1
00:00:00,880 --> 00:00:04,893
Als je vroeger een computer 
iets nieuws wilde laten doen,

2
00:00:04,893 --> 00:00:06,447
moest je hem programmeren.

3
00:00:06,447 --> 00:00:09,858
Voor wie het nooit zelf heeft gedaan:

4
00:00:09,858 --> 00:00:13,360
programmeren vereist 
dat je tot in het allerpijnlijkste detail

5
00:00:13,360 --> 00:00:16,727
elke stap uitschrijft 
van wat je wil dat de computer doet

6
00:00:16,727 --> 00:00:19,089
om je doel te bereiken.

7
00:00:19,089 --> 00:00:22,585
Als je iets wil doen, waarvan je 
zelf niet weet hoe je het moet doen,

8
00:00:22,585 --> 00:00:24,648
dan is dit een grote uitdaging.

9
00:00:24,648 --> 00:00:28,131
Dat was de uitdaging 
voor deze man, Arthur Samuel.

10
00:00:28,131 --> 00:00:32,208
In 1956 wilde hij 
deze computer zover krijgen

11
00:00:32,208 --> 00:00:34,548
dat hij Samuel zelf kon verslaan 
bij het dammen.

12
00:00:34,548 --> 00:00:36,588
Hoe schrijf je een programma

13
00:00:36,588 --> 00:00:40,394
dat tot in het allerpijnlijkste detail, 
beter is in dammen dan je zelf bent?

14
00:00:40,394 --> 00:00:42,116
Hij kwam met een idee:

15
00:00:42,116 --> 00:00:45,840
hij liet de computer duizenden keren 
tegen zichzelf spelen

16
00:00:45,840 --> 00:00:48,364
en daarbij leren hoe te dammen.

17
00:00:48,364 --> 00:00:51,544
Het werkte en in 1962 versloeg

18
00:00:51,544 --> 00:00:54,951
deze computer de kampioen 
van de staat Connecticut.

19
00:00:54,951 --> 00:00:58,534
Zo werd Arthur Samuel 
de vader van het ‘machinaal leren’.

20
00:00:58,534 --> 00:01:00,251
Ik heb veel aan hem te danken,

21
00:01:00,251 --> 00:01:03,014
want ik doe aan machinaal leren.

22
00:01:03,014 --> 00:01:04,479
Ik was voorzitter van Kaggle,

23
00:01:04,479 --> 00:01:07,867
een gemeenschap van meer dan 
200.000 machinaal-lerenbeoefenaars.

24
00:01:07,867 --> 00:01:09,925
Kaggle organiseert wedstrijden

25
00:01:09,925 --> 00:01:13,633
om eerder onopgeloste problemen
op te lossen.

26
00:01:13,633 --> 00:01:17,470
Dat lukte al honderden keren.

27
00:01:17,470 --> 00:01:19,940
Daardoor kon ik heel wat te weten komen

28
00:01:19,940 --> 00:01:23,890
over wat machinaal leren kon doen 
in het verleden, vandaag,

29
00:01:23,890 --> 00:01:26,252
en wat het zou kunnen doen in de toekomst.

30
00:01:26,252 --> 00:01:30,675
Misschien is Google het eerste grote 
commerciële succes van machinaal leren.

31
00:01:30,675 --> 00:01:33,784
Google liet zien dat het mogelijk is 
om informatie te vinden

32
00:01:33,784 --> 00:01:35,536
met een computeralgoritme.

33
00:01:35,536 --> 00:01:38,267
Dit algoritme is gebaseerd 
op machinaal leren.

34
00:01:38,267 --> 00:01:42,053
Sinds die tijd heeft machinaal leren 
heel wat commerciële successen geboekt.

35
00:01:42,053 --> 00:01:45,350
Bedrijven als Amazon en Netflix
gebruiken machinaal leren

36
00:01:45,350 --> 00:01:48,046
om producten te suggereren 
die je misschien wilt kopen,

37
00:01:48,046 --> 00:01:49,896
of films om naar te kijken.

38
00:01:49,896 --> 00:01:51,703
Soms is het bijna griezelig.

39
00:01:51,703 --> 00:01:53,437
Bedrijven zoals LinkedIn en Facebook

40
00:01:53,437 --> 00:01:56,251
kunnen je soms vertellen 
wie je vrienden zouden kunnen zijn

41
00:01:56,251 --> 00:01:58,828
en je hebt geen idee 
hoe dat in zijn werk ging.

42
00:01:58,828 --> 00:02:01,195
Dat is de kracht van machinaal leren.

43
00:02:01,195 --> 00:02:04,152
Deze algoritmen hebben dit
uit gegevens geleerd te doen

44
00:02:04,152 --> 00:02:07,399
in plaats van door manueel programmeren.

45
00:02:07,399 --> 00:02:09,877
Daarom ook kon Watson van IBM

46
00:02:09,877 --> 00:02:12,879
de twee wereldkampioenen 
bij "Jeopardy" verslaan

47
00:02:12,879 --> 00:02:16,219
door heel subtiele en complexe vragen
als deze te beantwoorden.

48
00:02:16,219 --> 00:02:20,149
["O.a. de oude 'Leeuw van Nimrod' verdween
hier in 2003 uit het nationaal museum."]

49
00:02:20,149 --> 00:02:23,034
Ook daarom kunnen we nu
de eerste zelfsturende auto's zien.

50
00:02:23,034 --> 00:02:26,716
Het verschil zien tussen 
een boom en een voetganger

51
00:02:26,716 --> 00:02:28,258
is dan nogal belangrijk.

52
00:02:28,258 --> 00:02:31,355
We weten niet hoe we zulke programma's
handmatig moeten schrijven,

53
00:02:31,355 --> 00:02:33,622
maar met machinaal leren kan het.

54
00:02:33,622 --> 00:02:37,210
Deze auto heeft er al meer 
dan een miljoen kilometer opzitten

55
00:02:37,210 --> 00:02:40,186
zonder ongevallen en op gewone wegen.

56
00:02:40,196 --> 00:02:44,110
We weten nu dat computers kunnen leren,

57
00:02:44,110 --> 00:02:46,010
en computers dingen kunnen leren doen

58
00:02:46,010 --> 00:02:49,648
waarvan we eigenlijk soms niet weten 
hoe we ze zelf moeten doen,

59
00:02:49,648 --> 00:02:51,733
of kunnen ze misschien beter doen dan wij.

60
00:02:51,733 --> 00:02:53,928
Een van de meest 
verbazingwekkende voorbeelden 


61
00:02:53,928 --> 00:02:56,123
van machinaal leren die ik heb gezien,

62
00:02:56,123 --> 00:02:58,930
zag ik op een project 
dat ik op Kaggle leidde.

63
00:02:58,930 --> 00:03:02,683
Een team geleid door Geoffrey Hinton
van de Universiteit van Toronto

64
00:03:02,683 --> 00:03:06,520
won een wedstrijd in het geautomatiseerd 
ontdekken van geneesmiddelen.

65
00:03:06,520 --> 00:03:10,587
Het was al buitengewoon
dat ze alle algoritmen van Merck

66
00:03:10,587 --> 00:03:13,269
en de internationale 
academische gemeenschap versloegen,

67
00:03:13,269 --> 00:03:15,600
maar daarbij had niemand in het team
een achtergrond

68
00:03:15,600 --> 00:03:17,820
in scheikunde, biologie 
of levenswetenschappen,

69
00:03:17,820 --> 00:03:20,230
en ze deden het in twee weken.

70
00:03:20,230 --> 00:03:21,611
Hoe deden ze het?

71
00:03:22,421 --> 00:03:25,342
Ze gebruikten een buitengewoon algoritme: 
‘deep learning’.

72
00:03:25,342 --> 00:03:28,291
Zo belangrijk was dat,
dat het een paar weken later

73
00:03:28,291 --> 00:03:31,412
in The New York Times 
als voorpagina-artikel verscheen.

74
00:03:31,412 --> 00:03:34,147
Dit is Geoffrey Hinton hier links.

75
00:03:34,147 --> 00:03:38,488
Deep learning is een algoritme
geïnspireerd op het menselijk brein.

76
00:03:38,488 --> 00:03:40,300
Daardoor is het een algoritme

77
00:03:40,300 --> 00:03:44,141
zonder theoretische beperkingen 
op wat het kan doen.

78
00:03:44,141 --> 00:03:46,964
Hoe meer gegevens 
en rekentijd je het geeft,

79
00:03:46,964 --> 00:03:48,276
hoe beter het wordt.

80
00:03:48,276 --> 00:03:50,375
De New York Times toonde 
in dit artikel ook

81
00:03:50,375 --> 00:03:53,117
een ander uitzonderlijk resultaat 
van deep learning.

82
00:03:53,117 --> 00:03:55,569
Ik ga het je nu laten zien.

83
00:03:55,569 --> 00:04:00,510
Het toont aan dat computers 
kunnen luisteren en begrijpen.

84
00:04:00,510 --> 00:04:03,221
(Video) Richard Rashid: 
De laatste stap

85
00:04:03,221 --> 00:04:06,246
die ik in dit proces wil kunnen zetten,

86
00:04:06,246 --> 00:04:10,961
is om je daadwerkelijk 
in het Chinees aan te spreken.

87
00:04:10,961 --> 00:04:13,596
Het belangrijkste is

88
00:04:13,596 --> 00:04:18,598
dat we een grote hoeveelheid informatie 
van vele Chinese sprekers konden vergaren

89
00:04:18,598 --> 00:04:21,128
en een tekst-naar-spraaksysteem produceren

90
00:04:21,128 --> 00:04:25,801
dat Chinese tekst 
omzet naar Chinese spreektaal.

91
00:04:25,801 --> 00:04:29,929
Daarna hebben we een paar uren 
mijn eigen stem opgenomen

92
00:04:29,929 --> 00:04:33,800
en ze gebruikt om het standaard 
tekst-naar-spraak systeem te moduleren

93
00:04:33,800 --> 00:04:36,364
zodat het zou klinken zoals ik.

94
00:04:36,364 --> 00:04:38,904
Het resultaat is niet perfect.

95
00:04:38,904 --> 00:04:41,552
Er zitten nogal wat fouten in.

96
00:04:41,552 --> 00:04:44,036
(In het Chinees)

97
00:04:44,036 --> 00:04:47,403
(Applaus)

98
00:04:49,446 --> 00:04:53,022
Er is nog veel werk te doen 
op dit gebied.

99
00:04:53,022 --> 00:04:56,667
(In het Chinees)

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

101
00:05:00,855 --> 00:05:04,744
Jeremy Howard: Dat was op een conferentie 
over machinaal leren in China.

102
00:05:04,744 --> 00:05:07,114
Op wetenschappelijke congressen

103
00:05:07,114 --> 00:05:09,011
hoor je niet vaak spontaan applaus,

104
00:05:09,011 --> 00:05:12,687
maar natuurlijk wel eens 
bij TEDx conferenties, het mag.

105
00:05:12,687 --> 00:05:15,482
Alles wat je zag, 
gebeurde met deep learning.

106
00:05:15,482 --> 00:05:17,007
(Applaus) 
Dank je.

107
00:05:17,007 --> 00:05:19,289
De transcriptie in het Engels 
was deep learning.

108
00:05:19,289 --> 00:05:23,501
Ook de vertaling naar Chinees en de tekst 
in de rechterbovenhoek is deep learning.

109
00:05:23,501 --> 00:05:26,008
De constructie van de stem, 
weer deep learning.

110
00:05:26,008 --> 00:05:29,242
Deep learning is buitengewoon.

111
00:05:29,242 --> 00:05:32,341
Een enkel algoritme 
lijkt bijna alles te kunnen.

112
00:05:32,341 --> 00:05:35,362
Een jaar eerder ontdekte ik 
dat het systeem ook had leren zien.

113
00:05:35,362 --> 00:05:37,758
Bij een minder bekende 
wedstrijd in Duitsland,

114
00:05:37,758 --> 00:05:40,545
de German Traffic Sign 
Recognition Benchmark,

115
00:05:40,545 --> 00:05:43,750
heeft deep learning verkeersborden 
zoals deze leren herkennen.

116
00:05:43,755 --> 00:05:47,320
Niet alleen kan het verkeersborden
beter dan enig ander algoritme herkennen,

117
00:05:47,320 --> 00:05:51,849
het scorebord liet zien dat het ook
ongeveer twee keer beter was dan mensen.

118
00:05:51,849 --> 00:05:54,617
In 2011 hadden we dus het eerste voorbeeld

119
00:05:54,617 --> 00:05:57,442
van computers die beter 
kunnen zien dan mensen.

120
00:05:57,442 --> 00:05:59,491
Sinds die tijd is er veel gebeurd.

121
00:05:59,491 --> 00:06:02,545
In 2012 kondigde Google aan 
dat ze een deep learning-algoritme

122
00:06:02,545 --> 00:06:04,420
YouTube-video’s lieten bekijken.

123
00:06:04,420 --> 00:06:07,857
Het verwerkte een maand lang 
de gegevens op 16.000 computers,

124
00:06:07,857 --> 00:06:11,928
en de computer leerde zelfstandig 
over begrippen als mensen en katten

125
00:06:11,928 --> 00:06:14,027
gewoon door naar de video's te kijken.

126
00:06:14,027 --> 00:06:16,379
Net als de manier waarop mensen leren.

127
00:06:16,379 --> 00:06:19,119
Mensen leren niet doordat hen 
wordt verteld wat ze zien,

128
00:06:19,119 --> 00:06:22,450
maar door zichzelf 
deze dingen te leren.

129
00:06:22,450 --> 00:06:25,819
Ook in 2012, won Geoffrey Hinton, 
die we eerder zagen,

130
00:06:25,819 --> 00:06:28,677
de zeer populaire ImageNet-wedstrijd,

131
00:06:28,677 --> 00:06:32,818
door te kijken naar anderhalf miljoen 
afbeeldingen om erachter te komen

132
00:06:32,818 --> 00:06:34,256
wat ze voorstelden.

133
00:06:34,256 --> 00:06:37,789
Vanaf 2014 zitten we op 
een zes procent foutenpercentage

134
00:06:37,789 --> 00:06:39,242
bij beeldherkenning.

135
00:06:39,242 --> 00:06:41,268
Dit is alweer beter dan mensen.

136
00:06:41,268 --> 00:06:45,037
Machines kunnen dit buitengewoon goed

137
00:06:45,037 --> 00:06:47,306
en het wordt nu gebruikt in de industrie.

138
00:06:47,306 --> 00:06:50,348
Vorig jaar kondigde 
Google bijvoorbeeld aan

139
00:06:50,348 --> 00:06:54,933
dat ze elke locatie in Frankrijk 
in twee uur tijd in kaart hadden gebracht,

140
00:06:54,933 --> 00:06:58,380
door Street View-beelden

141
00:06:58,380 --> 00:07:02,169
met een deep learning-algoritme te herkennen 
en de huisnummers te lezen.

142
00:07:02,169 --> 00:07:05,399
Stel je voor hoe lang het 
anders zou hebben geduurd:

143
00:07:05,399 --> 00:07:08,274
tientallen mensen, vele jaren.

144
00:07:08,274 --> 00:07:10,185
Dit gebeurt ook in China.

145
00:07:10,185 --> 00:07:14,221
Baidu is een soort Chinese Google, 
denk ik,

146
00:07:14,221 --> 00:07:16,504
en wat je hier ziet 
in de linkerbovenhoek,

147
00:07:16,504 --> 00:07:19,085
is een voorbeeld van een foto 
die ik heb geüpload 


148
00:07:19,085 --> 00:07:20,956
naar Baidu’s deep learning-systeem.

149
00:07:20,956 --> 00:07:24,607
Daaronder kun je zien dat het systeem 
heeft begrepen wat dat beeld is

150
00:07:24,607 --> 00:07:26,223
en gelijkaardige beelden vond.

151
00:07:26,223 --> 00:07:29,219
De gelijkaardige beelden 
hebben gelijkaardige achtergronden,

152
00:07:29,219 --> 00:07:30,877
dezelfde richtingen van gezichten,

153
00:07:30,877 --> 00:07:32,665
sommige zelfs met hun tong uit.

154
00:07:32,665 --> 00:07:35,695
Dit is niet zomaar wat kijken 
naar de tekst van een webpagina.

155
00:07:35,695 --> 00:07:37,927
Alles wat ik uploadde, waren beelden.

156
00:07:37,927 --> 00:07:41,128
Dus hebben we nu computers 
die echt begrijpen wat ze zien

157
00:07:41,128 --> 00:07:42,752
en derhalve databases

158
00:07:42,752 --> 00:07:46,306
van honderden miljoenen beelden 
in real time doorzoeken.

159
00:07:46,306 --> 00:07:49,536
Wat betekent het nu 
dat computers kunnen zien?

160
00:07:49,536 --> 00:07:51,553
Computers kunnen niet alleen maar zien.

161
00:07:51,553 --> 00:07:53,622
Deep learning doet meer.

162
00:07:53,622 --> 00:07:56,570
Complexe, genuanceerde zinnen zoals deze

163
00:07:56,570 --> 00:07:59,394
zijn nu begrijpelijk 
met deep learning-algoritmen.

164
00:07:59,394 --> 00:08:00,697
Zoals je hier kunt zien,

165
00:08:00,697 --> 00:08:03,465
heeft dit systeem van Stanford
met de rode stip bovenaan

166
00:08:03,465 --> 00:08:07,384
uitgeknobbeld dat deze zin 
een negatief sentiment weergeeft.

167
00:08:07,384 --> 00:08:10,790
Deep learning komt in de buurt 
van menselijke prestaties

168
00:08:10,802 --> 00:08:15,923
bij het begrijpen waar zinnen over gaan 
en wat ze zeggen over die dingen.

169
00:08:15,923 --> 00:08:18,651
Ook is deep learning gebruikt 
om Chinees te lezen,

170
00:08:18,651 --> 00:08:21,807
weer op ongeveer het niveau 
van Chinese moedertaalsprekers.

171
00:08:21,807 --> 00:08:23,975
Dit algoritme werd 
in Zwitserland ontwikkeld

172
00:08:23,975 --> 00:08:27,331
alweer door mensen die geen 
Chinees spreken of begrijpen.

173
00:08:27,331 --> 00:08:29,132
Zoals ik al zei, deep learning

174
00:08:29,132 --> 00:08:31,771
is zowat het beste systeem 
ter wereld hiervoor,

175
00:08:31,771 --> 00:08:36,717
zelfs in vergelijking 
met autochtoon menselijk begrijpen.

176
00:08:36,717 --> 00:08:39,682
Het is een systeem dat we
op mijn bedrijf hebben ontwikkeld

177
00:08:39,682 --> 00:08:41,727
door dit allemaal te combineren.

178
00:08:41,727 --> 00:08:44,188
Dit zijn foto’s 
zonder bijhorende tekst,

179
00:08:44,188 --> 00:08:46,541
en terwijl ik hier zinnen typ,

180
00:08:46,541 --> 00:08:49,510
begrijpt het deze foto’s in real time,

181
00:08:49,510 --> 00:08:51,189
zoekt uit waarover ze gaan

182
00:08:51,189 --> 00:08:54,352
en vindt foto’s die lijken op
de tekst die ik schrijf.

183
00:08:54,352 --> 00:08:59,322
Zoals jullie kunnen zien, begrijpt het
mijn zinnen en deze foto's echt.

184
00:08:59,332 --> 00:09:01,891
Dit heb je vast al gezien op Google,

185
00:09:01,891 --> 00:09:04,666
waar je woorden kunt intypen 
en het je afbeeldingen toont,

186
00:09:04,666 --> 00:09:07,790
maar eigenlijk doorzoekt het 
de webpagina op tekst.

187
00:09:07,790 --> 00:09:11,441
Dat is heel wat anders dan 
werkelijk begrijpen van de afbeeldingen.

188
00:09:11,441 --> 00:09:13,843
Dit kunnen computers alleen nog maar

189
00:09:13,843 --> 00:09:17,091
sinds de laatste paar maanden.

190
00:09:17,091 --> 00:09:21,182
Computers kunnen dus niet alleen zien, 
maar ook lezen,

191
00:09:21,182 --> 00:09:24,467
en, zoals we hebben aangetoond,
ook begrijpen wat ze horen.

192
00:09:24,467 --> 00:09:28,599
Misschien niet zo verwonderlijk 
dat ik je vertel dat ze kunnen schrijven.

193
00:09:28,599 --> 00:09:33,172
Deze tekst genereerde ik gisteren
met een deep learning-algoritme.

194
00:09:33,172 --> 00:09:37,096
En hier een stukje tekst dat 
een algoritme van Stanford genereerde.

195
00:09:37,096 --> 00:09:38,860
Elk van deze zinnen werd gegenereerd

196
00:09:38,860 --> 00:09:43,109
door een deep learning-algoritme 
om elk van deze foto's te beschrijven.

197
00:09:43,109 --> 00:09:47,581
Dit algoritme had nog nooit een man
in een zwart shirt gitaar zien spelen.

198
00:09:47,581 --> 00:09:49,801
Het had al apart een man, zwart

199
00:09:49,801 --> 00:09:51,400
en een gitaar gezien,

200
00:09:51,400 --> 00:09:55,694
maar genereerde onafhankelijk 
de nieuwe beschrijving van dit beeld.

201
00:09:55,694 --> 00:09:58,047
We zijn nog niet zover
als menselijke prestaties,

202
00:09:58,047 --> 00:09:59,310
maar we komen in de buurt.

203
00:09:59,310 --> 00:10:02,794
Bij tests geven mensen 
één op de vier keer de voorkeur

204
00:10:02,794 --> 00:10:04,961
aan het bijschrift van de computer. 


205
00:10:04,961 --> 00:10:06,855
Dit systeem is nog maar twee weken oud,

206
00:10:06,855 --> 00:10:09,491
dus waarschijnlijk 
zal in de loop van volgend jaar,

207
00:10:09,491 --> 00:10:12,762
het computer-algoritme 
het beter doen dan mensen.

208
00:10:13,364 --> 00:10:16,413
Computers kunnen dus ook schrijven.

209
00:10:16,413 --> 00:10:19,888
Dit alles tezamen leidt 
tot zeer interessante mogelijkheden.

210
00:10:19,888 --> 00:10:23,295
In de geneeskunde heeft
een team in Boston aangekondigd

211
00:10:23,295 --> 00:10:27,224
tientallen nieuwe klinisch relevante
eigenschappen van tumoren

212
00:10:27,224 --> 00:10:31,120
te hebben ontdekt, wat artsen helpt bij
het maken van prognoses voor kanker.

213
00:10:31,980 --> 00:10:34,516
Ook in Stanford maakte een groep bekend

214
00:10:34,516 --> 00:10:37,569
dat ze, kijkend
naar weefsels onder vergroting,

215
00:10:37,569 --> 00:10:40,790
een op machinaal-leren gebaseerd 
systeem hebben ontwikkeld

216
00:10:40,790 --> 00:10:43,142
dat beter was dan menselijke pathologen

217
00:10:43,142 --> 00:10:47,519
in het voorspellen van overlevingskansen 
voor kankerpatiënten.

218
00:10:47,519 --> 00:10:50,764
In beide gevallen werden niet alleen 
de voorspellingen nauwkeuriger,

219
00:10:50,764 --> 00:10:53,266
maar ze genereerden 
nieuwe inzichtelijke wetenschap.

220
00:10:53,276 --> 00:10:54,421
Bij de radiologie

221
00:10:54,421 --> 00:10:57,876
waren dat nieuwe klinische indicatoren 
die mensen kunnen begrijpen.

222
00:10:57,876 --> 00:10:59,668
Bij de pathologie

223
00:10:59,668 --> 00:11:04,168
ontdekte het computersysteem 
dat de cellen rond de kanker

224
00:11:04,168 --> 00:11:07,508
even belangrijk zijn 
als de kankercellen zelf

225
00:11:07,508 --> 00:11:09,260
bij het maken van een diagnose.

226
00:11:09,260 --> 00:11:14,621
Dit is het tegenovergestelde van wat 
pathologen decennialang hadden geleerd.

227
00:11:14,621 --> 00:11:17,913
In beide gevallen 
werden systemen ontwikkeld

228
00:11:17,913 --> 00:11:21,534
door een combinatie van medische experts 
en machinaal-lerenexperts,

229
00:11:21,534 --> 00:11:24,275
maar dat was vorig jaar, 
nu staan we verder.

230
00:11:24,275 --> 00:11:27,824
Dit is een voorbeeld van identificatie 
van carcinomateuze gebieden

231
00:11:27,824 --> 00:11:30,354
van menselijk weefsel 
onder een microscoop.

232
00:11:30,354 --> 00:11:32,575
Het systeem dat hier wordt getoond,

233
00:11:32,575 --> 00:11:34,798
kan deze doelgebieden 
preciezer identificeren

234
00:11:34,798 --> 00:11:37,842
of ongeveer net zo precies 
als menselijke pathologen, maar werd

235
00:11:37,842 --> 00:11:41,134
geheel ontwikkeld met deep learning
zonder medische expertise

236
00:11:41,134 --> 00:11:43,660
door mensen zonder achtergrond 
op dat gebied.

237
00:11:44,730 --> 00:11:47,045
Evenzo bij deze neuronen-segmentatie.

238
00:11:47,045 --> 00:11:48,623
We kunnen nu neuronen ongeveer

239
00:11:48,623 --> 00:11:51,371
net zo nauwkeurig onderscheiden 
als mensen het kunnen,

240
00:11:51,371 --> 00:11:53,670
maar dit systeem 
is ontwikkeld met deep learning

241
00:11:53,670 --> 00:11:56,921
met mensen zonder eerdere 
achtergrond in de geneeskunde.

242
00:11:56,921 --> 00:12:00,148
Ikzelf, als iemand zonder eerdere 
achtergrond in de geneeskunde,

243
00:12:00,148 --> 00:12:04,305
lijk helemaal gekwalificeerd te zijn om
een nieuw medisch bedrijf op te starten,

244
00:12:04,305 --> 00:12:05,931
wat ik dan ook deed.

245
00:12:05,931 --> 00:12:07,761
Ik was doodsbang om het te doen,

246
00:12:07,761 --> 00:12:10,940
maar de theorie leek te suggereren 
dat het mogelijk moet zijn

247
00:12:10,940 --> 00:12:15,917
om aan zeer bruikbare geneeskunde te doen 
met deze data-analyse technieken.

248
00:12:15,964 --> 00:12:18,622
Gelukkig is de feedback 
fantastisch geweest.

249
00:12:18,622 --> 00:12:20,018
Niet alleen van de media

250
00:12:20,018 --> 00:12:23,262
maar ook van de medische gemeenschap,
die zeer positief reageerde.

251
00:12:23,262 --> 00:12:27,471
De theorie is dat wij het middelste deel 
van het medische proces kunnen overnemen

252
00:12:27,471 --> 00:12:30,364
en dat zoveel mogelijk 
in gegevensanalyse omzetten

253
00:12:30,364 --> 00:12:33,429
om artsen dat te laten doen 
waarin ze uitblinken.

254
00:12:33,429 --> 00:12:35,031
Ik geef een voorbeeld.

255
00:12:35,031 --> 00:12:37,080
Het kost ons nu ongeveer 15 minuten

256
00:12:37,080 --> 00:12:39,899
om een nieuwe medische diagnostische 
test te genereren.

257
00:12:39,899 --> 00:12:41,929
Ik toon het in real-time,

258
00:12:41,929 --> 00:12:45,216
maar comprimeerde het tot drie minuten 
door wat weg te laten.

259
00:12:45,216 --> 00:12:48,727
In plaats van het creëren van 
een medisch-diagnostische test te tonen,

260
00:12:48,727 --> 00:12:51,846
toon ik een diagnostische test 
van afbeeldingen van auto's,

261
00:12:51,846 --> 00:12:54,068
want dat begrijpen we allemaal.

262
00:12:54,068 --> 00:12:57,269
We beginnen hier met ongeveer 
1,5 miljoen afbeeldingen van auto's,

263
00:12:57,269 --> 00:13:00,475
en ik wil iets maken 
dat hen kan sorteren

264
00:13:00,475 --> 00:13:02,698
volgens de hoek 
vanwaar de foto werd genomen.

265
00:13:02,698 --> 00:13:06,586
Deze beelden zijn ongelabeld, 
dus moet ik beginnen vanaf nul.

266
00:13:06,586 --> 00:13:08,451
Met ons deep learning-algoritme

267
00:13:08,451 --> 00:13:12,158
kan het automatisch structuurdelen 
identificeren in deze beelden.

268
00:13:12,158 --> 00:13:15,778
Het leuke is dat mens en computer 
nu kunnen samenwerken.

269
00:13:15,778 --> 00:13:17,956
De mens zoals hier te zien,

270
00:13:17,956 --> 00:13:20,631
wijst de computer op aandachtsgebieden

271
00:13:20,631 --> 00:13:25,281
waarvan hij wil dat de computer ze 
gebruikt om het algoritme te verbeteren.

272
00:13:25,281 --> 00:13:29,577
Deze deep learning-systemen zijn in feite 
in een 16.000-dimensionale ruimte.

273
00:13:29,577 --> 00:13:33,009
Je kunt de computer dit 
in die ruimte zien draaien,

274
00:13:33,009 --> 00:13:35,001
om nieuwe structuurgebieden te vinden.

275
00:13:35,001 --> 00:13:36,782
Als dat lukt,

276
00:13:36,782 --> 00:13:40,786
kan de mens dan wijzen 
op gebieden die interessant zijn.

277
00:13:40,786 --> 00:13:43,208
Hier heeft de computer 
goede gebieden gevonden,

278
00:13:43,208 --> 00:13:45,770
bijvoorbeeld hoeken.

279
00:13:45,770 --> 00:13:47,376
Bij het doorlopen van dit proces,

280
00:13:47,376 --> 00:13:50,136
vertellen we de computer 
geleidelijk aan meer en meer

281
00:13:50,136 --> 00:13:52,144
over de soorten structuren 
die we zoeken.

282
00:13:52,144 --> 00:13:54,826
Je kunt je voorstellen 
dat in een diagnostische test

283
00:13:54,826 --> 00:13:57,266
een patholoog zieke gebieden 
gaat identificeren

284
00:13:57,266 --> 00:14:02,292
of een radioloog potentieel 
gevaarlijke knobbeltjes aanwijst.

285
00:14:02,292 --> 00:14:04,851
Soms wordt het moeilijk 
voor het algoritme.

286
00:14:04,851 --> 00:14:06,295
Hier raakte het in de war.

287
00:14:06,295 --> 00:14:09,605
De voor- en achterkanten van de auto's 
worden door elkaar gehaald.

288
00:14:09,605 --> 00:14:11,437
Dus moeten we hier wat preciezer zijn,

289
00:14:11,437 --> 00:14:14,669
voor- en achterkanten handmatig selecteren

290
00:14:14,669 --> 00:14:16,475
en de computer vertellen

291
00:14:16,475 --> 00:14:21,523
dat dit een soort groep is
waarin we geïnteresseerd zijn.

292
00:14:21,523 --> 00:14:24,200
Dat doen we even, 
we slaan even wat over,

293
00:14:24,200 --> 00:14:26,446
en trainen daarmee 
het machinaal-lerenalgoritme

294
00:14:26,446 --> 00:14:28,420
op basis van die paar honderd dingen,

295
00:14:28,420 --> 00:14:30,445
en hopen dat het dan veel beter gaat.

296
00:14:30,445 --> 00:14:33,518
Jullie zien, hij begint nu
sommige van deze foto’s te vervagen,

297
00:14:33,518 --> 00:14:37,586
en laat daarmee zien dat het
sommige ervan zelf begint te begrijpen.

298
00:14:37,586 --> 00:14:41,418
We kunnen dan gebruik maken 
van het concept van soortgelijke foto's,

299
00:14:41,418 --> 00:14:43,222
daarmee kun je nu zien

300
00:14:43,222 --> 00:14:47,241
dat de computer in staat is om alleen 
de voorkanten van auto’s te vinden.

301
00:14:47,241 --> 00:14:50,189
Nu kan de mens de computer vertellen:

302
00:14:50,189 --> 00:14:52,482
“Oké, dat heb je goed gedaan.”

303
00:14:53,652 --> 00:14:55,837
Maar zelfs op dit punt

304
00:14:55,837 --> 00:14:59,511
is het soms nog steeds moeilijk 
groepen te scheiden.

305
00:14:59,511 --> 00:15:03,395
Zelfs na de computer
dit een tijdje te laten roteren,

306
00:15:03,399 --> 00:15:06,744
zien we nog steeds dat foto’s
van de linker- en de rechterzijde

307
00:15:06,744 --> 00:15:08,052
door elkaar worden gehaald.

308
00:15:08,052 --> 00:15:10,702
We kunnen dan de computer 
weer enkele tips geven,

309
00:15:10,702 --> 00:15:13,338
en zeggen dat hij een projectie 
moet zoeken

310
00:15:13,338 --> 00:15:15,945
die de linker- en rechterkant 
zoveel mogelijk scheidt

311
00:15:15,945 --> 00:15:18,067
door middel van
een deep learning-algoritme.

312
00:15:18,067 --> 00:15:21,009
En met die hint – 
ah, oké, het is gelukt.

313
00:15:21,009 --> 00:15:23,891
Hij vond een manier 
van denken over deze objecten

314
00:15:23,891 --> 00:15:26,271
dat ze van elkaar scheidde.

315
00:15:26,271 --> 00:15:28,709
Je ziet het idee erachter.

316
00:15:28,709 --> 00:15:36,906
Hier werd de mens 
niet vervangen door een computer,

317
00:15:36,906 --> 00:15:39,546
maar ze werkten samen.

318
00:15:39,626 --> 00:15:45,488
Dit zou een team van vijf of zes personen 
zeven jaar hebben gekost.

319
00:15:45,488 --> 00:15:47,703
Dit duurt 15 minuten

320
00:15:47,703 --> 00:15:50,208
voor één enkele persoon.

321
00:15:50,208 --> 00:15:54,158
Dit proces neemt ongeveer 
vier of vijf iteraties in beslag.

322
00:15:54,158 --> 00:15:56,017
Je kunt zien dat we nu 62%

323
00:15:56,017 --> 00:15:58,976
van onze 1,5 miljoen beelden 
correct hebben geclassificeerd.

324
00:15:58,976 --> 00:16:02,738
Vanaf nu kunnen we vrij snel
heel grote secties aanpakken

325
00:16:02,745 --> 00:16:05,664
en controleren of er 
geen fouten werden gemaakt.

326
00:16:05,664 --> 00:16:09,616
Waar fouten zijn,
kunnen we de computer daarop wijzen.

327
00:16:09,616 --> 00:16:12,661
Met dit soort proces voor elk 
van de verschillende groepen,

328
00:16:12,661 --> 00:16:15,148
hebben we nu een 80% kans op succes

329
00:16:15,148 --> 00:16:17,563
bij het sorteren
van de 1,5 miljoen afbeeldingen.

330
00:16:17,563 --> 00:16:19,641
Dan is het nog zaak

331
00:16:19,641 --> 00:16:23,220
het kleine aantal te vinden
dat niet correct werd ingedeeld

332
00:16:23,220 --> 00:16:26,108
en proberen te begrijpen waarom.

333
00:16:26,108 --> 00:16:27,851
Met behulp van die aanpak

334
00:16:27,851 --> 00:16:31,972
krijgen we op 15 minuten 
tot 97% juiste classificatie.

335
00:16:31,972 --> 00:16:36,572
Dit soort techniek stelt ons in staat 
een groot probleem op te lossen,

336
00:16:36,578 --> 00:16:39,614
namelijk het gebrek 
aan medische expertise in de wereld.

337
00:16:39,614 --> 00:16:43,103
Het Wereld Economisch Forum zegt 
dat er tussen de 10 en 20 keer

338
00:16:43,103 --> 00:16:45,727
te weinig artsen zijn 
in de derde wereld.

339
00:16:45,727 --> 00:16:47,620
Het zou ongeveer 300 jaar duren

340
00:16:47,620 --> 00:16:50,994
om voldoende mensen op te leiden 
om dat probleem op te lossen.

341
00:16:50,994 --> 00:16:53,619
Stel dat we hun efficiëntie 
kunnen verbeteren

342
00:16:53,619 --> 00:16:56,458
met behulp van deep learning?

343
00:16:56,458 --> 00:16:58,690
Ik ben erg enthousiast 
over de mogelijkheden.

344
00:16:58,690 --> 00:17:01,279
Maar ik zie ook problemen.

345
00:17:01,279 --> 00:17:04,403
Het probleem hier is dat
elk gebied in het blauw op deze kaart

346
00:17:04,403 --> 00:17:08,752
ergens is waar de dienstensector instaat 
voor meer dan 80% van de werkgelegenheid.

347
00:17:08,752 --> 00:17:09,959
Wat zijn diensten?

348
00:17:09,959 --> 00:17:11,473
Dit zijn diensten.

349
00:17:11,473 --> 00:17:15,627
Dit zijn ook exact die dingen 
die computers net hebben leren doen.

350
00:17:15,627 --> 00:17:19,431
Dus 80% van de werkgelegenheid 
in de ontwikkelde wereld

351
00:17:19,431 --> 00:17:21,963
zijn zaken die computers 
net hebben leren doen.

352
00:17:21,963 --> 00:17:23,123
Wat betekent dat?

353
00:17:23,123 --> 00:17:24,588
Het komt wel goed.

354
00:17:24,588 --> 00:17:26,179
Er komen wel andere banen.

355
00:17:26,179 --> 00:17:28,690
Bijvoorbeeld meer banen 
voor datawetenschappers.

356
00:17:28,690 --> 00:17:32,628
Nou, niet echt. Datawetenschappers
kunnen deze dingen heel snel ontwikkelen.

357
00:17:32,628 --> 00:17:35,880
Zo werden deze vier algoritmes 
alle ontwikkeld door dezelfde man.

358
00:17:35,880 --> 00:17:38,748
Als je denkt: “Ach, het is allemaal 
al eerder gebeurd,

359
00:17:38,748 --> 00:17:42,126
we zagen wat er vroeger gebeurde 
als er nieuwe dingen kwamen,

360
00:17:42,126 --> 00:17:44,378
ze worden vervangen door nieuwe banen.”

361
00:17:44,378 --> 00:17:46,494
Maar wat zullen deze nieuwe banen zijn?

362
00:17:46,494 --> 00:17:48,125
Moeilijk in te schatten,

363
00:17:48,125 --> 00:17:51,104
omdat menselijk kunnen 
met dit geleidelijke tempo groeit,

364
00:17:51,104 --> 00:17:53,666
maar we hebben nu
een deep learning-systeem

365
00:17:53,666 --> 00:17:56,893
dat eigenlijk exponentieel 
in mogelijkheden toeneemt.

366
00:17:56,893 --> 00:17:58,498
Hier zijn we.

367
00:17:58,498 --> 00:17:59,969
We kijken naar wat we hebben

368
00:17:59,969 --> 00:18:03,235
en zeggen: "Ach, computers zijn 
nog steeds behoorlijk dom." Ja?

369
00:18:03,235 --> 00:18:06,664
Maar in vijf jaar tijd zullen computers 
buiten deze grafiek vallen.

370
00:18:06,664 --> 00:18:10,049
Daar moeten we nu al beginnen 
over na te denken.

371
00:18:10,049 --> 00:18:12,579
Hebben we dit niet 
al eerder zien gebeuren?

372
00:18:12,579 --> 00:18:13,966
In de Industriële Revolutie

373
00:18:13,966 --> 00:18:16,817
deden we een grote stap 
in mogelijkheden dankzij machines.

374
00:18:17,667 --> 00:18:20,345
Maar na een tijdje vlakte het wat af.

375
00:18:20,345 --> 00:18:22,657
Er was maatschappelijke ontwrichting,

376
00:18:22,657 --> 00:18:25,946
maar zodra machines in alle situaties 
voor energie gingen zorgen,

377
00:18:25,946 --> 00:18:28,300
kalmeerde het weer.

378
00:18:28,300 --> 00:18:29,773
De Machinaal-Leren Revolutie

379
00:18:29,773 --> 00:18:32,682
zal heel wat anders zijn 
dan de Industriële Revolutie,

380
00:18:32,682 --> 00:18:35,632
omdat de Machinaal-Leren Revolutie
nooit gaat stoppen.

381
00:18:35,632 --> 00:18:38,614
Hoe beter computers worden 
in intellectuele activiteiten,

382
00:18:38,614 --> 00:18:42,862
hoe meer ze betere computers kunnen bouwen
om intellectuele vermogens te verbeteren.

383
00:18:42,862 --> 00:18:44,770
Dit gaat om een soort verandering

384
00:18:44,770 --> 00:18:47,248
die de wereld nog nooit 
eerder heeft meegemaakt.

385
00:18:47,248 --> 00:18:50,554
Je vorige idee van wat mogelijk is,
schiet tekort.

386
00:18:50,974 --> 00:18:52,754
Dit beïnvloedt ons nu al.

387
00:18:52,754 --> 00:18:56,384
Terwijl in de afgelopen 25 jaar 
de kapitaalproductiviteit toenam,

388
00:18:56,400 --> 00:19:00,588
ging het voor de arbeidsproductiviteit 
zelfs een beetje omlaag.

389
00:19:01,408 --> 00:19:04,149
Ik zou deze discussie 
nu willen opstarten.

390
00:19:04,149 --> 00:19:07,176
Ik weet dat wanneer ik 
mensen hierover vertel,

391
00:19:07,176 --> 00:19:08,666
ze vaak heel afwijzend zijn:

392
00:19:08,666 --> 00:19:11,169
"Computers kunnen toch niet echt denken,

393
00:19:11,169 --> 00:19:13,367
voelen, poëzie begrijpen.

394
00:19:13,367 --> 00:19:15,888
We begrijpen niet echt hoe ze werken."

395
00:19:15,888 --> 00:19:17,374
Dus?

396
00:19:17,374 --> 00:19:19,178
Computers kunnen nu dingen doen

397
00:19:19,178 --> 00:19:21,897
waarvoor mensen al hun hele leven 
betaald werden,

398
00:19:21,897 --> 00:19:24,318
dus is het nu tijd om te gaan nadenken

399
00:19:24,318 --> 00:19:28,015
hoe we onze sociale 
en economische structuren gaan aanpassen

400
00:19:28,015 --> 00:19:30,535
en ons bewust worden 
van deze nieuwe realiteit.

401
00:19:30,535 --> 00:19:31,388
Bedankt.

402
00:19:31,388 --> 00:19:32,190
(Applaus)