1
00:00:00,880 --> 00:00:04,893
Anksčiau, jei norėdavai, kad kompiuteris
padarytų kažką naujo,

2
00:00:04,893 --> 00:00:06,447
turėdavai programuoti.

3
00:00:06,447 --> 00:00:09,858
Programavimas, sakau tiems, 
kas niekada nėra to daręs,

4
00:00:09,858 --> 00:00:13,360
vargina savo reikalavimu išdėstyti

5
00:00:13,360 --> 00:00:16,727
kiekvieną atskirą žingsnį, ką nori,
kad kompiuteris darytų,

6
00:00:16,727 --> 00:00:19,089
kad pasiektų tavo iškeltą tikslą.

7
00:00:19,089 --> 00:00:22,585
Ir jei nori padaryti kažką,
ko pats nežinai kaip padaryti,

8
00:00:22,585 --> 00:00:24,648
tai išties yra didelis iššūkis.

9
00:00:24,648 --> 00:00:28,131
Su šiuo iššūkiu susidūrė
šis žmogus, Athur Samuel.

10
00:00:28,131 --> 00:00:31,338
1956 m. jis norėjo, kad kompiuteris

11
00:00:31,338 --> 00:00:34,548
sugebėtų jį nugalėti žaidžiant šaškėmis.

12
00:00:34,548 --> 00:00:36,588
Kaip gali parašyti programą,

13
00:00:36,588 --> 00:00:40,394
detalizuoti, kaip būti geresniam 
nei esi pats žaisdamas šaškėmis?

14
00:00:40,394 --> 00:00:42,116
Jam kilo idėja:

15
00:00:42,116 --> 00:00:45,840
jis leido kompiuteriui žaisti
prieš save tūkstančius kartų

16
00:00:45,840 --> 00:00:48,364
ir išmokti žaisti šaškėmis.

17
00:00:48,364 --> 00:00:51,544
Ir tai suveikė, be to, 1962 m.

18
00:00:51,544 --> 00:00:55,561
šis kompiuteris nugalėjo
Konektikuto čempioną.

19
00:00:55,561 --> 00:00:58,534
Taigi Arthur Samuel yra
gebančios mokytis mašinos tėvas,

20
00:00:58,534 --> 00:01:00,251
ir jam aš esu skolingas,

21
00:01:00,251 --> 00:01:03,014
nes aš esu gebančios mokytis
mašinos praktikas.

22
00:01:03,014 --> 00:01:04,839
Aš buvau „Kaggle“ prezidentu,

23
00:01:04,839 --> 00:01:07,867
bendruomenės su daugiau nei 200 000
besimokančios mašinos praktikų.

24
00:01:07,867 --> 00:01:09,925
„Kaggle“ skelbia konkursus

25
00:01:09,925 --> 00:01:13,633
pabandyti ir išspręsti
prieš tai neišspręstas problemas,

26
00:01:13,633 --> 00:01:17,470
ir tai pavyko šimtus kartų.

27
00:01:17,470 --> 00:01:19,940
Taigi turėdamas pranašumą
aš galėjau daug sužinoti

28
00:01:19,940 --> 00:01:23,890
apie tai, ką besimokančios mašinos
galėjo padaryti praeity, ką gali dabar,

29
00:01:23,890 --> 00:01:26,252
ir ką galėtų ateityje.

30
00:01:26,252 --> 00:01:30,675
Galbūt pirma didžiausia besimokančios
mašinos komercinė sėkmė buvo „Google“.

31
00:01:30,675 --> 00:01:33,784
„Google“ įrodė, kad įmanoma
surasti informaciją,

32
00:01:33,784 --> 00:01:35,536
naudojant kompiuterio algoritmą,

33
00:01:35,536 --> 00:01:38,437
šis algoritmas paremtas
mašinos gebėjimu mokytis.

34
00:01:38,437 --> 00:01:42,323
Nuo to laiko turime daugiau
komercinės sėkmės pavyzdžių.

35
00:01:42,323 --> 00:01:44,160
Įmonės, kaip „Amazon“ ir „Netflix“,

36
00:01:44,160 --> 00:01:47,876
naudoja besimokančias mašinas, kad
pasiūlytų tai, ką gal norėtumėte pirkti,

37
00:01:47,876 --> 00:01:49,896
filmų, kuriuos galbūt norėtumėte pamatyti.

38
00:01:49,896 --> 00:01:51,703
Kartais tai kelia baimę.

39
00:01:51,703 --> 00:01:53,657
Įmonės, kaip „LinkedIn“ ir „Facebook“,

40
00:01:53,657 --> 00:01:56,251
kartais pasiūlys jums, kas
galėtų būti jūsų draugais,

41
00:01:56,251 --> 00:01:58,228
ir jūs nežinote, kaip jie tai daro,

42
00:01:58,228 --> 00:02:01,195
ir tai tik dėl to, kad jie naudoja
besimokančios mašinos galią.

43
00:02:01,195 --> 00:02:04,152
Tai yra algoritmai, kurie iš duomenų
mokosi, kaip tai padaryti,

44
00:02:04,152 --> 00:02:07,399
užuot būtų programuojami ranka.

45
00:02:07,399 --> 00:02:09,877
Taip buvo ir su IBM pasisekimu,

46
00:02:09,877 --> 00:02:13,739
kad Watson sumuštų du
pasaulio čempionus žaidime „Jeopardy“,

47
00:02:13,739 --> 00:02:16,964
atsakinėjant neįtikėtinai subtilius ir
sunkius klausimus, kaip šis.

48
00:02:16,964 --> 00:02:19,799
[„Antik. „Nimrudo liūtas“ dingo
iš šio miesto muziejaus...“]

49
00:02:19,799 --> 00:02:23,034
Dėl tos pačios priežasties matome
pirmus automobilius be vairuotojų.

50
00:02:23,034 --> 00:02:25,856
Jei jūs norite įvardinti
skirtumą tarp, pavyzdžiui,

51
00:02:25,856 --> 00:02:28,488
medžio ir pėsčiojo,
ką gi, tai gana svarbu.

52
00:02:28,488 --> 00:02:31,075
Mes nežinome, kaip parašyti
šias programas ranka,

53
00:02:31,075 --> 00:02:34,072
bet su besimokančiomis mašinomis
dabar tai įmanoma.

54
00:02:34,072 --> 00:02:36,680
Išties, šis automobilis nuvažiavo
virš milijono mylių

55
00:02:36,680 --> 00:02:40,186
be jokių eismo įvykių įprastuose keliuose.

56
00:02:40,196 --> 00:02:44,110
Dabar žinome – kompiuteriai gali mokytis,

57
00:02:44,110 --> 00:02:46,010
ir jie gali išmokti daryti dalykus,

58
00:02:46,010 --> 00:02:48,848
kurių mes patys kartais,
nežinome kaip padaryti,

59
00:02:48,848 --> 00:02:51,733
o gal netgi padaryti geriau, nei mes.

60
00:02:51,733 --> 00:02:55,928
Vienas iš nuostabiausių mano matytų
besimokančios mašinos pavyzdžių

61
00:02:55,928 --> 00:02:58,320
nutiko mano vykdytame projekte „Kaggle“.

62
00:02:58,320 --> 00:03:01,911
Komanda, kuriai vadovavo vaikinas
vardu Geoffrey Hinton,

63
00:03:01,911 --> 00:03:03,463
iš Toronto universiteto,

64
00:03:03,463 --> 00:03:06,140
laimėjo varžybas už
automatinį vaistų atradimą.

65
00:03:06,140 --> 00:03:08,987
Keisčiausia ne tai, kad
jie paneigė visus

66
00:03:08,987 --> 00:03:13,000
Merck sukurtus ar tarptautinius
akademinės bendruomenės algoritmus,

67
00:03:13,000 --> 00:03:18,061
o tai, kad nei vienas neturėjo chemijos,
biologijos ar gamtos mokslų pagrindų,

68
00:03:18,061 --> 00:03:20,230
ir jie tai padarė per dvi savaites.

69
00:03:20,230 --> 00:03:21,611
Kaip jiems pavyko?

70
00:03:22,421 --> 00:03:25,342
Jie naudojo išskirtinį algoritmą,
vadinamą giliuoju mokymusi.

71
00:03:25,342 --> 00:03:28,291
Tai buvo tiek svarbu, kad ši
sėkmės istorija buvo aprašyta

72
00:03:28,291 --> 00:03:31,412
pirmajame „New York Times“ puslapyje
po kelių savaičių.

73
00:03:31,412 --> 00:03:34,147
Čia yra Geoffrey Hinton,
kairėje pusėje.

74
00:03:34,147 --> 00:03:38,488
Gilusis mokymasis yra algoritmas,
įkvėptas to, kaip dirba žmogaus smegenys,

75
00:03:38,488 --> 00:03:40,300
ir dėl to šis algoritmas

76
00:03:40,300 --> 00:03:44,141
neturi teorinių apribojimų tam,
ką jis gali daryti.

77
00:03:44,141 --> 00:03:46,964
Kuo daugiau jam duodi duomenų ir
laiko jiems apskaičiuoti,

78
00:03:46,964 --> 00:03:48,276
tuo jis geresnis.

79
00:03:48,276 --> 00:03:50,615
„New York Times“ taip pat
tame straipsnyje aprašė

80
00:03:50,615 --> 00:03:52,857
kitą išskirtinį 
gilaus mokymosi rezultatą,

81
00:03:52,857 --> 00:03:55,569
kurį dabar jums parodysiu.

82
00:03:55,569 --> 00:04:00,510
Tai rodo, kad kompiuteris
gali girdėti ir suprasti.

83
00:04:00,510 --> 00:04:03,221
(Video) Richard Rashid: Dabar

84
00:04:03,221 --> 00:04:06,246
paskutinis dalykas, ką norėčiau
padaryti šiame procese,

85
00:04:06,246 --> 00:04:10,961
yra kalbėti su jumis kiniškai.

86
00:04:10,961 --> 00:04:13,596
Pagrindinis dalykas,

87
00:04:13,596 --> 00:04:18,598
kad mes turėjome galimybę surinkti
daugybę informacijos iš kalbančių kiniškai

88
00:04:18,598 --> 00:04:21,128
ir sukurti teksto-kalbos sistemą,

89
00:04:21,128 --> 00:04:25,801
kuri paima kinišką tekstą
ir konvertuoja jį į kinų kalbą,

90
00:04:25,801 --> 00:04:29,929
ir tada mes paėmėme
apie valandą mano balso,

91
00:04:29,929 --> 00:04:31,820
ir tai panaudojome sumodeliuoti

92
00:04:31,820 --> 00:04:36,364
standartinę teksto-kalbos sistemą,
kuri kalbėtų mano balsu.

93
00:04:36,364 --> 00:04:38,904
Dar kartą, rezultatas nėra tobulas.

94
00:04:38,904 --> 00:04:41,552
Iš tiesų, yra keli netikslumai.

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

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

97
00:04:49,446 --> 00:04:53,022
Dar daug reikia nuveikti šioje srityje.

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

99
00:04:56,667 --> 00:05:00,100
(Plojimai)

100
00:05:01,345 --> 00:05:04,744
Jeremy Howard: Tai buvo besimokan-
čių mašinų konferencija Kinijoje.

101
00:05:04,744 --> 00:05:07,114
Išties nedažnai pasitaiko
mokslo konferencijose

102
00:05:07,114 --> 00:05:09,011
išgirsti spontaniškus plojimus,

103
00:05:09,011 --> 00:05:12,687
nors, žinoma, kartais pasitaiko ir
TEDx konferencijose, nesivaržykite.

104
00:05:12,687 --> 00:05:15,482
Viskas, ką jūs čia matėte,
vyko su giliuoju mokymusi.

105
00:05:15,482 --> 00:05:17,007
(Plojimai) Dėkoju.

106
00:05:17,007 --> 00:05:19,289
Angliška transkripcija
buvo gilus mokymasis.

107
00:05:19,289 --> 00:05:22,701
Vertimas į kinų kalbą ir tekstas
viršuje dešinėje – gilus mokymasis,

108
00:05:22,701 --> 00:05:26,008
ir balso konstrukcija –
taip pat gilus mokymasis.

109
00:05:26,008 --> 00:05:29,242
Gilusis mokymasis yra
išskirtinis dalykas.

110
00:05:29,242 --> 00:05:32,341
Tai yra atskiras algoritmas,
kuris, atrodo, gali beveik viską,

111
00:05:32,341 --> 00:05:35,452
ir aš atradau, kad prieš metus
jis išmoko matyti.

112
00:05:35,452 --> 00:05:37,628
Šiame nežymiame konkurse Vokietijoje,

113
00:05:37,628 --> 00:05:40,225
pavadintame Vokiečių kelių ženklų
atpažinimo etalonu,

114
00:05:40,225 --> 00:05:43,618
gilusis mokymasis išmoko
atpažinti kelio ženklus, kaip šis.

115
00:05:43,618 --> 00:05:45,712
Ne tik galėjo
atpažinti kelio ženklus

116
00:05:45,712 --> 00:05:47,470
geriau, nei kiti algoritmai,

117
00:05:47,470 --> 00:05:50,189
rezultatų lentelė parodė,
kad jis buvo geresnis už žmones,

118
00:05:50,189 --> 00:05:52,041
netgi du kartus geresnis.

119
00:05:52,041 --> 00:05:54,037
Taigi 2011 m. turėjome pirmą pavyzdį

120
00:05:54,037 --> 00:05:57,442
kompiuterių, galinčių matyti
geriau, nei žmonės.

121
00:05:57,442 --> 00:05:59,491
Nuo tada daug kas įvyko.

122
00:05:59,491 --> 00:06:03,005
2012 m. „Google“ paskelbė, kad
jie leido gilaus mokymosi algoritmui

123
00:06:03,005 --> 00:06:04,420
žiūrėti „YouTube“ įrašus

124
00:06:04,420 --> 00:06:07,857
ir mėnesį rinko duomenis iš
16 000 kompiuterių,

125
00:06:07,857 --> 00:06:12,218
ir šie kompiuteriai savarankiškai išmoko
apie sąvokas, kaip žmonės ir katės,

126
00:06:12,218 --> 00:06:14,027
tiesiog žiūrėdami vaizdo įrašus.

127
00:06:14,027 --> 00:06:16,379
Tai panašu į tai,
kaip mokosi žmonės.

128
00:06:16,379 --> 00:06:19,119
Žmonės mokosi ne kai jiems sakoma,
ką jie mato,

129
00:06:19,119 --> 00:06:22,450
bet mokosi patys atrasdami,
kas šie dalykai yra.

130
00:06:22,450 --> 00:06:25,819
Taip pat 2012 m. Geoffrey Hinton,
kurį matėme anksčiau,

131
00:06:25,819 --> 00:06:28,677
laimėjo populiarų „ImageNet“ konkursą,

132
00:06:28,677 --> 00:06:32,818
bandantį apskaičiuoti
iš pusantro milijono vaizdų,

133
00:06:32,818 --> 00:06:34,256
kieno tai nuotraukos.

134
00:06:34,256 --> 00:06:37,789
Nors dabar 2014 m., mes vis dar
klystame 6 procentais

135
00:06:37,789 --> 00:06:39,242
atpažindami vaizdus.

136
00:06:39,242 --> 00:06:41,268
Ir vėlgi tai yra geriau, nei gali žmonės.

137
00:06:41,268 --> 00:06:45,037
Taigi mašinos išties daro
išskirtinį darbą šioje srityje,

138
00:06:45,037 --> 00:06:47,306
ir dabar tai naudojama pramonėje.

139
00:06:47,306 --> 00:06:50,348
Pavyzdžiui, „Google“ pernai paskelbė,

140
00:06:50,348 --> 00:06:54,933
kad į žemėlapį įtraukė kiekvieną atskirą
Prancūzijos vietą vos per dvi valandas,

141
00:06:54,933 --> 00:06:58,380
jie tai padarė perkeldami
gatvių vaizdus

142
00:06:58,380 --> 00:07:02,699
į gilaus mokymosi algoritmą,
kad atpažintų gatvių numerius.

143
00:07:02,699 --> 00:07:04,919
Įsivaizduokite, kaip ilgai
tai būtų užtrukę:

144
00:07:04,919 --> 00:07:08,274
daugybė žmonių ir metų.

145
00:07:08,274 --> 00:07:10,185
Tai vyksta ir Kinijoje.

146
00:07:10,185 --> 00:07:14,221
„Baidu“ yra savotiškas
kinų „Google“, spėju,

147
00:07:14,221 --> 00:07:16,504
ir tai, ką jūs matote viršuje kairėje

148
00:07:16,504 --> 00:07:20,478
yra pavyzdys nuotraukos, kurią aš
įkėliau į „Baidu“ gilaus mokymosi sistemą,

149
00:07:20,478 --> 00:07:24,247
ir apačioje jūs galite pamatyti, kad
sistema suprato, kas yra nuotraukoje,

150
00:07:24,247 --> 00:07:26,483
ir rado panašius vaizdus.

151
00:07:26,483 --> 00:07:29,219
Išties panašūs vaizdai
turi panašų foną,

152
00:07:29,219 --> 00:07:30,877
panašų snukių pasukimą,

153
00:07:30,877 --> 00:07:32,665
netgi kai kurie su iškištu liežuviu.

154
00:07:32,665 --> 00:07:35,695
Tai nelabai aišku, žiūrint
į tekstą tinklalapyje.

155
00:07:35,695 --> 00:07:37,107
Aš įkėliau tik nuotrauką.

156
00:07:37,107 --> 00:07:41,128
Taigi dabar mes turime kompiuterius,
kurie tikrai supranta, ką mato

157
00:07:41,128 --> 00:07:42,752
ir gali ieškoti duomenų bazėse

158
00:07:42,752 --> 00:07:46,306
šimtus milijonus
vaizdų realiu laiku.

159
00:07:46,306 --> 00:07:49,536
Taigi ką reiškia, kad
dabar kompiuteriai gali matyti?

160
00:07:49,536 --> 00:07:51,553
Tai ne tik, kad
kompiuteriai gali matyti.

161
00:07:51,553 --> 00:07:53,622
Išties, gilus mokymasis
padarė daugiau.

162
00:07:53,622 --> 00:07:56,570
Sudėtingi sakiniai su niuansais, kaip šis

163
00:07:56,570 --> 00:07:59,394
dabar yra suprantami
su gilaus mokymosi algoritmais.

164
00:07:59,394 --> 00:08:00,697
Kaip galite čia matyti.

165
00:08:00,697 --> 00:08:03,465
ši Stanfordu paremta sistema,
rodanti raudoną tašką viršuj,

166
00:08:03,465 --> 00:08:07,384
suprato, kad šis sakinys
išreiškia neigiamą mintį.

167
00:08:07,384 --> 00:08:10,790
Gilus mokymasis iš tiesų
artėja prie žmogaus gebėjimo

168
00:08:10,802 --> 00:08:15,923
suprasti, apie ką yra sakiniai
ir kas yra sakoma apie tuos dalykus.

169
00:08:15,923 --> 00:08:18,651
Taip pat, gilus mokymasis
buvo naudotas skaityti kiniškai

170
00:08:18,651 --> 00:08:21,807
dar kartą gimtosios
kinų kalbos skaitytojo lygiu.

171
00:08:21,807 --> 00:08:23,975
Šis algoritmas, sukurtas
Šveicarijoje žmonių,

172
00:08:23,975 --> 00:08:27,331
kurių nei vienas nekalba
ar supranta kiniškai.

173
00:08:27,331 --> 00:08:29,382
Kaip ir sakiau, gilaus mokymosi naudojimas

174
00:08:29,382 --> 00:08:31,601
už tai yra geriausia sistema
pasaulyje

175
00:08:31,601 --> 00:08:36,718
net palyginus su įgimtu
žmogaus suvokimu.

176
00:08:36,718 --> 00:08:39,682
Tai yra sistema, kurią mes
sudėjome mano kompanijoje,

177
00:08:39,682 --> 00:08:41,728
kuri rodo, kaip sudeda
viską į krūvą.

178
00:08:41,728 --> 00:08:44,189
Štai čia nuotraukos, kurios
neturi pridėto teksto,

179
00:08:44,189 --> 00:08:46,541
ir kai aš rašau šiuos žodžius,

180
00:08:46,541 --> 00:08:49,510
ji realiu laiku supranta 
šias nuotraukas


181
00:08:49,510 --> 00:08:51,189
ir išsiaiškina, apie ką jos,

182
00:08:51,189 --> 00:08:54,352
ir suranda nuotraukas, panašias
į tekstą, kurį aš rašau.

183
00:08:54,352 --> 00:08:57,108
Taigi jūs matote, kad ji išties
supranta mano žodžius

184
00:08:57,108 --> 00:08:59,332
ir iš tikrųjų supranta šiuos vaizdus.

185
00:08:59,332 --> 00:09:01,891
Žinau, kad jūs matėte
kažką panašaus „Google“,

186
00:09:01,891 --> 00:09:04,666
kur jūs rašote tekstą,
ir jums suranda vaizdus,

187
00:09:04,666 --> 00:09:08,090
bet iš tikrųjų ji tik ieško
tinklalapio su nurodytu tekstu.

188
00:09:08,090 --> 00:09:11,091
Tai išties skiriasi nuo tikro
vaizdų supratimo.

189
00:09:11,091 --> 00:09:13,843
Tai yra kažkas, ką kompiuteriai
galėjo padaryti

190
00:09:13,843 --> 00:09:17,091
pirmą kartą paskutiniais mėnesiais.

191
00:09:17,091 --> 00:09:21,182
Taigi mes matome, kad kompiuteriai
gali ne tik matyti, bet ir skaityti,

192
00:09:21,182 --> 00:09:24,947
ir, žinoma, mes parodėme, kad jie
gali suprasti ką girdi.

193
00:09:24,947 --> 00:09:28,389
Gal nenustebinsiu jums pasakydamas,
kad jie gali ir rašyti.

194
00:09:28,389 --> 00:09:33,172
Štai čia tekstas, kurį sugeneravau vakar
naudodamas gilaus mokymosi algoritmą.

195
00:09:33,172 --> 00:09:37,096
Ir štai čia - tekstas, kurį sugeneravo
Stanfordo algoritmas.

196
00:09:37,096 --> 00:09:38,860
Kiekvienas šių sakinių buvo sukurtas

197
00:09:38,860 --> 00:09:43,109
gilaus mokymosi algoritmo,
kad aprašytų kiekvieną šių vaizdų.

198
00:09:43,109 --> 00:09:47,581
Šis algoritmas prieš tai nebuvo matęs
vyro juodais marškinėliais grojant gitara.

199
00:09:47,581 --> 00:09:49,801
Jis yra matęs vyrą prieš tai,
yra matęs juodą,

200
00:09:49,801 --> 00:09:51,400
taip pat ir gitarą,

201
00:09:51,400 --> 00:09:55,694
bet jis savarankiškai sugeneravo
šį nuotraukos aprašymą.

202
00:09:55,694 --> 00:09:59,196
Kol kas tai neprilygsta žmogaus
gebėjimams, bet mes esame arti.

203
00:09:59,196 --> 00:10:03,264
Testuose žmonės teikia pirmenybę
kompiuterio sukurtai antraštei

204
00:10:03,264 --> 00:10:04,791
vieną iš keturių kartų.

205
00:10:04,791 --> 00:10:06,855
Šiai sistemai kol kas tik dvi savaitės,

206
00:10:06,855 --> 00:10:08,701
taigi tikėtina, kad per kitus metus

207
00:10:08,701 --> 00:10:11,502
kompiuterio algoritmas bus


208
00:10:11,502 --> 00:10:13,364
gerokai pralenkęs žmogaus gebėjimus.

209
00:10:13,364 --> 00:10:16,413
Taigi kompiuteriai taip pat gali rašyti.

210
00:10:16,413 --> 00:10:19,888
Taigi mes viską sudėjome, ir tai
veda į įdomias galimybes.

211
00:10:19,888 --> 00:10:21,380
Pavyzdžiui, medicinoje.

212
00:10:21,380 --> 00:10:23,905
Komanda Bostone pranešė,
kad jie atrado

213
00:10:23,905 --> 00:10:26,854
daugybę naujų kliniškai svarbių

214
00:10:26,854 --> 00:10:31,120
auglių bruožų, kurie padeda gydytojams
prognozuoti vėžį.

215
00:10:32,220 --> 00:10:34,516
Labai panašiai Stanforde

216
00:10:34,516 --> 00:10:38,179
ten esanti komanda pranešė, kad
tyrinėdami padidintus audinius

217
00:10:38,179 --> 00:10:40,560
jie sukūrė sistemą,
pagrįstą mašinos mokymusi,

218
00:10:40,560 --> 00:10:43,142
kuri išties yra geresnė,
už žmones patologus

219
00:10:43,142 --> 00:10:47,519
nustatant išgyvenimo tikimybę
sergantiems vėžiu.

220
00:10:47,519 --> 00:10:50,764
Abiem atvejais ne tik buvo
tikslesnės prognozės,

221
00:10:50,764 --> 00:10:53,266
bet jie sukūrė ir naują įžvalgos mokslą.

222
00:10:53,276 --> 00:10:54,781
Radiologijos atveju

223
00:10:54,781 --> 00:10:57,876
tai buvo nauji klinikiniai indikatoriai,
kuriuos supranta žmonės.

224
00:10:57,876 --> 00:10:59,668
Patologijos atveju

225
00:10:59,668 --> 00:11:04,168
kompiuterio sistema atrado, kad
ląstelės aplink vėžio židinį

226
00:11:04,168 --> 00:11:07,508
yra tokios pat svarbios,
kaip vėžinės ląstelės

227
00:11:07,508 --> 00:11:09,260
nustatant diagnozę.

228
00:11:09,260 --> 00:11:14,621
Tai yra atvirkščiai, nei patologai
buvo mokami dešimtmečiais.

229
00:11:14,621 --> 00:11:17,913
Kiekviename šių dviejų atvejų
buvo sukurtos sistemos

230
00:11:17,913 --> 00:11:21,534
derinant medicinos ekspertus
ir mašinos mokymosi ekspertus,

231
00:11:21,534 --> 00:11:24,275
bet paskutiniais metais
mes pažengėme į priekį.

232
00:11:24,275 --> 00:11:27,824
Štai čia pavyzdys, kaip
nustatomos vėžio ląstelės

233
00:11:27,824 --> 00:11:30,354
žmogaus audinyje po mikroskopu.

234
00:11:30,354 --> 00:11:34,967
Čia demonstruojama sistema
gali atpažinti šias vietas tiksliau,

235
00:11:34,967 --> 00:11:37,742
ar beveik taip pat tiksliai,
kaip gydytojai patologai,

236
00:11:37,742 --> 00:11:41,134
ji buvo sukurta vien su giliu
mokymusi, be jokių medicinos žinių

237
00:11:41,134 --> 00:11:43,660
žmonių, kurie neturi
jokio pagrindo šioje srityje.

238
00:11:44,730 --> 00:11:47,285
Panašiai čia, tai neurono segmentavimas.

239
00:11:47,285 --> 00:11:50,953
Dabar galime segmentuoti neuronus
beveik taip pat tiksliai, kaip žmonės,

240
00:11:50,953 --> 00:11:53,670
bet ši sistema sukurta
naudojant gilų mokymąsi

241
00:11:53,670 --> 00:11:56,921
žmonių, neturinčių ankstesnės
patirties medicinoje.

242
00:11:56,921 --> 00:12:00,148
Taigi aš, neturintis
jokio medicininio išsilavinimo,

243
00:12:00,148 --> 00:12:03,875
panašu, kad esu tinkamas
įsteigti naują medicinos kompaniją,

244
00:12:03,875 --> 00:12:06,021
ką aš ir padariau.

245
00:12:06,021 --> 00:12:07,761
Tam tikra prasme bijojau tą daryti,

246
00:12:07,761 --> 00:12:10,650
bet teorija, rodos, pati patarė,
kad turėtų būti įmanoma

247
00:12:10,650 --> 00:12:16,142
sukurti naudingą mediciną,
naudojant tik duomenų analizės technikas.

248
00:12:16,142 --> 00:12:18,622
Ir laimei, atsiliepimai
buvo puikūs,

249
00:12:18,622 --> 00:12:20,978
ne tik iš žiniasklaidos,
bet ir iš medikų,

250
00:12:20,978 --> 00:12:23,322
kurie labai palaikė.

251
00:12:23,322 --> 00:12:27,471
Teoriškai mes galime paimti
vidurinę medicininio proceso dalį

252
00:12:27,471 --> 00:12:30,364
ir paversti ją į duomenų analizę
kiek įmanoma daugiau,

253
00:12:30,364 --> 00:12:33,429
leidžiant gydytojams daryti tai,
ką jie geriausiai sugeba.

254
00:12:33,429 --> 00:12:35,031
Noriu jums duoti pavyzdį.

255
00:12:35,031 --> 00:12:39,975
Mums užtrunka apie 15 minučių
sukurti naują medicininės diagnozės testą,

256
00:12:39,975 --> 00:12:41,929
dabar aš jums parodysiu realiu laiku,

257
00:12:41,929 --> 00:12:45,416
bet aš sumažinau jį iki trijų
minučių išmesdamas kai kurias dalis.

258
00:12:45,416 --> 00:12:48,477
Užuot rodęs jums, kaip
kuriamas medicininės diagnozės testas,

259
00:12:48,477 --> 00:12:51,846
aš jums parodysiu
mašinų vaizdų diagnozės testą,

260
00:12:51,846 --> 00:12:54,068
nes šitai mes visi
galime suprasti.

261
00:12:54,068 --> 00:12:57,269
Taigi pradedame su
apie 1,5 milijono automobilių vaizdų,

262
00:12:57,269 --> 00:13:00,475
ir aš noriu sukurti kažką,
kas gali juos išskaidyti pagal

263
00:13:00,475 --> 00:13:02,698
padarytos nuotraukos kampą.

264
00:13:02,698 --> 00:13:06,586
Šie vaizdai yra be žymių,
taigi turiu pradėti nuo pradžių.

265
00:13:06,586 --> 00:13:08,451
Naudojant gilaus mokymosi algoritmą

266
00:13:08,451 --> 00:13:12,158
jis gali automatiškai identifikuoti
struktūros vietas šiuose vaizduose.

267
00:13:12,158 --> 00:13:15,778
Nuostabu, kad žmogus ir kompiuteris
dabar gali kartu dirbti.

268
00:13:15,778 --> 00:13:17,956
Taigi žmogus, kaip jūs matote čia,

269
00:13:17,956 --> 00:13:20,631
nurodo kompiuteriui
jam rūpimas vietas,

270
00:13:20,631 --> 00:13:25,281
nori, kad kompiuteris
išbandytų ir pagerintų savo algoritmą.

271
00:13:25,281 --> 00:13:29,577
Dabar šios gilaus mokymosi sistemos
yra 16 000 dimensijų erdvėje,

272
00:13:29,577 --> 00:13:33,009
taigi jūs matote kompiuterį,
besisukantį šioje erdvėje,

273
00:13:33,009 --> 00:13:35,001
ieškantį naujų struktūros vietų.

274
00:13:35,001 --> 00:13:36,782
Ir, kai jam tai pavyksta,

275
00:13:36,782 --> 00:13:40,786
žmogus, kuris jį valdo, tada
atkreipia dėmesį į įdomias vietas.

276
00:13:40,786 --> 00:13:43,208
Taigi kompiuteris
sėkmingai surado vietas,

277
00:13:43,208 --> 00:13:45,770
pavyzdžiui, kampus.

278
00:13:45,770 --> 00:13:47,376
Kai perėjome šį procesą,

279
00:13:47,376 --> 00:13:49,716
mes tolygiai nurodome
kompiuteriui vis daugiau

280
00:13:49,716 --> 00:13:52,144
apie struktūrų tipus,
kurių mes ieškome.

281
00:13:52,144 --> 00:13:53,916
Įsivaizduokite diagnostikos teste

282
00:13:53,916 --> 00:13:57,266
tai būtų patologas, identifikuojantis,
pavyzdžiui, susirgimo tipą,

283
00:13:57,266 --> 00:14:02,292
arba radiologas, nustatantis
potencialiai pavojingus mazgelius.

284
00:14:02,292 --> 00:14:04,851
Ir kartais tai gali būti
sudėtinga algoritmui.

285
00:14:04,851 --> 00:14:06,815
Šiuo atveju jis šiek tiek pasimetė.

286
00:14:06,815 --> 00:14:09,365
Mašinų priekiai ir galai
yra sumaišyti.

287
00:14:09,365 --> 00:14:11,437
Taigi turime būti dėmesingesni,

288
00:14:11,437 --> 00:14:14,669
rankiniu būdu atrinkdami šiuos priekius,
kaip galų priešingybes

289
00:14:14,669 --> 00:14:20,175
tada nurodyti kompiuteriui,
kad šio tipo grupė

290
00:14:20,175 --> 00:14:21,523
mus domina.

291
00:14:21,523 --> 00:14:24,200
Taigi mes tai darome kurį laiką,
šiek tiek praleidžiame,

292
00:14:24,200 --> 00:14:26,446
ir tada treniruojame
mašinos mokymosi algoritmą,

293
00:14:26,446 --> 00:14:28,420
paremtą keliais šimtais dalykų,

294
00:14:28,420 --> 00:14:30,445
ir mes tikimės, kad jis patobulės.

295
00:14:30,445 --> 00:14:33,518
Dabar matote, kad jis pradėjo
išmetinėti kai kuriuos vaizdus,

296
00:14:33,518 --> 00:14:38,226
rodydamas mums, kad jau žino,
kaip pačiam suprasti kai kuriuos vaizdus.

297
00:14:38,226 --> 00:14:41,128
Tada mes galime naudoti šį
panašių vaizdų konceptą,

298
00:14:41,128 --> 00:14:43,222
ir naudojant panašius vaizdus, matote,

299
00:14:43,222 --> 00:14:47,241
kompiuteris šioje vietoje sugeba
atrasti vien automobilių priekius.

300
00:14:47,241 --> 00:14:50,189
Šiuo atveju žmogus
gali pasakyti kompiuteriui,

301
00:14:50,189 --> 00:14:52,482
puiku, tu padarei
gerą darbą.

302
00:14:53,652 --> 00:14:55,837
Kartais, žinoma, net ir šiuo momentu

303
00:14:55,837 --> 00:14:59,511
tai vis dar sudėtinga
atskirti grupes.

304
00:14:59,511 --> 00:15:03,395
Net jei mes leidžiame
kompiuteriui bandyti kurį laiką,

305
00:15:03,399 --> 00:15:06,744
mes vis dar randame, kad kairės ir
dešinės pusės vaizdai

306
00:15:06,744 --> 00:15:08,222
yra visi sumaišyti.

307
00:15:08,222 --> 00:15:10,362
Mes galime vėl kompiuteriui
duoti užuominų,

308
00:15:10,362 --> 00:15:13,338
sakome - gerai, pabandyk ir rask
projekciją, kuri kuo labiau

309
00:15:13,338 --> 00:15:15,945
išskiria kaires puses nuo dešinių

310
00:15:15,945 --> 00:15:18,067
naudojant šį gilaus mokymosi algoritmą.

311
00:15:18,067 --> 00:15:21,009
Ir davus užuominą –
ak, puiku, pavyko.

312
00:15:21,009 --> 00:15:23,891
Jam pavyko surasti mąstymo
apie šiuos objektus būdą,

313
00:15:23,891 --> 00:15:26,271
kas atskyrė detales.

314
00:15:26,271 --> 00:15:28,709
Taigi jūs mane supratote.

315
00:15:28,709 --> 00:15:36,906
Čia ne tas atvejis, kur žmogus
yra pakeičiamas kompiuterio,

316
00:15:36,906 --> 00:15:39,546
bet tas, kai jie dirba kartu.

317
00:15:39,546 --> 00:15:43,096
Ką mes čia darome, tai išstumiame
kažką, kam reikėdavo komandos

318
00:15:43,096 --> 00:15:45,098
iš penkių ar šešių žmonių 7 metams,

319
00:15:45,098 --> 00:15:47,703
ir pakeičiame tai su kažkuo,
kas užtrunka 15 min.

320
00:15:47,703 --> 00:15:50,208
veikiant vienam asmeniui.

321
00:15:50,208 --> 00:15:54,158
Šiam procesui prireikia
4 ar 5 pakartojimų.

322
00:15:54,158 --> 00:15:56,017
Dabar matote, kad turime 62 proc.

323
00:15:56,017 --> 00:15:58,976
iš mūsų 1,5 milijono vaizdų
suskirstytų teisingai.

324
00:15:58,976 --> 00:16:01,448
Ir šiame etape mes
galime pradėti gana greitai

325
00:16:01,448 --> 00:16:02,745
imti pilnas dalis,

326
00:16:02,745 --> 00:16:05,664
patikrinti jas ir įsitikinti,
kad nėra klaidų.

327
00:16:05,664 --> 00:16:09,616
Jei yra klaidų, leidžiame
kompiuteriui jas žinoti.

328
00:16:09,616 --> 00:16:12,661
Ir naudodami tokį procesą
kiekvienai atskirai grupei

329
00:16:12,661 --> 00:16:15,148
mes pasiekiame 80 proc.
sėkmės rodiklį

330
00:16:15,148 --> 00:16:17,563
skirstant 1,5 milijono vaizdų.

331
00:16:17,563 --> 00:16:19,641
Šiuo momentu tai tik problema,

332
00:16:19,641 --> 00:16:23,220
kaip surasti mažą kiekį,
kuris nėra teisingai suklasifikuotas,

333
00:16:23,220 --> 00:16:26,108
ir pabandyti suprasti kodėl.

334
00:16:26,108 --> 00:16:27,851
Naudojant šį metodą,

335
00:16:27,851 --> 00:16:31,972
per 15 minučių mes
suklasifikuojame 97 proc.

336
00:16:31,972 --> 00:16:36,572
Tokio tipo technika leistų
mums išspręsti pagrindinę problemą –

337
00:16:36,578 --> 00:16:39,614
medicininės ekspertizės
trūkumą pasaulyje.

338
00:16:39,614 --> 00:16:43,103
Pasaulio ekonomikos forumas teigia,
kad gydytojų trūkumas siekia

339
00:16:43,103 --> 00:16:45,727
nuo 10 iki 20 kartų
besivystančiose šalyse,

340
00:16:45,727 --> 00:16:47,840
ir prireiktų apie 300 metų

341
00:16:47,840 --> 00:16:50,734
išmokyti pakankamai žmonių
šiai problemai panaikinti.

342
00:16:50,734 --> 00:16:53,619
Įsivaizduokite, jei galėtume
padidinti jų efektyvumą

343
00:16:53,619 --> 00:16:56,458
naudodami šiuos gilaus mokymosi būdus?

344
00:16:56,458 --> 00:16:58,690
Esu labai susijaudinęs
dėl šių galimybių.

345
00:16:58,690 --> 00:17:01,279
Man taip pat rūpi šios problemos.

346
00:17:01,279 --> 00:17:04,403
Problema ta, kad
kiekviena mėlyna spalva šiame žemėlapyje

347
00:17:04,403 --> 00:17:08,172
rodo, kur paslaugos užima
virš 80 procentų užimtumo.

348
00:17:08,172 --> 00:17:09,959
Kokios tai paslaugos?

349
00:17:09,959 --> 00:17:11,473
Štai šios paslaugos.

350
00:17:11,473 --> 00:17:15,627
Taip pat tai konkretūs dalykai, kuriuos
kompiuteriai jau išmoko daryti.

351
00:17:15,627 --> 00:17:19,431
Taigi 80 proc. pasaulio užimtumo
išsivysčiusiame pasaulyje

352
00:17:19,431 --> 00:17:21,963
yra dalykai, kuriuos kompiuteriai
jau išmoko daryti.

353
00:17:21,963 --> 00:17:23,403
Ką tai reiškia?

354
00:17:23,403 --> 00:17:25,986
Ką gi, viskas bus gerai.
Jie bus pakeisti kitų darbų.

355
00:17:25,986 --> 00:17:28,693
Pavyzdžiui, bus daugiau darbo
duomenų mokslininkams.

356
00:17:28,693 --> 00:17:29,510
Tiesa, nelabai.

357
00:17:29,510 --> 00:17:32,628
Duomenų mokslininkams
neužtrunka ilgai tai sukurti.

358
00:17:32,628 --> 00:17:35,880
Pavyzdžiui, šie keturi algoritmai
buvo sukurti to paties vaikino.

359
00:17:35,880 --> 00:17:38,318
Taigi, jei galvojate, ak,
taip jau buvo anksčiau,

360
00:17:38,318 --> 00:17:42,126
mes matėme rezultatus praeity,
kai atsirado nauji dalykai

361
00:17:42,126 --> 00:17:44,378
ir jie buvo pakeisti naujų darbų,

362
00:17:44,378 --> 00:17:46,494
kokie tie nauji darbai bus?

363
00:17:46,494 --> 00:17:48,365
Labai sunku mums tai įvertinti,

364
00:17:48,365 --> 00:17:51,104
nes žmogaus veikla
auga palaipsniui,

365
00:17:51,104 --> 00:17:53,666
o mes turime sistemą, gilų mokymąsi,

366
00:17:53,666 --> 00:17:56,893
kuris, mes jau žinome, auga
eksponentiniu pajėgumu.

367
00:17:56,893 --> 00:17:58,498
Ir štai mes čia.

368
00:17:58,498 --> 00:18:00,559
Šiuo metu mes matome, kas aplinkui dedasi

369
00:18:00,559 --> 00:18:03,235
ir mes sakome, „Ak, kompiuteriai yra
gana kvaili“. Taip?

370
00:18:03,235 --> 00:18:06,664
Bet po penkerių metų
kompiuteriai peraugs šią lentelę.

371
00:18:06,664 --> 00:18:10,529
Mums reikia pradėti galvoti
apie šį sugebėjimą jau dabar.

372
00:18:10,529 --> 00:18:12,579
Mes tai jau matėme kartą, žinoma.

373
00:18:12,579 --> 00:18:13,966
Pramonės perversme

374
00:18:13,966 --> 00:18:16,817
mes matėme pasikeitimą
pajėgume dėka variklių.

375
00:18:17,667 --> 00:18:20,805
Dalykas tas, vis dėlto,
kad po kurio laiko viskas nusistovės.

376
00:18:20,805 --> 00:18:22,507
Tuomet buvo socialinis lūžis,

377
00:18:22,507 --> 00:18:25,946
bet vos tik varikliai buvo panaudoti
jėgos generavimui visose situacijose

378
00:18:25,946 --> 00:18:28,300
viskas išties nusistovėjo.

379
00:18:28,300 --> 00:18:29,773
Mašinų mokymosi revoliucija

380
00:18:29,773 --> 00:18:32,682
labai skirsis nuo
Pramonės perversmo,

381
00:18:32,682 --> 00:18:35,632
nes mašinų mokymosi revoliucija
niekada nenusistovės.

382
00:18:35,632 --> 00:18:38,614
Kuo kompiuteriai taps geresni
intelektualinėje veikloje,

383
00:18:38,614 --> 00:18:42,862
tuo geresnius kompiuterius jie gali
sukurti dar geresnei veiklai,

384
00:18:42,862 --> 00:18:44,770
taigi tai bus pasikeitimas,

385
00:18:44,770 --> 00:18:47,248
kurio pasaulis iš tiesų
niekada nebuvo patyręs.

386
00:18:47,248 --> 00:18:50,554
Taigi jūsų ankstesnis suvokimas,
kas yra įmanoma, yra skirtingas.

387
00:18:50,974 --> 00:18:52,754
Tai jau daro mums įtaką.

388
00:18:52,754 --> 00:18:56,384
Paskutiniais 25 metais,
padidėjus kapitalo produktyvumui,

389
00:18:56,400 --> 00:19:00,588
darbo jėgos produktyvumas buvo nuoseklus,
tiesą sakant, truputį žemas.

390
00:19:01,408 --> 00:19:04,149
Taigi noriu, kad mes pradėtume
apie tai diskutuoti.

391
00:19:04,149 --> 00:19:07,176
Žinau, kad, kai kalbu žmonėms
apie šią situaciją,

392
00:19:07,176 --> 00:19:08,766
žmonės gali būti gana priešiški.

393
00:19:08,766 --> 00:19:10,459
Kompiuteriai negali tikrai galvoti,

394
00:19:10,459 --> 00:19:13,367
jie neturi jausmų,
jie nesupranta poezijos,

395
00:19:13,367 --> 00:19:15,888
mes nelabai suprantame, kaip jie dirba.

396
00:19:15,888 --> 00:19:17,374
Tai kas?

397
00:19:17,374 --> 00:19:19,178
Kompiuteriai jau dabar daro dalykus,

398
00:19:19,178 --> 00:19:21,897
kuriems žmonės skiria daugiausia
savo apmokamo laiko,

399
00:19:21,897 --> 00:19:23,628
dabar pats laikas pradėti mąstyti

400
00:19:23,628 --> 00:19:28,015
apie tai, kaip mes pritaikysime savo
socialines ir ekonomines struktūras,

401
00:19:28,015 --> 00:19:29,855
kad suvoktume šią naują realybę.

402
00:19:29,855 --> 00:19:31,388
Dėkoju.

403
00:19:31,388 --> 00:19:32,190
(Plojimai.)