0:00:00.880,0:00:04.893
Ήταν σύνηθες, αν θέλατε [br]ένας υπολογιστής να κάνει κάτι νέο,

0:00:04.893,0:00:06.447
έπρεπε να τον προγραμματίσετε.

0:00:06.447,0:00:09.858
Ο προγραμματισμός βέβαια, [br]για όσους δεν έχετε ασχοληθεί,

0:00:09.858,0:00:13.360
απαιτεί να καταχωρήσεις [br]με εξωφρενική λεπτομέρεια

0:00:13.360,0:00:16.727
κάθε ξεχωριστό βήμα [br]που θέλετε να κάνει ο υπολογιστής

0:00:16.727,0:00:19.089
για να πετύχετε το σκοπό σας.

0:00:19.089,0:00:22.585
Και αν θέλετε να κάνετε κάτι [br]που δεν ξέρετε να το κάνετε ο ίδιος,

0:00:22.585,0:00:24.648
αυτό είναι σοβαρό πρόβλημα.

0:00:24.648,0:00:28.131
Αυτό ήταν το πρόβλημα του Άρθουρ Σάμιουελ.

0:00:28.131,0:00:32.208
Το 1956 ήθελε να κάνει αυτό τον υπολογιστή

0:00:32.208,0:00:34.548
να μπορεί να τον νικάει στη ντάμα.

0:00:34.548,0:00:36.588
Πώς μπορείς να γράψεις πρόγραμμα,

0:00:36.588,0:00:40.394
να καταχωρήσεις με πλήρη λεπτομέρεια,[br]πώς να γίνει καλύτερος από σένα στη ντάμα;

0:00:40.394,0:00:42.116
Έτσι είχε μια ιδέα:

0:00:42.116,0:00:45.840
έβαλε τον υπολογιστή να παίξει [br]ενάντια στον εαυτό του χιλιάδες φορές

0:00:45.840,0:00:48.364
και να μάθει να παίζει ντάμα.

0:00:48.364,0:00:51.612
Πραγματικά είχε αποτέλεσμα και έως το 1962

0:00:51.612,0:00:55.561
ο υπολογιστής είχε νικήσει [br]τον πρωταθλητή της πολιτείας Κονέκτικατ.

0:00:55.561,0:00:58.534
Έτσι ο Άρθουρ Σάμιουελ[br]ήταν ο πατέρας της μηχανικής μάθησης,

0:00:58.534,0:01:00.251
και του χρωστάω πολλά,

0:01:00.251,0:01:03.014
επειδή ασχολούμαι με την εφαρμογή [br]της μηχανικής μάθησης.

0:01:03.014,0:01:04.439
Ήμουν πρόεδρος της Kaggle,

0:01:04.439,0:01:08.047
μια κοινότητα άνω των 200.000 ατόμων [br]που ασχολούνται με τη μηχανική μάθηση.

0:01:08.047,0:01:10.105
Η Kaggle οργανώνει διαγωνισμούς

0:01:10.105,0:01:13.633
για τη λύση άλυτων προβλημάτων,

0:01:13.633,0:01:17.120
και σημείωσε επιτυχίες εκατοντάδες φορές.

0:01:17.120,0:01:19.940
Από αυτή την πλεονεκτική θέση [br]μπόρεσα να ανακαλύψω πολλά

0:01:19.940,0:01:23.890
σχετικά με το τι έκανε η μηχανική μάθηση[br]στο παρελθόν, τι μπορεί να κάνει σήμερα,

0:01:23.890,0:01:26.252
και τι θα μπορεί να κάνει στο μέλλον.

0:01:26.252,0:01:30.675
Ίσως η πρώτη εμπορικά μεγάλη επιτυχία[br]της μηχανικής μάθησης ήταν η Google.

0:01:30.675,0:01:33.784
Η Google απέδειξε ότι ήταν δυνατόν [br]να βρεθούν πληροφορίες

0:01:33.784,0:01:35.536
με ένα αλγόριθμο υπολογιστή,

0:01:35.536,0:01:38.437
και αυτός ο αλγόριθμος [br]βασίζεται στη μηχανική μάθηση.

0:01:38.437,0:01:42.323
Από τότε έχουν υπάρξει πολλές [br]εμπορικές επιτυχίες της μηχανικής μάθησης.

0:01:42.323,0:01:44.160
Εταιρείες όπως η Amazon και η Netflix

0:01:44.160,0:01:47.876
χρησιμοποιούν τη μηχανική μάθηση [br]για να προτείνουν προϊόντα ν' αγοράσετε,

0:01:47.876,0:01:49.896
ταινίες που θα θέλατε να δείτε.

0:01:49.896,0:01:51.703
Μερικές φορές γίνεται ανατριχιαστικό.

0:01:51.703,0:01:53.657
Εταιρείες όπως η LinkedIn και το Facebook

0:01:53.657,0:01:56.251
μερικές φορές σας λένε [br]ποιοι μπορεί να είναι φίλοι σας

0:01:56.251,0:01:58.228
και δεν έχετε ιδέα πώς τα κατάφεραν,

0:01:58.228,0:02:01.195
και το κάνουν με τη δύναμη[br]της μηχανικής μάθησης.

0:02:01.195,0:02:04.152
Αυτοί είναι αλγόριθμοι που έμαθαν[br]να το κάνουν από τα δεδομένα

0:02:04.152,0:02:07.399
παρά από προγραμματισμό με το χέρι.

0:02:07.399,0:02:09.877
Έτσι κατάφερε και η IBM

0:02:09.877,0:02:13.739
να νικήσει o Γουότσον τους δύο [br]παγκόσμιους πρωταθλητές του «Jeopardy»

0:02:13.739,0:02:16.964
απαντώντας απίστευτα πονηρές [br]και περίπλοκες ερωτήσεις όπως αυτή.

0:02:16.964,0:02:19.799
[«Το "Λιοντάρι του Νεμρώδ" εξαφανίστηκε[br]από το μουσείο αυτής της πόλης το 2003»]

0:02:19.799,0:02:22.944
Γι' αυτό έχουμε πλέον τα πρώτα αυτοκίνητα[br]που οδηγούν μόνα τους.

0:02:22.944,0:02:25.466
Αν θέλεις να μπορείς [br]να δεις τη διαφορά, ας πούμε,

0:02:25.466,0:02:28.488
ανάμεσα σε ένα δένδρο και έναν πεζό, [br]αυτό είναι πολύ σημαντικό.

0:02:28.488,0:02:31.075
Δεν ξέρουμε να γράφουμε [br]τέτοια προγράμματα με το χέρι,

0:02:31.075,0:02:33.832
αλλά με τη μηχανική μάθηση [br]αυτό είναι πλέον δυνατόν.

0:02:33.832,0:02:37.110
Αυτό το αυτοκίνητο έχει οδηγήσει [br]πάνω από 1.600.000 χιλιόμετρα

0:02:37.110,0:02:40.186
σε κανονικό δρόμο χωρίς καθόλου ατυχήματα.

0:02:40.196,0:02:44.110
Έτσι ξέρουμε ότι οι υπολογιστές[br]μπορούν να μαθαίνουν,

0:02:44.110,0:02:46.210
και μπορούν να μάθουν να κάνουν πράγματα

0:02:46.210,0:02:48.848
που μερικές φορές [br]ούτε κι εμείς ξέρουμε να κάνουμε,

0:02:48.848,0:02:51.733
ή μπορούν να τα κάνουν καλύτερα από εμάς.

0:02:51.733,0:02:55.818
Ένα εκπληκτικό παράδειγμα [br]της μηχανικής μάθησης που έχω δει

0:02:55.818,0:02:58.320
έγινε σε ένα πρόγραμμα [br]που έκανα στην Kaggle,

0:02:58.320,0:03:01.911
όπου μια ομάδα [br]υπό κάποιον ονόματι Τζέφρι Χίντον

0:03:01.911,0:03:03.463
από το Πανεπιστήμιο του Τορόντο,

0:03:03.463,0:03:06.140
κέρδισε έναν διαγωνισμό [br]για αυτόματη ανακάλυψη φαρμάκου.

0:03:06.140,0:03:08.987
Αυτό όμως που είναι αξιοσημείωτο [br]δεν είναι ότι νίκησαν

0:03:08.987,0:03:13.000
όλους τους αλγόριθμους της Μέρκ[br]ή της διεθνούς ακαδημαϊκής κοινότητας,

0:03:13.000,0:03:18.061
αλλά ότι κανείς στην ομάδα δεν είχε[br]γνώσεις χημείας, βιολογίας ή ιατρικής,

0:03:18.061,0:03:20.230
και τα κατάφεραν μέσα σε δύο εβδομάδες.

0:03:20.230,0:03:22.131
Πώς τα κατάφεραν;

0:03:22.131,0:03:25.342
Χρησιμοποίησαν έναν ασυνήθιστο αλγόριθμο [br]που λέγεται βαθιά μάθηση.

0:03:25.342,0:03:28.211
Ήταν τόσο σημαντικό [br]που η επιτυχία καλύφθηκε

0:03:28.211,0:03:31.412
σε πρωτοσέλιδο των Τάιμς της Νέας Υόρκης[br]μερικές εβδομάδες μετά.

0:03:31.412,0:03:34.147
Ο Τζέφρι Χίντον είναι εδώ αριστερά.

0:03:34.147,0:03:38.488
Η βαθιά μάθηση είναι ένας αλγόριθμος [br]εμπνευσμένος από το ανθρώπινο μυαλό,

0:03:38.488,0:03:40.300
συνεπώς είναι ένας αλγόριθμος

0:03:40.300,0:03:44.141
που θεωρητικά δεν έχει όρια [br]στο τι μπορεί να κάνει.

0:03:44.141,0:03:46.964
Όσο περισσότερα δεδομένα [br]και χρόνο υπολογισμού του δίνεις,

0:03:46.964,0:03:48.276
τόσο καλύτερος γίνεται.

0:03:48.276,0:03:50.615
Οι Τάιμς της Νέας Υόρκης[br]έδειξαν επίσης στο άρθρο

0:03:50.615,0:03:53.187
άλλο ένα ασυνήθιστο αποτέλεσμα [br]της βαθιάς μάθησης

0:03:53.187,0:03:55.569
που θα σας δείξω τώρα.

0:03:55.569,0:04:00.510
Δείχνει ότι οι υπολογιστές μπορούν [br]να ακούν και να καταλαβαίνουν.

0:04:00.510,0:04:03.221
(Βίντεο) Ρίτσαρντ Ράσιντ: [br]Τώρα το τελευταίο βήμα

0:04:03.221,0:04:06.246
που θέλω να κάνω σε αυτή τη διαδικασία

0:04:06.246,0:04:10.961
είναι να σας μιλήσω κανονικά στα Κινέζικα.

0:04:10.961,0:04:13.596
Το μυστικό εδώ είναι ότι,

0:04:13.596,0:04:18.458
μπορέσαμε να πάρουμε μεγάλη ποσότητα [br]πληροφοριών από ομιλητές της Κινεζικής

0:04:18.458,0:04:21.498
και να φτιάξουμε ένα σύστημα [br]μετατροπής κειμένου σε ομιλία

0:04:21.498,0:04:26.201
που μετατρέπει Κινέζικο λόγο [br]από γραπτό σε προφορικό,

0:04:26.201,0:04:29.929
και μετά χρειαστήκαμε καμιά ώρα [br]με τη δική μου φωνή

0:04:29.929,0:04:32.340
για να μπορέσουμε να ρυθμίσουμε

0:04:32.340,0:04:36.364
το βασικό σύστημα μετατροπής λόγου [br]ώστε να ακούγεται σαν εμένα.

0:04:36.364,0:04:39.204
Και πάλι το αποτέλεσμα δεν ήταν τέλειο.

0:04:39.204,0:04:41.552
Υπήρχαν μερικά λαθάκια.

0:04:41.552,0:04:44.036
(Στα Κινέζικα)

0:04:44.036,0:04:47.403
(Χειροκρότημα)

0:04:49.446,0:04:53.022
Χρειάζεται να γίνουν πολλά [br]σε αυτό τον τομέα.

0:04:53.022,0:04:56.667
(Στα Κινέζικα)

0:04:56.667,0:04:59.130
(Χειροκρότημα)

0:05:01.345,0:05:04.744
Τζέρεμι Χάουαρντ: Αυτό ήταν [br]σε συνέδριο μηχανικής μάθησης στην Κίνα.

0:05:04.744,0:05:07.114
Δεν συμβαίνει συχνά σε ακαδημαϊκά συνέδρια

0:05:07.114,0:05:09.011
να έχεις τόσο αυθόρμητες επευφημίες,

0:05:09.011,0:05:12.687
αλλά μιας και είμαστε σε συνάντηση TED,[br]μην περιορίζεστε.

0:05:12.687,0:05:15.482
Όλα όσα είδατε εκεί [br]συνέβησαν με τη βαθιά μάθηση.

0:05:15.482,0:05:17.007
(Χειροκρότημα) [br]Ευχαριστώ.

0:05:17.007,0:05:19.569
Η μεταγραφή στα Αγγλικά[br]έγινε από τη βαθιά μάθηση.

0:05:19.569,0:05:22.701
Η μετάφραση στα Κινέζικα, [br]το κείμενο πάνω δεξιά,

0:05:22.701,0:05:26.008
και η σύνθεση της φωνής [br]έγιναν από τη βαθιά μάθηση επίσης.

0:05:26.008,0:05:29.242
Η βαθιά μάθηση είναι κάτι ξεχωριστό.

0:05:29.242,0:05:32.341
Είναι ένας αλγόριθμος [br]που μοιάζει να μπορεί να κάνει τα πάντα,

0:05:32.341,0:05:35.452
και ανακάλυψα ότι πριν ένα χρόνο [br]είχε επίσης μάθει να βλέπει.

0:05:35.452,0:05:37.628
Σε έναν δυσνόητο διαγωνισμό στη Γερμανία

0:05:37.628,0:05:40.225
σχετικά με την αναγνώριση οδικής σήμανσης,

0:05:40.225,0:05:43.618
η βαθιά μάθηση έμαθε να αναγνωρίζει [br]οδικά σήματα όπως αυτό.

0:05:43.618,0:05:45.712
Όχι μόνο αναγνώριζε τα οδικά σήματα

0:05:45.712,0:05:47.470
καλύτερα από κάθε άλλο αλγόριθμο,

0:05:47.470,0:05:49.989
στον πίνακα αποτελεσμάτων [br]σημείωσε βαθμολογία

0:05:49.989,0:05:52.151
δύο φορές καλύτερη από τους ανθρώπους.

0:05:52.151,0:05:53.367
Έτσι έως το 2011,

0:05:53.367,0:05:57.442
είχαμε το πρώτο παράδειγμα υπολογιστή[br]που μπορεί να δει καλύτερα από άνθρωπο.

0:05:57.442,0:05:59.491
Από τότε έγιναν πολλά.

0:05:59.491,0:06:03.005
Το 2012 η Google ανακοίνωσε ότι [br]ο αλγόριθμος βαθιά μάθηση

0:06:03.005,0:06:04.420
έβλεπε βίντεο του YouTube

0:06:04.420,0:06:07.857
και διάβαζε δεδομένα [br]από 16.000 υπολογιστές για ένα μήνα,

0:06:07.857,0:06:12.218
και ο υπολογιστής έμαθε από μόνος του [br]έννοιες όπως «άνθρωπος και «γάτα»,

0:06:12.218,0:06:14.027
απλώς βλέποντας τα βίντεο.

0:06:14.027,0:06:16.539
Μοιάζει πολύ με τον τρόπο [br]που μαθαίνουν οι άνθρωποι.

0:06:16.539,0:06:19.119
Δεν μαθαίνουμε [br]όταν κάποιος μας λέει τι να δούμε,

0:06:19.119,0:06:22.450
αλλά μαθαίνοντας από μόνοι μας [br]τι είναι αυτά τα πράγματα.

0:06:22.450,0:06:25.819
Επίσης το 2012 ο Τζέφρι Χίντον [br]που είδαμε νωρίτερα

0:06:25.819,0:06:28.677
κέρδισε στον δημοφιλή διαγωνισμό ImageNet,

0:06:28.677,0:06:32.818
προσπαθώντας να βρει [br]μέσα από 1,5 εκατομμύριο εικόνες

0:06:32.818,0:06:34.256
τι απεικονίζουν.

0:06:34.256,0:06:37.789
Από το 2014 έχουμε πέσει [br]στο 6% ποσοστό σφάλματος

0:06:37.789,0:06:39.242
στην αναγνώριση εικόνας.

0:06:39.242,0:06:41.268
Και πάλι καλύτερα από τον άνθρωπο.

0:06:41.268,0:06:45.037
Οι μηχανές τα καταφέρνουν πολύ καλά [br]σε αυτό τον τομέα,

0:06:45.037,0:06:47.306
και πλέον χρησιμοποιείται στη βιομηχανία.

0:06:47.306,0:06:50.348
Για παράδειγμα, η Google ανακοίνωσε πέρυσι

0:06:50.348,0:06:54.933
ότι χαρτογράφησαν ολόκληρη[br]τη Γαλλία μέσα σε δύο ώρες,

0:06:54.933,0:06:58.380
και το έκαναν εισάγοντας φωτογραφίες [br]από την τεχνολογία Street View

0:06:58.380,0:07:02.699
σε έναν αλγόριθμο βαθιάς μάθησης[br]ώστε να αναγνωρίζει την αρίθμηση των οδών.

0:07:02.699,0:07:04.919
Φανταστείτε πόσο θα έπαιρνε παλιότερα:

0:07:04.919,0:07:08.274
πλήθος ανθρώπων, πολλά χρόνια.

0:07:08.274,0:07:10.185
Συμβαίνει επίσης στην Κίνα.

0:07:10.185,0:07:14.221
Η Baidu είναι θα λέγαμε [br]η αντίστοιχη Google της Κίνας

0:07:14.221,0:07:16.504
και εδώ πάνω αριστερά [br]βλέπετε ένα παράδειγμα

0:07:16.504,0:07:20.478
από μια φωτογραφία που μεταφόρτωσα [br]στο σύστημα βαθιάς μάθησης της Baidu,

0:07:20.478,0:07:24.247
και από κάτω βλέπετε ότι [br]το σύστημα αναγνώρισε τη φωτογραφία

0:07:24.247,0:07:26.483
και βρήκε και παρόμοιες.

0:07:26.483,0:07:29.089
Οι παρόμοιες εικόνες έχουν παρόμοιο φόντο,

0:07:29.089,0:07:30.877
παρόμοιο προσανατολισμό των προσώπων,

0:07:30.877,0:07:32.665
μερικές ακόμα και με τη γλώσσα έξω.

0:07:32.665,0:07:35.695
Αυτό σαφώς δεν είναι [br]σαν να βλέπεις κείμενο σε ιστοσελίδα.

0:07:35.695,0:07:37.107
Μόνο μια φωτογραφία ανέβασα.

0:07:37.107,0:07:40.628
Έχουμε λοιπόν υπολογιστές [br]που πράγματι καταλαβαίνουν τι βλέπουν

0:07:40.628,0:07:43.222
και γι' αυτό μπορούν [br]να ερευνήσουν βάσεις δεδομένων

0:07:43.222,0:07:46.306
εκατοντάδων εκατομμυρίων εικόνων[br]σε πραγματικό χρόνο.

0:07:46.306,0:07:49.536
Τι σημασία έχει ότι [br]οι υπολογιστές μπορούν να βλέπουν;

0:07:49.536,0:07:51.553
Λοιπόν, δεν είναι μόνο αυτό.

0:07:51.553,0:07:53.622
Η βαθιά μάθηση έκανε περισσότερα.

0:07:53.622,0:07:56.570
Περίπλοκες προτάσεις με λεπτές έννοιες, [br]όπως αυτή εδώ,

0:07:56.570,0:07:59.394
μπορούν πλέον να κατανοηθούν [br]από τον αλγόριθμο.

0:07:59.394,0:08:00.697
Όπως βλέπετε εδώ,

0:08:00.697,0:08:03.775
το σύστημα του Στάνφορντ[br]στην κόκκινη κουκκίδα στην κορυφή

0:08:03.775,0:08:07.384
κατάλαβε ότι αυτή η πρόταση [br]εκφράζει αρνητικό συναίσθημα.

0:08:07.384,0:08:10.790
Η βαθιά μάθηση όντως πλησιάζει [br]την ανθρώπινη επίδοση

0:08:10.802,0:08:15.683
στο να καταλαβαίνουν το κεντρικό θέμα [br]και το γενικό περιεχόμενο μιας πρότασης.

0:08:15.683,0:08:18.971
Η βαθιά μάθηση χρησιμοποιήθηκε επίσης[br]για την ανάγνωση Κινέζικων

0:08:18.971,0:08:21.807
και πάλι στο επίπεδο [br]του Κινέζου φυσικού ομιλητή.

0:08:21.807,0:08:24.285
Αυτός ο αλγόριθμος εξελίχθηκε [br]από ομάδα Ελβετών,

0:08:24.285,0:08:27.331
κανείς εκ των οποίων [br]δεν μιλούσε ή καταλάβαινε Κινέζικα.

0:08:27.331,0:08:29.382
Όπως είπα, η χρήση της βαθιάς μάθησης

0:08:29.382,0:08:32.191
είναι το καλύτερο σύστημα[br]στον κόσμο γι' αυτό,

0:08:32.191,0:08:36.718
συγκρινόμενο ακόμα και [br]με την ανθρώπινη κατανόηση.

0:08:36.718,0:08:39.682
Είναι ένα σύστημα [br]που φτιάχνουμε στην εταιρεία μου

0:08:39.682,0:08:41.728
που δείχνει πώς συντίθενται όλα τα μέρη.

0:08:41.728,0:08:44.189
Αυτές είναι εικόνες χωρίς κείμενο,

0:08:44.189,0:08:46.541
και καθώς πληκτρολογώ κείμενο,

0:08:46.541,0:08:49.510
σε πραγματικό χρόνο [br]κατανοεί αυτές τις εικόνες,

0:08:49.510,0:08:51.189
αντιλαμβάνεται το θέμα τους,

0:08:51.189,0:08:54.352
και βρίσκει παρόμοιες φωτογραφίες [br]με το κείμενο που γράφω.

0:08:54.352,0:08:57.108
Άρα ουσιαστικά[br]καταλαβαίνει τις προτάσεις μου

0:08:57.108,0:08:59.332
και καταλαβαίνει αυτές τις εικόνες.

0:08:59.332,0:09:01.891
Ξέρω ότι έχετε δει κάτι τέτοιο στη Google,

0:09:01.891,0:09:04.666
όπου πληκτρολογείτε κάτι [br]και σας δείχνει εικόνες,

0:09:04.666,0:09:08.090
αλλά στην πραγματικότητα [br]ψάχνει στην ιστοσελίδα για κείμενο.

0:09:08.090,0:09:11.091
Αυτό είναι πολύ διαφορετικό [br]από το να κατανοείς τις εικόνες.

0:09:11.091,0:09:13.843
Αυτό το κατάφεραν οι υπολογιστές

0:09:13.843,0:09:16.861
για πρώτη φορά πριν λίγους μήνες.

0:09:16.861,0:09:21.182
Έτσι οι υπολογιστές, όχι μόνο βλέπουν,[br]αλλά μπορούν και να διαβάσουν,

0:09:21.182,0:09:24.947
και φυσικά δείξαμε [br]ότι καταλαβαίνουν ό,τι ακούνε.

0:09:24.947,0:09:28.389
Ίσως δεν σας εκπλήξει να σας πω [br]ότι μπορούν να γράφουν.

0:09:28.389,0:09:33.172
Εδώ είναι κείμενο που παρήγαγα χθες[br]με έναν αλγόριθμο βαθιάς μάθησης.

0:09:33.172,0:09:37.096
Και αυτό είναι κείμενο που παρήγαγε [br]ένας αλγόριθμος του Στάνφορντ.

0:09:37.096,0:09:38.860
Κάθε πρόταση δημιουργήθηκε

0:09:38.860,0:09:43.109
από έναν αλγόριθμο βαθιάς μάθησης[br]για να περιγράψει καθεμιά από τις εικόνες.

0:09:43.109,0:09:47.581
Ο αλγόριθμος δεν είχε ξαναδεί άνθρωπο [br]με μαύρο πουκάμισο να παίζει κιθάρα.

0:09:47.581,0:09:49.801
Είχε ξαναδεί άνθρωπο, [br]είχε ξαναδεί μαύρο,

0:09:49.801,0:09:51.400
είχε ξαναδεί κιθάρα,

0:09:51.400,0:09:55.694
αλλά από μόνος του έφτιαξε [br]αυτή τη νέα περιγραφή για την εικόνα.

0:09:55.694,0:09:59.196
Εδώ δεν φτάσαμε την ανθρώπινη απόδοση [br]αλλά πλησιάζουμε.

0:09:59.196,0:10:03.264
Στις δοκιμές, οι άνθρωποι προτιμούν [br]τις ετικέτες που φτιάχτηκαν από υπολογιστή

0:10:03.264,0:10:04.791
μία στις τέσσερις φορές.

0:10:04.791,0:10:06.855
Αυτό το σύστημα είναι μόνο δύο εβδομάδων,

0:10:06.855,0:10:08.701
άρα μάλλον εντός του επόμενου έτους,

0:10:08.701,0:10:11.502
ο αλγόριθμος θα έχει ξεπεράσει [br]την ανθρώπινη επίδοση

0:10:11.502,0:10:13.364
με τους τρέχοντες ρυθμούς.

0:10:13.364,0:10:16.413
Άρα οι υπολογιστές μπορούν και να γράφουν.

0:10:16.413,0:10:19.888
Βάζοντάς τα όλα μαζί [br]οδεύουμε σε εκπληκτικές δυνατότητες.

0:10:19.888,0:10:21.380
Για παράδειγμα, στην ιατρική,

0:10:21.380,0:10:23.905
μια ομάδα στη Βοστόνη [br]ανακοίνωσε ότι ανακάλυψαν

0:10:23.905,0:10:26.854
μεγάλο αριθμό νέων κλινικά σχετικών[br]χαρακτηριστικών όγκων

0:10:26.854,0:10:31.120
που θα βοηθήσει τους γιατρούς [br]στην πρόγνωση του καρκίνου.

0:10:32.220,0:10:34.516
Παρομοίως στο Στάνφορντ,

0:10:34.516,0:10:38.179
μια ομάδα ανακοίνωσε ότι, [br]εξετάζοντας ιστούς σε μεγέθυνση,

0:10:38.179,0:10:40.560
εξέλιξαν ένα σύστημα μηχανικής μάθησης

0:10:40.560,0:10:43.142
που είναι όντως καλύτερο [br]από τους ανθρώπους παθολόγους

0:10:43.142,0:10:47.519
στην πρόβλεψη των ποσοστών επιβίωσης [br]των πασχόντων από καρκίνο.

0:10:47.519,0:10:50.764
Και στις δύο περιπτώσεις, [br]όχι μόνο έκαναν ακριβέστερη πρόβλεψη,

0:10:50.764,0:10:53.026
αλλά παρήγαγαν πιο διορατική γνώση.

0:10:53.026,0:10:54.781
Στην περίπτωση της ακτινολογίας,

0:10:54.781,0:10:58.056
υπήρξαν νέες κλινικές ενδείξεις [br]που οι άνθρωποι θα καταλάβουν.

0:10:58.056,0:10:59.668
Σε αυτή την παθολογική περίπτωση,

0:10:59.668,0:11:04.168
το σύστημα στον υπολογιστή ανακάλυψε [br]ότι τα κύτταρα γύρω από τον όγκο

0:11:04.168,0:11:07.508
είναι το ίδιο σημαντικά [br]όσο τα καρκινικά κύτταρα

0:11:07.508,0:11:09.260
για τη διάγνωση.

0:11:09.260,0:11:14.621
Αυτό είναι αντίθετο από όσα διδάσκονταν [br]οι παθολόγοι για δεκαετίες.

0:11:14.621,0:11:17.913
Σε καθεμιά από τις δύο περιπτώσεις, [br]ήταν συστήματα που αναπτύχθηκαν

0:11:17.913,0:11:21.534
από συνδυασμό ειδικών στην ιατρική [br]και ειδικών στη μηχανική μάθηση,

0:11:21.534,0:11:24.275
αλλά από πέρυσι, [br]το έχουμε ξεπεράσει και αυτό.

0:11:24.275,0:11:27.824
Εδώ έχουμε παράδειγμα [br]εντοπισμού καρκινικής περιοχής

0:11:27.824,0:11:30.354
σε ανθρώπινο ιστό κάτω από το μικροσκόπιο.

0:11:30.354,0:11:34.967
Το σύστημα μπορεί να εντοπίσει[br]αυτές τις περιοχές ακριβέστερα,

0:11:34.967,0:11:37.742
ή περίπου με την ίδια ακρίβεια [br]όσο οι παθολόγοι,

0:11:37.742,0:11:41.134
αλλά έγινε εξολοκλήρου με τη βαθιά μάθηση,[br]χωρίς ιατρική τεχνογνωσία,

0:11:41.134,0:11:43.660
από ανθρώπους χωρίς προϋπηρεσία [br]στον χώρο αυτό.

0:11:44.730,0:11:47.285
Παρόμοια εδώ, αυτή η κατάτμηση νευρώνα.

0:11:47.285,0:11:50.953
Μπορούμε πλέον να κατατμήσουμε νευρώνες[br]με την ίδια ακρίβεια όπως οι άνθρωποι,

0:11:50.953,0:11:53.670
αλλά με σύστημα που αναπτύχθηκε [br]με τη βαθιά μάθηση

0:11:53.670,0:11:56.921
και ανθρώπους που δεν είχαν [br]καμία σχέση με την ιατρική.

0:11:56.921,0:12:00.148
Συνεπώς εγώ ο ίδιος, [br]πλήρως άσχετος με την ιατρική,

0:12:00.148,0:12:03.875
φαίνεται να έχω όλα τα προσόντα [br]να φτιάξω μια ιατροφαρμακευτική εταιρεία,

0:12:03.875,0:12:06.021
πράγμα που έκανα.

0:12:06.021,0:12:07.761
Αρχικά φοβόμουν να το κάνω,

0:12:07.761,0:12:10.650
αλλά θεωρητικά φαινόταν εφικτό

0:12:10.650,0:12:16.142
να φτιάξω χρήσιμα φάρμακα χρησιμοποιώντας[br]μόνο τεχνικές ανάλυσης δεδομένων.

0:12:16.142,0:12:18.472
Ευτυχώς τα σχόλια ήταν άκρως ενθαρρυντικά.

0:12:18.472,0:12:21.228
όχι μόνο από τα μέσα [br]αλλά και από την ιατρική κοινότητα,

0:12:21.228,0:12:23.322
που με στήριξε πολύ.

0:12:23.322,0:12:27.471
Θεωρητικά μπορούμε να πάρουμε [br]την μέση φάση της ιατρικής διαδικασίας

0:12:27.471,0:12:30.364
και να αναλύσουμε τα δεδομένα της[br]στο μέγιστο δυνατό βαθμό,

0:12:30.364,0:12:33.429
αφήνοντας τους γιατρούς να κάνουν [br]αυτό που ξέρουν καλύτερα.

0:12:33.429,0:12:35.031
Θα σας δώσω ένα παράδειγμα.

0:12:35.031,0:12:39.975
Τώρα μας παίρνει 15 λεπτά να βγάλουμε [br]ένα νέο διαγνωστικό τεστ

0:12:39.975,0:12:41.929
και θα το δείτε σε πραγματικό χρόνο,

0:12:41.929,0:12:45.416
αλλά το συμπίεσα σε τρία λεπτά [br]παραλείποντας κάποια κομμάτια.

0:12:45.416,0:12:48.477
Αντί για τη δημιουργία [br]ενός ιατρικού διαγνωστικού τεστ,

0:12:48.477,0:12:51.846
θα σας δείξω ένα διαγνωστικό τεστ [br]από εικόνες αυτοκινήτων,

0:12:51.846,0:12:54.068
επειδή είναι κάτι που όλοι καταλαβαίνουμε.

0:12:54.068,0:12:57.269
Ξεκινάμε με περίπου 1,5 εκατομμύριο [br]εικόνες αυτοκινήτων

0:12:57.269,0:13:00.475
και θέλω να φτιάξω κάτι που θα τις χωρίσει

0:13:00.475,0:13:02.698
ανάλογα με τη γωνία λήψης της φωτογραφίας.

0:13:02.698,0:13:06.586
Οι εικόνες δεν έχουν καθόλου κείμενο, [br]έτσι αρχίζω από το μηδέν.

0:13:06.586,0:13:08.451
Με τον αλγόριθμο βαθιάς γνώσης

0:13:08.451,0:13:12.158
μπορεί αυτόματα να εντοπίσει [br]περιοχές δομής μέσα στις εικόνες.

0:13:12.158,0:13:15.778
Είναι καλό που άνθρωπος και υπολογιστής [br]μπορούν να συνεργαστούν.

0:13:15.778,0:13:17.956
Ο άνθρωπος που βλέπετε εδώ

0:13:17.956,0:13:20.631
λέει στον υπολογιστή [br]για τις περιοχές ενδιαφέροντος

0:13:20.631,0:13:25.281
που θέλει να χρησιμοποιήσει ο υπολογιστής [br]για να βελτιώσει τον αλγόριθμό του.

0:13:25.281,0:13:29.577
Τα συστήματα αυτά είναι [br]σε διάστημα 16.000 διαστάσεων,

0:13:29.577,0:13:33.009
έτσι βλέπετε τον υπολογιστή [br]να το περιστρέφει σε αυτό το διάστημα,

0:13:33.009,0:13:35.001
προσπαθώντας να βρει νέες περιοχές δομής.

0:13:35.001,0:13:36.782
Και όταν το κάνει με επιτυχία,

0:13:36.782,0:13:40.786
τότε ο ανθρώπινος χειριστής μπορεί [br]να δείξει τις περιοχές ενδιαφέροντος.

0:13:40.786,0:13:43.208
Εδώ ο υπολογιστής βρήκε επιτυχώς περιοχές,

0:13:43.208,0:13:45.770
για παράδειγμα, κάποιες γωνίες.

0:13:45.770,0:13:47.376
Κατά τη διάρκεια της διαδικασίας,

0:13:47.376,0:13:49.716
σταδιακά λέμε στον υπολογιστή [br]όλο και περισσότερα

0:13:49.716,0:13:52.144
για το είδος των δομών που ψάχνουμε.

0:13:52.144,0:13:53.916
Φανταστείτε ότι στο διαγνωστικό τεστ

0:13:53.916,0:13:57.266
θα είναι ο παθολόγος που δείχνει [br]τις επικίνδυνες περιοχές,

0:13:57.266,0:14:02.292
ή ο ακτινολόγος να δείχνει [br]τους εν δυνάμει ανησυχητικούς όζους.

0:14:02.292,0:14:04.851
Μερικές φορές ο αλγόριθμος δυσκολεύεται.

0:14:04.851,0:14:06.815
Εδώ έχει μπερδευτεί λίγο.

0:14:06.815,0:14:09.365
Τα μπρος και πίσω μέρη των αυτοκινήτων[br]έχουν μπλεχτεί.

0:14:09.365,0:14:11.437
Τότε πρέπει να προσέξουμε λίγο περισσότερο

0:14:11.437,0:14:14.669
επιλέγοντας χειροκίνητα αυτά τα μπρος [br]από εκείνα τα πίσω μέρη,

0:14:14.669,0:14:20.175
και μετά λέγοντας στον υπολογιστή [br]ότι αυτά είναι ένα είδος ομάδας

0:14:20.175,0:14:21.523
που μας ενδιαφέρει.

0:14:21.523,0:14:24.200
Το κάνουμε για λίγο, [br]παραλείπουμε λίγο εδώ,

0:14:24.200,0:14:26.446
και μετά εκπαιδεύουμε[br]τον αλγόριθμο βαθιά μάθηση

0:14:26.446,0:14:28.520
με βάση αυτά τα διακόσια περίπου πράγματα,

0:14:28.520,0:14:30.445
και ελπίζουμε ότι βελτιώθηκε.

0:14:30.445,0:14:33.518
Μπορείτε να δείτε ότι θολώνει [br]κάποια μέρη των εικόνων,

0:14:33.518,0:14:38.036
δείχνοντάς μας ότι ήδη καταλαβαίνει [br]πώς να αναγνωρίζει κάποια μέρη μόνος του.

0:14:38.036,0:14:41.128
Μπορούμε να χρησιμοποιήσουμε[br]το σχέδιο με τις παρόμοιες εικόνες,

0:14:41.128,0:14:43.222
και έτσι εδώ μπορείτε να δείτε

0:14:43.222,0:14:47.241
ο υπολογιστής τώρα μπορεί ολοκληρωτικά [br]να βρίσκει μόνο τα μπροστινά μέρη.

0:14:47.241,0:14:50.189
Σε αυτό το σημείο ο άνθρωπος [br]μπορεί να λέει στον υπολογιστή,

0:14:50.189,0:14:52.482
εντάξει, μια χαρά τα πας.

0:14:53.512,0:14:56.107
Φυσικά κάποιες φορές, [br]ακόμα και σε αυτό το σημείο

0:14:56.107,0:14:59.511
είναι ακόμα δύσκολο [br]να διακρίνει τις ομάδες.

0:14:59.511,0:15:03.395
Εδώ, ακόμη και αφού ο υπολογιστής [br]το έχει περιστρέψει κάμποσο,

0:15:03.399,0:15:06.744
ακόμα οι εικόνες αριστερής [br]και δεξιάς πλευράς

0:15:06.744,0:15:08.102
είναι ανάμικτες.

0:15:08.102,0:15:10.362
Έτσι δίνουμε στον υπολογιστή[br]κάποιες οδηγίες,

0:15:10.362,0:15:13.338
και του λέμε να βρει [br]μια προβολή που να διαχωρίζει

0:15:13.338,0:15:15.945
κατά το δυνατόν [br]τις δεξιές από τις αριστερές πλευρές

0:15:15.945,0:15:18.067
χρησιμοποιώντας[br]τον αλγόριθμο βαθιάς γνώσης.

0:15:18.067,0:15:21.009
Με αυτή την οδηγία --[br]ωραία, είχε αποτέλεσμα.

0:15:21.009,0:15:23.891
Κατάφερε να βρει τρόπο σκέψης [br]σχετικά με αυτά τα αντικείμενα

0:15:23.891,0:15:26.271
ώστε να τα διαχωρίσει.

0:15:26.271,0:15:28.709
Καταλαβαίνετε λοιπόν πώς γίνεται.

0:15:28.709,0:15:36.906
Αυτή δεν είναι περίπτωση που ο υπολογιστής[br]αντικαθιστά τον άνθρωπο,

0:15:36.906,0:15:39.546
αλλά όπου συνεργάζονται.

0:15:39.546,0:15:43.096
Εδώ αντικαθιστούμε κάτι [br]που χρειαζόταν μια ομάδα

0:15:43.096,0:15:45.098
πέντε ή έξι ατόμων για σχεδόν επτά χρόνια,

0:15:45.098,0:15:47.703
και το αντικαθιστούμε με κάτι [br]που χρειάζεται 15 λεπτά

0:15:47.703,0:15:50.208
για ένα άτομο που δουλεύει μόνο του.

0:15:50.208,0:15:54.158
Έτσι η διαδικασία αφαιρεί τέσσερις [br]ή πέντε επαναληπτικές φάσεις.

0:15:54.158,0:15:56.017
Βλέπετε ότι τώρα έχουμε 62%

0:15:56.017,0:15:58.976
από 1,5 εκατομμύριο εικόνες [br]ορθά ταξινομημένες.

0:15:58.976,0:16:01.448
Και σε αυτό το σημείο, [br]μπορούμε αρκετά γρήγορα

0:16:01.448,0:16:03.275
να μαρκάρουμε μεγάλα τμήματα,

0:16:03.275,0:16:05.664
να τα τσεκάρουμε ώστε να μην έχουν λάθη.

0:16:05.664,0:16:09.616
Όπου υπάρχουν σφάλματα, [br]ενημερώνουμε τον υπολογιστή.

0:16:09.616,0:16:12.661
Και με αυτή τη διαδικασία για κάθε ομάδα,

0:16:12.661,0:16:15.148
έχουμε φτάσει σε ένα ποσοστό επιτυχίας 80%

0:16:15.148,0:16:17.563
στην ταξινόμηση 1,5 εκατομμυρίου εικόνων.

0:16:17.563,0:16:19.641
Είμαστε στη φάση όπου

0:16:19.641,0:16:23.220
παίρνουμε τις λίγες εικόνες [br]που δεν ταξινομήθηκαν σωστά

0:16:23.220,0:16:26.108
και προσπαθούμε να βρούμε τον λόγο.

0:16:26.108,0:16:27.851
Με αυτή την προσέγγιση,

0:16:27.851,0:16:31.972
σε 15 λεπτά φτάνουμε[br]το 97% στον ρυθμό ταξινόμησης.

0:16:31.972,0:16:36.572
Αυτή η τεχνική θα βοηθήσει [br]να διορθώσουμε ένα σοβαρό πρόβλημα,

0:16:36.578,0:16:39.614
την ανεπάρκεια ειδικών[br]στην ιατρική σε όλο τον κόσμο.

0:16:39.614,0:16:41.733
Το Παγκόσμιο Οικονομικό Φόρουμ λέει ότι

0:16:41.733,0:16:45.727
υπάρχει δεκαπλάσιο με εικοσαπλάσιο [br]έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο,

0:16:45.727,0:16:47.640
και θα χρειαστούν 300 χρόνια

0:16:47.640,0:16:50.734
για να εκπαιδευθούν αρκετοί άνθρωποι[br]ώστε να λυθεί το πρόβλημα.

0:16:50.734,0:16:53.879
Φαντάζεστε να μπορούσαμε [br]να ενισχύσουμε την απόδοσή τους

0:16:53.879,0:16:56.458
με την προσέγγιση της βαθιάς μάθησης;

0:16:56.458,0:16:58.690
Είμαι ενθουσιασμένος [br]με αυτές τις προοπτικές.

0:16:58.690,0:17:01.279
Ανησυχώ επίσης και για τα προβλήματα.

0:17:01.279,0:17:04.403
Το πρόβλημα εδώ είναι ότι [br]κάθε μπλε περιοχή στο χάρτη

0:17:04.403,0:17:08.172
είναι μέρος όπου οι υπηρεσίες [br]είναι πάνω από το 80% της απασχόλησης.

0:17:08.172,0:17:09.959
Ποιες είναι οι υπηρεσίες;

0:17:09.959,0:17:11.473
Αυτές είναι οι υπηρεσίες.

0:17:11.473,0:17:15.627
Είναι αυτά ακριβώς τα πράγματα [br]που ο υπολογιστής μόλις έμαθε να κάνει.

0:17:15.627,0:17:19.341
Έτσι το 80% της παγκόσμιας απασχόλησης [br]στον αναπτυσσόμενο κόσμο

0:17:19.341,0:17:22.123
είναι πράγματα που οι υπολογιστές[br]μόλις έμαθαν να κάνουν.

0:17:22.123,0:17:23.403
Τι σημαίνει αυτό;

0:17:23.403,0:17:25.986
Κάτι θα γίνει.[br]Θα αντικατασταθούν από άλλες δουλειές.

0:17:25.986,0:17:28.753
Θα γίνουν περισσότερες θέσεις[br]για επιστήμονες δεδομένων.

0:17:28.753,0:17:29.510
Όχι ακριβώς.

0:17:29.510,0:17:32.628
Δεν χρειάζονται πολύ χρόνο [br]να φτιάξουν κάτι τέτοιο.

0:17:32.628,0:17:35.880
Αυτούς τους τέσσερις αλγόριθμους [br]τους έφτιαξε το ίδιο άτομο.

0:17:35.880,0:17:38.318
Αν σκεφτείτε, εντάξει, [br]το έχουμε ξαναδεί το έργο,

0:17:38.318,0:17:42.126
είδαμε τα αποτελέσματα στο παρελθόν [br]όταν προέκυψαν νέες ανάγκες

0:17:42.126,0:17:44.378
και αντικαταστάθηκαν από νέα επαγγέλματα,

0:17:44.378,0:17:46.494
ποια θα είναι τα νέα επαγγέλματα;

0:17:46.494,0:17:48.365
Είναι πολύ δύσκολο να το εκτιμήσουμε

0:17:48.365,0:17:51.104
γιατί η ανθρώπινη απόδοση [br]αυξάνεται με σταδιακό ρυθμό,

0:17:51.104,0:17:53.666
αλλά τώρα έχουμε το σύστημα βαθιάς μάθησης

0:17:53.666,0:17:56.893
που αυξάνει την ικανότητά του [br]με ρυθμούς γεωμετρικής προόδου.

0:17:56.893,0:17:58.498
Και είμαστε εδώ.

0:17:58.498,0:18:00.959
Προς το παρόν,[br]κοιτάμε γύρω μας και σκεφτόμαστε

0:18:00.959,0:18:03.235
«Οι υπολογιστές είναι χαζά μηχανήματα».[br]Σωστά;

0:18:03.235,0:18:06.854
Σε πέντε χρόνια όμως, οι υπολογιστές[br]θα έχουν φύγει από τα όρια του πίνακα.

0:18:06.854,0:18:10.329
Θα πρέπει να αρχίσουμε να σκεφτόμαστε [br]αυτή την ικανότητα άμεσα.

0:18:10.329,0:18:12.579
Το έχουμε δει ακόμη μια φορά στο παρελθόν.

0:18:12.579,0:18:13.966
Στη Βιομηχανική Επανάσταση

0:18:13.966,0:18:17.457
είδαμε μια αλλαγή ρυθμού στην ικανότητα [br]χάρις στις μηχανές.

0:18:17.457,0:18:20.805
Το θέμα είναι βέβαια, ότι μετά από λίγο [br]τα πράγματα ισοπεδώθηκαν.

0:18:20.805,0:18:22.427
Υπήρξε κοινωνική διάσπαση,

0:18:22.427,0:18:26.056
αλλά εφόσον οι μηχανές χρησιμοποιήθηκαν [br]για την παραγωγή ενέργειας παντού

0:18:26.056,0:18:28.300
τα πράγματα έφτασαν σε μια σταθερότητα.

0:18:28.300,0:18:29.773
Η Επανάσταση Μηχανικής Μάθησης

0:18:29.773,0:18:32.432
θα διαφέρει πολύ[br]από τη Βιομηχανική Επανάσταση

0:18:32.432,0:18:35.632
επειδή η Μηχανική Μάθηση [br]ποτέ δεν φτάνει σε στάδιο σταθερότητας.

0:18:35.632,0:18:38.614
Όσο οι υπολογιστές βελτιώνονται [br]σε διανοητικές ικανότητες,

0:18:38.614,0:18:42.862
θα φτιάξουν καλύτερους υπολογιστές [br]που θα βελτιωθούν διανοητικά περισσότερο,

0:18:42.862,0:18:44.770
έτσι θα είναι ένα είδος αλλαγής

0:18:44.770,0:18:47.128
που ο κόσμος δεν έχει ξαναζήσει,

0:18:47.128,0:18:50.894
έτσι η προηγούμενη αντίληψή σας [br]για το τι είναι δυνατόν είναι διαφορετική.

0:18:50.894,0:18:52.754
Ήδη μας επηρεάζει.

0:18:52.754,0:18:56.384
Τα τελευταία 25 χρόνια, καθώς αυξανόταν [br]η παραγωγικότητα κεφαλαίου,

0:18:56.400,0:19:00.588
η παραγωγικότητα εργασίας έμενε σταθερή, [br]ίσως και να μειωνόταν ελάχιστα.

0:19:01.408,0:19:04.149
Ας ξαναρχίσουμε αυτή τη συζήτηση τώρα.

0:19:04.149,0:19:06.906
Ξέρω ότι όταν κάνω συζήτηση[br]σχετικά με αυτή την κατάσταση,

0:19:06.906,0:19:08.666
οι άνθρωποι γίνονται απαξιωτικοί.

0:19:08.666,0:19:10.679
Οι υπολογιστές δεν μπορούν να σκεφτούν,

0:19:10.679,0:19:13.287
δεν νιώθουν, [br]δεν καταλαβαίνουν την ποίηση,

0:19:13.287,0:19:16.078
εμείς δεν καταλαβαίνουμε πραγματικά [br]πώς αυτοί λειτουργούν.

0:19:16.078,0:19:17.374
Και λοιπόν;

0:19:17.374,0:19:21.828
Οι υπολογιστές τώρα μπορούν να κάνουν[br]όσα οι άνθρωποι πληρώνονται για να κάνουν

0:19:21.831,0:19:23.484
έτσι είναι καιρός να σκεφτούμε

0:19:23.484,0:19:28.048
πώς θα αναπροσαρμόσουμε[br]τις κοινωνικές και οικονομικές δομές

0:19:28.048,0:19:30.045
σε αυτή τη νέα πραγματικότητα.

0:19:30.045,0:19:30.885
Ευχαριστώ.

0:19:30.885,0:19:31.778
(Χειροκρότημα)