0:00:00.350,0:00:01.880
Eskiden bilgisayarınıza

0:00:01.880,0:00:04.453
yeni bir şeyler yaptırmak isteseniz

0:00:04.453,0:00:06.257
programlamanız gerekirdi.

0:00:06.257,0:00:08.898
Şimdi, programlama; burada hiç yapmayanlar

0:00:08.898,0:00:11.950
için söylüyorum, her adımı, her detayı

0:00:11.950,0:00:15.317
bilgisayarın yapmasını istediğin [br]her şeyi amacına

0:00:15.317,0:00:18.869
ulaşman için tasarlaman gerekir.

0:00:18.869,0:00:21.595
Nasıl yapacağını bilmediğin bir şeyi

0:00:21.595,0:00:24.648
yapmak istiyorsan bu çok zorlu olacak.

0:00:24.648,0:00:28.131
Arthur Samuel de bunu yaptı.

0:00:28.131,0:00:31.548
1956'da bilgisayarının onu

0:00:31.548,0:00:34.548
damada yenebilmesini istiyordu.

0:00:34.548,0:00:37.108
Her detayıyla nasıl bir [br]program tasarlayarak

0:00:37.108,0:00:40.594
damada senden daha iyi [br]olmasını sağlayabilirsin?

0:00:40.594,0:00:42.116
Bu soruna bir çözüm buldu:

0:00:42.116,0:00:45.840
Binlerce kez bilgisayarıyla dama oynayacak

0:00:45.840,0:00:48.364
ve böylece bilgisayara damayı öğrenecekti.

0:00:48.364,0:00:51.544
Bu işe yaradı ve 1962'de bilgisayar

0:00:51.544,0:00:55.561
Connecticut eyaleti şampiyonunu yendi.

0:00:55.561,0:00:58.534
Bu şekilde Arthur Samuel, [br]makine öğrenmenin

0:00:58.534,0:01:00.251
fikir öncüsüydü ve ona borçluyum,

0:01:00.251,0:01:03.014
çünkü bir makine öğrenimi uygulayıcısıyım.

0:01:03.014,0:01:04.479
200 bini aşkın uygulayıcıyı

0:01:04.479,0:01:07.867
biraraya getiren Kaggle'ın başkanıydım.

0:01:07.867,0:01:09.925
Kaggle yarışmalar düzenleyip çözülememiş

0:01:09.925,0:01:13.633
problemleri çözmeye çalışıyordu ve

0:01:13.633,0:01:17.470
yüzlerce kez başarılı oldular.

0:01:17.470,0:01:19.940
Bu açıdan bakıldığında, makine öğreniminin

0:01:19.940,0:01:23.890
geçmişte, günümüzde ve gelecekte planlanan

0:01:23.890,0:01:26.252
çalışmaları hakkında çok şey öğrendim.

0:01:26.252,0:01:27.726
Ticari anlamda belki de

0:01:27.726,0:01:29.200
makine öğreniminin

0:01:29.200,0:01:30.675
ilk başarısı Google'dır.

0:01:30.675,0:01:33.494
Google bilgisayar algoritması ile

0:01:33.494,0:01:35.536
bilgilere erişmeyi mümkün kılar ve

0:01:35.536,0:01:38.437
bu algoritma makine öğrenimini temel alır.

0:01:38.437,0:01:42.317
Bugüne kadar birçok ticari [br]olarak başarılı uygulaması oldu.

0:01:42.317,0:01:44.773
Amazon, Netflix gibi bir çok

0:01:44.773,0:01:46.570
başarılı şirket makine öğrenimini

0:01:46.570,0:01:47.876
ürünlerini ve filmlerini

0:01:47.876,0:01:49.896
satmak için kullanmışlardır.

0:01:49.896,0:01:51.703
Bu bazen ürkütücü olabilir.

0:01:51.703,0:01:53.917
LinkedIn ve Facebook gibi[br]şirketler bazen size

0:01:53.917,0:01:56.251
tanıyor olabileceğiniz kişileri [br]gösterir ve siz

0:01:56.251,0:01:58.228
bunu nasıl yaptığını bilemezsiniz; işte

0:01:58.228,0:02:01.195
bu makine öğreniminin eseridir.

0:02:01.195,0:02:04.152
Bu sistem, programlanmak yerine datadan

0:02:04.152,0:02:07.399
öğrenen algoritmalardan oluşur.

0:02:07.399,0:02:09.877
Bu IBM'in Watson ile Jeopardy yarışmasında

0:02:09.877,0:02:13.739
oldukça zor ve karışık soruları doğru

0:02:13.739,0:02:16.964
cevaplayarak nasıl iki dünya şampiyonunu

0:02:16.964,0:02:19.799
yenmeyi başardığını açıklar.

0:02:19.799,0:02:23.034
İnsansız arabalar da [br]bu sistem ile çalışır.

0:02:23.034,0:02:25.856
Yaya ile ağaç arasındaki farkı söylemek

0:02:25.856,0:02:28.488
isterseniz buyrun, söyleyin bu çok önemli.

0:02:28.488,0:02:31.075
Bu programların elle nasıl yazıldığını

0:02:31.075,0:02:34.072
bilmiyoruz ama makine öğrenimi ile mümkün.

0:02:34.072,0:02:36.110
Ve bu arabalar bir düz yolda

0:02:36.110,0:02:39.178
kaza yapmadan 1 milyon mili aştı.

0:02:40.798,0:02:42.326
Böylece bilgisayarların, [br]öğrenebildiğini

0:02:42.326,0:02:44.110
ve bazen bizim yapmayı bilmediğimiz

0:02:44.110,0:02:46.010
şeyleri yapmayı öğrenebildiklerini

0:02:46.010,0:02:48.848
veya bizden bunları bizden daha

0:02:48.848,0:02:51.733
iyi yapabileceklerini görüyoruz.

0:02:51.733,0:02:54.478
Makine öğreniminin en iyi örneklerini

0:02:54.478,0:02:57.650
Kaggle'da yürüttüğümüz bir projede gördüm:

0:02:57.940,0:03:01.911
Toronto Üniversitesi'nden Geoffrey Hinton

0:03:01.911,0:03:03.840
ve ekibi otomatik uyuşturucu tespiti

0:03:03.840,0:03:06.130
alanında yarışmayı kazandı.

0:03:06.140,0:03:07.140
Burada ilginç olansa;

0:03:07.140,0:03:10.277
Merck veya uluslararası akademik çevrenin

0:03:10.277,0:03:12.540
geliştirdiği bütün algoritmaları kimya

0:03:12.540,0:03:15.061
ve biyoloji gibi alanlarda geçmişi

0:03:15.061,0:03:18.061
olmayan kişilerin algoritmayı [br]çözmeleri değil bunu

0:03:18.061,0:03:20.230
2 haftada yapmış olmaları.

0:03:20.230,0:03:21.611
Peki bunu nasıl başardılar?

0:03:22.421,0:03:25.342
Derin Öğrenme denilen olağanüstü[br]bir algoritma kullandılar.

0:03:25.342,0:03:28.291
Bu o kadar önemli bir başarıydı ki birkaç

0:03:28.291,0:03:31.412
hafta sonra New York Times'ın [br]kapağında yer aldı.

0:03:31.412,0:03:34.147
Sol kenarda Geoffrey Hinton vardı.

0:03:34.147,0:03:37.558
Derin Öğrenme, insan beyninin [br]çalışmasından

0:03:37.558,0:03:39.960
ilham alınarak[br]oluşturulmuş bir algoritmadır

0:03:39.960,0:03:43.971
ve kapasitesi konusunda[br]teorik kısıtlamalar içermez.

0:03:43.971,0:03:46.474
Ona ne kadar çok veri ve zaman verirseniz

0:03:46.474,0:03:48.276
o kadar iyi sonuçlar [br]elde edersiniz.

0:03:48.276,0:03:50.615
New York Times'ın haberinde derin öğrenme

0:03:50.615,0:03:51.615
ile elde edilen

0:03:51.615,0:03:52.857
bir sonuç daha vardı;

0:03:52.857,0:03:54.147
onu da şimdi göstereceğim:

0:03:54.977,0:03:56.189
Sonuca göre:

0:03:56.189,0:03:58.500
Bilgisayarlar dinleyebilir

0:03:58.500,0:04:00.510
ve anlayabilir.

0:04:00.820,0:04:03.400
Richard Rashid:"Bu yöntemde

0:04:03.400,0:04:05.047
son aşamada gelebilmek

0:04:05.047,0:04:06.913
istediğim nokta

0:04:06.913,0:04:09.913
sizinle Çince konuşmak.

0:04:10.961,0:04:12.306
Olay şu ki;

0:04:12.306,0:04:15.058
bir çok Çinliden çok miktarda

0:04:15.058,0:04:18.378
bilgi alma imkanımız oldu

0:04:18.378,0:04:21.408
ve Çince bir metni alan ve

0:04:21.408,0:04:24.908
Çin diline çeviren yani yazıyı

0:04:24.908,0:04:27.881
konuşmaya dönüştüren[br]bir sistem oluşturduk.

0:04:27.881,0:04:31.509
Sonra konuşmamın bir saatlik kısmını aldık

0:04:31.509,0:04:33.720
ve standart metni konuşma sistemine

0:04:33.720,0:04:35.070
modüle ettik sonuç olarak

0:04:35.070,0:04:37.314
benim konuşmam gibi olmalıydı.

0:04:37.314,0:04:38.904
Sonuç mükemmel olmadı elbette.

0:04:38.904,0:04:41.552
Hatta bir çok hata vardı.

0:04:41.552,0:04:44.036
(Çince)

0:04:44.036,0:04:48.153
(Alkışlar)

0:04:49.446,0:04:53.022
Bu alanda daha çok çalışılması gerekiyor.

0:04:53.022,0:04:56.667
(Çince)

0:04:56.667,0:05:00.100
(Alkışlar)

0:05:01.345,0:05:04.744
Bu, Çinde makine öğrenimi konferansıydı.

0:05:04.744,0:05:07.114
Genelde akademik konferanslarda

0:05:07.114,0:05:09.011
spontane alkışlamalar olmaz ancak

0:05:09.011,0:05:12.407
TEDx konferanslarında rastlanabilir.

0:05:12.407,0:05:13.892
Burada gördüğünüz her şey

0:05:13.892,0:05:15.862
derin öğrenme ile gerçekleşiyor.

0:05:15.862,0:05:17.007
(Alkışlar) [br]Teşekkürler.

0:05:17.007,0:05:19.289
İngilizce uyarlama derin[br]öğrenme ile yapıldı.

0:05:19.289,0:05:22.701
Çince çeviri ve sağ üstteki [br]metin derin öğrenmeyle,

0:05:22.701,0:05:26.008
ve yine sesin entegre edilmesi [br]de derin öğrenme ile yapıldı.

0:05:26.008,0:05:28.972
Derin öğrenme alışılmışın dışında bir şey.

0:05:28.972,0:05:30.242
Tek bir algoritma[br]neredeyse

0:05:30.242,0:05:32.341
her şeyi yapabilecek gibi duruyor

0:05:32.341,0:05:35.242
ve geçen sene öğrendim ki [br]görmeyi de öğrenmiş.

0:05:35.242,0:05:37.628
Almanya'da Alman Trafik[br]İşaretleri Karşılaştırması

0:05:37.628,0:05:40.225
olarak adlandırılan yarışmada

0:05:40.225,0:05:43.618
derin öğrenme bu gibi[br]işaretleri algılamayı öğrendi.

0:05:43.618,0:05:45.712
Diğer algoritmalardan daha iyi algılamakla

0:05:45.712,0:05:48.170
kalmayıp, yarışmanın [br]sıralamasına bakıldığında

0:05:48.170,0:05:50.189
insanlardan da daha iyi tanıdı;

0:05:50.189,0:05:52.041
hatta iki katı daha fazla.

0:05:52.041,0:05:54.037
2011 yılında, bilgisayarların insanlardan

0:05:54.037,0:05:57.442
daha iyi görebildiğini anladık.

0:05:57.442,0:05:59.491
O zamandan beri sayısız çalışma yapıldı.

0:05:59.491,0:06:02.505
2012'de Google; Youtube [br]videolarını izleyen

0:06:02.505,0:06:05.270
ve aylık 16.000 bilgisayardaki[br]veriyi sıkıştırabilen

0:06:05.270,0:06:08.187
derin öğrenme algoritmaları[br]olduğunu açıkladı.

0:06:08.187,0:06:11.028
Ayrıca bilgisayarlar[br]ayrı ayrı insan ve kedi

0:06:11.028,0:06:14.027
gibi konseptleri izleyerek öğrendi.

0:06:14.027,0:06:16.379
Bu insanların öğrenmesine benziyor.

0:06:16.379,0:06:19.119
İnsanlar gördüklerinin[br]anlatılmasıyla değil

0:06:19.119,0:06:22.300
kendileri başlarına öğrenirler.

0:06:22.460,0:06:25.949
Yine 2012'de az önce [br]gördüğümüz Geoffrey Hinton

0:06:25.949,0:06:30.397
1.5 milyon fotoğrafa [br]bakarak neyin fotoğrafları

0:06:30.397,0:06:32.368
olduğunu çözmeye çalışarak

0:06:32.368,0:06:35.126
popüler olan ImageNet yarışmasını kazandı.

0:06:35.126,0:06:37.259
2014 yılında görüntü tanımada

0:06:37.259,0:06:38.789
%6 lık hata payına düştük.

0:06:38.789,0:06:41.268
Bu da insanlardan daha iyi.

0:06:41.268,0:06:44.436
Makinalar gerçekten bu alanda[br]harika işler yapıyor

0:06:44.436,0:06:47.206
ve artık endüstride de kullanılıyor.

0:06:47.206,0:06:49.824
Mesela Google, geçen yıl Fransa'daki

0:06:49.824,0:06:52.390
her bir konumu 2 saatte haritada

0:06:52.390,0:06:54.100
işaretlediğini duyurdu ve

0:06:54.100,0:06:57.089
cadde numaralarını okumak ve tanımlamak

0:06:57.089,0:06:58.979
için cadde görüntülerini

0:06:58.979,0:07:02.039
bir derin öğrenme[br]algoritmasında kullandılar.

0:07:02.039,0:07:04.849
Bunun önceleri ne kadar sürdüğünü düşünün:

0:07:04.849,0:07:07.029
binlerce insan, bir çok yıl.

0:07:08.759,0:07:10.144
Bu Çin'de de oldu.

0:07:10.144,0:07:14.426
Baidu bir çeşit Çin'in Google'ı, sanırım,

0:07:14.426,0:07:16.708
sol üst köşede gördüğünüz Baidu'nun

0:07:16.708,0:07:18.322
derin öğrenme sistemine

0:07:18.322,0:07:20.794
yüklediğim görüntünün örneği

0:07:20.794,0:07:23.548
ve arkaplanda ise sistemin görüntüyü

0:07:23.548,0:07:26.637
tanımlayıp benzerlerini[br]bulduğunu görebilirsiniz.

0:07:26.637,0:07:29.213
Benzer resimler gerçekten de[br]benzer arka planlara,

0:07:29.213,0:07:31.059
benzer yüz açılarına sahip

0:07:31.059,0:07:32.777
hatta bazılarında dilleri dışarıda.

0:07:32.777,0:07:35.985
Tam olarak web sayfasının [br]metnine bakmak gibi değil.

0:07:35.985,0:07:38.235
Tek yaptığım resim yüklemekti.

0:07:38.235,0:07:40.027
O halde gördüklerini anlayabilen ve

0:07:40.027,0:07:42.368
bu sayede gerçek zamanlı olarak yüz

0:07:42.368,0:07:44.432
milyonlarca görüntüyü veritabanlarında

0:07:44.432,0:07:46.306
arayabilen bilgisayarlar var.

0:07:46.306,0:07:49.436
Peki bilgisayarların görmesi [br]ne anlama geliyor?

0:07:49.436,0:07:51.453
Sadece görebilmesini sağlamak değil

0:07:51.453,0:07:53.852
aslında derin öğrenme[br]bundan daha fazlasını yaptı.

0:07:53.852,0:07:56.570
Bu gibi karmaşık ve incelikli cümleler

0:07:56.570,0:07:59.394
artık derin öğrenme[br]algoritmalarıyla anlaşılabilir.

0:07:59.394,0:08:00.697
Gördüğünüz üzere;

0:08:00.697,0:08:03.465
Stanford-tabanlı sistem, üstteki kırmızı

0:08:03.465,0:08:07.384
noktanın negatif bir[br]his ifade ettiğini anlıyor.

0:08:07.384,0:08:09.072
Derin öğrenme hatta

0:08:09.072,0:08:11.283
cümlelerin ne hakkında olduğunu

0:08:11.283,0:08:13.041
ve anlamlarını anlamada insan

0:08:13.041,0:08:15.437
performansına yaklaşmış durumda.

0:08:15.777,0:08:18.425
Aynı zamanda derin öğrenme Çin

0:08:18.425,0:08:22.131
anadil seviyesinde Çince[br]okumada da kullanıldı.

0:08:22.131,0:08:24.652
Bu algoritma Çince konuşamayan ve

0:08:24.652,0:08:27.701
anlamayan insanlar[br]tarafından İsviçre'de geliştirildi.

0:08:27.701,0:08:30.568
Bahsettiğim gibi derin[br]öğrenme kullanma bu işte

0:08:30.568,0:08:33.788
dünyadaki en iyi sistem yerel insanların

0:08:33.788,0:08:36.718
anlama performansına göre bile.

0:08:36.718,0:08:39.682
Bu sistem şirketimde oluşturuldu

0:08:39.682,0:08:42.448
ve bu tarz şeyleri bir arada[br]toplamayı gösteriyor.

0:08:42.448,0:08:44.699
Bu resimlere eklenmiş metin yok ve

0:08:44.699,0:08:47.031
ben buraya cümle yazarken gerçek

0:08:47.031,0:08:49.510
zamanlı olarak resimleri algılıyor,

0:08:49.510,0:08:51.789
ne hakkında olduklarını çözüyor ve

0:08:51.789,0:08:54.352
yazdığım metne benzer resimleri buluyor.

0:08:54.352,0:08:57.108
Görüyorsunuz, bu aslında[br]cümlelerimi anlama

0:08:57.108,0:08:59.332
ve bu resimleri anlama.

0:08:59.332,0:09:01.891
Benzerini Google'da[br]gördüğünüzü düşünüyorum;

0:09:01.891,0:09:04.666
bir şeyleri yazarken size[br]resimler gösterir ama

0:09:04.666,0:09:08.090
asıl yaptığı web sayfalarında[br]yazdıklarınızı aramaktır.

0:09:08.090,0:09:11.091
Bu aslında resimleri anlamaktan[br]oldukça farklı.

0:09:11.091,0:09:13.843
Bu son bir kaç ayda ilk kez

0:09:13.843,0:09:16.543
bilgisayarların yapabildiği bir şey.

0:09:17.091,0:09:19.192
O halde görüyoruz ki bilgisayarlar

0:09:19.192,0:09:21.182
görebilmekle kalmıyor aynı zamanda

0:09:21.182,0:09:22.832
okuyabiliyor ve zaten duyduklarını

0:09:22.832,0:09:24.947
anlayabildiklerini de göstermiştik.

0:09:24.947,0:09:26.707
Belki yazabildiklerini söylesem

0:09:26.707,0:09:28.537
artık şaşırtıcı gelmez.

0:09:28.537,0:09:30.927
İşte burada dün derin[br]öğrenme algoritmasıyla

0:09:30.927,0:09:33.607
oluşturduğum metin.

0:09:33.607,0:09:37.159
Ve burada algoritma tarafından[br]geliştirilen metinler var.

0:09:37.159,0:09:40.102
Bu cümlelerin her biri[br]resimleri tanımlamak

0:09:40.102,0:09:42.892
için derin öğrenme[br]algoritmasıyla geliştirildi .

0:09:42.892,0:09:45.202
Algoritma daha önce siyah tişörtlü

0:09:45.202,0:09:47.356
gitar çalan birini hiç görmemişti.

0:09:47.356,0:09:50.170
Önceden adamı görmüştü, siyahi görmüştü,

0:09:50.170,0:09:52.709
gitarı görmüştü ama bu resmin roman

0:09:52.709,0:09:55.111
tasvirini ayrı olarak yaptı.

0:09:56.231,0:09:58.541
Hala tam olarak insan performansında

0:09:58.541,0:09:59.701
değiliz ama yakınız.

0:09:59.701,0:10:02.260
Testlerde 1/4 oranında[br]insanlar, bilgisayar

0:10:02.260,0:10:04.714
tarafından oluşturulan yazıları seçiyor.

0:10:04.714,0:10:06.826
Bu sistem şuan sadece 2 haftalık

0:10:06.826,0:10:08.855
ama muhtemelen gelecek yıl içerisinde

0:10:08.855,0:10:10.651
bu oranlarda devam ederse

0:10:10.651,0:10:12.321
algoritma insan performansını

0:10:12.321,0:10:14.172
hayli geçmiş olacak.

0:10:14.172,0:10:16.534
Yani bilgisayarlar yazabiliyor da.

0:10:16.534,0:10:18.073
Tüm bunları birleştirdik

0:10:18.073,0:10:20.088
ve durum heyecan verici fırsatlar yarattı.

0:10:20.088,0:10:23.170
Örneğin; sağlık alanında[br]Boston'da bir takım,

0:10:23.170,0:10:25.675
doktorların kanser teşhisine yardımcı

0:10:25.675,0:10:28.614
düzinelerce kliniksel[br]olarak ilişkili tümör

0:10:28.614,0:10:31.540
özellikleri keşfettiklerini duyurdu.

0:10:31.810,0:10:33.906
Benzer olarak Stanford' da

0:10:33.906,0:10:36.889
büyüme altındaki dokulara bakan bir grup;

0:10:36.889,0:10:40.350
kanser hastalarının sağkalım[br]oranlarını ölçmede

0:10:40.350,0:10:42.772
patoloji uzmanlarından daha iyi olan,

0:10:42.772,0:10:46.829
makine öğrenmesine dayalı[br]bir sistem geliştirdi.

0:10:46.829,0:10:49.224
Bu iki durumda da tahminlerin daha

0:10:49.224,0:10:51.296
hatasız olmasının yanı sıra kavrama

0:10:51.296,0:10:53.701
açısından güçlü yeni[br]bir bilim geliştirdiler.

0:10:53.701,0:10:55.876
Radyoloji vakasındakiler insanların

0:10:55.876,0:10:58.258
anlayabileceği yeni[br]kliniksel indikatörlerdi.

0:10:58.258,0:11:00.318
Patoloji vakasında ise bilgisayar,

0:11:00.318,0:11:03.888
tanı yapılırken kanser[br]etrafındaki hücrelerin kanser

0:11:03.888,0:11:09.260
hücreleri kadar önemli olduğunu keşfetti.

0:11:09.260,0:11:11.851
Bu patoloji uzmanlarına onlarca

0:11:11.851,0:11:14.413
yıldır öğretilenlerin tam tersi.

0:11:15.423,0:11:17.754
Bu iki vakada da tıp uzmanları ve

0:11:17.754,0:11:20.075
makine öğrenmesi uzmanlarının

0:11:20.075,0:11:22.184
birleşip geliştirdiği bir sistemdi

0:11:22.184,0:11:24.364
ancak geçen yıl bunu da geçtik.

0:11:24.364,0:11:26.587
Bu örnek mikroskop altındaki insan

0:11:26.587,0:11:30.412
dokusunun kanserli bölgelerini[br]tanımlamak üzerine.

0:11:30.412,0:11:33.314
Burada gösterilen sistem bu alanları daha

0:11:33.314,0:11:35.860
isabetli olarak belirleyebiliyor,

0:11:35.860,0:11:38.135
ya da en az patoloji uzmanı kadar

0:11:38.135,0:11:40.583
ama tümüyle derin öğrenme kullanılarak ve

0:11:40.583,0:11:42.830
herhangi bir tıp geçmişi olmayan

0:11:42.830,0:11:44.651
insanlar tarafından geliştirildi.

0:11:44.651,0:11:47.578
Benzer olarak nöron segmentasyonu da.

0:11:47.578,0:11:49.298
Şu an nöronları insanlar kadar

0:11:49.298,0:11:50.948
isabetli segmentleyebiliyoruz

0:11:50.948,0:11:52.355
ki bu sistem derin öğrenme

0:11:52.355,0:11:53.985
kullanılarak hiç bir tıbbi geçmişi

0:11:53.985,0:11:55.901
olmayan kişiler tarafından geliştirildi.

0:11:57.381,0:11:59.941
Aynı şekilde ben de, hiç bir tıbbi geçmişim

0:11:59.941,0:12:02.070
olmadığı halde medikal alanında

0:12:02.070,0:12:04.830
yeni bir şirket açabilirim ki açtım da.

0:12:05.660,0:12:08.982
Şirketi açma konusunda[br]biraz korkmuştum ama

0:12:08.982,0:12:12.442
teoride bu veri analiz [br]tekniklerini kullanarak

0:12:12.442,0:12:15.742
yararlı ilaçlar yapmak mümkün görünüyordu.

0:12:15.752,0:12:17.942
Neyse ki geri dönüşler harikaydı

0:12:17.942,0:12:20.292
sadece medya değil tıp çevresinde de

0:12:20.292,0:12:22.862
ki aynı zamanda çok da destekleyicilerdi.

0:12:22.862,0:12:25.718
Teoride, medikal sürecin [br]orta bölümünü alıp

0:12:25.718,0:12:29.172
mümkün olduğunca veri analizine çevirerek

0:12:29.172,0:12:32.171
doktorları en iyi oldukları[br]alana yoğunlaştırabiliriz.

0:12:33.071,0:12:34.874
Bir örnek vermek istiyorum.

0:12:34.874,0:12:36.989
Yeni bir tıbbi teşhis testini

0:12:36.989,0:12:40.139
üretmek 15 dakikamızı alır

0:12:40.139,0:12:42.341
ve gerçek zamanlı olarak da göstereceğim

0:12:42.341,0:12:44.105
ama bazı parçalarını keserek

0:12:44.105,0:12:45.715
süreci 3 dakikaya indirdim.

0:12:45.715,0:12:48.629
Tıbbi teşhis testini oluşturmayı[br]göstermek yerine

0:12:48.629,0:12:50.206
daha anlaşılır olduğu için

0:12:50.206,0:12:53.867
araba görüntülerini tanımlama[br]testini göstereceğim.

0:12:53.867,0:12:57.146
Yaklaşık 1.5 milyon araba[br]resmiyle başlıyoruz ve

0:12:57.146,0:12:59.228
çekildikleri açılara göre onları

0:12:59.228,0:13:02.519
ayırabilecek bir şey yaratmak istiyorum.

0:13:02.519,0:13:04.705
Bütün resimler etiketsiz bu yüzden

0:13:04.705,0:13:06.328
sıfırdan başlamak zorundayım.

0:13:07.028,0:13:09.626
Derin öğrenme algoritmamızla resimlerdeki

0:13:09.626,0:13:12.471
yapıların alanlarını otomatik[br]olarak algılayabilir.

0:13:12.471,0:13:14.198
Güzel olan, şu andan itibaren

0:13:14.198,0:13:15.988
insan ile bilgisayar [br]artık ortak çalışabilir.

0:13:15.988,0:13:18.616
Gördüğünüz gibi insan burada bilgisayara;

0:13:18.616,0:13:20.811
daha sonra deneyip, algoritmasını

0:13:20.811,0:13:22.881
geliştirmede kullanması için

0:13:22.881,0:13:25.131
ilgi alanlarını söylüyor.

0:13:25.131,0:13:27.121
Bu derin öğrenme sistemleri

0:13:27.121,0:13:28.961
aslında 16.000 boyutlu uzay

0:13:28.961,0:13:30.797
ve gördüğünüz gibi[br]bilgisayar burada

0:13:30.797,0:13:33.009
uzay boyunca döndürüp yeni yapı

0:13:33.009,0:13:35.001
alanları bulmaya çalışıyor.

0:13:35.001,0:13:38.052
Başarıyla yapınca da daha sonra bunu süren

0:13:38.052,0:13:40.786
kişi ilgi çekici olan alanları gösteriyor.

0:13:40.786,0:13:44.298
Ve burada bilgisayar başarılı[br]bir şekilde alanları buldu.

0:13:44.298,0:13:45.770
Örneğin: Açılar.

0:13:45.770,0:13:47.776
Bu süreç devam ederken,

0:13:47.776,0:13:50.106
bilgisayara aradığımız yapı türlerini

0:13:50.106,0:13:51.844
adım adım söylüyoruz.

0:13:51.844,0:13:54.116
Teşhis testinde pataloji uzmanının

0:13:54.116,0:13:57.266
patoz alanlarını tanımlaması[br]gibi düşünebilirsin

0:13:57.266,0:13:59.302
ya da örneğin radyolojistin sıkıntı

0:13:59.302,0:14:02.151
yaratabilecek nodülleri göstermesi gibi.

0:14:02.151,0:14:05.075
Bazen algoritma için sıkıntılı olabilir.

0:14:05.075,0:14:07.095
Bu vaka da biraz kafası karışmış.

0:14:07.095,0:14:09.507
Arabaların önleri ve [br]arkaları karmakarışık.

0:14:09.507,0:14:11.809
Burada biraz daha dikkatli olmalıyız,

0:14:11.809,0:14:14.115
arkalara karşılık önleri elle seçmekte ve

0:14:14.115,0:14:16.653
daha sonra bunun ilgilendiğimiz tipte

0:14:16.653,0:14:20.310
bir grup olduğunu söylemekte.

0:14:21.570,0:14:23.986
Bunu biraz yapıyoruz, [br]biraz atlıyoruz bunu,

0:14:23.986,0:14:26.270
sonra makine öğrenmesi algoritmasını

0:14:26.270,0:14:27.500
bu yüzlerce kadar olan

0:14:27.500,0:14:29.295
şeylere dayanarak eğitiyoruz

0:14:29.295,0:14:31.198
ve daha iyi olmasını ümit ediyoruz.

0:14:31.198,0:14:34.096
Bazı resimlerin solmaya[br]başladığını görebilirsiniz

0:14:34.096,0:14:36.288
ve bize bazılarını kendisinin önceden

0:14:36.288,0:14:38.712
nasıl anlaması gerektiğini[br]farkettiğini gösteriyor.

0:14:38.712,0:14:41.341
Bu benzer resimler [br]konseptini kullanabiliriz

0:14:41.341,0:14:43.839
ve benzer resimleri [br]kullanarak bilgisayarın

0:14:43.839,0:14:45.612
bu noktada arabaların sadece

0:14:45.612,0:14:47.547
önlerini bulabildiğini görebilirsiniz.

0:14:47.547,0:14:50.011
Bu aşamada bilgisayar insana:

0:14:50.011,0:14:52.245
"Tamam, peki, iyi iş çıkardın." diyebilir.

0:14:52.245,0:14:55.550
Bazen, elbette, bu noktada bile

0:14:55.550,0:14:58.560
grupların arasından seçmek zor.

0:14:58.930,0:15:01.898
Bu durumda, bilgisayarın[br]biraz çevirmesine izin

0:15:01.898,0:15:04.808
verdikten sonra bile sağ ve sol taraftaki

0:15:04.808,0:15:07.854
resimlerin karmakarışık[br]olarak bulabiliriz.

0:15:07.854,0:15:10.395
Yine bilgisayara bir takım[br]ipuçları verebiliriz,

0:15:10.395,0:15:13.347
ve diyebiliriz ki :"Tamam, derin [br]öğrenme algoritmasını

0:15:13.347,0:15:15.569
kullanarak sağ ve sol tarafları mümkün

0:15:15.569,0:15:18.201
olduğunca ayırabilecek [br]bir projeksiyon bulmaya çalış. "

0:15:18.201,0:15:20.481
Ve ipucunu verince başarılı oldu.

0:15:20.481,0:15:23.139
Objeleri birbirinden [br]ayırabilmek için gereken

0:15:23.139,0:15:25.316
düşünme şeklini birlikte bulabildiler.

0:15:26.096,0:15:28.206
Yani buradaki fikri anladınız.

0:15:29.646,0:15:33.896
Buradaki durum; insanın[br]yerine bilgisayarın geçmesi

0:15:36.286,0:15:39.068
değil birlikte çalışmaları.

0:15:39.068,0:15:41.623
Burada yaptığımız ise; 6 ya da 7 kişilik

0:15:41.623,0:15:45.068
bir takımın yaklaşık 7 [br]senede yapacağı bir şeyi,

0:15:45.068,0:15:47.208
bir kişinin yaklaşık 15 dakikada

0:15:47.208,0:15:49.718
yapacağı bir şeyle değiştirmek.

0:15:49.718,0:15:53.547
Bu süreç yaklaşık 4 ya da[br]5 yineleme içeriyor.

0:15:53.547,0:15:56.696
Gördüğünüz gibi şuan 1.5 milyon resmimizin

0:15:56.696,0:15:58.718
%62 si doğru bir şekilde sınıflandırıldı.

0:15:58.718,0:16:00.985
Gelinen noktada, oldukça kolay bir şekilde

0:16:00.985,0:16:03.234
büyük bölümleri alıp hata olmadığına

0:16:03.234,0:16:05.246
emin olmak için kontrol edebiliriz.

0:16:05.246,0:16:08.121
Hata olan yerlerde ise[br]bilgisayara bildirebiliriz.

0:16:08.741,0:16:12.128
Her farklı grup için bu tür[br]bir süreç kullanarak

0:16:12.128,0:16:14.683
1.5 milyon görüntüyü sınıflandırmada

0:16:14.683,0:16:16.861
%80 başarı yüzdesine çıktık.

0:16:17.611,0:16:19.620
Bu noktada konu sadece

0:16:19.620,0:16:21.250
doğru sınıflandırılmamış olan

0:16:21.250,0:16:23.038
küçük numarayı bulmak ve

0:16:23.038,0:16:25.691
sebebini anlamaya çalışmak üzerine.

0:16:25.811,0:16:28.922
Bu yaklaşımı kullanarak; 15 dakikada

0:16:28.922,0:16:31.928
%97' lik sınıflandırma oranına ulaştık.

0:16:31.928,0:16:34.094
Bu tarz bir teknik bize çok önemli

0:16:34.094,0:16:36.343
bir problemi çözmeye izin verebilir;

0:16:36.343,0:16:39.087
dünyada tıbbi uzmanlığın[br]olmadığı yerlerde.

0:16:39.087,0:16:41.290
Dünya Ekonomik Forumu'na göre;

0:16:41.290,0:16:44.124
gelişen dünyada doktor[br]kıtlığı 10 ile 20 katı

0:16:44.124,0:16:47.189
arasında ve 300 yıl alacaktır bu problemi

0:16:47.189,0:16:50.448
çözmek için yeterli insan yetiştirmek.

0:16:50.448,0:16:53.420
Düşünün ki derin öğrenme[br]yaklaşımını kullanarak

0:16:53.420,0:16:56.539
verimliliklerini artırmaya[br]yardım edebilsek?

0:16:56.539,0:16:58.983
Fırsatlar konusunda oldukça heycanlıyım.

0:16:58.983,0:17:01.452
Aynı zamanda[br]problemlerle de ilgileniyorum.

0:17:01.452,0:17:03.569
Buradaki problem ise; haritadaki

0:17:03.569,0:17:05.563
her mavi alanda servisler

0:17:05.563,0:17:07.757
istihdamın %80 den fazla.

0:17:07.757,0:17:09.761
Servisler nedir?

0:17:09.761,0:17:11.113
İşte servisler.

0:17:11.113,0:17:13.453
Bunlar aynı zamanda bilgisayarın

0:17:13.453,0:17:15.446
yapılma şeklini öğrendiği şeyler.

0:17:15.446,0:17:17.983
Yani gelişen dünyadaki[br]istihdamın %80 'inin

0:17:17.983,0:17:20.140
yaptığı şeyler aynı zamanda bilgisayarın

0:17:20.140,0:17:22.138
nasıl yapılacağını öğrendiği şeyler.

0:17:22.138,0:17:24.860
Bu ne anlama geliyor? [br]Tamam, bir şey olmayacak.

0:17:24.860,0:17:26.708
Başka işlerle yer değiştirilcekler.

0:17:26.708,0:17:29.146
Örneğin; Veri bilimciler [br]için daha fazla iş olacak.

0:17:29.146,0:17:30.458
Aslında öyle değil.

0:17:30.458,0:17:32.238
Veri bilimcilerin bunları yapmaları

0:17:32.238,0:17:33.544
çok zamanlarını almaz.

0:17:33.544,0:17:35.025
Örneğin; bu 4 algoritma da aynı

0:17:35.025,0:17:36.594
adam tarafından geliştirildi.

0:17:36.594,0:17:39.206
Yani eğer; daha önceden de olmuştu,

0:17:39.206,0:17:41.753
yeni işlerin gelip yer değiştirdiği

0:17:41.753,0:17:43.948
zamanların sonuçlarını gördük.

0:17:43.948,0:17:45.879
Bu yeni işlere ne olacak?

0:17:45.879,0:17:48.205
Bunu kestirmek bizim için oldukça zor

0:17:48.205,0:17:51.094
çünkü insan performansı [br]bu şekilde kademeli olarak

0:17:51.094,0:17:53.499
artıyor ama artık biz bir sisteme,[br]derin öğrenmeye

0:17:53.499,0:17:55.999
sahibiz yani katlanarak[br]büyüme kapasitesine

0:17:55.999,0:17:57.586
sahip olduğunu biliyoruz.

0:17:57.586,0:17:58.536
Ve burdayız.

0:17:58.536,0:18:01.027
Şu anda, etrafımızdaki[br]şeyleri görüyoruz ve:

0:18:01.027,0:18:03.135
"Bilgisayarlar hala aptal." değil mi?

0:18:03.135,0:18:05.037
Ama 5 yıllık süre içinde bilgisayarlar

0:18:05.037,0:18:06.786
bu çizelgenin dışında olacak.

0:18:06.786,0:18:10.100
Yani bu kabiliyeti hemen[br]düşünmeye başlamalıyız.

0:18:10.100,0:18:12.403
Bunu daha önceden görmüştük, elbette.

0:18:12.403,0:18:14.782
Sanayi devriminde, motorlar sayesinde

0:18:14.782,0:18:17.292
kapasitede kademe atlamayı gördük.

0:18:17.292,0:18:19.594
Mesele şu ki, yine de bir süre sonra

0:18:19.594,0:18:20.632
işler düzeliyor.

0:18:20.632,0:18:22.770
Sosyal bozulma vardı ama bir kez

0:18:22.770,0:18:24.838
motorlar güç üretmek için kullanıldı

0:18:24.838,0:18:28.024
ve tüm durumlar, her şey düzene oturdu.

0:18:28.024,0:18:31.067
Makine Öğrenmesi Devrimi[br]Sanayi devriminden

0:18:31.067,0:18:32.830
çok daha farklı olacak çünkü

0:18:32.830,0:18:35.570
Makine Öğrenmesi Devrimi [br]asla durulmayacak.

0:18:35.570,0:18:38.490
Bilgisayarlar entelektüel [br]aktiviteler de iyiye gittikçe,

0:18:38.490,0:18:40.189
entelektüel kapasitede daha

0:18:40.189,0:18:42.249
iyi olan bilgisayarlar üretilecek.

0:18:42.249,0:18:45.146
Yani bu dünyanın daha önce tanık olmadığı

0:18:45.146,0:18:47.496
türde bir değişim olacak bu yüzden

0:18:47.496,0:18:49.869
neyin mümkün olduğu konusunda ki

0:18:49.869,0:18:51.297
önceki anlayışınız farklı.

0:18:51.297,0:18:52.848
Şimdiden bizi etkiliyor.

0:18:52.848,0:18:56.304
Son 25 yılda, kapital üretim arttıkça

0:18:56.304,0:19:00.608
işçi verimliliği sabitti[br]hatta biraz inişteydi.

0:19:01.298,0:19:03.357
Bu yüzden bu konuyu tartışmaya

0:19:03.357,0:19:04.908
başlamamızı istiyorum.

0:19:04.908,0:19:06.895
İnsanlara bu durum hakkında çoğu kez

0:19:06.895,0:19:09.485
bahsettiğimde, insanlar [br]oldukça ilgisiz olabiliyor.

0:19:09.485,0:19:12.028
Bilgisayarlar gerçek anlamda düşünemez,

0:19:12.028,0:19:14.290
duygusal davranmaz, şiirden anlamaz,

0:19:14.290,0:19:16.400
nasıl çalıştıklarını tam[br]olarak anlamıyoruz.

0:19:16.400,0:19:17.330
Ne fark eder?

0:19:17.330,0:19:19.560
Bilgisayarlar şu an [br]insanların ücret alarak

0:19:19.560,0:19:22.440
zamanlarının çoğunu[br]harcadıkları şeyleri yapabiliyor.

0:19:22.440,0:19:25.930
O zaman sosyal ve ekonomik[br]yapımızı nasıl uyduracağımızı

0:19:25.930,0:19:28.180
düşünmeye başlamamızın[br]ve bu yeni gerçekliğin

0:19:28.180,0:19:30.460
farkında olmamızın tam zamanı.

0:19:30.460,0:19:31.400
Teşekkürler.

0:19:31.400,0:19:32.190
(Alkışlar)