A tanuló számítógépek viselkedésének csodálatos és hátborzongató következményei
-
0:01 - 0:03Valaha, ha azt akartuk, hogy
a számítógép -
0:03 - 0:06csináljon meg valamit, előtte
be kellett rá programoznunk. -
0:06 - 0:10Azoknak, akik sohasem programoztak:
a programozás -
0:10 - 0:14annyit tesz, hogy célunk érdekében
aprólékosan, lépésenként -
0:14 - 0:17részletesen közölni kell a géppel,
-
0:17 - 0:19mikor mit csináljon.
-
0:19 - 0:23De ha olyat akarunk tenni,
amiről mi sem tudjuk, miként kell, -
0:23 - 0:25az ám az igazi kunszt!
-
0:25 - 0:28Ilyen feladattal találkozott
Arthur Samuel. -
0:28 - 0:321956-ban szerette volna,
-
0:32 - 0:35ha a számítógép legyőzi dámajátékban.
-
0:35 - 0:37Hogy lehet megírni egy programot
-
0:37 - 0:40minden apró részletében,
hogy a számítógép győzzön? -
0:40 - 0:42Támadt egy ötlete:
-
0:42 - 0:46A gépet önmaga ellen játszatta
több ezerszer, -
0:46 - 0:49hogy a gép tanulja, hogyan kell játszani.
-
0:49 - 0:52A dolog sikerült, és 1962-re
-
0:52 - 0:56a számítógép legyőzte
Connecticut állam bajnokát. -
0:56 - 0:59Úgyhogy Samuelt a gépi
tanulás atyjának nevezhetjük. -
0:59 - 1:00Le vagyok kötelezve neki,
-
1:00 - 1:03mert gépi tanulással foglalkozom.
-
1:03 - 1:05A Kaggle elnöke voltam, a közösségé,
-
1:05 - 1:08ahol 200.000-nél többen foglalkoznak
gépi tanulással. -
1:08 - 1:10A Kaggle versenyeket
szervez nekik, -
1:10 - 1:14hogy oldjanak meg eddig
megoldatlan problémákat, -
1:14 - 1:17s ezek több száz alkalommal
bizonyultak sikeresnek. -
1:17 - 1:20Ebből a pozícióból
rá tudtam jönni sok mindenre: -
1:20 - 1:24mire volt képes a gépi tanulás
a múltban, mire a jelenben -
1:24 - 1:26és mit fog tudni a jövőben.
-
1:26 - 1:31Valószínűleg az első üzleti siker a
gépi tanulásban a Google volt. -
1:31 - 1:34A Google bizonyította, hogy lehet
gépi algoritmus alapján -
1:34 - 1:36adatokhoz jutni, és
-
1:36 - 1:38ez az algoritmus
gépi tanuláson alapul. -
1:38 - 1:42Azóta sok, gépi tanuláson alapuló
üzleti sikertörténetet ismerünk. -
1:42 - 1:45Olyan cégek, mint az Amazon
és a Netflix a gépi tanulás módszerével -
1:45 - 1:48ajánlják termékeiket megvételre
-
1:48 - 1:50illetve filmjeiket megnézésre.
-
1:50 - 1:52Néha ez, mondhatni, elég ijesztő.
-
1:52 - 1:54Mások, mint a LinkedIn és a Facebook
-
1:54 - 1:56néha megmondják, kik lehetnének
a barátaink, -
1:56 - 1:58és fogalmunk sincs, hogy csinálják.
-
1:58 - 2:01A gépi tanulásban rejlő
lehetőségeket használják. -
2:01 - 2:04Ezek az algoritmusok sokkal inkább
az adatokból tanulnak, -
2:04 - 2:07semmint a kézzel írt programokból.
-
2:07 - 2:11Így lett sikeres az IBM is: Watson
nevű gépe legyőzte -
2:11 - 2:14a "Jeopardy" kvízműsor
két világbajnokát, -
2:14 - 2:16mert válaszolt körmönfont
és bonyolult kérdésekre; pl. -
2:16 - 2:20[Ennek a városnak a múzeumából tűnt el
az ókori Nimród oroszlánja 2003-ban] -
2:20 - 2:23Így jelentek meg az első,
vezető nélküli autók. -
2:23 - 2:26Elég fontos, hogy
meg tudjuk mondani, mi a különbség, -
2:26 - 2:28mondjuk, egy fa és egy gyalogos között.
-
2:28 - 2:31Nem tudjuk, hogyan kell manuálisan
megírni a programokat, -
2:31 - 2:34de gépi tanulással erre
most megvan a lehetőség. -
2:34 - 2:37Tény, hogy ez a kocsi már
több millió kilométert tett meg -
2:37 - 2:40baleset nélkül átlagos utakon.
-
2:40 - 2:44Tudjuk tehát, hogy a számítógépek
tudnak tanulni, és képesek megtanulni, -
2:44 - 2:46hogyan végezzenek el feladatokat,
-
2:46 - 2:49amelyeknél néha mi magunk
tanácstalanok vagyunk, -
2:49 - 2:52vagy talán ügyesebben végzik el nálunk.
-
2:52 - 2:56A gépi tanulás egyik legpompásabb
példáját -
2:56 - 2:58egy általam irányított Kaggle-
projektnél tapasztaltam, -
2:58 - 3:01ahol a Torontói Egyetem csoportja,
-
3:01 - 3:03amelyet Geoffrey Hinton vezetett,
megnyert -
3:03 - 3:06egy automatizált
gyógyszer-kifejlesztési versenyt. -
3:06 - 3:09Nemcsak az volt rendhagyó,
hogy legyőzték a Merck -
3:09 - 3:13és más nemzetközi tudóscsoportok
algoritmusait, -
3:13 - 3:17hanem hogy egyikük sem volt járatos
a kémiában, a biológiában -
3:17 - 3:20vagy az élettudományokban, s
mindezt két hét alatt! -
3:20 - 3:22Hogy sikerült nekik?
-
3:22 - 3:25Rendhagyó algoritmust
alkalmaztak, az ú.n. mély tanulást. -
3:25 - 3:28Annyira fontos eredmény volt ez,
hogy a The New York Times -
3:28 - 3:31címoldalon tudósított róla pár hét múlva.
-
3:31 - 3:34Balra látható Geoffrey Hinton.
-
3:34 - 3:38A mély tanulás olyan algoritmus,
amelyet az emberi agy működése ihletett. -
3:38 - 3:40Az algoritmusnak nincs
elméleti korlátja -
3:40 - 3:44abból a szempontból, hogy
mi mindenre lehet képes. -
3:44 - 3:46Minél több adatot és gépidőt
adunk neki, -
3:46 - 3:48annál jobbak lesznek az eredmények.
-
3:48 - 3:51A The New York Times írt cikkében
a mély tanulás -
3:51 - 3:53egy másik rendkívüli eredményéről is,
-
3:53 - 3:55amelyről rögtön szólni fogok.
-
3:56 - 4:01Ez azt mutatja, hogy a számítógépek
képesek hangot érzékelni és értelmezni. -
4:01 - 4:03(Video) Richard Rashid:
Az utolsó lépés, s ezt szeretném, -
4:03 - 4:06hogy hozzá tudjam tenni a folyamathoz:
-
4:06 - 4:11kínaiul beszélni önökhöz.
-
4:11 - 4:14Ennek kulcsa, hogy képesek voltunk
-
4:14 - 4:19nagy mennyiségű információt
átvenni sok kínai beszédjéből, -
4:19 - 4:21létrehozni egy "szövegből beszédet"
rendszert, amely -
4:21 - 4:26a kínai szöveget átalakítja
kínai beszéddé. -
4:26 - 4:30Azután az én hangmintámból felvettünk
egy órányit, -
4:30 - 4:32s ezzel moduláltuk a szokásos
-
4:32 - 4:36"szövegből beszédet" rendszert,
amely aztán az én hangomon szólalt meg. -
4:36 - 4:39Az eredmény nem tökéletes.
-
4:39 - 4:42Tény, hogy elég sok a hiba.
-
4:42 - 4:44(kínaiul)
-
4:44 - 4:48(taps)
-
4:49 - 4:53Elég sok feladat van még ezen a területen.
-
4:53 - 4:57(kínaiul)
-
4:57 - 5:01(taps)
-
5:01 - 5:05Howard: Ez egy gépi tanulási
konferencián történt, Kínában. -
5:05 - 5:07Valóban ritka, hogy egy
tudományos tanácskozáson -
5:07 - 5:09spontán tapsot hall az ember,
-
5:09 - 5:12bár néha TEDx konferenciákon igen.
-
5:12 - 5:15Amit itt láttak, mind a mély tanulással
kapcsolatos. -
5:15 - 5:17(taps) Köszönöm.
-
5:17 - 5:19A fonetikus átírás angolra
mély tanulás volt. -
5:19 - 5:23A kínaira fordítás és a szöveg
a jobb fölső sarokban szintén, -
5:23 - 5:26és a hangképzés úgyszintén
mély tanulás volt. -
5:26 - 5:29Úgy hogy a mély tanulás különleges dolog.
-
5:29 - 5:32Egyszerű algoritmus, de úgy látszik,
majdnem mindenre alkalmas, -
5:32 - 5:35erre tavaly jöttem rá.
Látni is megtanult már. -
5:35 - 5:38Egy kevéssé ismert német versenyen,
-
5:38 - 5:40amely a közlekedési jelzések
felismerésére irányul, -
5:40 - 5:44a mély tanulás megtanulta fölismerni
a közlekedési jelzéseket. -
5:44 - 5:46Nemcsak jobban ismeri föl
őket, -
5:46 - 5:47mint bármely más algoritmus,
-
5:47 - 5:50az eredményjelző kimutatta,
hogy az embernél is jobban, -
5:50 - 5:52kb. kétszer jobban mint az ember.
-
5:52 - 5:542011-re megvolt az első példány az
-
5:54 - 5:57embernél is jobban látó
számítógépből. -
5:57 - 5:59Azóta sok minden történt.
-
5:59 - 6:032012-ben a Google közölte,
hogy van egy mély tanuló algoritmusuk, -
6:03 - 6:04amely figyeli a YouTube videókat, és
-
6:04 - 6:08egy hónap alatt átrágta magát
16.000 gép adatain, -
6:08 - 6:12és a gép önállóan megtanult olyan
fogalmakat mint "ember", vagy -
6:12 - 6:14"macska", csupán csak a videókat figyelve.
-
6:14 - 6:16Az emberek nagyon hasonlóan tanulnak.
-
6:16 - 6:19Az emberek nem úgy tanulnak,
hogy megmondják nekik, mit látnak, -
6:19 - 6:22hanem maguknak tanítják meg,
mik ezek a dolgok. -
6:22 - 6:262012-ben az említett Geoffrey Hinton
-
6:26 - 6:29megnyert egy nagyon népszerű
ImageNet versenyt, ahol -
6:29 - 6:33másfél millió képről kellett
-
6:33 - 6:34eldönteni, melyik mit ábrázol.
-
6:34 - 6:382014-re elértük a képfelismerésben
-
6:38 - 6:39a 6%-os hibaszintet.
-
6:39 - 6:41Ez megint az emberekénél jobb eredmény.
-
6:41 - 6:45Tehát a gépek ebben rendkívül
jó munkát végeznek, és -
6:45 - 6:47az eredményeket ma
az iparban is hasznosítják. -
6:47 - 6:50Például a Google tavaly bejelentette,
-
6:50 - 6:55hogy két óra alatt feltérképezte
egész Franciaországot, -
6:55 - 6:58mindezt úgy, hogy betáplálták
az utcai látképeket egy -
6:58 - 7:03mélyen tanuló algoritmusba,
az fölismerte és beolvasta -
7:03 - 7:05a házszámokat.
Korábban meddig tartott volna! -
7:05 - 7:08Tucatnyi ember, több év.
-
7:08 - 7:10Ez történik most Kínában is.
-
7:10 - 7:14A Baidu olyasmi, mint egy kínai Google,
-
7:14 - 7:17és a bal fölső sarokban látható
egy kép, amelyet -
7:17 - 7:20feltöltöttem a Baidu mély tanuló
rendszerébe, -
7:20 - 7:24alatta pedig látják, hogy a rendszer
megértette, mi ez a kép, -
7:24 - 7:26és talált hasonló képeket.
-
7:26 - 7:29A hasonló képnek egyébként
hasonló a háttere, -
7:29 - 7:31az állatok pofája egyfelé fordul,
-
7:31 - 7:33némelyik még a nyelvét is kiölti.
-
7:33 - 7:35Ez nem ugyanaz,
mint egy szöveg a weboldalon. -
7:35 - 7:37Mindössze egy képet töltöttem föl.
-
7:37 - 7:41Tehát a mai számítógépeink
tényleg értik, amit látnak, -
7:41 - 7:43és százmilliónyi képet tartalmazó
-
7:43 - 7:46adatbázist nézhetnek át valós időben.
-
7:46 - 7:50De mit jelent az, hogy
a számítógépek látnak? -
7:50 - 7:52Nos, nemcsak, hogy látnak.
-
7:52 - 7:54Valójában a mély tanulás
ennél többet ért el. -
7:54 - 7:57Az összetett, finoman árnyalt
mondatok mint ez, -
7:57 - 7:59mély tanuló algoritmusokkal
ma már érthetők. -
7:59 - 8:01A felül látható piros pöttyel
-
8:01 - 8:03ez a stanfordi rendszer jelzi,
-
8:03 - 8:07hogy ez a mondat
negatív érzelmet fejez ki. -
8:07 - 8:11A mély tanulás ma már tényleg
megközelíti az emberi teljesítményt abban, -
8:11 - 8:16miről szól a mondat, és
mit állít ezekről a dolgokról. -
8:16 - 8:19A mély tanulás révén olvasunk kínaiul,
-
8:19 - 8:22kb. egy született kínai szintjén.
-
8:22 - 8:24Ez az algoritmus svájci,
s akik kifejlesztették, -
8:24 - 8:27nem beszélnek, és nem értenek kínaiul.
-
8:27 - 8:29A mély tanulás alkalmazása
-
8:29 - 8:32erre talán a világ legjobb rendszere,
-
8:32 - 8:37akár összevetve a természetes
emberi megértéssel. -
8:37 - 8:40Ezt a rendszert raktuk össze
a cégemnél, mely -
8:40 - 8:42megmutatja, hogyan kell ezeket összerakni.
-
8:42 - 8:44Ezekhez a képekhez nem társul szöveg,
-
8:44 - 8:47és ahogy mondatokat írok be ide,
-
8:47 - 8:50ez valós időben megérti ezeket a képeket, és
-
8:50 - 8:51kitalálja, miről szólnak, és
-
8:51 - 8:54talál a beírt szöveghez hasonló képeket.
-
8:54 - 8:57Ez azt jelenti, hogy valójában
érti a mondataimat, -
8:57 - 8:59és valójában érti a képeket.
-
8:59 - 9:02Tudom, hogy hasonlót
már láttak a Google-on, -
9:02 - 9:05ahol beírják a szavakat,
és megjelennek a képek, -
9:05 - 9:08de az úgy működik, hogy a gép
a weboldalon szöveget keres. -
9:08 - 9:11Az teljesen más, mint
képeket fölismerni. -
9:11 - 9:14Ilyesmit számítógépek csak
az utóbbi hónapokban -
9:14 - 9:17voltak képesek első ízben megcsinálni.
-
9:17 - 9:21A számítógépek nemcsak
látnak, hanem olvasnak is, -
9:21 - 9:25megmutattuk:
értik is, amit hallanak. -
9:25 - 9:28Talán nem meglepő, ha elmondom,
hogy írni is tudnak. -
9:28 - 9:33Itt egy szöveg, amelyet tegnap egy
mély tanuló algoritmussal írattam. -
9:33 - 9:37Itt egy szöveg,
melyet a stanfordi algoritmus írt. -
9:37 - 9:39Minden mondatot mély tanuló algoritmus
-
9:39 - 9:43állított elő a képek leírása céljából.
-
9:43 - 9:48Az algoritmus korábban soha nem látott
fekete inges, gitározó embert. -
9:48 - 9:50Látott korábban embert,
látott fekete színt, -
9:50 - 9:51látott korábban gitárt,
-
9:51 - 9:56de önállóan állította elő
a kép új leírását. -
9:56 - 9:59Ez még nem üti meg az
emberi teljesítmény szintjét, de közelíti. -
9:59 - 10:03A tesztekben az esetek negyedében
jobban tetszik az embernek -
10:03 - 10:05a számítógép-generálta képaláírás.
-
10:05 - 10:07Nos, ez a rendszer csupán kéthetes,
-
10:07 - 10:09tehát valószínűleg egy éven belül
-
10:09 - 10:12a számítógépes algoritmus
-
10:12 - 10:13felülmúlja az emberi teljesítményt.
-
10:13 - 10:16Tehát a számítógép írni is tud.
-
10:16 - 10:20Ha mindent összerakunk,
ez izgalmas lehetőségekhez vezet. -
10:20 - 10:21Például a gyógyításban,
-
10:21 - 10:24egy bostoni csoport bejelentette,
hogy felfedeztek -
10:24 - 10:27több tucat klinikailag fontos
daganat-jellemzőt, -
10:27 - 10:31amelyek segítenek az orvosoknak
a rák előrejelzésében. -
10:32 - 10:35Hasonlóképpen, Stanfordban
-
10:35 - 10:38bejelentették, hogy kifejlesztettek
egy gépi tanuló rendszert, -
10:38 - 10:41amely a szöveteket nagyításban vizsgálva
-
10:41 - 10:43a rákosok túlélési esélyeinek
előrejelzésében -
10:43 - 10:48tényleg jobban teljesít,
mint a patológusok. -
10:48 - 10:51Mindkét esetben az előrejelzések
nemcsak pontosabbak voltak, -
10:51 - 10:53hanem új tudományos eredményt hoztak.
-
10:53 - 10:55A radiológia esetében
-
10:55 - 10:58ezek új klinikai mutatók, amelyeket
az ember képes értelmezni. -
10:58 - 11:00A patológiai esetben
-
11:00 - 11:04a számítógépes rendszer végeredményben
felfedezte, hogy -
11:04 - 11:07a rák körüli sejtek a diagnózis
fölállításában -
11:07 - 11:09ugyanolyan fontosak, mint maguk
a rákos sejtek. -
11:09 - 11:15A patológusoknak évtizedeken át
pont az ellenkezőjét tanították. -
11:15 - 11:18Mindkét esetben ezek olyan
rendszerek, melyeket -
11:18 - 11:22az orvos és a gépi tanulás
szakértők együtt -
11:22 - 11:24fejlesztettek ki. Tavaly óta
ezt is túlhaladtuk. -
11:24 - 11:28Itt egy példa arra, ahogyan
mikroszkóp alatt azonosítják -
11:28 - 11:30az emberi szövet rákos területét.
-
11:30 - 11:35A bemutatott rendszer pontosabban vagy kb.
ugyanolyan pontossággal tudja azonosítani -
11:35 - 11:38azokat a területeket, mint egy patológus.
-
11:38 - 11:41Mély tanulással alakították ki
a rendszert, orvosi szakértelem nélkül, -
11:41 - 11:44olyanok, akiknek nincs semmi hátterük
a témában. -
11:44 - 11:47Azután itt van az idegsejtek
szelvényezése. Már majdnem -
11:47 - 11:51olyan precízen tudjuk szelvényezni
az idegsejteket, mint az emberek, -
11:51 - 11:54és a rendszert mély tanulással
azok alakították ki, -
11:54 - 11:57akiknek nem volt előzetes
orvosi tapasztalatuk. -
11:57 - 12:00Úgy éreztem, hogy
orvosi háttér nélkül is -
12:00 - 12:04eléggé képzett vagyok, hogy
orvosi céget alapítsak. -
12:04 - 12:05Meg is tettem.
-
12:05 - 12:08Kissé féltem tőle,
de az elmélet azt sugallta, -
12:08 - 12:11hogy hasznára válhatnánk a gyógyításnak
-
12:11 - 12:16csupán ilyen adatelemző módszerek
alkalmazásával. -
12:16 - 12:19Hálás vagyok a fantasztikus fogadtatásért,
-
12:19 - 12:21nemcsak a média, hanem
az orvosi közösség részéről is, -
12:21 - 12:23akik nagyon támogattak.
-
12:23 - 12:27Az elmélet szerint a gyógyítás
folyamatában a középső részt lecseréljük -
12:27 - 12:30adatelemzésre lehetőség szerint, és
azt hagyjuk az orvosokra, -
12:30 - 12:33amihez legjobban értenek.
-
12:33 - 12:37Mondok rá példát. Ma 15 perc
-
12:37 - 12:40egy új diagnosztikai teszt kidolgozása.
-
12:40 - 12:42Megmutatom ezt önöknek valós
időben, de én három percbe -
12:42 - 12:45sűrítettem be, mert elhagytam
egyes elemeit. -
12:45 - 12:48Ahelyett, hogy megmutatnám, hogy
készül egy diagnosztikai teszt, -
12:48 - 12:52lássuk inkább autót ábrázoló képek
diagnosztikai tesztjét, -
12:52 - 12:54mert azt mindenki érteni fogja.
-
12:54 - 12:57Kb. másfél millió, autót
ábrázoló képpel kezdünk, -
12:57 - 13:00és szeretnék létrehozni valamit,
ami aszerint rendezi őket, -
13:00 - 13:03hogy milyen szögből készült a felvétel.
-
13:03 - 13:07A képek címkézetlenek, ezért
az alapoktól kell kezdenem. -
13:07 - 13:08Mély tanuló algoritmusunkkal
-
13:08 - 13:12azonosítani lehet
az egyes részekhez tartozó területeket. -
13:12 - 13:16Az ember és a gép pompásan
együtt tud működni. -
13:16 - 13:18Az ember, ahogy itt látható,
-
13:18 - 13:21megmondja a gépnek, mely
területek érdeklik, -
13:21 - 13:25melyeken szeretné, hogy próbáljon
javítani a gép az algoritmusa szerint. -
13:25 - 13:30Ezek a mély tanuló rendszerek egy
16.000-dimenziós térben vannak, -
13:30 - 13:33látják, ahogy a gép ezt pörgeti
azon a téren keresztül, -
13:33 - 13:35és próbál új területeket találni.
-
13:35 - 13:37Amint eredményt ér el,
az őt irányító ember -
13:37 - 13:41megjelölheti az érdekes területeket.
-
13:41 - 13:43A gépnek sikerült területeket találnia,
-
13:43 - 13:46például sarkokat.
-
13:46 - 13:47Ahogy végigvisszük a folyamatot,
-
13:47 - 13:50fokozatosan egyre többet közlünk
a géppel arról, -
13:50 - 13:52miféle struktúrát keresünk.
-
13:52 - 13:54Képzeljenek el egy diagnosztikai tesztben
-
13:54 - 13:57egy patológust, amint meghatározza
a patologikus részeket, -
13:57 - 14:02vagy egy radiológust,
amint kimutatja a gócokat. -
14:02 - 14:05Néha nehéz az algoritmus számára.
-
14:05 - 14:07Most egy kissé összezavarodott.
-
14:07 - 14:09Összekeveri a kocsik elejét a hátuljával.
-
14:09 - 14:11Egy kicsit jobban kell vigyáznunk, és
-
14:11 - 14:15nekünk kell előbb különválogatnunk
a kocsik elejét és a hátulját, -
14:15 - 14:19azután megmondjuk a gépnek,
-
14:19 - 14:22hogy ez a csoport érdekes
nekünk. -
14:22 - 14:24Ez eltart egy ideig, ugrunk egyet,
-
14:24 - 14:26és okítjuk a párszáz dologra támaszkodó
-
14:26 - 14:28gépi tanuló algoritmust,
-
14:28 - 14:30és reméljük, hogy erősen följavul.
-
14:30 - 14:34Látják, kezd elhalványulni egy néhány kép,
-
14:34 - 14:38tehát már felismeri, ezek hogyan értendők.
-
14:38 - 14:41Majd alkalmazhatjuk ezt az elvet
hasonló képekre, -
14:41 - 14:43és a hasonló képeknél, látják,
-
14:43 - 14:47már képes a kocsiknak az elejét
hibátlanul megtalálni. -
14:47 - 14:50Itt az ember mondhatja a gépnek:
-
14:50 - 14:53OK, jó munkát végeztél.
-
14:54 - 14:56Persze, néha még itt is
-
14:56 - 15:00bonyolult szétválasztani a csoportokat,
-
15:00 - 15:03esetünkben, bár hagytuk a
gépet egy ideig pörögni, -
15:03 - 15:07mégis találunk összekeveredve
-
15:07 - 15:08jobb és bal oldalas képeket.
-
15:08 - 15:10Adhatunk további útbaigazításokat
a gépnek, -
15:10 - 15:13mondhatjuk, hogy próbálkozz, és találj
olyan szempontot, ami -
15:13 - 15:16minél jobban szétválogatja
a jobb és bal oldalakat -
15:16 - 15:18mély tanuló algoritmussal.
-
15:18 - 15:21S lám, a tanácsunk --
OK, sikeres volt. -
15:21 - 15:24Sikerült olyan szempontok szerint
vizsgálni a tárgyakat, -
15:24 - 15:26amelyek alkalmasak szétválogatásukra.
-
15:26 - 15:29S eszünkbe jut egy gondolat.
-
15:29 - 15:37Esetünkben a gép
nem helyettesíti az embert, -
15:37 - 15:40hanem együtt munkálkodnak.
-
15:40 - 15:43Ami egy 5-6 fős csoportnak
-
15:43 - 15:45kb. hét évébe tellett volna korábban,
-
15:45 - 15:48azt ezzel az eszközzel
15 perc alatt -
15:48 - 15:50egyetlen személy elvégezi egyedül.
-
15:50 - 15:54Ez a folyamat 4-5 közelítő lépésből áll.
-
15:54 - 15:56Látják, hogy a gép a másfél millió kép
-
15:56 - 15:5962%-át helyesen osztályozta.
-
15:59 - 16:01Most kezdhetjük gyorsan
-
16:01 - 16:03nagy vonalakban
-
16:03 - 16:06átnézni, nincs-e hiba valahol.
-
16:06 - 16:10Ahol hiba van, közölhetjük a géppel.
-
16:10 - 16:13Minden elkülönített csoportra alkalmazva
valami ilyen eljárást -
16:13 - 16:15most a 80%-os helyességi aránynál tartunk
-
16:15 - 16:18a másfél millió kép osztályozásakor.
-
16:18 - 16:20Most még találunk egynéhány
-
16:20 - 16:23eltévedt képet,
-
16:23 - 16:26és megpróbáljuk megérteni,
mi ennek az oka. -
16:26 - 16:28Ugyanazzal a módszerrel
-
16:28 - 16:3215 perc alatt 97%-os helyességi arányt
érünk el. -
16:32 - 16:37Az ilyen technika lehetővé tenné, hogy
kezelni tudjunk egy jelentős problémát, -
16:37 - 16:40azt, hogy hiány van orvosi szakértelemből
a világban. -
16:40 - 16:43A Világgazdasági Fórumon elhangzott,
-
16:43 - 16:46hogy a fejlődő országokban
10-20-szoros az orvoshiány, -
16:46 - 16:48és mintegy 300 évbe telne,
-
16:48 - 16:50hogy a gond megoldására elég
orvost képezzenek ki. -
16:50 - 16:54Képzeljék csak el, milyen jó lenne,
ha a mély tanulás módszerével -
16:54 - 16:56növelhetnénk az orvosok hatékonyságát?
-
16:56 - 16:59Egészen fölvillanyoznak a lehetőségek.
-
16:59 - 17:01Engem is aggaszt ez a gond.
-
17:01 - 17:04Az a probléma, hogy
a kékkel jelölt területek ott vannak, -
17:04 - 17:07ahol a szolgáltatások aránya
80% fölötti a foglalkoztatottságban. -
17:07 - 17:09Mik is kellenek a szolgáltatásokhoz?
-
17:09 - 17:12[Írás-olvasás, Beszéd-figyelem],
[Szemlélet, Tudás összegzése] -
17:12 - 17:16Pont e dolgokkal épp most tanult meg
a gép bánni. -
17:16 - 17:19Tehát a fejlett világ dolgozóinak
80%-a olyan munkát végez, -
17:19 - 17:22amire épp most vált képessé a számítógép.
-
17:22 - 17:23Mit jelent ez?
-
17:23 - 17:26Minden rendben lesz.
A régiek helyett új állások keletkeznek. -
17:26 - 17:29Például több állás lesz az
adattudósok számára. -
17:29 - 17:30Nem igazán.
-
17:30 - 17:33Nem tart soká a számukra
kifejleszteni ezeket a dolgokat. -
17:33 - 17:36Például, e négy algoritmust
ugyanaz a fickó hozta létre. -
17:36 - 17:38Ha azt hiszik: ó, régen is megtörtént,
-
17:38 - 17:42láttunk már ilyet, hogy új dolgok jönnek,
-
17:42 - 17:44és a régieket új állások váltják föl,
-
17:44 - 17:46no de milyenek lesznek az új állások?
-
17:46 - 17:48Nagyon nehezen tudjuk megítélni,
-
17:48 - 17:51mert az emberi teljesítmény
fokozatosan nő, -
17:51 - 17:54de most itt van a mély tanulás rendszere,
-
17:54 - 17:57tudjuk róla, hogy a teljesítménye
rohamosan nő. -
17:57 - 17:58Itt tartunk.
-
17:58 - 18:01Mostanában a dolgok láttán
sokan azt mondják: -
18:01 - 18:03"Ó, a számítógépek még mindig elég
ostobák." Igaz? -
18:03 - 18:07De öt éven belül a helyzet megváltozik.
-
18:07 - 18:11Már most el kell kezdenünk
gondolkozni a gépek képességeiről. -
18:11 - 18:13Ilyet már tapasztaltunk,
-
18:13 - 18:14az ipari forradalom idején,
-
18:14 - 18:17ahogy a gépek megjelenésével
lépést kellett váltani. -
18:18 - 18:21De egy idő után a dolgok elsimultak,
-
18:21 - 18:23Megzavarta a társadalmat,
-
18:23 - 18:26de amikor energiatermelésre
már mindenütt gépeket használtak, -
18:26 - 18:28a dolgok lecsillapodtak.
-
18:28 - 18:30A "gépi tanulás forradalma"
-
18:30 - 18:33egészen más lesz, mint az
ipari forradalom, -
18:33 - 18:35mert a "gépi tanulás forradalma"
soha nem csillapodik le. -
18:35 - 18:39Minél többet tudnak a számítógépek,
-
18:39 - 18:43annál jobb képességű
számítógépeket tudnak megépíteni, -
18:43 - 18:45ez olyan váltás lesz, amit a világ eddig
-
18:45 - 18:48még soha nem tapasztalt, ezért
korábbi fogalmaik arról, -
18:48 - 18:51hogy mi a lehetséges,
teljesen megváltoznak. -
18:51 - 18:53Mindez már hatással van ránk.
-
18:53 - 18:56Az utóbbi 25 évben a tőke
termelékenysége nőtt, -
18:56 - 19:01a munka termelékenysége maradt,
sőt, valamit csökkent is. -
19:01 - 19:04Szeretném, ha már elkezdenénk
ezt az eszmecserét. -
19:04 - 19:07Amikor a jelen helyzetről
beszélgetek emberekkel, -
19:07 - 19:09gyakran teljesen elutasítók.
-
19:09 - 19:10Jó, a számítógépek valójában
nem tudnak gondolkodni, -
19:10 - 19:13nem fejeznek ki érzelmeket,
nem értik a költészetet, -
19:13 - 19:16mi igazából nem értjük,
hogyan működnek. -
19:16 - 19:17Na és?
-
19:17 - 19:19A számítógépek már most
meg tudnak tenni dolgokat, -
19:19 - 19:22amelyek az emberek munkaidejének
nagy részét kitöltik. -
19:22 - 19:24Ideje elkezdeni a gondolkodást:
-
19:24 - 19:28hogyan igazítsuk át a társadalom
és a gazdaság szerkezetét -
19:28 - 19:30az új realitások fényében.
-
19:30 - 19:31Köszönöm
-
19:31 - 19:32(taps)
- Title:
- A tanuló számítógépek viselkedésének csodálatos és hátborzongató következményei
- Speaker:
- Jeremy Howard
- Description:
-
Mi történik, ha megtanítjuk a számítógépnek, hogyan tanuljon? Jeremy Howard technológiai szakember a mély tanulás gyorsan fejlődő területén született néhány meglepő új eredményről beszél; olyan technikáról, amely képessé teszi a számítógépeket, hogy kínaiul tanuljanak, vagy fényképekről tárgyakat ismerjenek föl, vagy, átgondolják az orvosi diagnózist. (Az egyik mély tanulási eszköz a YouTube néhány órai figyelése alapján megtanította magának a "macska" fogalmát.) Tartsunk lépést azzal a tudományterülettel, amely meg fogja változtatni a számítógépek viselkedését... hamarabb, mint gondolnánk.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Judit Szabo approved Hungarian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Judit Szabo edited Hungarian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Judit Szabo edited Hungarian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Judit Szabo edited Hungarian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Maria Ruzsane Cseresnyes commented on Hungarian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Maria Ruzsane Cseresnyes accepted Hungarian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Maria Ruzsane Cseresnyes edited Hungarian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Maria Ruzsane Cseresnyes edited Hungarian subtitles for The wonderful and terrifying implications of computers that can learn |
Maria Ruzsane Cseresnyes
Van itt két videó:
http://amara.org/en/videos/Gehn25JdhxwU/hu/888274/
http://amara.org/en/videos/wFPz3DAhJxlJ/hu/893087/
A két előadás lényegében ugyanaz, egyszerre készült a két fordítás és a két review is. Célszerű az approve-ot is együtt kezelni.
Pontosabban, a 2. review-ja készült el előbb, és a 17. perc után változtattam valamicskét az 1. szövegén. Ezek a változások a 2-ba már nem kerültek bele, mert addigra ezt már leadtam. Célszerű ezeket átvezetni.
Köszi:
Mari