0:00:00.650,0:00:03.363
Valaha, ha azt akartuk, hogy [br]a számítógép

0:00:03.363,0:00:06.447
csináljon meg valamit, előtte [br]be kellett rá programoznunk.

0:00:06.447,0:00:09.858
Azoknak, akik sohasem programoztak:[br]a programozás

0:00:09.858,0:00:14.020
annyit tesz, hogy célunk érdekében [br]aprólékosan, lépésenként

0:00:14.020,0:00:16.727
részletesen közölni kell a géppel,

0:00:16.727,0:00:19.089
mikor mit csináljon.

0:00:19.089,0:00:22.585
De ha olyat akarunk tenni, [br]amiről mi sem tudjuk, miként kell,

0:00:22.585,0:00:25.238
az ám az igazi kunszt!

0:00:25.238,0:00:28.131
Ilyen feladattal találkozott [br]Arthur Samuel.

0:00:28.131,0:00:31.658
1956-ban szerette volna,

0:00:31.658,0:00:34.548
ha a számítógép legyőzi dámajátékban.

0:00:34.548,0:00:36.588
Hogy lehet megírni egy programot

0:00:36.588,0:00:40.394
minden apró részletében, [br]hogy a számítógép győzzön?

0:00:40.394,0:00:42.116
Támadt egy ötlete:

0:00:42.116,0:00:45.840
A gépet önmaga ellen játszatta [br]több ezerszer,

0:00:45.840,0:00:49.004
hogy a gép tanulja, hogyan kell játszani.

0:00:49.004,0:00:51.544
A dolog sikerült, és 1962-re

0:00:51.544,0:00:55.561
a számítógép legyőzte [br]Connecticut állam bajnokát.

0:00:55.561,0:00:58.534
Úgyhogy Samuelt a gépi [br]tanulás atyjának nevezhetjük.

0:00:58.534,0:01:00.251
Le vagyok kötelezve neki,

0:01:00.251,0:01:03.014
mert gépi tanulással foglalkozom.

0:01:03.014,0:01:04.759
A Kaggle elnöke voltam, a közösségé,[br]

0:01:04.759,0:01:07.867
ahol 200.000-nél többen foglalkoznak [br]gépi tanulással.

0:01:07.867,0:01:09.925
A Kaggle versenyeket [br]szervez nekik,

0:01:09.925,0:01:13.633
hogy oldjanak meg eddig [br]megoldatlan problémákat,

0:01:13.633,0:01:17.470
s ezek több száz alkalommal [br]bizonyultak sikeresnek.

0:01:17.470,0:01:19.940
Ebből a pozícióból[br]rá tudtam jönni sok mindenre:

0:01:19.940,0:01:23.890
mire volt képes a gépi tanulás [br]a múltban, mire a jelenben[br]

0:01:23.890,0:01:26.252
és mit fog tudni a jövőben.

0:01:26.252,0:01:30.675
Valószínűleg az első üzleti siker a [br]gépi tanulásban a Google volt.

0:01:30.675,0:01:33.784
A Google bizonyította, hogy lehet [br]gépi algoritmus alapján

0:01:33.784,0:01:35.536
adatokhoz jutni, és

0:01:35.536,0:01:38.437
ez az algoritmus [br]gépi tanuláson alapul.

0:01:38.437,0:01:41.573
Azóta sok, gépi tanuláson alapuló [br]üzleti sikertörténetet ismerünk.

0:01:41.593,0:01:44.850
Olyan cégek, mint az Amazon [br]és a Netflix a gépi tanulás módszerével

0:01:44.850,0:01:47.876
ajánlják termékeiket megvételre

0:01:47.876,0:01:49.896
illetve filmjeiket megnézésre.

0:01:49.896,0:01:51.703
Néha ez, mondhatni, elég ijesztő.

0:01:51.703,0:01:53.657
Mások, mint a LinkedIn és a Facebook

0:01:53.657,0:01:56.251
néha megmondják, kik lehetnének [br]a barátaink,

0:01:56.251,0:01:58.228
és fogalmunk sincs, hogy csinálják.

0:01:58.228,0:02:01.195
A gépi tanulásban rejlő[br]lehetőségeket használják.

0:02:01.195,0:02:04.152
Ezek az algoritmusok sokkal inkább [br]az adatokból tanulnak,

0:02:04.152,0:02:07.399
semmint a kézzel írt programokból.

0:02:07.399,0:02:10.807
Így lett sikeres az IBM is: Watson [br]nevű gépe legyőzte

0:02:10.807,0:02:13.739
a "Jeopardy" kvízműsor [br]két világbajnokát,

0:02:13.739,0:02:16.294
mert válaszolt körmönfont[br]és bonyolult kérdésekre; pl.

0:02:16.294,0:02:19.899
[Ennek a városnak a múzeumából tűnt el [br]az ókori Nimród oroszlánja 2003-ban]

0:02:19.909,0:02:23.034
Így jelentek meg az első, [br]vezető nélküli autók.

0:02:23.034,0:02:25.856
Elég fontos, hogy [br]meg tudjuk mondani, mi a különbség,

0:02:25.856,0:02:28.308
mondjuk, egy fa és egy gyalogos között.

0:02:28.308,0:02:31.075
Nem tudjuk, hogyan kell manuálisan [br]megírni a programokat,

0:02:31.075,0:02:34.072
de gépi tanulással erre [br]most megvan a lehetőség.

0:02:34.072,0:02:36.870
Tény, hogy ez a kocsi már[br]több millió kilométert tett meg

0:02:36.870,0:02:40.186
baleset nélkül átlagos utakon.

0:02:40.196,0:02:44.110
Tudjuk tehát, hogy a számítógépek [br]tudnak tanulni, és képesek megtanulni,

0:02:44.110,0:02:46.010
hogyan végezzenek el feladatokat,

0:02:46.010,0:02:48.848
amelyeknél néha mi magunk [br]tanácstalanok vagyunk,

0:02:48.848,0:02:51.733
vagy talán ügyesebben végzik el nálunk.

0:02:51.733,0:02:55.618
A gépi tanulás egyik legpompásabb [br]példáját

0:02:55.618,0:02:58.320
egy általam irányított Kaggle-[br]projektnél tapasztaltam,

0:02:58.320,0:03:01.061
ahol a Torontói Egyetem csoportja,

0:03:01.061,0:03:03.463
amelyet Geoffrey Hinton vezetett, [br]megnyert

0:03:03.463,0:03:06.140
egy automatizált [br]gyógyszer-kifejlesztési versenyt.

0:03:06.140,0:03:09.477
Nemcsak az volt rendhagyó, [br]hogy legyőzték a Merck

0:03:09.477,0:03:13.000
és más nemzetközi tudóscsoportok[br]algoritmusait,

0:03:13.000,0:03:17.001
hanem hogy egyikük sem volt járatos [br]a kémiában, a biológiában

0:03:17.001,0:03:20.230
vagy az élettudományokban, s [br]mindezt két hét alatt!

0:03:20.230,0:03:21.611
Hogy sikerült nekik?

0:03:22.421,0:03:25.342
Rendhagyó algoritmust [br]alkalmaztak, az ú.n. mély tanulást.

0:03:25.342,0:03:28.291
Annyira fontos eredmény volt ez, [br]hogy a The New York Times

0:03:28.291,0:03:31.412
címoldalon tudósított róla pár hét múlva.

0:03:31.412,0:03:34.147
Balra látható Geoffrey Hinton.

0:03:34.147,0:03:37.858
A mély tanulás olyan algoritmus, [br]amelyet az emberi agy működése ihletett.

0:03:37.858,0:03:40.300
Az algoritmusnak nincs [br]elméleti korlátja[br]

0:03:40.300,0:03:43.881
abból a szempontból, hogy [br]mi mindenre lehet képes.

0:03:43.881,0:03:46.174
Minél több adatot és gépidőt [br]adunk neki,

0:03:46.174,0:03:48.276
annál jobbak lesznek az eredmények.

0:03:48.276,0:03:50.615
A The New York Times írt cikkében [br]a mély tanulás

0:03:50.615,0:03:52.857
egy másik rendkívüli eredményéről is,

0:03:52.857,0:03:54.739
amelyről rögtön szólni fogok.

0:03:55.569,0:04:00.510
Ez azt mutatja, hogy a számítógépek [br]képesek hangot érzékelni és értelmezni.[br]

0:04:00.510,0:04:03.221
(Video) Richard Rashid:[br]Az utolsó lépés, s ezt szeretném,

0:04:03.221,0:04:06.246
hogy hozzá tudjam tenni a folyamathoz:

0:04:06.246,0:04:10.961
kínaiul beszélni önökhöz.

0:04:10.961,0:04:13.596
Ennek kulcsa, hogy képesek voltunk

0:04:13.596,0:04:18.598
nagy mennyiségű információt [br]átvenni sok kínai beszédjéből,

0:04:18.598,0:04:21.128
létrehozni egy "szövegből beszédet"[br]rendszert, amely

0:04:21.128,0:04:25.801
a kínai szöveget átalakítja [br]kínai beszéddé.

0:04:25.801,0:04:29.929
Azután az én hangmintámból felvettünk [br]egy órányit,

0:04:29.929,0:04:31.820
s ezzel moduláltuk a szokásos

0:04:31.820,0:04:36.364
"szövegből beszédet" rendszert, [br]amely aztán az én hangomon szólalt meg.

0:04:36.364,0:04:38.904
Az eredmény nem tökéletes.

0:04:38.904,0:04:41.552
Tény, hogy elég sok a hiba.

0:04:41.552,0:04:44.036
(kínaiul)

0:04:44.036,0:04:48.073
(taps)

0:04:49.446,0:04:53.022
Elég sok feladat van még ezen a területen.

0:04:53.022,0:04:56.667
(kínaiul)

0:04:56.667,0:05:00.960
(taps)

0:05:01.345,0:05:04.744
Howard: Ez egy gépi tanulási[br]konferencián történt, Kínában.

0:05:04.744,0:05:07.114
Valóban ritka, hogy egy [br]tudományos tanácskozáson

0:05:07.114,0:05:09.011
spontán tapsot hall az ember,

0:05:09.011,0:05:12.027
bár néha TEDx konferenciákon igen.

0:05:12.027,0:05:15.482
Amit itt láttak, mind a mély tanulással [br]kapcsolatos.

0:05:15.482,0:05:17.007
(taps) Köszönöm.

0:05:17.007,0:05:19.289
A fonetikus átírás angolra [br]mély tanulás volt.

0:05:19.289,0:05:22.701
A kínaira fordítás és a szöveg [br]a jobb fölső sarokban szintén,

0:05:22.701,0:05:26.008
és a hangképzés úgyszintén [br]mély tanulás volt.

0:05:26.008,0:05:29.242
Úgy hogy a mély tanulás különleges dolog.

0:05:29.242,0:05:32.341
Egyszerű algoritmus, de úgy látszik, [br]majdnem mindenre alkalmas,

0:05:32.341,0:05:35.452
erre tavaly jöttem rá. [br]Látni is megtanult már.

0:05:35.452,0:05:37.628
Egy kevéssé ismert német versenyen,

0:05:37.628,0:05:40.225
amely a közlekedési jelzések[br]felismerésére irányul,

0:05:40.225,0:05:43.618
a mély tanulás megtanulta fölismerni [br]a közlekedési jelzéseket.

0:05:43.618,0:05:45.712
Nemcsak jobban ismeri föl [br]őket,

0:05:45.712,0:05:47.470
mint bármely más algoritmus,

0:05:47.470,0:05:50.189
az eredményjelző kimutatta, [br]hogy az embernél is jobban,

0:05:50.189,0:05:52.041
kb. kétszer jobban mint az ember.

0:05:52.041,0:05:54.037
2011-re megvolt az első példány az

0:05:54.037,0:05:57.442
embernél is jobban látó [br]számítógépből.

0:05:57.442,0:05:59.491
Azóta sok minden történt.

0:05:59.491,0:06:02.685
2012-ben a Google közölte, [br]hogy van egy mély tanuló algoritmusuk,

0:06:02.685,0:06:04.420
amely figyeli a YouTube videókat, és

0:06:04.420,0:06:07.857
egy hónap alatt átrágta magát [br]16.000 gép adatain,

0:06:07.857,0:06:11.878
és a gép önállóan megtanult olyan [br]fogalmakat mint "ember", vagy

0:06:11.878,0:06:14.027
"macska", csupán csak a videókat figyelve.

0:06:14.027,0:06:16.109
Az emberek nagyon hasonlóan tanulnak.

0:06:16.109,0:06:19.119
Az emberek nem úgy tanulnak, [br]hogy megmondják nekik, mit látnak,

0:06:19.119,0:06:22.450
hanem maguknak tanítják meg,[br]mik ezek a dolgok.

0:06:22.450,0:06:25.819
2012-ben az említett Geoffrey Hinton

0:06:25.819,0:06:28.677
megnyert egy nagyon népszerű [br]ImageNet versenyt, ahol

0:06:28.677,0:06:32.818
másfél millió képről kellett

0:06:32.818,0:06:34.256
eldönteni, melyik mit ábrázol.

0:06:34.256,0:06:37.789
2014-re elértük a képfelismerésben

0:06:37.789,0:06:39.242
a 6%-os hibaszintet.

0:06:39.242,0:06:41.268
Ez megint az emberekénél jobb eredmény.

0:06:41.268,0:06:45.037
Tehát a gépek ebben rendkívül[br]jó munkát végeznek, és

0:06:45.037,0:06:47.306
az eredményeket ma [br]az iparban is hasznosítják.

0:06:47.306,0:06:50.348
Például a Google tavaly bejelentette,

0:06:50.348,0:06:54.933
hogy két óra alatt feltérképezte [br]egész Franciaországot,

0:06:54.933,0:06:58.380
mindezt úgy, hogy betáplálták [br]az utcai látképeket egy

0:06:58.380,0:07:02.699
mélyen tanuló algoritmusba, [br]az fölismerte és beolvasta

0:07:02.699,0:07:04.919
a házszámokat.[br]Korábban meddig tartott volna!

0:07:04.919,0:07:08.274
Tucatnyi ember, több év.

0:07:08.274,0:07:10.185
Ez történik most Kínában is.

0:07:10.185,0:07:14.221
A Baidu olyasmi, mint egy kínai Google,

0:07:14.221,0:07:16.504
és a bal fölső sarokban látható [br]egy kép, amelyet

0:07:16.504,0:07:20.478
feltöltöttem a Baidu mély tanuló [br]rendszerébe,

0:07:20.478,0:07:24.247
alatta pedig látják, hogy a rendszer [br]megértette, mi ez a kép,

0:07:24.247,0:07:26.483
és talált hasonló képeket.

0:07:26.483,0:07:29.219
A hasonló képnek egyébként [br]hasonló a háttere,

0:07:29.219,0:07:30.877
az állatok pofája egyfelé fordul,

0:07:30.877,0:07:32.665
némelyik még a nyelvét is kiölti.

0:07:32.665,0:07:35.045
Ez nem ugyanaz, [br]mint egy szöveg a weboldalon.

0:07:35.045,0:07:37.107
Mindössze egy képet töltöttem föl.

0:07:37.107,0:07:41.128
Tehát a mai számítógépeink [br]tényleg értik, amit látnak,

0:07:41.128,0:07:42.752
és százmilliónyi képet tartalmazó [br]

0:07:42.752,0:07:46.306
adatbázist nézhetnek át valós időben.

0:07:46.306,0:07:49.536
De mit jelent az, hogy [br]a számítógépek látnak?

0:07:49.536,0:07:51.553
Nos, nemcsak, hogy látnak.

0:07:51.553,0:07:53.792
Valójában a mély tanulás [br]ennél többet ért el.

0:07:53.792,0:07:56.570
Az összetett, finoman árnyalt [br]mondatok mint ez,

0:07:56.570,0:07:59.154
mély tanuló algoritmusokkal [br]ma már érthetők.

0:07:59.154,0:08:00.697
A felül látható piros pöttyel

0:08:00.697,0:08:03.465
ez a stanfordi rendszer jelzi,

0:08:03.465,0:08:07.384
hogy ez a mondat [br]negatív érzelmet fejez ki.

0:08:07.384,0:08:11.120
A mély tanulás ma már tényleg [br]megközelíti az emberi teljesítményt abban,

0:08:11.120,0:08:15.923
miről szól a mondat, és [br]mit állít ezekről a dolgokról.

0:08:15.923,0:08:18.651
A mély tanulás révén olvasunk kínaiul,

0:08:18.651,0:08:21.807
kb. egy született kínai szintjén.

0:08:21.807,0:08:24.365
Ez az algoritmus svájci, [br]s akik kifejlesztették,

0:08:24.365,0:08:27.331
nem beszélnek, és nem értenek kínaiul.

0:08:27.331,0:08:29.382
A mély tanulás alkalmazása

0:08:29.382,0:08:31.601
erre talán a világ legjobb rendszere,

0:08:31.601,0:08:36.718
akár összevetve a természetes [br]emberi megértéssel.

0:08:36.718,0:08:39.682
Ezt a rendszert raktuk össze [br]a cégemnél, mely

0:08:39.682,0:08:41.728
megmutatja, hogyan kell ezeket összerakni.

0:08:41.728,0:08:44.189
Ezekhez a képekhez nem társul szöveg,

0:08:44.189,0:08:46.541
és ahogy mondatokat írok be ide,

0:08:46.541,0:08:49.510
ez valós időben megérti ezeket a képeket, és

0:08:49.510,0:08:51.189
kitalálja, miről szólnak, és

0:08:51.189,0:08:54.352
talál a beírt szöveghez hasonló képeket.

0:08:54.352,0:08:57.108
Ez azt jelenti, hogy valójában [br]érti a mondataimat,

0:08:57.108,0:08:59.332
és valójában érti a képeket.

0:08:59.332,0:09:01.891
Tudom, hogy hasonlót [br]már láttak a Google-on,

0:09:01.891,0:09:04.666
ahol beírják a szavakat, [br]és megjelennek a képek,

0:09:04.666,0:09:08.090
de az úgy működik, hogy a gép [br]a weboldalon szöveget keres.

0:09:08.090,0:09:11.091
Az teljesen más, mint [br]képeket fölismerni.

0:09:11.091,0:09:13.843
Ilyesmit számítógépek csak [br]az utóbbi hónapokban

0:09:13.843,0:09:17.091
voltak képesek első ízben megcsinálni.

0:09:17.091,0:09:21.182
A számítógépek nemcsak [br]látnak, hanem olvasnak is,

0:09:21.182,0:09:24.947
megmutattuk:[br]értik is, amit hallanak.

0:09:24.947,0:09:28.389
Talán nem meglepő, ha elmondom, [br]hogy írni is tudnak.

0:09:28.389,0:09:33.172
Itt egy szöveg, amelyet tegnap egy [br]mély tanuló algoritmussal írattam.

0:09:33.172,0:09:36.686
Itt egy szöveg, [br]melyet a stanfordi algoritmus írt.

0:09:36.686,0:09:38.860
Minden mondatot mély tanuló algoritmus

0:09:38.860,0:09:43.109
állított elő a képek leírása céljából.

0:09:43.109,0:09:47.581
Az algoritmus korábban soha nem látott [br]fekete inges, gitározó embert.

0:09:47.581,0:09:49.801
Látott korábban embert, [br]látott fekete színt,

0:09:49.801,0:09:51.400
látott korábban gitárt,

0:09:51.400,0:09:55.694
de önállóan állította elő[br]a kép új leírását.

0:09:55.694,0:09:59.196
Ez még nem üti meg az [br]emberi teljesítmény szintjét, de közelíti.

0:09:59.196,0:10:02.904
A tesztekben az esetek negyedében[br]jobban tetszik az embernek

0:10:02.904,0:10:04.791
a számítógép-generálta képaláírás.

0:10:04.791,0:10:06.855
Nos, ez a rendszer csupán kéthetes,

0:10:06.855,0:10:08.701
tehát valószínűleg egy éven belül

0:10:08.701,0:10:11.502
a számítógépes algoritmus

0:10:11.502,0:10:13.364
felülmúlja az emberi teljesítményt.

0:10:13.364,0:10:16.413
Tehát a számítógép írni is tud.

0:10:16.413,0:10:19.888
Ha mindent összerakunk, [br]ez izgalmas lehetőségekhez vezet.

0:10:19.888,0:10:21.380
Például a gyógyításban,

0:10:21.380,0:10:23.905
egy bostoni csoport bejelentette, [br]hogy felfedeztek

0:10:23.905,0:10:26.854
több tucat klinikailag fontos [br]daganat-jellemzőt,

0:10:26.854,0:10:31.120
amelyek segítenek az orvosoknak [br]a rák előrejelzésében.

0:10:32.220,0:10:34.516
Hasonlóképpen, Stanfordban

0:10:34.516,0:10:38.179
bejelentették, hogy kifejlesztettek [br]egy gépi tanuló rendszert,

0:10:38.179,0:10:40.560
amely a szöveteket nagyításban vizsgálva

0:10:40.560,0:10:43.142
a rákosok túlélési esélyeinek [br]előrejelzésében

0:10:43.142,0:10:47.519
tényleg jobban teljesít, [br]mint a patológusok.

0:10:47.519,0:10:50.764
Mindkét esetben az előrejelzések [br]nemcsak pontosabbak voltak,

0:10:50.764,0:10:53.266
hanem új tudományos eredményt hoztak.

0:10:53.276,0:10:54.781
A radiológia esetében

0:10:54.781,0:10:57.876
ezek új klinikai mutatók, amelyeket [br]az ember képes értelmezni.

0:10:57.876,0:10:59.668
A patológiai esetben

0:10:59.668,0:11:04.168
a számítógépes rendszer végeredményben[br]felfedezte, hogy

0:11:04.168,0:11:06.948
a rák körüli sejtek a diagnózis [br]fölállításában

0:11:06.948,0:11:09.260
ugyanolyan fontosak, mint maguk[br]a rákos sejtek.[br]

0:11:09.260,0:11:14.621
A patológusoknak évtizedeken át[br]pont az ellenkezőjét tanították.

0:11:14.621,0:11:17.913
Mindkét esetben ezek olyan [br]rendszerek, melyeket

0:11:17.913,0:11:21.534
az orvos és a gépi tanulás [br]szakértők együtt

0:11:21.534,0:11:24.275
fejlesztettek ki. Tavaly óta [br]ezt is túlhaladtuk.

0:11:24.275,0:11:27.824
Itt egy példa arra, ahogyan [br]mikroszkóp alatt azonosítják

0:11:27.824,0:11:30.354
az emberi szövet rákos területét.

0:11:30.354,0:11:34.967
A bemutatott rendszer pontosabban vagy kb.[br]ugyanolyan pontossággal tudja azonosítani

0:11:34.967,0:11:37.742
azokat a területeket, mint egy patológus.

0:11:37.742,0:11:41.134
Mély tanulással alakították ki [br]a rendszert, orvosi szakértelem nélkül,

0:11:41.134,0:11:43.660
olyanok, akiknek nincs semmi hátterük[br]a témában.

0:11:44.460,0:11:47.285
Azután itt van az idegsejtek [br]szelvényezése. Már majdnem

0:11:47.285,0:11:50.953
olyan precízen tudjuk szelvényezni [br]az idegsejteket, mint az emberek,

0:11:50.953,0:11:53.670
és a rendszert mély tanulással [br]azok alakították ki,

0:11:53.670,0:11:56.921
akiknek nem volt előzetes [br]orvosi tapasztalatuk.

0:11:56.921,0:12:00.148
Úgy éreztem, hogy [br]orvosi háttér nélkül is

0:12:00.148,0:12:03.875
eléggé képzett vagyok, hogy [br]orvosi céget alapítsak.

0:12:03.875,0:12:05.411
Meg is tettem.

0:12:05.411,0:12:07.761
Kissé féltem tőle, [br]de az elmélet azt sugallta,

0:12:07.761,0:12:10.650
hogy hasznára válhatnánk a gyógyításnak[br]

0:12:10.650,0:12:16.142
csupán ilyen adatelemző módszerek [br]alkalmazásával.

0:12:16.142,0:12:18.622
Hálás vagyok a fantasztikus fogadtatásért,

0:12:18.622,0:12:21.418
nemcsak a média, hanem [br]az orvosi közösség részéről is,[br]

0:12:21.418,0:12:23.322
akik nagyon támogattak.

0:12:23.322,0:12:27.471
Az elmélet szerint a gyógyítás [br]folyamatában a középső részt lecseréljük

0:12:27.471,0:12:30.364
adatelemzésre lehetőség szerint, és[br]azt hagyjuk az orvosokra,

0:12:30.364,0:12:33.429
amihez legjobban értenek.

0:12:33.429,0:12:36.591
Mondok rá példát. Ma 15 perc

0:12:36.591,0:12:39.975
egy új diagnosztikai teszt kidolgozása.

0:12:39.975,0:12:41.929
Megmutatom ezt önöknek valós [br]időben, de én három percbe

0:12:41.929,0:12:45.416
sűrítettem be, mert elhagytam [br]egyes elemeit.

0:12:45.416,0:12:48.477
Ahelyett, hogy megmutatnám, hogy [br]készül egy diagnosztikai teszt,

0:12:48.477,0:12:51.846
lássuk inkább autót ábrázoló képek [br]diagnosztikai tesztjét,

0:12:51.846,0:12:54.068
mert azt mindenki érteni fogja.

0:12:54.068,0:12:57.269
Kb. másfél millió, autót [br]ábrázoló képpel kezdünk,

0:12:57.269,0:13:00.475
és szeretnék létrehozni valamit, [br]ami aszerint rendezi őket,

0:13:00.475,0:13:02.698
hogy milyen szögből készült a felvétel.

0:13:02.698,0:13:06.586
A képek címkézetlenek, ezért [br]az alapoktól kell kezdenem.

0:13:06.586,0:13:08.451
Mély tanuló algoritmusunkkal

0:13:08.451,0:13:12.158
azonosítani lehet [br]az egyes részekhez tartozó területeket.

0:13:12.158,0:13:15.778
Az ember és a gép pompásan [br]együtt tud működni.

0:13:15.778,0:13:17.956
Az ember, ahogy itt látható,

0:13:17.956,0:13:20.631
megmondja a gépnek, mely[br]területek érdeklik,

0:13:20.631,0:13:25.281
melyeken szeretné, hogy próbáljon [br]javítani a gép az algoritmusa szerint.

0:13:25.281,0:13:29.577
Ezek a mély tanuló rendszerek egy [br]16.000-dimenziós térben vannak,

0:13:29.577,0:13:33.009
látják, ahogy a gép ezt pörgeti [br]azon a téren keresztül,

0:13:33.009,0:13:34.761
és próbál új területeket találni.

0:13:34.761,0:13:37.162
Amint eredményt ér el, [br]az őt irányító ember

0:13:37.162,0:13:40.786
megjelölheti az érdekes területeket.

0:13:40.786,0:13:43.208
A gépnek sikerült területeket találnia,

0:13:43.208,0:13:45.770
például sarkokat.

0:13:45.770,0:13:47.376
Ahogy végigvisszük a folyamatot,

0:13:47.376,0:13:49.716
fokozatosan egyre többet közlünk [br]a géppel arról,

0:13:49.716,0:13:51.784
miféle struktúrát keresünk.

0:13:51.784,0:13:53.916
Képzeljenek el egy diagnosztikai tesztben

0:13:53.916,0:13:57.266
egy patológust, amint meghatározza[br]a patologikus részeket,

0:13:57.266,0:14:02.292
vagy egy radiológust, [br]amint kimutatja a gócokat.

0:14:02.292,0:14:04.851
Néha nehéz az algoritmus számára.

0:14:04.851,0:14:06.815
Most egy kissé összezavarodott.

0:14:06.815,0:14:09.365
Összekeveri a kocsik elejét a hátuljával.

0:14:09.365,0:14:11.437
Egy kicsit jobban kell vigyáznunk, és

0:14:11.437,0:14:14.669
nekünk kell előbb különválogatnunk [br]a kocsik elejét és a hátulját,

0:14:14.669,0:14:18.505
azután megmondjuk a gépnek,

0:14:18.505,0:14:21.523
hogy ez a csoport érdekes [br]nekünk.[br]

0:14:21.523,0:14:24.200
Ez eltart egy ideig, ugrunk egyet,

0:14:24.200,0:14:26.446
és okítjuk a párszáz dologra támaszkodó

0:14:26.446,0:14:28.420
gépi tanuló algoritmust,

0:14:28.420,0:14:30.445
és reméljük, hogy erősen följavul.

0:14:30.445,0:14:33.518
Látják, kezd elhalványulni egy néhány kép,

0:14:33.518,0:14:38.226
tehát már felismeri, ezek hogyan értendők.

0:14:38.226,0:14:41.128
Majd alkalmazhatjuk ezt az elvet[br]hasonló képekre,

0:14:41.128,0:14:43.222
és a hasonló képeknél, látják,

0:14:43.222,0:14:47.241
már képes a kocsiknak az elejét[br]hibátlanul megtalálni.

0:14:47.241,0:14:50.189
Itt az ember mondhatja a gépnek:

0:14:50.189,0:14:53.202
OK, jó munkát végeztél.

0:14:53.652,0:14:55.837
Persze, néha még itt is

0:14:55.837,0:14:59.511
bonyolult szétválasztani a csoportokat,

0:14:59.511,0:15:03.395
esetünkben, bár hagytuk a [br]gépet egy ideig pörögni,

0:15:03.399,0:15:06.744
mégis találunk összekeveredve

0:15:06.744,0:15:08.222
jobb és bal oldalas képeket.

0:15:08.222,0:15:10.362
Adhatunk további útbaigazításokat [br]a gépnek,

0:15:10.362,0:15:13.338
mondhatjuk, hogy próbálkozz, és találj [br]olyan szempontot, ami

0:15:13.338,0:15:15.945
minél jobban szétválogatja [br]a jobb és bal oldalakat

0:15:15.945,0:15:18.067
mély tanuló algoritmussal.

0:15:18.067,0:15:21.009
S lám, a tanácsunk --[br]OK, sikeres volt.

0:15:21.009,0:15:23.891
Sikerült olyan szempontok szerint [br]vizsgálni a tárgyakat,

0:15:23.891,0:15:26.271
amelyek alkalmasak szétválogatásukra.

0:15:26.271,0:15:28.709
S eszünkbe jut egy gondolat.

0:15:28.709,0:15:36.906
Esetünkben a gép [br]nem helyettesíti az embert,

0:15:36.906,0:15:39.546
hanem együtt munkálkodnak.

0:15:39.546,0:15:43.096
Ami egy 5-6 fős csoportnak

0:15:43.096,0:15:45.098
kb. hét évébe tellett volna korábban,

0:15:45.098,0:15:47.703
azt ezzel az eszközzel [br]15 perc alatt

0:15:47.703,0:15:50.208
egyetlen személy elvégezi egyedül.

0:15:50.208,0:15:54.158
Ez a folyamat 4-5 közelítő lépésből áll.

0:15:54.158,0:15:56.017
Látják, hogy a gép a másfél millió kép

0:15:56.017,0:15:58.976
62%-át helyesen osztályozta.

0:15:58.976,0:16:01.448
Most kezdhetjük gyorsan

0:16:01.448,0:16:02.745
nagy vonalakban

0:16:02.745,0:16:05.664
átnézni, nincs-e hiba valahol.

0:16:05.664,0:16:09.616
Ahol hiba van, közölhetjük a géppel.

0:16:09.616,0:16:12.661
Minden elkülönített csoportra alkalmazva[br]valami ilyen eljárást

0:16:12.661,0:16:15.148
most a 80%-os helyességi aránynál tartunk

0:16:15.148,0:16:17.563
a másfél millió kép osztályozásakor.

0:16:17.563,0:16:19.641
Most még találunk egynéhány

0:16:19.641,0:16:23.220
eltévedt képet,

0:16:23.220,0:16:26.108
és megpróbáljuk megérteni, [br]mi ennek az oka.

0:16:26.108,0:16:27.851
Ugyanazzal a módszerrel [br]

0:16:27.851,0:16:31.972
15 perc alatt 97%-os helyességi arányt [br]érünk el.

0:16:31.972,0:16:36.572
Az ilyen technika lehetővé tenné, hogy [br]kezelni tudjunk egy jelentős problémát,

0:16:36.578,0:16:39.614
azt, hogy hiány van orvosi szakértelemből[br]a világban.

0:16:39.614,0:16:43.103
A Világgazdasági Fórumon elhangzott,

0:16:43.103,0:16:45.727
hogy a fejlődő országokban [br]10-20-szoros az orvoshiány,

0:16:45.727,0:16:47.840
és mintegy 300 évbe telne,

0:16:47.840,0:16:50.404
hogy a gond megoldására elég [br]orvost képezzenek ki.

0:16:50.404,0:16:53.619
Képzeljék csak el, milyen jó lenne, [br]ha a mély tanulás módszerével

0:16:53.619,0:16:56.458
növelhetnénk az orvosok hatékonyságát?

0:16:56.458,0:16:58.690
Egészen fölvillanyoznak a lehetőségek.

0:16:58.690,0:17:01.279
Engem is aggaszt ez a gond.

0:17:01.279,0:17:04.053
Az a probléma, hogy [br]a kékkel jelölt területek ott vannak,

0:17:04.053,0:17:07.182
ahol a szolgáltatások aránya[br]80% fölötti a foglalkoztatottságban.

0:17:07.182,0:17:09.159
Mik is kellenek a szolgáltatásokhoz?[br]

0:17:09.159,0:17:12.223
[Írás-olvasás, Beszéd-figyelem],[br][Szemlélet, Tudás összegzése]

0:17:12.223,0:17:15.627
Pont e dolgokkal épp most tanult meg [br]a gép bánni.

0:17:15.627,0:17:19.431
Tehát a fejlett világ dolgozóinak [br]80%-a olyan munkát végez,

0:17:19.431,0:17:21.963
amire épp most vált képessé a számítógép.

0:17:21.963,0:17:22.913
Mit jelent ez?

0:17:22.913,0:17:25.986
Minden rendben lesz. [br]A régiek helyett új állások keletkeznek.

0:17:25.986,0:17:28.693
Például több állás lesz az [br]adattudósok számára.

0:17:28.693,0:17:29.510
Nem igazán.

0:17:29.510,0:17:32.628
Nem tart soká a számukra[br]kifejleszteni ezeket a dolgokat.

0:17:32.628,0:17:35.880
Például, e négy algoritmust [br]ugyanaz a fickó hozta létre.

0:17:35.880,0:17:38.318
Ha azt hiszik: ó, régen is megtörtént,

0:17:38.318,0:17:42.126
láttunk már ilyet, hogy új dolgok jönnek,

0:17:42.126,0:17:44.378
és a régieket új állások váltják föl,

0:17:44.378,0:17:46.494
no de milyenek lesznek az új állások?

0:17:46.494,0:17:48.365
Nagyon nehezen tudjuk megítélni,

0:17:48.365,0:17:51.104
mert az emberi teljesítmény [br]fokozatosan nő,

0:17:51.104,0:17:53.666
de most itt van a mély tanulás rendszere,

0:17:53.666,0:17:56.893
tudjuk róla, hogy a teljesítménye [br]rohamosan nő.

0:17:56.893,0:17:57.948
Itt tartunk.

0:17:57.948,0:18:00.559
Mostanában a dolgok láttán[br]sokan azt mondják:

0:18:00.559,0:18:03.235
"Ó, a számítógépek még mindig elég [br]ostobák." Igaz?

0:18:03.235,0:18:06.664
De öt éven belül a helyzet megváltozik.

0:18:06.664,0:18:10.529
Már most el kell kezdenünk [br]gondolkozni a gépek képességeiről.

0:18:10.529,0:18:12.579
Ilyet már tapasztaltunk,

0:18:12.579,0:18:13.966
az ipari forradalom idején,

0:18:13.966,0:18:16.817
ahogy a gépek megjelenésével[br]lépést kellett váltani.

0:18:17.667,0:18:20.805
De egy idő után a dolgok elsimultak,

0:18:20.805,0:18:22.507
Megzavarta a társadalmat,

0:18:22.507,0:18:25.946
de amikor energiatermelésre [br]már mindenütt gépeket használtak,

0:18:25.946,0:18:28.300
a dolgok lecsillapodtak.

0:18:28.300,0:18:29.773
A "gépi tanulás forradalma"

0:18:29.773,0:18:32.682
egészen más lesz, mint az[br]ipari forradalom,

0:18:32.682,0:18:35.472
mert a "gépi tanulás forradalma" [br]soha nem csillapodik le.

0:18:35.472,0:18:38.614
Minél többet tudnak a számítógépek,

0:18:38.614,0:18:42.862
annál jobb képességű [br]számítógépeket tudnak megépíteni,

0:18:42.862,0:18:44.770
ez olyan váltás lesz, amit a világ eddig

0:18:44.770,0:18:47.578
még soha nem tapasztalt, ezért [br]korábbi fogalmaik arról,

0:18:47.578,0:18:50.554
hogy mi a lehetséges,[br]teljesen megváltoznak.

0:18:50.974,0:18:52.754
Mindez már hatással van ránk.

0:18:52.754,0:18:56.384
Az utóbbi 25 évben a tőke [br]termelékenysége nőtt,

0:18:56.400,0:19:00.588
a munka termelékenysége maradt, [br]sőt, valamit csökkent is.

0:19:01.408,0:19:04.149
Szeretném, ha már elkezdenénk[br]ezt az eszmecserét.

0:19:04.149,0:19:07.176
Amikor a jelen helyzetről [br]beszélgetek emberekkel,

0:19:07.176,0:19:08.666
gyakran teljesen elutasítók.

0:19:08.666,0:19:10.339
Jó, a számítógépek valójában [br]nem tudnak gondolkodni,

0:19:10.339,0:19:13.367
nem fejeznek ki érzelmeket, [br]nem értik a költészetet,

0:19:13.367,0:19:15.888
mi igazából nem értjük, [br]hogyan működnek.

0:19:15.888,0:19:17.374
Na és?

0:19:17.374,0:19:19.178
A számítógépek már most [br]meg tudnak tenni dolgokat,

0:19:19.178,0:19:21.897
amelyek az emberek munkaidejének [br]nagy részét kitöltik.

0:19:21.897,0:19:23.628
Ideje elkezdeni a gondolkodást:

0:19:23.628,0:19:28.015
hogyan igazítsuk át a társadalom [br]és a gazdaság szerkezetét

0:19:28.015,0:19:29.855
az új realitások fényében.

0:19:29.855,0:19:31.388
Köszönöm

0:19:31.388,0:19:32.190
(taps)