پیامدهای شگفت انگیز و هولناک رایانه هایی که می توانند یاد بگیرند
-
0:01 - 0:05در گذشته اگه می خواستین یه رایانه
کار جدیدی انجام بده، -
0:05 - 0:06باید برنامه اش رو بهش می دادین.
-
0:06 - 0:10خوب، برای اونایی که
تا حالا برنامه ننوشتن، -
0:10 - 0:13این کار نیاز به تعریف جزئیات طاقت فرسای
-
0:13 - 0:17تک تک مراحلی داره که میخواین
رایانه انجام بده -
0:17 - 0:19تا به هدف مورد نظر شما برسه.
-
0:19 - 0:23حالا، اگه بخواین کاری انجام بدین که
خودتون نمی دونین چطور انجام میشه، -
0:23 - 0:25با چالش بزرگی روبرو میشین.
-
0:25 - 0:28خوب، این چالشی بود که رو در روی این مرد، آرتور ساموئل،
قرار داشت. -
0:28 - 0:30او در سال ۱۹۵۶، می خواست این رایانه
-
0:30 - 0:35بتونه اونو تو بازی چکرز (دام، جنگ نادر)
شکست بده. -
0:35 - 0:37چطور میتونین برنامهای بنویسین،
-
0:37 - 0:40که با تمام جزئیات طاقت فرسا، به رایانه بگه
چجوری می تونه تو بازی چکرز از شما بهتر باشه؟ -
0:40 - 0:42خوب، ایده ای به ذهنش رسید:
-
0:42 - 0:46اجازه داد رایانه هزاران بار
با خودش بازی کنه، -
0:46 - 0:48و یاد بگیره چطور چکرز بازی کنه.
-
0:48 - 0:51و در واقع موفق شد،
و در عمل، تا سال ۱۹۶۲، -
0:53 - 0:56این رایانه تونسته بود
قهرمان ایالت کانکتیکات رو شکست بده. -
0:56 - 0:59پس آرتور ساموئل
پدر یادگیری ماشینی بود، -
0:59 - 1:00و من دین بزرگی بهش دارم،
-
1:00 - 1:03چون کارم یادگیری ماشینیه.
-
1:03 - 1:04من رئیس کاگل بودم،
-
1:04 - 1:08با بیش از دویست هزار نفر
که کارشون یادگیری ماشینیه. -
1:08 - 1:10کاگل مسابقاتی برگزار می کنه
-
1:10 - 1:14و از شرکت کننده ها می خواد
مسئله هایی رو که قبلاً حل نشده ن حل کنن، -
1:14 - 1:17و این رقابت صدها بار موفق بوده.
-
1:17 - 1:20پس به دلیل همین امتیاز،
تونستم چیزای زیادی -
1:20 - 1:24درباره کارهایی بفهمم که یادگیری ماشینی
در گذشته می تونست بکنه، امروز می تونه بکنه، -
1:24 - 1:26و در آینده می تونه بکنه.
-
1:26 - 1:31احتمالاً اولین موفقیت بزرگ تجاری
یادگیری ماشینی گوگل بود، -
1:31 - 1:34گوگل نشون داد یافتن اطلاعات
-
1:34 - 1:36از راه الگوریتم رایانه امکان پذیره،
-
1:36 - 1:38و اساس این الگوریتم، یادگیری ماشینیه.
-
1:38 - 1:42از اون هنگام، یادگیری ماشینی
به موفقیتهای تجاری بسیاری دست یافته. -
1:42 - 1:44شرکت هایی مانند آمازون و نتفلیکس
-
1:44 - 1:48برای پیشنهاد محصولاتی که احتمالاً دوست دارین بخرین
از یادگیری ماشینی استفاده می کنن، -
1:48 - 1:50یا فیلمهایی که احتمالاً دوست دارین ببینین.
-
1:50 - 1:52گاهی این کار به طور نامحسوس انجام می شه.
-
1:52 - 1:54شرکتهایی مانند لینکدین و فیسبوک
-
1:54 - 1:56گاهی به شما درباره دوستهاتون می گن
-
1:56 - 1:58و شما نمی دونین این کارو چجوری انجام میدن،
-
1:58 - 2:01و دلیلش اینه که
از قدرت یادگیری ماشینی استفاده می کنن. -
2:01 - 2:04اینها الگوریتم هایی هستن که
یاد گرفتن این کار رو با داده ها انجام بدن -
2:04 - 2:07به جای اینکه با دست برنامه ربزی بشن.
-
2:07 - 2:10آی بی ام هم به همین ترتیب موفق شد
-
2:10 - 2:14کاری بکنه که واتسون در مسابقه تلویزیونی "محک"
دو نفر از قهرمانان جهان رو شکست بده، -
2:14 - 2:17با پاسخ به پرسشهای بسیار ریز
و پیچیده مانند این یکی. -
2:17 - 2:20[شیء باستانی "شیر نیمرود" در سال ۲۰۰۳
(به همراه اشیای دیگر) از موزه ملی این شهر به سرقت رفت] -
2:20 - 2:23همچنین به همین دلیله که حالا می تونیم
اولین خودروهای بدون راننده رو ببینیم. -
2:23 - 2:26اگه بخواین تفاوت
-
2:26 - 2:28یه درخت و یه عابر پیاده رو تشخیص بدین،
خوب، این خیلی مهمه. -
2:28 - 2:31نمی دونیم چطور این برنامه ها رو با دست بنویسیم،
-
2:31 - 2:34اما حالا با یادگیری ماشینی،
این کار امکان پذیره. -
2:34 - 2:37و در واقع، این ماشین
بیش از یک و نیم میلیون کیلومتر -
2:37 - 2:40بدون هیچ تصادفی
در جاده های عادی راه رفته. -
2:40 - 2:44پس حالا می دونیم که رایانه ها
می تونن یاد بگیرن، -
2:44 - 2:46و رایانه ها می تونن کارهایی رو یاد بگیرن
-
2:46 - 2:49که در واقع خود ما گاهی
نمی تونیم انجام بدیم، -
2:49 - 2:52یا شاید اونا بهتر از ما انجام می دن.
-
2:52 - 2:56یکی از عجیب ترین نمونه های
یادگیری ماشینی که دیده ام -
2:56 - 2:58در پروژه ای بود
که در کاگل داشتم -
2:58 - 3:02و در اون گروهی به سرپرستی جفری هینتون
-
3:02 - 3:03از دانشگاه تورونتو
-
3:03 - 3:06برنده مسابقه ی کشف خودکار دارو شد.
-
3:06 - 3:09خوب، نکته فوق العاده فقط این نبود که اونها
-
3:09 - 3:13همه الگوریتم های طراحی شده توسط مِرک یا
دانشگاههای بین المللی رو شکست دادن، -
3:13 - 3:18بلکه این بود که هیچ یک از اعضای گروه، هیچ زمینه ای
از شیمی یا زیست شناسی یا علوم زیستی نداشتن، -
3:18 - 3:20و این کار رو در دو هفته انجام دادن.
-
3:20 - 3:22چطور این کار رو کردن؟
-
3:22 - 3:25اونها از الگوریتم فوق العاده ای
به نام یادگیری عمیق استفاده کردن. -
3:25 - 3:28این خبر چنان مهم بود که موفقیت اونها
-
3:28 - 3:31چند هفته بعد روی جلد نیویورک تایمز منعکس شد.
-
3:31 - 3:34این جفری هینتونه
اینجا سمت چپ. -
3:34 - 3:38یادگیری عمیق الگوریتمی بر اساس
نحوه کار مغز انسانه، -
3:38 - 3:40و در نتیجه الگوریتمیه
-
3:40 - 3:44که از نظر تئوری هیچ محدودیتی
در توانایی انجام کار نداره. -
3:44 - 3:47هر چه داده بیشتری به اون بدین،
و با گذشت زمان -
3:47 - 3:48بهتر می شه.
-
3:48 - 3:51همچنین نیویورک تایمز در این مطلب
-
3:51 - 3:53به یه نتیجه خارق العاده دیگه
از یادگیری عمیق اشاره کرد -
3:53 - 3:56که حالا به شما نشون میدم.
-
3:56 - 4:01اینجا می بینین که رایانه ها
می تونن گوش بدن و بفهمن. -
4:01 - 4:03(ویدئو) ریچارد رشید: حالا، آخرین مرحله ای
-
4:03 - 4:06که میخوام انجام بدم
-
4:06 - 4:11در واقع اینه که
به زبان چینی با تو صحبت کنم. -
4:11 - 4:14نکته ی مهم اینه که
-
4:14 - 4:19تونستیم حجم بالایی از اطلاعات رو
از تعداد زیادی چینی زبان جمع کنیم -
4:19 - 4:21و یه سیستم نوشتار-به-گفتار ایجاد کنیم
-
4:21 - 4:26که نوشته های چینی رو
به زبان چینی تبدیل می کنه، -
4:26 - 4:30و بعد حدود یه ساعت
از صدای خودمو ضبط کردیم -
4:30 - 4:32و از اون برای تنظیم
-
4:32 - 4:36سیستم استاندارد نوشتار-به-گفتار
استفاده کردیم تا شبیه من بشه. -
4:36 - 4:39باز هم نتیجه ایده آل نیست.
-
4:39 - 4:42در واقع اشتباههایی وجود داره.
-
4:42 - 4:44(به زبان چینی)
-
4:44 - 4:47(تشویق)
-
4:49 - 4:53در این زمینه کار زیادی باید انجام بشه.
-
4:53 - 4:57(به زبان چینی)
-
4:57 - 5:00(تشویق)
-
5:01 - 5:05جرمی هووارد: خوب، اینجا یه کنفرانس
درباره یادگیری ماشین تو چینه. -
5:05 - 5:07در واقع در اغلب کنفرانسهای دانشگاهی،
-
5:07 - 5:09حضار اینطوری خودبخود تشویق نمی کنن،
-
5:09 - 5:13البته گاهی در کنفرانسهای تدکس پیش میاد،
راحت باشین. -
5:13 - 5:15همه چیزهایی که اونجا دیدین
حاصل یادگیری عمیق بود. -
5:15 - 5:17(تشویق) متشکرم.
-
5:17 - 5:19رونویسی به انگلیسی
یادگیری عمیق بود. -
5:19 - 5:23رونویسی به چینی و نوشته ی
بالا سمت راست، یادگیری عمیق، -
5:23 - 5:26و شکل گیری صدا نیز
یادگیری عمیق بود. -
5:26 - 5:29یادگیری عمیق چنین
پدیده ی خارق العاده ایه. -
5:29 - 5:32یه الگوریتم واحد که به نظر میرسه
بتونه تقریباً هر کاری بکنه، -
5:32 - 5:35و فهمیدم که یه سال قبل،
دیدن رو هم یاد گرفته. -
5:35 - 5:38در این مسابقه عجیب از آلمان
-
5:38 - 5:40به نام مسابقه تشخیص
تابلوهای ترافیکی آلمان، -
5:40 - 5:44یادگیری عمیق تابلوهایی
مثل این رو یاد گرفته بود. -
5:44 - 5:46نه تنها میتونست تابلوها رو
-
5:46 - 5:47بهتر از هر الگوریتم دیگه ای بشناسه،
-
5:47 - 5:50بلکه جدول نشون میداد
از انسان هم بهتره، -
5:50 - 5:52تقریباً دو برابر بهتر از انسان.
-
5:52 - 5:54پس تا سال ۲۰۱۱،
اولین نمونه ی -
5:54 - 5:57رایانه هایی رو داشتیم که
بهتر از انسان می بینن. -
5:57 - 5:59از اون موقع، اتفاقات زیادی افتاده.
-
5:59 - 6:03گوگل در سال ۲۰۱۲ اعلام کرد که دارای
الگوریتم یادگیری عمیقی -
6:03 - 6:04که ویدئوهای یوتیوب رو می بینه هستند
-
6:04 - 6:08و داده های اونو در عرض یه ماه
تو ۱۶ هزار رایانه پردازش میکنه، -
6:08 - 6:12و رایانه بطور مستقل موضوعاتی
مثل آدمها و گربه ها رو یاد گرفته -
6:12 - 6:14فقط با تماشای ویدئو.
-
6:14 - 6:16تا حدود زیادی شبیه
یادگیری آدمه. -
6:16 - 6:19برای یاد گرفتن آدمها لازم نیست
به اونا بگین چیزی که می بینن چیه، -
6:19 - 6:22بلکه خودشون یاد میگیرن این چیزها چیه.
-
6:22 - 6:26همین طور در سال ۲۰۱۲،
جفری هینتون که قبلاً دیدیمش، -
6:26 - 6:29مسسابقه ی بسیار معروف
ایمیج نت رو برنده شد، -
6:29 - 6:33که باید یک و نیم میلیون عکس رو نگاه می کرد
-
6:33 - 6:34و می گفت عکس چی هستن.
-
6:34 - 6:38حالا در سال ۲۰۱۴ تونستیم
خطا رو به شش درصد -
6:38 - 6:39در شناسایی تصویر پایین بیاریم.
-
6:39 - 6:41این هم بهتر از آدمه.
-
6:41 - 6:45پس ماشین تو این کار خیلی بهتره،
-
6:45 - 6:47و حالا دارن تو صنعت ازش استفاده میکنن.
-
6:47 - 6:50مثلاً گوگل سال پیش اعلام کرد
-
6:50 - 6:55نقشه ی همه جای فرانسه رو
در عرض دو ساعت تهیه کرده، -
6:55 - 6:58و این کارو با استفاده از تصاویر دوربینهای خیابان انجام دادن
-
6:58 - 7:03و یه الگوریتم یادگیری عمیق که میتونست
شماره خیابونها رو بخونه و بشناسه. -
7:03 - 7:05تصور کنین قبلاً می تونست
چقدر طول بکشه: -
7:05 - 7:08چندین نفر، چندین سال.
-
7:08 - 7:10همین اتفاق داره تو چین میفته.
-
7:10 - 7:14بایدو یه جور گوگل چینیه، فکر کنم،
-
7:14 - 7:17و چیزی که اینجا سمت چپ و بالا می بینین
-
7:17 - 7:20نمونه ای از تصویریه که من
در سیستم یادگیری عمیق بایدو آپلود کردم، -
7:20 - 7:24و پایینش می تونین ببینین که
سیستم فهمیده اون تصویر چیه -
7:24 - 7:26و تصاویر مشابه رو پیدا کرده.
-
7:26 - 7:29تصاویر مشابه در واقع دارای زمینه مشابه،
-
7:29 - 7:31و جهت مشابه چهره ها هستن،
-
7:31 - 7:33حتی زبون بعضیا بیرونه.
-
7:33 - 7:36این جستجوی واضح یه متن
از یه صفحه وب نیست. -
7:36 - 7:37تمام چیزی که آپلود کردم یه تصویر بود.
-
7:37 - 7:41پس حالا رایانه هایی داریم که
چیزی رو که می بینن واقعاً میفهمن -
7:41 - 7:43و بنابراین میتونن بانکهای اطلاعاتی
-
7:43 - 7:46صدها میلیون تصویری رو
در یه لحظه جستجو کنن. -
7:46 - 7:50پس حالا اینکه رایانه ها میتونن ببینن
یعنی چی؟ -
7:50 - 7:52خوب، فقط این نیست که
رایانه ها میتونن ببینن. -
7:52 - 7:54در واقع، یادگیری عمیق
بیشتر از این انجام داده. -
7:54 - 7:57جملات پیچیده و ظریف مثل این یکی
-
7:57 - 7:59حالا با الگوریتم های
یادگیری عمیق قابل فهمه. -
7:59 - 8:01همون طور که میتونین اینجا ببینین،
-
8:01 - 8:03این سیستم مستقر در استنفورد
که نقطه قرمزی اون بالا داره -
8:03 - 8:07به این نتیجه رسیده که این جمله
بار عاطفی منفی داره. -
8:07 - 8:11حالا در واقع یادگیری عمیق
به عملکرد انسان نزدیک شده -
8:11 - 8:16در فهم اینکه جمله ها درباره ی چیه
وهر جمله درباره اون چیزها چی میگه. -
8:16 - 8:19هم چنین، یادگیری عمیق
برای خواندن متون چینی به کار رفته، -
8:19 - 8:22باز هم در سطحی که معادل
حرف زدن یه آدم چینی تبار اصیله، -
8:22 - 8:24این الگوریتم در سویس ساخته شده
-
8:24 - 8:27توسط افرادی که هیچ کدوم نمی تونن
چینی حرف بزنن یا بفهمن. -
8:27 - 8:29همون طور که گفتم،
با استفاده از یادگیری عمیق -
8:29 - 8:32یعنی استفاده از بهترین سیستم
موجود در دنیا در این مورد، -
8:32 - 8:37حتی در مقایسه با
فهم یه آدم بومی اصیل. -
8:37 - 8:40این سیستمیه که ما
تو شرکتمون جمع کردیم -
8:40 - 8:42که نشون میده همه این چیزها
کنار هم جمع شده. -
8:42 - 8:44اینها تصاویریه که هیچ متنی
به اونها پیوست نیست، -
8:44 - 8:47و همینکه اینجا جمله هایی تایپ میکنم،
-
8:47 - 8:50در همون لحظه داره اون تصاویر رو میفهمه
-
8:50 - 8:51و داره تصمیم میگیره
موضوع اونا چیه -
8:51 - 8:54و تصاویری رو که شبیه متنیه که
من دارم می نویسم پیدا می کنه. -
8:54 - 8:57پس می تونین ببینین که در واقع
جمله های منو میفهمه -
8:57 - 8:59و در واقع این تصاویر رو میفهمه.
-
8:59 - 9:02میدونم یه چیزی شبیه اینو
تو گوگل دیدین، -
9:02 - 9:05اونجا میتونین چیزهایی تایپ کنین و
تصاویری به شما نشون میده، -
9:05 - 9:08اما در واقع کاری که انجام میده اینه که
صفحه وب رو دنبال اون متن میگرده. -
9:08 - 9:11این با فهم واقعی تصاویر خیلی فرق داره.
-
9:11 - 9:14این چیزیه که رایانه ها فقط تونستن
-
9:14 - 9:17برای اولین بار در چند ماه اخیر انجامش بدن.
-
9:17 - 9:21پس حالا می بینیم که رایانه ها
هم می تونن ببینن و هم میتونن بخونن، -
9:21 - 9:25و البته، نشون دادیم که میتونن
چیزی رو که می شنون بفهمن. -
9:25 - 9:28شاید حالا عجیب نباشه که
میخوام بگم میتونن بنویسن. -
9:28 - 9:33این متنیه که دیروز
با یه الگوریتم یادگیری عمیق ایجاد کردم. -
9:33 - 9:37و این متنیه که یه الگوریتم
از استنفورد ایجاد کرده. -
9:37 - 9:39هر دو جمله توسط
-
9:39 - 9:43الگوریتم یادگیری عمیق برای
توصیف این تصاویر ایجاد شده. -
9:43 - 9:48این الگوریتم قبلاً هرگز ندیده بود
یه مرد با پیراهن مشکی گیتار بنوازد. -
9:48 - 9:50قبلاً یه مرد دیده بود،
قبلاً مشکی دیده بود، -
9:50 - 9:51قبلاً یه گیتار دیده بود،
-
9:51 - 9:56اما بدون کمک کسی توانست چنین توصیف
نابی از این تصویر ایجاد کند. -
9:56 - 9:59البته هنوز به سطح عملکرد انسان نرسیده ایم،
اما به آن نزدیک شده ایم. -
9:59 - 10:03در آزمونها، افراد توصیف های رایانه رو
-
10:03 - 10:05به نسبت یک به چهار ترجیح میدن.
-
10:05 - 10:07حالا این سیستم فقط دو هفته س به وجود اومده،
-
10:07 - 10:09بنابراین در عرض یه سال آینده،
-
10:09 - 10:12الگوریتم رایانه ای احتمالاً انسان رو پشت سر میذاره
-
10:12 - 10:13با این سرعت که کارها پیش میره.
-
10:13 - 10:16پس رایانه ها نوشتن هم بلدن.
-
10:16 - 10:20پس همه ی اینها رو کنار هم میذاریم و
نتیجه ش فرصت های بسیار مهیجی میشه. -
10:20 - 10:21مثلاً، در پزشکی،
-
10:21 - 10:24یه گروه در بوستون اعلام کرده
-
10:24 - 10:27چندین ویژگی مهم یالینی
-
10:27 - 10:31از تومورها رو پیدا کرده که به دکترها
در تعیین پیش آگهی سرطان کمک می کنن. -
10:32 - 10:35به طرز بسیار مشابه، در استنفورد،
-
10:35 - 10:38یه گروه اعلام کرده،
با نگاه کردن به بافتها، با بزرگنمایی بالا، -
10:38 - 10:41یه سیستم بر اساس یادگیری
ماشینی درست کردن -
10:41 - 10:43که در واقع بهتر از دکترهای آسیب شناس
-
10:43 - 10:48میزان بقای مبتلایان به سرطان رو
پیش بینی می کنه. -
10:48 - 10:51در هر دو مورد فوق،
نه تنها پیش بینی ها دقیق تره، -
10:51 - 10:53بلکه جنبه های جدیدی از بصیرت علمی
به وجود اومده. -
10:53 - 10:55در مورد رادیولوژی،
-
10:55 - 10:58شاخص های بالینی جدیدی به دست اومده
که انسان قادر به فهم اونهاست. -
10:58 - 11:00در این مورد آسیب شناسی،
-
11:00 - 11:04سیستم رایانه ای در واقع فهمید
که سلولهای اطراف سرطان -
11:04 - 11:08به اندازه ی خود سلولهای سرطانی
-
11:08 - 11:09در رسیدن به تشخیص مهم هستن.
-
11:09 - 11:15این برخلاف چیزیه که دهها ساله
به آسیب شناسها یاد میدن. -
11:15 - 11:18در هر یک از دو مورد فوق،
اون سیستمها -
11:18 - 11:22با ترکیبی از نظر خبرگان پزشکی
و خبرگان یادگیری ماشینی شکل گرفت، -
11:22 - 11:24اما از سال گذشته تا حالا
از اون هم جلوتر رفتیم. -
11:24 - 11:28این نمونه ای از تشخیص نواحی سرطانی
-
11:28 - 11:30بافتهای انسان در زیر میکروسکوپه.
-
11:30 - 11:35سیستمی که اینجا نشون داده شده
میتونه اون نواحی رو دقیق تر از -
11:35 - 11:38یا با دقت معادل دکترهای آسیب شناس
تشخیص بده، -
11:38 - 11:41اما به طور کامل توسط یادگیری عمیق و
بدون کمک تخصصی پزشکی ساخته شده -
11:41 - 11:44توسط افرادی که
هیچ سابقه ای در این زمینه ندارن. -
11:45 - 11:47به طور مشابه، اینجا،
این قطعه قطعه شدن عصب. -
11:47 - 11:51ما حالا میتونیم اعصاب رو با دقت
مشابه انسان قطعه قطعه کنیم، -
11:51 - 11:54اما این سیستم با یادگیری عمیق ایجاد شده
-
11:54 - 11:57توسط افرادی که هیچ سابقه ی پزشکی ندارن.
-
11:57 - 12:00پس خودم، به عنوان کسی که
هیچ سابقه ی پزشکی ندارم، -
12:00 - 12:04به نظر میرسه کاملاً آمادگی دارم
یه شرکت جدید پزشکی تأسیس کنم، -
12:04 - 12:06که همین کارو کردم.
-
12:06 - 12:08یه جورایی از انجام این کار میترسیدم،
-
12:08 - 12:11اما به طور نظری امکانش بود
-
12:11 - 12:16که با این فنون تحلیل داده بتونم
کار پزشکی بسیار مفیدی انجام بدم. -
12:16 - 12:19و شُکر که بازخوردش خارق العاده بوده،
-
12:19 - 12:21نه تنها از رسانه ها
بلکه از جامعه ی پزشکی، -
12:21 - 12:23که خیلی حمایت کردن.
-
12:23 - 12:27فرضیه اینه که میتونیم
قسمت وسط فرآیند پزشکی رو بگیریم -
12:27 - 12:30و اونو تا حد امکان
به تحلیل داده ها تبدیل کنیم، -
12:30 - 12:33و کارهایی رو که دکترها بهتر انجام میدن
به اونها بسپاریم. -
12:33 - 12:35میخوام یه مثال براتون بزنم.
-
12:35 - 12:40حالا به وجود اومدن یه آزمایش تشخیصی جدید
حدود ۱۵ دقیقه طول میکشه -
12:40 - 12:42و حالا اینو به طور زنده به شما نشون میدم،
-
12:42 - 12:45اما با برش چند قسمت فشرده ش کردم به سه دقیقه.
-
12:45 - 12:48بجای آزمایش تشخیص پزشکی
-
12:48 - 12:52میخوام یه آزمایش تشخیص تصاویر
خودرو براتون بسازم، -
12:52 - 12:54چون چیزیه که همه ی ما میفهمیم.
-
12:54 - 12:57پس اینجا با حدود یک و نیم میلیون
تصویر خودرو شروع می کنیم، -
12:57 - 13:00و میخوام چیزی درست کنم که بتون
اونها رو بر اساس زاویه ی عکاسی -
13:00 - 13:03دسته بندی کنه.
-
13:03 - 13:07خوب همه ی این تصاویر بدون برچسب هستن،
پس ناچارم از اول شروع کنم. -
13:07 - 13:08با الگوریتم یادگیری عمیق ما،
-
13:08 - 13:12این سیستم میتونه به طور خودکار
ساختارهای هر تصویر رو شناسایی کنه. -
13:12 - 13:16خوب نکته ی مثبت اینه که حالا انسان
و رایانه میتونن با هم کار کنن. -
13:16 - 13:18پس انسان، همون طور که اینجا میتونین ببینین،
-
13:18 - 13:21داره موارد مورد نظر رو
به رایانه میگه -
13:21 - 13:25و از رایانه میخواد با استفاده
از اونها الگوریتم خودشو بهتر کنه. -
13:25 - 13:30حالا این سیستمهای یادگیری عمیق
در واقع در فضای ۱۶ هزار بعدی هستن، -
13:30 - 13:33پس اینجا می تونین ببینین
رایانه اینو در اون فضا میچرخونه، -
13:33 - 13:35و سعی میکنه ساختارهای
جدید رو پیدا کنه. -
13:35 - 13:37و وقتی این کار رو
با چنین موفقیتی انجام میده، -
13:37 - 13:41فردی که داره هدایتش میکنه
میتونه نواحی مورد نظر رو نشون بده. -
13:41 - 13:43پس اینجا، رایانه موفق شده نواحی،
-
13:43 - 13:46مثلاً زاویه ها رو پیدا کنه.
-
13:46 - 13:47پس طی این فرآیند،
-
13:47 - 13:50به تدریج به رایانه
-
13:50 - 13:52نکات بیشتر و بیشتری درباره ی
انواع ساختارهای مورد نظرمون میگیم. -
13:52 - 13:54میتونین فرض کنین در یه آزمایش تشخیصی
-
13:54 - 13:57این میتونه یه آسیب شناس باشه که مثلاً
نواحی آسیب رو شناسایی می کنه، -
13:57 - 14:02یا یه رادیولوژیست که گره های
بالقوه مشکل دار رو نشون میده. -
14:02 - 14:05و این گاهی ممکنه
برای الگوریتم مشکل باشه. -
14:05 - 14:07در این مورد، یه جورایی سردرگم شد.
-
14:07 - 14:09جلو و عقب خودروها همه در همه.
-
14:09 - 14:11پس اینجا باید کمی بیشتر دقت کنیم،
-
14:11 - 14:15با دست جلو و عقب رو مشخص کنیم،
-
14:15 - 14:20بعد به رایانه بگیم
این نوع گروهیه -
14:20 - 14:22که منظور ماست.
-
14:22 - 14:24پس این کار رو مدتی انجام میدیم،
کمی ازش رد میشیم، -
14:24 - 14:26و بعد به الگوریتم یادگیری
ماشینی آموزش میدیم -
14:26 - 14:28بر اساس این چند صد چیز،
-
14:28 - 14:30و امیدواریم خیلی بهتر بشه.
-
14:30 - 14:34حالا میتونین ببینین که
بعضی از این تصاویر داره محو میشه، -
14:34 - 14:38که نشون میده خودش کم کم
بعضی از اینا رو میشناسه. -
14:38 - 14:41پس میتونیم از این مفهوم تصاویر مشابه
استفاده کنیم، -
14:41 - 14:43و با استفاده از تصاویر مشابه،
حالا میتونین ببینین که، -
14:43 - 14:47رایانه در این نقطه میتونه
فقط جلوی خودروها رو کاملاً بشناسه. -
14:47 - 14:50پس در این نقطه، انسان
میتونه به رایانه بگه، -
14:50 - 14:52خوب، بله، کارت خوب بود.
-
14:54 - 14:56گاهی، البته، حتی در این نقطه،
-
14:56 - 15:00جدا کردن گروهها مشکله.
-
15:00 - 15:03در این مورد، حتی بعد از اینکه رایانه
مدتی اینجا میچرخه، -
15:03 - 15:07هنوز می بینیم که سمت چپ و راست تصاویر
-
15:07 - 15:08همه در همه.
-
15:08 - 15:10پس دوباره میتونیم به رایانه کمک کنیم،
-
15:10 - 15:13و بگیم خوب، حالا سعی کن
زائده ای رو پیدا کنی -
15:13 - 15:16که سمت چپ و راست رو
تا حد امکان مشخص کنه -
15:16 - 15:18به کمک این الگوریتم یادگیری عمیق.
-
15:18 - 15:21و با این کمک--
آهان، بله، موفق شده. -
15:21 - 15:24تونسته راهی پیدا کنه
که درباره این اشیا فکر کنه -
15:24 - 15:26و اینها رو از هم جدا کنه.
-
15:26 - 15:29پس ایده رو اینجا گرفتین.
-
15:29 - 15:37اینجا رایانه جای انسان رو نمی گیره،
-
15:37 - 15:40بلکه با هم کار میکنن.
-
15:40 - 15:43کاری که اینجا می کنیم اینه که
کاری که وقت یه گروه -
15:43 - 15:45پنج یا شش نفره رو
حدود هفت سال می گرفت -
15:45 - 15:48به سیستمی میدیم که همون کار رو
در عرض ۱۵ دقیقه انجام میده -
15:48 - 15:50فقط با یه نفر که
به تنهایی کار میکنه. -
15:50 - 15:54پس این فرآیند
حدود چهار یا پنج بار تکرار میشه. -
15:54 - 15:56می تونین ببینین که حالا
موفق شدیم ۶۲ درصد -
15:56 - 15:59از یک و نیم میلیون تصویر رو
دسته بندی کنیم. -
15:59 - 16:01و در این نقطه،
میتونیم با سرعت تمام -
16:01 - 16:03دسته ها رو به طور کامل بگیریم،
-
16:03 - 16:06و هر کدوم رو چک کنیم تا
مطمئن بشیم اشتباه نشده. -
16:06 - 16:10در صورت اشتباه، میتونیم
اینو به رایانه اطلاع بدیم. -
16:10 - 16:13و با این نوع فرآیند
برای هر یک از گروههای مختلف، -
16:13 - 16:15حالا به موفقیت ۸۰ درصد
-
16:15 - 16:18در طبقه بندی یک و نیم میلیون تصویر رسیدیم.
-
16:18 - 16:20و این نقطه، جاییه که
-
16:20 - 16:23تعداد کمی تصویر درست طبقه بندی نشده،
-
16:23 - 16:26و سعی می کنه بفهمه چرا.
-
16:26 - 16:28و با استفاده از روش فوق،
-
16:28 - 16:32در عرض ۱۵ دقیقه
به میزان طبقه بندی ۹۷ درصد رسیدیم. -
16:32 - 16:37پس این نوع تکنیک
به ما امکان داد یه مشکل بزرگ رو حل کنیم، -
16:37 - 16:40این مشکل که با کمبود نیروی تخصصی
پزشکی در جهان روبرو هستیم. -
16:40 - 16:43مجمع جهانی اقتصاد اعلام کرده
بین ۱۰ تا ۲۰ برابر -
16:43 - 16:46کمبود پزشک در
جهان در حال توسعه وجود داره، -
16:46 - 16:48و حدود ۳۰۰ سال طول میکشه
-
16:48 - 16:51تا تعداد کافی پزشک
برای حل این مشکل تربیت بشه. -
16:51 - 16:54پس تصور کنین اگه بتونیم
کارایی اونا رو افزایش بدیم -
16:54 - 16:56با اساتفاده از این روشهای
یادگیری عمیق، چی میشه؟ -
16:56 - 16:59خوب این فرصتها منو
به شدت هیجان زده کرده. -
16:59 - 17:01همچنین نگران مشکلات هستم.
-
17:01 - 17:04اینجا مشکل اینه که
هر ناحیه آبی رنگ در این نقشه -
17:04 - 17:08جاییه که میزان اشتغال در خدمات
بیشتر از ۸۰ درصده. -
17:08 - 17:10چه خدماتی؟
-
17:10 - 17:11این خدمات.
-
17:11 - 17:16اینها دقیقاً همون چیزهایی هستن
که رایانه ها یاد گرفتن انجام بدن. -
17:16 - 17:19پس ۸۰ درصد اشتغال در جهان توسعه یافته
-
17:19 - 17:22مربوط به کارهاییه که
رایانه ها بلد هستن. -
17:22 - 17:23مفهومش چیه؟
-
17:23 - 17:26خوب، مشکلی نیست.
میتونن در مشاغل دیگه جایگزین بشن. -
17:26 - 17:29به عنوان مثال، موقعیتهای شغلی بیشتری
برای دانشمندان علوم داده ایجاد میشه. -
17:29 - 17:30خوب، نه واقعاً.
-
17:30 - 17:33دانشمندان علوم داده زمان زیادی
برای ساختن این چیزها صرف نکردن. -
17:33 - 17:36به عنوان مثال، این چهار الگوریتم
همگی توسط یه نفر ساخته شده. -
17:36 - 17:38پس اگه فکر کنید، اوه،
قبلاً مشابه همین اتفاق افتاده، -
17:38 - 17:42نتیجه شو در گذشته دیدیم
وقتی چیزهای جدید وارد میشه -
17:42 - 17:44و شغلهای جدید جای اونا رو میگیره،
-
17:44 - 17:46این شغلهای جدید چه خواهد بود؟
-
17:46 - 17:48برآوردش برامون خیلی سخته،
-
17:48 - 17:51چون عملکرد انسانی به تدریج رشد می کنه،
-
17:51 - 17:54اما حالا سیستمی داریم به نام یادگیری عمیق،
-
17:54 - 17:57که در واقع میدونیم که از نظر توانایی،
سرعت رشد تصاعدی داره. -
17:57 - 17:58و ما اینجاییم.
-
17:58 - 18:01پس در حال حاضر، چیزهای اطرفمون رو می بینیم
-
18:01 - 18:03و میگیم، "اوه، رایانه ها
هنوز خیلی عقب هستن." درسته؟ -
18:03 - 18:07اما در عرض پنج سال،
رایانه ها از این جدول خارج خواهند شد. -
18:07 - 18:11پس لازمه همین الان شروع به
فکر درباره ی این قابلیت کنیم. -
18:11 - 18:13البته اینو قبلاً یه بار دیدیم.
-
18:13 - 18:14در انقلاب صنعتی،
-
18:14 - 18:17با ورود موتورها شاهد
یک گام تغییر در قابلیت بودیم. -
18:18 - 18:21اما نکته این است
که پس از مدتی، همه چیز خراب شد. -
18:21 - 18:23گسست اجتماعی اتفاق افتاد،
-
18:23 - 18:26اما وقتی استفاده از موتورها برای تولید
نیرو در موقعیتهای مختلف شروع شد، -
18:26 - 18:28همه چیز واقعاً عادی شد.
-
18:28 - 18:30انقلاب یادگیری ماشینی
-
18:30 - 18:33بسیار متفاوت از
انقلاب صنعتی خواهد بود، -
18:33 - 18:36چون انقلاب یادگیری ماشینی،
هرگز عادی نمی شود. -
18:36 - 18:39هر چه رایانه ها در امور ذهنی
بهتر می شوند، -
18:39 - 18:43می تونن رایانه های بهتری بسازن
که در امور ذهنی بهتر هستن، -
18:43 - 18:45پس این نوعی تغییر خواهد بود
-
18:45 - 18:47که جهان هرگز پیش از این
تجربه نکرده، -
18:47 - 18:51پس فهم قبلی شما متفاوت با
چیزیه که ممکنه. -
18:51 - 18:53این قبلاً در حال
تحت تأثیر قرار دادن ماست. -
18:53 - 18:56در عرض ۲۵ سال اخیر،
با افزایش بهره وری سرمایه، -
18:56 - 19:01بهره وری کار ثابت مانده،
در واقع کمی هم افت کرده. -
19:01 - 19:04بنابراین میخوام این بحث رو
الان شروع کنیم. -
19:04 - 19:07میدونم که اغلب وقتی درباره ی
این وضعیت به افراد توضیح میدم، -
19:07 - 19:09ممکنه کسی اعتنا نکنه.
-
19:09 - 19:10خوب، رایانه ها در واقع نمی تونن فکر کنن،
-
19:10 - 19:13اونها احساس ندارن،
شعر رو نمی فهمن، -
19:13 - 19:16ما در واقع نمیدونیم چطور کار میکنن.
-
19:16 - 19:17پس چه؟
-
19:17 - 19:19رایانه ها همین الان میتونن
کارهایی بکنن -
19:19 - 19:22که انسانها بیشتر وقتشون رو
صرفش می کنن و در مقابلش پول میگیرن، -
19:22 - 19:24پس الان وقت آن است
که شروع کنیم به فکر -
19:24 - 19:28درباره ی اینکه چطور قراره ساختارهای اجتماعی
و ساختارهای اقتصادی خودمونو تغییر بدیم -
19:28 - 19:30تا از این واقعیت جدید آگاه بشیم.
-
19:30 - 19:31متشکرم.
-
19:31 - 19:32(تشویق)
- Title:
- پیامدهای شگفت انگیز و هولناک رایانه هایی که می توانند یاد بگیرند
- Speaker:
- جِرِمی هووارد
- Description:
-
اگر به یک رایانه یاد بدهیم چگونه یاد بگیرد، چه روی می دهد؟ جِرِمی هووارد، متخصص فناوری، به بیان برخی دستاوردهای جدید در زمینه به سرعت در حال پیشرفت یادگیری عمیق می پردازد، تکنیکی که می تواند به رایانه ها توانایی یادگیری زبان چینی، یا تشخیص تصاویر، یا تشخیص پزشکی را یاد بدهد. (یکی از ابزارهای یادگیری عمیق، توانسته پس از ساعتها تماشای یوتیوب، مفهوم گربه ها را به خود آموزش بدهد.) به موضوعی توجه کنید که نحوه ی عملکرد رایانه های اطراف شما را تغییر خواهد داد... زودتر از آنچه شاید فکرش را بکنید.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
b a approved Persian subtitles for The wonderful and terrifying implications of computers that can learn | ||
b a edited Persian subtitles for The wonderful and terrifying implications of computers that can learn | ||
b a edited Persian subtitles for The wonderful and terrifying implications of computers that can learn | ||
b a edited Persian subtitles for The wonderful and terrifying implications of computers that can learn | ||
soheila Jafari accepted Persian subtitles for The wonderful and terrifying implications of computers that can learn | ||
soheila Jafari edited Persian subtitles for The wonderful and terrifying implications of computers that can learn | ||
soheila Jafari edited Persian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Babak Azizafshari edited Persian subtitles for The wonderful and terrifying implications of computers that can learn |