YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

Lithuanian subtitles

← Nuostabios ir bauginančios kompiuterių, kurie gali mokytis, pasekmės

Get Embed Code
30 Languages

Showing Revision 42 created 03/24/2015 by Andrius Družinis-Vitkus.

  1. Anksčiau, jei norėdavai, kad kompiuteris
    padarytų kažką naujo,
  2. turėdavai programuoti.
  3. Programavimas, sakau tiems,
    kas niekada nėra to daręs,
  4. vargina savo reikalavimu išdėstyti
  5. kiekvieną atskirą žingsnį, ką nori,
    kad kompiuteris darytų,
  6. kad pasiektų tavo iškeltą tikslą.
  7. Ir jei nori padaryti kažką,
    ko pats nežinai kaip padaryti,
  8. tai išties yra didelis iššūkis.
  9. Su šiuo iššūkiu susidūrė
    šis žmogus, Athur Samuel.

  10. 1956 m. jis norėjo, kad kompiuteris
  11. sugebėtų jį nugalėti žaidžiant šaškėmis.
  12. Kaip gali parašyti programą,
  13. detalizuoti, kaip būti geresniam
    nei esi pats žaisdamas šaškėmis?
  14. Jam kilo idėja:
  15. jis leido kompiuteriui žaisti
    prieš save tūkstančius kartų
  16. ir išmokti žaisti šaškėmis.
  17. Ir tai suveikė, be to, 1962 m.
  18. šis kompiuteris nugalėjo
    Konektikuto čempioną.
  19. Taigi Arthur Samuel yra
    gebančios mokytis mašinos tėvas,

  20. ir jam aš esu skolingas,
  21. nes aš esu gebančios mokytis
    mašinos praktikas.
  22. Aš buvau „Kaggle“ prezidentu,
  23. bendruomenės su daugiau nei 200 000
    besimokančios mašinos praktikų.
  24. „Kaggle“ skelbia konkursus
  25. pabandyti ir išspręsti
    prieš tai neišspręstas problemas,
  26. ir tai pavyko šimtus kartų.
  27. Taigi turėdamas pranašumą
    aš galėjau daug sužinoti
  28. apie tai, ką besimokančios mašinos
    galėjo padaryti praeity, ką gali dabar,
  29. ir ką galėtų ateityje.
  30. Galbūt pirma didžiausia besimokančios
    mašinos komercinė sėkmė buvo „Google“.
  31. „Google“ įrodė, kad įmanoma
    surasti informaciją,
  32. naudojant kompiuterio algoritmą,
  33. šis algoritmas paremtas
    mašinos gebėjimu mokytis.
  34. Nuo to laiko turime daugiau
    komercinės sėkmės pavyzdžių.
  35. Įmonės, kaip „Amazon“ ir „Netflix“,
  36. naudoja besimokančias mašinas, kad
    pasiūlytų tai, ką gal norėtumėte pirkti,
  37. filmų, kuriuos galbūt norėtumėte pamatyti.
  38. Kartais tai kelia baimę.
  39. Įmonės, kaip „LinkedIn“ ir „Facebook“,
  40. kartais pasiūlys jums, kas
    galėtų būti jūsų draugais,
  41. ir jūs nežinote, kaip jie tai daro,
  42. ir tai tik dėl to, kad jie naudoja
    besimokančios mašinos galią.
  43. Tai yra algoritmai, kurie iš duomenų
    mokosi, kaip tai padaryti,
  44. užuot būtų programuojami ranka.
  45. Taip buvo ir su IBM pasisekimu,

  46. kad Watson sumuštų du
    pasaulio čempionus žaidime „Jeopardy“,
  47. atsakinėjant neįtikėtinai subtilius ir
    sunkius klausimus, kaip šis.
  48. [„Antik. „Nimrudo liūtas“ dingo
    iš šio miesto muziejaus...“]
  49. Dėl tos pačios priežasties matome
    pirmus automobilius be vairuotojų.
  50. Jei jūs norite įvardinti
    skirtumą tarp, pavyzdžiui,
  51. medžio ir pėsčiojo,
    ką gi, tai gana svarbu.
  52. Mes nežinome, kaip parašyti
    šias programas ranka,
  53. bet su besimokančiomis mašinomis
    dabar tai įmanoma.
  54. Išties, šis automobilis nuvažiavo
    virš milijono mylių
  55. be jokių eismo įvykių įprastuose keliuose.
  56. Dabar žinome – kompiuteriai gali mokytis,

  57. ir jie gali išmokti daryti dalykus,
  58. kurių mes patys kartais,
    nežinome kaip padaryti,
  59. o gal netgi padaryti geriau, nei mes.
  60. Vienas iš nuostabiausių mano matytų
    besimokančios mašinos pavyzdžių
  61. nutiko mano vykdytame projekte „Kaggle“.
  62. Komanda, kuriai vadovavo vaikinas
    vardu Geoffrey Hinton,
  63. iš Toronto universiteto,
  64. laimėjo varžybas už
    automatinį vaistų atradimą.
  65. Keisčiausia ne tai, kad
    jie paneigė visus
  66. Merck sukurtus ar tarptautinius
    akademinės bendruomenės algoritmus,
  67. o tai, kad nei vienas neturėjo chemijos,
    biologijos ar gamtos mokslų pagrindų,
  68. ir jie tai padarė per dvi savaites.
  69. Kaip jiems pavyko?
  70. Jie naudojo išskirtinį algoritmą,
    vadinamą giliuoju mokymusi.
  71. Tai buvo tiek svarbu, kad ši
    sėkmės istorija buvo aprašyta
  72. pirmajame „New York Times“ puslapyje
    po kelių savaičių.
  73. Čia yra Geoffrey Hinton,
    kairėje pusėje.
  74. Gilusis mokymasis yra algoritmas,
    įkvėptas to, kaip dirba žmogaus smegenys,
  75. ir dėl to šis algoritmas
  76. neturi teorinių apribojimų tam,
    ką jis gali daryti.
  77. Kuo daugiau jam duodi duomenų ir
    laiko jiems apskaičiuoti,
  78. tuo jis geresnis.
  79. „New York Times“ taip pat
    tame straipsnyje aprašė

  80. kitą išskirtinį
    gilaus mokymosi rezultatą,
  81. kurį dabar jums parodysiu.
  82. Tai rodo, kad kompiuteris
    gali girdėti ir suprasti.
  83. (Video) Richard Rashid: Dabar

  84. paskutinis dalykas, ką norėčiau
    padaryti šiame procese,
  85. yra kalbėti su jumis kiniškai.
  86. Pagrindinis dalykas,
  87. kad mes turėjome galimybę surinkti
    daugybę informacijos iš kalbančių kiniškai
  88. ir sukurti teksto-kalbos sistemą,
  89. kuri paima kinišką tekstą
    ir konvertuoja jį į kinų kalbą,
  90. ir tada mes paėmėme
    apie valandą mano balso,
  91. ir tai panaudojome sumodeliuoti
  92. standartinę teksto-kalbos sistemą,
    kuri kalbėtų mano balsu.
  93. Dar kartą, rezultatas nėra tobulas.
  94. Iš tiesų, yra keli netikslumai.
  95. (Kiniškai)
  96. (Plojimai)
  97. Dar daug reikia nuveikti šioje srityje.
  98. (Kiniškai)
  99. (Plojimai)
  100. Jeremy Howard: Tai buvo besimokan-
    čių mašinų konferencija Kinijoje.

  101. Išties nedažnai pasitaiko
    mokslo konferencijose
  102. išgirsti spontaniškus plojimus,
  103. nors, žinoma, kartais pasitaiko ir
    TEDx konferencijose, nesivaržykite.
  104. Viskas, ką jūs čia matėte,
    vyko su giliuoju mokymusi.
  105. (Plojimai) Dėkoju.
  106. Angliška transkripcija
    buvo gilus mokymasis.
  107. Vertimas į kinų kalbą ir tekstas
    viršuje dešinėje – gilus mokymasis,
  108. ir balso konstrukcija –
    taip pat gilus mokymasis.
  109. Gilusis mokymasis yra
    išskirtinis dalykas.

  110. Tai yra atskiras algoritmas,
    kuris, atrodo, gali beveik viską,
  111. ir aš atradau, kad prieš metus
    jis išmoko matyti.
  112. Šiame nežymiame konkurse Vokietijoje,
  113. pavadintame Vokiečių kelių ženklų
    atpažinimo etalonu,
  114. gilusis mokymasis išmoko
    atpažinti kelio ženklus, kaip šis.
  115. Ne tik galėjo
    atpažinti kelio ženklus
  116. geriau, nei kiti algoritmai,
  117. rezultatų lentelė parodė,
    kad jis buvo geresnis už žmones,
  118. netgi du kartus geresnis.
  119. Taigi 2011 m. turėjome pirmą pavyzdį
  120. kompiuterių, galinčių matyti
    geriau, nei žmonės.
  121. Nuo tada daug kas įvyko.
  122. 2012 m. „Google“ paskelbė, kad
    jie leido gilaus mokymosi algoritmui
  123. žiūrėti „YouTube“ įrašus
  124. ir mėnesį rinko duomenis iš
    16 000 kompiuterių,
  125. ir šie kompiuteriai savarankiškai išmoko
    apie sąvokas, kaip žmonės ir katės,
  126. tiesiog žiūrėdami vaizdo įrašus.
  127. Tai panašu į tai,
    kaip mokosi žmonės.
  128. Žmonės mokosi ne kai jiems sakoma,
    ką jie mato,
  129. bet mokosi patys atrasdami,
    kas šie dalykai yra.
  130. Taip pat 2012 m. Geoffrey Hinton,
    kurį matėme anksčiau,
  131. laimėjo populiarų „ImageNet“ konkursą,
  132. bandantį apskaičiuoti
    iš pusantro milijono vaizdų,
  133. kieno tai nuotraukos.
  134. Nors dabar 2014 m., mes vis dar
    klystame 6 procentais
  135. atpažindami vaizdus.
  136. Ir vėlgi tai yra geriau, nei gali žmonės.
  137. Taigi mašinos išties daro
    išskirtinį darbą šioje srityje,

  138. ir dabar tai naudojama pramonėje.
  139. Pavyzdžiui, „Google“ pernai paskelbė,
  140. kad į žemėlapį įtraukė kiekvieną atskirą
    Prancūzijos vietą vos per dvi valandas,
  141. jie tai padarė perkeldami
    gatvių vaizdus
  142. į gilaus mokymosi algoritmą,
    kad atpažintų gatvių numerius.
  143. Įsivaizduokite, kaip ilgai
    tai būtų užtrukę:
  144. daugybė žmonių ir metų.
  145. Tai vyksta ir Kinijoje.
  146. „Baidu“ yra savotiškas
    kinų „Google“, spėju,
  147. ir tai, ką jūs matote viršuje kairėje
  148. yra pavyzdys nuotraukos, kurią aš
    įkėliau į „Baidu“ gilaus mokymosi sistemą,
  149. ir apačioje jūs galite pamatyti, kad
    sistema suprato, kas yra nuotraukoje,
  150. ir rado panašius vaizdus.
  151. Išties panašūs vaizdai
    turi panašų foną,
  152. panašų snukių pasukimą,
  153. netgi kai kurie su iškištu liežuviu.
  154. Tai nelabai aišku, žiūrint
    į tekstą tinklalapyje.
  155. Aš įkėliau tik nuotrauką.
  156. Taigi dabar mes turime kompiuterius,
    kurie tikrai supranta, ką mato
  157. ir gali ieškoti duomenų bazėse
  158. šimtus milijonus
    vaizdų realiu laiku.
  159. Taigi ką reiškia, kad
    dabar kompiuteriai gali matyti?

  160. Tai ne tik, kad
    kompiuteriai gali matyti.
  161. Išties, gilus mokymasis
    padarė daugiau.
  162. Sudėtingi sakiniai su niuansais, kaip šis
  163. dabar yra suprantami
    su gilaus mokymosi algoritmais.
  164. Kaip galite čia matyti.
  165. ši Stanfordu paremta sistema,
    rodanti raudoną tašką viršuj,
  166. suprato, kad šis sakinys
    išreiškia neigiamą mintį.
  167. Gilus mokymasis iš tiesų
    artėja prie žmogaus gebėjimo
  168. suprasti, apie ką yra sakiniai
    ir kas yra sakoma apie tuos dalykus.
  169. Taip pat, gilus mokymasis
    buvo naudotas skaityti kiniškai
  170. dar kartą gimtosios
    kinų kalbos skaitytojo lygiu.
  171. Šis algoritmas, sukurtas
    Šveicarijoje žmonių,
  172. kurių nei vienas nekalba
    ar supranta kiniškai.
  173. Kaip ir sakiau, gilaus mokymosi naudojimas
  174. už tai yra geriausia sistema
    pasaulyje
  175. net palyginus su įgimtu
    žmogaus suvokimu.
  176. Tai yra sistema, kurią mes
    sudėjome mano kompanijoje,

  177. kuri rodo, kaip sudeda
    viską į krūvą.
  178. Štai čia nuotraukos, kurios
    neturi pridėto teksto,
  179. ir kai aš rašau šiuos žodžius,
  180. ji realiu laiku supranta
    šias nuotraukas
  181. ir išsiaiškina, apie ką jos,
  182. ir suranda nuotraukas, panašias
    į tekstą, kurį aš rašau.
  183. Taigi jūs matote, kad ji išties
    supranta mano žodžius
  184. ir iš tikrųjų supranta šiuos vaizdus.
  185. Žinau, kad jūs matėte
    kažką panašaus „Google“,
  186. kur jūs rašote tekstą,
    ir jums suranda vaizdus,
  187. bet iš tikrųjų ji tik ieško
    tinklalapio su nurodytu tekstu.
  188. Tai išties skiriasi nuo tikro
    vaizdų supratimo.
  189. Tai yra kažkas, ką kompiuteriai
    galėjo padaryti
  190. pirmą kartą paskutiniais mėnesiais.
  191. Taigi mes matome, kad kompiuteriai
    gali ne tik matyti, bet ir skaityti,

  192. ir, žinoma, mes parodėme, kad jie
    gali suprasti ką girdi.
  193. Gal nenustebinsiu jums pasakydamas,
    kad jie gali ir rašyti.
  194. Štai čia tekstas, kurį sugeneravau vakar
    naudodamas gilaus mokymosi algoritmą.
  195. Ir štai čia - tekstas, kurį sugeneravo
    Stanfordo algoritmas.
  196. Kiekvienas šių sakinių buvo sukurtas
  197. gilaus mokymosi algoritmo,
    kad aprašytų kiekvieną šių vaizdų.
  198. Šis algoritmas prieš tai nebuvo matęs
    vyro juodais marškinėliais grojant gitara.
  199. Jis yra matęs vyrą prieš tai,
    yra matęs juodą,
  200. taip pat ir gitarą,
  201. bet jis savarankiškai sugeneravo
    šį nuotraukos aprašymą.
  202. Kol kas tai neprilygsta žmogaus
    gebėjimams, bet mes esame arti.
  203. Testuose žmonės teikia pirmenybę
    kompiuterio sukurtai antraštei
  204. vieną iš keturių kartų.
  205. Šiai sistemai kol kas tik dvi savaitės,
  206. taigi tikėtina, kad per kitus metus
  207. kompiuterio algoritmas bus
  208. gerokai pralenkęs žmogaus gebėjimus.
  209. Taigi kompiuteriai taip pat gali rašyti.
  210. Taigi mes viską sudėjome, ir tai
    veda į įdomias galimybes.

  211. Pavyzdžiui, medicinoje.
  212. Komanda Bostone pranešė,
    kad jie atrado
  213. daugybę naujų kliniškai svarbių
  214. auglių bruožų, kurie padeda gydytojams
    prognozuoti vėžį.
  215. Labai panašiai Stanforde
  216. ten esanti komanda pranešė, kad
    tyrinėdami padidintus audinius
  217. jie sukūrė sistemą,
    pagrįstą mašinos mokymusi,
  218. kuri išties yra geresnė,
    už žmones patologus
  219. nustatant išgyvenimo tikimybę
    sergantiems vėžiu.
  220. Abiem atvejais ne tik buvo
    tikslesnės prognozės,
  221. bet jie sukūrė ir naują įžvalgos mokslą.
  222. Radiologijos atveju
  223. tai buvo nauji klinikiniai indikatoriai,
    kuriuos supranta žmonės.
  224. Patologijos atveju
  225. kompiuterio sistema atrado, kad
    ląstelės aplink vėžio židinį
  226. yra tokios pat svarbios,
    kaip vėžinės ląstelės
  227. nustatant diagnozę.
  228. Tai yra atvirkščiai, nei patologai
    buvo mokami dešimtmečiais.
  229. Kiekviename šių dviejų atvejų
    buvo sukurtos sistemos
  230. derinant medicinos ekspertus
    ir mašinos mokymosi ekspertus,
  231. bet paskutiniais metais
    mes pažengėme į priekį.
  232. Štai čia pavyzdys, kaip
    nustatomos vėžio ląstelės
  233. žmogaus audinyje po mikroskopu.
  234. Čia demonstruojama sistema
    gali atpažinti šias vietas tiksliau,
  235. ar beveik taip pat tiksliai,
    kaip gydytojai patologai,
  236. ji buvo sukurta vien su giliu
    mokymusi, be jokių medicinos žinių
  237. žmonių, kurie neturi
    jokio pagrindo šioje srityje.
  238. Panašiai čia, tai neurono segmentavimas.
  239. Dabar galime segmentuoti neuronus
    beveik taip pat tiksliai, kaip žmonės,
  240. bet ši sistema sukurta
    naudojant gilų mokymąsi
  241. žmonių, neturinčių ankstesnės
    patirties medicinoje.
  242. Taigi aš, neturintis
    jokio medicininio išsilavinimo,

  243. panašu, kad esu tinkamas
    įsteigti naują medicinos kompaniją,
  244. ką aš ir padariau.
  245. Tam tikra prasme bijojau tą daryti,
  246. bet teorija, rodos, pati patarė,
    kad turėtų būti įmanoma
  247. sukurti naudingą mediciną,
    naudojant tik duomenų analizės technikas.
  248. Ir laimei, atsiliepimai
    buvo puikūs,
  249. ne tik iš žiniasklaidos,
    bet ir iš medikų,
  250. kurie labai palaikė.
  251. Teoriškai mes galime paimti
    vidurinę medicininio proceso dalį
  252. ir paversti ją į duomenų analizę
    kiek įmanoma daugiau,
  253. leidžiant gydytojams daryti tai,
    ką jie geriausiai sugeba.
  254. Noriu jums duoti pavyzdį.
  255. Mums užtrunka apie 15 minučių
    sukurti naują medicininės diagnozės testą,
  256. dabar aš jums parodysiu realiu laiku,
  257. bet aš sumažinau jį iki trijų
    minučių išmesdamas kai kurias dalis.
  258. Užuot rodęs jums, kaip
    kuriamas medicininės diagnozės testas,
  259. aš jums parodysiu
    mašinų vaizdų diagnozės testą,
  260. nes šitai mes visi
    galime suprasti.
  261. Taigi pradedame su
    apie 1,5 milijono automobilių vaizdų,

  262. ir aš noriu sukurti kažką,
    kas gali juos išskaidyti pagal
  263. padarytos nuotraukos kampą.
  264. Šie vaizdai yra be žymių,
    taigi turiu pradėti nuo pradžių.
  265. Naudojant gilaus mokymosi algoritmą
  266. jis gali automatiškai identifikuoti
    struktūros vietas šiuose vaizduose.
  267. Nuostabu, kad žmogus ir kompiuteris
    dabar gali kartu dirbti.
  268. Taigi žmogus, kaip jūs matote čia,
  269. nurodo kompiuteriui
    jam rūpimas vietas,
  270. nori, kad kompiuteris
    išbandytų ir pagerintų savo algoritmą.
  271. Dabar šios gilaus mokymosi sistemos
    yra 16 000 dimensijų erdvėje,
  272. taigi jūs matote kompiuterį,
    besisukantį šioje erdvėje,
  273. ieškantį naujų struktūros vietų.
  274. Ir, kai jam tai pavyksta,
  275. žmogus, kuris jį valdo, tada
    atkreipia dėmesį į įdomias vietas.
  276. Taigi kompiuteris
    sėkmingai surado vietas,
  277. pavyzdžiui, kampus.
  278. Kai perėjome šį procesą,
  279. mes tolygiai nurodome
    kompiuteriui vis daugiau
  280. apie struktūrų tipus,
    kurių mes ieškome.
  281. Įsivaizduokite diagnostikos teste
  282. tai būtų patologas, identifikuojantis,
    pavyzdžiui, susirgimo tipą,
  283. arba radiologas, nustatantis
    potencialiai pavojingus mazgelius.
  284. Ir kartais tai gali būti
    sudėtinga algoritmui.
  285. Šiuo atveju jis šiek tiek pasimetė.
  286. Mašinų priekiai ir galai
    yra sumaišyti.
  287. Taigi turime būti dėmesingesni,
  288. rankiniu būdu atrinkdami šiuos priekius,
    kaip galų priešingybes
  289. tada nurodyti kompiuteriui,
    kad šio tipo grupė
  290. mus domina.
  291. Taigi mes tai darome kurį laiką,
    šiek tiek praleidžiame,

  292. ir tada treniruojame
    mašinos mokymosi algoritmą,
  293. paremtą keliais šimtais dalykų,
  294. ir mes tikimės, kad jis patobulės.
  295. Dabar matote, kad jis pradėjo
    išmetinėti kai kuriuos vaizdus,
  296. rodydamas mums, kad jau žino,
    kaip pačiam suprasti kai kuriuos vaizdus.
  297. Tada mes galime naudoti šį
    panašių vaizdų konceptą,
  298. ir naudojant panašius vaizdus, matote,
  299. kompiuteris šioje vietoje sugeba
    atrasti vien automobilių priekius.
  300. Šiuo atveju žmogus
    gali pasakyti kompiuteriui,
  301. puiku, tu padarei
    gerą darbą.
  302. Kartais, žinoma, net ir šiuo momentu

  303. tai vis dar sudėtinga
    atskirti grupes.
  304. Net jei mes leidžiame
    kompiuteriui bandyti kurį laiką,
  305. mes vis dar randame, kad kairės ir
    dešinės pusės vaizdai
  306. yra visi sumaišyti.
  307. Mes galime vėl kompiuteriui
    duoti užuominų,
  308. sakome - gerai, pabandyk ir rask
    projekciją, kuri kuo labiau
  309. išskiria kaires puses nuo dešinių
  310. naudojant šį gilaus mokymosi algoritmą.
  311. Ir davus užuominą –
    ak, puiku, pavyko.
  312. Jam pavyko surasti mąstymo
    apie šiuos objektus būdą,
  313. kas atskyrė detales.
  314. Taigi jūs mane supratote.

  315. Čia ne tas atvejis, kur žmogus
    yra pakeičiamas kompiuterio,
  316. bet tas, kai jie dirba kartu.
  317. Ką mes čia darome, tai išstumiame
    kažką, kam reikėdavo komandos
  318. iš penkių ar šešių žmonių 7 metams,
  319. ir pakeičiame tai su kažkuo,
    kas užtrunka 15 min.
  320. veikiant vienam asmeniui.
  321. Šiam procesui prireikia
    4 ar 5 pakartojimų.

  322. Dabar matote, kad turime 62 proc.
  323. iš mūsų 1,5 milijono vaizdų
    suskirstytų teisingai.
  324. Ir šiame etape mes
    galime pradėti gana greitai
  325. imti pilnas dalis,
  326. patikrinti jas ir įsitikinti,
    kad nėra klaidų.
  327. Jei yra klaidų, leidžiame
    kompiuteriui jas žinoti.
  328. Ir naudodami tokį procesą
    kiekvienai atskirai grupei
  329. mes pasiekiame 80 proc.
    sėkmės rodiklį
  330. skirstant 1,5 milijono vaizdų.
  331. Šiuo momentu tai tik problema,
  332. kaip surasti mažą kiekį,
    kuris nėra teisingai suklasifikuotas,
  333. ir pabandyti suprasti kodėl.
  334. Naudojant šį metodą,
  335. per 15 minučių mes
    suklasifikuojame 97 proc.
  336. Tokio tipo technika leistų
    mums išspręsti pagrindinę problemą –

  337. medicininės ekspertizės
    trūkumą pasaulyje.
  338. Pasaulio ekonomikos forumas teigia,
    kad gydytojų trūkumas siekia
  339. nuo 10 iki 20 kartų
    besivystančiose šalyse,
  340. ir prireiktų apie 300 metų
  341. išmokyti pakankamai žmonių
    šiai problemai panaikinti.
  342. Įsivaizduokite, jei galėtume
    padidinti jų efektyvumą
  343. naudodami šiuos gilaus mokymosi būdus?
  344. Esu labai susijaudinęs
    dėl šių galimybių.

  345. Man taip pat rūpi šios problemos.
  346. Problema ta, kad
    kiekviena mėlyna spalva šiame žemėlapyje
  347. rodo, kur paslaugos užima
    virš 80 procentų užimtumo.
  348. Kokios tai paslaugos?
  349. Štai šios paslaugos.
  350. Taip pat tai konkretūs dalykai, kuriuos
    kompiuteriai jau išmoko daryti.
  351. Taigi 80 proc. pasaulio užimtumo
    išsivysčiusiame pasaulyje
  352. yra dalykai, kuriuos kompiuteriai
    jau išmoko daryti.
  353. Ką tai reiškia?
  354. Ką gi, viskas bus gerai.
    Jie bus pakeisti kitų darbų.
  355. Pavyzdžiui, bus daugiau darbo
    duomenų mokslininkams.
  356. Tiesa, nelabai.
  357. Duomenų mokslininkams
    neužtrunka ilgai tai sukurti.
  358. Pavyzdžiui, šie keturi algoritmai
    buvo sukurti to paties vaikino.
  359. Taigi, jei galvojate, ak,
    taip jau buvo anksčiau,
  360. mes matėme rezultatus praeity,
    kai atsirado nauji dalykai
  361. ir jie buvo pakeisti naujų darbų,
  362. kokie tie nauji darbai bus?
  363. Labai sunku mums tai įvertinti,
  364. nes žmogaus veikla
    auga palaipsniui,
  365. o mes turime sistemą, gilų mokymąsi,
  366. kuris, mes jau žinome, auga
    eksponentiniu pajėgumu.
  367. Ir štai mes čia.
  368. Šiuo metu mes matome, kas aplinkui dedasi
  369. ir mes sakome, „Ak, kompiuteriai yra
    gana kvaili“. Taip?
  370. Bet po penkerių metų
    kompiuteriai peraugs šią lentelę.
  371. Mums reikia pradėti galvoti
    apie šį sugebėjimą jau dabar.
  372. Mes tai jau matėme kartą, žinoma.

  373. Pramonės perversme
  374. mes matėme pasikeitimą
    pajėgume dėka variklių.
  375. Dalykas tas, vis dėlto,
    kad po kurio laiko viskas nusistovės.
  376. Tuomet buvo socialinis lūžis,
  377. bet vos tik varikliai buvo panaudoti
    jėgos generavimui visose situacijose
  378. viskas išties nusistovėjo.
  379. Mašinų mokymosi revoliucija
  380. labai skirsis nuo
    Pramonės perversmo,
  381. nes mašinų mokymosi revoliucija
    niekada nenusistovės.
  382. Kuo kompiuteriai taps geresni
    intelektualinėje veikloje,
  383. tuo geresnius kompiuterius jie gali
    sukurti dar geresnei veiklai,
  384. taigi tai bus pasikeitimas,
  385. kurio pasaulis iš tiesų
    niekada nebuvo patyręs.
  386. Taigi jūsų ankstesnis suvokimas,
    kas yra įmanoma, yra skirtingas.
  387. Tai jau daro mums įtaką.

  388. Paskutiniais 25 metais,
    padidėjus kapitalo produktyvumui,
  389. darbo jėgos produktyvumas buvo nuoseklus,
    tiesą sakant, truputį žemas.
  390. Taigi noriu, kad mes pradėtume
    apie tai diskutuoti.

  391. Žinau, kad, kai kalbu žmonėms
    apie šią situaciją,
  392. žmonės gali būti gana priešiški.
  393. Kompiuteriai negali tikrai galvoti,
  394. jie neturi jausmų,
    jie nesupranta poezijos,
  395. mes nelabai suprantame, kaip jie dirba.
  396. Tai kas?
  397. Kompiuteriai jau dabar daro dalykus,
  398. kuriems žmonės skiria daugiausia
    savo apmokamo laiko,
  399. dabar pats laikas pradėti mąstyti
  400. apie tai, kaip mes pritaikysime savo
    socialines ir ekonomines struktūras,
  401. kad suvoktume šią naują realybę.
  402. Dėkoju.
  403. (Plojimai.)