WEBVTT

00:00:00.880 --> 00:00:04.893
Anksčiau, jei norėdavai, kad kompiuteris
padarytų kažką naujo,

00:00:04.893 --> 00:00:06.447
turėdavai programuoti.

00:00:06.447 --> 00:00:09.858
Programavimas, sakau tiems, 
kas niekada nėra to daręs,

00:00:09.858 --> 00:00:13.360
vargina savo reikalavimu išdėstyti

00:00:13.360 --> 00:00:16.727
kiekvieną atskirą žingsnį, ką nori,
kad kompiuteris darytų,

00:00:16.727 --> 00:00:19.089
kad pasiektų tavo iškeltą tikslą.

00:00:19.089 --> 00:00:22.585
Ir jei nori padaryti kažką,
ko pats nežinai kaip padaryti,

00:00:22.585 --> 00:00:24.648
tai išties yra didelis iššūkis.

NOTE Paragraph

00:00:24.648 --> 00:00:28.131
Su šiuo iššūkiu susidūrė
šis žmogus, Athur Samuel.

00:00:28.131 --> 00:00:31.338
1956 m. jis norėjo, kad kompiuteris

00:00:31.338 --> 00:00:34.548
sugebėtų jį nugalėti žaidžiant šaškėmis.

00:00:34.548 --> 00:00:36.588
Kaip gali parašyti programą,

00:00:36.588 --> 00:00:40.394
detalizuoti, kaip būti geresniam 
nei esi pats žaisdamas šaškėmis?

00:00:40.394 --> 00:00:42.116
Jam kilo idėja:

00:00:42.116 --> 00:00:45.840
jis leido kompiuteriui žaisti
prieš save tūkstančius kartų

00:00:45.840 --> 00:00:48.364
ir išmokti žaisti šaškėmis.

00:00:48.364 --> 00:00:51.544
Ir tai suveikė, be to, 1962 m.

00:00:51.544 --> 00:00:55.561
šis kompiuteris nugalėjo
Konektikuto čempioną.

NOTE Paragraph

00:00:55.561 --> 00:00:58.534
Taigi Arthur Samuel yra
gebančios mokytis mašinos tėvas,

00:00:58.534 --> 00:01:00.251
ir jam aš esu skolingas,

00:01:00.251 --> 00:01:03.014
nes aš esu gebančios mokytis
mašinos praktikas.

00:01:03.014 --> 00:01:04.839
Aš buvau „Kaggle“ prezidentu,

00:01:04.839 --> 00:01:07.867
bendruomenės su daugiau nei 200 000
besimokančios mašinos praktikų.

00:01:07.867 --> 00:01:09.925
„Kaggle“ skelbia konkursus

00:01:09.925 --> 00:01:13.633
pabandyti ir išspręsti
prieš tai neišspręstas problemas,

00:01:13.633 --> 00:01:17.470
ir tai pavyko šimtus kartų.

00:01:17.470 --> 00:01:19.940
Taigi turėdamas pranašumą
aš galėjau daug sužinoti

00:01:19.940 --> 00:01:23.890
apie tai, ką besimokančios mašinos
galėjo padaryti praeity, ką gali dabar,

00:01:23.890 --> 00:01:26.252
ir ką galėtų ateityje.

00:01:26.252 --> 00:01:30.675
Galbūt pirma didžiausia besimokančios
mašinos komercinė sėkmė buvo „Google“.

00:01:30.675 --> 00:01:33.784
„Google“ įrodė, kad įmanoma
surasti informaciją,

00:01:33.784 --> 00:01:35.536
naudojant kompiuterio algoritmą,

00:01:35.536 --> 00:01:38.437
šis algoritmas paremtas
mašinos gebėjimu mokytis.

00:01:38.437 --> 00:01:42.323
Nuo to laiko turime daugiau
komercinės sėkmės pavyzdžių.

00:01:42.323 --> 00:01:44.160
Įmonės, kaip „Amazon“ ir „Netflix“,

00:01:44.160 --> 00:01:47.876
naudoja besimokančias mašinas, kad
pasiūlytų tai, ką gal norėtumėte pirkti,

00:01:47.876 --> 00:01:49.896
filmų, kuriuos galbūt norėtumėte pamatyti.

00:01:49.896 --> 00:01:51.703
Kartais tai kelia baimę.

00:01:51.703 --> 00:01:53.657
Įmonės, kaip „LinkedIn“ ir „Facebook“,

00:01:53.657 --> 00:01:56.251
kartais pasiūlys jums, kas
galėtų būti jūsų draugais,

00:01:56.251 --> 00:01:58.228
ir jūs nežinote, kaip jie tai daro,

00:01:58.228 --> 00:02:01.195
ir tai tik dėl to, kad jie naudoja
besimokančios mašinos galią.

00:02:01.195 --> 00:02:04.152
Tai yra algoritmai, kurie iš duomenų
mokosi, kaip tai padaryti,

00:02:04.152 --> 00:02:07.399
užuot būtų programuojami ranka.

NOTE Paragraph

00:02:07.399 --> 00:02:09.877
Taip buvo ir su IBM pasisekimu,

00:02:09.877 --> 00:02:13.739
kad Watson sumuštų du
pasaulio čempionus žaidime „Jeopardy“,

00:02:13.739 --> 00:02:16.964
atsakinėjant neįtikėtinai subtilius ir
sunkius klausimus, kaip šis.

00:02:16.964 --> 00:02:19.799
[„Antik. „Nimrudo liūtas“ dingo
iš šio miesto muziejaus...“]

00:02:19.799 --> 00:02:23.034
Dėl tos pačios priežasties matome
pirmus automobilius be vairuotojų.

00:02:23.034 --> 00:02:25.856
Jei jūs norite įvardinti
skirtumą tarp, pavyzdžiui,

00:02:25.856 --> 00:02:28.488
medžio ir pėsčiojo,
ką gi, tai gana svarbu.

00:02:28.488 --> 00:02:31.075
Mes nežinome, kaip parašyti
šias programas ranka,

00:02:31.075 --> 00:02:34.072
bet su besimokančiomis mašinomis
dabar tai įmanoma.

00:02:34.072 --> 00:02:36.680
Išties, šis automobilis nuvažiavo
virš milijono mylių

00:02:36.680 --> 00:02:40.186
be jokių eismo įvykių įprastuose keliuose.

NOTE Paragraph

00:02:40.196 --> 00:02:44.110
Dabar žinome – kompiuteriai gali mokytis,

00:02:44.110 --> 00:02:46.010
ir jie gali išmokti daryti dalykus,

00:02:46.010 --> 00:02:48.848
kurių mes patys kartais,
nežinome kaip padaryti,

00:02:48.848 --> 00:02:51.733
o gal netgi padaryti geriau, nei mes.

00:02:51.733 --> 00:02:55.928
Vienas iš nuostabiausių mano matytų
besimokančios mašinos pavyzdžių

00:02:55.928 --> 00:02:58.320
nutiko mano vykdytame projekte „Kaggle“.

00:02:58.320 --> 00:03:01.911
Komanda, kuriai vadovavo vaikinas
vardu Geoffrey Hinton,

00:03:01.911 --> 00:03:03.463
iš Toronto universiteto,

00:03:03.463 --> 00:03:06.140
laimėjo varžybas už
automatinį vaistų atradimą.

00:03:06.140 --> 00:03:08.987
Keisčiausia ne tai, kad
jie paneigė visus

00:03:08.987 --> 00:03:13.000
Merck sukurtus ar tarptautinius
akademinės bendruomenės algoritmus,

00:03:13.000 --> 00:03:18.061
o tai, kad nei vienas neturėjo chemijos,
biologijos ar gamtos mokslų pagrindų,

00:03:18.061 --> 00:03:20.230
ir jie tai padarė per dvi savaites.

00:03:20.230 --> 00:03:21.611
Kaip jiems pavyko?

00:03:22.421 --> 00:03:25.342
Jie naudojo išskirtinį algoritmą,
vadinamą giliuoju mokymusi.

00:03:25.342 --> 00:03:28.291
Tai buvo tiek svarbu, kad ši
sėkmės istorija buvo aprašyta

00:03:28.291 --> 00:03:31.412
pirmajame „New York Times“ puslapyje
po kelių savaičių.

00:03:31.412 --> 00:03:34.147
Čia yra Geoffrey Hinton,
kairėje pusėje.

00:03:34.147 --> 00:03:38.488
Gilusis mokymasis yra algoritmas,
įkvėptas to, kaip dirba žmogaus smegenys,

00:03:38.488 --> 00:03:40.300
ir dėl to šis algoritmas

00:03:40.300 --> 00:03:44.141
neturi teorinių apribojimų tam,
ką jis gali daryti.

00:03:44.141 --> 00:03:46.964
Kuo daugiau jam duodi duomenų ir
laiko jiems apskaičiuoti,

00:03:46.964 --> 00:03:48.276
tuo jis geresnis.

NOTE Paragraph

00:03:48.276 --> 00:03:50.615
„New York Times“ taip pat
tame straipsnyje aprašė

00:03:50.615 --> 00:03:52.857
kitą išskirtinį 
gilaus mokymosi rezultatą,

00:03:52.857 --> 00:03:55.569
kurį dabar jums parodysiu.

00:03:55.569 --> 00:04:00.510
Tai rodo, kad kompiuteris
gali girdėti ir suprasti.

NOTE Paragraph

00:04:00.510 --> 00:04:03.221
(Video) Richard Rashid: Dabar

00:04:03.221 --> 00:04:06.246
paskutinis dalykas, ką norėčiau
padaryti šiame procese,

00:04:06.246 --> 00:04:10.961
yra kalbėti su jumis kiniškai.

00:04:10.961 --> 00:04:13.596
Pagrindinis dalykas,

00:04:13.596 --> 00:04:18.598
kad mes turėjome galimybę surinkti
daugybę informacijos iš kalbančių kiniškai

00:04:18.598 --> 00:04:21.128
ir sukurti teksto-kalbos sistemą,

00:04:21.128 --> 00:04:25.801
kuri paima kinišką tekstą
ir konvertuoja jį į kinų kalbą,

00:04:25.801 --> 00:04:29.929
ir tada mes paėmėme
apie valandą mano balso,

00:04:29.929 --> 00:04:31.820
ir tai panaudojome sumodeliuoti

00:04:31.820 --> 00:04:36.364
standartinę teksto-kalbos sistemą,
kuri kalbėtų mano balsu.

00:04:36.364 --> 00:04:38.904
Dar kartą, rezultatas nėra tobulas.

00:04:38.904 --> 00:04:41.552
Iš tiesų, yra keli netikslumai.

00:04:41.552 --> 00:04:44.036
(Kiniškai)

00:04:44.036 --> 00:04:47.403
(Plojimai)

00:04:49.446 --> 00:04:53.022
Dar daug reikia nuveikti šioje srityje.

00:04:53.022 --> 00:04:56.667
(Kiniškai)

00:04:56.667 --> 00:05:00.100
(Plojimai)

NOTE Paragraph

00:05:01.345 --> 00:05:04.744
Jeremy Howard: Tai buvo besimokan-
čių mašinų konferencija Kinijoje.

00:05:04.744 --> 00:05:07.114
Išties nedažnai pasitaiko
mokslo konferencijose

00:05:07.114 --> 00:05:09.011
išgirsti spontaniškus plojimus,

00:05:09.011 --> 00:05:12.687
nors, žinoma, kartais pasitaiko ir
TEDx konferencijose, nesivaržykite.

00:05:12.687 --> 00:05:15.482
Viskas, ką jūs čia matėte,
vyko su giliuoju mokymusi.

00:05:15.482 --> 00:05:17.007
(Plojimai) Dėkoju.

00:05:17.007 --> 00:05:19.289
Angliška transkripcija
buvo gilus mokymasis.

00:05:19.289 --> 00:05:22.701
Vertimas į kinų kalbą ir tekstas
viršuje dešinėje – gilus mokymasis,

00:05:22.701 --> 00:05:26.008
ir balso konstrukcija –
taip pat gilus mokymasis.

NOTE Paragraph

00:05:26.008 --> 00:05:29.242
Gilusis mokymasis yra
išskirtinis dalykas.

00:05:29.242 --> 00:05:32.341
Tai yra atskiras algoritmas,
kuris, atrodo, gali beveik viską,

00:05:32.341 --> 00:05:35.452
ir aš atradau, kad prieš metus
jis išmoko matyti.

00:05:35.452 --> 00:05:37.628
Šiame nežymiame konkurse Vokietijoje,

00:05:37.628 --> 00:05:40.225
pavadintame Vokiečių kelių ženklų
atpažinimo etalonu,

00:05:40.225 --> 00:05:43.618
gilusis mokymasis išmoko
atpažinti kelio ženklus, kaip šis.

00:05:43.618 --> 00:05:45.712
Ne tik galėjo
atpažinti kelio ženklus

00:05:45.712 --> 00:05:47.470
geriau, nei kiti algoritmai,

00:05:47.470 --> 00:05:50.189
rezultatų lentelė parodė,
kad jis buvo geresnis už žmones,

00:05:50.189 --> 00:05:52.041
netgi du kartus geresnis.

00:05:52.041 --> 00:05:54.037
Taigi 2011 m. turėjome pirmą pavyzdį

00:05:54.037 --> 00:05:57.442
kompiuterių, galinčių matyti
geriau, nei žmonės.

00:05:57.442 --> 00:05:59.491
Nuo tada daug kas įvyko.

00:05:59.491 --> 00:06:03.005
2012 m. „Google“ paskelbė, kad
jie leido gilaus mokymosi algoritmui

00:06:03.005 --> 00:06:04.420
žiūrėti „YouTube“ įrašus

00:06:04.420 --> 00:06:07.857
ir mėnesį rinko duomenis iš
16 000 kompiuterių,

00:06:07.857 --> 00:06:12.218
ir šie kompiuteriai savarankiškai išmoko
apie sąvokas, kaip žmonės ir katės,

00:06:12.218 --> 00:06:14.027
tiesiog žiūrėdami vaizdo įrašus.

00:06:14.027 --> 00:06:16.379
Tai panašu į tai,
kaip mokosi žmonės.

00:06:16.379 --> 00:06:19.119
Žmonės mokosi ne kai jiems sakoma,
ką jie mato,

00:06:19.119 --> 00:06:22.450
bet mokosi patys atrasdami,
kas šie dalykai yra.

00:06:22.450 --> 00:06:25.819
Taip pat 2012 m. Geoffrey Hinton,
kurį matėme anksčiau,

00:06:25.819 --> 00:06:28.677
laimėjo populiarų „ImageNet“ konkursą,

00:06:28.677 --> 00:06:32.818
bandantį apskaičiuoti
iš pusantro milijono vaizdų,

00:06:32.818 --> 00:06:34.256
kieno tai nuotraukos.

00:06:34.256 --> 00:06:37.789
Nors dabar 2014 m., mes vis dar
klystame 6 procentais

00:06:37.789 --> 00:06:39.242
atpažindami vaizdus.

00:06:39.242 --> 00:06:41.268
Ir vėlgi tai yra geriau, nei gali žmonės.

NOTE Paragraph

00:06:41.268 --> 00:06:45.037
Taigi mašinos išties daro
išskirtinį darbą šioje srityje,

00:06:45.037 --> 00:06:47.306
ir dabar tai naudojama pramonėje.

00:06:47.306 --> 00:06:50.348
Pavyzdžiui, „Google“ pernai paskelbė,

00:06:50.348 --> 00:06:54.933
kad į žemėlapį įtraukė kiekvieną atskirą
Prancūzijos vietą vos per dvi valandas,

00:06:54.933 --> 00:06:58.380
jie tai padarė perkeldami
gatvių vaizdus

00:06:58.380 --> 00:07:02.699
į gilaus mokymosi algoritmą,
kad atpažintų gatvių numerius.

00:07:02.699 --> 00:07:04.919
Įsivaizduokite, kaip ilgai
tai būtų užtrukę:

00:07:04.919 --> 00:07:08.274
daugybė žmonių ir metų.

00:07:08.274 --> 00:07:10.185
Tai vyksta ir Kinijoje.

00:07:10.185 --> 00:07:14.221
„Baidu“ yra savotiškas
kinų „Google“, spėju,

00:07:14.221 --> 00:07:16.504
ir tai, ką jūs matote viršuje kairėje

00:07:16.504 --> 00:07:20.478
yra pavyzdys nuotraukos, kurią aš
įkėliau į „Baidu“ gilaus mokymosi sistemą,

00:07:20.478 --> 00:07:24.247
ir apačioje jūs galite pamatyti, kad
sistema suprato, kas yra nuotraukoje,

00:07:24.247 --> 00:07:26.483
ir rado panašius vaizdus.

00:07:26.483 --> 00:07:29.219
Išties panašūs vaizdai
turi panašų foną,

00:07:29.219 --> 00:07:30.877
panašų snukių pasukimą,

00:07:30.877 --> 00:07:32.665
netgi kai kurie su iškištu liežuviu.

00:07:32.665 --> 00:07:35.695
Tai nelabai aišku, žiūrint
į tekstą tinklalapyje.

00:07:35.695 --> 00:07:37.107
Aš įkėliau tik nuotrauką.

00:07:37.107 --> 00:07:41.128
Taigi dabar mes turime kompiuterius,
kurie tikrai supranta, ką mato

00:07:41.128 --> 00:07:42.752
ir gali ieškoti duomenų bazėse

00:07:42.752 --> 00:07:46.306
šimtus milijonus
vaizdų realiu laiku.

NOTE Paragraph

00:07:46.306 --> 00:07:49.536
Taigi ką reiškia, kad
dabar kompiuteriai gali matyti?

00:07:49.536 --> 00:07:51.553
Tai ne tik, kad
kompiuteriai gali matyti.

00:07:51.553 --> 00:07:53.622
Išties, gilus mokymasis
padarė daugiau.

00:07:53.622 --> 00:07:56.570
Sudėtingi sakiniai su niuansais, kaip šis

00:07:56.570 --> 00:07:59.394
dabar yra suprantami
su gilaus mokymosi algoritmais.

00:07:59.394 --> 00:08:00.697
Kaip galite čia matyti.

00:08:00.697 --> 00:08:03.465
ši Stanfordu paremta sistema,
rodanti raudoną tašką viršuj,

00:08:03.465 --> 00:08:07.384
suprato, kad šis sakinys
išreiškia neigiamą mintį.

00:08:07.384 --> 00:08:10.790
Gilus mokymasis iš tiesų
artėja prie žmogaus gebėjimo

00:08:10.802 --> 00:08:15.923
suprasti, apie ką yra sakiniai
ir kas yra sakoma apie tuos dalykus.

00:08:15.923 --> 00:08:18.651
Taip pat, gilus mokymasis
buvo naudotas skaityti kiniškai

00:08:18.651 --> 00:08:21.807
dar kartą gimtosios
kinų kalbos skaitytojo lygiu.

00:08:21.807 --> 00:08:23.975
Šis algoritmas, sukurtas
Šveicarijoje žmonių,

00:08:23.975 --> 00:08:27.331
kurių nei vienas nekalba
ar supranta kiniškai.

00:08:27.331 --> 00:08:29.382
Kaip ir sakiau, gilaus mokymosi naudojimas

00:08:29.382 --> 00:08:31.601
už tai yra geriausia sistema
pasaulyje

00:08:31.601 --> 00:08:36.718
net palyginus su įgimtu
žmogaus suvokimu.

NOTE Paragraph

00:08:36.718 --> 00:08:39.682
Tai yra sistema, kurią mes
sudėjome mano kompanijoje,

00:08:39.682 --> 00:08:41.728
kuri rodo, kaip sudeda
viską į krūvą.

00:08:41.728 --> 00:08:44.189
Štai čia nuotraukos, kurios
neturi pridėto teksto,

00:08:44.189 --> 00:08:46.541
ir kai aš rašau šiuos žodžius,

00:08:46.541 --> 00:08:49.510
ji realiu laiku supranta 
šias nuotraukas


00:08:49.510 --> 00:08:51.189
ir išsiaiškina, apie ką jos,

00:08:51.189 --> 00:08:54.352
ir suranda nuotraukas, panašias
į tekstą, kurį aš rašau.

00:08:54.352 --> 00:08:57.108
Taigi jūs matote, kad ji išties
supranta mano žodžius

00:08:57.108 --> 00:08:59.332
ir iš tikrųjų supranta šiuos vaizdus.

00:08:59.332 --> 00:09:01.891
Žinau, kad jūs matėte
kažką panašaus „Google“,

00:09:01.891 --> 00:09:04.666
kur jūs rašote tekstą,
ir jums suranda vaizdus,

00:09:04.666 --> 00:09:08.090
bet iš tikrųjų ji tik ieško
tinklalapio su nurodytu tekstu.

00:09:08.090 --> 00:09:11.091
Tai išties skiriasi nuo tikro
vaizdų supratimo.

00:09:11.091 --> 00:09:13.843
Tai yra kažkas, ką kompiuteriai
galėjo padaryti

00:09:13.843 --> 00:09:17.091
pirmą kartą paskutiniais mėnesiais.

NOTE Paragraph

00:09:17.091 --> 00:09:21.182
Taigi mes matome, kad kompiuteriai
gali ne tik matyti, bet ir skaityti,

00:09:21.182 --> 00:09:24.947
ir, žinoma, mes parodėme, kad jie
gali suprasti ką girdi.

00:09:24.947 --> 00:09:28.389
Gal nenustebinsiu jums pasakydamas,
kad jie gali ir rašyti.

00:09:28.389 --> 00:09:33.172
Štai čia tekstas, kurį sugeneravau vakar
naudodamas gilaus mokymosi algoritmą.

00:09:33.172 --> 00:09:37.096
Ir štai čia - tekstas, kurį sugeneravo
Stanfordo algoritmas.

00:09:37.096 --> 00:09:38.860
Kiekvienas šių sakinių buvo sukurtas

00:09:38.860 --> 00:09:43.109
gilaus mokymosi algoritmo,
kad aprašytų kiekvieną šių vaizdų.

00:09:43.109 --> 00:09:47.581
Šis algoritmas prieš tai nebuvo matęs
vyro juodais marškinėliais grojant gitara.

00:09:47.581 --> 00:09:49.801
Jis yra matęs vyrą prieš tai,
yra matęs juodą,

00:09:49.801 --> 00:09:51.400
taip pat ir gitarą,

00:09:51.400 --> 00:09:55.694
bet jis savarankiškai sugeneravo
šį nuotraukos aprašymą.

00:09:55.694 --> 00:09:59.196
Kol kas tai neprilygsta žmogaus
gebėjimams, bet mes esame arti.

00:09:59.196 --> 00:10:03.264
Testuose žmonės teikia pirmenybę
kompiuterio sukurtai antraštei

00:10:03.264 --> 00:10:04.791
vieną iš keturių kartų.

00:10:04.791 --> 00:10:06.855
Šiai sistemai kol kas tik dvi savaitės,

00:10:06.855 --> 00:10:08.701
taigi tikėtina, kad per kitus metus

00:10:08.701 --> 00:10:11.502
kompiuterio algoritmas bus


00:10:11.502 --> 00:10:13.364
gerokai pralenkęs žmogaus gebėjimus.

00:10:13.364 --> 00:10:16.413
Taigi kompiuteriai taip pat gali rašyti.

NOTE Paragraph

00:10:16.413 --> 00:10:19.888
Taigi mes viską sudėjome, ir tai
veda į įdomias galimybes.

00:10:19.888 --> 00:10:21.380
Pavyzdžiui, medicinoje.

00:10:21.380 --> 00:10:23.905
Komanda Bostone pranešė,
kad jie atrado

00:10:23.905 --> 00:10:26.854
daugybę naujų kliniškai svarbių

00:10:26.854 --> 00:10:31.120
auglių bruožų, kurie padeda gydytojams
prognozuoti vėžį.

00:10:32.220 --> 00:10:34.516
Labai panašiai Stanforde

00:10:34.516 --> 00:10:38.179
ten esanti komanda pranešė, kad
tyrinėdami padidintus audinius

00:10:38.179 --> 00:10:40.560
jie sukūrė sistemą,
pagrįstą mašinos mokymusi,

00:10:40.560 --> 00:10:43.142
kuri išties yra geresnė,
už žmones patologus

00:10:43.142 --> 00:10:47.519
nustatant išgyvenimo tikimybę
sergantiems vėžiu.

00:10:47.519 --> 00:10:50.764
Abiem atvejais ne tik buvo
tikslesnės prognozės,

00:10:50.764 --> 00:10:53.266
bet jie sukūrė ir naują įžvalgos mokslą.

00:10:53.276 --> 00:10:54.781
Radiologijos atveju

00:10:54.781 --> 00:10:57.876
tai buvo nauji klinikiniai indikatoriai,
kuriuos supranta žmonės.

00:10:57.876 --> 00:10:59.668
Patologijos atveju

00:10:59.668 --> 00:11:04.168
kompiuterio sistema atrado, kad
ląstelės aplink vėžio židinį

00:11:04.168 --> 00:11:07.508
yra tokios pat svarbios,
kaip vėžinės ląstelės

00:11:07.508 --> 00:11:09.260
nustatant diagnozę.

00:11:09.260 --> 00:11:14.621
Tai yra atvirkščiai, nei patologai
buvo mokami dešimtmečiais.

00:11:14.621 --> 00:11:17.913
Kiekviename šių dviejų atvejų
buvo sukurtos sistemos

00:11:17.913 --> 00:11:21.534
derinant medicinos ekspertus
ir mašinos mokymosi ekspertus,

00:11:21.534 --> 00:11:24.275
bet paskutiniais metais
mes pažengėme į priekį.

00:11:24.275 --> 00:11:27.824
Štai čia pavyzdys, kaip
nustatomos vėžio ląstelės

00:11:27.824 --> 00:11:30.354
žmogaus audinyje po mikroskopu.

00:11:30.354 --> 00:11:34.967
Čia demonstruojama sistema
gali atpažinti šias vietas tiksliau,

00:11:34.967 --> 00:11:37.742
ar beveik taip pat tiksliai,
kaip gydytojai patologai,

00:11:37.742 --> 00:11:41.134
ji buvo sukurta vien su giliu
mokymusi, be jokių medicinos žinių

00:11:41.134 --> 00:11:43.660
žmonių, kurie neturi
jokio pagrindo šioje srityje.

00:11:44.730 --> 00:11:47.285
Panašiai čia, tai neurono segmentavimas.

00:11:47.285 --> 00:11:50.953
Dabar galime segmentuoti neuronus
beveik taip pat tiksliai, kaip žmonės,

00:11:50.953 --> 00:11:53.670
bet ši sistema sukurta
naudojant gilų mokymąsi

00:11:53.670 --> 00:11:56.921
žmonių, neturinčių ankstesnės
patirties medicinoje.

NOTE Paragraph

00:11:56.921 --> 00:12:00.148
Taigi aš, neturintis
jokio medicininio išsilavinimo,

00:12:00.148 --> 00:12:03.875
panašu, kad esu tinkamas
įsteigti naują medicinos kompaniją,

00:12:03.875 --> 00:12:06.021
ką aš ir padariau.

00:12:06.021 --> 00:12:07.761
Tam tikra prasme bijojau tą daryti,

00:12:07.761 --> 00:12:10.650
bet teorija, rodos, pati patarė,
kad turėtų būti įmanoma

00:12:10.650 --> 00:12:16.142
sukurti naudingą mediciną,
naudojant tik duomenų analizės technikas.

00:12:16.142 --> 00:12:18.622
Ir laimei, atsiliepimai
buvo puikūs,

00:12:18.622 --> 00:12:20.978
ne tik iš žiniasklaidos,
bet ir iš medikų,

00:12:20.978 --> 00:12:23.322
kurie labai palaikė.

00:12:23.322 --> 00:12:27.471
Teoriškai mes galime paimti
vidurinę medicininio proceso dalį

00:12:27.471 --> 00:12:30.364
ir paversti ją į duomenų analizę
kiek įmanoma daugiau,

00:12:30.364 --> 00:12:33.429
leidžiant gydytojams daryti tai,
ką jie geriausiai sugeba.

00:12:33.429 --> 00:12:35.031
Noriu jums duoti pavyzdį.

00:12:35.031 --> 00:12:39.975
Mums užtrunka apie 15 minučių
sukurti naują medicininės diagnozės testą,

00:12:39.975 --> 00:12:41.929
dabar aš jums parodysiu realiu laiku,

00:12:41.929 --> 00:12:45.416
bet aš sumažinau jį iki trijų
minučių išmesdamas kai kurias dalis.

00:12:45.416 --> 00:12:48.477
Užuot rodęs jums, kaip
kuriamas medicininės diagnozės testas,

00:12:48.477 --> 00:12:51.846
aš jums parodysiu
mašinų vaizdų diagnozės testą,

00:12:51.846 --> 00:12:54.068
nes šitai mes visi
galime suprasti.

NOTE Paragraph

00:12:54.068 --> 00:12:57.269
Taigi pradedame su
apie 1,5 milijono automobilių vaizdų,

00:12:57.269 --> 00:13:00.475
ir aš noriu sukurti kažką,
kas gali juos išskaidyti pagal

00:13:00.475 --> 00:13:02.698
padarytos nuotraukos kampą.

00:13:02.698 --> 00:13:06.586
Šie vaizdai yra be žymių,
taigi turiu pradėti nuo pradžių.

00:13:06.586 --> 00:13:08.451
Naudojant gilaus mokymosi algoritmą

00:13:08.451 --> 00:13:12.158
jis gali automatiškai identifikuoti
struktūros vietas šiuose vaizduose.

00:13:12.158 --> 00:13:15.778
Nuostabu, kad žmogus ir kompiuteris
dabar gali kartu dirbti.

00:13:15.778 --> 00:13:17.956
Taigi žmogus, kaip jūs matote čia,

00:13:17.956 --> 00:13:20.631
nurodo kompiuteriui
jam rūpimas vietas,

00:13:20.631 --> 00:13:25.281
nori, kad kompiuteris
išbandytų ir pagerintų savo algoritmą.

00:13:25.281 --> 00:13:29.577
Dabar šios gilaus mokymosi sistemos
yra 16 000 dimensijų erdvėje,

00:13:29.577 --> 00:13:33.009
taigi jūs matote kompiuterį,
besisukantį šioje erdvėje,

00:13:33.009 --> 00:13:35.001
ieškantį naujų struktūros vietų.

00:13:35.001 --> 00:13:36.782
Ir, kai jam tai pavyksta,

00:13:36.782 --> 00:13:40.786
žmogus, kuris jį valdo, tada
atkreipia dėmesį į įdomias vietas.

00:13:40.786 --> 00:13:43.208
Taigi kompiuteris
sėkmingai surado vietas,

00:13:43.208 --> 00:13:45.770
pavyzdžiui, kampus.

00:13:45.770 --> 00:13:47.376
Kai perėjome šį procesą,

00:13:47.376 --> 00:13:49.716
mes tolygiai nurodome
kompiuteriui vis daugiau

00:13:49.716 --> 00:13:52.144
apie struktūrų tipus,
kurių mes ieškome.

00:13:52.144 --> 00:13:53.916
Įsivaizduokite diagnostikos teste

00:13:53.916 --> 00:13:57.266
tai būtų patologas, identifikuojantis,
pavyzdžiui, susirgimo tipą,

00:13:57.266 --> 00:14:02.292
arba radiologas, nustatantis
potencialiai pavojingus mazgelius.

00:14:02.292 --> 00:14:04.851
Ir kartais tai gali būti
sudėtinga algoritmui.

00:14:04.851 --> 00:14:06.815
Šiuo atveju jis šiek tiek pasimetė.

00:14:06.815 --> 00:14:09.365
Mašinų priekiai ir galai
yra sumaišyti.

00:14:09.365 --> 00:14:11.437
Taigi turime būti dėmesingesni,

00:14:11.437 --> 00:14:14.669
rankiniu būdu atrinkdami šiuos priekius,
kaip galų priešingybes

00:14:14.669 --> 00:14:20.175
tada nurodyti kompiuteriui,
kad šio tipo grupė

00:14:20.175 --> 00:14:21.523
mus domina.

NOTE Paragraph

00:14:21.523 --> 00:14:24.200
Taigi mes tai darome kurį laiką,
šiek tiek praleidžiame,

00:14:24.200 --> 00:14:26.446
ir tada treniruojame
mašinos mokymosi algoritmą,

00:14:26.446 --> 00:14:28.420
paremtą keliais šimtais dalykų,

00:14:28.420 --> 00:14:30.445
ir mes tikimės, kad jis patobulės.

00:14:30.445 --> 00:14:33.518
Dabar matote, kad jis pradėjo
išmetinėti kai kuriuos vaizdus,

00:14:33.518 --> 00:14:38.226
rodydamas mums, kad jau žino,
kaip pačiam suprasti kai kuriuos vaizdus.

00:14:38.226 --> 00:14:41.128
Tada mes galime naudoti šį
panašių vaizdų konceptą,

00:14:41.128 --> 00:14:43.222
ir naudojant panašius vaizdus, matote,

00:14:43.222 --> 00:14:47.241
kompiuteris šioje vietoje sugeba
atrasti vien automobilių priekius.

00:14:47.241 --> 00:14:50.189
Šiuo atveju žmogus
gali pasakyti kompiuteriui,

00:14:50.189 --> 00:14:52.482
puiku, tu padarei
gerą darbą.

NOTE Paragraph

00:14:53.652 --> 00:14:55.837
Kartais, žinoma, net ir šiuo momentu

00:14:55.837 --> 00:14:59.511
tai vis dar sudėtinga
atskirti grupes.

00:14:59.511 --> 00:15:03.395
Net jei mes leidžiame
kompiuteriui bandyti kurį laiką,

00:15:03.399 --> 00:15:06.744
mes vis dar randame, kad kairės ir
dešinės pusės vaizdai

00:15:06.744 --> 00:15:08.222
yra visi sumaišyti.

00:15:08.222 --> 00:15:10.362
Mes galime vėl kompiuteriui
duoti užuominų,

00:15:10.362 --> 00:15:13.338
sakome - gerai, pabandyk ir rask
projekciją, kuri kuo labiau

00:15:13.338 --> 00:15:15.945
išskiria kaires puses nuo dešinių

00:15:15.945 --> 00:15:18.067
naudojant šį gilaus mokymosi algoritmą.

00:15:18.067 --> 00:15:21.009
Ir davus užuominą –
ak, puiku, pavyko.

00:15:21.009 --> 00:15:23.891
Jam pavyko surasti mąstymo
apie šiuos objektus būdą,

00:15:23.891 --> 00:15:26.271
kas atskyrė detales.

NOTE Paragraph

00:15:26.271 --> 00:15:28.709
Taigi jūs mane supratote.

00:15:28.709 --> 00:15:36.906
Čia ne tas atvejis, kur žmogus
yra pakeičiamas kompiuterio,

00:15:36.906 --> 00:15:39.546
bet tas, kai jie dirba kartu.

00:15:39.546 --> 00:15:43.096
Ką mes čia darome, tai išstumiame
kažką, kam reikėdavo komandos

00:15:43.096 --> 00:15:45.098
iš penkių ar šešių žmonių 7 metams,

00:15:45.098 --> 00:15:47.703
ir pakeičiame tai su kažkuo,
kas užtrunka 15 min.

00:15:47.703 --> 00:15:50.208
veikiant vienam asmeniui.

NOTE Paragraph

00:15:50.208 --> 00:15:54.158
Šiam procesui prireikia
4 ar 5 pakartojimų.

00:15:54.158 --> 00:15:56.017
Dabar matote, kad turime 62 proc.

00:15:56.017 --> 00:15:58.976
iš mūsų 1,5 milijono vaizdų
suskirstytų teisingai.

00:15:58.976 --> 00:16:01.448
Ir šiame etape mes
galime pradėti gana greitai

00:16:01.448 --> 00:16:02.745
imti pilnas dalis,

00:16:02.745 --> 00:16:05.664
patikrinti jas ir įsitikinti,
kad nėra klaidų.

00:16:05.664 --> 00:16:09.616
Jei yra klaidų, leidžiame
kompiuteriui jas žinoti.

00:16:09.616 --> 00:16:12.661
Ir naudodami tokį procesą
kiekvienai atskirai grupei

00:16:12.661 --> 00:16:15.148
mes pasiekiame 80 proc.
sėkmės rodiklį

00:16:15.148 --> 00:16:17.563
skirstant 1,5 milijono vaizdų.

00:16:17.563 --> 00:16:19.641
Šiuo momentu tai tik problema,

00:16:19.641 --> 00:16:23.220
kaip surasti mažą kiekį,
kuris nėra teisingai suklasifikuotas,

00:16:23.220 --> 00:16:26.108
ir pabandyti suprasti kodėl.

00:16:26.108 --> 00:16:27.851
Naudojant šį metodą,

00:16:27.851 --> 00:16:31.972
per 15 minučių mes
suklasifikuojame 97 proc.

NOTE Paragraph

00:16:31.972 --> 00:16:36.572
Tokio tipo technika leistų
mums išspręsti pagrindinę problemą –

00:16:36.578 --> 00:16:39.614
medicininės ekspertizės
trūkumą pasaulyje.

00:16:39.614 --> 00:16:43.103
Pasaulio ekonomikos forumas teigia,
kad gydytojų trūkumas siekia

00:16:43.103 --> 00:16:45.727
nuo 10 iki 20 kartų
besivystančiose šalyse,

00:16:45.727 --> 00:16:47.840
ir prireiktų apie 300 metų

00:16:47.840 --> 00:16:50.734
išmokyti pakankamai žmonių
šiai problemai panaikinti.

00:16:50.734 --> 00:16:53.619
Įsivaizduokite, jei galėtume
padidinti jų efektyvumą

00:16:53.619 --> 00:16:56.458
naudodami šiuos gilaus mokymosi būdus?

NOTE Paragraph

00:16:56.458 --> 00:16:58.690
Esu labai susijaudinęs
dėl šių galimybių.

00:16:58.690 --> 00:17:01.279
Man taip pat rūpi šios problemos.

00:17:01.279 --> 00:17:04.403
Problema ta, kad
kiekviena mėlyna spalva šiame žemėlapyje

00:17:04.403 --> 00:17:08.172
rodo, kur paslaugos užima
virš 80 procentų užimtumo.

00:17:08.172 --> 00:17:09.959
Kokios tai paslaugos?

00:17:09.959 --> 00:17:11.473
Štai šios paslaugos.

00:17:11.473 --> 00:17:15.627
Taip pat tai konkretūs dalykai, kuriuos
kompiuteriai jau išmoko daryti.

00:17:15.627 --> 00:17:19.431
Taigi 80 proc. pasaulio užimtumo
išsivysčiusiame pasaulyje

00:17:19.431 --> 00:17:21.963
yra dalykai, kuriuos kompiuteriai
jau išmoko daryti.

00:17:21.963 --> 00:17:23.403
Ką tai reiškia?

00:17:23.403 --> 00:17:25.986
Ką gi, viskas bus gerai.
Jie bus pakeisti kitų darbų.

00:17:25.986 --> 00:17:28.693
Pavyzdžiui, bus daugiau darbo
duomenų mokslininkams.

00:17:28.693 --> 00:17:29.510
Tiesa, nelabai.

00:17:29.510 --> 00:17:32.628
Duomenų mokslininkams
neužtrunka ilgai tai sukurti.

00:17:32.628 --> 00:17:35.880
Pavyzdžiui, šie keturi algoritmai
buvo sukurti to paties vaikino.

00:17:35.880 --> 00:17:38.318
Taigi, jei galvojate, ak,
taip jau buvo anksčiau,

00:17:38.318 --> 00:17:42.126
mes matėme rezultatus praeity,
kai atsirado nauji dalykai

00:17:42.126 --> 00:17:44.378
ir jie buvo pakeisti naujų darbų,

00:17:44.378 --> 00:17:46.494
kokie tie nauji darbai bus?

00:17:46.494 --> 00:17:48.365
Labai sunku mums tai įvertinti,

00:17:48.365 --> 00:17:51.104
nes žmogaus veikla
auga palaipsniui,

00:17:51.104 --> 00:17:53.666
o mes turime sistemą, gilų mokymąsi,

00:17:53.666 --> 00:17:56.893
kuris, mes jau žinome, auga
eksponentiniu pajėgumu.

00:17:56.893 --> 00:17:58.498
Ir štai mes čia.

00:17:58.498 --> 00:18:00.559
Šiuo metu mes matome, kas aplinkui dedasi

00:18:00.559 --> 00:18:03.235
ir mes sakome, „Ak, kompiuteriai yra
gana kvaili“. Taip?

00:18:03.235 --> 00:18:06.664
Bet po penkerių metų
kompiuteriai peraugs šią lentelę.

00:18:06.664 --> 00:18:10.529
Mums reikia pradėti galvoti
apie šį sugebėjimą jau dabar.

NOTE Paragraph

00:18:10.529 --> 00:18:12.579
Mes tai jau matėme kartą, žinoma.

00:18:12.579 --> 00:18:13.966
Pramonės perversme

00:18:13.966 --> 00:18:16.817
mes matėme pasikeitimą
pajėgume dėka variklių.

00:18:17.667 --> 00:18:20.805
Dalykas tas, vis dėlto,
kad po kurio laiko viskas nusistovės.

00:18:20.805 --> 00:18:22.507
Tuomet buvo socialinis lūžis,

00:18:22.507 --> 00:18:25.946
bet vos tik varikliai buvo panaudoti
jėgos generavimui visose situacijose

00:18:25.946 --> 00:18:28.300
viskas išties nusistovėjo.

00:18:28.300 --> 00:18:29.773
Mašinų mokymosi revoliucija

00:18:29.773 --> 00:18:32.682
labai skirsis nuo
Pramonės perversmo,

00:18:32.682 --> 00:18:35.632
nes mašinų mokymosi revoliucija
niekada nenusistovės.

00:18:35.632 --> 00:18:38.614
Kuo kompiuteriai taps geresni
intelektualinėje veikloje,

00:18:38.614 --> 00:18:42.862
tuo geresnius kompiuterius jie gali
sukurti dar geresnei veiklai,

00:18:42.862 --> 00:18:44.770
taigi tai bus pasikeitimas,

00:18:44.770 --> 00:18:47.248
kurio pasaulis iš tiesų
niekada nebuvo patyręs.

00:18:47.248 --> 00:18:50.554
Taigi jūsų ankstesnis suvokimas,
kas yra įmanoma, yra skirtingas.

NOTE Paragraph

00:18:50.974 --> 00:18:52.754
Tai jau daro mums įtaką.

00:18:52.754 --> 00:18:56.384
Paskutiniais 25 metais,
padidėjus kapitalo produktyvumui,

00:18:56.400 --> 00:19:00.588
darbo jėgos produktyvumas buvo nuoseklus,
tiesą sakant, truputį žemas.

NOTE Paragraph

00:19:01.408 --> 00:19:04.149
Taigi noriu, kad mes pradėtume
apie tai diskutuoti.

00:19:04.149 --> 00:19:07.176
Žinau, kad, kai kalbu žmonėms
apie šią situaciją,

00:19:07.176 --> 00:19:08.766
žmonės gali būti gana priešiški.

00:19:08.766 --> 00:19:10.459
Kompiuteriai negali tikrai galvoti,

00:19:10.459 --> 00:19:13.367
jie neturi jausmų,
jie nesupranta poezijos,

00:19:13.367 --> 00:19:15.888
mes nelabai suprantame, kaip jie dirba.

00:19:15.888 --> 00:19:17.374
Tai kas?

00:19:17.374 --> 00:19:19.178
Kompiuteriai jau dabar daro dalykus,

00:19:19.178 --> 00:19:21.897
kuriems žmonės skiria daugiausia
savo apmokamo laiko,

00:19:21.897 --> 00:19:23.628
dabar pats laikas pradėti mąstyti

00:19:23.628 --> 00:19:28.015
apie tai, kaip mes pritaikysime savo
socialines ir ekonomines struktūras,

00:19:28.015 --> 00:19:29.855
kad suvoktume šią naują realybę.

00:19:29.855 --> 00:19:31.388
Dėkoju.

00:19:31.388 --> 00:19:32.190
(Plojimai.)