Dutch subtitles

← De wonderbaarlijke en schrikwekkende implicaties van computers die kunnen leren | Jeremy Howard | TEDxBrussels

Get Embed Code
30 Languages

Showing Revision 21 created 06/05/2016 by Peter van de Ven.

  1. Als je vroeger een computer
    iets nieuws wilde laten doen,
  2. moest je hem programmeren.
  3. Voor wie het nooit zelf heeft gedaan:
  4. programmeren vereist
    dat je tot in het allerpijnlijkste detail
  5. elke stap uitschrijft
    van wat je wil dat de computer doet
  6. om je doel te bereiken.
  7. Als je iets wil doen, waarvan je
    zelf niet weet hoe je het moet doen,
  8. dan is dit een grote uitdaging.
  9. Dat was de uitdaging
    voor deze man, Arthur Samuel.
  10. In 1956 wilde hij
    deze computer zover krijgen
  11. dat hij Samuel zelf kon verslaan
    bij het dammen.
  12. Hoe schrijf je een programma
  13. dat tot in het allerpijnlijkste detail,
    beter is in dammen dan je zelf bent?
  14. Hij kwam met een idee:
  15. hij liet de computer duizenden keren
    tegen zichzelf spelen
  16. en daarbij leren hoe te dammen.
  17. Het werkte en in 1962 versloeg
  18. deze computer de kampioen
    van de staat Connecticut.
  19. Zo werd Arthur Samuel
    de vader van het ‘machinaal leren’.
  20. Ik heb veel aan hem te danken,
  21. want ik doe aan machinaal leren.
  22. Ik was voorzitter van Kaggle,
  23. een gemeenschap van meer dan
    200.000 machinaal-lerenbeoefenaars.
  24. Kaggle organiseert wedstrijden
  25. om eerder onopgeloste problemen
    op te lossen.
  26. Dat lukte al honderden keren.
  27. Daardoor kon ik heel wat te weten komen
  28. over wat machinaal leren kon doen
    in het verleden, vandaag,
  29. en wat het zou kunnen doen in de toekomst.
  30. Misschien is Google het eerste grote
    commerciële succes van machinaal leren.
  31. Google liet zien dat het mogelijk is
    om informatie te vinden
  32. met een computeralgoritme.
  33. Dit algoritme is gebaseerd
    op machinaal leren.
  34. Sinds die tijd heeft machinaal leren
    heel wat commerciële successen geboekt.
  35. Bedrijven als Amazon en Netflix
    gebruiken machinaal leren
  36. om producten te suggereren
    die je misschien wilt kopen,
  37. of films om naar te kijken.
  38. Soms is het bijna griezelig.
  39. Bedrijven zoals LinkedIn en Facebook
  40. kunnen je soms vertellen
    wie je vrienden zouden kunnen zijn
  41. en je hebt geen idee
    hoe dat in zijn werk ging.
  42. Dat is de kracht van machinaal leren.
  43. Deze algoritmen hebben dit
    uit gegevens geleerd te doen
  44. in plaats van door manueel programmeren.
  45. Daarom ook kon Watson van IBM
  46. de twee wereldkampioenen
    bij "Jeopardy" verslaan
  47. door heel subtiele en complexe vragen
    als deze te beantwoorden.
  48. ["O.a. de oude 'Leeuw van Nimrod' verdween
    hier in 2003 uit het nationaal museum."]
  49. Ook daarom kunnen we nu
    de eerste zelfsturende auto's zien.
  50. Het verschil zien tussen
    een boom en een voetganger
  51. is dan nogal belangrijk.
  52. We weten niet hoe we zulke programma's
    handmatig moeten schrijven,
  53. maar met machinaal leren kan het.
  54. Deze auto heeft er al meer
    dan een miljoen kilometer opzitten
  55. zonder ongevallen en op gewone wegen.
  56. We weten nu dat computers kunnen leren,
  57. en computers dingen kunnen leren doen
  58. waarvan we eigenlijk soms niet weten
    hoe we ze zelf moeten doen,
  59. of kunnen ze misschien beter doen dan wij.
  60. Een van de meest
    verbazingwekkende voorbeelden
  61. van machinaal leren die ik heb gezien,
  62. zag ik op een project
    dat ik op Kaggle leidde.
  63. Een team geleid door Geoffrey Hinton
    van de Universiteit van Toronto
  64. won een wedstrijd in het geautomatiseerd
    ontdekken van geneesmiddelen.
  65. Het was al buitengewoon
    dat ze alle algoritmen van Merck
  66. en de internationale
    academische gemeenschap versloegen,
  67. maar daarbij had niemand in het team
    een achtergrond
  68. in scheikunde, biologie
    of levenswetenschappen,
  69. en ze deden het in twee weken.
  70. Hoe deden ze het?
  71. Ze gebruikten een buitengewoon algoritme:
    ‘deep learning’.
  72. Zo belangrijk was dat,
    dat het een paar weken later
  73. in The New York Times
    als voorpagina-artikel verscheen.
  74. Dit is Geoffrey Hinton hier links.
  75. Deep learning is een algoritme
    geïnspireerd op het menselijk brein.
  76. Daardoor is het een algoritme
  77. zonder theoretische beperkingen
    op wat het kan doen.
  78. Hoe meer gegevens
    en rekentijd je het geeft,
  79. hoe beter het wordt.
  80. De New York Times toonde
    in dit artikel ook
  81. een ander uitzonderlijk resultaat
    van deep learning.
  82. Ik ga het je nu laten zien.
  83. Het toont aan dat computers
    kunnen luisteren en begrijpen.
  84. (Video) Richard Rashid:
    De laatste stap
  85. die ik in dit proces wil kunnen zetten,
  86. is om je daadwerkelijk
    in het Chinees aan te spreken.
  87. Het belangrijkste is
  88. dat we een grote hoeveelheid informatie
    van vele Chinese sprekers konden vergaren
  89. en een tekst-naar-spraaksysteem produceren
  90. dat Chinese tekst
    omzet naar Chinese spreektaal.
  91. Daarna hebben we een paar uren
    mijn eigen stem opgenomen
  92. en ze gebruikt om het standaard
    tekst-naar-spraak systeem te moduleren
  93. zodat het zou klinken zoals ik.
  94. Het resultaat is niet perfect.
  95. Er zitten nogal wat fouten in.
  96. (In het Chinees)
  97. (Applaus)
  98. Er is nog veel werk te doen
    op dit gebied.
  99. (In het Chinees)
  100. (Applaus)
  101. Jeremy Howard: Dat was op een conferentie
    over machinaal leren in China.
  102. Op wetenschappelijke congressen
  103. hoor je niet vaak spontaan applaus,
  104. maar natuurlijk wel eens
    bij TEDx conferenties, het mag.
  105. Alles wat je zag,
    gebeurde met deep learning.
  106. (Applaus)
    Dank je.
  107. De transcriptie in het Engels
    was deep learning.
  108. Ook de vertaling naar Chinees en de tekst
    in de rechterbovenhoek is deep learning.
  109. De constructie van de stem,
    weer deep learning.
  110. Deep learning is buitengewoon.
  111. Een enkel algoritme
    lijkt bijna alles te kunnen.
  112. Een jaar eerder ontdekte ik
    dat het systeem ook had leren zien.
  113. Bij een minder bekende
    wedstrijd in Duitsland,
  114. de German Traffic Sign
    Recognition Benchmark,
  115. heeft deep learning verkeersborden
    zoals deze leren herkennen.
  116. Niet alleen kan het verkeersborden
    beter dan enig ander algoritme herkennen,
  117. het scorebord liet zien dat het ook
    ongeveer twee keer beter was dan mensen.
  118. In 2011 hadden we dus het eerste voorbeeld
  119. van computers die beter
    kunnen zien dan mensen.
  120. Sinds die tijd is er veel gebeurd.
  121. In 2012 kondigde Google aan
    dat ze een deep learning-algoritme
  122. YouTube-video’s lieten bekijken.
  123. Het verwerkte een maand lang
    de gegevens op 16.000 computers,
  124. en de computer leerde zelfstandig
    over begrippen als mensen en katten
  125. gewoon door naar de video's te kijken.
  126. Net als de manier waarop mensen leren.
  127. Mensen leren niet doordat hen
    wordt verteld wat ze zien,
  128. maar door zichzelf
    deze dingen te leren.
  129. Ook in 2012, won Geoffrey Hinton,
    die we eerder zagen,
  130. de zeer populaire ImageNet-wedstrijd,
  131. door te kijken naar anderhalf miljoen
    afbeeldingen om erachter te komen
  132. wat ze voorstelden.
  133. Vanaf 2014 zitten we op
    een zes procent foutenpercentage
  134. bij beeldherkenning.
  135. Dit is alweer beter dan mensen.
  136. Machines kunnen dit buitengewoon goed
  137. en het wordt nu gebruikt in de industrie.
  138. Vorig jaar kondigde
    Google bijvoorbeeld aan
  139. dat ze elke locatie in Frankrijk
    in twee uur tijd in kaart hadden gebracht,
  140. door Street View-beelden
  141. met een deep learning-algoritme te herkennen
    en de huisnummers te lezen.
  142. Stel je voor hoe lang het
    anders zou hebben geduurd:
  143. tientallen mensen, vele jaren.
  144. Dit gebeurt ook in China.
  145. Baidu is een soort Chinese Google,
    denk ik,
  146. en wat je hier ziet
    in de linkerbovenhoek,
  147. is een voorbeeld van een foto
    die ik heb geüpload
  148. naar Baidu’s deep learning-systeem.
  149. Daaronder kun je zien dat het systeem
    heeft begrepen wat dat beeld is
  150. en gelijkaardige beelden vond.
  151. De gelijkaardige beelden
    hebben gelijkaardige achtergronden,
  152. dezelfde richtingen van gezichten,
  153. sommige zelfs met hun tong uit.
  154. Dit is niet zomaar wat kijken
    naar de tekst van een webpagina.
  155. Alles wat ik uploadde, waren beelden.
  156. Dus hebben we nu computers
    die echt begrijpen wat ze zien
  157. en derhalve databases
  158. van honderden miljoenen beelden
    in real time doorzoeken.
  159. Wat betekent het nu
    dat computers kunnen zien?
  160. Computers kunnen niet alleen maar zien.
  161. Deep learning doet meer.
  162. Complexe, genuanceerde zinnen zoals deze
  163. zijn nu begrijpelijk
    met deep learning-algoritmen.
  164. Zoals je hier kunt zien,
  165. heeft dit systeem van Stanford
    met de rode stip bovenaan
  166. uitgeknobbeld dat deze zin
    een negatief sentiment weergeeft.
  167. Deep learning komt in de buurt
    van menselijke prestaties
  168. bij het begrijpen waar zinnen over gaan
    en wat ze zeggen over die dingen.
  169. Ook is deep learning gebruikt
    om Chinees te lezen,
  170. weer op ongeveer het niveau
    van Chinese moedertaalsprekers.
  171. Dit algoritme werd
    in Zwitserland ontwikkeld
  172. alweer door mensen die geen
    Chinees spreken of begrijpen.
  173. Zoals ik al zei, deep learning
  174. is zowat het beste systeem
    ter wereld hiervoor,
  175. zelfs in vergelijking
    met autochtoon menselijk begrijpen.
  176. Het is een systeem dat we
    op mijn bedrijf hebben ontwikkeld
  177. door dit allemaal te combineren.
  178. Dit zijn foto’s
    zonder bijhorende tekst,
  179. en terwijl ik hier zinnen typ,
  180. begrijpt het deze foto’s in real time,
  181. zoekt uit waarover ze gaan
  182. en vindt foto’s die lijken op
    de tekst die ik schrijf.
  183. Zoals jullie kunnen zien, begrijpt het
    mijn zinnen en deze foto's echt.
  184. Dit heb je vast al gezien op Google,
  185. waar je woorden kunt intypen
    en het je afbeeldingen toont,
  186. maar eigenlijk doorzoekt het
    de webpagina op tekst.
  187. Dat is heel wat anders dan
    werkelijk begrijpen van de afbeeldingen.
  188. Dit kunnen computers alleen nog maar
  189. sinds de laatste paar maanden.
  190. Computers kunnen dus niet alleen zien,
    maar ook lezen,
  191. en, zoals we hebben aangetoond,
    ook begrijpen wat ze horen.
  192. Misschien niet zo verwonderlijk
    dat ik je vertel dat ze kunnen schrijven.
  193. Deze tekst genereerde ik gisteren
    met een deep learning-algoritme.
  194. En hier een stukje tekst dat
    een algoritme van Stanford genereerde.
  195. Elk van deze zinnen werd gegenereerd
  196. door een deep learning-algoritme
    om elk van deze foto's te beschrijven.
  197. Dit algoritme had nog nooit een man
    in een zwart shirt gitaar zien spelen.
  198. Het had al apart een man, zwart
  199. en een gitaar gezien,
  200. maar genereerde onafhankelijk
    de nieuwe beschrijving van dit beeld.
  201. We zijn nog niet zover
    als menselijke prestaties,
  202. maar we komen in de buurt.
  203. Bij tests geven mensen
    één op de vier keer de voorkeur
  204. aan het bijschrift van de computer.
  205. Dit systeem is nog maar twee weken oud,
  206. dus waarschijnlijk
    zal in de loop van volgend jaar,
  207. het computer-algoritme
    het beter doen dan mensen.
  208. Computers kunnen dus ook schrijven.
  209. Dit alles tezamen leidt
    tot zeer interessante mogelijkheden.
  210. In de geneeskunde heeft
    een team in Boston aangekondigd
  211. tientallen nieuwe klinisch relevante
    eigenschappen van tumoren
  212. te hebben ontdekt, wat artsen helpt bij
    het maken van prognoses voor kanker.
  213. Ook in Stanford maakte een groep bekend
  214. dat ze, kijkend
    naar weefsels onder vergroting,
  215. een op machinaal-leren gebaseerd
    systeem hebben ontwikkeld
  216. dat beter was dan menselijke pathologen
  217. in het voorspellen van overlevingskansen
    voor kankerpatiënten.
  218. In beide gevallen werden niet alleen
    de voorspellingen nauwkeuriger,
  219. maar ze genereerden
    nieuwe inzichtelijke wetenschap.
  220. Bij de radiologie
  221. waren dat nieuwe klinische indicatoren
    die mensen kunnen begrijpen.
  222. Bij de pathologie
  223. ontdekte het computersysteem
    dat de cellen rond de kanker
  224. even belangrijk zijn
    als de kankercellen zelf
  225. bij het maken van een diagnose.
  226. Dit is het tegenovergestelde van wat
    pathologen decennialang hadden geleerd.
  227. In beide gevallen
    werden systemen ontwikkeld
  228. door een combinatie van medische experts
    en machinaal-lerenexperts,
  229. maar dat was vorig jaar,
    nu staan we verder.
  230. Dit is een voorbeeld van identificatie
    van carcinomateuze gebieden
  231. van menselijk weefsel
    onder een microscoop.
  232. Het systeem dat hier wordt getoond,
  233. kan deze doelgebieden
    preciezer identificeren
  234. of ongeveer net zo precies
    als menselijke pathologen, maar werd
  235. geheel ontwikkeld met deep learning
    zonder medische expertise
  236. door mensen zonder achtergrond
    op dat gebied.
  237. Evenzo bij deze neuronen-segmentatie.
  238. We kunnen nu neuronen ongeveer
  239. net zo nauwkeurig onderscheiden
    als mensen het kunnen,
  240. maar dit systeem
    is ontwikkeld met deep learning
  241. met mensen zonder eerdere
    achtergrond in de geneeskunde.
  242. Ikzelf, als iemand zonder eerdere
    achtergrond in de geneeskunde,
  243. lijk helemaal gekwalificeerd te zijn om
    een nieuw medisch bedrijf op te starten,
  244. wat ik dan ook deed.
  245. Ik was doodsbang om het te doen,
  246. maar de theorie leek te suggereren
    dat het mogelijk moet zijn
  247. om aan zeer bruikbare geneeskunde te doen
    met deze data-analyse technieken.
  248. Gelukkig is de feedback
    fantastisch geweest.
  249. Niet alleen van de media
  250. maar ook van de medische gemeenschap,
    die zeer positief reageerde.
  251. De theorie is dat wij het middelste deel
    van het medische proces kunnen overnemen
  252. en dat zoveel mogelijk
    in gegevensanalyse omzetten
  253. om artsen dat te laten doen
    waarin ze uitblinken.
  254. Ik geef een voorbeeld.
  255. Het kost ons nu ongeveer 15 minuten
  256. om een nieuwe medische diagnostische
    test te genereren.
  257. Ik toon het in real-time,
  258. maar comprimeerde het tot drie minuten
    door wat weg te laten.
  259. In plaats van het creëren van
    een medisch-diagnostische test te tonen,
  260. toon ik een diagnostische test
    van afbeeldingen van auto's,
  261. want dat begrijpen we allemaal.
  262. We beginnen hier met ongeveer
    1,5 miljoen afbeeldingen van auto's,
  263. en ik wil iets maken
    dat hen kan sorteren
  264. volgens de hoek
    vanwaar de foto werd genomen.
  265. Deze beelden zijn ongelabeld,
    dus moet ik beginnen vanaf nul.
  266. Met ons deep learning-algoritme
  267. kan het automatisch structuurdelen
    identificeren in deze beelden.
  268. Het leuke is dat mens en computer
    nu kunnen samenwerken.
  269. De mens zoals hier te zien,
  270. wijst de computer op aandachtsgebieden
  271. waarvan hij wil dat de computer ze
    gebruikt om het algoritme te verbeteren.
  272. Deze deep learning-systemen zijn in feite
    in een 16.000-dimensionale ruimte.
  273. Je kunt de computer dit
    in die ruimte zien draaien,
  274. om nieuwe structuurgebieden te vinden.
  275. Als dat lukt,
  276. kan de mens dan wijzen
    op gebieden die interessant zijn.
  277. Hier heeft de computer
    goede gebieden gevonden,
  278. bijvoorbeeld hoeken.
  279. Bij het doorlopen van dit proces,
  280. vertellen we de computer
    geleidelijk aan meer en meer
  281. over de soorten structuren
    die we zoeken.
  282. Je kunt je voorstellen
    dat in een diagnostische test
  283. een patholoog zieke gebieden
    gaat identificeren
  284. of een radioloog potentieel
    gevaarlijke knobbeltjes aanwijst.
  285. Soms wordt het moeilijk
    voor het algoritme.
  286. Hier raakte het in de war.
  287. De voor- en achterkanten van de auto's
    worden door elkaar gehaald.
  288. Dus moeten we hier wat preciezer zijn,
  289. voor- en achterkanten handmatig selecteren
  290. en de computer vertellen
  291. dat dit een soort groep is
    waarin we geïnteresseerd zijn.
  292. Dat doen we even,
    we slaan even wat over,
  293. en trainen daarmee
    het machinaal-lerenalgoritme
  294. op basis van die paar honderd dingen,
  295. en hopen dat het dan veel beter gaat.
  296. Jullie zien, hij begint nu
    sommige van deze foto’s te vervagen,
  297. en laat daarmee zien dat het
    sommige ervan zelf begint te begrijpen.
  298. We kunnen dan gebruik maken
    van het concept van soortgelijke foto's,
  299. daarmee kun je nu zien
  300. dat de computer in staat is om alleen
    de voorkanten van auto’s te vinden.
  301. Nu kan de mens de computer vertellen:
  302. “Oké, dat heb je goed gedaan.”
  303. Maar zelfs op dit punt
  304. is het soms nog steeds moeilijk
    groepen te scheiden.
  305. Zelfs na de computer
    dit een tijdje te laten roteren,
  306. zien we nog steeds dat foto’s
    van de linker- en de rechterzijde
  307. door elkaar worden gehaald.
  308. We kunnen dan de computer
    weer enkele tips geven,
  309. en zeggen dat hij een projectie
    moet zoeken
  310. die de linker- en rechterkant
    zoveel mogelijk scheidt
  311. door middel van
    een deep learning-algoritme.
  312. En met die hint –
    ah, oké, het is gelukt.
  313. Hij vond een manier
    van denken over deze objecten
  314. dat ze van elkaar scheidde.
  315. Je ziet het idee erachter.
  316. Hier werd de mens
    niet vervangen door een computer,
  317. maar ze werkten samen.
  318. Dit zou een team van vijf of zes personen
    zeven jaar hebben gekost.
  319. Dit duurt 15 minuten
  320. voor één enkele persoon.
  321. Dit proces neemt ongeveer
    vier of vijf iteraties in beslag.
  322. Je kunt zien dat we nu 62%
  323. van onze 1,5 miljoen beelden
    correct hebben geclassificeerd.
  324. Vanaf nu kunnen we vrij snel
    heel grote secties aanpakken
  325. en controleren of er
    geen fouten werden gemaakt.
  326. Waar fouten zijn,
    kunnen we de computer daarop wijzen.
  327. Met dit soort proces voor elk
    van de verschillende groepen,
  328. hebben we nu een 80% kans op succes
  329. bij het sorteren
    van de 1,5 miljoen afbeeldingen.
  330. Dan is het nog zaak
  331. het kleine aantal te vinden
    dat niet correct werd ingedeeld
  332. en proberen te begrijpen waarom.
  333. Met behulp van die aanpak
  334. krijgen we op 15 minuten
    tot 97% juiste classificatie.
  335. Dit soort techniek stelt ons in staat
    een groot probleem op te lossen,
  336. namelijk het gebrek
    aan medische expertise in de wereld.
  337. Het Wereld Economisch Forum zegt
    dat er tussen de 10 en 20 keer
  338. te weinig artsen zijn
    in de derde wereld.
  339. Het zou ongeveer 300 jaar duren
  340. om voldoende mensen op te leiden
    om dat probleem op te lossen.
  341. Stel dat we hun efficiëntie
    kunnen verbeteren
  342. met behulp van deep learning?
  343. Ik ben erg enthousiast
    over de mogelijkheden.
  344. Maar ik zie ook problemen.
  345. Het probleem hier is dat
    elk gebied in het blauw op deze kaart
  346. ergens is waar de dienstensector instaat
    voor meer dan 80% van de werkgelegenheid.
  347. Wat zijn diensten?
  348. Dit zijn diensten.
  349. Dit zijn ook exact die dingen
    die computers net hebben leren doen.
  350. Dus 80% van de werkgelegenheid
    in de ontwikkelde wereld
  351. zijn zaken die computers
    net hebben leren doen.
  352. Wat betekent dat?
  353. Het komt wel goed.
  354. Er komen wel andere banen.
  355. Bijvoorbeeld meer banen
    voor datawetenschappers.
  356. Nou, niet echt. Datawetenschappers
    kunnen deze dingen heel snel ontwikkelen.
  357. Zo werden deze vier algoritmes
    alle ontwikkeld door dezelfde man.
  358. Als je denkt: “Ach, het is allemaal
    al eerder gebeurd,
  359. we zagen wat er vroeger gebeurde
    als er nieuwe dingen kwamen,
  360. ze worden vervangen door nieuwe banen.”
  361. Maar wat zullen deze nieuwe banen zijn?
  362. Moeilijk in te schatten,
  363. omdat menselijk kunnen
    met dit geleidelijke tempo groeit,
  364. maar we hebben nu
    een deep learning-systeem
  365. dat eigenlijk exponentieel
    in mogelijkheden toeneemt.
  366. Hier zijn we.
  367. We kijken naar wat we hebben
  368. en zeggen: "Ach, computers zijn
    nog steeds behoorlijk dom." Ja?
  369. Maar in vijf jaar tijd zullen computers
    buiten deze grafiek vallen.
  370. Daar moeten we nu al beginnen
    over na te denken.
  371. Hebben we dit niet
    al eerder zien gebeuren?
  372. In de Industriële Revolutie
  373. deden we een grote stap
    in mogelijkheden dankzij machines.
  374. Maar na een tijdje vlakte het wat af.
  375. Er was maatschappelijke ontwrichting,
  376. maar zodra machines in alle situaties
    voor energie gingen zorgen,
  377. kalmeerde het weer.
  378. De Machinaal-Leren Revolutie
  379. zal heel wat anders zijn
    dan de Industriële Revolutie,
  380. omdat de Machinaal-Leren Revolutie
    nooit gaat stoppen.
  381. Hoe beter computers worden
    in intellectuele activiteiten,
  382. hoe meer ze betere computers kunnen bouwen
    om intellectuele vermogens te verbeteren.
  383. Dit gaat om een soort verandering
  384. die de wereld nog nooit
    eerder heeft meegemaakt.
  385. Je vorige idee van wat mogelijk is,
    schiet tekort.
  386. Dit beïnvloedt ons nu al.
  387. Terwijl in de afgelopen 25 jaar
    de kapitaalproductiviteit toenam,
  388. ging het voor de arbeidsproductiviteit
    zelfs een beetje omlaag.
  389. Ik zou deze discussie
    nu willen opstarten.
  390. Ik weet dat wanneer ik
    mensen hierover vertel,
  391. ze vaak heel afwijzend zijn:
  392. "Computers kunnen toch niet echt denken,
  393. voelen, poëzie begrijpen.
  394. We begrijpen niet echt hoe ze werken."
  395. Dus?
  396. Computers kunnen nu dingen doen
  397. waarvoor mensen al hun hele leven
    betaald werden,
  398. dus is het nu tijd om te gaan nadenken
  399. hoe we onze sociale
    en economische structuren gaan aanpassen
  400. en ons bewust worden
    van deze nieuwe realiteit.
  401. Bedankt.
  402. (Applaus)