Οι θαυμαστές και τρομακτικές επιπτώσεις των υπολογιστών που μαθαίνουν
-
0:01 - 0:05Ήταν σύνηθες, αν θέλατε
ένας υπολογιστής να κάνει κάτι νέο, -
0:05 - 0:06έπρεπε να τον προγραμματίσετε.
-
0:06 - 0:10Ο προγραμματισμός βέβαια,
για όσους δεν έχετε ασχοληθεί, -
0:10 - 0:13απαιτεί να καταχωρήσεις
με εξωφρενική λεπτομέρεια -
0:13 - 0:17κάθε ξεχωριστό βήμα
που θέλετε να κάνει ο υπολογιστής -
0:17 - 0:19για να πετύχετε το σκοπό σας.
-
0:19 - 0:23Και αν θέλετε να κάνετε κάτι
που δεν ξέρετε να το κάνετε ο ίδιος, -
0:23 - 0:25αυτό είναι σοβαρό πρόβλημα.
-
0:25 - 0:28Αυτό ήταν το πρόβλημα του Άρθουρ Σάμιουελ.
-
0:28 - 0:32Το 1956 ήθελε να κάνει αυτό τον υπολογιστή
-
0:32 - 0:35να μπορεί να τον νικάει στη ντάμα.
-
0:35 - 0:37Πώς μπορείς να γράψεις πρόγραμμα,
-
0:37 - 0:40να καταχωρήσεις με πλήρη λεπτομέρεια,
πώς να γίνει καλύτερος από σένα στη ντάμα; -
0:40 - 0:42Έτσι είχε μια ιδέα:
-
0:42 - 0:46έβαλε τον υπολογιστή να παίξει
ενάντια στον εαυτό του χιλιάδες φορές -
0:46 - 0:48και να μάθει να παίζει ντάμα.
-
0:48 - 0:52Πραγματικά είχε αποτέλεσμα και έως το 1962
-
0:52 - 0:56ο υπολογιστής είχε νικήσει
τον πρωταθλητή της πολιτείας Κονέκτικατ. -
0:56 - 0:59Έτσι ο Άρθουρ Σάμιουελ
ήταν ο πατέρας της μηχανικής μάθησης, -
0:59 - 1:00και του χρωστάω πολλά,
-
1:00 - 1:03επειδή ασχολούμαι με την εφαρμογή
της μηχανικής μάθησης. -
1:03 - 1:04Ήμουν πρόεδρος της Kaggle,
-
1:04 - 1:08μια κοινότητα άνω των 200.000 ατόμων
που ασχολούνται με τη μηχανική μάθηση. -
1:08 - 1:10Η Kaggle οργανώνει διαγωνισμούς
-
1:10 - 1:14για τη λύση άλυτων προβλημάτων,
-
1:14 - 1:17και σημείωσε επιτυχίες εκατοντάδες φορές.
-
1:17 - 1:20Από αυτή την πλεονεκτική θέση
μπόρεσα να ανακαλύψω πολλά -
1:20 - 1:24σχετικά με το τι έκανε η μηχανική μάθηση
στο παρελθόν, τι μπορεί να κάνει σήμερα, -
1:24 - 1:26και τι θα μπορεί να κάνει στο μέλλον.
-
1:26 - 1:31Ίσως η πρώτη εμπορικά μεγάλη επιτυχία
της μηχανικής μάθησης ήταν η Google. -
1:31 - 1:34Η Google απέδειξε ότι ήταν δυνατόν
να βρεθούν πληροφορίες -
1:34 - 1:36με ένα αλγόριθμο υπολογιστή,
-
1:36 - 1:38και αυτός ο αλγόριθμος
βασίζεται στη μηχανική μάθηση. -
1:38 - 1:42Από τότε έχουν υπάρξει πολλές
εμπορικές επιτυχίες της μηχανικής μάθησης. -
1:42 - 1:44Εταιρείες όπως η Amazon και η Netflix
-
1:44 - 1:48χρησιμοποιούν τη μηχανική μάθηση
για να προτείνουν προϊόντα ν' αγοράσετε, -
1:48 - 1:50ταινίες που θα θέλατε να δείτε.
-
1:50 - 1:52Μερικές φορές γίνεται ανατριχιαστικό.
-
1:52 - 1:54Εταιρείες όπως η LinkedIn και το Facebook
-
1:54 - 1:56μερικές φορές σας λένε
ποιοι μπορεί να είναι φίλοι σας -
1:56 - 1:58και δεν έχετε ιδέα πώς τα κατάφεραν,
-
1:58 - 2:01και το κάνουν με τη δύναμη
της μηχανικής μάθησης. -
2:01 - 2:04Αυτοί είναι αλγόριθμοι που έμαθαν
να το κάνουν από τα δεδομένα -
2:04 - 2:07παρά από προγραμματισμό με το χέρι.
-
2:07 - 2:10Έτσι κατάφερε και η IBM
-
2:10 - 2:14να νικήσει o Γουότσον τους δύο
παγκόσμιους πρωταθλητές του «Jeopardy» -
2:14 - 2:17απαντώντας απίστευτα πονηρές
και περίπλοκες ερωτήσεις όπως αυτή. -
2:17 - 2:20[«Το "Λιοντάρι του Νεμρώδ" εξαφανίστηκε
από το μουσείο αυτής της πόλης το 2003»] -
2:20 - 2:23Γι' αυτό έχουμε πλέον τα πρώτα αυτοκίνητα
που οδηγούν μόνα τους. -
2:23 - 2:25Αν θέλεις να μπορείς
να δεις τη διαφορά, ας πούμε, -
2:25 - 2:28ανάμεσα σε ένα δένδρο και έναν πεζό,
αυτό είναι πολύ σημαντικό. -
2:28 - 2:31Δεν ξέρουμε να γράφουμε
τέτοια προγράμματα με το χέρι, -
2:31 - 2:34αλλά με τη μηχανική μάθηση
αυτό είναι πλέον δυνατόν. -
2:34 - 2:37Αυτό το αυτοκίνητο έχει οδηγήσει
πάνω από 1.600.000 χιλιόμετρα -
2:37 - 2:40σε κανονικό δρόμο χωρίς καθόλου ατυχήματα.
-
2:40 - 2:44Έτσι ξέρουμε ότι οι υπολογιστές
μπορούν να μαθαίνουν, -
2:44 - 2:46και μπορούν να μάθουν να κάνουν πράγματα
-
2:46 - 2:49που μερικές φορές
ούτε κι εμείς ξέρουμε να κάνουμε, -
2:49 - 2:52ή μπορούν να τα κάνουν καλύτερα από εμάς.
-
2:52 - 2:56Ένα εκπληκτικό παράδειγμα
της μηχανικής μάθησης που έχω δει -
2:56 - 2:58έγινε σε ένα πρόγραμμα
που έκανα στην Kaggle, -
2:58 - 3:02όπου μια ομάδα
υπό κάποιον ονόματι Τζέφρι Χίντον -
3:02 - 3:03από το Πανεπιστήμιο του Τορόντο,
-
3:03 - 3:06κέρδισε έναν διαγωνισμό
για αυτόματη ανακάλυψη φαρμάκου. -
3:06 - 3:09Αυτό όμως που είναι αξιοσημείωτο
δεν είναι ότι νίκησαν -
3:09 - 3:13όλους τους αλγόριθμους της Μέρκ
ή της διεθνούς ακαδημαϊκής κοινότητας, -
3:13 - 3:18αλλά ότι κανείς στην ομάδα δεν είχε
γνώσεις χημείας, βιολογίας ή ιατρικής, -
3:18 - 3:20και τα κατάφεραν μέσα σε δύο εβδομάδες.
-
3:20 - 3:22Πώς τα κατάφεραν;
-
3:22 - 3:25Χρησιμοποίησαν έναν ασυνήθιστο αλγόριθμο
που λέγεται βαθιά μάθηση. -
3:25 - 3:28Ήταν τόσο σημαντικό
που η επιτυχία καλύφθηκε -
3:28 - 3:31σε πρωτοσέλιδο των Τάιμς της Νέας Υόρκης
μερικές εβδομάδες μετά. -
3:31 - 3:34Ο Τζέφρι Χίντον είναι εδώ αριστερά.
-
3:34 - 3:38Η βαθιά μάθηση είναι ένας αλγόριθμος
εμπνευσμένος από το ανθρώπινο μυαλό, -
3:38 - 3:40συνεπώς είναι ένας αλγόριθμος
-
3:40 - 3:44που θεωρητικά δεν έχει όρια
στο τι μπορεί να κάνει. -
3:44 - 3:47Όσο περισσότερα δεδομένα
και χρόνο υπολογισμού του δίνεις, -
3:47 - 3:48τόσο καλύτερος γίνεται.
-
3:48 - 3:51Οι Τάιμς της Νέας Υόρκης
έδειξαν επίσης στο άρθρο -
3:51 - 3:53άλλο ένα ασυνήθιστο αποτέλεσμα
της βαθιάς μάθησης -
3:53 - 3:56που θα σας δείξω τώρα.
-
3:56 - 4:01Δείχνει ότι οι υπολογιστές μπορούν
να ακούν και να καταλαβαίνουν. -
4:01 - 4:03(Βίντεο) Ρίτσαρντ Ράσιντ:
Τώρα το τελευταίο βήμα -
4:03 - 4:06που θέλω να κάνω σε αυτή τη διαδικασία
-
4:06 - 4:11είναι να σας μιλήσω κανονικά στα Κινέζικα.
-
4:11 - 4:14Το μυστικό εδώ είναι ότι,
-
4:14 - 4:18μπορέσαμε να πάρουμε μεγάλη ποσότητα
πληροφοριών από ομιλητές της Κινεζικής -
4:18 - 4:21και να φτιάξουμε ένα σύστημα
μετατροπής κειμένου σε ομιλία -
4:21 - 4:26που μετατρέπει Κινέζικο λόγο
από γραπτό σε προφορικό, -
4:26 - 4:30και μετά χρειαστήκαμε καμιά ώρα
με τη δική μου φωνή -
4:30 - 4:32για να μπορέσουμε να ρυθμίσουμε
-
4:32 - 4:36το βασικό σύστημα μετατροπής λόγου
ώστε να ακούγεται σαν εμένα. -
4:36 - 4:39Και πάλι το αποτέλεσμα δεν ήταν τέλειο.
-
4:39 - 4:42Υπήρχαν μερικά λαθάκια.
-
4:42 - 4:44(Στα Κινέζικα)
-
4:44 - 4:47(Χειροκρότημα)
-
4:49 - 4:53Χρειάζεται να γίνουν πολλά
σε αυτό τον τομέα. -
4:53 - 4:57(Στα Κινέζικα)
-
4:57 - 4:59(Χειροκρότημα)
-
5:01 - 5:05Τζέρεμι Χάουαρντ: Αυτό ήταν
σε συνέδριο μηχανικής μάθησης στην Κίνα. -
5:05 - 5:07Δεν συμβαίνει συχνά σε ακαδημαϊκά συνέδρια
-
5:07 - 5:09να έχεις τόσο αυθόρμητες επευφημίες,
-
5:09 - 5:13αλλά μιας και είμαστε σε συνάντηση TED,
μην περιορίζεστε. -
5:13 - 5:15Όλα όσα είδατε εκεί
συνέβησαν με τη βαθιά μάθηση. -
5:15 - 5:17(Χειροκρότημα)
Ευχαριστώ. -
5:17 - 5:20Η μεταγραφή στα Αγγλικά
έγινε από τη βαθιά μάθηση. -
5:20 - 5:23Η μετάφραση στα Κινέζικα,
το κείμενο πάνω δεξιά, -
5:23 - 5:26και η σύνθεση της φωνής
έγιναν από τη βαθιά μάθηση επίσης. -
5:26 - 5:29Η βαθιά μάθηση είναι κάτι ξεχωριστό.
-
5:29 - 5:32Είναι ένας αλγόριθμος
που μοιάζει να μπορεί να κάνει τα πάντα, -
5:32 - 5:35και ανακάλυψα ότι πριν ένα χρόνο
είχε επίσης μάθει να βλέπει. -
5:35 - 5:38Σε έναν δυσνόητο διαγωνισμό στη Γερμανία
-
5:38 - 5:40σχετικά με την αναγνώριση οδικής σήμανσης,
-
5:40 - 5:44η βαθιά μάθηση έμαθε να αναγνωρίζει
οδικά σήματα όπως αυτό. -
5:44 - 5:46Όχι μόνο αναγνώριζε τα οδικά σήματα
-
5:46 - 5:47καλύτερα από κάθε άλλο αλγόριθμο,
-
5:47 - 5:50στον πίνακα αποτελεσμάτων
σημείωσε βαθμολογία -
5:50 - 5:52δύο φορές καλύτερη από τους ανθρώπους.
-
5:52 - 5:53Έτσι έως το 2011,
-
5:53 - 5:57είχαμε το πρώτο παράδειγμα υπολογιστή
που μπορεί να δει καλύτερα από άνθρωπο. -
5:57 - 5:59Από τότε έγιναν πολλά.
-
5:59 - 6:03Το 2012 η Google ανακοίνωσε ότι
ο αλγόριθμος βαθιά μάθηση -
6:03 - 6:04έβλεπε βίντεο του YouTube
-
6:04 - 6:08και διάβαζε δεδομένα
από 16.000 υπολογιστές για ένα μήνα, -
6:08 - 6:12και ο υπολογιστής έμαθε από μόνος του
έννοιες όπως «άνθρωπος και «γάτα», -
6:12 - 6:14απλώς βλέποντας τα βίντεο.
-
6:14 - 6:17Μοιάζει πολύ με τον τρόπο
που μαθαίνουν οι άνθρωποι. -
6:17 - 6:19Δεν μαθαίνουμε
όταν κάποιος μας λέει τι να δούμε, -
6:19 - 6:22αλλά μαθαίνοντας από μόνοι μας
τι είναι αυτά τα πράγματα. -
6:22 - 6:26Επίσης το 2012 ο Τζέφρι Χίντον
που είδαμε νωρίτερα -
6:26 - 6:29κέρδισε στον δημοφιλή διαγωνισμό ImageNet,
-
6:29 - 6:33προσπαθώντας να βρει
μέσα από 1,5 εκατομμύριο εικόνες -
6:33 - 6:34τι απεικονίζουν.
-
6:34 - 6:38Από το 2014 έχουμε πέσει
στο 6% ποσοστό σφάλματος -
6:38 - 6:39στην αναγνώριση εικόνας.
-
6:39 - 6:41Και πάλι καλύτερα από τον άνθρωπο.
-
6:41 - 6:45Οι μηχανές τα καταφέρνουν πολύ καλά
σε αυτό τον τομέα, -
6:45 - 6:47και πλέον χρησιμοποιείται στη βιομηχανία.
-
6:47 - 6:50Για παράδειγμα, η Google ανακοίνωσε πέρυσι
-
6:50 - 6:55ότι χαρτογράφησαν ολόκληρη
τη Γαλλία μέσα σε δύο ώρες, -
6:55 - 6:58και το έκαναν εισάγοντας φωτογραφίες
από την τεχνολογία Street View -
6:58 - 7:03σε έναν αλγόριθμο βαθιάς μάθησης
ώστε να αναγνωρίζει την αρίθμηση των οδών. -
7:03 - 7:05Φανταστείτε πόσο θα έπαιρνε παλιότερα:
-
7:05 - 7:08πλήθος ανθρώπων, πολλά χρόνια.
-
7:08 - 7:10Συμβαίνει επίσης στην Κίνα.
-
7:10 - 7:14Η Baidu είναι θα λέγαμε
η αντίστοιχη Google της Κίνας -
7:14 - 7:17και εδώ πάνω αριστερά
βλέπετε ένα παράδειγμα -
7:17 - 7:20από μια φωτογραφία που μεταφόρτωσα
στο σύστημα βαθιάς μάθησης της Baidu, -
7:20 - 7:24και από κάτω βλέπετε ότι
το σύστημα αναγνώρισε τη φωτογραφία -
7:24 - 7:26και βρήκε και παρόμοιες.
-
7:26 - 7:29Οι παρόμοιες εικόνες έχουν παρόμοιο φόντο,
-
7:29 - 7:31παρόμοιο προσανατολισμό των προσώπων,
-
7:31 - 7:33μερικές ακόμα και με τη γλώσσα έξω.
-
7:33 - 7:36Αυτό σαφώς δεν είναι
σαν να βλέπεις κείμενο σε ιστοσελίδα. -
7:36 - 7:37Μόνο μια φωτογραφία ανέβασα.
-
7:37 - 7:41Έχουμε λοιπόν υπολογιστές
που πράγματι καταλαβαίνουν τι βλέπουν -
7:41 - 7:43και γι' αυτό μπορούν
να ερευνήσουν βάσεις δεδομένων -
7:43 - 7:46εκατοντάδων εκατομμυρίων εικόνων
σε πραγματικό χρόνο. -
7:46 - 7:50Τι σημασία έχει ότι
οι υπολογιστές μπορούν να βλέπουν; -
7:50 - 7:52Λοιπόν, δεν είναι μόνο αυτό.
-
7:52 - 7:54Η βαθιά μάθηση έκανε περισσότερα.
-
7:54 - 7:57Περίπλοκες προτάσεις με λεπτές έννοιες,
όπως αυτή εδώ, -
7:57 - 7:59μπορούν πλέον να κατανοηθούν
από τον αλγόριθμο. -
7:59 - 8:01Όπως βλέπετε εδώ,
-
8:01 - 8:04το σύστημα του Στάνφορντ
στην κόκκινη κουκκίδα στην κορυφή -
8:04 - 8:07κατάλαβε ότι αυτή η πρόταση
εκφράζει αρνητικό συναίσθημα. -
8:07 - 8:11Η βαθιά μάθηση όντως πλησιάζει
την ανθρώπινη επίδοση -
8:11 - 8:16στο να καταλαβαίνουν το κεντρικό θέμα
και το γενικό περιεχόμενο μιας πρότασης. -
8:16 - 8:19Η βαθιά μάθηση χρησιμοποιήθηκε επίσης
για την ανάγνωση Κινέζικων -
8:19 - 8:22και πάλι στο επίπεδο
του Κινέζου φυσικού ομιλητή. -
8:22 - 8:24Αυτός ο αλγόριθμος εξελίχθηκε
από ομάδα Ελβετών, -
8:24 - 8:27κανείς εκ των οποίων
δεν μιλούσε ή καταλάβαινε Κινέζικα. -
8:27 - 8:29Όπως είπα, η χρήση της βαθιάς μάθησης
-
8:29 - 8:32είναι το καλύτερο σύστημα
στον κόσμο γι' αυτό, -
8:32 - 8:37συγκρινόμενο ακόμα και
με την ανθρώπινη κατανόηση. -
8:37 - 8:40Είναι ένα σύστημα
που φτιάχνουμε στην εταιρεία μου -
8:40 - 8:42που δείχνει πώς συντίθενται όλα τα μέρη.
-
8:42 - 8:44Αυτές είναι εικόνες χωρίς κείμενο,
-
8:44 - 8:47και καθώς πληκτρολογώ κείμενο,
-
8:47 - 8:50σε πραγματικό χρόνο
κατανοεί αυτές τις εικόνες, -
8:50 - 8:51αντιλαμβάνεται το θέμα τους,
-
8:51 - 8:54και βρίσκει παρόμοιες φωτογραφίες
με το κείμενο που γράφω. -
8:54 - 8:57Άρα ουσιαστικά
καταλαβαίνει τις προτάσεις μου -
8:57 - 8:59και καταλαβαίνει αυτές τις εικόνες.
-
8:59 - 9:02Ξέρω ότι έχετε δει κάτι τέτοιο στη Google,
-
9:02 - 9:05όπου πληκτρολογείτε κάτι
και σας δείχνει εικόνες, -
9:05 - 9:08αλλά στην πραγματικότητα
ψάχνει στην ιστοσελίδα για κείμενο. -
9:08 - 9:11Αυτό είναι πολύ διαφορετικό
από το να κατανοείς τις εικόνες. -
9:11 - 9:14Αυτό το κατάφεραν οι υπολογιστές
-
9:14 - 9:17για πρώτη φορά πριν λίγους μήνες.
-
9:17 - 9:21Έτσι οι υπολογιστές, όχι μόνο βλέπουν,
αλλά μπορούν και να διαβάσουν, -
9:21 - 9:25και φυσικά δείξαμε
ότι καταλαβαίνουν ό,τι ακούνε. -
9:25 - 9:28Ίσως δεν σας εκπλήξει να σας πω
ότι μπορούν να γράφουν. -
9:28 - 9:33Εδώ είναι κείμενο που παρήγαγα χθες
με έναν αλγόριθμο βαθιάς μάθησης. -
9:33 - 9:37Και αυτό είναι κείμενο που παρήγαγε
ένας αλγόριθμος του Στάνφορντ. -
9:37 - 9:39Κάθε πρόταση δημιουργήθηκε
-
9:39 - 9:43από έναν αλγόριθμο βαθιάς μάθησης
για να περιγράψει καθεμιά από τις εικόνες. -
9:43 - 9:48Ο αλγόριθμος δεν είχε ξαναδεί άνθρωπο
με μαύρο πουκάμισο να παίζει κιθάρα. -
9:48 - 9:50Είχε ξαναδεί άνθρωπο,
είχε ξαναδεί μαύρο, -
9:50 - 9:51είχε ξαναδεί κιθάρα,
-
9:51 - 9:56αλλά από μόνος του έφτιαξε
αυτή τη νέα περιγραφή για την εικόνα. -
9:56 - 9:59Εδώ δεν φτάσαμε την ανθρώπινη απόδοση
αλλά πλησιάζουμε. -
9:59 - 10:03Στις δοκιμές, οι άνθρωποι προτιμούν
τις ετικέτες που φτιάχτηκαν από υπολογιστή -
10:03 - 10:05μία στις τέσσερις φορές.
-
10:05 - 10:07Αυτό το σύστημα είναι μόνο δύο εβδομάδων,
-
10:07 - 10:09άρα μάλλον εντός του επόμενου έτους,
-
10:09 - 10:12ο αλγόριθμος θα έχει ξεπεράσει
την ανθρώπινη επίδοση -
10:12 - 10:13με τους τρέχοντες ρυθμούς.
-
10:13 - 10:16Άρα οι υπολογιστές μπορούν και να γράφουν.
-
10:16 - 10:20Βάζοντάς τα όλα μαζί
οδεύουμε σε εκπληκτικές δυνατότητες. -
10:20 - 10:21Για παράδειγμα, στην ιατρική,
-
10:21 - 10:24μια ομάδα στη Βοστόνη
ανακοίνωσε ότι ανακάλυψαν -
10:24 - 10:27μεγάλο αριθμό νέων κλινικά σχετικών
χαρακτηριστικών όγκων -
10:27 - 10:31που θα βοηθήσει τους γιατρούς
στην πρόγνωση του καρκίνου. -
10:32 - 10:35Παρομοίως στο Στάνφορντ,
-
10:35 - 10:38μια ομάδα ανακοίνωσε ότι,
εξετάζοντας ιστούς σε μεγέθυνση, -
10:38 - 10:41εξέλιξαν ένα σύστημα μηχανικής μάθησης
-
10:41 - 10:43που είναι όντως καλύτερο
από τους ανθρώπους παθολόγους -
10:43 - 10:48στην πρόβλεψη των ποσοστών επιβίωσης
των πασχόντων από καρκίνο. -
10:48 - 10:51Και στις δύο περιπτώσεις,
όχι μόνο έκαναν ακριβέστερη πρόβλεψη, -
10:51 - 10:53αλλά παρήγαγαν πιο διορατική γνώση.
-
10:53 - 10:55Στην περίπτωση της ακτινολογίας,
-
10:55 - 10:58υπήρξαν νέες κλινικές ενδείξεις
που οι άνθρωποι θα καταλάβουν. -
10:58 - 11:00Σε αυτή την παθολογική περίπτωση,
-
11:00 - 11:04το σύστημα στον υπολογιστή ανακάλυψε
ότι τα κύτταρα γύρω από τον όγκο -
11:04 - 11:08είναι το ίδιο σημαντικά
όσο τα καρκινικά κύτταρα -
11:08 - 11:09για τη διάγνωση.
-
11:09 - 11:15Αυτό είναι αντίθετο από όσα διδάσκονταν
οι παθολόγοι για δεκαετίες. -
11:15 - 11:18Σε καθεμιά από τις δύο περιπτώσεις,
ήταν συστήματα που αναπτύχθηκαν -
11:18 - 11:22από συνδυασμό ειδικών στην ιατρική
και ειδικών στη μηχανική μάθηση, -
11:22 - 11:24αλλά από πέρυσι,
το έχουμε ξεπεράσει και αυτό. -
11:24 - 11:28Εδώ έχουμε παράδειγμα
εντοπισμού καρκινικής περιοχής -
11:28 - 11:30σε ανθρώπινο ιστό κάτω από το μικροσκόπιο.
-
11:30 - 11:35Το σύστημα μπορεί να εντοπίσει
αυτές τις περιοχές ακριβέστερα, -
11:35 - 11:38ή περίπου με την ίδια ακρίβεια
όσο οι παθολόγοι, -
11:38 - 11:41αλλά έγινε εξολοκλήρου με τη βαθιά μάθηση,
χωρίς ιατρική τεχνογνωσία, -
11:41 - 11:44από ανθρώπους χωρίς προϋπηρεσία
στον χώρο αυτό. -
11:45 - 11:47Παρόμοια εδώ, αυτή η κατάτμηση νευρώνα.
-
11:47 - 11:51Μπορούμε πλέον να κατατμήσουμε νευρώνες
με την ίδια ακρίβεια όπως οι άνθρωποι, -
11:51 - 11:54αλλά με σύστημα που αναπτύχθηκε
με τη βαθιά μάθηση -
11:54 - 11:57και ανθρώπους που δεν είχαν
καμία σχέση με την ιατρική. -
11:57 - 12:00Συνεπώς εγώ ο ίδιος,
πλήρως άσχετος με την ιατρική, -
12:00 - 12:04φαίνεται να έχω όλα τα προσόντα
να φτιάξω μια ιατροφαρμακευτική εταιρεία, -
12:04 - 12:06πράγμα που έκανα.
-
12:06 - 12:08Αρχικά φοβόμουν να το κάνω,
-
12:08 - 12:11αλλά θεωρητικά φαινόταν εφικτό
-
12:11 - 12:16να φτιάξω χρήσιμα φάρμακα χρησιμοποιώντας
μόνο τεχνικές ανάλυσης δεδομένων. -
12:16 - 12:18Ευτυχώς τα σχόλια ήταν άκρως ενθαρρυντικά.
-
12:18 - 12:21όχι μόνο από τα μέσα
αλλά και από την ιατρική κοινότητα, -
12:21 - 12:23που με στήριξε πολύ.
-
12:23 - 12:27Θεωρητικά μπορούμε να πάρουμε
την μέση φάση της ιατρικής διαδικασίας -
12:27 - 12:30και να αναλύσουμε τα δεδομένα της
στο μέγιστο δυνατό βαθμό, -
12:30 - 12:33αφήνοντας τους γιατρούς να κάνουν
αυτό που ξέρουν καλύτερα. -
12:33 - 12:35Θα σας δώσω ένα παράδειγμα.
-
12:35 - 12:40Τώρα μας παίρνει 15 λεπτά να βγάλουμε
ένα νέο διαγνωστικό τεστ -
12:40 - 12:42και θα το δείτε σε πραγματικό χρόνο,
-
12:42 - 12:45αλλά το συμπίεσα σε τρία λεπτά
παραλείποντας κάποια κομμάτια. -
12:45 - 12:48Αντί για τη δημιουργία
ενός ιατρικού διαγνωστικού τεστ, -
12:48 - 12:52θα σας δείξω ένα διαγνωστικό τεστ
από εικόνες αυτοκινήτων, -
12:52 - 12:54επειδή είναι κάτι που όλοι καταλαβαίνουμε.
-
12:54 - 12:57Ξεκινάμε με περίπου 1,5 εκατομμύριο
εικόνες αυτοκινήτων -
12:57 - 13:00και θέλω να φτιάξω κάτι που θα τις χωρίσει
-
13:00 - 13:03ανάλογα με τη γωνία λήψης της φωτογραφίας.
-
13:03 - 13:07Οι εικόνες δεν έχουν καθόλου κείμενο,
έτσι αρχίζω από το μηδέν. -
13:07 - 13:08Με τον αλγόριθμο βαθιάς γνώσης
-
13:08 - 13:12μπορεί αυτόματα να εντοπίσει
περιοχές δομής μέσα στις εικόνες. -
13:12 - 13:16Είναι καλό που άνθρωπος και υπολογιστής
μπορούν να συνεργαστούν. -
13:16 - 13:18Ο άνθρωπος που βλέπετε εδώ
-
13:18 - 13:21λέει στον υπολογιστή
για τις περιοχές ενδιαφέροντος -
13:21 - 13:25που θέλει να χρησιμοποιήσει ο υπολογιστής
για να βελτιώσει τον αλγόριθμό του. -
13:25 - 13:30Τα συστήματα αυτά είναι
σε διάστημα 16.000 διαστάσεων, -
13:30 - 13:33έτσι βλέπετε τον υπολογιστή
να το περιστρέφει σε αυτό το διάστημα, -
13:33 - 13:35προσπαθώντας να βρει νέες περιοχές δομής.
-
13:35 - 13:37Και όταν το κάνει με επιτυχία,
-
13:37 - 13:41τότε ο ανθρώπινος χειριστής μπορεί
να δείξει τις περιοχές ενδιαφέροντος. -
13:41 - 13:43Εδώ ο υπολογιστής βρήκε επιτυχώς περιοχές,
-
13:43 - 13:46για παράδειγμα, κάποιες γωνίες.
-
13:46 - 13:47Κατά τη διάρκεια της διαδικασίας,
-
13:47 - 13:50σταδιακά λέμε στον υπολογιστή
όλο και περισσότερα -
13:50 - 13:52για το είδος των δομών που ψάχνουμε.
-
13:52 - 13:54Φανταστείτε ότι στο διαγνωστικό τεστ
-
13:54 - 13:57θα είναι ο παθολόγος που δείχνει
τις επικίνδυνες περιοχές, -
13:57 - 14:02ή ο ακτινολόγος να δείχνει
τους εν δυνάμει ανησυχητικούς όζους. -
14:02 - 14:05Μερικές φορές ο αλγόριθμος δυσκολεύεται.
-
14:05 - 14:07Εδώ έχει μπερδευτεί λίγο.
-
14:07 - 14:09Τα μπρος και πίσω μέρη των αυτοκινήτων
έχουν μπλεχτεί. -
14:09 - 14:11Τότε πρέπει να προσέξουμε λίγο περισσότερο
-
14:11 - 14:15επιλέγοντας χειροκίνητα αυτά τα μπρος
από εκείνα τα πίσω μέρη, -
14:15 - 14:20και μετά λέγοντας στον υπολογιστή
ότι αυτά είναι ένα είδος ομάδας -
14:20 - 14:22που μας ενδιαφέρει.
-
14:22 - 14:24Το κάνουμε για λίγο,
παραλείπουμε λίγο εδώ, -
14:24 - 14:26και μετά εκπαιδεύουμε
τον αλγόριθμο βαθιά μάθηση -
14:26 - 14:29με βάση αυτά τα διακόσια περίπου πράγματα,
-
14:29 - 14:30και ελπίζουμε ότι βελτιώθηκε.
-
14:30 - 14:34Μπορείτε να δείτε ότι θολώνει
κάποια μέρη των εικόνων, -
14:34 - 14:38δείχνοντάς μας ότι ήδη καταλαβαίνει
πώς να αναγνωρίζει κάποια μέρη μόνος του. -
14:38 - 14:41Μπορούμε να χρησιμοποιήσουμε
το σχέδιο με τις παρόμοιες εικόνες, -
14:41 - 14:43και έτσι εδώ μπορείτε να δείτε
-
14:43 - 14:47ο υπολογιστής τώρα μπορεί ολοκληρωτικά
να βρίσκει μόνο τα μπροστινά μέρη. -
14:47 - 14:50Σε αυτό το σημείο ο άνθρωπος
μπορεί να λέει στον υπολογιστή, -
14:50 - 14:52εντάξει, μια χαρά τα πας.
-
14:54 - 14:56Φυσικά κάποιες φορές,
ακόμα και σε αυτό το σημείο -
14:56 - 15:00είναι ακόμα δύσκολο
να διακρίνει τις ομάδες. -
15:00 - 15:03Εδώ, ακόμη και αφού ο υπολογιστής
το έχει περιστρέψει κάμποσο, -
15:03 - 15:07ακόμα οι εικόνες αριστερής
και δεξιάς πλευράς -
15:07 - 15:08είναι ανάμικτες.
-
15:08 - 15:10Έτσι δίνουμε στον υπολογιστή
κάποιες οδηγίες, -
15:10 - 15:13και του λέμε να βρει
μια προβολή που να διαχωρίζει -
15:13 - 15:16κατά το δυνατόν
τις δεξιές από τις αριστερές πλευρές -
15:16 - 15:18χρησιμοποιώντας
τον αλγόριθμο βαθιάς γνώσης. -
15:18 - 15:21Με αυτή την οδηγία --
ωραία, είχε αποτέλεσμα. -
15:21 - 15:24Κατάφερε να βρει τρόπο σκέψης
σχετικά με αυτά τα αντικείμενα -
15:24 - 15:26ώστε να τα διαχωρίσει.
-
15:26 - 15:29Καταλαβαίνετε λοιπόν πώς γίνεται.
-
15:29 - 15:37Αυτή δεν είναι περίπτωση που ο υπολογιστής
αντικαθιστά τον άνθρωπο, -
15:37 - 15:40αλλά όπου συνεργάζονται.
-
15:40 - 15:43Εδώ αντικαθιστούμε κάτι
που χρειαζόταν μια ομάδα -
15:43 - 15:45πέντε ή έξι ατόμων για σχεδόν επτά χρόνια,
-
15:45 - 15:48και το αντικαθιστούμε με κάτι
που χρειάζεται 15 λεπτά -
15:48 - 15:50για ένα άτομο που δουλεύει μόνο του.
-
15:50 - 15:54Έτσι η διαδικασία αφαιρεί τέσσερις
ή πέντε επαναληπτικές φάσεις. -
15:54 - 15:56Βλέπετε ότι τώρα έχουμε 62%
-
15:56 - 15:59από 1,5 εκατομμύριο εικόνες
ορθά ταξινομημένες. -
15:59 - 16:01Και σε αυτό το σημείο,
μπορούμε αρκετά γρήγορα -
16:01 - 16:03να μαρκάρουμε μεγάλα τμήματα,
-
16:03 - 16:06να τα τσεκάρουμε ώστε να μην έχουν λάθη.
-
16:06 - 16:10Όπου υπάρχουν σφάλματα,
ενημερώνουμε τον υπολογιστή. -
16:10 - 16:13Και με αυτή τη διαδικασία για κάθε ομάδα,
-
16:13 - 16:15έχουμε φτάσει σε ένα ποσοστό επιτυχίας 80%
-
16:15 - 16:18στην ταξινόμηση 1,5 εκατομμυρίου εικόνων.
-
16:18 - 16:20Είμαστε στη φάση όπου
-
16:20 - 16:23παίρνουμε τις λίγες εικόνες
που δεν ταξινομήθηκαν σωστά -
16:23 - 16:26και προσπαθούμε να βρούμε τον λόγο.
-
16:26 - 16:28Με αυτή την προσέγγιση,
-
16:28 - 16:32σε 15 λεπτά φτάνουμε
το 97% στον ρυθμό ταξινόμησης. -
16:32 - 16:37Αυτή η τεχνική θα βοηθήσει
να διορθώσουμε ένα σοβαρό πρόβλημα, -
16:37 - 16:40την ανεπάρκεια ειδικών
στην ιατρική σε όλο τον κόσμο. -
16:40 - 16:42Το Παγκόσμιο Οικονομικό Φόρουμ λέει ότι
-
16:42 - 16:46υπάρχει δεκαπλάσιο με εικοσαπλάσιο
έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο, -
16:46 - 16:48και θα χρειαστούν 300 χρόνια
-
16:48 - 16:51για να εκπαιδευθούν αρκετοί άνθρωποι
ώστε να λυθεί το πρόβλημα. -
16:51 - 16:54Φαντάζεστε να μπορούσαμε
να ενισχύσουμε την απόδοσή τους -
16:54 - 16:56με την προσέγγιση της βαθιάς μάθησης;
-
16:56 - 16:59Είμαι ενθουσιασμένος
με αυτές τις προοπτικές. -
16:59 - 17:01Ανησυχώ επίσης και για τα προβλήματα.
-
17:01 - 17:04Το πρόβλημα εδώ είναι ότι
κάθε μπλε περιοχή στο χάρτη -
17:04 - 17:08είναι μέρος όπου οι υπηρεσίες
είναι πάνω από το 80% της απασχόλησης. -
17:08 - 17:10Ποιες είναι οι υπηρεσίες;
-
17:10 - 17:11Αυτές είναι οι υπηρεσίες.
-
17:11 - 17:16Είναι αυτά ακριβώς τα πράγματα
που ο υπολογιστής μόλις έμαθε να κάνει. -
17:16 - 17:19Έτσι το 80% της παγκόσμιας απασχόλησης
στον αναπτυσσόμενο κόσμο -
17:19 - 17:22είναι πράγματα που οι υπολογιστές
μόλις έμαθαν να κάνουν. -
17:22 - 17:23Τι σημαίνει αυτό;
-
17:23 - 17:26Κάτι θα γίνει.
Θα αντικατασταθούν από άλλες δουλειές. -
17:26 - 17:29Θα γίνουν περισσότερες θέσεις
για επιστήμονες δεδομένων. -
17:29 - 17:30Όχι ακριβώς.
-
17:30 - 17:33Δεν χρειάζονται πολύ χρόνο
να φτιάξουν κάτι τέτοιο. -
17:33 - 17:36Αυτούς τους τέσσερις αλγόριθμους
τους έφτιαξε το ίδιο άτομο. -
17:36 - 17:38Αν σκεφτείτε, εντάξει,
το έχουμε ξαναδεί το έργο, -
17:38 - 17:42είδαμε τα αποτελέσματα στο παρελθόν
όταν προέκυψαν νέες ανάγκες -
17:42 - 17:44και αντικαταστάθηκαν από νέα επαγγέλματα,
-
17:44 - 17:46ποια θα είναι τα νέα επαγγέλματα;
-
17:46 - 17:48Είναι πολύ δύσκολο να το εκτιμήσουμε
-
17:48 - 17:51γιατί η ανθρώπινη απόδοση
αυξάνεται με σταδιακό ρυθμό, -
17:51 - 17:54αλλά τώρα έχουμε το σύστημα βαθιάς μάθησης
-
17:54 - 17:57που αυξάνει την ικανότητά του
με ρυθμούς γεωμετρικής προόδου. -
17:57 - 17:58Και είμαστε εδώ.
-
17:58 - 18:01Προς το παρόν,
κοιτάμε γύρω μας και σκεφτόμαστε -
18:01 - 18:03«Οι υπολογιστές είναι χαζά μηχανήματα».
Σωστά; -
18:03 - 18:07Σε πέντε χρόνια όμως, οι υπολογιστές
θα έχουν φύγει από τα όρια του πίνακα. -
18:07 - 18:10Θα πρέπει να αρχίσουμε να σκεφτόμαστε
αυτή την ικανότητα άμεσα. -
18:10 - 18:13Το έχουμε δει ακόμη μια φορά στο παρελθόν.
-
18:13 - 18:14Στη Βιομηχανική Επανάσταση
-
18:14 - 18:17είδαμε μια αλλαγή ρυθμού στην ικανότητα
χάρις στις μηχανές. -
18:17 - 18:21Το θέμα είναι βέβαια, ότι μετά από λίγο
τα πράγματα ισοπεδώθηκαν. -
18:21 - 18:22Υπήρξε κοινωνική διάσπαση,
-
18:22 - 18:26αλλά εφόσον οι μηχανές χρησιμοποιήθηκαν
για την παραγωγή ενέργειας παντού -
18:26 - 18:28τα πράγματα έφτασαν σε μια σταθερότητα.
-
18:28 - 18:30Η Επανάσταση Μηχανικής Μάθησης
-
18:30 - 18:32θα διαφέρει πολύ
από τη Βιομηχανική Επανάσταση -
18:32 - 18:36επειδή η Μηχανική Μάθηση
ποτέ δεν φτάνει σε στάδιο σταθερότητας. -
18:36 - 18:39Όσο οι υπολογιστές βελτιώνονται
σε διανοητικές ικανότητες, -
18:39 - 18:43θα φτιάξουν καλύτερους υπολογιστές
που θα βελτιωθούν διανοητικά περισσότερο, -
18:43 - 18:45έτσι θα είναι ένα είδος αλλαγής
-
18:45 - 18:47που ο κόσμος δεν έχει ξαναζήσει,
-
18:47 - 18:51έτσι η προηγούμενη αντίληψή σας
για το τι είναι δυνατόν είναι διαφορετική. -
18:51 - 18:53Ήδη μας επηρεάζει.
-
18:53 - 18:56Τα τελευταία 25 χρόνια, καθώς αυξανόταν
η παραγωγικότητα κεφαλαίου, -
18:56 - 19:01η παραγωγικότητα εργασίας έμενε σταθερή,
ίσως και να μειωνόταν ελάχιστα. -
19:01 - 19:04Ας ξαναρχίσουμε αυτή τη συζήτηση τώρα.
-
19:04 - 19:07Ξέρω ότι όταν κάνω συζήτηση
σχετικά με αυτή την κατάσταση, -
19:07 - 19:09οι άνθρωποι γίνονται απαξιωτικοί.
-
19:09 - 19:11Οι υπολογιστές δεν μπορούν να σκεφτούν,
-
19:11 - 19:13δεν νιώθουν,
δεν καταλαβαίνουν την ποίηση, -
19:13 - 19:16εμείς δεν καταλαβαίνουμε πραγματικά
πώς αυτοί λειτουργούν. -
19:16 - 19:17Και λοιπόν;
-
19:17 - 19:22Οι υπολογιστές τώρα μπορούν να κάνουν
όσα οι άνθρωποι πληρώνονται για να κάνουν -
19:22 - 19:23έτσι είναι καιρός να σκεφτούμε
-
19:23 - 19:28πώς θα αναπροσαρμόσουμε
τις κοινωνικές και οικονομικές δομές -
19:28 - 19:30σε αυτή τη νέα πραγματικότητα.
-
19:30 - 19:31Ευχαριστώ.
-
19:31 - 19:32(Χειροκρότημα)
- Title:
- Οι θαυμαστές και τρομακτικές επιπτώσεις των υπολογιστών που μαθαίνουν
- Speaker:
- Τζέρεμι Χάουαρντ
- Description:
-
Τι συμβαίνει όταν διδάσκουμε σε έναν υπολογιστή πώς να μαθαίνει; Ο τεχνολόγος Τζέρεμι Χάουαρντ μοιράζεται μαζί μας μερικά εκπληκτικά νέα επιτεύγματα στον ταχύτατα αναπτυσσόμενο χώρο της βαθιάς μάθησης, μια τεχνική που δίνει στους υπολογιστές τη δυνατότητα να μαθαίνουν Κινέζικα, ή να αναγνωρίζουν αντικείμενα μέσα σε φωτογραφίες, ή να βοηθούν στη διαμόρφωση μιας ιατρικής διάγνωσης. (Ένα εργαλείο βαθιάς μάθησης, αφού παρακολούθησε για ώρες βίντεο στο YouTube, δίδαξε στον εαυτό του την έννοια «γάτα»). Βρεθείτε σ' έναν χώρο που θ' αλλάξει τον τρόπο συμπεριφοράς των υπολογιστών... νωρίτερα απ' όσο πιθανόν νομίζετε.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Dimitra Papageorgiou approved Greek subtitles for The wonderful and terrifying implications of computers that can learn | ||
Dimitra Papageorgiou edited Greek subtitles for The wonderful and terrifying implications of computers that can learn | ||
Dimitra Papageorgiou edited Greek subtitles for The wonderful and terrifying implications of computers that can learn | ||
Dimitra Papageorgiou edited Greek subtitles for The wonderful and terrifying implications of computers that can learn | ||
Chryssa R. Takahashi edited Greek subtitles for The wonderful and terrifying implications of computers that can learn | ||
Chryssa R. Takahashi edited Greek subtitles for The wonderful and terrifying implications of computers that can learn | ||
Chryssa R. Takahashi accepted Greek subtitles for The wonderful and terrifying implications of computers that can learn | ||
Chryssa R. Takahashi edited Greek subtitles for The wonderful and terrifying implications of computers that can learn |