Implicațiile minunate și îngrozitoare ale calculatoarelor care pot învăța
-
0:01 - 0:07Altădată, dacă voiai ca un computer
să facă ceva nou, trebuia să-l programezi. -
0:07 - 0:10Pentru cei care nu aveți experiența asta,
-
0:10 - 0:13programarea presupune să stabilești
în cele mai mici detalii -
0:13 - 0:17fiecare pas pe care
i-l ceri calculatorului -
0:17 - 0:19pentru a obține ce dorești.
-
0:20 - 0:25Dacă vrei să faci ceva ce n-ai putea face
tu însuți, atunci îți va fi foarte greu. -
0:25 - 0:28Foarte greu i-a fost și unui anumit
Arthur Samuel. -
0:28 - 0:34În 1956 dorea să programeze
un calculator care să-l învingă la dame. -
0:34 - 0:38Cum faci să programezi calculatorul
în cele mai mici detalii -
0:38 - 0:41încât să joace dame mai bine decât tine?
-
0:41 - 0:42I-a venit o idee:
-
0:42 - 0:46a pus calculatorul să joace
cu el însuși de mii de ori -
0:46 - 0:49ca să învețe să joace dame.
-
0:49 - 0:50Ideea a mers.
-
0:50 - 0:55În 1962 calculatorul acesta l-a învins pe
campionul statului Connecticut. -
0:55 - 0:58Arthur Samuel a fost părintele
învățării automate. -
0:58 - 1:03Eu îi sunt recunoscător pentru că și eu
mă ocup cu învățarea automată. -
1:03 - 1:04Am fost președinte la Kaggle,
-
1:04 - 1:08o comunitate cu peste 200 000
de practicanți ai învățării automate. -
1:08 - 1:14Kaggle organizează competiții pentru
rezolvarea problemelor încă nerezolvate. -
1:14 - 1:17Și a avut sute de reușite.
-
1:18 - 1:20Din poziția mea avantajoasă am aflat
-
1:20 - 1:24ce putea face învățarea automată
în trecut, ce poate face azi -
1:24 - 1:26și ce ar putea face în viitor.
-
1:26 - 1:31Probabil primul mare succes
al învățării automate a fost Google. -
1:31 - 1:34Google a demonstrat
că poți găsi informații -
1:34 - 1:39folosind un algoritm computerizat
bazat pe învățarea automată. -
1:39 - 1:42De atunci s-au înregistrat numeroase
succese comerciale în domeniu. -
1:42 - 1:46Companii ca Amazon și Netflix
folosesc învățarea automată -
1:46 - 1:48pentru a vă sugera
ce ați vrea să cumpărați, -
1:48 - 1:50ce filme ați vrea să vedeți.
-
1:50 - 1:52Uneori aproape că te sperie:
-
1:52 - 1:56de exemplu LinkedIn și Facebook
îți spun cine ți-ar putea fi prieten -
1:56 - 1:58și habar n-ai cum au procedat.
-
1:58 - 2:01Se folosește puterea învățării automate.
-
2:01 - 2:07Sunt algoritmi care învață din date,
fără să fie programați manual. -
2:08 - 2:10Tot așa a avut succes și IBM
-
2:10 - 2:14cu Watson, care a învins
cei doi campioni mondiali la „Jeopardy”, -
2:14 - 2:17răspunzând la întrebări
incredibil de subtile și complexe ca: -
2:17 - 2:20[Anticul „Leu din Nimrud” a dispărut
din muzeul național al acestui oraș în 2003
(împreună cu multe altele).] -
2:20 - 2:23Tot astfel azi avem primele mașini
care se conduc singure. -
2:23 - 2:29A face diferența între un copac
și un pieton, de exemplu, e important. -
2:29 - 2:31Nu știm să scriem de mână
astfel de programe, -
2:31 - 2:34dar prin învățare automată acum e posibil.
-
2:34 - 2:39Mașina aceasta a mers peste 1 milion de km
fără accidente, pe șosele obișnuite. -
2:41 - 2:44Acum știm: calculatoarele pot învăța,
-
2:44 - 2:46ba chiar pot învăța să facă lucruri
-
2:46 - 2:49pe care uneori nici noi
nu știm să le facem -
2:49 - 2:52sau poate le fac mai bine decât noi.
-
2:52 - 2:56Unul din cele mai uimitoare exemple
de învățare automată din câte am văzut -
2:56 - 2:59a fost într-un proiect
al meu de la Kaggle, -
2:59 - 3:04în care echipa lui Geoffrey Hinton
de la Universitatea din Toronto -
3:04 - 3:06a câștigat un concurs
de descoperire automată a drogurilor. -
3:06 - 3:09Extraordinar a fost nu că au surclasat
-
3:09 - 3:13toți algoritmii dezvoltați de Merck
sau de comunitatea academică, -
3:13 - 3:18ci faptul că nimeni din echipă nu avea
pregătire în chimie sau biologie -
3:18 - 3:20și au reușit în două săptămâni.
-
3:20 - 3:22Cum au reușit?
-
3:22 - 3:25Au folosit un algoritm numit
învățare profundă. -
3:25 - 3:27Succesul lor a fost atât de important
-
3:27 - 3:32încât a apărut pe prima pagină
a New York Times după câteva săptămâni. -
3:32 - 3:34Iată-l pe Geoffrey Hinton aici în stânga.
-
3:34 - 3:38Învățarea profundă e un algoritm
inspirat din funcționarea creierului -
3:38 - 3:44și astfel, teoretic, e un algoritm
fără limitări în ceea ce poate face. -
3:44 - 3:49Cu cât îi dai mai multe date
și timp de calcul, cu atât devine mai bun. -
3:49 - 3:53New York Times a prezentat în articol
încă un rezultat al învățării profunde, -
3:53 - 3:55pe care vi-l arăt acum.
-
3:56 - 4:00Demonstrează că computerele
pot asculta și înțelege. -
4:02 - 4:07(Video) Richard Rashid:
Ultimul pas pe care vreau să-l pot face -
4:07 - 4:10e să vorbesc cu voi în chineză.
-
4:12 - 4:19Ideea de bază e că am stocat informații
de la mulți vorbitori de chineză -
4:19 - 4:21și am realizat un sistem de sinteză vocală
-
4:21 - 4:26care convertește textul chinezesc
în chineza vorbită. -
4:27 - 4:30Apoi am folosit o probă
de circa o oră cu vocea mea -
4:30 - 4:36pentru a modula sistemul standard
încât să sune ca vocea mea. -
4:37 - 4:40Repet, rezultatul nu e perfect.
-
4:40 - 4:42Există multe erori.
-
4:42 - 4:45(În chineză)
-
4:45 - 4:49(Aplauze)
-
4:49 - 4:52Mai sunt multe de făcut aici.
-
4:54 - 4:57(În chineză)
-
4:57 - 5:01(Aplauze)
-
5:01 - 5:05Jeremy Howard: Asta a fost o conferință
de învățare automată din China. -
5:05 - 5:09La conferințele științifice
rareori se aud aplauze spontane. -
5:09 - 5:12Dar la conferințele TEDx
faceți cum doriți. -
5:13 - 5:15Tot ce ați văzut se bazează
pe învățarea profundă. -
5:15 - 5:17(Aplauze)
Mulțumesc. -
5:17 - 5:19Transcrierea în engleză
era cu învățare profundă. -
5:19 - 5:22La fel și traducerea în chineză
și textul din dreapta sus. -
5:22 - 5:26Sinteza vocii – tot învățare profundă.
-
5:27 - 5:29Învățarea profundă e extraordinară.
-
5:29 - 5:32E un singur algoritm,
care pare să poată face orice. -
5:32 - 5:36Am aflat că înainte cu un an
învățase și să vadă. -
5:36 - 5:40Într-o competiție obscură din Germania
de recunoaștere a indicatoarelor rutiere, -
5:40 - 5:44a învățat să recunoască
indicatoare rutiere precum acesta. -
5:44 - 5:47A recunoscut indicatoarele
mai bine decât orice alt algoritm -
5:47 - 5:52și conform clasamentului chiar mai bine
decât oamenii, de vreo două ori mai bine. -
5:52 - 5:57Deci până în 2011 a apărut primul
calculator care vede mai bine ca oamenii. -
5:58 - 5:59De atunci s-au întâmplat multe.
-
5:59 - 6:04În 2012 Google a anunțat că a pus
un algoritm să se uite pe YouTube -
6:04 - 6:08și să ronțăie datele cu 16000
de calculatoare timp de o lună, -
6:08 - 6:12învățând singur despre concepte
ca oamenii și pisicile -
6:12 - 6:14doar privind videoclipuri.
-
6:14 - 6:16Tot cam așa învață și omul.
-
6:16 - 6:19Oamenii nu învață
din explicații despre ce văd, -
6:19 - 6:22ci din propria experiență cu lucrurile.
-
6:23 - 6:26În 2012, Geoffrey Hinton, cel de adineauri
-
6:26 - 6:29a câștigat celebra competiție ImageNet,
-
6:29 - 6:34încercând să-și dea seama ce reprezintă
1,5 milioane de imagini. -
6:34 - 6:39În 2014 eroarea de recunoaștere
a imaginilor a scăzut la 6%. -
6:39 - 6:41Din nou mai bine ca oamenii.
-
6:42 - 6:45Mașinile se descurcă extraordinar de bine,
-
6:45 - 6:47iar acum sunt folosite în industrie.
-
6:47 - 6:50De exemplu, Google a anunțat anul trecut
-
6:50 - 6:55că a cartografiat toate locurile
din Franța în două ore. -
6:55 - 6:59Au făcut asta încărcând
imagini ale străzilor -
6:59 - 7:03într-un algoritm de învățare profundă
care citește numărul străzii. -
7:03 - 7:05Imaginați-vă cât ar fi durat altădată:
-
7:05 - 7:08zeci de oameni, mulți ani.
-
7:09 - 7:10Asta se întâmplă și în China.
-
7:10 - 7:15Baidu este ca un fel de Google, cred.
-
7:15 - 7:21Aici în stânga sus vedeți o poză
încărcată de mine în acest sistem, -
7:21 - 7:24iar jos vedeți că sistemul a
înțeles ce reprezintă poza -
7:24 - 7:27și a găsit imagini similare.
-
7:27 - 7:29Acestea au un fundal asemănător,
-
7:29 - 7:31direcții similare ale fețelor,
-
7:31 - 7:33unele chiar cu limba afară.
-
7:33 - 7:36Nu e ca și cum ai vedea
textul unei pagini de internet. -
7:36 - 7:37Am încărcat doar o imagine.
-
7:37 - 7:41Avem acum calculatoare
care înțeleg ce văd -
7:41 - 7:43și astfel pot căuta în baze de date
-
7:43 - 7:46cu sute de milioane de imagini
în timp real. -
7:46 - 7:49Ce înseamnă faptul că văd?
-
7:50 - 7:51Și nu numai că văd.
-
7:51 - 7:54Învățarea profundă a ajuns mai departe.
-
7:54 - 7:57Propoziții complexe și nuanțate ca aceasta
-
7:57 - 8:00sunt inteligibile prin algoritmi
de învățare profundă. -
8:00 - 8:04Aici vedeți cum un sistem de la Stanford
arată prin bulina roșie de sus -
8:04 - 8:08că a înțeles conotația negativă
a acestei propoziții. -
8:08 - 8:10Învățarea profundă are acum
performanțe aproape umane -
8:10 - 8:15în a înțelege despre ce e propoziția
și ce comunică ea. -
8:17 - 8:19Învățarea profundă se folosește
la a citi în chineză -
8:19 - 8:22aproape de nivelul de vorbitor nativ.
-
8:22 - 8:24Algoritmul a fost dezvoltat în Elveția
-
8:24 - 8:27de oameni care nu vorbesc
și nu înțeleg deloc chineză. -
8:28 - 8:33Învățarea profundă e cea mai bună
soluție din lume pentru așa ceva, -
8:33 - 8:36chiar și față de
înțelegerea umană naturală. -
8:37 - 8:40Iată un sistem pus la punct
de compania mea, -
8:40 - 8:42care combină toate acestea.
-
8:42 - 8:44Aceste imagini nu sunt însoțite de text
-
8:44 - 8:47și pe măsură ce tastez propoziții aici
-
8:47 - 8:51înțelege în timp real imaginile,
își dă seama despre ce e vorba -
8:51 - 8:54și găsește imagini similare cu
cele din textul scris de mine. -
8:54 - 8:59După cum vedeți, înțelege
atât propozițiile cât și imaginile. -
9:00 - 9:02Știu că ați văzut ceva similar pe Google:
-
9:02 - 9:05– tastați ceva și vă arată imagini –,
-
9:05 - 9:08dar acolo de fapt caută
pagini de internet după text. -
9:08 - 9:11E cu totul altceva
decât a înțelege imaginile. -
9:11 - 9:15Calculatoarele au învățat să facă asta
abia acum câteva luni. -
9:18 - 9:21Așadar calculatoarele nu doar văd,
ci pot și citi. -
9:21 - 9:24Și desigur am demonstrat
că înțeleg ce aud. -
9:25 - 9:28Atunci nu vă va mira
dacă vă spun că pot să și scrie. -
9:28 - 9:33Iată un text pe care l-am generat ieri
cu un algoritm de învățare profundă. -
9:34 - 9:37Iată și un text generat
de un algoritm de la Stanford. -
9:37 - 9:39Fiecare propoziție a fost generată
-
9:39 - 9:43de un algoritm de învățare profundă
pentru a descrie imaginile. -
9:43 - 9:48Algoritmul nu mai văzuse un bărbat
în cămașă neagră cântând la chitară. -
9:48 - 9:52Mai văzuse un bărbat,
culoarea neagră, o chitară, -
9:52 - 9:56dar a generat singur
o descriere nouă a acestei imagini. -
9:56 - 9:59Încă n-am atins performanța umană,
dar ne apropiem. -
9:59 - 10:03La testare oamenii preferă
descrierile generate de calculator -
10:03 - 10:05cam o dată din patru.
-
10:05 - 10:07Sistemul are abia două săptămâni,
-
10:07 - 10:11deci probabil într-un an algoritmul
va depăși performanța umană -
10:11 - 10:14la cum avansează lucrurile.
-
10:14 - 10:16Deci calculatoarele pot și să scrie.
-
10:16 - 10:20Toate astea la un loc creează
niște șanse fantastice. -
10:20 - 10:24De exemplu, în medicină, o echipă
din Boston a anunțat că a descoperit -
10:24 - 10:27zeci de caracteristici relevante clinic
-
10:27 - 10:31ale tumorilor care ajută doctorii
să prezică apariția cancerului. -
10:32 - 10:34Similar, la Stanford
-
10:34 - 10:38un grup a anunțat că cercetând
la microscop țesuturile -
10:38 - 10:43au realizat un sistem cu învățare automată
care reușește mai bine ca patologii umani -
10:43 - 10:47să prevadă proporția de supraviețuire
a pacienților cu cancer. -
10:47 - 10:51În ambele cazuri previziunile
au fost mai exacte -
10:51 - 10:53și au ajutat și la progresul științific.
-
10:53 - 10:58În cazul radiologiei au apărut
indicatori clinici înțeleși de om. -
10:58 - 11:00În cazul patologiei
-
11:00 - 11:04sistemul computerizat a descoperit
că celulele din jurul cancerului -
11:04 - 11:08sunt la fel de importante
ca cele canceroase -
11:08 - 11:10în stabilirea diagnosticului.
-
11:10 - 11:15Asta infirmă ce spun cursurile
de patologie de multe decenii încoace. -
11:15 - 11:18În ambele cazuri,
sistemele au fost realizate -
11:18 - 11:22de experți în medicină împreună cu
experți în învățare automată, -
11:22 - 11:24dar anul trecut am depășit și acest prag.
-
11:24 - 11:28Iată un exemplu de identificare
a zonelor canceroase -
11:28 - 11:30a țesutului uman la microscop.
-
11:31 - 11:35Sistemul prezentat aici poate identifica
acele zone mai exact -
11:35 - 11:38sau cam la fel de exact ca patologii umani
-
11:38 - 11:41dar a fost realizat prin învățare profundă
fără competențe medicale -
11:41 - 11:44de oameni care nu aveau
pregătire în domeniu. -
11:45 - 11:48La fel, iată segmentarea unui neuron.
-
11:48 - 11:51Acum putem segmenta neuroni
la fel de precis ca oamenii, -
11:51 - 11:56dar sistemul a fost realizat prin învățare
profundă, fără cunoștințe de medicină. -
11:57 - 12:00Atunci eu, deși nu am
pregătire în medicină, -
12:00 - 12:04se pare să sunt calificat
să pornesc o firmă de medicină. -
12:04 - 12:06Ceea ce am și făcut.
-
12:06 - 12:08Mi-a fost puțin frică să fac asta,
-
12:08 - 12:11dar teoria pare să sugereze ca poți
-
12:11 - 12:16să faci ceva foarte util în medicină
folosind doar metode de analiză a datelor. -
12:16 - 12:20Din fericire reacțiile au fost fantastice,
atât din partea presei, -
12:20 - 12:23dar și comunitatea medicală
ne-a sprijinit foarte mult. -
12:23 - 12:27Ideea e că putem să luăm
partea mijlocie a procesului medical -
12:27 - 12:30și s-o transformăm în analiză de date,
pe cât posibil, -
12:30 - 12:33lăsând apoi doctorii să-și facă meseria.
-
12:33 - 12:37Să vă dau un exemplu:
acum ne trebuie 15 minute -
12:37 - 12:40pentru a stabili o analiză nouă
pentru diagnosticul medical. -
12:40 - 12:45O să vă arăt acum, dar l-am redus
la trei minute prin eliminarea unor părți. -
12:45 - 12:49În loc de crearea unei analize
pentru diagnosticul medical, -
12:49 - 12:52o să vă arăt analiza imaginilor de mașini,
-
12:52 - 12:54ca să înțelegem toți.
-
12:54 - 12:58Începem cu circa 1,5 milioane
de imagini de mașini -
12:58 - 13:03și vreau să creez ceva care le clasifică
după unghiul din care au fost pozate. -
13:03 - 13:07Imaginile nu sunt deloc marcate,
trebuie să pornesc de la zero. -
13:07 - 13:12Algoritmul nostru de învățare profundă
găsește automat structurile din imagini. -
13:12 - 13:16Partea bună e că acum oamenii
și calculatoarele pot colabora. -
13:16 - 13:18Aici vedeți cum omul
-
13:18 - 13:21îi arată calculatorului zonele de interes
-
13:21 - 13:25pe care să se bazeze calculatorul
pentru a îmbunătăți algoritmul. -
13:26 - 13:30Sistemele de învățare profundă operează
într-un spațiu cu 16 000 dimensiuni -
13:30 - 13:33și vedeți cum se rotește calculatorul
prin acest spațiu -
13:33 - 13:35pentru a găsi noi zone de structură.
-
13:35 - 13:37Când reușește,
-
13:37 - 13:41omul care îl conduce
poate indica zonele interesante. -
13:41 - 13:46Aici calculatorul a găsit anumite zone,
de exemplu, cu unghiuri. -
13:46 - 13:50Pe măsură ce continuăm,
îi dăm calculatorului mai multe date -
13:50 - 13:52despre ce fel de structuri căutăm.
-
13:52 - 13:58Într-o analiză medicală aici ar putea fi
un patolog care identifică zone patogene -
13:58 - 14:03sau un radiolog care indică
nodulii cu probleme posibile. -
14:03 - 14:05Uneori algoritmului îi poate fi greu.
-
14:05 - 14:09Iată un caz în care s-a încurcat:
a amestecat fața și spatele mașinilor. -
14:09 - 14:11Aici trebuie să fim mai atenți,
-
14:11 - 14:15să separăm manual fața și spatele
-
14:15 - 14:18și apoi să-i spunem
calculatorului că acesta e -
14:18 - 14:21un tip de grup care ne interesează.
-
14:22 - 14:24Continuăm o vreme,
sărim peste câte ceva -
14:24 - 14:27și apoi antrenăm algoritmul
de învățare automată -
14:27 - 14:29pe baza celor câteva sute de lucruri
-
14:29 - 14:30și sperăm că a avansat.
-
14:30 - 14:33Vedeți, acum începe să estompeze
anumite imagini, -
14:33 - 14:38arătând că începe să înțeleagă singur
să recunoască o parte din ele. -
14:38 - 14:43Putem folosi acest concept
de imagini similare și astfel vedeți -
14:43 - 14:48cum calculatorul poate găsi
doar mașinile pozate din față. -
14:48 - 14:50Acum omul poate spune calculatorului:
-
14:50 - 14:53„Da, ai făcut o treabă bună.”
-
14:54 - 15:00Sigur, uneori chiar și acum
separarea grupurilor e dificilă. -
15:00 - 15:04Aici chiar după ce am lăsat o vreme
calculatorul să încerce rotațiile, -
15:04 - 15:08vedem că pozele făcute din stânga
și cele din dreapta sunt amestecate. -
15:08 - 15:11Putem da calculatorului sugestii:
-
15:11 - 15:16caută o proiecție care separă
cât mai bine părțile stângă și dreaptă -
15:16 - 15:18folosind algoritmul de învățare profundă.
-
15:18 - 15:21Apoi uite, sugestia a dus la succes.
-
15:21 - 15:26A reușit să găsească un mod
de a analiza obiectele încât să le separe. -
15:27 - 15:30Ați prins ideea:
-
15:30 - 15:37e o situație în care omul
nu e înlocuit de calculator, -
15:37 - 15:40ci lucrează împreună cu el.
-
15:40 - 15:45Am înlocuit munca unei echipe
de 5–6 oameni timp de vreo șapte ani, -
15:45 - 15:50cu ceva care îi ia 15 minute
unui om care lucrează singur. -
15:52 - 15:54Procesul necesită 4–5 iterații.
-
15:54 - 15:59Am ajuns la 62% de clasificare corectă
a 1,5 milioane de imagini. -
15:59 - 16:03În acest stadiu putem începe
să prelucrăm rapid secțiuni mari -
16:03 - 16:05și să verificăm să nu rămână greșeli,
-
16:05 - 16:09iar dacă sunt greșeli
îi spunem calculatorului. -
16:09 - 16:12Folosind acest proces
la fiecare din diferitele grupuri -
16:12 - 16:18am ajuns la o proporție de succes de 80%
în a clasifica cele 1,5 milioane de poze. -
16:18 - 16:23Acum mai rămâne doar să găsim puținele
imagini care n-au fost clasificate corect -
16:23 - 16:26și să încercăm să înțelegem de ce.
-
16:26 - 16:32Procedând astfel în 15 minute ajungem
la proporții de clasificare de 97%. -
16:33 - 16:36Această tehnică ne-ar putea ajuta
să rezolvăm o problemă majoră, -
16:36 - 16:39și anume lipsa de competență
medicală din lume. -
16:39 - 16:41Forumul Mondial Economic spune
-
16:41 - 16:45că ne trebuie de 10–20 de ori mai mulți
medici în țările în curs de dezvoltare -
16:45 - 16:48și că ar dura cam 300 de ani
-
16:48 - 16:51pentru a forma oameni și a acoperi lipsa.
-
16:51 - 16:56Ce-ar fi dacă le-am crește eficiența
folosind tehnicile de învățare profundă? -
16:57 - 17:01Mă bucură această șansă,
dar mă și îngrijorează problemele. -
17:01 - 17:04Problema e că toate zonele
albastre de pe harta aceasta -
17:04 - 17:08reprezintă locuri unde în servicii
lucrează 80% dintre angajați. -
17:08 - 17:10Ce sunt serviciile?
-
17:10 - 17:11Acestea sunt serviciile.
-
17:12 - 17:16Exact asta au învățat recent
calculatoarele să facă. -
17:17 - 17:22Deci 80% din munca din lumea dezvoltată
acum știe și calculatorul s-o facă. -
17:22 - 17:23Ce înseamnă asta?
-
17:23 - 17:26Lasă, o să apară alte locuri de muncă,
-
17:26 - 17:29de exemplu în cercetarea datelor.
-
17:29 - 17:30De fapt nu prea.
-
17:30 - 17:32Cercetarea datelor nu cere mult timp.
-
17:32 - 17:36Acești patru algoritmi au fost
construiți de un singur om. -
17:36 - 17:39Poate vă gândiți că s-a mai întâmplat
-
17:39 - 17:44și am văzut deja rezultatele: când apare
ceva nou apar și alte locuri de muncă. -
17:44 - 17:46Dar care vor fi acestea?
-
17:46 - 17:48E greu de estimat,
-
17:48 - 17:51pentru că performanța umană crește încet,
-
17:51 - 17:57dar știm că sistemul de învățare profundă
crește exponențial în capacitate. -
17:57 - 17:58Ne aflăm aici.
-
17:58 - 18:00Acum vedem ce se întâmplă
-
18:00 - 18:03și ne gândim: calculatoarele
sunt încă proaste, nu? -
18:03 - 18:07Dar în cinci ani calculatoarele
vor ieși din acest grafic. -
18:07 - 18:11Așa că trebuie să ne gândim
de pe acum la această capacitate. -
18:11 - 18:14Am mai văzut asta odată, desigur:
la Revoluția Industrială -
18:14 - 18:17motoarele au produs un salt de capacitate.
-
18:18 - 18:21Dar după un timp situația s-a stabilizat.
-
18:21 - 18:22Au existat perturbări sociale,
-
18:22 - 18:26dar după ce inginerii au învățat
să folosească noua putere peste tot -
18:26 - 18:29lucrurile s-au stabilizat bine.
-
18:29 - 18:32Revoluția Învățării Automate
va diferi mult de Revoluția Industrială -
18:32 - 18:36pentru că lucrurile
nu se vor stabiliza niciodată. -
18:36 - 18:39Cu cât calculatorul va fi mai bun
la activități intelectuale, -
18:39 - 18:43cu atât vor construi calculatoare mai bune
la activități intelectuale. -
18:43 - 18:47Atunci va avea loc o schimbare nouă
pe care omenirea n-o cunoaște, -
18:47 - 18:51încât ce știam că e posibil
nu mai e valabil. -
18:51 - 18:53Deja simțim efectul.
-
18:53 - 18:57În vreme ce productivitatea capitalului
a crescut în ultimii 25 de ani, -
18:57 - 19:00productivitatea muncii a rămas constantă,
ba chiar a scăzut un pic. -
19:02 - 19:04Aș vrea să înceapă discuția aceasta.
-
19:04 - 19:07Adesea când vorbesc despre asta
-
19:07 - 19:09lumea respinge ideea.
-
19:09 - 19:13Păi calculatoarele nu gândesc cu adevărat,
nu au emoții, nu înțeleg poezia, -
19:13 - 19:16nu prea înțelegem cum funcționează.
-
19:16 - 19:17Și ce dacă?
-
19:17 - 19:19Computerele pot face azi lucruri
-
19:19 - 19:22pentru care oamenii muncesc
mult timp și sunt plătiți. -
19:22 - 19:24E momentul să începem să ne gândim
-
19:24 - 19:28cum ne vom adapta
structurile sociale și economice -
19:28 - 19:30în fața acestei noi realități.
-
19:30 - 19:31Mulțumesc.
-
19:31 - 19:32(Applauze)
- Title:
- Implicațiile minunate și îngrozitoare ale calculatoarelor care pot învăța
- Speaker:
- Jeremy Howard
- Description:
-
Ce se întâmplă când învățăm un calculator să învețe? Expertul în tehnologie Jeremy Howard ne dezvăluie surprinzătoarele progrese recente din domeniul învățării profunde, o metodă care permite calculatoarelor să învețe limba chineză, să recunoască obiecte în imagini sau să ajute la diagnoza medicală. (Unul dintre algoritmii de învățare profundă, după ce a urmărit ore întregi de înregistrări video pe YouTube, a învățat conceptul de „pisici”. ) Priviți fascinați spre acest domeniu care va schimba modul în care se comportă calculatoarele din jurul nostru, și asta mai curând decât credeți.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Adrian Dobroiu approved Romanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Adrian Dobroiu edited Romanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Adrian Dobroiu edited Romanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Adrian Dobroiu edited Romanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Adrian Dobroiu edited Romanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Adrian Dobroiu edited Romanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Adrian Dobroiu edited Romanian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Adrian Dobroiu edited Romanian subtitles for The wonderful and terrifying implications of computers that can learn |