Nuostabios ir bauginančios kompiuterių, kurie gali mokytis, pasekmės
-
0:01 - 0:05Anksčiau, jei norėdavai, kad kompiuteris
padarytų kažką naujo, -
0:05 - 0:06turėdavai programuoti.
-
0:06 - 0:10Programavimas, sakau tiems,
kas niekada nėra to daręs, -
0:10 - 0:13vargina savo reikalavimu išdėstyti
-
0:13 - 0:17kiekvieną atskirą žingsnį, ką nori,
kad kompiuteris darytų, -
0:17 - 0:19kad pasiektų tavo iškeltą tikslą.
-
0:19 - 0:23Ir jei nori padaryti kažką,
ko pats nežinai kaip padaryti, -
0:23 - 0:25tai išties yra didelis iššūkis.
-
0:25 - 0:28Su šiuo iššūkiu susidūrė
šis žmogus, Athur Samuel. -
0:28 - 0:311956 m. jis norėjo, kad kompiuteris
-
0:31 - 0:35sugebėtų jį nugalėti žaidžiant šaškėmis.
-
0:35 - 0:37Kaip gali parašyti programą,
-
0:37 - 0:40detalizuoti, kaip būti geresniam
nei esi pats žaisdamas šaškėmis? -
0:40 - 0:42Jam kilo idėja:
-
0:42 - 0:46jis leido kompiuteriui žaisti
prieš save tūkstančius kartų -
0:46 - 0:48ir išmokti žaisti šaškėmis.
-
0:48 - 0:52Ir tai suveikė, be to, 1962 m.
-
0:52 - 0:56šis kompiuteris nugalėjo
Konektikuto čempioną. -
0:56 - 0:59Taigi Arthur Samuel yra
gebančios mokytis mašinos tėvas, -
0:59 - 1:00ir jam aš esu skolingas,
-
1:00 - 1:03nes aš esu gebančios mokytis
mašinos praktikas. -
1:03 - 1:05Aš buvau „Kaggle“ prezidentu,
-
1:05 - 1:08bendruomenės su daugiau nei 200 000
besimokančios mašinos praktikų. -
1:08 - 1:10„Kaggle“ skelbia konkursus
-
1:10 - 1:14pabandyti ir išspręsti
prieš tai neišspręstas problemas, -
1:14 - 1:17ir tai pavyko šimtus kartų.
-
1:17 - 1:20Taigi turėdamas pranašumą
aš galėjau daug sužinoti -
1:20 - 1:24apie tai, ką besimokančios mašinos
galėjo padaryti praeity, ką gali dabar, -
1:24 - 1:26ir ką galėtų ateityje.
-
1:26 - 1:31Galbūt pirma didžiausia besimokančios
mašinos komercinė sėkmė buvo „Google“. -
1:31 - 1:34„Google“ įrodė, kad įmanoma
surasti informaciją, -
1:34 - 1:36naudojant kompiuterio algoritmą,
-
1:36 - 1:38šis algoritmas paremtas
mašinos gebėjimu mokytis. -
1:38 - 1:42Nuo to laiko turime daugiau
komercinės sėkmės pavyzdžių. -
1:42 - 1:44Įmonės, kaip „Amazon“ ir „Netflix“,
-
1:44 - 1:48naudoja besimokančias mašinas, kad
pasiūlytų tai, ką gal norėtumėte pirkti, -
1:48 - 1:50filmų, kuriuos galbūt norėtumėte pamatyti.
-
1:50 - 1:52Kartais tai kelia baimę.
-
1:52 - 1:54Įmonės, kaip „LinkedIn“ ir „Facebook“,
-
1:54 - 1:56kartais pasiūlys jums, kas
galėtų būti jūsų draugais, -
1:56 - 1:58ir jūs nežinote, kaip jie tai daro,
-
1:58 - 2:01ir tai tik dėl to, kad jie naudoja
besimokančios mašinos galią. -
2:01 - 2:04Tai yra algoritmai, kurie iš duomenų
mokosi, kaip tai padaryti, -
2:04 - 2:07užuot būtų programuojami ranka.
-
2:07 - 2:10Taip buvo ir su IBM pasisekimu,
-
2:10 - 2:14kad Watson sumuštų du
pasaulio čempionus žaidime „Jeopardy“, -
2:14 - 2:17atsakinėjant neįtikėtinai subtilius ir
sunkius klausimus, kaip šis. -
2:17 - 2:20[„Antik. „Nimrudo liūtas“ dingo
iš šio miesto muziejaus...“] -
2:20 - 2:23Dėl tos pačios priežasties matome
pirmus automobilius be vairuotojų. -
2:23 - 2:26Jei jūs norite įvardinti
skirtumą tarp, pavyzdžiui, -
2:26 - 2:28medžio ir pėsčiojo,
ką gi, tai gana svarbu. -
2:28 - 2:31Mes nežinome, kaip parašyti
šias programas ranka, -
2:31 - 2:34bet su besimokančiomis mašinomis
dabar tai įmanoma. -
2:34 - 2:37Išties, šis automobilis nuvažiavo
virš milijono mylių -
2:37 - 2:40be jokių eismo įvykių įprastuose keliuose.
-
2:40 - 2:44Dabar žinome – kompiuteriai gali mokytis,
-
2:44 - 2:46ir jie gali išmokti daryti dalykus,
-
2:46 - 2:49kurių mes patys kartais,
nežinome kaip padaryti, -
2:49 - 2:52o gal netgi padaryti geriau, nei mes.
-
2:52 - 2:56Vienas iš nuostabiausių mano matytų
besimokančios mašinos pavyzdžių -
2:56 - 2:58nutiko mano vykdytame projekte „Kaggle“.
-
2:58 - 3:02Komanda, kuriai vadovavo vaikinas
vardu Geoffrey Hinton, -
3:02 - 3:03iš Toronto universiteto,
-
3:03 - 3:06laimėjo varžybas už
automatinį vaistų atradimą. -
3:06 - 3:09Keisčiausia ne tai, kad
jie paneigė visus -
3:09 - 3:13Merck sukurtus ar tarptautinius
akademinės bendruomenės algoritmus, -
3:13 - 3:18o tai, kad nei vienas neturėjo chemijos,
biologijos ar gamtos mokslų pagrindų, -
3:18 - 3:20ir jie tai padarė per dvi savaites.
-
3:20 - 3:22Kaip jiems pavyko?
-
3:22 - 3:25Jie naudojo išskirtinį algoritmą,
vadinamą giliuoju mokymusi. -
3:25 - 3:28Tai buvo tiek svarbu, kad ši
sėkmės istorija buvo aprašyta -
3:28 - 3:31pirmajame „New York Times“ puslapyje
po kelių savaičių. -
3:31 - 3:34Čia yra Geoffrey Hinton,
kairėje pusėje. -
3:34 - 3:38Gilusis mokymasis yra algoritmas,
įkvėptas to, kaip dirba žmogaus smegenys, -
3:38 - 3:40ir dėl to šis algoritmas
-
3:40 - 3:44neturi teorinių apribojimų tam,
ką jis gali daryti. -
3:44 - 3:47Kuo daugiau jam duodi duomenų ir
laiko jiems apskaičiuoti, -
3:47 - 3:48tuo jis geresnis.
-
3:48 - 3:51„New York Times“ taip pat
tame straipsnyje aprašė -
3:51 - 3:53kitą išskirtinį
gilaus mokymosi rezultatą, -
3:53 - 3:56kurį dabar jums parodysiu.
-
3:56 - 4:01Tai rodo, kad kompiuteris
gali girdėti ir suprasti. -
4:01 - 4:03(Video) Richard Rashid: Dabar
-
4:03 - 4:06paskutinis dalykas, ką norėčiau
padaryti šiame procese, -
4:06 - 4:11yra kalbėti su jumis kiniškai.
-
4:11 - 4:14Pagrindinis dalykas,
-
4:14 - 4:19kad mes turėjome galimybę surinkti
daugybę informacijos iš kalbančių kiniškai -
4:19 - 4:21ir sukurti teksto-kalbos sistemą,
-
4:21 - 4:26kuri paima kinišką tekstą
ir konvertuoja jį į kinų kalbą, -
4:26 - 4:30ir tada mes paėmėme
apie valandą mano balso, -
4:30 - 4:32ir tai panaudojome sumodeliuoti
-
4:32 - 4:36standartinę teksto-kalbos sistemą,
kuri kalbėtų mano balsu. -
4:36 - 4:39Dar kartą, rezultatas nėra tobulas.
-
4:39 - 4:42Iš tiesų, yra keli netikslumai.
-
4:42 - 4:44(Kiniškai)
-
4:44 - 4:47(Plojimai)
-
4:49 - 4:53Dar daug reikia nuveikti šioje srityje.
-
4:53 - 4:57(Kiniškai)
-
4:57 - 5:00(Plojimai)
-
5:01 - 5:05Jeremy Howard: Tai buvo besimokan-
čių mašinų konferencija Kinijoje. -
5:05 - 5:07Išties nedažnai pasitaiko
mokslo konferencijose -
5:07 - 5:09išgirsti spontaniškus plojimus,
-
5:09 - 5:13nors, žinoma, kartais pasitaiko ir
TEDx konferencijose, nesivaržykite. -
5:13 - 5:15Viskas, ką jūs čia matėte,
vyko su giliuoju mokymusi. -
5:15 - 5:17(Plojimai) Dėkoju.
-
5:17 - 5:19Angliška transkripcija
buvo gilus mokymasis. -
5:19 - 5:23Vertimas į kinų kalbą ir tekstas
viršuje dešinėje – gilus mokymasis, -
5:23 - 5:26ir balso konstrukcija –
taip pat gilus mokymasis. -
5:26 - 5:29Gilusis mokymasis yra
išskirtinis dalykas. -
5:29 - 5:32Tai yra atskiras algoritmas,
kuris, atrodo, gali beveik viską, -
5:32 - 5:35ir aš atradau, kad prieš metus
jis išmoko matyti. -
5:35 - 5:38Šiame nežymiame konkurse Vokietijoje,
-
5:38 - 5:40pavadintame Vokiečių kelių ženklų
atpažinimo etalonu, -
5:40 - 5:44gilusis mokymasis išmoko
atpažinti kelio ženklus, kaip šis. -
5:44 - 5:46Ne tik galėjo
atpažinti kelio ženklus -
5:46 - 5:47geriau, nei kiti algoritmai,
-
5:47 - 5:50rezultatų lentelė parodė,
kad jis buvo geresnis už žmones, -
5:50 - 5:52netgi du kartus geresnis.
-
5:52 - 5:54Taigi 2011 m. turėjome pirmą pavyzdį
-
5:54 - 5:57kompiuterių, galinčių matyti
geriau, nei žmonės. -
5:57 - 5:59Nuo tada daug kas įvyko.
-
5:59 - 6:032012 m. „Google“ paskelbė, kad
jie leido gilaus mokymosi algoritmui -
6:03 - 6:04žiūrėti „YouTube“ įrašus
-
6:04 - 6:08ir mėnesį rinko duomenis iš
16 000 kompiuterių, -
6:08 - 6:12ir šie kompiuteriai savarankiškai išmoko
apie sąvokas, kaip žmonės ir katės, -
6:12 - 6:14tiesiog žiūrėdami vaizdo įrašus.
-
6:14 - 6:16Tai panašu į tai,
kaip mokosi žmonės. -
6:16 - 6:19Žmonės mokosi ne kai jiems sakoma,
ką jie mato, -
6:19 - 6:22bet mokosi patys atrasdami,
kas šie dalykai yra. -
6:22 - 6:26Taip pat 2012 m. Geoffrey Hinton,
kurį matėme anksčiau, -
6:26 - 6:29laimėjo populiarų „ImageNet“ konkursą,
-
6:29 - 6:33bandantį apskaičiuoti
iš pusantro milijono vaizdų, -
6:33 - 6:34kieno tai nuotraukos.
-
6:34 - 6:38Nors dabar 2014 m., mes vis dar
klystame 6 procentais -
6:38 - 6:39atpažindami vaizdus.
-
6:39 - 6:41Ir vėlgi tai yra geriau, nei gali žmonės.
-
6:41 - 6:45Taigi mašinos išties daro
išskirtinį darbą šioje srityje, -
6:45 - 6:47ir dabar tai naudojama pramonėje.
-
6:47 - 6:50Pavyzdžiui, „Google“ pernai paskelbė,
-
6:50 - 6:55kad į žemėlapį įtraukė kiekvieną atskirą
Prancūzijos vietą vos per dvi valandas, -
6:55 - 6:58jie tai padarė perkeldami
gatvių vaizdus -
6:58 - 7:03į gilaus mokymosi algoritmą,
kad atpažintų gatvių numerius. -
7:03 - 7:05Įsivaizduokite, kaip ilgai
tai būtų užtrukę: -
7:05 - 7:08daugybė žmonių ir metų.
-
7:08 - 7:10Tai vyksta ir Kinijoje.
-
7:10 - 7:14„Baidu“ yra savotiškas
kinų „Google“, spėju, -
7:14 - 7:17ir tai, ką jūs matote viršuje kairėje
-
7:17 - 7:20yra pavyzdys nuotraukos, kurią aš
įkėliau į „Baidu“ gilaus mokymosi sistemą, -
7:20 - 7:24ir apačioje jūs galite pamatyti, kad
sistema suprato, kas yra nuotraukoje, -
7:24 - 7:26ir rado panašius vaizdus.
-
7:26 - 7:29Išties panašūs vaizdai
turi panašų foną, -
7:29 - 7:31panašų snukių pasukimą,
-
7:31 - 7:33netgi kai kurie su iškištu liežuviu.
-
7:33 - 7:36Tai nelabai aišku, žiūrint
į tekstą tinklalapyje. -
7:36 - 7:37Aš įkėliau tik nuotrauką.
-
7:37 - 7:41Taigi dabar mes turime kompiuterius,
kurie tikrai supranta, ką mato -
7:41 - 7:43ir gali ieškoti duomenų bazėse
-
7:43 - 7:46šimtus milijonus
vaizdų realiu laiku. -
7:46 - 7:50Taigi ką reiškia, kad
dabar kompiuteriai gali matyti? -
7:50 - 7:52Tai ne tik, kad
kompiuteriai gali matyti. -
7:52 - 7:54Išties, gilus mokymasis
padarė daugiau. -
7:54 - 7:57Sudėtingi sakiniai su niuansais, kaip šis
-
7:57 - 7:59dabar yra suprantami
su gilaus mokymosi algoritmais. -
7:59 - 8:01Kaip galite čia matyti.
-
8:01 - 8:03ši Stanfordu paremta sistema,
rodanti raudoną tašką viršuj, -
8:03 - 8:07suprato, kad šis sakinys
išreiškia neigiamą mintį. -
8:07 - 8:11Gilus mokymasis iš tiesų
artėja prie žmogaus gebėjimo -
8:11 - 8:16suprasti, apie ką yra sakiniai
ir kas yra sakoma apie tuos dalykus. -
8:16 - 8:19Taip pat, gilus mokymasis
buvo naudotas skaityti kiniškai -
8:19 - 8:22dar kartą gimtosios
kinų kalbos skaitytojo lygiu. -
8:22 - 8:24Šis algoritmas, sukurtas
Šveicarijoje žmonių, -
8:24 - 8:27kurių nei vienas nekalba
ar supranta kiniškai. -
8:27 - 8:29Kaip ir sakiau, gilaus mokymosi naudojimas
-
8:29 - 8:32už tai yra geriausia sistema
pasaulyje -
8:32 - 8:37net palyginus su įgimtu
žmogaus suvokimu. -
8:37 - 8:40Tai yra sistema, kurią mes
sudėjome mano kompanijoje, -
8:40 - 8:42kuri rodo, kaip sudeda
viską į krūvą. -
8:42 - 8:44Štai čia nuotraukos, kurios
neturi pridėto teksto, -
8:44 - 8:47ir kai aš rašau šiuos žodžius,
-
8:47 - 8:50ji realiu laiku supranta
šias nuotraukas -
8:50 - 8:51ir išsiaiškina, apie ką jos,
-
8:51 - 8:54ir suranda nuotraukas, panašias
į tekstą, kurį aš rašau. -
8:54 - 8:57Taigi jūs matote, kad ji išties
supranta mano žodžius -
8:57 - 8:59ir iš tikrųjų supranta šiuos vaizdus.
-
8:59 - 9:02Žinau, kad jūs matėte
kažką panašaus „Google“, -
9:02 - 9:05kur jūs rašote tekstą,
ir jums suranda vaizdus, -
9:05 - 9:08bet iš tikrųjų ji tik ieško
tinklalapio su nurodytu tekstu. -
9:08 - 9:11Tai išties skiriasi nuo tikro
vaizdų supratimo. -
9:11 - 9:14Tai yra kažkas, ką kompiuteriai
galėjo padaryti -
9:14 - 9:17pirmą kartą paskutiniais mėnesiais.
-
9:17 - 9:21Taigi mes matome, kad kompiuteriai
gali ne tik matyti, bet ir skaityti, -
9:21 - 9:25ir, žinoma, mes parodėme, kad jie
gali suprasti ką girdi. -
9:25 - 9:28Gal nenustebinsiu jums pasakydamas,
kad jie gali ir rašyti. -
9:28 - 9:33Štai čia tekstas, kurį sugeneravau vakar
naudodamas gilaus mokymosi algoritmą. -
9:33 - 9:37Ir štai čia - tekstas, kurį sugeneravo
Stanfordo algoritmas. -
9:37 - 9:39Kiekvienas šių sakinių buvo sukurtas
-
9:39 - 9:43gilaus mokymosi algoritmo,
kad aprašytų kiekvieną šių vaizdų. -
9:43 - 9:48Šis algoritmas prieš tai nebuvo matęs
vyro juodais marškinėliais grojant gitara. -
9:48 - 9:50Jis yra matęs vyrą prieš tai,
yra matęs juodą, -
9:50 - 9:51taip pat ir gitarą,
-
9:51 - 9:56bet jis savarankiškai sugeneravo
šį nuotraukos aprašymą. -
9:56 - 9:59Kol kas tai neprilygsta žmogaus
gebėjimams, bet mes esame arti. -
9:59 - 10:03Testuose žmonės teikia pirmenybę
kompiuterio sukurtai antraštei -
10:03 - 10:05vieną iš keturių kartų.
-
10:05 - 10:07Šiai sistemai kol kas tik dvi savaitės,
-
10:07 - 10:09taigi tikėtina, kad per kitus metus
-
10:09 - 10:12kompiuterio algoritmas bus
-
10:12 - 10:13gerokai pralenkęs žmogaus gebėjimus.
-
10:13 - 10:16Taigi kompiuteriai taip pat gali rašyti.
-
10:16 - 10:20Taigi mes viską sudėjome, ir tai
veda į įdomias galimybes. -
10:20 - 10:21Pavyzdžiui, medicinoje.
-
10:21 - 10:24Komanda Bostone pranešė,
kad jie atrado -
10:24 - 10:27daugybę naujų kliniškai svarbių
-
10:27 - 10:31auglių bruožų, kurie padeda gydytojams
prognozuoti vėžį. -
10:32 - 10:35Labai panašiai Stanforde
-
10:35 - 10:38ten esanti komanda pranešė, kad
tyrinėdami padidintus audinius -
10:38 - 10:41jie sukūrė sistemą,
pagrįstą mašinos mokymusi, -
10:41 - 10:43kuri išties yra geresnė,
už žmones patologus -
10:43 - 10:48nustatant išgyvenimo tikimybę
sergantiems vėžiu. -
10:48 - 10:51Abiem atvejais ne tik buvo
tikslesnės prognozės, -
10:51 - 10:53bet jie sukūrė ir naują įžvalgos mokslą.
-
10:53 - 10:55Radiologijos atveju
-
10:55 - 10:58tai buvo nauji klinikiniai indikatoriai,
kuriuos supranta žmonės. -
10:58 - 11:00Patologijos atveju
-
11:00 - 11:04kompiuterio sistema atrado, kad
ląstelės aplink vėžio židinį -
11:04 - 11:08yra tokios pat svarbios,
kaip vėžinės ląstelės -
11:08 - 11:09nustatant diagnozę.
-
11:09 - 11:15Tai yra atvirkščiai, nei patologai
buvo mokami dešimtmečiais. -
11:15 - 11:18Kiekviename šių dviejų atvejų
buvo sukurtos sistemos -
11:18 - 11:22derinant medicinos ekspertus
ir mašinos mokymosi ekspertus, -
11:22 - 11:24bet paskutiniais metais
mes pažengėme į priekį. -
11:24 - 11:28Štai čia pavyzdys, kaip
nustatomos vėžio ląstelės -
11:28 - 11:30žmogaus audinyje po mikroskopu.
-
11:30 - 11:35Čia demonstruojama sistema
gali atpažinti šias vietas tiksliau, -
11:35 - 11:38ar beveik taip pat tiksliai,
kaip gydytojai patologai, -
11:38 - 11:41ji buvo sukurta vien su giliu
mokymusi, be jokių medicinos žinių -
11:41 - 11:44žmonių, kurie neturi
jokio pagrindo šioje srityje. -
11:45 - 11:47Panašiai čia, tai neurono segmentavimas.
-
11:47 - 11:51Dabar galime segmentuoti neuronus
beveik taip pat tiksliai, kaip žmonės, -
11:51 - 11:54bet ši sistema sukurta
naudojant gilų mokymąsi -
11:54 - 11:57žmonių, neturinčių ankstesnės
patirties medicinoje. -
11:57 - 12:00Taigi aš, neturintis
jokio medicininio išsilavinimo, -
12:00 - 12:04panašu, kad esu tinkamas
įsteigti naują medicinos kompaniją, -
12:04 - 12:06ką aš ir padariau.
-
12:06 - 12:08Tam tikra prasme bijojau tą daryti,
-
12:08 - 12:11bet teorija, rodos, pati patarė,
kad turėtų būti įmanoma -
12:11 - 12:16sukurti naudingą mediciną,
naudojant tik duomenų analizės technikas. -
12:16 - 12:19Ir laimei, atsiliepimai
buvo puikūs, -
12:19 - 12:21ne tik iš žiniasklaidos,
bet ir iš medikų, -
12:21 - 12:23kurie labai palaikė.
-
12:23 - 12:27Teoriškai mes galime paimti
vidurinę medicininio proceso dalį -
12:27 - 12:30ir paversti ją į duomenų analizę
kiek įmanoma daugiau, -
12:30 - 12:33leidžiant gydytojams daryti tai,
ką jie geriausiai sugeba. -
12:33 - 12:35Noriu jums duoti pavyzdį.
-
12:35 - 12:40Mums užtrunka apie 15 minučių
sukurti naują medicininės diagnozės testą, -
12:40 - 12:42dabar aš jums parodysiu realiu laiku,
-
12:42 - 12:45bet aš sumažinau jį iki trijų
minučių išmesdamas kai kurias dalis. -
12:45 - 12:48Užuot rodęs jums, kaip
kuriamas medicininės diagnozės testas, -
12:48 - 12:52aš jums parodysiu
mašinų vaizdų diagnozės testą, -
12:52 - 12:54nes šitai mes visi
galime suprasti. -
12:54 - 12:57Taigi pradedame su
apie 1,5 milijono automobilių vaizdų, -
12:57 - 13:00ir aš noriu sukurti kažką,
kas gali juos išskaidyti pagal -
13:00 - 13:03padarytos nuotraukos kampą.
-
13:03 - 13:07Šie vaizdai yra be žymių,
taigi turiu pradėti nuo pradžių. -
13:07 - 13:08Naudojant gilaus mokymosi algoritmą
-
13:08 - 13:12jis gali automatiškai identifikuoti
struktūros vietas šiuose vaizduose. -
13:12 - 13:16Nuostabu, kad žmogus ir kompiuteris
dabar gali kartu dirbti. -
13:16 - 13:18Taigi žmogus, kaip jūs matote čia,
-
13:18 - 13:21nurodo kompiuteriui
jam rūpimas vietas, -
13:21 - 13:25nori, kad kompiuteris
išbandytų ir pagerintų savo algoritmą. -
13:25 - 13:30Dabar šios gilaus mokymosi sistemos
yra 16 000 dimensijų erdvėje, -
13:30 - 13:33taigi jūs matote kompiuterį,
besisukantį šioje erdvėje, -
13:33 - 13:35ieškantį naujų struktūros vietų.
-
13:35 - 13:37Ir, kai jam tai pavyksta,
-
13:37 - 13:41žmogus, kuris jį valdo, tada
atkreipia dėmesį į įdomias vietas. -
13:41 - 13:43Taigi kompiuteris
sėkmingai surado vietas, -
13:43 - 13:46pavyzdžiui, kampus.
-
13:46 - 13:47Kai perėjome šį procesą,
-
13:47 - 13:50mes tolygiai nurodome
kompiuteriui vis daugiau -
13:50 - 13:52apie struktūrų tipus,
kurių mes ieškome. -
13:52 - 13:54Įsivaizduokite diagnostikos teste
-
13:54 - 13:57tai būtų patologas, identifikuojantis,
pavyzdžiui, susirgimo tipą, -
13:57 - 14:02arba radiologas, nustatantis
potencialiai pavojingus mazgelius. -
14:02 - 14:05Ir kartais tai gali būti
sudėtinga algoritmui. -
14:05 - 14:07Šiuo atveju jis šiek tiek pasimetė.
-
14:07 - 14:09Mašinų priekiai ir galai
yra sumaišyti. -
14:09 - 14:11Taigi turime būti dėmesingesni,
-
14:11 - 14:15rankiniu būdu atrinkdami šiuos priekius,
kaip galų priešingybes -
14:15 - 14:20tada nurodyti kompiuteriui,
kad šio tipo grupė -
14:20 - 14:22mus domina.
-
14:22 - 14:24Taigi mes tai darome kurį laiką,
šiek tiek praleidžiame, -
14:24 - 14:26ir tada treniruojame
mašinos mokymosi algoritmą, -
14:26 - 14:28paremtą keliais šimtais dalykų,
-
14:28 - 14:30ir mes tikimės, kad jis patobulės.
-
14:30 - 14:34Dabar matote, kad jis pradėjo
išmetinėti kai kuriuos vaizdus, -
14:34 - 14:38rodydamas mums, kad jau žino,
kaip pačiam suprasti kai kuriuos vaizdus. -
14:38 - 14:41Tada mes galime naudoti šį
panašių vaizdų konceptą, -
14:41 - 14:43ir naudojant panašius vaizdus, matote,
-
14:43 - 14:47kompiuteris šioje vietoje sugeba
atrasti vien automobilių priekius. -
14:47 - 14:50Šiuo atveju žmogus
gali pasakyti kompiuteriui, -
14:50 - 14:52puiku, tu padarei
gerą darbą. -
14:54 - 14:56Kartais, žinoma, net ir šiuo momentu
-
14:56 - 15:00tai vis dar sudėtinga
atskirti grupes. -
15:00 - 15:03Net jei mes leidžiame
kompiuteriui bandyti kurį laiką, -
15:03 - 15:07mes vis dar randame, kad kairės ir
dešinės pusės vaizdai -
15:07 - 15:08yra visi sumaišyti.
-
15:08 - 15:10Mes galime vėl kompiuteriui
duoti užuominų, -
15:10 - 15:13sakome - gerai, pabandyk ir rask
projekciją, kuri kuo labiau -
15:13 - 15:16išskiria kaires puses nuo dešinių
-
15:16 - 15:18naudojant šį gilaus mokymosi algoritmą.
-
15:18 - 15:21Ir davus užuominą –
ak, puiku, pavyko. -
15:21 - 15:24Jam pavyko surasti mąstymo
apie šiuos objektus būdą, -
15:24 - 15:26kas atskyrė detales.
-
15:26 - 15:29Taigi jūs mane supratote.
-
15:29 - 15:37Čia ne tas atvejis, kur žmogus
yra pakeičiamas kompiuterio, -
15:37 - 15:40bet tas, kai jie dirba kartu.
-
15:40 - 15:43Ką mes čia darome, tai išstumiame
kažką, kam reikėdavo komandos -
15:43 - 15:45iš penkių ar šešių žmonių 7 metams,
-
15:45 - 15:48ir pakeičiame tai su kažkuo,
kas užtrunka 15 min. -
15:48 - 15:50veikiant vienam asmeniui.
-
15:50 - 15:54Šiam procesui prireikia
4 ar 5 pakartojimų. -
15:54 - 15:56Dabar matote, kad turime 62 proc.
-
15:56 - 15:59iš mūsų 1,5 milijono vaizdų
suskirstytų teisingai. -
15:59 - 16:01Ir šiame etape mes
galime pradėti gana greitai -
16:01 - 16:03imti pilnas dalis,
-
16:03 - 16:06patikrinti jas ir įsitikinti,
kad nėra klaidų. -
16:06 - 16:10Jei yra klaidų, leidžiame
kompiuteriui jas žinoti. -
16:10 - 16:13Ir naudodami tokį procesą
kiekvienai atskirai grupei -
16:13 - 16:15mes pasiekiame 80 proc.
sėkmės rodiklį -
16:15 - 16:18skirstant 1,5 milijono vaizdų.
-
16:18 - 16:20Šiuo momentu tai tik problema,
-
16:20 - 16:23kaip surasti mažą kiekį,
kuris nėra teisingai suklasifikuotas, -
16:23 - 16:26ir pabandyti suprasti kodėl.
-
16:26 - 16:28Naudojant šį metodą,
-
16:28 - 16:32per 15 minučių mes
suklasifikuojame 97 proc. -
16:32 - 16:37Tokio tipo technika leistų
mums išspręsti pagrindinę problemą – -
16:37 - 16:40medicininės ekspertizės
trūkumą pasaulyje. -
16:40 - 16:43Pasaulio ekonomikos forumas teigia,
kad gydytojų trūkumas siekia -
16:43 - 16:46nuo 10 iki 20 kartų
besivystančiose šalyse, -
16:46 - 16:48ir prireiktų apie 300 metų
-
16:48 - 16:51išmokyti pakankamai žmonių
šiai problemai panaikinti. -
16:51 - 16:54Įsivaizduokite, jei galėtume
padidinti jų efektyvumą -
16:54 - 16:56naudodami šiuos gilaus mokymosi būdus?
-
16:56 - 16:59Esu labai susijaudinęs
dėl šių galimybių. -
16:59 - 17:01Man taip pat rūpi šios problemos.
-
17:01 - 17:04Problema ta, kad
kiekviena mėlyna spalva šiame žemėlapyje -
17:04 - 17:08rodo, kur paslaugos užima
virš 80 procentų užimtumo. -
17:08 - 17:10Kokios tai paslaugos?
-
17:10 - 17:11Štai šios paslaugos.
-
17:11 - 17:16Taip pat tai konkretūs dalykai, kuriuos
kompiuteriai jau išmoko daryti. -
17:16 - 17:19Taigi 80 proc. pasaulio užimtumo
išsivysčiusiame pasaulyje -
17:19 - 17:22yra dalykai, kuriuos kompiuteriai
jau išmoko daryti. -
17:22 - 17:23Ką tai reiškia?
-
17:23 - 17:26Ką gi, viskas bus gerai.
Jie bus pakeisti kitų darbų. -
17:26 - 17:29Pavyzdžiui, bus daugiau darbo
duomenų mokslininkams. -
17:29 - 17:30Tiesa, nelabai.
-
17:30 - 17:33Duomenų mokslininkams
neužtrunka ilgai tai sukurti. -
17:33 - 17:36Pavyzdžiui, šie keturi algoritmai
buvo sukurti to paties vaikino. -
17:36 - 17:38Taigi, jei galvojate, ak,
taip jau buvo anksčiau, -
17:38 - 17:42mes matėme rezultatus praeity,
kai atsirado nauji dalykai -
17:42 - 17:44ir jie buvo pakeisti naujų darbų,
-
17:44 - 17:46kokie tie nauji darbai bus?
-
17:46 - 17:48Labai sunku mums tai įvertinti,
-
17:48 - 17:51nes žmogaus veikla
auga palaipsniui, -
17:51 - 17:54o mes turime sistemą, gilų mokymąsi,
-
17:54 - 17:57kuris, mes jau žinome, auga
eksponentiniu pajėgumu. -
17:57 - 17:58Ir štai mes čia.
-
17:58 - 18:01Šiuo metu mes matome, kas aplinkui dedasi
-
18:01 - 18:03ir mes sakome, „Ak, kompiuteriai yra
gana kvaili“. Taip? -
18:03 - 18:07Bet po penkerių metų
kompiuteriai peraugs šią lentelę. -
18:07 - 18:11Mums reikia pradėti galvoti
apie šį sugebėjimą jau dabar. -
18:11 - 18:13Mes tai jau matėme kartą, žinoma.
-
18:13 - 18:14Pramonės perversme
-
18:14 - 18:17mes matėme pasikeitimą
pajėgume dėka variklių. -
18:18 - 18:21Dalykas tas, vis dėlto,
kad po kurio laiko viskas nusistovės. -
18:21 - 18:23Tuomet buvo socialinis lūžis,
-
18:23 - 18:26bet vos tik varikliai buvo panaudoti
jėgos generavimui visose situacijose -
18:26 - 18:28viskas išties nusistovėjo.
-
18:28 - 18:30Mašinų mokymosi revoliucija
-
18:30 - 18:33labai skirsis nuo
Pramonės perversmo, -
18:33 - 18:36nes mašinų mokymosi revoliucija
niekada nenusistovės. -
18:36 - 18:39Kuo kompiuteriai taps geresni
intelektualinėje veikloje, -
18:39 - 18:43tuo geresnius kompiuterius jie gali
sukurti dar geresnei veiklai, -
18:43 - 18:45taigi tai bus pasikeitimas,
-
18:45 - 18:47kurio pasaulis iš tiesų
niekada nebuvo patyręs. -
18:47 - 18:51Taigi jūsų ankstesnis suvokimas,
kas yra įmanoma, yra skirtingas. -
18:51 - 18:53Tai jau daro mums įtaką.
-
18:53 - 18:56Paskutiniais 25 metais,
padidėjus kapitalo produktyvumui, -
18:56 - 19:01darbo jėgos produktyvumas buvo nuoseklus,
tiesą sakant, truputį žemas. -
19:01 - 19:04Taigi noriu, kad mes pradėtume
apie tai diskutuoti. -
19:04 - 19:07Žinau, kad, kai kalbu žmonėms
apie šią situaciją, -
19:07 - 19:09žmonės gali būti gana priešiški.
-
19:09 - 19:10Kompiuteriai negali tikrai galvoti,
-
19:10 - 19:13jie neturi jausmų,
jie nesupranta poezijos, -
19:13 - 19:16mes nelabai suprantame, kaip jie dirba.
-
19:16 - 19:17Tai kas?
-
19:17 - 19:19Kompiuteriai jau dabar daro dalykus,
-
19:19 - 19:22kuriems žmonės skiria daugiausia
savo apmokamo laiko, -
19:22 - 19:24dabar pats laikas pradėti mąstyti
-
19:24 - 19:28apie tai, kaip mes pritaikysime savo
socialines ir ekonomines struktūras, -
19:28 - 19:30kad suvoktume šią naują realybę.
-
19:30 - 19:31Dėkoju.
-
19:31 - 19:32(Plojimai.)
- Title:
- Nuostabios ir bauginančios kompiuterių, kurie gali mokytis, pasekmės
- Speaker:
- Jeremy Howard
- Description:
-
Kas nutinka, kai mes išmokome kompiuterį mokytis? Technologas Jeremy Howard dalinasi stebinančiomis naujovėmis greitai tobulėjančioje giliojo mokymosi srityje, technikoje, kuri suteikia kompiuteriams gebėjimą mokytis kinų kalbos, ar pažinti objektus nuotraukose, ar padėti nustatyti medicininę diagnozę (vienas gilaus mokymosi įrankis, po ilgų valandų žiūrint „YouTube“, išmokė save „kačių“ koncepcijos). Būkite įtraukti į sritį, kuri pakeis, kaip kompiuteriai šalia mūsų elgsis... greičiau, nei galite pagalvoti.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Andrius Družinis-Vitkus approved Lithuanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Andrius Družinis-Vitkus edited Lithuanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Andrius Družinis-Vitkus edited Lithuanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Andrius Družinis-Vitkus edited Lithuanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Monika Ciurlionyte accepted Lithuanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sigita Šimkutė-Macanko edited Lithuanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sigita Šimkutė-Macanko edited Lithuanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Monika Ciurlionyte edited Lithuanian subtitles for The wonderful and terrifying implications of computers that can learn |