1
00:00:00,880 --> 00:00:04,893
Ήταν σύνηθες, αν θέλατε 
ένας υπολογιστής να κάνει κάτι νέο,

2
00:00:04,893 --> 00:00:06,447
έπρεπε να τον προγραμματίσετε.

3
00:00:06,447 --> 00:00:09,858
Ο προγραμματισμός βέβαια, 
για όσους δεν έχετε ασχοληθεί,

4
00:00:09,858 --> 00:00:13,360
απαιτεί να καταχωρήσεις 
με εξωφρενική λεπτομέρεια

5
00:00:13,360 --> 00:00:16,727
κάθε ξεχωριστό βήμα 
που θέλετε να κάνει ο υπολογιστής

6
00:00:16,727 --> 00:00:19,089
για να πετύχετε το σκοπό σας.

7
00:00:19,089 --> 00:00:22,585
Και αν θέλετε να κάνετε κάτι 
που δεν ξέρετε να το κάνετε ο ίδιος,

8
00:00:22,585 --> 00:00:24,648
αυτό είναι σοβαρό πρόβλημα.

9
00:00:24,648 --> 00:00:28,131
Αυτό ήταν το πρόβλημα του Άρθουρ Σάμιουελ.

10
00:00:28,131 --> 00:00:32,208
Το 1956 ήθελε να κάνει αυτό τον υπολογιστή

11
00:00:32,208 --> 00:00:34,548
να μπορεί να τον νικάει στη ντάμα.

12
00:00:34,548 --> 00:00:36,588
Πώς μπορείς να γράψεις πρόγραμμα,

13
00:00:36,588 --> 00:00:40,394
να καταχωρήσεις με πλήρη λεπτομέρεια,
πώς να γίνει καλύτερος από σένα στη ντάμα;

14
00:00:40,394 --> 00:00:42,116
Έτσι είχε μια ιδέα:

15
00:00:42,116 --> 00:00:45,840
έβαλε τον υπολογιστή να παίξει 
ενάντια στον εαυτό του χιλιάδες φορές

16
00:00:45,840 --> 00:00:48,364
και να μάθει να παίζει ντάμα.

17
00:00:48,364 --> 00:00:51,612
Πραγματικά είχε αποτέλεσμα και έως το 1962

18
00:00:51,612 --> 00:00:55,561
ο υπολογιστής είχε νικήσει 
τον πρωταθλητή της πολιτείας Κονέκτικατ.

19
00:00:55,561 --> 00:00:58,534
Έτσι ο Άρθουρ Σάμιουελ
ήταν ο πατέρας της μηχανικής μάθησης,

20
00:00:58,534 --> 00:01:00,251
και του χρωστάω πολλά,

21
00:01:00,251 --> 00:01:03,014
επειδή ασχολούμαι με την εφαρμογή 
της μηχανικής μάθησης.

22
00:01:03,014 --> 00:01:04,439
Ήμουν πρόεδρος της Kaggle,

23
00:01:04,439 --> 00:01:08,047
μια κοινότητα άνω των 200.000 ατόμων 
που ασχολούνται με τη μηχανική μάθηση.

24
00:01:08,047 --> 00:01:10,105
Η Kaggle οργανώνει διαγωνισμούς

25
00:01:10,105 --> 00:01:13,633
για τη λύση άλυτων προβλημάτων,

26
00:01:13,633 --> 00:01:17,120
και σημείωσε επιτυχίες εκατοντάδες φορές.

27
00:01:17,120 --> 00:01:19,940
Από αυτή την πλεονεκτική θέση 
μπόρεσα να ανακαλύψω πολλά

28
00:01:19,940 --> 00:01:23,890
σχετικά με το τι έκανε η μηχανική μάθηση
στο παρελθόν, τι μπορεί να κάνει σήμερα,

29
00:01:23,890 --> 00:01:26,252
και τι θα μπορεί να κάνει στο μέλλον.

30
00:01:26,252 --> 00:01:30,675
Ίσως η πρώτη εμπορικά μεγάλη επιτυχία
της μηχανικής μάθησης ήταν η Google.

31
00:01:30,675 --> 00:01:33,784
Η Google απέδειξε ότι ήταν δυνατόν 
να βρεθούν πληροφορίες

32
00:01:33,784 --> 00:01:35,536
με ένα αλγόριθμο υπολογιστή,

33
00:01:35,536 --> 00:01:38,437
και αυτός ο αλγόριθμος 
βασίζεται στη μηχανική μάθηση.

34
00:01:38,437 --> 00:01:42,323
Από τότε έχουν υπάρξει πολλές 
εμπορικές επιτυχίες της μηχανικής μάθησης.

35
00:01:42,323 --> 00:01:44,160
Εταιρείες όπως η Amazon και η Netflix

36
00:01:44,160 --> 00:01:47,876
χρησιμοποιούν τη μηχανική μάθηση 
για να προτείνουν προϊόντα ν' αγοράσετε,

37
00:01:47,876 --> 00:01:49,896
ταινίες που θα θέλατε να δείτε.

38
00:01:49,896 --> 00:01:51,703
Μερικές φορές γίνεται ανατριχιαστικό.

39
00:01:51,703 --> 00:01:53,657
Εταιρείες όπως η LinkedIn και το Facebook

40
00:01:53,657 --> 00:01:56,251
μερικές φορές σας λένε 
ποιοι μπορεί να είναι φίλοι σας

41
00:01:56,251 --> 00:01:58,228
και δεν έχετε ιδέα πώς τα κατάφεραν,

42
00:01:58,228 --> 00:02:01,195
και το κάνουν με τη δύναμη
της μηχανικής μάθησης.

43
00:02:01,195 --> 00:02:04,152
Αυτοί είναι αλγόριθμοι που έμαθαν
να το κάνουν από τα δεδομένα

44
00:02:04,152 --> 00:02:07,399
παρά από προγραμματισμό με το χέρι.

45
00:02:07,399 --> 00:02:09,877
Έτσι κατάφερε και η IBM

46
00:02:09,877 --> 00:02:13,739
να νικήσει o Γουότσον τους δύο 
παγκόσμιους πρωταθλητές του «Jeopardy»

47
00:02:13,739 --> 00:02:16,964
απαντώντας απίστευτα πονηρές 
και περίπλοκες ερωτήσεις όπως αυτή.

48
00:02:16,964 --> 00:02:19,799
[«Το "Λιοντάρι του Νεμρώδ" εξαφανίστηκε
από το μουσείο αυτής της πόλης το 2003»]

49
00:02:19,799 --> 00:02:22,944
Γι' αυτό έχουμε πλέον τα πρώτα αυτοκίνητα
που οδηγούν μόνα τους.

50
00:02:22,944 --> 00:02:25,466
Αν θέλεις να μπορείς 
να δεις τη διαφορά, ας πούμε,

51
00:02:25,466 --> 00:02:28,488
ανάμεσα σε ένα δένδρο και έναν πεζό, 
αυτό είναι πολύ σημαντικό.

52
00:02:28,488 --> 00:02:31,075
Δεν ξέρουμε να γράφουμε 
τέτοια προγράμματα με το χέρι,

53
00:02:31,075 --> 00:02:33,832
αλλά με τη μηχανική μάθηση 
αυτό είναι πλέον δυνατόν.

54
00:02:33,832 --> 00:02:37,110
Αυτό το αυτοκίνητο έχει οδηγήσει 
πάνω από 1.600.000 χιλιόμετρα

55
00:02:37,110 --> 00:02:40,186
σε κανονικό δρόμο χωρίς καθόλου ατυχήματα.

56
00:02:40,196 --> 00:02:44,110
Έτσι ξέρουμε ότι οι υπολογιστές
μπορούν να μαθαίνουν,

57
00:02:44,110 --> 00:02:46,210
και μπορούν να μάθουν να κάνουν πράγματα

58
00:02:46,210 --> 00:02:48,848
που μερικές φορές 
ούτε κι εμείς ξέρουμε να κάνουμε,

59
00:02:48,848 --> 00:02:51,733
ή μπορούν να τα κάνουν καλύτερα από εμάς.

60
00:02:51,733 --> 00:02:55,818
Ένα εκπληκτικό παράδειγμα 
της μηχανικής μάθησης που έχω δει

61
00:02:55,818 --> 00:02:58,320
έγινε σε ένα πρόγραμμα 
που έκανα στην Kaggle,

62
00:02:58,320 --> 00:03:01,911
όπου μια ομάδα 
υπό κάποιον ονόματι Τζέφρι Χίντον

63
00:03:01,911 --> 00:03:03,463
από το Πανεπιστήμιο του Τορόντο,

64
00:03:03,463 --> 00:03:06,140
κέρδισε έναν διαγωνισμό 
για αυτόματη ανακάλυψη φαρμάκου.

65
00:03:06,140 --> 00:03:08,987
Αυτό όμως που είναι αξιοσημείωτο 
δεν είναι ότι νίκησαν

66
00:03:08,987 --> 00:03:13,000
όλους τους αλγόριθμους της Μέρκ
ή της διεθνούς ακαδημαϊκής κοινότητας,

67
00:03:13,000 --> 00:03:18,061
αλλά ότι κανείς στην ομάδα δεν είχε
γνώσεις χημείας, βιολογίας ή ιατρικής,

68
00:03:18,061 --> 00:03:20,230
και τα κατάφεραν μέσα σε δύο εβδομάδες.

69
00:03:20,230 --> 00:03:22,131
Πώς τα κατάφεραν;

70
00:03:22,131 --> 00:03:25,342
Χρησιμοποίησαν έναν ασυνήθιστο αλγόριθμο 
που λέγεται βαθιά μάθηση.

71
00:03:25,342 --> 00:03:28,211
Ήταν τόσο σημαντικό 
που η επιτυχία καλύφθηκε

72
00:03:28,211 --> 00:03:31,412
σε πρωτοσέλιδο των Τάιμς της Νέας Υόρκης
μερικές εβδομάδες μετά.

73
00:03:31,412 --> 00:03:34,147
Ο Τζέφρι Χίντον είναι εδώ αριστερά.

74
00:03:34,147 --> 00:03:38,488
Η βαθιά μάθηση είναι ένας αλγόριθμος 
εμπνευσμένος από το ανθρώπινο μυαλό,

75
00:03:38,488 --> 00:03:40,300
συνεπώς είναι ένας αλγόριθμος

76
00:03:40,300 --> 00:03:44,141
που θεωρητικά δεν έχει όρια 
στο τι μπορεί να κάνει.

77
00:03:44,141 --> 00:03:46,964
Όσο περισσότερα δεδομένα 
και χρόνο υπολογισμού του δίνεις,

78
00:03:46,964 --> 00:03:48,276
τόσο καλύτερος γίνεται.

79
00:03:48,276 --> 00:03:50,615
Οι Τάιμς της Νέας Υόρκης
έδειξαν επίσης στο άρθρο

80
00:03:50,615 --> 00:03:53,187
άλλο ένα ασυνήθιστο αποτέλεσμα 
της βαθιάς μάθησης

81
00:03:53,187 --> 00:03:55,569
που θα σας δείξω τώρα.

82
00:03:55,569 --> 00:04:00,510
Δείχνει ότι οι υπολογιστές μπορούν 
να ακούν και να καταλαβαίνουν.

83
00:04:00,510 --> 00:04:03,221
(Βίντεο) Ρίτσαρντ Ράσιντ: 
Τώρα το τελευταίο βήμα

84
00:04:03,221 --> 00:04:06,246
που θέλω να κάνω σε αυτή τη διαδικασία

85
00:04:06,246 --> 00:04:10,961
είναι να σας μιλήσω κανονικά στα Κινέζικα.

86
00:04:10,961 --> 00:04:13,596
Το μυστικό εδώ είναι ότι,

87
00:04:13,596 --> 00:04:18,458
μπορέσαμε να πάρουμε μεγάλη ποσότητα 
πληροφοριών από ομιλητές της Κινεζικής

88
00:04:18,458 --> 00:04:21,498
και να φτιάξουμε ένα σύστημα 
μετατροπής κειμένου σε ομιλία

89
00:04:21,498 --> 00:04:26,201
που μετατρέπει Κινέζικο λόγο 
από γραπτό σε προφορικό,

90
00:04:26,201 --> 00:04:29,929
και μετά χρειαστήκαμε καμιά ώρα 
με τη δική μου φωνή

91
00:04:29,929 --> 00:04:32,340
για να μπορέσουμε να ρυθμίσουμε

92
00:04:32,340 --> 00:04:36,364
το βασικό σύστημα μετατροπής λόγου 
ώστε να ακούγεται σαν εμένα.

93
00:04:36,364 --> 00:04:39,204
Και πάλι το αποτέλεσμα δεν ήταν τέλειο.

94
00:04:39,204 --> 00:04:41,552
Υπήρχαν μερικά λαθάκια.

95
00:04:41,552 --> 00:04:44,036
(Στα Κινέζικα)

96
00:04:44,036 --> 00:04:47,403
(Χειροκρότημα)

97
00:04:49,446 --> 00:04:53,022
Χρειάζεται να γίνουν πολλά 
σε αυτό τον τομέα.

98
00:04:53,022 --> 00:04:56,667
(Στα Κινέζικα)

99
00:04:56,667 --> 00:04:59,130
(Χειροκρότημα)

100
00:05:01,345 --> 00:05:04,744
Τζέρεμι Χάουαρντ: Αυτό ήταν 
σε συνέδριο μηχανικής μάθησης στην Κίνα.

101
00:05:04,744 --> 00:05:07,114
Δεν συμβαίνει συχνά σε ακαδημαϊκά συνέδρια

102
00:05:07,114 --> 00:05:09,011
να έχεις τόσο αυθόρμητες επευφημίες,

103
00:05:09,011 --> 00:05:12,687
αλλά μιας και είμαστε σε συνάντηση TED,
μην περιορίζεστε.

104
00:05:12,687 --> 00:05:15,482
Όλα όσα είδατε εκεί 
συνέβησαν με τη βαθιά μάθηση.

105
00:05:15,482 --> 00:05:17,007
(Χειροκρότημα) 
Ευχαριστώ.

106
00:05:17,007 --> 00:05:19,569
Η μεταγραφή στα Αγγλικά
έγινε από τη βαθιά μάθηση.

107
00:05:19,569 --> 00:05:22,701
Η μετάφραση στα Κινέζικα, 
το κείμενο πάνω δεξιά,

108
00:05:22,701 --> 00:05:26,008
και η σύνθεση της φωνής 
έγιναν από τη βαθιά μάθηση επίσης.

109
00:05:26,008 --> 00:05:29,242
Η βαθιά μάθηση είναι κάτι ξεχωριστό.

110
00:05:29,242 --> 00:05:32,341
Είναι ένας αλγόριθμος 
που μοιάζει να μπορεί να κάνει τα πάντα,

111
00:05:32,341 --> 00:05:35,452
και ανακάλυψα ότι πριν ένα χρόνο 
είχε επίσης μάθει να βλέπει.

112
00:05:35,452 --> 00:05:37,628
Σε έναν δυσνόητο διαγωνισμό στη Γερμανία

113
00:05:37,628 --> 00:05:40,225
σχετικά με την αναγνώριση οδικής σήμανσης,

114
00:05:40,225 --> 00:05:43,618
η βαθιά μάθηση έμαθε να αναγνωρίζει 
οδικά σήματα όπως αυτό.

115
00:05:43,618 --> 00:05:45,712
Όχι μόνο αναγνώριζε τα οδικά σήματα

116
00:05:45,712 --> 00:05:47,470
καλύτερα από κάθε άλλο αλγόριθμο,

117
00:05:47,470 --> 00:05:49,989
στον πίνακα αποτελεσμάτων 
σημείωσε βαθμολογία

118
00:05:49,989 --> 00:05:52,151
δύο φορές καλύτερη από τους ανθρώπους.

119
00:05:52,151 --> 00:05:53,367
Έτσι έως το 2011,

120
00:05:53,367 --> 00:05:57,442
είχαμε το πρώτο παράδειγμα υπολογιστή
που μπορεί να δει καλύτερα από άνθρωπο.

121
00:05:57,442 --> 00:05:59,491
Από τότε έγιναν πολλά.

122
00:05:59,491 --> 00:06:03,005
Το 2012 η Google ανακοίνωσε ότι 
ο αλγόριθμος βαθιά μάθηση

123
00:06:03,005 --> 00:06:04,420
έβλεπε βίντεο του YouTube

124
00:06:04,420 --> 00:06:07,857
και διάβαζε δεδομένα 
από 16.000 υπολογιστές για ένα μήνα,

125
00:06:07,857 --> 00:06:12,218
και ο υπολογιστής έμαθε από μόνος του 
έννοιες όπως «άνθρωπος και «γάτα»,

126
00:06:12,218 --> 00:06:14,027
απλώς βλέποντας τα βίντεο.

127
00:06:14,027 --> 00:06:16,539
Μοιάζει πολύ με τον τρόπο 
που μαθαίνουν οι άνθρωποι.

128
00:06:16,539 --> 00:06:19,119
Δεν μαθαίνουμε 
όταν κάποιος μας λέει τι να δούμε,

129
00:06:19,119 --> 00:06:22,450
αλλά μαθαίνοντας από μόνοι μας 
τι είναι αυτά τα πράγματα.

130
00:06:22,450 --> 00:06:25,819
Επίσης το 2012 ο Τζέφρι Χίντον 
που είδαμε νωρίτερα

131
00:06:25,819 --> 00:06:28,677
κέρδισε στον δημοφιλή διαγωνισμό ImageNet,

132
00:06:28,677 --> 00:06:32,818
προσπαθώντας να βρει 
μέσα από 1,5 εκατομμύριο εικόνες

133
00:06:32,818 --> 00:06:34,256
τι απεικονίζουν.

134
00:06:34,256 --> 00:06:37,789
Από το 2014 έχουμε πέσει 
στο 6% ποσοστό σφάλματος

135
00:06:37,789 --> 00:06:39,242
στην αναγνώριση εικόνας.

136
00:06:39,242 --> 00:06:41,268
Και πάλι καλύτερα από τον άνθρωπο.

137
00:06:41,268 --> 00:06:45,037
Οι μηχανές τα καταφέρνουν πολύ καλά 
σε αυτό τον τομέα,

138
00:06:45,037 --> 00:06:47,306
και πλέον χρησιμοποιείται στη βιομηχανία.

139
00:06:47,306 --> 00:06:50,348
Για παράδειγμα, η Google ανακοίνωσε πέρυσι

140
00:06:50,348 --> 00:06:54,933
ότι χαρτογράφησαν ολόκληρη
τη Γαλλία μέσα σε δύο ώρες,

141
00:06:54,933 --> 00:06:58,380
και το έκαναν εισάγοντας φωτογραφίες 
από την τεχνολογία Street View

142
00:06:58,380 --> 00:07:02,699
σε έναν αλγόριθμο βαθιάς μάθησης
ώστε να αναγνωρίζει την αρίθμηση των οδών.

143
00:07:02,699 --> 00:07:04,919
Φανταστείτε πόσο θα έπαιρνε παλιότερα:

144
00:07:04,919 --> 00:07:08,274
πλήθος ανθρώπων, πολλά χρόνια.

145
00:07:08,274 --> 00:07:10,185
Συμβαίνει επίσης στην Κίνα.

146
00:07:10,185 --> 00:07:14,221
Η Baidu είναι θα λέγαμε 
η αντίστοιχη Google της Κίνας

147
00:07:14,221 --> 00:07:16,504
και εδώ πάνω αριστερά 
βλέπετε ένα παράδειγμα

148
00:07:16,504 --> 00:07:20,478
από μια φωτογραφία που μεταφόρτωσα 
στο σύστημα βαθιάς μάθησης της Baidu,

149
00:07:20,478 --> 00:07:24,247
και από κάτω βλέπετε ότι 
το σύστημα αναγνώρισε τη φωτογραφία

150
00:07:24,247 --> 00:07:26,483
και βρήκε και παρόμοιες.

151
00:07:26,483 --> 00:07:29,089
Οι παρόμοιες εικόνες έχουν παρόμοιο φόντο,

152
00:07:29,089 --> 00:07:30,877
παρόμοιο προσανατολισμό των προσώπων,

153
00:07:30,877 --> 00:07:32,665
μερικές ακόμα και με τη γλώσσα έξω.

154
00:07:32,665 --> 00:07:35,695
Αυτό σαφώς δεν είναι 
σαν να βλέπεις κείμενο σε ιστοσελίδα.

155
00:07:35,695 --> 00:07:37,107
Μόνο μια φωτογραφία ανέβασα.

156
00:07:37,107 --> 00:07:40,628
Έχουμε λοιπόν υπολογιστές 
που πράγματι καταλαβαίνουν τι βλέπουν

157
00:07:40,628 --> 00:07:43,222
και γι' αυτό μπορούν 
να ερευνήσουν βάσεις δεδομένων

158
00:07:43,222 --> 00:07:46,306
εκατοντάδων εκατομμυρίων εικόνων
σε πραγματικό χρόνο.

159
00:07:46,306 --> 00:07:49,536
Τι σημασία έχει ότι 
οι υπολογιστές μπορούν να βλέπουν;

160
00:07:49,536 --> 00:07:51,553
Λοιπόν, δεν είναι μόνο αυτό.

161
00:07:51,553 --> 00:07:53,622
Η βαθιά μάθηση έκανε περισσότερα.

162
00:07:53,622 --> 00:07:56,570
Περίπλοκες προτάσεις με λεπτές έννοιες, 
όπως αυτή εδώ,

163
00:07:56,570 --> 00:07:59,394
μπορούν πλέον να κατανοηθούν 
από τον αλγόριθμο.

164
00:07:59,394 --> 00:08:00,697
Όπως βλέπετε εδώ,

165
00:08:00,697 --> 00:08:03,775
το σύστημα του Στάνφορντ
στην κόκκινη κουκκίδα στην κορυφή

166
00:08:03,775 --> 00:08:07,384
κατάλαβε ότι αυτή η πρόταση 
εκφράζει αρνητικό συναίσθημα.

167
00:08:07,384 --> 00:08:10,790
Η βαθιά μάθηση όντως πλησιάζει 
την ανθρώπινη επίδοση

168
00:08:10,802 --> 00:08:15,683
στο να καταλαβαίνουν το κεντρικό θέμα 
και το γενικό περιεχόμενο μιας πρότασης.

169
00:08:15,683 --> 00:08:18,971
Η βαθιά μάθηση χρησιμοποιήθηκε επίσης
για την ανάγνωση Κινέζικων

170
00:08:18,971 --> 00:08:21,807
και πάλι στο επίπεδο 
του Κινέζου φυσικού ομιλητή.

171
00:08:21,807 --> 00:08:24,285
Αυτός ο αλγόριθμος εξελίχθηκε 
από ομάδα Ελβετών,

172
00:08:24,285 --> 00:08:27,331
κανείς εκ των οποίων 
δεν μιλούσε ή καταλάβαινε Κινέζικα.

173
00:08:27,331 --> 00:08:29,382
Όπως είπα, η χρήση της βαθιάς μάθησης

174
00:08:29,382 --> 00:08:32,191
είναι το καλύτερο σύστημα
στον κόσμο γι' αυτό,

175
00:08:32,191 --> 00:08:36,718
συγκρινόμενο ακόμα και 
με την ανθρώπινη κατανόηση.

176
00:08:36,718 --> 00:08:39,682
Είναι ένα σύστημα 
που φτιάχνουμε στην εταιρεία μου

177
00:08:39,682 --> 00:08:41,728
που δείχνει πώς συντίθενται όλα τα μέρη.

178
00:08:41,728 --> 00:08:44,189
Αυτές είναι εικόνες χωρίς κείμενο,

179
00:08:44,189 --> 00:08:46,541
και καθώς πληκτρολογώ κείμενο,

180
00:08:46,541 --> 00:08:49,510
σε πραγματικό χρόνο 
κατανοεί αυτές τις εικόνες,

181
00:08:49,510 --> 00:08:51,189
αντιλαμβάνεται το θέμα τους,

182
00:08:51,189 --> 00:08:54,352
και βρίσκει παρόμοιες φωτογραφίες 
με το κείμενο που γράφω.

183
00:08:54,352 --> 00:08:57,108
Άρα ουσιαστικά
καταλαβαίνει τις προτάσεις μου

184
00:08:57,108 --> 00:08:59,332
και καταλαβαίνει αυτές τις εικόνες.

185
00:08:59,332 --> 00:09:01,891
Ξέρω ότι έχετε δει κάτι τέτοιο στη Google,

186
00:09:01,891 --> 00:09:04,666
όπου πληκτρολογείτε κάτι 
και σας δείχνει εικόνες,

187
00:09:04,666 --> 00:09:08,090
αλλά στην πραγματικότητα 
ψάχνει στην ιστοσελίδα για κείμενο.

188
00:09:08,090 --> 00:09:11,091
Αυτό είναι πολύ διαφορετικό 
από το να κατανοείς τις εικόνες.

189
00:09:11,091 --> 00:09:13,843
Αυτό το κατάφεραν οι υπολογιστές

190
00:09:13,843 --> 00:09:16,861
για πρώτη φορά πριν λίγους μήνες.

191
00:09:16,861 --> 00:09:21,182
Έτσι οι υπολογιστές, όχι μόνο βλέπουν,
αλλά μπορούν και να διαβάσουν,

192
00:09:21,182 --> 00:09:24,947
και φυσικά δείξαμε 
ότι καταλαβαίνουν ό,τι ακούνε.

193
00:09:24,947 --> 00:09:28,389
Ίσως δεν σας εκπλήξει να σας πω 
ότι μπορούν να γράφουν.

194
00:09:28,389 --> 00:09:33,172
Εδώ είναι κείμενο που παρήγαγα χθες
με έναν αλγόριθμο βαθιάς μάθησης.

195
00:09:33,172 --> 00:09:37,096
Και αυτό είναι κείμενο που παρήγαγε 
ένας αλγόριθμος του Στάνφορντ.

196
00:09:37,096 --> 00:09:38,860
Κάθε πρόταση δημιουργήθηκε

197
00:09:38,860 --> 00:09:43,109
από έναν αλγόριθμο βαθιάς μάθησης
για να περιγράψει καθεμιά από τις εικόνες.

198
00:09:43,109 --> 00:09:47,581
Ο αλγόριθμος δεν είχε ξαναδεί άνθρωπο 
με μαύρο πουκάμισο να παίζει κιθάρα.

199
00:09:47,581 --> 00:09:49,801
Είχε ξαναδεί άνθρωπο, 
είχε ξαναδεί μαύρο,

200
00:09:49,801 --> 00:09:51,400
είχε ξαναδεί κιθάρα,

201
00:09:51,400 --> 00:09:55,694
αλλά από μόνος του έφτιαξε 
αυτή τη νέα περιγραφή για την εικόνα.

202
00:09:55,694 --> 00:09:59,196
Εδώ δεν φτάσαμε την ανθρώπινη απόδοση 
αλλά πλησιάζουμε.

203
00:09:59,196 --> 00:10:03,264
Στις δοκιμές, οι άνθρωποι προτιμούν 
τις ετικέτες που φτιάχτηκαν από υπολογιστή

204
00:10:03,264 --> 00:10:04,791
μία στις τέσσερις φορές.

205
00:10:04,791 --> 00:10:06,855
Αυτό το σύστημα είναι μόνο δύο εβδομάδων,

206
00:10:06,855 --> 00:10:08,701
άρα μάλλον εντός του επόμενου έτους,

207
00:10:08,701 --> 00:10:11,502
ο αλγόριθμος θα έχει ξεπεράσει 
την ανθρώπινη επίδοση

208
00:10:11,502 --> 00:10:13,364
με τους τρέχοντες ρυθμούς.

209
00:10:13,364 --> 00:10:16,413
Άρα οι υπολογιστές μπορούν και να γράφουν.

210
00:10:16,413 --> 00:10:19,888
Βάζοντάς τα όλα μαζί 
οδεύουμε σε εκπληκτικές δυνατότητες.

211
00:10:19,888 --> 00:10:21,380
Για παράδειγμα, στην ιατρική,

212
00:10:21,380 --> 00:10:23,905
μια ομάδα στη Βοστόνη 
ανακοίνωσε ότι ανακάλυψαν

213
00:10:23,905 --> 00:10:26,854
μεγάλο αριθμό νέων κλινικά σχετικών
χαρακτηριστικών όγκων

214
00:10:26,854 --> 00:10:31,120
που θα βοηθήσει τους γιατρούς 
στην πρόγνωση του καρκίνου.

215
00:10:32,220 --> 00:10:34,516
Παρομοίως στο Στάνφορντ,

216
00:10:34,516 --> 00:10:38,179
μια ομάδα ανακοίνωσε ότι, 
εξετάζοντας ιστούς σε μεγέθυνση,

217
00:10:38,179 --> 00:10:40,560
εξέλιξαν ένα σύστημα μηχανικής μάθησης

218
00:10:40,560 --> 00:10:43,142
που είναι όντως καλύτερο 
από τους ανθρώπους παθολόγους

219
00:10:43,142 --> 00:10:47,519
στην πρόβλεψη των ποσοστών επιβίωσης 
των πασχόντων από καρκίνο.

220
00:10:47,519 --> 00:10:50,764
Και στις δύο περιπτώσεις, 
όχι μόνο έκαναν ακριβέστερη πρόβλεψη,

221
00:10:50,764 --> 00:10:53,026
αλλά παρήγαγαν πιο διορατική γνώση.

222
00:10:53,026 --> 00:10:54,781
Στην περίπτωση της ακτινολογίας,

223
00:10:54,781 --> 00:10:58,056
υπήρξαν νέες κλινικές ενδείξεις 
που οι άνθρωποι θα καταλάβουν.

224
00:10:58,056 --> 00:10:59,668
Σε αυτή την παθολογική περίπτωση,

225
00:10:59,668 --> 00:11:04,168
το σύστημα στον υπολογιστή ανακάλυψε 
ότι τα κύτταρα γύρω από τον όγκο

226
00:11:04,168 --> 00:11:07,508
είναι το ίδιο σημαντικά 
όσο τα καρκινικά κύτταρα

227
00:11:07,508 --> 00:11:09,260
για τη διάγνωση.

228
00:11:09,260 --> 00:11:14,621
Αυτό είναι αντίθετο από όσα διδάσκονταν 
οι παθολόγοι για δεκαετίες.

229
00:11:14,621 --> 00:11:17,913
Σε καθεμιά από τις δύο περιπτώσεις, 
ήταν συστήματα που αναπτύχθηκαν

230
00:11:17,913 --> 00:11:21,534
από συνδυασμό ειδικών στην ιατρική 
και ειδικών στη μηχανική μάθηση,

231
00:11:21,534 --> 00:11:24,275
αλλά από πέρυσι, 
το έχουμε ξεπεράσει και αυτό.

232
00:11:24,275 --> 00:11:27,824
Εδώ έχουμε παράδειγμα 
εντοπισμού καρκινικής περιοχής

233
00:11:27,824 --> 00:11:30,354
σε ανθρώπινο ιστό κάτω από το μικροσκόπιο.

234
00:11:30,354 --> 00:11:34,967
Το σύστημα μπορεί να εντοπίσει
αυτές τις περιοχές ακριβέστερα,

235
00:11:34,967 --> 00:11:37,742
ή περίπου με την ίδια ακρίβεια 
όσο οι παθολόγοι,

236
00:11:37,742 --> 00:11:41,134
αλλά έγινε εξολοκλήρου με τη βαθιά μάθηση,
χωρίς ιατρική τεχνογνωσία,

237
00:11:41,134 --> 00:11:43,660
από ανθρώπους χωρίς προϋπηρεσία 
στον χώρο αυτό.

238
00:11:44,730 --> 00:11:47,285
Παρόμοια εδώ, αυτή η κατάτμηση νευρώνα.

239
00:11:47,285 --> 00:11:50,953
Μπορούμε πλέον να κατατμήσουμε νευρώνες
με την ίδια ακρίβεια όπως οι άνθρωποι,

240
00:11:50,953 --> 00:11:53,670
αλλά με σύστημα που αναπτύχθηκε 
με τη βαθιά μάθηση

241
00:11:53,670 --> 00:11:56,921
και ανθρώπους που δεν είχαν 
καμία σχέση με την ιατρική.

242
00:11:56,921 --> 00:12:00,148
Συνεπώς εγώ ο ίδιος, 
πλήρως άσχετος με την ιατρική,

243
00:12:00,148 --> 00:12:03,875
φαίνεται να έχω όλα τα προσόντα 
να φτιάξω μια ιατροφαρμακευτική εταιρεία,

244
00:12:03,875 --> 00:12:06,021
πράγμα που έκανα.

245
00:12:06,021 --> 00:12:07,761
Αρχικά φοβόμουν να το κάνω,

246
00:12:07,761 --> 00:12:10,650
αλλά θεωρητικά φαινόταν εφικτό

247
00:12:10,650 --> 00:12:16,142
να φτιάξω χρήσιμα φάρμακα χρησιμοποιώντας
μόνο τεχνικές ανάλυσης δεδομένων.

248
00:12:16,142 --> 00:12:18,472
Ευτυχώς τα σχόλια ήταν άκρως ενθαρρυντικά.

249
00:12:18,472 --> 00:12:21,228
όχι μόνο από τα μέσα 
αλλά και από την ιατρική κοινότητα,

250
00:12:21,228 --> 00:12:23,322
που με στήριξε πολύ.

251
00:12:23,322 --> 00:12:27,471
Θεωρητικά μπορούμε να πάρουμε 
την μέση φάση της ιατρικής διαδικασίας

252
00:12:27,471 --> 00:12:30,364
και να αναλύσουμε τα δεδομένα της
στο μέγιστο δυνατό βαθμό,

253
00:12:30,364 --> 00:12:33,429
αφήνοντας τους γιατρούς να κάνουν 
αυτό που ξέρουν καλύτερα.

254
00:12:33,429 --> 00:12:35,031
Θα σας δώσω ένα παράδειγμα.

255
00:12:35,031 --> 00:12:39,975
Τώρα μας παίρνει 15 λεπτά να βγάλουμε 
ένα νέο διαγνωστικό τεστ

256
00:12:39,975 --> 00:12:41,929
και θα το δείτε σε πραγματικό χρόνο,

257
00:12:41,929 --> 00:12:45,416
αλλά το συμπίεσα σε τρία λεπτά 
παραλείποντας κάποια κομμάτια.

258
00:12:45,416 --> 00:12:48,477
Αντί για τη δημιουργία 
ενός ιατρικού διαγνωστικού τεστ,

259
00:12:48,477 --> 00:12:51,846
θα σας δείξω ένα διαγνωστικό τεστ 
από εικόνες αυτοκινήτων,

260
00:12:51,846 --> 00:12:54,068
επειδή είναι κάτι που όλοι καταλαβαίνουμε.

261
00:12:54,068 --> 00:12:57,269
Ξεκινάμε με περίπου 1,5 εκατομμύριο 
εικόνες αυτοκινήτων

262
00:12:57,269 --> 00:13:00,475
και θέλω να φτιάξω κάτι που θα τις χωρίσει

263
00:13:00,475 --> 00:13:02,698
ανάλογα με τη γωνία λήψης της φωτογραφίας.

264
00:13:02,698 --> 00:13:06,586
Οι εικόνες δεν έχουν καθόλου κείμενο, 
έτσι αρχίζω από το μηδέν.

265
00:13:06,586 --> 00:13:08,451
Με τον αλγόριθμο βαθιάς γνώσης

266
00:13:08,451 --> 00:13:12,158
μπορεί αυτόματα να εντοπίσει 
περιοχές δομής μέσα στις εικόνες.

267
00:13:12,158 --> 00:13:15,778
Είναι καλό που άνθρωπος και υπολογιστής 
μπορούν να συνεργαστούν.

268
00:13:15,778 --> 00:13:17,956
Ο άνθρωπος που βλέπετε εδώ

269
00:13:17,956 --> 00:13:20,631
λέει στον υπολογιστή 
για τις περιοχές ενδιαφέροντος

270
00:13:20,631 --> 00:13:25,281
που θέλει να χρησιμοποιήσει ο υπολογιστής 
για να βελτιώσει τον αλγόριθμό του.

271
00:13:25,281 --> 00:13:29,577
Τα συστήματα αυτά είναι 
σε διάστημα 16.000 διαστάσεων,

272
00:13:29,577 --> 00:13:33,009
έτσι βλέπετε τον υπολογιστή 
να το περιστρέφει σε αυτό το διάστημα,

273
00:13:33,009 --> 00:13:35,001
προσπαθώντας να βρει νέες περιοχές δομής.

274
00:13:35,001 --> 00:13:36,782
Και όταν το κάνει με επιτυχία,

275
00:13:36,782 --> 00:13:40,786
τότε ο ανθρώπινος χειριστής μπορεί 
να δείξει τις περιοχές ενδιαφέροντος.

276
00:13:40,786 --> 00:13:43,208
Εδώ ο υπολογιστής βρήκε επιτυχώς περιοχές,

277
00:13:43,208 --> 00:13:45,770
για παράδειγμα, κάποιες γωνίες.

278
00:13:45,770 --> 00:13:47,376
Κατά τη διάρκεια της διαδικασίας,

279
00:13:47,376 --> 00:13:49,716
σταδιακά λέμε στον υπολογιστή 
όλο και περισσότερα

280
00:13:49,716 --> 00:13:52,144
για το είδος των δομών που ψάχνουμε.

281
00:13:52,144 --> 00:13:53,916
Φανταστείτε ότι στο διαγνωστικό τεστ

282
00:13:53,916 --> 00:13:57,266
θα είναι ο παθολόγος που δείχνει 
τις επικίνδυνες περιοχές,

283
00:13:57,266 --> 00:14:02,292
ή ο ακτινολόγος να δείχνει 
τους εν δυνάμει ανησυχητικούς όζους.

284
00:14:02,292 --> 00:14:04,851
Μερικές φορές ο αλγόριθμος δυσκολεύεται.

285
00:14:04,851 --> 00:14:06,815
Εδώ έχει μπερδευτεί λίγο.

286
00:14:06,815 --> 00:14:09,365
Τα μπρος και πίσω μέρη των αυτοκινήτων
έχουν μπλεχτεί.

287
00:14:09,365 --> 00:14:11,437
Τότε πρέπει να προσέξουμε λίγο περισσότερο

288
00:14:11,437 --> 00:14:14,669
επιλέγοντας χειροκίνητα αυτά τα μπρος 
από εκείνα τα πίσω μέρη,

289
00:14:14,669 --> 00:14:20,175
και μετά λέγοντας στον υπολογιστή 
ότι αυτά είναι ένα είδος ομάδας

290
00:14:20,175 --> 00:14:21,523
που μας ενδιαφέρει.

291
00:14:21,523 --> 00:14:24,200
Το κάνουμε για λίγο, 
παραλείπουμε λίγο εδώ,

292
00:14:24,200 --> 00:14:26,446
και μετά εκπαιδεύουμε
τον αλγόριθμο βαθιά μάθηση

293
00:14:26,446 --> 00:14:28,520
με βάση αυτά τα διακόσια περίπου πράγματα,

294
00:14:28,520 --> 00:14:30,445
και ελπίζουμε ότι βελτιώθηκε.

295
00:14:30,445 --> 00:14:33,518
Μπορείτε να δείτε ότι θολώνει 
κάποια μέρη των εικόνων,

296
00:14:33,518 --> 00:14:38,036
δείχνοντάς μας ότι ήδη καταλαβαίνει 
πώς να αναγνωρίζει κάποια μέρη μόνος του.

297
00:14:38,036 --> 00:14:41,128
Μπορούμε να χρησιμοποιήσουμε
το σχέδιο με τις παρόμοιες εικόνες,

298
00:14:41,128 --> 00:14:43,222
και έτσι εδώ μπορείτε να δείτε

299
00:14:43,222 --> 00:14:47,241
ο υπολογιστής τώρα μπορεί ολοκληρωτικά 
να βρίσκει μόνο τα μπροστινά μέρη.

300
00:14:47,241 --> 00:14:50,189
Σε αυτό το σημείο ο άνθρωπος 
μπορεί να λέει στον υπολογιστή,

301
00:14:50,189 --> 00:14:52,482
εντάξει, μια χαρά τα πας.

302
00:14:53,512 --> 00:14:56,107
Φυσικά κάποιες φορές, 
ακόμα και σε αυτό το σημείο

303
00:14:56,107 --> 00:14:59,511
είναι ακόμα δύσκολο 
να διακρίνει τις ομάδες.

304
00:14:59,511 --> 00:15:03,395
Εδώ, ακόμη και αφού ο υπολογιστής 
το έχει περιστρέψει κάμποσο,

305
00:15:03,399 --> 00:15:06,744
ακόμα οι εικόνες αριστερής 
και δεξιάς πλευράς

306
00:15:06,744 --> 00:15:08,102
είναι ανάμικτες.

307
00:15:08,102 --> 00:15:10,362
Έτσι δίνουμε στον υπολογιστή
κάποιες οδηγίες,

308
00:15:10,362 --> 00:15:13,338
και του λέμε να βρει 
μια προβολή που να διαχωρίζει

309
00:15:13,338 --> 00:15:15,945
κατά το δυνατόν 
τις δεξιές από τις αριστερές πλευρές

310
00:15:15,945 --> 00:15:18,067
χρησιμοποιώντας
τον αλγόριθμο βαθιάς γνώσης.

311
00:15:18,067 --> 00:15:21,009
Με αυτή την οδηγία --
ωραία, είχε αποτέλεσμα.

312
00:15:21,009 --> 00:15:23,891
Κατάφερε να βρει τρόπο σκέψης 
σχετικά με αυτά τα αντικείμενα

313
00:15:23,891 --> 00:15:26,271
ώστε να τα διαχωρίσει.

314
00:15:26,271 --> 00:15:28,709
Καταλαβαίνετε λοιπόν πώς γίνεται.

315
00:15:28,709 --> 00:15:36,906
Αυτή δεν είναι περίπτωση που ο υπολογιστής
αντικαθιστά τον άνθρωπο,

316
00:15:36,906 --> 00:15:39,546
αλλά όπου συνεργάζονται.

317
00:15:39,546 --> 00:15:43,096
Εδώ αντικαθιστούμε κάτι 
που χρειαζόταν μια ομάδα

318
00:15:43,096 --> 00:15:45,098
πέντε ή έξι ατόμων για σχεδόν επτά χρόνια,

319
00:15:45,098 --> 00:15:47,703
και το αντικαθιστούμε με κάτι 
που χρειάζεται 15 λεπτά

320
00:15:47,703 --> 00:15:50,208
για ένα άτομο που δουλεύει μόνο του.

321
00:15:50,208 --> 00:15:54,158
Έτσι η διαδικασία αφαιρεί τέσσερις 
ή πέντε επαναληπτικές φάσεις.

322
00:15:54,158 --> 00:15:56,017
Βλέπετε ότι τώρα έχουμε 62%

323
00:15:56,017 --> 00:15:58,976
από 1,5 εκατομμύριο εικόνες 
ορθά ταξινομημένες.

324
00:15:58,976 --> 00:16:01,448
Και σε αυτό το σημείο, 
μπορούμε αρκετά γρήγορα

325
00:16:01,448 --> 00:16:03,275
να μαρκάρουμε μεγάλα τμήματα,

326
00:16:03,275 --> 00:16:05,664
να τα τσεκάρουμε ώστε να μην έχουν λάθη.

327
00:16:05,664 --> 00:16:09,616
Όπου υπάρχουν σφάλματα, 
ενημερώνουμε τον υπολογιστή.

328
00:16:09,616 --> 00:16:12,661
Και με αυτή τη διαδικασία για κάθε ομάδα,

329
00:16:12,661 --> 00:16:15,148
έχουμε φτάσει σε ένα ποσοστό επιτυχίας 80%

330
00:16:15,148 --> 00:16:17,563
στην ταξινόμηση 1,5 εκατομμυρίου εικόνων.

331
00:16:17,563 --> 00:16:19,641
Είμαστε στη φάση όπου

332
00:16:19,641 --> 00:16:23,220
παίρνουμε τις λίγες εικόνες 
που δεν ταξινομήθηκαν σωστά

333
00:16:23,220 --> 00:16:26,108
και προσπαθούμε να βρούμε τον λόγο.

334
00:16:26,108 --> 00:16:27,851
Με αυτή την προσέγγιση,

335
00:16:27,851 --> 00:16:31,972
σε 15 λεπτά φτάνουμε
το 97% στον ρυθμό ταξινόμησης.

336
00:16:31,972 --> 00:16:36,572
Αυτή η τεχνική θα βοηθήσει 
να διορθώσουμε ένα σοβαρό πρόβλημα,

337
00:16:36,578 --> 00:16:39,614
την ανεπάρκεια ειδικών
στην ιατρική σε όλο τον κόσμο.

338
00:16:39,614 --> 00:16:41,733
Το Παγκόσμιο Οικονομικό Φόρουμ λέει ότι

339
00:16:41,733 --> 00:16:45,727
υπάρχει δεκαπλάσιο με εικοσαπλάσιο 
έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο,

340
00:16:45,727 --> 00:16:47,640
και θα χρειαστούν 300 χρόνια

341
00:16:47,640 --> 00:16:50,734
για να εκπαιδευθούν αρκετοί άνθρωποι
ώστε να λυθεί το πρόβλημα.

342
00:16:50,734 --> 00:16:53,879
Φαντάζεστε να μπορούσαμε 
να ενισχύσουμε την απόδοσή τους

343
00:16:53,879 --> 00:16:56,458
με την προσέγγιση της βαθιάς μάθησης;

344
00:16:56,458 --> 00:16:58,690
Είμαι ενθουσιασμένος 
με αυτές τις προοπτικές.

345
00:16:58,690 --> 00:17:01,279
Ανησυχώ επίσης και για τα προβλήματα.

346
00:17:01,279 --> 00:17:04,403
Το πρόβλημα εδώ είναι ότι 
κάθε μπλε περιοχή στο χάρτη

347
00:17:04,403 --> 00:17:08,172
είναι μέρος όπου οι υπηρεσίες 
είναι πάνω από το 80% της απασχόλησης.

348
00:17:08,172 --> 00:17:09,959
Ποιες είναι οι υπηρεσίες;

349
00:17:09,959 --> 00:17:11,473
Αυτές είναι οι υπηρεσίες.

350
00:17:11,473 --> 00:17:15,627
Είναι αυτά ακριβώς τα πράγματα 
που ο υπολογιστής μόλις έμαθε να κάνει.

351
00:17:15,627 --> 00:17:19,341
Έτσι το 80% της παγκόσμιας απασχόλησης 
στον αναπτυσσόμενο κόσμο

352
00:17:19,341 --> 00:17:22,123
είναι πράγματα που οι υπολογιστές
μόλις έμαθαν να κάνουν.

353
00:17:22,123 --> 00:17:23,403
Τι σημαίνει αυτό;

354
00:17:23,403 --> 00:17:25,986
Κάτι θα γίνει.
Θα αντικατασταθούν από άλλες δουλειές.

355
00:17:25,986 --> 00:17:28,753
Θα γίνουν περισσότερες θέσεις
για επιστήμονες δεδομένων.

356
00:17:28,753 --> 00:17:29,510
Όχι ακριβώς.

357
00:17:29,510 --> 00:17:32,628
Δεν χρειάζονται πολύ χρόνο 
να φτιάξουν κάτι τέτοιο.

358
00:17:32,628 --> 00:17:35,880
Αυτούς τους τέσσερις αλγόριθμους 
τους έφτιαξε το ίδιο άτομο.

359
00:17:35,880 --> 00:17:38,318
Αν σκεφτείτε, εντάξει, 
το έχουμε ξαναδεί το έργο,

360
00:17:38,318 --> 00:17:42,126
είδαμε τα αποτελέσματα στο παρελθόν 
όταν προέκυψαν νέες ανάγκες

361
00:17:42,126 --> 00:17:44,378
και αντικαταστάθηκαν από νέα επαγγέλματα,

362
00:17:44,378 --> 00:17:46,494
ποια θα είναι τα νέα επαγγέλματα;

363
00:17:46,494 --> 00:17:48,365
Είναι πολύ δύσκολο να το εκτιμήσουμε

364
00:17:48,365 --> 00:17:51,104
γιατί η ανθρώπινη απόδοση 
αυξάνεται με σταδιακό ρυθμό,

365
00:17:51,104 --> 00:17:53,666
αλλά τώρα έχουμε το σύστημα βαθιάς μάθησης

366
00:17:53,666 --> 00:17:56,893
που αυξάνει την ικανότητά του 
με ρυθμούς γεωμετρικής προόδου.

367
00:17:56,893 --> 00:17:58,498
Και είμαστε εδώ.

368
00:17:58,498 --> 00:18:00,959
Προς το παρόν,
κοιτάμε γύρω μας και σκεφτόμαστε

369
00:18:00,959 --> 00:18:03,235
«Οι υπολογιστές είναι χαζά μηχανήματα».
Σωστά;

370
00:18:03,235 --> 00:18:06,854
Σε πέντε χρόνια όμως, οι υπολογιστές
θα έχουν φύγει από τα όρια του πίνακα.

371
00:18:06,854 --> 00:18:10,329
Θα πρέπει να αρχίσουμε να σκεφτόμαστε 
αυτή την ικανότητα άμεσα.

372
00:18:10,329 --> 00:18:12,579
Το έχουμε δει ακόμη μια φορά στο παρελθόν.

373
00:18:12,579 --> 00:18:13,966
Στη Βιομηχανική Επανάσταση

374
00:18:13,966 --> 00:18:17,457
είδαμε μια αλλαγή ρυθμού στην ικανότητα 
χάρις στις μηχανές.

375
00:18:17,457 --> 00:18:20,805
Το θέμα είναι βέβαια, ότι μετά από λίγο 
τα πράγματα ισοπεδώθηκαν.

376
00:18:20,805 --> 00:18:22,427
Υπήρξε κοινωνική διάσπαση,

377
00:18:22,427 --> 00:18:26,056
αλλά εφόσον οι μηχανές χρησιμοποιήθηκαν 
για την παραγωγή ενέργειας παντού

378
00:18:26,056 --> 00:18:28,300
τα πράγματα έφτασαν σε μια σταθερότητα.

379
00:18:28,300 --> 00:18:29,773
Η Επανάσταση Μηχανικής Μάθησης

380
00:18:29,773 --> 00:18:32,432
θα διαφέρει πολύ
από τη Βιομηχανική Επανάσταση

381
00:18:32,432 --> 00:18:35,632
επειδή η Μηχανική Μάθηση 
ποτέ δεν φτάνει σε στάδιο σταθερότητας.

382
00:18:35,632 --> 00:18:38,614
Όσο οι υπολογιστές βελτιώνονται 
σε διανοητικές ικανότητες,

383
00:18:38,614 --> 00:18:42,862
θα φτιάξουν καλύτερους υπολογιστές 
που θα βελτιωθούν διανοητικά περισσότερο,

384
00:18:42,862 --> 00:18:44,770
έτσι θα είναι ένα είδος αλλαγής

385
00:18:44,770 --> 00:18:47,128
που ο κόσμος δεν έχει ξαναζήσει,

386
00:18:47,128 --> 00:18:50,894
έτσι η προηγούμενη αντίληψή σας 
για το τι είναι δυνατόν είναι διαφορετική.

387
00:18:50,894 --> 00:18:52,754
Ήδη μας επηρεάζει.

388
00:18:52,754 --> 00:18:56,384
Τα τελευταία 25 χρόνια, καθώς αυξανόταν 
η παραγωγικότητα κεφαλαίου,

389
00:18:56,400 --> 00:19:00,588
η παραγωγικότητα εργασίας έμενε σταθερή, 
ίσως και να μειωνόταν ελάχιστα.

390
00:19:01,408 --> 00:19:04,149
Ας ξαναρχίσουμε αυτή τη συζήτηση τώρα.

391
00:19:04,149 --> 00:19:06,906
Ξέρω ότι όταν κάνω συζήτηση
σχετικά με αυτή την κατάσταση,

392
00:19:06,906 --> 00:19:08,666
οι άνθρωποι γίνονται απαξιωτικοί.

393
00:19:08,666 --> 00:19:10,679
Οι υπολογιστές δεν μπορούν να σκεφτούν,

394
00:19:10,679 --> 00:19:13,287
δεν νιώθουν, 
δεν καταλαβαίνουν την ποίηση,

395
00:19:13,287 --> 00:19:16,078
εμείς δεν καταλαβαίνουμε πραγματικά 
πώς αυτοί λειτουργούν.

396
00:19:16,078 --> 00:19:17,374
Και λοιπόν;

397
00:19:17,374 --> 00:19:21,828
Οι υπολογιστές τώρα μπορούν να κάνουν
όσα οι άνθρωποι πληρώνονται για να κάνουν

398
00:19:21,831 --> 00:19:23,484
έτσι είναι καιρός να σκεφτούμε

399
00:19:23,484 --> 00:19:28,048
πώς θα αναπροσαρμόσουμε
τις κοινωνικές και οικονομικές δομές

400
00:19:28,048 --> 00:19:30,045
σε αυτή τη νέα πραγματικότητα.

401
00:19:30,045 --> 00:19:30,885
Ευχαριστώ.

402
00:19:30,885 --> 00:19:31,778
(Χειροκρότημα)