TED2015
Fei-Fei Li: How we're teaching computers to understand pictures
Fei-Fei Li: Resimleri anlamaları için bilgisayarları nasıl eğitiyoruz
Filmed:
Readability: 4.5
2,702,344 views
Küçük bir çocuk resimlere baktığında, onları kolaylıkla tanımlayabilir : " Kedi", "kitap", "sandalye". Bugün, bilgisayarlar da bunu yapacak kadar akıllı hale geliyor. Peki ya sonrasında? Bu heyecan verici konuşmada, bilgisayar algılama uzmanı Fei-Fei Li teknolojinin geldiği bu başarılı aşamayı - 15 milyonluk bir fotoğraf veri tabanı ile çalışma ekibinin bir bilgisayarı resimleri algılaması için nasıl "eğittiğini" - açıklıyor ve ileriye dönük bazı sezilerinden bahsediyor.
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. Full bio
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 show you something.
0
2366
3738
Müsadenizle size bazı şeyler göstermek
istiyorum.
istiyorum.
(Video) Kız: Tamam, burada yatağın üzerinde
oturan bir kedi var.
oturan bir kedi var.
00:18
(Video) Girl: Okay, that's a cat
sitting in a bed.
sitting in a bed.
1
6104
4156
Çocuk fili okşuyor.
00:22
The boy is petting the elephant.
2
10260
4040
00:26
Those are people
that are going on an airplane.
that are going on an airplane.
3
14300
4354
Buradaki insanlar uçağa gidiyorlar.
Bu büyük bir uçak.
00:30
That's a big airplane.
4
18654
2810
Fei-Fei Li: Üç yaşında
küçük bir kız çocuğu
küçük bir kız çocuğu
00:33
Fei-Fei Li: This is
a three-year-old child
a three-year-old child
5
21464
2206
fotoğraflarda ne gördüğünü
anlatıyor.
anlatıyor.
00:35
describing what she sees
in a series of photos.
in a series of photos.
6
23670
3679
00:39
She might still have a lot
to learn about this world,
to learn about this world,
7
27349
2845
Henüz, dünya hakkında öğrenmesi
gereken çok şey var
gereken çok şey var
00:42
but she's already an expert
at one very important task:
at one very important task:
8
30194
4549
fakat çok önemli bir alanda
uzman olmuş bile:
uzman olmuş bile:
00:46
to make sense of what she sees.
9
34743
2846
gördüklerini anlamlandırma.
Toplumumuz teknolojik olarak her
zamankinden daha fazla ilerlemiş durumda.
zamankinden daha fazla ilerlemiş durumda.
00:50
Our society is more
technologically advanced than ever.
technologically advanced than ever.
10
38229
4226
00:54
We send people to the moon,
we make phones that talk to us
we make phones that talk to us
11
42455
3629
İnsanları aya gönderiyoruz, bizimle
konuşabilen ya da radyo kanallarını
konuşabilen ya da radyo kanallarını
00:58
or customize radio stations
that can play only music we like.
that can play only music we like.
12
46084
4946
sadece sevdiğimiz müzikleri çalması
için düzenleyebilen telefonlar yapıyoruz.
için düzenleyebilen telefonlar yapıyoruz.
01:03
Yet, our most advanced
machines and computers
machines and computers
13
51030
4055
En gelişmiş makinelerimiz
ve bilgisayarlarımız
ve bilgisayarlarımız
01:07
still struggle at this task.
14
55085
2903
hâlâ bu özelliği elde etmeye çalışıyorlar.
01:09
So I'm here today
to give you a progress report
to give you a progress report
15
57988
3459
Bugün, bilgisayar görme yetisi üzerine
yapılan ileri düzeydeki
yapılan ileri düzeydeki
01:13
on the latest advances
in our research in computer vision,
in our research in computer vision,
16
61447
4047
araştırmalarımızın işleyişi hakkında size
bilgi vermek için buradayım.
bilgi vermek için buradayım.
01:17
one of the most frontier
and potentially revolutionary
and potentially revolutionary
17
65494
4161
Bilgisayar biliminde, en önde ve devrim niteliğinde
01:21
technologies in computer science.
18
69655
3206
olan teknolojik gelişmelerden biri.
01:24
Yes, we have prototyped cars
that can drive by themselves,
that can drive by themselves,
19
72861
4551
Evet, kendini sürebilen araçların
prototiplerine sahibiz,
prototiplerine sahibiz,
01:29
but without smart vision,
they cannot really tell the difference
they cannot really tell the difference
20
77412
3853
fakat akıllı görme yetisine sahip olmadan,
üzerinden geçilebilecek buruşmuş bir
üzerinden geçilebilecek buruşmuş bir
01:33
between a crumpled paper bag
on the road, which can be run over,
on the road, which can be run over,
21
81265
3970
kağıt torba ile sakınılması gereken aynı
boyuttaki bir kaya
boyuttaki bir kaya
01:37
and a rock that size,
which should be avoided.
which should be avoided.
22
85235
3340
arasındaki farkı söyleyebilmeleri
mümkün değil.
mümkün değil.
01:41
We have made fabulous megapixel cameras,
23
89415
3390
Mükemmel çözünürlükte kameralar
yapmamıza rağmen,
yapmamıza rağmen,
01:44
but we have not delivered
sight to the blind.
sight to the blind.
24
92805
3135
görebilmelerini sağlayamamıştık.
01:48
Drones can fly over massive land,
25
96420
3305
İnsansız hava araçları koca bir araziyi
uçabilirler,
uçabilirler,
01:51
but don't have enough vision technology
26
99725
2134
ama yağmur ormanlarındaki değişimleri
izlememize yardımcı olabilecek
izlememize yardımcı olabilecek
01:53
to help us to track
the changes of the rainforests.
the changes of the rainforests.
27
101859
3461
düzeyde yeterli bir görüş kabiliyetine
sahip değiller.
sahip değiller.
01:57
Security cameras are everywhere,
28
105320
2950
Güvenlik kameraları her yerde,
02:00
but they do not alert us when a child
is drowning in a swimming pool.
is drowning in a swimming pool.
29
108270
5067
fakat bir çocuk havuzda boğuluyorken
bizi uyaramıyorlar.
bizi uyaramıyorlar.
02:06
Photos and videos are becoming
an integral part of global life.
an integral part of global life.
30
114167
5595
Fotoğraf ve videolar gündelik hayatın
bir parçası haline geliyorlar.
bir parçası haline geliyorlar.
02:11
They're being generated at a pace
that's far beyond what any human,
that's far beyond what any human,
31
119762
4087
Herhangi bir insan veya bazı
grupların görme umuduyla
grupların görme umuduyla
02:15
or teams of humans, could hope to view,
32
123849
2783
hızlı bir şekilde çoğalıyorlar,
02:18
and you and I are contributing
to that at this TED.
to that at this TED.
33
126632
3921
buradaki TED konuşmaları ile
sizler ve ben de buna katkı sağlıyoruz.
sizler ve ben de buna katkı sağlıyoruz.
02:22
Yet our most advanced software
is still struggling at understanding
is still struggling at understanding
34
130553
5232
En iyi yazılımımız hala bu devasa içeriği
anlamaya ve yönetmeye çabalıyor.
02:27
and managing this enormous content.
35
135785
3876
02:31
So in other words,
collectively as a society,
collectively as a society,
36
139661
5272
Başka bir anlamda,
toplumun tamamı olarak
toplumun tamamı olarak
büyük bir görme kaybına sahibiz
02:36
we're very much blind,
37
144933
1746
02:38
because our smartest
machines are still blind.
machines are still blind.
38
146679
3387
çünkü en iyi makinelerimiz hala
göremiyorlar.
göremiyorlar.
02:43
"Why is this so hard?" you may ask.
39
151526
2926
"Neden bu kadar zor ki bu?"
diye soracaksınız.
diye soracaksınız.
02:46
Cameras can take pictures like this one
40
154452
2693
Kameralar burada da olduğu gibi
fotoğraf çekebilirler,
fotoğraf çekebilirler,
02:49
by converting lights into
a two-dimensional array of numbers
a two-dimensional array of numbers
41
157145
3994
ışığın iki boyutlu sayı dizilerine
çevrilmiş hali ile,
çevrilmiş hali ile,
02:53
known as pixels,
42
161139
1650
ki bunlara pikseller diyoruz.
02:54
but these are just lifeless numbers.
43
162789
2251
Fakat burada sadece ölü sayılar
bulunmakta.
bulunmakta.
02:57
They do not carry meaning in themselves.
44
165040
3111
Kendi içlerinde herhangi bir anlam
taşımıyorlar.
taşımıyorlar.
03:00
Just like to hear is not
the same as to listen,
the same as to listen,
45
168151
4343
Nasıl ki duymak ile dinlemek aynı
anlama gelmiyorsa
anlama gelmiyorsa
03:04
to take pictures is not
the same as to see,
the same as to see,
46
172494
4040
fotoğraf çekmek ile görmek de
aynı şeyi ifade etmiyor.
aynı şeyi ifade etmiyor.
03:08
and by seeing,
we really mean understanding.
we really mean understanding.
47
176534
3829
Görmek derken ciddi manada "anlamayı"
kastediyoruz.
kastediyoruz.
03:13
In fact, it took Mother Nature
540 million years of hard work
540 million years of hard work
48
181293
6177
Aslında, bu yetiye sahip olabilmemiz
tabiat ananın 540 milyon yılını aldı.
03:19
to do this task,
49
187470
1973
03:21
and much of that effort
50
189443
1881
Bu çabanın çoğu, beynin görsel
03:23
went into developing the visual
processing apparatus of our brains,
processing apparatus of our brains,
51
191324
5271
işleme bölümünün gelişimine gitti
03:28
not the eyes themselves.
52
196595
2647
sadece gözlerin kendisine değil.
03:31
So vision begins with the eyes,
53
199242
2747
Yani görmek gözlerde başlıyor,
03:33
but it truly takes place in the brain.
54
201989
3518
ama asıl olarak beynin bir bölümünde
anlam kazanıyor.
anlam kazanıyor.
03:38
So for 15 years now, starting
from my Ph.D. at Caltech
from my Ph.D. at Caltech
55
206287
5060
15 sene önce, Caltech'deki doktorama
başladığımda
başladığımda
03:43
and then leading Stanford's Vision Lab,
56
211347
2926
ve sonra Stanford Görsel Laboratuvarını
yönlendirdiğimde
yönlendirdiğimde
03:46
I've been working with my mentors,
collaborators and students
collaborators and students
57
214273
4396
mentorlerim, iş ortaklarım ve
öğrencilerimle birlikte
öğrencilerimle birlikte
03:50
to teach computers to see.
58
218669
2889
bilgisayarlara görmeyi öğretmek için
çalışıyorduk.
çalışıyorduk.
Araştırma alanımız bilgisayar görme yetisi
ve makine öğrenimi olarak anılıyordu.
ve makine öğrenimi olarak anılıyordu.
03:54
Our research field is called
computer vision and machine learning.
computer vision and machine learning.
59
222658
3294
03:57
It's part of the general field
of artificial intelligence.
of artificial intelligence.
60
225952
3878
Yapay zeka bölümünün genel bir dalı
olarak geçiyordu.
olarak geçiyordu.
04:03
So ultimately, we want to teach
the machines to see just like we do:
the machines to see just like we do:
61
231000
5493
Nihayetinde, makinelere tıpkı bizim gibi
görebilmelerini öğretmek istedik,
görebilmelerini öğretmek istedik,
04:08
naming objects, identifying people,
inferring 3D geometry of things,
inferring 3D geometry of things,
62
236493
5387
nesnelerin isimlendirilmesi, insanların
tanımlanması, 3B geometrileri tahmin
tanımlanması, 3B geometrileri tahmin
04:13
understanding relations, emotions,
actions and intentions.
actions and intentions.
63
241880
5688
ilişkileri anlama, duygular, olaylar
ve şiddet.
ve şiddet.
04:19
You and I weave together entire stories
of people, places and things
of people, places and things
64
247568
6153
Şu anda insanların, yerlerin ve
eşyaların bütün hikayesini
eşyaların bütün hikayesini
04:25
the moment we lay our gaze on them.
65
253721
2164
gözler önüne serip beraber dokuyalım.
04:28
The first step towards this goal
is to teach a computer to see objects,
is to teach a computer to see objects,
66
256955
5583
Bu amaca doğru atılacak ilk adım
bilgisayara gördüğü şeyleri öğretmek,
bilgisayara gördüğü şeyleri öğretmek,
04:34
the building block of the visual world.
67
262538
3368
sanal dünyanın yapı taşı bu.
04:37
In its simplest terms,
imagine this teaching process
imagine this teaching process
68
265906
4434
Basit anlamda bu öğretme
sürecini bi hayal edin,
sürecini bi hayal edin,
04:42
as showing the computers
some training images
some training images
69
270340
2995
bilgisayara belirli bir nesnenin
ya da bir kedinin diyelim
ya da bir kedinin diyelim
04:45
of a particular object, let's say cats,
70
273335
3321
deneme amaçlı resimlerini göstermek
gibi
gibi
04:48
and designing a model that learns
from these training images.
from these training images.
71
276656
4737
ve bu resimlerden öğrenilmiş bir model
tasarlamayı.
tasarlamayı.
04:53
How hard can this be?
72
281393
2044
Bu ne kadar zor olabilir ki?
04:55
After all, a cat is just
a collection of shapes and colors,
a collection of shapes and colors,
73
283437
4052
Sonuç olarak, bir kedi sadece
şekillerin ve renklerin bir derlemesi
şekillerin ve renklerin bir derlemesi
04:59
and this is what we did
in the early days of object modeling.
in the early days of object modeling.
74
287489
4086
ve bu ilk zamanlarda yaptığımız
nesne modellemesi.
nesne modellemesi.
05:03
We'd tell the computer algorithm
in a mathematical language
in a mathematical language
75
291575
3622
Algoritmasını sayısal bir dille
bilgisayara öğretmemiz gerekiyordu
bilgisayara öğretmemiz gerekiyordu
05:07
that a cat has a round face,
a chubby body,
a chubby body,
76
295197
3343
bu kedi yuvarak bir yüze,
dolgun bir vücuda
dolgun bir vücuda
05:10
two pointy ears, and a long tail,
77
298540
2299
iki noktada kulaklara ve uzun bir kuyruğa
sahip
sahip
05:12
and that looked all fine.
78
300839
1410
her şey yolunda gibi.
05:14
But what about this cat?
79
302859
2113
Peki, ya bu kedi?
05:16
(Laughter)
80
304972
1091
(Gülüşmeler)
05:18
It's all curled up.
81
306063
1626
Hepsi iç içe.
05:19
Now you have to add another shape
and viewpoint to the object model.
and viewpoint to the object model.
82
307689
4719
Bu nesne için için farklı bir şekil
ve farklı bir bakış açısı eklemeniz gerek.
ve farklı bir bakış açısı eklemeniz gerek.
05:24
But what if cats are hidden?
83
312408
1715
Peki ya kediler gizlenirse?
05:27
What about these silly cats?
84
315143
2219
Bu absürd kedilere ne demeli?
05:31
Now you get my point.
85
319112
2417
Şimdi ne demek istediğimi anladınız.
05:33
Even something as simple
as a household pet
as a household pet
86
321529
3367
Evdeki kedi gibi basit bir şey için bile
05:36
can present an infinite number
of variations to the object model,
of variations to the object model,
87
324896
4504
sonsuz çeşitlilikte nesne modellemesi
yapmak mümkün
yapmak mümkün
05:41
and that's just one object.
88
329400
2233
ve bu sadece bir nesne.
05:44
So about eight years ago,
89
332573
2492
Yaklaşık sekiz yıl önce,
05:47
a very simple and profound observation
changed my thinking.
changed my thinking.
90
335065
5030
oldukça basit ama yoğun bir gözlem
fikrimi değiştirdi.
fikrimi değiştirdi.
05:53
No one tells a child how to see,
91
341425
2685
Hiç kimse bir çocuğa nasıl görebileceğini
öğretmez,
öğretmez,
05:56
especially in the early years.
92
344110
2261
özellikle de erken yaşlarda.
05:58
They learn this through
real-world experiences and examples.
real-world experiences and examples.
93
346371
5000
Gerçek dünya tecrübeleri ve örnekleriyle
öğrenirler bunu.
öğrenirler bunu.
06:03
If you consider a child's eyes
94
351371
2740
Bir çocuğun gözlerini düşünecek olursanız
06:06
as a pair of biological cameras,
95
354111
2554
sanki bir çift biyolojik kameraymış gibi,
06:08
they take one picture
about every 200 milliseconds,
about every 200 milliseconds,
96
356665
4180
yaklaşık her 200 milisaniyede
bir fotoğraf çekerler,
bir fotoğraf çekerler,
06:12
the average time an eye movement is made.
97
360845
3134
göz hareketinden oluşmuş ortalama
bir zaman dilimi.
bir zaman dilimi.
06:15
So by age three, a child would have seen
hundreds of millions of pictures
hundreds of millions of pictures
98
363979
5550
Yani üç yaşında bir çocuk, gerçek hayatta
yüz milyonlarca
yüz milyonlarca
06:21
of the real world.
99
369529
1834
fotoğraf görmüş olacak.
06:23
That's a lot of training examples.
100
371363
2280
Bu oldukça fazla deneme örneği.
06:26
So instead of focusing solely
on better and better algorithms,
on better and better algorithms,
101
374383
5989
Sadece daha iyi algoritmalara
odaklanmak yerine,
odaklanmak yerine,
06:32
my insight was to give the algorithms
the kind of training data
the kind of training data
102
380372
5272
sezilerim algoritmalara bir tür
eğitici veri vermek üzerineydi,
eğitici veri vermek üzerineydi,
06:37
that a child was given through experiences
103
385644
3319
tıpkı bir çocuğa sayıca ve kalitece
06:40
in both quantity and quality.
104
388963
3878
deneyimleri yoluyla verilmiş gibi.
06:44
Once we know this,
105
392841
1858
Bunu anlayınca,
06:46
we knew we needed to collect a data set
106
394699
2971
bir tür veri havuzuna
06:49
that has far more images
than we have ever had before,
than we have ever had before,
107
397670
4459
sahip olduğumuz resimlerden daha
fazla, hatta binlerce kat daha fazla
fazla, hatta binlerce kat daha fazla
06:54
perhaps thousands of times more,
108
402129
2577
ihtiyacımız olduğunu biliyorduk.
06:56
and together with Professor
Kai Li at Princeton University,
Kai Li at Princeton University,
109
404706
4111
Princeton Üniversitesinden Prof. Kai Li
ile birlikte
ile birlikte
07:00
we launched the ImageNet project in 2007.
110
408817
4752
2007 senesinde ImageNet projesini
başlattık.
başlattık.
07:05
Luckily, we didn't have to mount
a camera on our head
a camera on our head
111
413569
3838
Şanslıyız ki başımızın üzerine bir
kamera alıp
kamera alıp
07:09
and wait for many years.
112
417407
1764
yıllarca beklememize gerek kalmadı.
07:11
We went to the Internet,
113
419171
1463
İnternete başvurduk.
07:12
the biggest treasure trove of pictures
that humans have ever created.
that humans have ever created.
114
420634
4436
İnsanların oluşturduğu en büyük
resim definesi.
resim definesi.
07:17
We downloaded nearly a billion images
115
425070
3041
Yaklaşık bir milyar resim indirdik
07:20
and used crowdsourcing technology
like the Amazon Mechanical Turk platform
like the Amazon Mechanical Turk platform
116
428111
5880
ve crowdsourcing teknolojisini kullandık.
Resimleri tanımlamada bize yardımcı olmada
Resimleri tanımlamada bize yardımcı olmada
07:25
to help us to label these images.
117
433991
2339
Amazon Mechanical Turk platformu gibi.
07:28
At its peak, ImageNet was one of
the biggest employers
the biggest employers
118
436330
4900
ImageNet, Amazon Mechanical Turk
çalışanlarına işveren en büyük
çalışanlarına işveren en büyük
07:33
of the Amazon Mechanical Turk workers:
119
441230
2996
kurumlardan biri oldu.
07:36
together, almost 50,000 workers
120
444226
3854
Dünya genelinde 167 ülkeden
07:40
from 167 countries around the world
121
448080
4040
neredeyse 50,000 çalışan
07:44
helped us to clean, sort and label
122
452120
3947
yaklaşık bir milyar resmi
eleyip, sınıflandırma ve tanımlamada bize
yardımcı oldu.
yardımcı oldu.
07:48
nearly a billion candidate images.
123
456067
3575
07:52
That was how much effort it took
124
460612
2653
Bu çaba, erken gelişim dönemindeki
07:55
to capture even a fraction
of the imagery
of the imagery
125
463265
3900
bir çocuğun algıladığı görüntülerin
sadece belli bir bölümünü
sadece belli bir bölümünü
07:59
a child's mind takes in
in the early developmental years.
in the early developmental years.
126
467165
4171
elde edebilmemiz içindi.
08:04
In hindsight, this idea of using big data
127
472148
3902
Nihayet, bilgisayar algoritmalarını
eğitmek için
eğitmek için
08:08
to train computer algorithms
may seem obvious now,
may seem obvious now,
128
476050
4550
big datanın kullanılması fikri
şu anda mümkün hale geldi,
şu anda mümkün hale geldi,
08:12
but back in 2007, it was not so obvious.
129
480600
4110
fakat 2007 senesine dönersek,
bu mümkün değildi.
bu mümkün değildi.
08:16
We were fairly alone on this journey
for quite a while.
for quite a while.
130
484710
3878
Bu yolculukta uzun bir süre tam
anlamıyla kendi başımızaydık.
anlamıyla kendi başımızaydık.
08:20
Some very friendly colleagues advised me
to do something more useful for my tenure,
to do something more useful for my tenure,
131
488588
5003
Samimi bazı arkadaşlarım kadrom için daha
kullanışlı şeyler yapmamı tavsiye ettiler,
kullanışlı şeyler yapmamı tavsiye ettiler,
08:25
and we were constantly struggling
for research funding.
for research funding.
132
493591
4342
ve aynı zamanda araştırma fonu oluşturmak
için durmaksızın çabalıyorduk.
için durmaksızın çabalıyorduk.
08:29
Once, I even joked to my graduate students
133
497933
2485
Hatta, master öğrencilerime ImageNet fonu
08:32
that I would just reopen
my dry cleaner's shop to fund ImageNet.
my dry cleaner's shop to fund ImageNet.
134
500418
4063
için kuru temizleme mağazamı tekrar açma
konusunda şaka yapıyordum.
konusunda şaka yapıyordum.
08:36
After all, that's how I funded
my college years.
my college years.
135
504481
4761
Üniversite yıllarımda bu şekilde
geçiniyordum.
geçiniyordum.
08:41
So we carried on.
136
509242
1856
Sonra devam ettik.
08:43
In 2009, the ImageNet project delivered
137
511098
3715
2009 senesinde, ImageNet projesi
08:46
a database of 15 million images
138
514813
4042
her gün ingilizce kelimelerle 22,000
08:50
across 22,000 classes
of objects and things
of objects and things
139
518855
4805
nesne ve eşya sınıfı ile
08:55
organized by everyday English words.
140
523660
3320
15 milyonluk bir resim veritabanına
ulaştı.
ulaştı.
08:58
In both quantity and quality,
141
526980
2926
Sayı ve kalite olarak,
09:01
this was an unprecedented scale.
142
529906
2972
emsalsiz bir ölçekti bu.
09:04
As an example, in the case of cats,
143
532878
3461
Örneğin, kedi kategorisinde,
09:08
we have more than 62,000 cats
144
536339
2809
görünüş ve poz
09:11
of all kinds of looks and poses
145
539148
4110
ile evcil ve yaban türlerinin tümüyle
09:15
and across all species
of domestic and wild cats.
of domestic and wild cats.
146
543258
5223
62 binden fazla kedi bulunmakta.
09:20
We were thrilled
to have put together ImageNet,
to have put together ImageNet,
147
548481
3344
Bunları ImageNet olarak toparladığımızdan
heyecanlıydık
heyecanlıydık
09:23
and we wanted the whole research world
to benefit from it,
to benefit from it,
148
551825
3738
ve sonra bütün dünya araştırmalarında
bunlardan faydalanılsın istedik,
bunlardan faydalanılsın istedik,
09:27
so in the TED fashion,
we opened up the entire data set
we opened up the entire data set
149
555563
4041
bu yüzden TED fashion'da bütün veri
havuzumuzu
havuzumuzu
09:31
to the worldwide
research community for free.
research community for free.
150
559604
3592
global araştırma topluluklarına ücretsiz
bir şekilde açtık.
bir şekilde açtık.
09:36
(Applause)
151
564636
4000
(Alkış)
09:41
Now that we have the data
to nourish our computer brain,
to nourish our computer brain,
152
569416
4538
Artık, bilgisayarımızın beynini besleyecek
veriye sahibiz,
veriye sahibiz,
09:45
we're ready to come back
to the algorithms themselves.
to the algorithms themselves.
153
573954
3737
algoritmaların kendilerine
dönecek kadar da hazırız.
dönecek kadar da hazırız.
09:49
As it turned out, the wealth
of information provided by ImageNet
of information provided by ImageNet
154
577691
5178
ImageNet projesinin sağladığı
bilgi zenginliği, sonunda
bilgi zenginliği, sonunda
09:54
was a perfect match to a particular class
of machine learning algorithms
of machine learning algorithms
155
582869
4806
"evrişimli sinirsel ağ" olarak ifade
edilen makine öğrenme algoritmalarının
edilen makine öğrenme algoritmalarının
09:59
called convolutional neural network,
156
587675
2415
özel bir sınıfıyla mükemmel bir şekilde
eşleşmişti,
eşleşmişti,
10:02
pioneered by Kunihiko Fukushima,
Geoff Hinton, and Yann LeCun
Geoff Hinton, and Yann LeCun
157
590090
5248
öncülüğünü Kunihiko Fukushima,
Geoff Hinton ve Yann LeCun'un yaptığı
Geoff Hinton ve Yann LeCun'un yaptığı
10:07
back in the 1970s and '80s.
158
595338
3645
1970 ve 80'lerin öncesindeki bir alan.
10:10
Just like the brain consists
of billions of highly connected neurons,
of billions of highly connected neurons,
159
598983
5619
Beyinde meydana gelen milyarlarca
yüksek bağlantılı sinirler gibi,
yüksek bağlantılı sinirler gibi,
10:16
a basic operating unit in a neural network
160
604602
3854
sinir ağının basit bir çalışma birimine
10:20
is a neuron-like node.
161
608456
2415
"nöron benzeri" düğümü deniyor.
10:22
It takes input from other nodes
162
610871
2554
Başka düğümlerden girdi alıyorlar
10:25
and sends output to others.
163
613425
2718
ve diğer düğümlere gönderiyorlar.
10:28
Moreover, these hundreds of thousands
or even millions of nodes
or even millions of nodes
164
616143
4713
Dahası, bu yüzbinlerce hatta milyonlarca
düğüm
düğüm
10:32
are organized in hierarchical layers,
165
620856
3227
hiyerarşik tabakalarla düzenleniyorlar
10:36
also similar to the brain.
166
624083
2554
tıpkı beyin gibi.
10:38
In a typical neural network we use
to train our object recognition model,
to train our object recognition model,
167
626637
4783
Normal bir sinir ağında nesne tanıma
modelimizi eğitmek için,
modelimizi eğitmek için,
10:43
it has 24 million nodes,
168
631420
3181
24 milyon düğüm,
10:46
140 million parameters,
169
634601
3297
140 milyon değişken,
10:49
and 15 billion connections.
170
637898
2763
ve 15 milyar bağlantı kullandık.
10:52
That's an enormous model.
171
640661
2415
Bu muazzam bir modeldi.
10:55
Powered by the massive data from ImageNet
172
643076
3901
ImageNet'den elde edilen büyük veri ile
10:58
and the modern CPUs and GPUs
to train such a humongous model,
to train such a humongous model,
173
646977
5433
oldukça muazzam bir modeli eğitmek için
kullanılan modern CPU ve GPU'lar sayesinde
kullanılan modern CPU ve GPU'lar sayesinde
11:04
the convolutional neural network
174
652410
2369
evrişimli sinirsel ağ
11:06
blossomed in a way that no one expected.
175
654779
3436
hiçbirimizin hayal edemeyeceği bir şekilde
gelişti.
gelişti.
11:10
It became the winning architecture
176
658215
2508
Nesne tanımlamada etkileyeci
yeni sonuçlar üretmek için
yeni sonuçlar üretmek için
11:12
to generate exciting new results
in object recognition.
in object recognition.
177
660723
5340
başarılı bir mimari olmaya başladı.
11:18
This is a computer telling us
178
666063
2810
Bu bilgisayarın bize söylediği,
11:20
this picture contains a cat
179
668873
2300
bu fotoğrafta bir kedinin olduğu
11:23
and where the cat is.
180
671173
1903
ve kedinin nerede olduğu.
11:25
Of course there are more things than cats,
181
673076
2112
Elbette orada kedilerden daha fazlası var,
11:27
so here's a computer algorithm telling us
182
675188
2438
burada ise bilgisayar algoritmasının
bize söylediği
bize söylediği
11:29
the picture contains
a boy and a teddy bear;
a boy and a teddy bear;
183
677626
3274
resimde bir çocuk ile oyuncak bir ayının;
11:32
a dog, a person, and a small kite
in the background;
in the background;
184
680900
4366
bir köpeğin, bir kişinin ve arkaplanda
küçük bir uçurtmanın;
küçük bir uçurtmanın;
11:37
or a picture of very busy things
185
685266
3135
ya da çok karışık bir resimin
11:40
like a man, a skateboard,
railings, a lampost, and so on.
railings, a lampost, and so on.
186
688401
4644
bir adam, bir kaykay, korkuluklar, lamba
direği v.b. gibi şeyler olduğu.
direği v.b. gibi şeyler olduğu.
11:45
Sometimes, when the computer
is not so confident about what it sees,
is not so confident about what it sees,
187
693045
5293
Bazen, bilgisayar ne gördüğü hakkında emin
olamayınca
olamayınca
çok fazla düşünmek yerine yeterince
11:51
we have taught it to be smart enough
188
699498
2276
11:53
to give us a safe answer
instead of committing too much,
instead of committing too much,
189
701774
3878
mantıklı bir cevap vermesini öğrettik,
11:57
just like we would do,
190
705652
2811
tıpkı bizim yapacağımız gibi
12:00
but other times our computer algorithm
is remarkable at telling us
is remarkable at telling us
191
708463
4666
fakat başka zamanlarda bilgisayar
algoritmamız bize dikkate değer şeyler
algoritmamız bize dikkate değer şeyler
12:05
what exactly the objects are,
192
713129
2253
tam olarak nesnelerin ne olduğunu
12:07
like the make, model, year of the cars.
193
715382
3436
marka, model ve üretim yılı gibi şeyleri
söylüyor.
söylüyor.
12:10
We applied this algorithm to millions
of Google Street View images
of Google Street View images
194
718818
5386
Bu algoritmayı Google Sokak Görüntüleme
ile yüzlerce Amerika şehrinden
ile yüzlerce Amerika şehrinden
12:16
across hundreds of American cities,
195
724204
3135
alınmış resimlere uyguladık
12:19
and we have learned something
really interesting:
really interesting:
196
727339
2926
ve gerçekten ilginç şeyler öğrendik:
12:22
first, it confirmed our common wisdom
197
730265
3320
öncelikle, hepimizin bildiği gibi araç
12:25
that car prices correlate very well
198
733585
3290
fiyatlarının aile gelir düzeyiyle
12:28
with household incomes.
199
736875
2345
doğrudan ilişkili olduğunu teyit etti
12:31
But surprisingly, car prices
also correlate well
also correlate well
200
739220
4527
fakat ilginçtir ki, araç fiyatları aynı
zamanda
zamanda
12:35
with crime rates in cities,
201
743747
2300
şehirdeki suç oranları
12:39
or voting patterns by zip codes.
202
747007
3963
ya da posta kodlarından oy verme alanları
ile de bağlantılı.
ile de bağlantılı.
12:44
So wait a minute. Is that it?
203
752060
2206
Peki biraz düşünün, bu oldu mu?
12:46
Has the computer already matched
or even surpassed human capabilities?
or even surpassed human capabilities?
204
754266
5153
Bilgisayar henüz insan kabiliyetlerine
erişebildi mi hatta daha üstün geldi mi ?
erişebildi mi hatta daha üstün geldi mi ?
12:51
Not so fast.
205
759419
2138
Hayır, o kadar hızlı değil.
12:53
So far, we have just taught
the computer to see objects.
the computer to see objects.
206
761557
4923
Şu ana dek, sadece bilgisayara nesneleri
görmesini öğrettik.
görmesini öğrettik.
12:58
This is like a small child
learning to utter a few nouns.
learning to utter a few nouns.
207
766480
4644
Bu küçük bir çocuğun bir kaç kelime
söylemesini öğrenmesi gibi bir sey.
söylemesini öğrenmesi gibi bir sey.
13:03
It's an incredible accomplishment,
208
771124
2670
İnanılmaz bir başarıdır bu,
13:05
but it's only the first step.
209
773794
2460
fakat bu sadece ilk adımdır.
13:08
Soon, another developmental
milestone will be hit,
milestone will be hit,
210
776254
3762
Sonrasında, başka bir gelişimsel dönüm
noktası açığa çıkar,
noktası açığa çıkar,
13:12
and children begin
to communicate in sentences.
to communicate in sentences.
211
780016
3461
ve çocuk cümlelerle iletişim kurmaya
başlar.
başlar.
13:15
So instead of saying
this is a cat in the picture,
this is a cat in the picture,
212
783477
4224
Yani, "bu resimdeki bir kedidir"
demek yerine
demek yerine
13:19
you already heard the little girl
telling us this is a cat lying on a bed.
telling us this is a cat lying on a bed.
213
787701
5202
dinlediğiniz gibi küçük kız bize "bu
yatağın üzerinde uzanan bir kedidir" diyor
yatağın üzerinde uzanan bir kedidir" diyor
13:24
So to teach a computer
to see a picture and generate sentences,
to see a picture and generate sentences,
214
792903
5595
Bilgisayarı resimleri görmek ve cümle
kurmak için eğitmek,
kurmak için eğitmek,
13:30
the marriage between big data
and machine learning algorithm
and machine learning algorithm
215
798498
3948
big data ile makine öğrenim algoritmasının
beraberliği için
beraberliği için
13:34
has to take another step.
216
802446
2275
bir adım daha atılmalı.
13:36
Now, the computer has to learn
from both pictures
from both pictures
217
804721
4156
Şimdilik, bilgisayarın her resimden
13:40
as well as natural language sentences
218
808877
2856
insanlar tarafından oluşturulmuş kadar
13:43
generated by humans.
219
811733
3322
iyi cümleler öğrenmesi gerek.
13:47
Just like the brain integrates
vision and language,
vision and language,
220
815055
3853
Beynin görsellik ve dili bütünleştirdiği
gibi,
gibi,
13:50
we developed a model
that connects parts of visual things
that connects parts of visual things
221
818908
5201
biz de ufak görsel parçacıklar
gibi görsel şeylerle
gibi görsel şeylerle
13:56
like visual snippets
222
824109
1904
cümlelerdeki kelime ve ifadeleri
13:58
with words and phrases in sentences.
223
826013
4203
birleştirecek bir model geliştirdik.
14:02
About four months ago,
224
830216
2763
Yaklaşık dört ay önce,
14:04
we finally tied all this together
225
832979
2647
sonunda bütün bunları bağladık
14:07
and produced one of the first
computer vision models
computer vision models
226
835626
3784
ve bir fotoğrafı ilk kez gördüğünde
14:11
that is capable of generating
a human-like sentence
a human-like sentence
227
839410
3994
bir insan gibi cümle kurabilme
yeteneğine sahip
yeteneğine sahip
14:15
when it sees a picture for the first time.
228
843404
3506
ilk bilgisayar görme modelinden
bir tane yaptık.
bir tane yaptık.
14:18
Now, I'm ready to show you
what the computer says
what the computer says
229
846910
4644
Şu anda, bilgisayarın konuşmamızın başında
14:23
when it sees the picture
230
851554
1975
küçük kızın gördüğü resimleri gördüğünde
14:25
that the little girl saw
at the beginning of this talk.
at the beginning of this talk.
231
853529
3830
neler söylediğini size göstermeye hazırım.
14:31
(Video) Computer: A man is standing
next to an elephant.
next to an elephant.
232
859519
3344
(Video) Bilgisayar:
Bir adam filin yanında duruyor.
Bir adam filin yanında duruyor.
14:36
A large airplane sitting on top
of an airport runway.
of an airport runway.
233
864393
3634
Geniş bir uçak, uçak pistinin üstünde
oturuyor.
oturuyor.
14:41
FFL: Of course, we're still working hard
to improve our algorithms,
to improve our algorithms,
234
869057
4212
FFL: Tabii, hala sıkı bir şekilde
algoritmamızı geliştirmek için çalışıyoruz
algoritmamızı geliştirmek için çalışıyoruz
14:45
and it still has a lot to learn.
235
873269
2596
ve henüz öğreneceği çok sey var.
14:47
(Applause)
236
875865
2291
(Alkış)
14:51
And the computer still makes mistakes.
237
879556
3321
Bilgisayar henüz hatalar yapmakta.
14:54
(Video) Computer: A cat lying
on a bed in a blanket.
on a bed in a blanket.
238
882877
3391
Bilgisayar: Bir kedi battaniyenin içinde
yatakta uzanıyor.
yatakta uzanıyor.
14:58
FFL: So of course, when it sees
too many cats,
too many cats,
239
886268
2553
FFL: Tabii, oldukça fazla kedi
gördüğünden
gördüğünden
15:00
it thinks everything
might look like a cat.
might look like a cat.
240
888821
2926
herşeyin kediye benzeyebileceğini
düşünüyor.
düşünüyor.
15:05
(Video) Computer: A young boy
is holding a baseball bat.
is holding a baseball bat.
241
893317
2864
Bilgisayar: Genç erkek bir beysbol
sopasını tutuyor.
sopasını tutuyor.
15:08
(Laughter)
242
896181
1765
(Gülüşmeler)
15:09
FFL: Or, if it hasn't seen a toothbrush,
it confuses it with a baseball bat.
it confuses it with a baseball bat.
243
897946
4583
FFL: Ya da, henüz bir diş fırçası
görmemişse, beysbol sopasıyla karıştırıyor
görmemişse, beysbol sopasıyla karıştırıyor
15:15
(Video) Computer: A man riding a horse
down a street next to a building.
down a street next to a building.
244
903309
3434
Bilgisayar: Bir adam binanın kenarından
atını sokak aşağı sürüyor.
atını sokak aşağı sürüyor.
15:18
(Laughter)
245
906743
2023
(Gülüşmeler)
15:20
FFL: We haven't taught Art 101
to the computers.
to the computers.
246
908766
3552
FFL: Henüz bilgisayarlara Sanat 101
dersini öğretmedik.
dersini öğretmedik.
15:25
(Video) Computer: A zebra standing
in a field of grass.
in a field of grass.
247
913768
2884
Bilgisayar: Bir zebra otlukların içinde
duruyor.
duruyor.
15:28
FFL: And it hasn't learned to appreciate
the stunning beauty of nature
the stunning beauty of nature
248
916652
3367
FFL: Ve henüz doğanın büyüleci güzelliğini
15:32
like you and I do.
249
920019
2438
takdir etmeyi bizim gibi öğrenmedi.
15:34
So it has been a long journey.
250
922457
2832
Uzun bir yolculuktu.
15:37
To get from age zero to three was hard.
251
925289
4226
Sıfırdan üç yaşına getirmek oldukça zordu.
15:41
The real challenge is to go
from three to 13 and far beyond.
from three to 13 and far beyond.
252
929515
5596
Asıl zor olan üç yaşından on üç yaş ve
daha ötesine götürebilmek.
daha ötesine götürebilmek.
15:47
Let me remind you with this picture
of the boy and the cake again.
of the boy and the cake again.
253
935111
4365
Size bu resmi tekrar hatırlatmak istiyorum,
çocuk ve kekin olduğu.
çocuk ve kekin olduğu.
15:51
So far, we have taught
the computer to see objects
the computer to see objects
254
939476
4064
Şu ana dek, bilgisayara nesneleri
görebilmesini
görebilmesini
15:55
or even tell us a simple story
when seeing a picture.
when seeing a picture.
255
943540
4458
hatta gördüğü resimden küçük bir hikaye
anlatmasını bile öğrettik.
anlatmasını bile öğrettik.
15:59
(Video) Computer: A person sitting
at a table with a cake.
at a table with a cake.
256
947998
3576
Bilgisayar: Biri yaş pastanın olduğu
masada oturuyor.
masada oturuyor.
16:03
FFL: But there's so much more
to this picture
to this picture
257
951574
2630
FFL: Fakat bu resimde sadece bir kişi ve
pastadan
pastadan
16:06
than just a person and a cake.
258
954204
2270
daha fazlası var.
16:08
What the computer doesn't see
is that this is a special Italian cake
is that this is a special Italian cake
259
956474
4467
Bilgisayarın göremediği şey,
onun sadece Paskalya süresince
onun sadece Paskalya süresince
16:12
that's only served during Easter time.
260
960941
3217
servis edilen özel bir İtalyan pastası
olduğu.
olduğu.
16:16
The boy is wearing his favorite t-shirt
261
964158
3205
Çocuk, babası tarafından Sidney gezisinden
sonra kendisine hediye edilen
sonra kendisine hediye edilen
16:19
given to him as a gift by his father
after a trip to Sydney,
after a trip to Sydney,
262
967363
3970
en sevdiği tişörtünü giyiyor,
16:23
and you and I can all tell how happy he is
263
971333
3808
hepimiz onun nasıl mutlu olduğunu
16:27
and what's exactly on his mind
at that moment.
at that moment.
264
975141
3203
ve şu anda kafasından geçenleri
söyleyebiliriz.
söyleyebiliriz.
16:31
This is my son Leo.
265
979214
3125
Bu benim oğlum Leo.
16:34
On my quest for visual intelligence,
266
982339
2624
Görsel zeka araştırmalarımda,
16:36
I think of Leo constantly
267
984963
2391
durmaksızın Leo'yu
16:39
and the future world he will live in.
268
987354
2903
ve içinde yaşayacağı geleceği düşünüyorum.
16:42
When machines can see,
269
990257
2021
Makineler görebildiğinde,
16:44
doctors and nurses will have
extra pairs of tireless eyes
extra pairs of tireless eyes
270
992278
4712
doktor ve hemşireler, tanı koymak ve
hastalarla ilgilenmek için
hastalarla ilgilenmek için
16:48
to help them to diagnose
and take care of patients.
and take care of patients.
271
996990
4092
ek olarak yorulmayan
göz çiftlerine sahip olacaklar.
göz çiftlerine sahip olacaklar.
16:53
Cars will run smarter
and safer on the road.
and safer on the road.
272
1001082
4383
Arabalar yollarda daha güvenli
daha akıllı bir şekilde gidecek.
daha akıllı bir şekilde gidecek.
16:57
Robots, not just humans,
273
1005465
2694
Robotlar, sadece insanlar değil,
17:00
will help us to brave the disaster zones
to save the trapped and wounded.
to save the trapped and wounded.
274
1008159
4849
enkaz bölgelerinde tutsak ve yaralıları
kurtarmada bizimle göğüs gerecekler.
kurtarmada bizimle göğüs gerecekler.
17:05
We will discover new species,
better materials,
better materials,
275
1013798
3796
Yeni tür, daha iyi malzemeler bulacak
17:09
and explore unseen frontiers
with the help of the machines.
with the help of the machines.
276
1017594
4509
ve makinelerin yardımıyla, görünmeyen
sınırları keşfedeceğiz.
sınırları keşfedeceğiz.
17:15
Little by little, we're giving sight
to the machines.
to the machines.
277
1023113
4167
Azar azar, makinelere görme yetisini
veriyoruz.
veriyoruz.
17:19
First, we teach them to see.
278
1027280
2798
Önce, biz onlara görmeyi öğretiyoruz.
17:22
Then, they help us to see better.
279
1030078
2763
Sonra, onlar daha iyi görebilmemiz için
bize yardım ediyor.
bize yardım ediyor.
17:24
For the first time, human eyes
won't be the only ones
won't be the only ones
280
1032841
4165
Öncelikle, dünyamızı keşfetmek
ve düşünmek için gözlerimiz
ve düşünmek için gözlerimiz
17:29
pondering and exploring our world.
281
1037006
2934
sadece insan gözleri olmayacak.
17:31
We will not only use the machines
for their intelligence,
for their intelligence,
282
1039940
3460
Makineleri sadece zekaları için
kullanmıyor,
kullanmıyor,
17:35
we will also collaborate with them
in ways that we cannot even imagine.
in ways that we cannot even imagine.
283
1043400
6179
aynı zamanda hayal bile edemeyeceğimiz bir
şekilde onlarla iş birliği yapıyoruz.
şekilde onlarla iş birliği yapıyoruz.
17:41
This is my quest:
284
1049579
2161
Benim araştırmam bu:
17:43
to give computers visual intelligence
285
1051740
2712
bilgisayarlara görsel zekayı vermek
17:46
and to create a better future
for Leo and for the world.
for Leo and for the world.
286
1054452
5131
ve Leo için, dünya için daha iyi bir
gelecek oluşturmak.
gelecek oluşturmak.
17:51
Thank you.
287
1059583
1811
Teşekkürler.
17:53
(Applause)
288
1061394
3785
(Alkış)
ABOUT THE SPEAKER
Fei-Fei Li - Computer scientistAs 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.
Fei-Fei Li | Speaker | TED.com