก็เพราะ มันใช้พลังการเรียนรู้ของเครื่อง
02:13
These are algorithmsอัลกอริทึม that have
learnedได้เรียนรู้ how to do this from dataข้อมูล
42
121195
2957
เป็นวิธีการทางคอมพ์ ที่เรียนรู้วิธีทำได้
02:16
ratherค่อนข้าง than beingกำลัง programmedโปรแกรม by handมือ.
43
124152
3247
จากข้อมูล แทนโปรแกรม ที่ต้องใช้มือทำ
02:19
This is alsoด้วย how IBMไอบีเอ็ม was successfulที่ประสบความสำเร็จ
44
127399
2478
สิ่งนี่ยังทำให้ IBM สำเร็จในการทำให้
02:21
in gettingได้รับ Watsonวัตสัน to beatตี
the two worldโลก championsแชมเปียน at "Jeopardyอันตราย,"
45
129877
3862
วัทสัน ชนะแชมป์โลกสองคนใน "เจเพอะดี" โชว์
02:25
answeringตอบ incrediblyเหลือเชื่อ subtleบอบบาง
and complexซับซ้อน questionsคำถาม like this one.
46
133739
3225
โดยตอบคำถามที่ลึกลับซับซ้อนเหลือเชื่อ เช่น
02:28
["The ancientโบราณ 'Lion'สิงโต of Nimrud'Nimrud' wentไป missingหายไป
from this city'sเมือง nationalแห่งชาติ museumพิพิธภัณฑ์ in 2003
(alongตาม with a lot of other stuffสิ่ง)"]
47
136964
2835
["ของโบราณ 'สิงโตแห่งนิมรัต'
หายไปจากพิพิธภัณฑ์ในปี 2003]
02:31
This is alsoด้วย why we are now ableสามารถ
to see the first self-drivingตนเองขับรถ carsรถ.
48
139799
3235
ยังให้เราเห็นในขณะนี้ รถพวกแรกที่ขับได้เอง
02:35
If you want to be ableสามารถ to tell
the differenceข้อแตกต่าง betweenระหว่าง, say,
49
143034
2822
ถ้าคุณต้องการจะบอกความแตกต่างระหว่าง เช่น
02:37
a treeต้นไม้ and a pedestrianคนเดินเท้า,
well, that's prettyน่ารัก importantสำคัญ.
50
145856
2632
ต้นไม้กับคนเดินถนน ครับ นั่นมันสำคัญมาก
02:40
We don't know how to writeเขียน
those programsโปรแกรม by handมือ,
51
148488
2587
เราไม่รู้วิธีเขียนโปรแกรมเหล่านั้น ด้วยมือ
02:43
but with machineเครื่อง learningการเรียนรู้,
this is now possibleเป็นไปได้.
52
151075
2997
แต่จากการเรียนรู้ของเครื่อง มันเป็นไปได้
02:46
And in factความจริง, this carรถ has drivenขับเคลื่อน
over a millionล้าน milesไมล์
53
154072
2608
ความจริงแล้ว รถคันนี้ขับมาแล้วกว่าล้านไมล์
02:48
withoutไม่มี any accidentsการเกิดอุบัติเหตุ on regularปกติ roadsถนน.
54
156680
3506
โดยไม่เกิดอุบัติเหตุ บนถนนปกติ
02:52
So we now know that computersคอมพิวเตอร์ can learnเรียน,
55
160196
3914
ขณะนี้เราจึงรู้ว่า เครื่องคอมพ์เรียนรู้ได้
02:56
and computersคอมพิวเตอร์ can learnเรียน to do things
56
164110
1900
คอมพิวเตอร์เรียนรู้ ที่จะทำสิ่งต่างๆที่
02:58
that we actuallyแท้จริง sometimesบางครั้ง
don't know how to do ourselvesตัวเรา,
57
166010
2838
บางครั้งเราไม่รู้จริงๆ ว่าจะทำเองอย่างไร
03:00
or maybe can do them better than us.
58
168848
2885
หรือบางทีมันอาจจะทำได้ ดีกว่าเราเสียอีก
03:03
One of the mostมากที่สุด amazingน่าอัศจรรย์ examplesตัวอย่าง
I've seenเห็น of machineเครื่อง learningการเรียนรู้
59
171733
4195
ตัวอย่างหนึ่งที่น่าทึ่งที่สุด ที่ผมเคยเห็น
03:07
happenedที่เกิดขึ้น on a projectโครงการ that I ranวิ่ง at KaggleKaggle
60
175928
2392
เกิดขึ้นในโครงการที่ผมทำ ที่แคกเกิล
03:10
where a teamทีม runวิ่ง by a guy
calledเรียกว่า Geoffreyเจฟฟรีย์ Hintonฮินตัน
61
178320
3591
ในทีมงานที่นำโดยหนุ่มชื่อ เจฟฟรี ฮินตัน
03:13
from the Universityมหาวิทยาลัย of Torontoโตรอนโต
62
181911
1552
จากมหาวิทยาลัยโทรอนโต
03:15
wonวอน a competitionการแข่งขัน for
automaticอัตโนมัติ drugยา discoveryการค้นพบ.
63
183463
2677
เขาชนะการแข่งขัน การค้นพบยาโดยอัตโนมัติ
03:18
Now, what was extraordinaryวิสามัญ here
is not just that they beatตี
64
186140
2847
ความพิเศษคือ ไม่ใช่เพียงเอาชนะวิธีทั้งหมด
03:20
all of the algorithmsอัลกอริทึม developedพัฒนา by Merckเมอร์ค
or the internationalระหว่างประเทศ academicวิชาการ communityชุมชน,
65
188987
4013
ที่พัฒนาโดย เมอร์ค, กลุ่มวิชาการนาๆชาติ
03:25
but nobodyไม่มีใคร on the teamทีม had any backgroundพื้นหลัง
in chemistryเคมี or biologyชีววิทยา or life sciencesวิทยาศาสตร์,
66
193000
5061
แต่ไม่มีใครในทีมมีพื้นทางเคมี
หรือชีววิทยาศาสตร์
03:30
and they did it in two weeksสัปดาห์ที่ผ่านมา.
67
198061
2169
และพวกเขาทำให้ชนะได้ ในสองสัปดาห์
03:32
How did they do this?
68
200230
1381
พวกเขาทำได้อย่างไรหรือ
03:34
They used an extraordinaryวิสามัญ algorithmขั้นตอนวิธี
calledเรียกว่า deepลึก learningการเรียนรู้.
69
202421
2921
เขาใช้วิธีคอมพ์ที่เรียกว่า การเรียนรู้ลึก
(deep learning)
03:37
So importantสำคัญ was this that in factความจริง
the successความสำเร็จ was coveredปกคลุม
70
205342
2949
เรื่องนี้สำคัญมากจนกระทั่ง
ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง
03:40
in The Newใหม่ Yorkนิวยอร์ก Timesไทม์ส in a frontด้านหน้า pageหน้า
articleบทความ a fewน้อย weeksสัปดาห์ที่ผ่านมา laterต่อมา.
71
208291
3121
ของนิวยอร์คไทม์ 2-3 อาทิตย์ต่อมา
03:43
This is Geoffreyเจฟฟรีย์ Hintonฮินตัน
here on the left-handมือซ้าย sideด้าน.
72
211412
2735
นี่คือ เจฟฟรี่ ฮินตัน ตรงนี้ด้านซ้ายมือ
03:46
Deepลึก learningการเรียนรู้ is an algorithmขั้นตอนวิธี
inspiredได้แรงบันดาลใจ by how the humanเป็นมนุษย์ brainสมอง worksโรงงาน,
73
214147
4341
การเรียนรู้ลึก เป็นวิธีการทางคอมพ์ที่นำ
03:50
and as a resultผล it's an algorithmขั้นตอนวิธี
74
218488
1812
วิธีทำงานของสมองคนมา ผลคือ เป็นวิธีที่
03:52
whichที่ has no theoreticalตามทฤษฎี limitationsข้อ จำกัด
on what it can do.
75
220300
3841
ไม่มีข้อจำกัดทางทฤษฎีว่า มันทำอะไรได้บ้าง
03:56
The more dataข้อมูล you give it and the more
computationการคำนวณ time you give it,
76
224141
2823
ยิ่งให้ข้อมูลมัน ยิ่งให้เวลาคำนวณมากขึ้น
03:58
the better it getsได้รับ.
77
226964
1312
มันก็จะทำงานได้ดียิ่งขึ้น
04:00
The Newใหม่ Yorkนิวยอร์ก Timesไทม์ส alsoด้วย
showedแสดงให้เห็นว่า in this articleบทความ
78
228276
2339
นิวยอร์คไทม์ ยังแสดงให้เห็นในบทความนี้
04:02
anotherอื่น extraordinaryวิสามัญ
resultผล of deepลึก learningการเรียนรู้
79
230615
2242
ถึงผลลัพท์พิเศษอีกอย่างของ การเรียนรู้ลึก
04:04
whichที่ I'm going to showแสดง you now.
80
232857
2712
ซึ่งผมจะแสดงให้คุณดู เดี๋ยวนี้
04:07
It showsแสดงให้เห็นว่า that computersคอมพิวเตอร์
can listen and understandเข้าใจ.
81
235569
4941
มันแสดงว่า คอมพ์ฟังรู้เรื่องและเข้าใจได้
04:12
(Videoวีดีโอ) Richardริชาร์ด Rashidราชิด: Now, the last stepขั้นตอน
82
240510
2711
(วิดีโอ) ริชาร์ด ราชิด: ครับ ขั้นสุดท้าย
04:15
that I want to be ableสามารถ
to take in this processกระบวนการ
83
243221
3025
ที่ผมอยากจะทำให้ได้ ในกระบวนการนี้
04:18
is to actuallyแท้จริง speakพูด to you in Chineseชาวจีน.
84
246246
4715
คือ พูดกับคุณจริงๆ เป็นภาษาจีน
04:22
Now the keyสำคัญ thing there is,
85
250961
2635
ครับ สิ่งสำคัญในเรื่องนี้ก็คือ เราสามารถ
04:25
we'veเราได้ been ableสามารถ to take a largeใหญ่ amountจำนวน
of informationข้อมูล from manyจำนวนมาก Chineseชาวจีน speakersลำโพง
86
253596
5002
เอาข้อมูลจำนวนมากมาได้ จากคนพูดจีนหลายๆคน
04:30
and produceก่อ a text-to-speechข้อความเป็นคำพูด systemระบบ
87
258598
2530
และทำ "ระบบเนื้อหา-คำพูด" ออกมา, ระบบนี้จะ
04:33
that takes Chineseชาวจีน textข้อความ
and convertsแปลง it into Chineseชาวจีน languageภาษา,
88
261128
4673
เอาข้อความภาษาจีนมา เปลี่ยนให้เป็นภาษาจีน
04:37
and then we'veเราได้ takenยึด
an hourชั่วโมง or so of my ownด้วยตัวเอง voiceเสียงพูด
89
265801
4128
แล้วก็เอาเสียงของผมเอง ราวหนึ่ง ช.ม
04:41
and we'veเราได้ used that to modulateปรับ
90
269929
1891
แล้วใช้เสียงมาปรับระบบเนื้อหา-คำพูด
04:43
the standardมาตรฐาน text-to-speechข้อความเป็นคำพูด systemระบบ
so that it would soundเสียง like me.
91
271820
4544
เพื่อที่จะให้มีเสียงเหมือนผม
04:48
Again, the result'sผล not perfectสมบูรณ์.
92
276364
2540
อีกนั่นแหละ ผลที่ได้ไม่ดีเลิศนัก
04:50
There are in factความจริง quiteทีเดียว a fewน้อย errorsข้อผิดพลาด.
93
278904
2648
จริงๆแล้ว มีข้อผิดพลาดหลายอย่าง
04:53
(In Chineseชาวจีน)
94
281552
2484
(ภาษาจีน)
04:56
(Applauseการปรบมือ)
95
284036
3367
(เสียงปรบมือ)
05:01
There's much work to be doneเสร็จแล้ว in this areaพื้นที่.
96
289446
3576
ยังมีสิ่งที่ต้องทำอีกมาก ในเรื่องนี้
05:05
(In Chineseชาวจีน)
97
293022
3645
(ภาษาจีน)
05:08
(Applauseการปรบมือ)
98
296667
3433
(เสียงปรบมือ)
05:13
Jeremyเจเรมี Howardฮาวเวิร์ด: Well, that was at
a machineเครื่อง learningการเรียนรู้ conferenceการประชุม in Chinaประเทศจีน.
99
301345
3399
เจเรมี่ เฮาวาร์ด: นั่นเป็นการประชุมที่จีน
05:16
It's not oftenบ่อยครั้ง, actuallyแท้จริง,
at academicวิชาการ conferencesการประชุม
100
304744
2370
จริงๆ ไม่บ่อยนัก ในการประชุมทางวิชาการ
05:19
that you do hearได้ยิน spontaneousโดยธรรมชาติ applauseการปรบมือ,
101
307114
1897
ที่จะได้ยินคนปรบมือเอง พร้อมเพรียงกัน
05:21
althoughแม้ว่า of courseหลักสูตร sometimesบางครั้ง
at TEDxTEDx conferencesการประชุม, feel freeฟรี.
102
309011
3676
แต่แน่ว่า บางครั้งในการประชุม TEDx
จงทำตามใจชอบ
05:24
Everything you saw there
was happeningสิ่งที่เกิดขึ้น with deepลึก learningการเรียนรู้.
103
312687
2795
ทุกสิ่งที่เห็นที่นั่นเกิดจากการเรียนรู้ลึก
05:27
(Applauseการปรบมือ) Thank you.
104
315482
1525
(เสียงปรบมือและหัวเราะ)
ขอบคุณครับ
05:29
The transcriptionการถอดความ in Englishอังกฤษ
was deepลึก learningการเรียนรู้.
105
317007
2282
การถอดเป็นภาษาอังกฤษทำโดยการเรียนรู้ลึก
05:31
The translationการแปล to Chineseชาวจีน and the textข้อความ
in the topด้านบน right, deepลึก learningการเรียนรู้,
106
319289
3412
ซึ่งแปลเป็นภาษาจีนและข้อความด้านบนขวา
05:34
and the constructionการก่อสร้าง of the voiceเสียงพูด
was deepลึก learningการเรียนรู้ as well.
107
322701
3307
การสร้างเสียงก็เป็นการเรียนรู้ลีก เช่นกัน
05:38
So deepลึก learningการเรียนรู้ is
this extraordinaryวิสามัญ thing.
108
326008
3234
การเรียนรู้ลึกจึงเป็นสิ่งพิเศษ
05:41
It's a singleเดียว algorithmขั้นตอนวิธี that
can seemดูเหมือน to do almostเกือบจะ anything,
109
329242
3099
เป็นวิธีเดียวทางคอมพ์ที่ทำได้เกือบทุกอย่าง
05:44
and I discoveredค้นพบ that a yearปี earlierก่อน,
it had alsoด้วย learnedได้เรียนรู้ to see.
110
332341
3111
ผมพบปีที่แล้วว่า มันเรียนที่จะเห็นได้ด้วย
05:47
In this obscureปิดบัง competitionการแข่งขัน from Germanyประเทศเยอรมัน
111
335452
2176
ในการแข่งขันที่ไม่ค่อยรู้จัก
ในเยอรมนี ชื่อ
05:49
calledเรียกว่า the Germanเยอรมัน Trafficการจราจร Signสัญญาณ
Recognitionการรับรู้ Benchmarkเกณฑ์มาตรฐาน,
112
337628
2597
เยอรมันแทร็ฟฟิกซายน์เรคอกนิชั่นเบนช์มาร์ก
05:52
deepลึก learningการเรียนรู้ had learnedได้เรียนรู้
to recognizeรับรู้ trafficการจราจร signsสัญญาณ like this one.
113
340225
3393
การเรียนรู้ลึก เรียนรู้จำสัญญาณจราจรนี้
05:55
Not only could it
recognizeรับรู้ the trafficการจราจร signsสัญญาณ
114
343618
2094
ไม่เพียงแค่ รู้จำสัญญาณจราจรได้ดีกว่า
05:57
better than any other algorithmขั้นตอนวิธี,
115
345712
1758
วิธีการอื่นๆทางคอมพิวเตอร์ เท่านั้น
05:59
the leaderboardลีดเดอร์ actuallyแท้จริง showedแสดงให้เห็นว่า
it was better than people,
116
347470
2719
ป้ายคะแนนนแสดงว่า จริง ๆ แล้ว
06:02
about twiceสองครั้ง as good as people.
117
350189
1852
มันดีกว่าคนประมาณสองเท่า
06:04
So by 2011, we had the first exampleตัวอย่าง
118
352041
1996
ดังนั้น โดยปี 2011 เราจึงมีตัวอย่างแรก
06:06
of computersคอมพิวเตอร์ that can see
better than people.
119
354037
3405
ของคอมพิวเตอร์ ที่สามารถมองเห็นได้ดีกว่าคน
06:09
Sinceตั้งแต่ that time, a lot has happenedที่เกิดขึ้น.
120
357442
2049
ตั้งแต่นั้นมา สิ่งต่างๆมากมายได้เกิดขึ้น
06:11
In 2012, GoogleGoogle announcedประกาศ that
they had a deepลึก learningการเรียนรู้ algorithmขั้นตอนวิธี
121
359491
3514
ปี 2012 กูเกิลแจ้งว่า ได้ให้การเรียนรู้ลึก
06:15
watch YouTubeYouTube videosวิดีโอ
122
363005
1415
ดูยูทูบวิดีโอ ขบเคี้ยวข้อมูล
06:16
and crunchedcrunched the dataข้อมูล
on 16,000 computersคอมพิวเตอร์ for a monthเดือน,
123
364420
3437
จากคอมพิวเตอร์ 16,000 เครื่องอยู่ 1 เดือน
06:19
and the computerคอมพิวเตอร์ independentlyอิสระ learnedได้เรียนรู้
about conceptsแนวคิด suchอย่างเช่น as people and catsแมว
124
367857
4361
และคอมพ์ก็เรียนรู้ได้เองถึงแนวความคิด
06:24
just by watchingการเฝ้าดู the videosวิดีโอ.
125
372218
1809
เช่น คนกับแมว เพียงดูแค่วิดีโอเท่านั้น
06:26
This is much like the way
that humansมนุษย์ learnเรียน.
126
374027
2352
สิ่งนี้เหมือนวิธีที่มนุษย์เรียนรู้อย่างมาก
06:28
Humansมนุษย์ don't learnเรียน
by beingกำลัง told what they see,
127
376379
2740
มนุษย์ไม่ได้เรียนโดยให้คนอื่นบอกว่า
เขาเห็นอะไร
06:31
but by learningการเรียนรู้ for themselvesตัวเอง
what these things are.
128
379119
3331
แต่โดยเรียนด้วยตนเองว่า ของเหล่านี้คืออะไร
06:34
Alsoด้วย in 2012, Geoffreyเจฟฟรีย์ Hintonฮินตัน,
who we saw earlierก่อน,
129
382450
3369
ปี 2012 เจฟฟรี่ ฮินตัน ที่เราเห็นตอนต้น
06:37
wonวอน the very popularเป็นที่นิยม ImageNetImageNet competitionการแข่งขัน,
130
385819
2858
ยังชนะการแข่ง อิมเมจเน็ด ที่มีชื่อมาก ซึ่ง
06:40
looking to try to figureรูป out
from one and a halfครึ่ง millionล้าน imagesภาพ
131
388677
4141
พยายามหาวิธีคิด จากภาพล้านห้าแสนภาพ
06:44
what they're picturesภาพ of.
132
392818
1438
ว่า ภาพเหล่านี้เป็นภาพอะไร
06:46
As of 2014, we're now down
to a sixหก percentเปอร์เซ็นต์ errorความผิดพลาด rateอัตรา
133
394256
3533
ถึงปี 2014 นี้ เราลดอัตราผิดจนเหลือ 6%
06:49
in imageภาพ recognitionได้รับการยอมรับ.
134
397789
1453
ในการรู้จำภาพได้
06:51
This is better than people, again.
135
399242
2026
นี่ก็ดีกว่าคนอีกเหมือนกัน
06:53
So machinesเครื่อง really are doing
an extraordinarilyพิเศษ good jobงาน of this,
136
401268
3769
เครื่องจึงทำงานได้ดีพิเศษจริง ในเรื่องนี้
06:57
and it is now beingกำลัง used in industryอุตสาหกรรม.
137
405037
2269
และขณะนี้ก็กำลังมีการนำไปใช้ ในอุตสาหกรรม
06:59
For exampleตัวอย่าง, GoogleGoogle announcedประกาศ last yearปี
138
407306
3042
เช่น กูเกิลประกาศเมื่อปีที่แล้ว ว่า
07:02
that they had mappedแมป everyทุกๆ singleเดียว
locationที่ตั้ง in Franceฝรั่งเศส in two hoursชั่วโมง,
139
410348
4585
ได้ทำแผนที่ทุกๆตำแหน่งในฝรั่งเศสใน 2 ช.ม
07:06
and the way they did it was
that they fedอาหาร streetถนน viewดู imagesภาพ
140
414933
3447
และวิธีที่พวกเขาทำนั้น คือ ใส่ภาพถนนเข้าไป
07:10
into a deepลึก learningการเรียนรู้ algorithmขั้นตอนวิธี
to recognizeรับรู้ and readอ่าน streetถนน numbersหมายเลข.
141
418380
4319
ในการเรียนรู้ลึก เพื่อให้รู้จำและอ่านเลขถนน
07:14
Imagineจินตนาการ how long
it would have takenยึด before:
142
422699
2220
ลองจินตนาการดู แต่ก่อนจะใช้เวลานานแค่ไหน
07:16
dozensหลายสิบ of people, manyจำนวนมาก yearsปี.
143
424919
3355
ใช้คนมากมายหลายคน หลายปี
07:20
This is alsoด้วย happeningสิ่งที่เกิดขึ้น in Chinaประเทศจีน.
144
428274
1911
เรื่องนี้ก็กำลังเกิดขึ้นในจีนด้วย
07:22
BaiduBaidu is kindชนิด of
the Chineseชาวจีน GoogleGoogle, I guessเดา,
145
430185
4036
ไบดู เป็นเหมือนกับกูเกลของจีน และ
07:26
and what you see here in the topด้านบน left
146
434221
2283
ที่คุณเห็น ตรงด้านบนซ้ายมือ คือ ตัวอย่าง
07:28
is an exampleตัวอย่าง of a pictureภาพ that I uploadedอัปโหลด
to Baidu'sBaidu ของ deepลึก learningการเรียนรู้ systemระบบ,
147
436504
3974
รูปที่ผมใส่เข้าไป ในระบบเรียนรู้ลึกของไบดู
07:32
and underneathภายใต้ you can see that the systemระบบ
has understoodเข้าใจ what that pictureภาพ is
148
440478
3769
ตรงข้างล่าง คุณจะเห็นได้ว่า ระบบเข้าใจได้
07:36
and foundพบ similarคล้ายคลึงกัน imagesภาพ.
149
444247
2236
ว่าเป็นภาพอะไร และค้นพบภาพที่เหมือนกัน
07:38
The similarคล้ายคลึงกัน imagesภาพ actuallyแท้จริง
have similarคล้ายคลึงกัน backgroundsภูมิหลัง,
150
446483
2736
ซึ่งจริงๆแล้ว คือมีแบ็กกราวเหมือนกัน
07:41
similarคล้ายคลึงกัน directionsคำสั่ง of the facesใบหน้า,
151
449219
1658
หันหน้าไปทิศทางเดียวกัน
07:42
even some with theirของพวกเขา tongueลิ้น out.
152
450877
1788
แม้กระทั่ง บางรูปที่แลบลิ้นออกมา
07:44
This is not clearlyอย่างเห็นได้ชัด looking
at the textข้อความ of a webเว็บ pageหน้า.
153
452665
3030
นี่ไม่ใช่มองที่ เนื้อหาเว็บเพจอย่างแน่นอน
07:47
All I uploadedอัปโหลด was an imageภาพ.
154
455695
1412
ผมส่งเพียงแต่รูป ๆ เดียวเท่านั้น
07:49
So we now have computersคอมพิวเตอร์ whichที่
really understandเข้าใจ what they see
155
457107
4021
ขณะนี้มีคอมพ์ ที่เข้าใจสิ่งที่มันเห็นจริงๆ
07:53
and can thereforeดังนั้น searchค้นหา databasesฐานข้อมูล
156
461128
1624
จึงสามารถค้นหาฐานข้อมูลได้
07:54
of hundredsหลายร้อย of millionsล้าน
of imagesภาพ in realจริง time.
157
462752
3554
เป็นหลายร้อยล้านภาพ ในเวลาสั้นๆ
07:58
So what does it mean
now that computersคอมพิวเตอร์ can see?
158
466306
3230
อะไรจะเกิดขึ้น เมื่อมีคอมพ์ที่มองเห็นได้
08:01
Well, it's not just
that computersคอมพิวเตอร์ can see.
159
469536
2017
แต่ไม่ใช่แค่มองเห็นได้เท่านั้น
08:03
In factความจริง, deepลึก learningการเรียนรู้
has doneเสร็จแล้ว more than that.
160
471553
2069
จริงๆแล้ว การเรียนรู้ลึก ทำได้มากกว่านั้น
08:05
Complexซับซ้อน, nuancedที่เหมาะสมยิ่ง sentencesประโยค like this one
161
473622
2948
ประโยคที่ต่างกันน้อยมาก ซับซ้อน อย่างนี้
08:08
are now understandableเข้าใจได้
with deepลึก learningการเรียนรู้ algorithmsอัลกอริทึม.
162
476570
2824
ขณะนี้เข้าใจได้แล้ว ด้วยวิธีการเรียนรู้ลึก
08:11
As you can see here,
163
479394
1303
อย่างที่คุณเห็นตรงนี้
08:12
this Stanford-basedStanford-based systemระบบ
showingการแสดง the redสีแดง dotจุด at the topด้านบน
164
480697
2768
ระบบฐานสแตนฟอร์ดนี้ แสดงจุดสีแดงด้านบนสุด
08:15
has figuredคิด out that this sentenceประโยค
is expressingแสดง negativeเชิงลบ sentimentความรู้สึก.
165
483465
3919
คิดออกว่า ประโยคนี้แสดงอารมณ์เชิงลบ
08:19
Deepลึก learningการเรียนรู้ now in factความจริง
is nearใกล้ humanเป็นมนุษย์ performanceประสิทธิภาพ
166
487384
3406
จริงๆการเรียนรู้ลึก ใกล้สมรรถภาพมนุษย์แล้ว
08:22
at understandingความเข้าใจ what sentencesประโยค are about
and what it is sayingคำพูด about those things.
167
490802
5121
เข้าใจได้ว่า ประโยคบอกเรื่องอะไร
และมีความหมายอะไร
08:27
Alsoด้วย, deepลึก learningการเรียนรู้ has
been used to readอ่าน Chineseชาวจีน,
168
495923
2728
การเรียนรู้ลึก ยังนำไปใช้เพื่ออ่านภาษาจีน
08:30
again at about nativeพื้นเมือง
Chineseชาวจีน speakerผู้พูด levelชั้น.
169
498651
3156
อีกนั่นแหละ ประมาณระดับคนจีนพื้นเมือง
08:33
This algorithmขั้นตอนวิธี developedพัฒนา
out of Switzerlandประเทศสวิสเซอร์แลนด์
170
501807
2168
วิธีการทางคอมพ์นี้ ได้พัฒนาออกมาจากสวิสฯ
08:35
by people, noneไม่มี of whomใคร speakพูด
or understandเข้าใจ any Chineseชาวจีน.
171
503975
3356
โดยคนที่ไม่มีใครพูดหรือเข้าใจภาษาจีนเลย
08:39
As I say, usingการใช้ deepลึก learningการเรียนรู้
172
507331
2051
อย่างที่ผมบอก การใช้การเรียนรู้ลึก
08:41
is about the bestดีที่สุด systemระบบ
in the worldโลก for this,
173
509382
2219
เกือบเป็นระบบที่ดีที่สุดในโลก สำหรับงานนี้
08:43
even comparedเมื่อเทียบกับ to nativeพื้นเมือง
humanเป็นมนุษย์ understandingความเข้าใจ.
174
511601
5117
แม้เมื่อเปรียบกับความเข้าใจของคนพื้นบ้าน
08:48
This is a systemระบบ that we
put togetherด้วยกัน at my companyบริษัท
175
516718
2964
นี่เป็นระบบที่เราประกอบขึ้นมา
ที่บริษัทของผม
08:51
whichที่ showsแสดงให้เห็นว่า puttingวาง
all this stuffสิ่ง togetherด้วยกัน.
176
519682
2046
ซึ่งให้เห็นการเอาสิ่งทั้งหลายเข้ามารวมกัน
08:53
These are picturesภาพ whichที่
have no textข้อความ attachedแนบมาด้วย,
177
521728
2461
พวกนี้ให้เห็นภาพ ที่ไม่มีข้อความกำกับ
08:56
and as I'm typingการพิมพ์ in here sentencesประโยค,
178
524189
2352
และขณะที่ผมพิมพ์ประโยคอยู่ตรงนี้
08:58
in realจริง time it's understandingความเข้าใจ
these picturesภาพ
179
526541
2969
ในเวลาสั้นๆ มันก็เข้าใจรูปเหล่านี้
09:01
and figuringการหา out what they're about
180
529510
1679
และคิดออกได้ว่า มันเป็นเรื่องอะไร
09:03
and findingคำวินิจฉัย picturesภาพ that are similarคล้ายคลึงกัน
to the textข้อความ that I'm writingการเขียน.
181
531189
3163
และไปหาภาพ ที่เหมือนกับข้อความที่ผมเขียน
09:06
So you can see, it's actuallyแท้จริง
understandingความเข้าใจ my sentencesประโยค
182
534352
2756
จึงเห็นได้ เป็นความเข้าใจประโยคของผมจริงๆ
09:09
and actuallyแท้จริง understandingความเข้าใจ these picturesภาพ.
183
537108
2224
เป็นความเข้าใจภาพเหล่านี้จริง
09:11
I know that you've seenเห็น
something like this on GoogleGoogle,
184
539332
2559
ผมรู้ว่า คุณเคยเห็นแบบนี้ในกูเกิลแล้ว
09:13
where you can typeชนิด in things
and it will showแสดง you picturesภาพ,
185
541891
2775
ที่คุณพิมพ์ข้อความ แล้วมันจะแสดงภาพออกมา
09:16
but actuallyแท้จริง what it's doing is it's
searchingค้นหา the webpageหน้าเว็บ for the textข้อความ.
186
544666
3424
แต่จริงๆสิ่งที่มันทำคือ หาข้อความในเว็บเพจ
09:20
This is very differentต่าง from actuallyแท้จริง
understandingความเข้าใจ the imagesภาพ.
187
548090
3001
เรื่องนี้ต่างกันมาก กับการเข้าใจภาพพวกนั้น
09:23
This is something that computersคอมพิวเตอร์
have only been ableสามารถ to do
188
551091
2752
นี่เป็นสิ่งที่คอมพ์สามารถทำได้
09:25
for the first time in the last fewน้อย monthsเดือน.
189
553843
3248
เป็นครั้งแรก ในไม่กี่เดือนที่ผ่านมานี้
09:29
So we can see now that computersคอมพิวเตอร์
can not only see but they can alsoด้วย readอ่าน,
190
557091
4091
ขณะนี้จึงเห็นได้ว่า คอมพ์ไม่ได้แค่เห็น แต่
09:33
and, of courseหลักสูตร, we'veเราได้ shownแสดงให้เห็นว่า that they
can understandเข้าใจ what they hearได้ยิน.
191
561182
3765
อ่านได้ด้วย และเราก็ให้เห็นว่า
มันก็เข้าใจสิ่งที่มันได้ยิน
09:36
Perhapsบางที not surprisingน่าแปลกใจ now that
I'm going to tell you they can writeเขียน.
192
564947
3442
อาจไม่น่าแปลกใจ ถ้าจะบอกว่า มันก็เขียนได้
09:40
Here is some textข้อความ that I generatedสร้าง
usingการใช้ a deepลึก learningการเรียนรู้ algorithmขั้นตอนวิธี yesterdayเมื่อวาน.
193
568389
4783
ประโยคนี้ผมสร้างเมื่อวาน ใช้การเรียนรู้ลึก
09:45
And here is some textข้อความ that an algorithmขั้นตอนวิธี
out of StanfordStanford generatedสร้าง.
194
573172
3924
ข้อความนี้ สร้างโดยวิธีคอมพ์ของสแตนฟอร์ด
09:49
Eachแต่ละ of these sentencesประโยค was generatedสร้าง
195
577096
1764
แต่ละประโยคสร้างขึ้น
09:50
by a deepลึก learningการเรียนรู้ algorithmขั้นตอนวิธี
to describeอธิบาย eachแต่ละ of those picturesภาพ.
196
578860
4249
โดยวิธีการเรียนรู้ลึก เพื่ออธิบายภาพนั้นๆ
09:55
This algorithmขั้นตอนวิธี before has never seenเห็น
a man in a blackสีดำ shirtเสื้อเชิ้ต playingเล่น a guitarกีตาร์.
197
583109
4472
แต่ก่อนวิธีการคอมพ์ ไม่เคยเห็นชายเสื้อดำ
กำลังเล่นกีต้าร์
09:59
It's seenเห็น a man before,
it's seenเห็น blackสีดำ before,
198
587581
2220
แต่มันเคยเห็นผู้ชาย เคยเห็นสีดำ
10:01
it's seenเห็น a guitarกีตาร์ before,
199
589801
1599
เคยเห็นกีต้าร์ แต่ด้วยตัวมันเอง
10:03
but it has independentlyอิสระ generatedสร้าง
this novelนวนิยาย descriptionลักษณะ of this pictureภาพ.
200
591400
4294
ได้สร้างการอธิบายภาพนี้ในแนวใหม่
10:07
We're still not quiteทีเดียว at humanเป็นมนุษย์
performanceประสิทธิภาพ here, but we're closeปิด.
201
595694
3502
ยังคงไม่เหมือนมนุษย์ทีเดียว แต่ก็ใกล้แล้ว
10:11
In testsการทดสอบ, humansมนุษย์ preferชอบ
the computer-generatedคอมพิวเตอร์สร้างขึ้น captionคำบรรยายภาพ
202
599196
4068
ในการทดสอบ มนุษย์ชอบคำบรรยายสร้างโดยคอมพ์
10:15
one out of fourสี่ timesครั้ง.
203
603264
1527
หนึ่งในสี่ครั้ง
10:16
Now this systemระบบ is now only two weeksสัปดาห์ที่ผ่านมา oldเก่า,
204
604791
2064
ปัจจุบัน ระบบนี้มีอายุแค่ 2 สัปดาห์
10:18
so probablyอาจ withinภายใน the nextต่อไป yearปี,
205
606855
1846
ดังนั้น บางที ภายในปีหน้า
10:20
the computerคอมพิวเตอร์ algorithmขั้นตอนวิธี will be
well pastอดีต humanเป็นมนุษย์ performanceประสิทธิภาพ
206
608701
2801
วิธีทางคอมพ์ อาจไปไกลเกินหน้าการปฏิบัติงาน
10:23
at the rateอัตรา things are going.
207
611502
1862
ของมนุษย์ ที่อัตราที่กำลังเป็นอยู่นี้
10:25
So computersคอมพิวเตอร์ can alsoด้วย writeเขียน.
208
613364
3049
คอมพิวเตอร์ จึงสามารถเขียนได้ด้วย
10:28
So we put all this togetherด้วยกัน and it leadsโอกาสในการขาย
to very excitingน่าตื่นเต้น opportunitiesโอกาส.
209
616413
3475
รวมๆแล้ว ก็จะเห็นโอกาสทีน่าตื่นเต้นมาก
10:31
For exampleตัวอย่าง, in medicineยา,
210
619888
1492
ตัวอย่างเช่น ในทางการแพทย์
10:33
a teamทีม in Bostonเมืองบอสตัน announcedประกาศ
that they had discoveredค้นพบ
211
621380
2525
ทีมงานในบอสตัน ประกาศว่าพวกเขาได้ค้นพบ
10:35
dozensหลายสิบ of newใหม่ clinicallyทางคลินิก relevantที่เกี่ยวข้อง featuresคุณสมบัติ
212
623905
2949
ลักษณะต่าง ๆ มากมาย
ที่เกี่ยวข้องกับการรักษา
10:38
of tumorsเนื้องอก whichที่ help doctorsแพทย์
make a prognosisการทำนาย of a cancerโรคมะเร็ง.
213
626854
4266
เนื้องอก ที่ช่วยแพทย์ทายอาการมะเร็ง
10:44
Very similarlyเหมือนกับ, in StanfordStanford,
214
632220
2296
และที่เหมือนกันอย่างมาก ที่สแตนฟอร์ด
10:46
a groupกลุ่ม there announcedประกาศ that,
looking at tissuesเนื้อเยื่อ underภายใต้ magnificationการขยายภาพ,
215
634516
3663
กลุ่มที่นั่นประกาศว่า
โดยดูเนื้อเยื่อขยายแล้ว
10:50
they'veพวกเขาได้ developedพัฒนา
a machineเครื่อง learning-basedการเรียนรู้ตาม systemระบบ
216
638179
2381
ได้พัฒนาระบบจากการเรียนรู้ของเครื่องขึ้นมา
10:52
whichที่ in factความจริง is better
than humanเป็นมนุษย์ pathologistsพยาธิวิทยา
217
640560
2582
ซึ่งจริงๆ ดีกว่าแพทย์พยาธิวิทยา
ในการทำนาย
10:55
at predictingทำนาย survivalการอยู่รอด ratesราคา
for cancerโรคมะเร็ง sufferersผู้ประสบภัย.
218
643142
4377
อัตราการรอดชีวิต ของคนไข้โรคมะเร็ง
10:59
In bothทั้งสอง of these casesกรณี, not only
were the predictionsการคาดการณ์ more accurateถูกต้อง,
219
647519
3245
ทั้งสองกรณี ไม่เพียงการคาดเดาถูกต้องกว่า
11:02
but they generatedสร้าง newใหม่ insightfulที่ชาญฉลาด scienceวิทยาศาสตร์.
220
650764
2502
แต่ยังทำให้เกิดความเข้าใจใหม่
ทางวิทยาศาสตร์
11:05
In the radiologyรังสีวิทยา caseกรณี,
221
653276
1505
คือทางรังสีวิทยา มีการพบ
11:06
they were newใหม่ clinicalทางคลินิก indicatorsตัวชี้วัด
that humansมนุษย์ can understandเข้าใจ.
222
654781
3095
ตัวบ่งชี้ทางการรักษาแบบใหม่ ที่คนเข้าใจได้
11:09
In this pathologyพยาธิวิทยา caseกรณี,
223
657876
1792
ส่วนทางพยาธิวิทยานี้ จริงๆแล้ว
11:11
the computerคอมพิวเตอร์ systemระบบ actuallyแท้จริง discoveredค้นพบ
that the cellsเซลล์ around the cancerโรคมะเร็ง
224
659668
4500
ระบบคอมพ์ได้ค้นพบว่า เซลล์รอบๆมะเร็ง
11:16
are as importantสำคัญ as
the cancerโรคมะเร็ง cellsเซลล์ themselvesตัวเอง
225
664168
3340
สำคัญเท่าๆกับเซลล์มะเร็งเอง
11:19
in makingการทำ a diagnosisการวินิจฉัยโรค.
226
667508
1752
ในการวินิจฉัย นี้ตรงข้ามกับ
11:21
This is the oppositeตรงข้าม of what pathologistsพยาธิวิทยา
had been taughtสอน for decadesทศวรรษที่ผ่านมา.
227
669260
5361
สิ่งที่พยาธิแพทย์ ได้รับสอนมาหลายทศวรรษ
11:26
In eachแต่ละ of those two casesกรณี,
they were systemsระบบ developedพัฒนา
228
674621
3292
ในทั้งสองกรณี ระบบพัฒนาขึ้นโดย
11:29
by a combinationการรวมกัน of medicalทางการแพทย์ expertsผู้เชี่ยวชาญ
and machineเครื่อง learningการเรียนรู้ expertsผู้เชี่ยวชาญ,
229
677913
3621
ผู้เชี่ยวชาญทางแพทย์ร่วมกับ
ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง
11:33
but as of last yearปี,
we're now beyondเกิน that too.
230
681534
2741
แต่เริ่มแต่ปีที่แล้ว เราได้ไปไกลกว่านั้น
11:36
This is an exampleตัวอย่าง of
identifyingระบุ cancerousเป็นมะเร็ง areasพื้นที่
231
684275
3549
นี่เป็นตัวอย่าง ของการระบุพื้นที่ของมะเร็ง
11:39
of humanเป็นมนุษย์ tissueเนื้อเยื่อ underภายใต้ a microscopeกล้องจุลทรรศน์.
232
687824
2530
ในเนื้อเยื่อมนุษย์ จากกล้องจุลทรรศน์
11:42
The systemระบบ beingกำลัง shownแสดงให้เห็นว่า here
can identifyแยกแยะ those areasพื้นที่ more accuratelyแม่นยำ,
233
690354
4613
ระบบที่แสดงอยู่นี้
ระบุพื้นที่ได้แม่นยำกว่า
11:46
or about as accuratelyแม่นยำ,
as humanเป็นมนุษย์ pathologistsพยาธิวิทยา,
234
694967
2775
หรือเกือบจะเท่ากับพยาธิแพทย์ แต่ทั้งหมดนี้
11:49
but was builtสร้างขึ้น entirelyอย่างสิ้นเชิง with deepลึก learningการเรียนรู้
usingการใช้ no medicalทางการแพทย์ expertiseความชำนาญ
235
697742
3392
สร้างด้วยการเรียนรู้ลึก
โดยคนที่ไม่มีความเชี่ยวชาญ
11:53
by people who have
no backgroundพื้นหลัง in the fieldสนาม.
236
701134
2526
หรือพื้นเพทางการแพทย์เลย
11:56
Similarlyเหมือนกับ, here, this neuronเซลล์ประสาท segmentationการแบ่งส่วน.
237
704730
2555
นี่ก็เหมือนกัน การแบ่งส่วนประสาท, ขณะนี้
11:59
We can now segmentส่วน neuronsเซลล์ประสาท
about as accuratelyแม่นยำ as humansมนุษย์ can,
238
707285
3668
เราแยกเซลล์ประสาทได้ แม่นยำเทียมเท่ามนุษย์
12:02
but this systemระบบ was developedพัฒนา
with deepลึก learningการเรียนรู้
239
710953
2717
แต่ระบบนี้พัฒนาขึ้น ด้วยการเรียนรู้ลึก
12:05
usingการใช้ people with no previousก่อน
backgroundพื้นหลัง in medicineยา.
240
713670
3251
โดยคนที่ไม่มีพื้นฐานด้านการแพทย์
12:08
So myselfตนเอง, as somebodyบางคน with
no previousก่อน backgroundพื้นหลัง in medicineยา,
241
716921
3227
ดังนั้นผมเอง ผู้ไม่มีพื้นฐานด้านการแพทย์
12:12
I seemดูเหมือน to be entirelyอย่างสิ้นเชิง well qualifiedมีคุณสมบัติ
to startเริ่มต้น a newใหม่ medicalทางการแพทย์ companyบริษัท,
242
720148
3727
ก็เหมือนมีคุณสมบัติพร้อม ที่จะเริ่มบริษัท
12:15
whichที่ I did.
243
723875
2146
ทางการแพทย์ใหม่ขึ้นมา ซึ่งผมก็ได้ทำแล้ว
12:18
I was kindชนิด of terrifiedขวัญหนี of doing it,
244
726021
1740
ผมรู้สึกหวาดหวั่นบ้างที่จะทำ
12:19
but the theoryทฤษฎี seemedดูเหมือน to suggestแนะนำ
that it oughtควร to be possibleเป็นไปได้
245
727761
2889
แต่ตามทฤษฎีแล้ว ดูจะแนะว่า น่าจะเป็นไปได้
12:22
to do very usefulมีประโยชน์ medicineยา
usingการใช้ just these dataข้อมูล analyticวิเคราะห์ techniquesเทคนิค.
246
730650
5492
ที่จะทำการแพทย์ที่มีประโยชน์มาก โดยใช้แค่
เทคนิควิเคราะห์ข้อมูลนี้
12:28
And thankfullyขอบคุณ, the feedbackข้อเสนอแนะ
has been fantasticน่าอัศจรรย์,
247
736142
2480
และผมโชคดี ที่ได้การตอบรับที่ดีเยี่ยม
12:30
not just from the mediaสื่อ
but from the medicalทางการแพทย์ communityชุมชน,
248
738622
2356
จากทั้งสื่อและกลุ่มทางการแพทย์
12:32
who have been very supportiveอุปถัมภ์.
249
740978
2344
ที่ให้การสนับสนุนมาอย่างมาก
12:35
The theoryทฤษฎี is that we can take
the middleกลาง partส่วนหนึ่ง of the medicalทางการแพทย์ processกระบวนการ
250
743322
4149
ทฤษฎีคือ เราสามารถเอาส่วนกลาง
ของกระบวนการทางแพทย์
12:39
and turnกลับ that into dataข้อมูล analysisการวิเคราะห์
as much as possibleเป็นไปได้,
251
747471
2893
กลับมันเป็นวิเคราะห์ข้อมูล มากเท่าที่ทำได้
12:42
leavingการออกจาก doctorsแพทย์ to do
what they're bestดีที่สุด at.
252
750364
3065
ทิ้งให้แพทย์ทำ ในสิ่งที่เขาทำได้ดีที่สุด
12:45
I want to give you an exampleตัวอย่าง.
253
753429
1602
ผมอยากจะยกตัวอย่างหนึ่ง ปัจจุบัน
12:47
It now takes us about 15 minutesนาที
to generateผลิต a newใหม่ medicalทางการแพทย์ diagnosticการวินิจฉัย testทดสอบ
254
755031
4944
เราใช้เพียง 15 นาที เพื่อ
สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่
12:51
and I'll showแสดง you that in realจริง time now,
255
759975
1954
ผมจะแสดงให้ดูตามเวลาจริง แต่ผม
12:53
but I've compressedการบีบอัด it down to
threeสาม minutesนาที by cuttingตัด some piecesชิ้น out.
256
761929
3487
บีบมันลงเหลือสามนาที โดยตัดบางชิ้นออกไป
12:57
Ratherค่อนข้าง than showingการแสดง you
creatingการสร้าง a medicalทางการแพทย์ diagnosticการวินิจฉัย testทดสอบ,
257
765416
3061
แทนที่จะแสดง การสร้างการทดสอบวินิจฉัยโรค
13:00
I'm going to showแสดง you
a diagnosticการวินิจฉัย testทดสอบ of carรถ imagesภาพ,
258
768477
3369
ผมจะแสดง การทดสอบการวินิจฉัยภาพรถแทน
13:03
because that's something
we can all understandเข้าใจ.
259
771846
2222
เพราะว่า มันเป็นสิ่งที่เราทุกคนเข้าใจได้
13:06
So here we're startingที่เริ่มต้น with
about 1.5 millionล้าน carรถ imagesภาพ,
260
774068
3201
ตรงนี้ เราจึงจะเริ่มด้วยภาพรถ 1.5 ล้านคัน
13:09
and I want to createสร้าง something
that can splitแยก them into the angleมุม
261
777269
3206
และผมอยากจะสร้างอะไรบางอย่าง
ที่จะแยกมันออก
13:12
of the photoภาพถ่าย that's beingกำลัง takenยึด.
262
780475
2223
เป็นมุมมองของภาพที่ถ่าย ภาพพวกนี้
13:14
So these imagesภาพ are entirelyอย่างสิ้นเชิง unlabeledไม่มีตรา,
so I have to startเริ่มต้น from scratchเกา.
263
782698
3888
ไม่ได้มีป้ายบอกเลย
ผมจึงต้องเริ่มจากไม่มีอะไร
13:18
With our deepลึก learningการเรียนรู้ algorithmขั้นตอนวิธี,
264
786586
1865
แต่ด้วยวิธีการคอมพ์การเรียนรู้ลึกของเรา
13:20
it can automaticallyอัตโนมัติ identifyแยกแยะ
areasพื้นที่ of structureโครงสร้าง in these imagesภาพ.
265
788451
3707
มันจะระบุพื้นที่โครงสร้างในภาพได้อัตโนมัติ
13:24
So the niceดี thing is that the humanเป็นมนุษย์
and the computerคอมพิวเตอร์ can now work togetherด้วยกัน.
266
792158
3620
ส่วนดีคือ คนและคอมพ์ทำงานด้วยกันได้
13:27
So the humanเป็นมนุษย์, as you can see here,
267
795778
2178
มนุษย์ อย่างที่เห็นตรงนี้ จะบอกคอมพ์ถึง
13:29
is tellingบอก the computerคอมพิวเตอร์
about areasพื้นที่ of interestดอกเบี้ย
268
797956
2675
พื้นที่ที่น่าสนใจ ที่ต้องการให้คอมพ์
13:32
whichที่ it wants the computerคอมพิวเตอร์ then
to try and use to improveปรับปรุง its algorithmขั้นตอนวิธี.
269
800631
4650
พยายามใช้ เพื่อจะได้ปรับปรุงวิธีการของมัน
13:37
Now, these deepลึก learningการเรียนรู้ systemsระบบ actuallyแท้จริง
are in 16,000-dimensionalมิติ spaceช่องว่าง,
270
805281
4296
ระบบการเรียนรู้ลึกนี้ แท้จริงอยู่ในปริภูมิ
13:41
so you can see here the computerคอมพิวเตอร์
rotatingหมุน this throughตลอด that spaceช่องว่าง,
271
809577
3432
16000 มิติ จึงเห็นคอมพ์หมุนไปตาม
13:45
tryingพยายาม to find newใหม่ areasพื้นที่ of structureโครงสร้าง.
272
813009
1992
ปริภูมินั้น พยายามหาพื้นที่โครงสร้างใหม่
13:47
And when it does so successfullyประสบความสำเร็จ,
273
815001
1781
เมื่อมันทำได้สำเร็จตามนั้น แล้วคนที่
13:48
the humanเป็นมนุษย์ who is drivingการขับขี่ it can then
pointจุด out the areasพื้นที่ that are interestingน่าสนใจ.
274
816782
4004
ขับมันอยู่ ก็จะชี้พื้นที่ที่น่าสนใจ
13:52
So here, the computerคอมพิวเตอร์ has
successfullyประสบความสำเร็จ foundพบ areasพื้นที่,
275
820786
2422
ตรงนี้ คอมพ์พบพื้นที่ได้สำเร็จ
13:55
for exampleตัวอย่าง, anglesมุม.
276
823208
2562
ตัวอย่างเช่น มุมมองต่าง ๆ
13:57
So as we go throughตลอด this processกระบวนการ,
277
825770
1606
ดังนั้น ขณะที่เราผ่านกระบวนการนี้
13:59
we're graduallyค่อยๆ tellingบอก
the computerคอมพิวเตอร์ more and more
278
827376
2340
เราก็ค่อยๆบอกคอมพ์เพิ่มขึ้นเรื่อยๆ
14:01
about the kindsชนิด of structuresโครงสร้าง
we're looking for.
279
829716
2428
เกี่ยวกับแบบโครงสร้าง ที่เราต้องการค้นหา
14:04
You can imagineจินตนาการ in a diagnosticการวินิจฉัย testทดสอบ
280
832144
1772
คุณคงจินตนาการได้ เช่น การทดสอบวินิจฉัย
14:05
this would be a pathologistผู้ชำนาญพยาธิวิทยา identifyingระบุ
areasพื้นที่ of pathosispathosis, for exampleตัวอย่าง,
281
833916
3350
ก็จะเป็นพยาธิแพทย์ ที่จะระบุบริเวณผิดปกติ
14:09
or a radiologistรังสีแพทย์ indicatingการแสดง
potentiallyที่อาจเกิดขึ้น troublesomeรบกวน nodulesก้อน.
282
837266
5026
หรือรังสีแพทย์ ชี้บอกตุ่มที่น่าจะเป็นปัญหา
14:14
And sometimesบางครั้ง it can be
difficultยาก for the algorithmขั้นตอนวิธี.
283
842292
2559
บางที ก็ยากเหมือนกันสำหรับวิธีทางคอมพ์นี้
14:16
In this caseกรณี, it got kindชนิด of confusedสับสน.
284
844851
1964
ในกรณีนี้ มันคล้ายกับจะสับสน
14:18
The frontsเสื้อผ้า and the backsหลัง
of the carsรถ are all mixedผสม up.
285
846815
2550
ด้านหน้าและด้านหลังของรถนั้น ปนเปกันไปหมด
14:21
So here we have to be a bitบิต more carefulระมัดระวัง,
286
849365
2072
ตรงนี้ เราจึงต้องระวังมากขึ้นอีกหน่อย
14:23
manuallyด้วยมือ selectingการเลือก these frontsเสื้อผ้า
as opposedตรงข้าม to the backsหลัง,
287
851437
3232
ใช้มือเลือก ส่วนใดเป็นหน้า ส่วนใดเป็นหลัง
14:26
then tellingบอก the computerคอมพิวเตอร์
that this is a typeชนิด of groupกลุ่ม
288
854669
5506
แล้วบอกคอมพ์นั้นว่า นี่เป็นแบบของกลุ่ม
14:32
that we're interestedสนใจ in.
289
860175
1348
ที่เราสนใจอยู่
14:33
So we do that for a while,
we skipกระโดด over a little bitบิต,
290
861523
2677
เราต้องทำอย่างนี้ไปเรื่อย ๆ แต่เราจะข้ามไป
14:36
and then we trainรถไฟ the
machineเครื่อง learningการเรียนรู้ algorithmขั้นตอนวิธี
291
864200
2246
แล้วเราก็จะฝึกเครื่องเรียนรู้
14:38
basedซึ่งเป็นรากฐาน on these coupleคู่ of hundredร้อย things,
292
866446
1974
อาศัยสิ่งของจำนวนมากมายเหล่านี้
14:40
and we hopeหวัง that it's gottenอากาศ a lot better.
293
868420
2025
เราหวังว่า มันดีขึ้นมากแล้ว คุณจะเห็นได้
14:42
You can see, it's now startedเริ่มต้น to fadeจางหาย
some of these picturesภาพ out,
294
870445
3073
ตอนนี้ มันได้เริ่มทำให้บางภาพค่อยๆหายไป
14:45
showingการแสดง us that it alreadyแล้ว is recognizingตระหนักถึง
how to understandเข้าใจ some of these itselfตัวเอง.
295
873518
4708
มันรู้จำวิธีเข้าใจเรื่องนี้ด้วยตัวเองบ้างแล้ว
14:50
We can then use this conceptแนวคิด
of similarคล้ายคลึงกัน imagesภาพ,
296
878226
2902
แล้วเราจึงใช้ความรู้เรื่องภาพเหมือนนี้
14:53
and usingการใช้ similarคล้ายคลึงกัน imagesภาพ, you can now see,
297
881128
2094
และการใช้ภาพเหมือนนั้น ตอนนี้จะเห็นได้
14:55
the computerคอมพิวเตอร์ at this pointจุด is ableสามารถ to
entirelyอย่างสิ้นเชิง find just the frontsเสื้อผ้า of carsรถ.
298
883222
4019
ณ.จุดนี้คอมพ์ สามารถหารถส่วนหน้าทั้งหมด
14:59
So at this pointจุด, the humanเป็นมนุษย์
can tell the computerคอมพิวเตอร์,
299
887241
2948
ดังนั้น ที่จุดนี้ คนจะบอกคอมพ์นั้นได้ว่า
15:02
okay, yes, you've doneเสร็จแล้ว
a good jobงาน of that.
300
890189
2293
ตกลง ใช่แล้ว เธอทำงานเรื่องนี้ได้ดีแล้ว
15:05
Sometimesบางครั้ง, of courseหลักสูตร, even at this pointจุด
301
893652
2185
บางครั้ง แน่นอนครับ แม้กระทั่ง ที่จุดนี้
15:07
it's still difficultยาก
to separateแยก out groupsกลุ่ม.
302
895837
3674
ก็ยังคงยาก ที่จะแยกออกมาเป็นกลุ่มๆ
15:11
In this caseกรณี, even after we let the
computerคอมพิวเตอร์ try to rotateหมุน this for a while,
303
899511
3884
กรณีนี้ แม้หลังจากให้คอมพ์หมุนไปสักครู่
15:15
we still find that the left sidesด้านข้าง
and the right sidesด้านข้าง picturesภาพ
304
903399
3345
เราก็ยังคงพบว่า ด้านซ้ายและขวาของภาพ
15:18
are all mixedผสม up togetherด้วยกัน.
305
906744
1478
ก็ปนเปกันไปหมด
15:20
So we can again give
the computerคอมพิวเตอร์ some hintsคำแนะนำ,
306
908222
2140
ดังนั้นเราจึงให้คำแนะนำแก่คอมพ์อีก
15:22
and we say, okay, try and find
a projectionติ่ง that separatesแยก out
307
910362
2976
เราบอกว่า ใช่ พยายามหาการฉายภาพ ที่จะแยก
15:25
the left sidesด้านข้าง and the right sidesด้านข้าง
as much as possibleเป็นไปได้
308
913338
2607
ด้านซ้าย/ขวาออกจากกัน ให้มากเท่าที่จะทำได้
15:27
usingการใช้ this deepลึก learningการเรียนรู้ algorithmขั้นตอนวิธี.
309
915945
2122
โดยใช้วิธีการเรียนรู้ลึกทางคอมพ์
15:30
And givingให้ it that hintเปรย --
ahอา, okay, it's been successfulที่ประสบความสำเร็จ.
310
918067
2942
เมื่อให้คำแนะนำนั้นแล้ว ก็ประสบความสำเร็จ
15:33
It's managedการบริหารจัดการ to find a way
of thinkingคิด about these objectsวัตถุ
311
921009
2882
มันก็หาวิธีคิด เกี่ยวกับวัตถุพวกนี้ได้
15:35
that's separatedแยกออกจากกัน out these togetherด้วยกัน.
312
923891
2380
นั่นคือ วิธีแยกสิ่งเหล่านี้
15:38
So you get the ideaความคิด here.
313
926271
2438
คุณคงจะพอเข้าใจเรื่องนี้
15:40
This is a caseกรณี not where the humanเป็นมนุษย์
is beingกำลัง replacedแทนที่ by a computerคอมพิวเตอร์,
314
928709
8197
เรื่องนี้ ไม่ใช่มนุษย์ถูกแทนที่ด้วยคอมพ์
15:48
but where they're workingการทำงาน togetherด้วยกัน.
315
936906
2640
แต่เป็นเรื่องที่ พวกเขาทำงานอยู่ด้วยกัน
15:51
What we're doing here is we're replacingการแทนที่
something that used to take a teamทีม
316
939546
3550
สิ่งที่เราทำจะใช้แทนสิ่งที่เคยใช้ทีมงาน
15:55
of fiveห้า or sixหก people about sevenเจ็ด yearsปี
317
943096
2002
ห้าหรือหกคน นานประมาณเจ็ดปี
15:57
and replacingการแทนที่ it with something
that takes 15 minutesนาที
318
945098
2605
แล้วเอาสิ่งที่ทำได้ใน 15 นาที มาแทน
15:59
for one personคน actingการแสดง aloneคนเดียว.
319
947703
2505
โดยมีคนหนึ่งคน ปฏิบัติงานคนเดียว
16:02
So this processกระบวนการ takes about
fourสี่ or fiveห้า iterationsซ้ำ.
320
950208
3950
กระบวนการนี้ ใช้การวนซํ้าราว 4 - 5 ครั้ง
16:06
You can see we now have 62 percentเปอร์เซ็นต์
321
954158
1859
คุณเห็นได้ว่า ตอนนี้เราได้ 62% ของภาพ
16:08
of our 1.5 millionล้าน imagesภาพ
classifiedจัด correctlyได้อย่างถูกต้อง.
322
956017
2959
1.5 ล้านภาพ แยกประเภทแล้วอย่างถูกต้อง
16:10
And at this pointจุด, we
can startเริ่มต้น to quiteทีเดียว quicklyอย่างรวดเร็ว
323
958976
2472
ณ. จุดนี้ เราเริ่มจะคว้ามาได้อย่างรวดเร็ว
16:13
grabคว้า wholeทั้งหมด bigใหญ่ sectionsส่วน,
324
961448
1297
ที่เป็นส่วนใหญ่ๆทั้งหมด
16:14
checkตรวจสอบ throughตลอด them to make sure
that there's no mistakesข้อผิดพลาด.
325
962745
2919
ตรวจเช็คตลอด เพื่อให้แน่ใจว่าไม่มีอะไรผิด
16:17
Where there are mistakesข้อผิดพลาด, we can
let the computerคอมพิวเตอร์ know about them.
326
965664
3952
หากมี เราก็ให้คอมพ์รู้ข้อผิดพลาดเหล่านั้น
16:21
And usingการใช้ this kindชนิด of processกระบวนการ
for eachแต่ละ of the differentต่าง groupsกลุ่ม,
327
969616
3045
การใช้กระบวนการนี้ ในแต่ละกลุ่มที่ต่างกัน
16:24
we are now up to
an 80 percentเปอร์เซ็นต์ successความสำเร็จ rateอัตรา
328
972661
2487
ปัจจุบันนี้ เรามีอัตราความสำเร็จ ถึง 80%
16:27
in classifyingการจำแนกประเภท the 1.5 millionล้าน imagesภาพ.
329
975148
2415
ในการแยกประเภทภาพ 1.5 ล้านภาพนั้น
16:29
And at this pointจุด, it's just a caseกรณี
330
977563
2078
ณ. จุดนี้ เหลือแต่งานที่ต้องหา
16:31
of findingคำวินิจฉัย the smallเล็ก numberจำนวน
that aren'tไม่ได้ classifiedจัด correctlyได้อย่างถูกต้อง,
331
979641
3579
ภาพจำนวนเล็กน้อย ที่ถูกแบ่งประเภทผิด
16:35
and tryingพยายาม to understandเข้าใจ why.
332
983220
2888
และต้องพยายามเข้าใจว่า เป็นเพราะเหตุใด
16:38
And usingการใช้ that approachเข้าใกล้,
333
986108
1743
และการใช้วิธีดังกล่าวนั้น
16:39
by 15 minutesนาที we get
to 97 percentเปอร์เซ็นต์ classificationการจัดหมวดหมู่ ratesราคา.
334
987851
4121
เพียง 15 นาที เราก็ได้อัตราการแบ่งถึง 97%
ถูกต้อง
16:43
So this kindชนิด of techniqueเทคนิค
could allowอนุญาต us to fixแก้ไขปัญหา a majorสำคัญ problemปัญหา,
335
991972
4600
เทคนิคแบบนี้ จะช่วยแก้ไขปัญหาสำคัญ
16:48
whichที่ is that there's a lackไม่มี
of medicalทางการแพทย์ expertiseความชำนาญ in the worldโลก.
336
996578
3036
คือ การขาดผู้เชี่ยวชาญทางการแพทย์ในโลก
16:51
The Worldโลก Economicด้านเศรษฐกิจ Forumฟอรั่ม saysกล่าวว่า
that there's betweenระหว่าง a 10x and a 20x
337
999614
3489
การประชุมเศรษฐกิจโลก บอกว่า มีการขาดแพทย์
16:55
shortageความขาดแคลน of physiciansแพทย์
in the developingที่กำลังพัฒนา worldโลก,
338
1003103
2624
อยู่ระหว่าง 10 และ 20 เท่า ในโลกกำลังพัฒนา
16:57
and it would take about 300 yearsปี
339
1005727
2113
และจะใช้เวลาราว 300 ปี
16:59
to trainรถไฟ enoughพอ people
to fixแก้ไขปัญหา that problemปัญหา.
340
1007840
2894
เพื่อฝึกคนให้ได้พอ ที่จะแก้ปัญหานั้น
17:02
So imagineจินตนาการ if we can help
enhanceเสริม theirของพวกเขา efficiencyอย่างมีประสิทธิภาพ
341
1010734
2885
คิดดู ถ้าเราช่วยเพิ่มประสิทธิภาพพวกเขาได้
17:05
usingการใช้ these deepลึก learningการเรียนรู้ approachesวิธีการ?
342
1013619
2839
โดยใช้วิธีการเรียนรู้ลึกเหล่านี้
17:08
So I'm very excitedตื่นเต้น
about the opportunitiesโอกาส.
343
1016458
2232
ผมจึงตื่นเต้นมาก เกี่ยวกับโอกาสเหล่านี้
17:10
I'm alsoด้วย concernedเกี่ยวข้อง about the problemsปัญหาที่เกิดขึ้น.
344
1018690
2589
แต่ผมก็ยังห่วงใยในปัญหาที่จะตามมาด้วย
17:13
The problemปัญหา here is that
everyทุกๆ areaพื้นที่ in blueสีน้ำเงิน on this mapแผนที่
345
1021279
3124
ปัญหาตรงนี้คือ ทุกบริเวณสีนํ้าเงินบนแผนที่
17:16
is somewhereที่ไหนสักแห่ง where servicesบริการ
are over 80 percentเปอร์เซ็นต์ of employmentการจ้าง.
346
1024403
3769
เป็นการจ้างงานแบบบริการถึง 80%
17:20
What are servicesบริการ?
347
1028172
1787
แล้วยอาชีพบริการคืออะไร
17:21
These are servicesบริการ.
348
1029959
1514
เหล่านี้คืองานบริการ เป็นสิ่งที่
17:23
These are alsoด้วย the exactแน่นอน things that
computersคอมพิวเตอร์ have just learnedได้เรียนรู้ how to do.
349
1031473
4154
ตรงเผงกับสิ่งที่คอมพ์เพิ่งจะเรียนรู้วิธีทำ
17:27
So 80 percentเปอร์เซ็นต์ of the world'sโลก employmentการจ้าง
in the developedพัฒนา worldโลก
350
1035627
3804
ดังนั้น 80% ของการจ้างงานในโลกที่พัฒนาแล้ว
17:31
is stuffสิ่ง that computersคอมพิวเตอร์
have just learnedได้เรียนรู้ how to do.
351
1039431
2532
จึงเป็นสิ่งที่คอมพ์ เพิ่งจะเรียนรู้วิธีทำ
17:33
What does that mean?
352
1041963
1440
อะไรจะเกิดขึ้น
17:35
Well, it'llมันจะ be fine.
They'llพวกเขาจะ be replacedแทนที่ by other jobsงาน.
353
1043403
2583
ผลจะโอเค คือจะมีงานอื่น ๆ เกิดขึ้นมาแทน
17:37
For exampleตัวอย่าง, there will be
more jobsงาน for dataข้อมูล scientistsนักวิทยาศาสตร์.
354
1045986
2707
จะมีงานสำหรับนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้น
17:40
Well, not really.
355
1048693
817
แต่...ก็ไม่เชิง
17:41
It doesn't take dataข้อมูล scientistsนักวิทยาศาสตร์
very long to buildสร้าง these things.
356
1049510
3118
พวกเขาไม่ต้องใช้เวลานานนัก ทำงานเหล่านี้
17:44
For exampleตัวอย่าง, these fourสี่ algorithmsอัลกอริทึม
were all builtสร้างขึ้น by the sameเหมือนกัน guy.
357
1052628
3252
เช่น วิธีคอมพ์ 4 วิธีนี้
สร้างได้โดยคนๆเดียว
17:47
So if you think, oh,
it's all happenedที่เกิดขึ้น before,
358
1055880
2438
แต่ถ้าคิดว่า ทั้งหมดก็เคยเกิดขึ้นมาก่อนนี่
17:50
we'veเราได้ seenเห็น the resultsผล in the pastอดีต
of when newใหม่ things come alongตาม
359
1058318
3808
เราได้เห็นผลจากอดีต เมื่อเกิดสิ่งใหม่ๆมา
17:54
and they get replacedแทนที่ by newใหม่ jobsงาน,
360
1062126
2252
คือเกิดงานใหม่ๆ มาแทนงานเก่า
17:56
what are these newใหม่ jobsงาน going to be?
361
1064378
2116
แล้วงานใหม่ๆเหล่านี้ จะเป็นงานอะไร
17:58
It's very hardยาก for us to estimateประมาณการ this,
362
1066494
1871
มันยากมากที่เราจะประมาณการณ์เรื่องนี้ได้
18:00
because humanเป็นมนุษย์ performanceประสิทธิภาพ
growsเติบโต at this gradualค่อยๆ rateอัตรา,
363
1068365
2739
เพราะการทำงานของคน โตได้ในอัตราทีละน้อยนี้
18:03
but we now have a systemระบบ, deepลึก learningการเรียนรู้,
364
1071104
2562
แต่ปัจจุบันเรามีระบบ คือการเรียนรู้ลึก
18:05
that we know actuallyแท้จริง growsเติบโต
in capabilityความสามารถ exponentiallyอย่างแทน.
365
1073666
3227
ซึ่งจริง ๆ สมรรถภาพโตได้อย่างมากและรวดเร็ว
18:08
And we're here.
366
1076893
1605
และตอนนี้เราอยู่ที่จุดนั้นแล้ว
18:10
So currentlyปัจจุบัน, we see the things around us
367
1078498
2061
ดังนั้น ปัจจุบัน เราจึงเห็นสิ่งรอบๆตัวเรา
18:12
and we say, "Oh, computersคอมพิวเตอร์
are still prettyน่ารัก dumbโง่." Right?
368
1080559
2676
และก็บอกว่า "คอมพ์ยังคงทึ่ม" ใช่มั๊ยครับ
18:15
But in fiveห้า years'ปี' time,
computersคอมพิวเตอร์ will be off this chartแผนภูมิ.
369
1083235
3429
แต่ในเวลา 5 ปี คอมพ์จะออกนอกแผนภูมินี้ไป
18:18
So we need to be startingที่เริ่มต้น to think
about this capabilityความสามารถ right now.
370
1086664
3865
เราจึงจำเป็นต้องเริ่มคิดถึงสมรรถภาพ
ของคอมพ์ เสียแต่เดี๋ยวนี้
18:22
We have seenเห็น this onceครั้งหนึ่ง before, of courseหลักสูตร.
371
1090529
2050
เราได้เห็นมาก่อนครั้งหนึ่งแล้ว
18:24
In the Industrialด้านอุตสาหกรรม Revolutionการปฏิวัติ,
372
1092579
1387
ในการปฏิวัติอุตสาหกรรม
18:25
we saw a stepขั้นตอน changeเปลี่ยนแปลง
in capabilityความสามารถ thanksขอบคุณ to enginesเครื่องมือ.
373
1093966
2851
เห็นการเปลี่ยนไปขั้นหนึ่ง ในเรื่องสมรรถภาพ
18:29
The thing is, thoughแม้,
that after a while, things flattenedบี้ out.
374
1097667
3138
เครื่องยนต์ แต่ไม่นานก็รักษาระดับได้
18:32
There was socialสังคม disruptionการหยุดชะงัก,
375
1100805
1702
ถึงมีการแตกแยกทางสังคม
18:34
but onceครั้งหนึ่ง enginesเครื่องมือ were used
to generateผลิต powerอำนาจ in all the situationsสถานการณ์,
376
1102507
3439
แต่เมื่อใช้เครื่องยนต์เพื่อสร้างพลังงาน
18:37
things really settledปึกแผ่น down.
377
1105946
2354
ในทุกสถานการณ์ ความยุ่งยากก็สงบลง
18:40
The Machineเครื่อง Learningการเรียนรู้ Revolutionการปฏิวัติ
378
1108300
1473
ส่วนการปฏิวัติเพราะการเรียนรู้ของเครื่อง
18:41
is going to be very differentต่าง
from the Industrialด้านอุตสาหกรรม Revolutionการปฏิวัติ,
379
1109773
2909
จะต่างไปจาก การปฏิวัติอุตสาหกรรมอย่างมาก
18:44
because the Machineเครื่อง Learningการเรียนรู้ Revolutionการปฏิวัติ,
it never settlessettles down.
380
1112682
2950
เพราะปฏิวัติการเรียนรู้ของเครื่อง จะไม่
18:47
The better computersคอมพิวเตอร์ get
at intellectualทางปัญญา activitiesกิจกรรม,
381
1115632
2982
ปักหลักกับที่ ยิ่งคอมพ์ทำงานชาญฉลาดขึ้น
18:50
the more they can buildสร้าง better computersคอมพิวเตอร์
to be better at intellectualทางปัญญา capabilitiesความสามารถในการ,
382
1118614
4248
มันก็ยิ่งสร้างคอมพ์ที่สมรรภภาพฉลาดยิ่งขึ้น
18:54
so this is going to be a kindชนิด of changeเปลี่ยนแปลง
383
1122862
1908
เรื่องนี้ จึงจะเป็นการเปลี่ยนแปลงชนิดที่
18:56
that the worldโลก has actuallyแท้จริง
never experiencedมีประสบการณ์ before,
384
1124770
2478
แท้จริงแล้ว โลกไม่เคยประสบมาก่อน ดังนั้น
18:59
so your previousก่อน understandingความเข้าใจ
of what's possibleเป็นไปได้ is differentต่าง.
385
1127248
3306
ความเข้าใจก่อนๆในเรื่องที่เป็นไปได้
จึงต่างไป
19:02
This is alreadyแล้ว impactingส่งผลกระทบต่อ us.
386
1130974
1780
เรื่องนี้กำลังส่งผลกระทบกับเราแล้ว
19:04
In the last 25 yearsปี,
as capitalเมืองหลวง productivityผลผลิต has increasedเพิ่มขึ้น,
387
1132754
3630
25 ปีที่ผ่านมา ขณะที่ประสิทธิภาพการลงทุน
ได้เพิ่มขึ้น
19:08
laborแรงงาน productivityผลผลิต has been flatแบน,
in factความจริง even a little bitบิต down.
388
1136400
4188
ประสิทธิภาพทางแรงงานกลับราบเรียบ
กระทั่งตํ่าลงเล็กน้อย
19:13
So I want us to startเริ่มต้น
havingมี this discussionการสนทนา now.
389
1141408
2741
ผมจึงอยากให้เรา มาเริ่มอภิปรายเรื่องนี้กัน
19:16
I know that when I oftenบ่อยครั้ง tell people
about this situationสถานการณ์,
390
1144149
3027
ผมรู้ เมื่อผมบอกคนบ่อยๆ เรื่องสถานการณ์นี้
19:19
people can be quiteทีเดียว dismissiveไม่ไยดี.
391
1147176
1490
ผู้คนก็จะไม่ค่อยยอมรับฟัง
19:20
Well, computersคอมพิวเตอร์ can't really think,
392
1148666
1673
จริงอยู่ คอมพ์คิดไม่เป็น
19:22
they don't emoteอารมณ์,
they don't understandเข้าใจ poetryบทกวี,
393
1150339
3028
คอมพ์ไม่แสดงอารมณ์ มันไม่เข้าใจกวีนิพนธ์
19:25
we don't really understandเข้าใจ how they work.
394
1153367
2521
จริงๆแล้ว เราไม่เข้าใจว่า มันทำงานอย่างไร
19:27
So what?
395
1155888
1486
แล้วยังไงครับ?
19:29
Computersคอมพิวเตอร์ right now can do the things
396
1157374
1804
คอมพ์ปัจจุบันนี้ สามารถทำสิ่งที่
19:31
that humansมนุษย์ spendใช้จ่าย mostมากที่สุด
of theirของพวกเขา time beingกำลัง paidต้องจ่าย to do,
397
1159178
2719
มีการจ้างมนุษย์ให้ใช้เวลาส่วนมากทำ
19:33
so now'sตอนนี้ the time to startเริ่มต้น thinkingคิด
398
1161897
1731
ขณะนี้ จึงถึงเวลาแล้ว ที่จะเริ่มคิด
19:35
about how we're going to adjustปรับ our
socialสังคม structuresโครงสร้าง and economicด้านเศรษฐกิจ structuresโครงสร้าง
399
1163628
4387
วิธีที่เราจะปรับโครงสร้างสังคมและเศรษฐกิจ
19:40
to be awareทราบ of this newใหม่ realityความจริง.
400
1168015
1840
โดยคำนึงถึง ความเป็นจริงใหม่นี้
19:41
Thank you.
401
1169855
1533
ขอบคุณครับ
19:43
(Applauseการปรบมือ)
402
1171388
802
(เสียงปรบมือ)
Translated by yamela areesamarn
Reviewed by Kom Tukovinit

▲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