Прекрасные и ужасные последствия самообучения компьютеров
-
0:01 - 0:05Обычно, если вы хотите, чтобы
компьютер сделал что-то новое, -
0:05 - 0:06вам нужно его запрограммировать.
-
0:06 - 0:10Для тех, кто не знает:
программирование -
0:10 - 0:13требует мучительного определения
мельчайших деталей, -
0:13 - 0:17которые должен выполнять компьютер
-
0:17 - 0:19для достижения вашей цели.
-
0:19 - 0:23А сделать то, чего вы никогда не делали,
-
0:23 - 0:25будет очень сложно.
-
0:25 - 0:28Именно с такой сложной задачей
столкнулся этот человек, Артур Самуэль. -
0:28 - 0:32В 1956 году он захотел,
-
0:32 - 0:35чтобы компьютер
смог обыграть его в шашки. -
0:35 - 0:37Как написать программу,
-
0:37 - 0:40продумать её до мельчайших деталей,
чтобы она обыграла тебя в шашки? -
0:40 - 0:42Ему в голову пришла мысль:
-
0:42 - 0:46компьютер должен сыграть тысячу партий
с самим собой, -
0:46 - 0:48и так он научится играть в шашки.
-
0:48 - 0:52Это действительно сработало —
в 1962 году -
0:52 - 0:56этот компьютер обыграл
чемпиона штата Коннектикут. -
0:56 - 0:59Так Артур Самуэль стал основоположником
машинного обучения. -
0:59 - 1:00Я в большом долгу перед ним,
-
1:00 - 1:03потому что работаю
в области машинного обучения. -
1:03 - 1:04Я был президентом Kaggle,
-
1:04 - 1:08сообщества, объединяющего 200 000 людей,
применяющих машинное обучение. -
1:08 - 1:10Kaggle проводит соревнования
-
1:10 - 1:14по решению ещё не решённых проблем,
-
1:14 - 1:17и участники успешно справились
с сотнями из них. -
1:17 - 1:20У меня была отличная возможность
побольше узнать -
1:20 - 1:24о машинном обучении
в прошлом, настоящем -
1:24 - 1:26и будущем.
-
1:26 - 1:31Возможно, первым большим коммерческим
успехом машинного обучения стал Google. -
1:31 - 1:34В Google доказали,
что можно находить информацию -
1:34 - 1:36с помощью компьютерного алгоритма,
-
1:36 - 1:38а этот алгоритм был основан
на машинном обучении. -
1:38 - 1:42С тех пор машинное обучение неоднократно
использовалось в коммерческих целях. -
1:42 - 1:44Компании вроде Amazon и Netflix
-
1:44 - 1:48иcпользуют машинное обучение, определяя,
какие товары вы захотите купить, -
1:48 - 1:50какие фильмы посмотреть.
-
1:50 - 1:52Иногда это даже пугает.
-
1:52 - 1:54Сети, такие как LinkedIn и Facebook,
-
1:54 - 1:56иногда предлагают людей,
которых вы можете знать, -
1:56 - 1:58а вы не понимаете, как они их нашли.
-
1:58 - 2:01Это стало возможным
благодаря машинному обучению. -
2:01 - 2:05Алгоритмы собирают информацию
и обучаются, -
2:05 - 2:07а не программируются человеком.
-
2:07 - 2:10Это также объясняет успехи IBM:
-
2:10 - 2:14программа Watson обыграла
двух чемпионов мира в «Своей игре», -
2:14 - 2:17ответив на невероятно хитрые и каверзные
вопросы вроде этого: -
2:17 - 2:20[В 2003 году «лев Нимруда» исчез
из музея этого города] -
2:20 - 2:23Именно этот метод лёг в основу
технологии беспилотных автомобилей. -
2:23 - 2:26Важно, чтобы такой автомобиль
смог отличить -
2:26 - 2:28дерево от пешехода.
-
2:28 - 2:31Мы не знаем,
как задать такой алгоритм вручную, -
2:31 - 2:34зато это стало возможным
с помощью машинного обучения. -
2:34 - 2:37Этот автомобиль проехал
более 1,5 миллионов километров -
2:37 - 2:40и ни разу не попал в аварию на трассе.
-
2:40 - 2:44Итак, мы знаем,
что компьютеры могут учиться. -
2:44 - 2:46Причём они могут учиться делать то,
-
2:46 - 2:49чего не умеем делать мы сами,
-
2:49 - 2:52или могут делать это лучше нас.
-
2:52 - 2:56С одним из самых невероятных примеров
машинного обучения -
2:56 - 2:58я столкнулся, пока работал в Kaggle:
-
2:58 - 3:02команда под руководством Джеффри Хинтона
-
3:02 - 3:03из Торонтского университета
-
3:03 - 3:06выиграла конкурс по автоматизации поиска
новых лекарств. -
3:06 - 3:09Невероятно не только то,
что их алгоритм оказался лучше -
3:09 - 3:13всех алгоритмов, разработанных Merck
или международным научным сообществом. -
3:13 - 3:18Никто в команде не имел никакого отношения
к химии, биологии или медицине, -
3:18 - 3:20и на всё у них ушло две недели.
-
3:20 - 3:22Как?
-
3:22 - 3:25Благодаря уникальному алгоритму
глубинного обучения. -
3:25 - 3:28Результаты их работы были настолько
ошеломительны, что об этом -
3:28 - 3:31спустя несколько недель сообщила
на первой полосе New York Times. -
3:31 - 3:34Джеффри Хинтон слева.
-
3:34 - 3:38В основе глубинного обучения —
принципы работы человеческого мозга, -
3:38 - 3:40и поэтому теоретически
-
3:40 - 3:44у этого алгоритма
нет ограничений применимости. -
3:44 - 3:47Чем больше данных на входе
и времени на их обработку, -
3:47 - 3:48тем лучше результат.
-
3:48 - 3:51В этой же статье New York Times
был упомянут -
3:51 - 3:53другой удивительный продукт
глубинного обучения, -
3:53 - 3:56который я вам сейчас продемонстрирую.
-
3:56 - 4:01Он доказывает,
что компьютеры могут слышать и понимать. -
4:01 - 4:03(Видео) Ричард Рашид: Наконец,
-
4:03 - 4:06последнее, что я хочу сделать, —
-
4:06 - 4:11это поговорить с вами по-китайски.
-
4:11 - 4:14Суть в том,
-
4:14 - 4:19что мы сформировали массив записей
носителей китайского языка -
4:19 - 4:21и разработали систему
для преобразования текста в речь, -
4:21 - 4:26которая получает текст на китайском
и преобразует его в речь. -
4:26 - 4:30Потом мы записали примерно час
звучания моего голоса -
4:30 - 4:32и использовали эту запись для модуляции
-
4:32 - 4:37обычной системы
преобразования текста в речь. -
4:37 - 4:39Если что, результат не идеален.
-
4:39 - 4:42Там есть несколько ошибок.
-
4:42 - 4:44(Говорит по-китайски)
-
4:44 - 4:47(Аплодисменты)
-
4:49 - 4:53Нам предстоит ещё много работы.
-
4:53 - 4:57(Говорит по-китайски)
-
4:57 - 5:00(Аплодисменты)
-
5:01 - 5:05Джереми Говард: Это было на конференции
по машинному обучению в Китае. -
5:05 - 5:07На самом деле,
на научных конференциях -
5:07 - 5:09внезапно аплодируют очень редко,
-
5:09 - 5:13в отличие от TEDx, так что не стесняйтесь.
-
5:13 - 5:15Всё это видео было записано
с помощью глубинного обучения. -
5:15 - 5:17(Аплодисменты) Спасибо.
-
5:17 - 5:19Английские субтитры —
это глубинное обучение, -
5:19 - 5:23перевод на китайский
и текст справа вверху — оно же, -
5:23 - 5:26и конструирование голоса — снова оно.
-
5:26 - 5:29Глубинное обучение — невероятная вещь.
-
5:29 - 5:32Один-единственный алгоритм,
который, похоже, может почти всё. -
5:32 - 5:35Ещё годом раньше я обнаружил,
что этот алгоритм может видеть. -
5:35 - 5:37На малоизвестном конкурсе в Германии —
-
5:37 - 5:40«Сравнительный анализ распознавания
дорожных знаков» — -
5:40 - 5:44глубинное обучение использовалось
для распознавания вот таких знаков. -
5:44 - 5:46Мало того, что результаты распознавания
-
5:46 - 5:47были лучше, чем у других алгоритмов;
-
5:47 - 5:50в таблице видно,
что они превосходят человеческие -
5:50 - 5:52примерно в два раза.
-
5:52 - 5:54Итак, к 2011 году появился
-
5:54 - 5:57первый компьютер,
который видел лучше людей. -
5:57 - 5:59С тех пор произошло многое.
-
5:59 - 6:03В 2012 году в Google объявили,
что их алгоритм глубинного обучения -
6:03 - 6:04использовал видео на YouTube.
-
6:04 - 6:08Данные обрабатывались
на 16 000 компьютеров в течение месяца, -
6:08 - 6:12и компьютер самостоятельно определил,
что такое люди и кошки, -
6:12 - 6:14на основе только видеоматериалов.
-
6:14 - 6:16Это очень похоже на то,
как учатся люди. -
6:16 - 6:19Им не говорят, что они видят.
-
6:19 - 6:22Люди сами разбираются, что они видят.
-
6:22 - 6:26В том же 2012 году Джеффри Хинтон,
которого вы уже знаете, -
6:26 - 6:29победил в очень известном
конкурсе ImageNet, -
6:29 - 6:33в котором необходимо распознать,
что изображено -
6:33 - 6:34на 1,5 миллионах картинок.
-
6:34 - 6:38К 2014 году количество ошибок
в распознавании образов -
6:38 - 6:39сократилось до 6%.
-
6:39 - 6:41И опять же, это лучше, чем у людей.
-
6:41 - 6:45Эффективность компьютеров действительно
невероятно высока, -
6:45 - 6:47и сейчас это применяется
в коммерческих целях. -
6:47 - 6:50Так, в прошлом году в Google объявили,
-
6:50 - 6:55что их карты могут локализовать
любую точку во Франции за два часа: -
6:55 - 6:58они обрабатывают фотографии улиц
-
6:58 - 7:03с помощью алгоритма глубинного обучения,
чтобы распознать и прочитать адреса. -
7:03 - 7:05Подумайте, сколько времени
это заняло бы: -
7:05 - 7:08понадобились бы десятки людей
и несколько лет. -
7:08 - 7:10То же самое происходит в Китае.
-
7:10 - 7:14Baidu — это что-то вроде
китайского Google, -
7:14 - 7:17и сверху слева вы видите картинку,
-
7:17 - 7:20которую я загрузил на вход
алгоритмов глубинного обучения Baidu, -
7:20 - 7:24а под ней — то, как система распознала,
что изображено на картинке, -
7:24 - 7:26и нашла похожие.
-
7:26 - 7:29Похожие изображения имеют похожий фон,
-
7:29 - 7:31морды смотрят в ту же сторону,
-
7:31 - 7:33иногда даже так же высунут язык.
-
7:33 - 7:36Это не просто поиск текста
на веб-странице. -
7:36 - 7:37Я загрузил только картинку.
-
7:37 - 7:41Итак, теперь наши компьютеры
действительно понимают увиденное -
7:41 - 7:43и могут искать информацию в базах
-
7:43 - 7:46среди сотен миллионов картинок
в режиме реального времени. -
7:46 - 7:50Значит ли это,
что компьютеры могут видеть? -
7:50 - 7:52Это не просто умение видеть.
-
7:52 - 7:54Глубинное обучение — это намного больше.
-
7:54 - 7:57Сложные предложения со множеством
смысловых оттенков -
7:57 - 7:59теперь понятны благодаря
алгоритмам глубинного обучения. -
7:59 - 8:01Как видно на экране,
-
8:01 - 8:04эта стэнфордская система распознаёт
отрицательные эмоции в предложении -
8:04 - 8:07и отмечает их красными точками сверху.
-
8:07 - 8:11Глубинное обучение
похоже на человеческое поведение -
8:11 - 8:16в процессе распознавания того,
что и о чём сказано. -
8:16 - 8:19Глубинное обучение использовалось
для чтения на китайском. -
8:19 - 8:22Результат был на уровне результата
человека — носителя китайского. -
8:22 - 8:24Этот алгоритм
был разработан в Швейцарии -
8:24 - 8:27людьми, ни один из которых
не говорит по-китайски. -
8:27 - 8:29Как я и сказал, глубинное обучение —
-
8:29 - 8:32это оптимальный способ
решения таких задач, -
8:32 - 8:37даже по сравнению
с человеческим восприятием. -
8:37 - 8:40На экране система,
разработаная в моей компании, -
8:40 - 8:42в ней задействовано всё,
о чём я рассказал. -
8:42 - 8:44Это картинки без описаний.
-
8:44 - 8:47Здесь я набираю предложения.
-
8:47 - 8:50В режиме реального времени
картинки распознаются, -
8:50 - 8:51определяется их смысл,
-
8:51 - 8:54и находятся изображения,
соответствующие введённому мной тексту. -
8:54 - 8:57Итак, вы видите, что предложения
-
8:57 - 8:59и картинки действительно распознаются.
-
8:59 - 9:02Я знаю, что вы видели
нечто похожее в Google, -
9:02 - 9:05при вводе запроса,
по которому вам выдаются картинки, -
9:05 - 9:08но в действительности там идёт поиск
нужного текста на веб-странице. -
9:08 - 9:11Распознавание образов —
это принципиально новый процесс. -
9:11 - 9:14Распознавание стало доступно
компьютерным алгоритмам -
9:14 - 9:17впервые несколько месяцев назад.
-
9:17 - 9:21Итак, компьютеры теперь могут
не только видеть, но и читать, -
9:21 - 9:25и, как мы уже показали,
понимать услышанное. -
9:25 - 9:28Вы вряд ли удивитесь, если я вам скажу,
что они умеют писать. -
9:28 - 9:33Вот текст, который я вчера получил
с помощью алгоритма глубинного обучения. -
9:33 - 9:37А вот текст, полученный
с помощью стэнфордского алгоритма. -
9:37 - 9:39Каждое из этих предложений составлено
-
9:39 - 9:43алгоритмом глубинного обучения
для описания этих картинок. -
9:43 - 9:48Алгоритм ещё не встречал понятия мужчины
в чёрной рубашке, играющего на гитаре. -
9:48 - 9:50Но ему известны понятия
-
9:50 - 9:51человека, чёрного, гитары,
-
9:51 - 9:56и алгоритм независимо формулирует
связное описание этого изображения. -
9:56 - 9:59Мы всё ещё не дотягиваем до уровня
человека, но мы уже близки. -
9:59 - 10:03При испытаниях люди выбирают
описания, данные компьютером, -
10:03 - 10:05в одном случае из четырёх.
-
10:05 - 10:07Эта система была создана
две недели назад, -
10:07 - 10:09и, скорее всего, в течение года
-
10:09 - 10:12алгоритм покажет результаты
намного лучше человеческих, -
10:12 - 10:13если будет развиваться в том же темпе.
-
10:13 - 10:16Итак, компьютеры могут ещё и писать.
-
10:16 - 10:20Складываем всё вместе,
и нам открываются невероятные возможности. -
10:20 - 10:21Например, в медицине.
-
10:21 - 10:24Группа учёных из Бостона открыла
-
10:24 - 10:27десятки новых клинически значимых
особенностей опухолей; -
10:27 - 10:31это поможет врачам
давать прогнозы онкобольным. -
10:32 - 10:35Точно так же в Стэнфорде
-
10:35 - 10:38группа учёных, проанализиров опухоли
под увеличением, -
10:38 - 10:41создала систему
на основе машинного обучения, -
10:41 - 10:43которая работает лучше,
чем патологоанатомы, -
10:43 - 10:48прогнозируя исход заболевания
у онкобольных. -
10:48 - 10:51В обоих случаях алгоритмы давали
не только более точный результат, -
10:51 - 10:53но и новые ценные открытия.
-
10:53 - 10:55В случае с радиологией
-
10:55 - 10:58это были новые клинические показатели,
понятные для людей. -
10:58 - 11:00В случае с патологиями
-
11:00 - 11:04алгоритм установил,
что для постановки диагноза -
11:04 - 11:08клетки вокруг опухоли так же важны,
-
11:08 - 11:09как и сами раковые клетки.
-
11:09 - 11:15Это противоречит всему, чему
патологоанатомов учили десятилетиями. -
11:15 - 11:18В разработке обеих систем
-
11:18 - 11:22участвовали как эксперты-врачи,
так и специалисты по машинному обучению, -
11:22 - 11:24но в прошлом году мы смогли преодолеть
и это ограничение. -
11:24 - 11:28На экране пример распознавания
поражённых раком -
11:28 - 11:30человеческих тканей под микроскопом.
-
11:30 - 11:35Система, изображённая на экране,
может определить их точнее, -
11:35 - 11:38или так же точно, как и патологоанатом.
-
11:38 - 11:41В её основе — только метод
глубинного обучения. -
11:41 - 11:44Она разработана людьми, не имеющими
никакого отношения к медицине. -
11:45 - 11:47Или сегментация нейронов.
-
11:47 - 11:51Теперь мы можем сегментировать нейроны
так же точно, как и вручную, -
11:51 - 11:54и эта система так же была основана
на глубинном обучении -
11:54 - 11:57и разработана людьми, не имеющими
медицинских знаний или опыта. -
11:57 - 12:00Поэтому я, как человек,
никогда не занимавшийся медициной, -
12:00 - 12:04оказался отличным кандидатом на роль
основателя новой медицинской компании. -
12:04 - 12:06Им я и стал.
-
12:06 - 12:08Я порядком трусил,
-
12:08 - 12:11но в теории можно было
-
12:11 - 12:16разрабатывать очень полезные препараты,
используя только анализ данных. -
12:16 - 12:19И — слава богу —
отзывы превзошли все мои ожидания, -
12:19 - 12:21не только в СМИ,
но и от медицинского сообщества, -
12:21 - 12:23где горячо поддержали мою идею.
-
12:23 - 12:27Идея заключается в том, что мы можем
взять промежуточный этап лечения -
12:27 - 12:30и максимально применить к нему
наши способы анализа данных, -
12:30 - 12:33позволив врачам заниматься тем,
что у них получается лучше всего. -
12:33 - 12:35Приведу пример.
-
12:35 - 12:40На составление нового диагностического
теста у нас уходит 15 минут. -
12:40 - 12:42Я покажу это в режиме реального времени,
-
12:42 - 12:45но сокращу процесс до трёх минут,
вырезав отдельные фрагменты. -
12:45 - 12:48Вместо медицинских терминов
-
12:48 - 12:52будут изображения машин,
-
12:52 - 12:54потому что так будет понятнее всем.
-
12:54 - 12:57Итак, начнём с 1,5 миллионов
изображений машин. -
12:57 - 13:00Я хочу придумать, как их разбить
на группы в зависимости от угла, -
13:00 - 13:03с которого они сфотографированы.
-
13:03 - 13:07Ни одна из картинок не имеет описания,
поэтому мне придётся начинать с нуля. -
13:07 - 13:08Наш алгоритм глубинного обучения
-
13:08 - 13:12автоматически распознаёт отдельные
компоненты на этих изображениях. -
13:12 - 13:16Хорошо то, что человек и компьютер
могут решать задачу вместе. -
13:16 - 13:18Человек, как вы видите,
-
13:18 - 13:21задаёт компьютеру исследуемую область,
-
13:21 - 13:25на основе которой компьютер должен
усовершенствовать свои алгоритмы. -
13:25 - 13:30Такая система глубинного обучения работает
в 16 000-мерном пространстве. -
13:30 - 13:33Компьютер вращает в нём данные,
-
13:33 - 13:35чтобы обнаружить новые структуры.
-
13:35 - 13:37А когда он их находит,
-
13:37 - 13:41человек, управляющий процессом,
указывает на те, что его интересуют. -
13:41 - 13:43Итак, компьютер успешно
обнаруживает признаки, -
13:43 - 13:46например, ракурс.
-
13:46 - 13:47В ходе исследования
-
13:47 - 13:50мы постепенно уточняем,
-
13:50 - 13:52что именно мы ищем.
-
13:52 - 13:54Представьте диагностический тест,
-
13:54 - 13:57благодаря которому врач
определяет границы патологии -
13:57 - 14:02или радиолог — потенциально
опасные образования. -
14:02 - 14:05Иногда алгоритм
не может справиться с задачей. -
14:05 - 14:07Он не находит решения.
-
14:07 - 14:09Здесь капоты и багажники машин
идут вперемешку. -
14:09 - 14:11Поэтому нам надо быть немного аккуратнее
-
14:11 - 14:15и разделить их вручную,
-
14:15 - 14:20а затем задать компьютеру тип изображений,
-
14:20 - 14:22которые нам нужны.
-
14:22 - 14:24Процесс идёт какое-то время,
пропустим немного, -
14:24 - 14:26а потом мы обучаем наш алгоритм
-
14:26 - 14:28на основе двух объектов из сотен
-
14:28 - 14:30и надеемся, что он это усвоил.
-
14:30 - 14:34Видите, некоторые
из этих картинок поблёкли. -
14:34 - 14:38Это означает, что теперь компьютер
распознаёт их самостоятельно. -
14:38 - 14:41Теперь мы можем использовать
этот принцип похожих изображений. -
14:41 - 14:43Как видите, используя эти изображения,
-
14:43 - 14:47компьютер может самостоятельно
находить только фотографии машин спереди. -
14:47 - 14:50Теперь человек может сказать компьютеру:
-
14:50 - 14:52«Отлично, ты молодец».
-
14:54 - 14:56Иногда, конечно, даже на этом этапе
-
14:56 - 15:00всё ещё сложно выделить группы.
-
15:00 - 15:03В этом случае даже после дополнительного
вращения данных компьютером -
15:03 - 15:07снимки машин, сделанные справа и слева,
-
15:07 - 15:08всё ещё идут вперемешку.
-
15:08 - 15:10Мы снова даём компьютеру подсказки,
-
15:10 - 15:13чтобы он нашёл плоскость,
которая разделит -
15:13 - 15:16изображения автомобилей
справа и слева предельно точно -
15:16 - 15:18на основе алгоритма глубинного обучения.
-
15:18 - 15:21И с этими подсказками — о, отлично,
решение найдено. -
15:21 - 15:24Компьютер ищет, чем эти объекты
-
15:24 - 15:26отличаются от остальных.
-
15:26 - 15:29Это суть метода.
-
15:29 - 15:37Компьютер не заменяет человека,
-
15:37 - 15:40здесь они работают вместе.
-
15:40 - 15:43То, на что команда
-
15:43 - 15:45из 5—6 человек потратила бы около 7 лет,
-
15:45 - 15:48мы заменяем 15-минутной процедурой,
-
15:48 - 15:50которую выполняет всего один человек.
-
15:50 - 15:54Этот процесс выполняется
за 4—5 рабочих циклов. -
15:54 - 15:56Как видите, теперь из наших
-
15:56 - 15:591,5 миллионов изображений
верно классифицированы 62%. -
15:59 - 16:01Теперь мы сможем быстро выделять
-
16:01 - 16:03отдельные большие блоки
-
16:03 - 16:06и просматривать их, чтобы убедиться,
что в них нет ошибок. -
16:06 - 16:10Если возникают ошибки,
мы указываем на них компьютеру. -
16:10 - 16:13Применяя эту процедуру
к разным группам по отдельности, -
16:13 - 16:15мы получаем
около 80% верных результатов -
16:15 - 16:18при распределении
1,5 миллионов изображений. -
16:18 - 16:20Сейчас задача состоит только в том,
-
16:20 - 16:23чтобы найти те немногочисленные
неверно распознаные изображения, -
16:23 - 16:26и понять, почему это произошло.
-
16:26 - 16:28Используя этот метод,
-
16:28 - 16:32за 15 минут мы получаем
результат, верный на 97%. -
16:32 - 16:37Эта техника поможет нам справиться
с одной из важнейших проблем — -
16:37 - 16:40нехваткой медицинских работников в мире.
-
16:40 - 16:43По данным, озвученным на Всемирном
экономическом форуме, -
16:43 - 16:46развивающимся странам
нужно в 10—20 раз больше терапевтов -
16:46 - 16:48и понадобится около 300 лет,
-
16:48 - 16:51чтобы обучить нужное количество людей.
-
16:51 - 16:54А теперь представьте,
что мы повысим их эффективность, -
16:54 - 16:56используя глубинное обучение.
-
16:56 - 16:59Эти возможности приводят меня
в полный восторг, -
16:59 - 17:01но в то же время
я отдаю отчёт в последствиях. -
17:01 - 17:04Проблема в том, что во всех странах,
отмеченных на карте синим, -
17:04 - 17:0880% рабочих мест приходится
на сферу услуг. -
17:08 - 17:10Каких услуг?
-
17:10 - 17:11Вот этих услуг.
-
17:11 - 17:16А это именно то, что компьютеры
только что научились делать. -
17:16 - 17:19Если 80% людей в развитых странах
-
17:19 - 17:22заняты тем, что теперь
умеет компьютер, -
17:22 - 17:23то что это значит?
-
17:23 - 17:26Всё в порядке. Они сменят работу.
-
17:26 - 17:29Например, будет больше работы
для аналитиков данных. -
17:29 - 17:30Ну или не совсем.
-
17:30 - 17:33Решение этих задач не займёт
у них много времени. -
17:33 - 17:36Например, эти четыре алгоритма
создал один и тот же человек. -
17:36 - 17:38Вы скажете, что человечество
с этим уже сталкивалось. -
17:38 - 17:42В прошлом мы видели,
что когда приходят новые технологии, -
17:42 - 17:44новые профессии приходят на смену старым,
-
17:44 - 17:46но что это будут за новые профессии?
-
17:46 - 17:48Нам очень сложно сейчас это оценить,
-
17:48 - 17:51ведь производительность человеческого
труда растёт постепенно. -
17:51 - 17:54Однако теперь есть система
глубинного обучения, -
17:54 - 17:57и мы знаем, что её возможности
растут по экспоненте. -
17:57 - 17:58Итак,
-
17:58 - 18:01мы оглядываемся по сторонам:
-
18:01 - 18:03«Ведь компьютеры всё ещё
достаточно примитивны». Верно? -
18:03 - 18:07Но через пять лет их возможности выйдут
за границы этого графика. -
18:07 - 18:10Поэтому нам необходимо начать обдумывать
этот аспект прямо сейчас. -
18:10 - 18:13Разумеется, такое уже случалось
в истории человечества. -
18:13 - 18:14Промышленная революция,
-
18:14 - 18:17благодаря двигателям, дала
качественный скачок производства. -
18:18 - 18:21Однако спустя какое-то время
мощности перестали расти. -
18:21 - 18:23Случился социальный взрыв,
-
18:23 - 18:26но когда двигатели стали применяться
в промышленности повсеместно, -
18:26 - 18:28был найден баланс.
-
18:28 - 18:30Революция машинного обучения
-
18:30 - 18:33будет сильно отличаться
от промышленной революции, -
18:33 - 18:36потому что революция
машинного обучения непрерывна. -
18:36 - 18:39Чем более интеллектуально
развиты компьютеры, -
18:39 - 18:43тем более интеллектуально
развитые компьютеры они создают. -
18:43 - 18:45А это приведёт к тому,
-
18:45 - 18:47с чем наш мир
никогда раньше не сталкивался, -
18:47 - 18:51и ваши прошлые представления
о возможном изменятся. -
18:51 - 18:53Мы это уже почувствовали на себе.
-
18:53 - 18:56В течение последней четверти века
производительность оборудования росла, -
18:56 - 19:01в то время как производительность рабочих
оставалась прежней или немного снижалась. -
19:01 - 19:04Я хочу, чтобы мы уже сейчас
задумались над этим. -
19:04 - 19:07Когда я рассказываю об этом людям,
-
19:07 - 19:09они зачастую мне не верят:
-
19:09 - 19:10мол, компьютеры не могут думать,
-
19:10 - 19:13переживать, воспринимать стихи.
-
19:13 - 19:16Мы не понимаем по-настоящему,
как они работают. -
19:16 - 19:17И что?
-
19:17 - 19:19Уже сейчас компьютеры
делают то, -
19:19 - 19:22на что люди тратят бóльшую часть
оплачиваемого времени, -
19:22 - 19:24так что теперь пора думать над тем,
-
19:24 - 19:28как мы будем адаптировать наши
социальные и экономические структуры, -
19:28 - 19:30чтобы быть готовыми
к новой реальности. -
19:30 - 19:31Спасибо.
-
19:31 - 19:32(Аплодисменты)
- Title:
- Прекрасные и ужасные последствия самообучения компьютеров
- Speaker:
- Джереми Говард
- Description:
-
Что произойдёт, если мы научим компьютер учиться? Инженер Джереми Говард делится несколькими удивительными достижениями в динамичной сфере глубинного обучения, метода, который позволяет компьютеру выучить китайский, распознавать объекты на фотографиях или поставить медицинский диагноз (например, один из алгоритмов глубинного обучения после нескольких часов просмотра видео на YouTube начал распознавать кошек). Вам предлагается погрузиться в науку, которая изменит поведение окружающих вас компьютеров... раньше, чем вы думаете.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Anna Kotova edited Russian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Anna Kotova edited Russian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Anna Kotova edited Russian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Anna Kotova approved Russian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Anna Kotova edited Russian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Anna Kotova edited Russian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Katya Roberts edited Russian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Katya Roberts edited Russian subtitles for The wonderful and terrifying implications of computers that can learn |