De underbara och skrämmande konsekvenserna av datorer som kan lära sig
-
0:01 - 0:05Det brukade vara så att om du ville
få en dator att göra något nytt -
0:05 - 0:06så behövde du programmera den.
-
0:06 - 0:10Programmering, för dem av er
som inte har gjort det själva, -
0:10 - 0:11kräver att man
-
0:11 - 0:14på ett olidligt detaljerat sätt
-
0:14 - 0:17anger varenda steg
man vill att datorn ska ta -
0:17 - 0:19för att uppnå önskat mål.
-
0:19 - 0:23Men, om du vill göra något
som du inte vet själv hur man gör, -
0:23 - 0:25då blir det här en enorm utmaning.
-
0:25 - 0:28Så det här var den utmaning som denne man,
Arthur Samuel, ställdes inför. -
0:28 - 0:321956 ville han få sin dator till
-
0:32 - 0:35att slå honom i spelet Dam.
-
0:35 - 0:37Hur kan du skriva ett program,
-
0:37 - 0:40och ange på ett olidligt detaljerat sätt,
hur det ska slå dig i Dam? -
0:40 - 0:42Så han kom på en idé:
-
0:42 - 0:46han lät datorn spela
mot sig själv tusentals gånger -
0:46 - 0:48och lära sig att spela Dam.
-
0:49 - 0:52Och det fungerade faktiskt, och vid 1962
-
0:52 - 0:55hade datorn slagit
Connecticuts statsmästare. -
0:55 - 0:59Så Arthur Samuels
var maskininlärningens fader, -
0:59 - 1:00och jag är skyldig honom så mycket,
-
1:00 - 1:03för att jag är verksam
inom maskininlärning. -
1:03 - 1:04Jag var ordförande i Kaggle,
-
1:04 - 1:08en gemenskap på över 200 000
verksamma inom maskininlärning. -
1:08 - 1:10Kaggle anordnar tävlingar
-
1:10 - 1:14för att försöka åstadkomma
lösningar på olösta problem, -
1:14 - 1:17och det har varit framgångsrikt
vid hundratals tillfällen. -
1:17 - 1:20Så från den synvinkeln
kunde jag få veta -
1:20 - 1:24väldigt mycket om vad maskininlärning
kan göra i det förflutna, kan göra idag, -
1:24 - 1:26och vad den kan tänkas göra i framtiden.
-
1:26 - 1:29Maskininlärningens första stora framgång
-
1:29 - 1:31var kanske Google.
-
1:31 - 1:34Google visade att det är möjligt
att få fram information -
1:34 - 1:36genom att använda en datoralgoritm,
-
1:36 - 1:38en datoralgoritm som bygger
på maskininlärning. -
1:38 - 1:42Sen dess har maskininlärning
rönt många kommersiella framgångar. -
1:42 - 1:44Företag som Amazon och Netflix
-
1:44 - 1:46använder maskininlärning
för att föreslå produkter -
1:46 - 1:48som du kan tänkas vilja köpa,
-
1:48 - 1:50filmer som du kan tänkas vilja se.
-
1:50 - 1:52Ibland är det nästan lite läskigt.
-
1:52 - 1:53Företag som LinkedIn och Facebook
-
1:53 - 1:56kan ibland berätta för dig
vilka dina vänner kan tänkas vara -
1:56 - 1:59och du kan inte föreställa dig
hur det gick till -
1:59 - 2:01och det beror på att de använder
maskininlärningens kraft. -
2:01 - 2:05Det här är algoritmer som har lärt sig
att göra detta utifrån data -
2:05 - 2:07snarare än att ha blivit
programmerade till det. -
2:07 - 2:10Det här också hemligheten
bakom IBM:s framgångar -
2:10 - 2:14med att få Watson att slå
de två världsmästarna i Jeopardy, -
2:14 - 2:17genom att besvara otroligt subtila
och komplexa frågor som den här. -
2:17 - 2:20[Det antika "Lion of Nimrud" försvann
från denna stads ...] -
2:20 - 2:23Det här är också anledningen till
att vi nu ser självkörande bilar. -
2:23 - 2:26Om du vill kunna skilja på till exempel
-
2:26 - 2:28ett träd och en fotgängare
så är det ganska viktigt. -
2:28 - 2:31Vi vet inte hur vi skulle kunna
programmera något sånt, -
2:31 - 2:34men med maskininlärning
är det här nu möjligt. -
2:34 - 2:37Och den här bilen har faktiskt
kört över 1,5 miljoner mil, -
2:37 - 2:40utan olyckor, på vanliga vägar.
-
2:40 - 2:44Så nu vet vi att datorer kan lära sig,
-
2:44 - 2:46och datorer kan lära sig att göra saker
-
2:46 - 2:49som vi ibland faktiskt själva
inte vet hur man gör, -
2:49 - 2:52eller så kan de göra något
bättre än vi. -
2:52 - 2:56Ett av det mer häpnadsväckande exemplen
av maskininlärning som jag har sett -
2:56 - 2:58tog plats i ett projekt
som jag körde på Kaggle -
2:58 - 3:02där ett lag som leddes av en kille
som heter Geoffrey Hinton -
3:02 - 3:03från University of Toronto
-
3:03 - 3:06vann en tävling
i automatisk medicinforskning. -
3:06 - 3:09Men vad som var exceptionellt
var inte bara att de slog -
3:09 - 3:13alla Mercks algoritmer och hela den
internationella akademiska gemenskapen, -
3:13 - 3:18utan att ingen i laget hade någon bakgrund
i kemi, biologi eller livsvetenskap -
3:18 - 3:20och de klarade det på två veckor.
-
3:20 - 3:22Hur gjorde de detta?
-
3:22 - 3:25De använde en enastående algoritm
som kallas djupinlärning. -
3:25 - 3:28Det här var så viktigt
att det till och med rapporterades -
3:28 - 3:31på framsidan till New York Times
några veckor senare. -
3:31 - 3:34Här är Geoffrey Hinton till vänster.
-
3:34 - 3:38Djupinlärningsalgoritmen
är inspirerad av hur hjärnan fungerar -
3:38 - 3:40och som en effekt av det
-
3:40 - 3:44så har den inga teoretiska begränsningar
i vad den kan åstadkomma. -
3:44 - 3:47Ju mer data och beräkningstid du ger den,
-
3:47 - 3:48desto bättre blir den.
-
3:48 - 3:51New York Times visade
i sin artikel också på -
3:51 - 3:53en annan exceptionell effekt
av djupinlärning -
3:53 - 3:55som jag ska visa er nu.
-
3:56 - 4:00Den visar att datorer
kan lyssna och förstå. -
4:01 - 4:03(Video) Richard Rashid: Det sista steget
-
4:03 - 4:06som jag vill kunna ta i den här processen
-
4:06 - 4:10är att kunna tala till er på kinesiska.
-
4:11 - 4:14Nyckeln här är att
-
4:14 - 4:19vi har kunnat ta en stor mängd information
från många som talar kinesiska -
4:19 - 4:21och producera ett "text till tal"-system
-
4:21 - 4:26som tar kinesisk text
och konverterar den till kinesiskt språk. -
4:26 - 4:30Sen har vi tagit en timme
eller så av min egen röst -
4:30 - 4:32och vi har använt den till att modulera
-
4:32 - 4:36vårt grundläggande "text till tal"-system
så att det låter som jag. -
4:36 - 4:39Återigen, resultatet är inte perfekt.
-
4:39 - 4:42Det finns fortfarande några fel.
-
4:42 - 4:44(Kinesiska)
-
4:44 - 4:47(Applåder)
-
4:49 - 4:52Det finns mycket att göra
på det här området. -
4:53 - 4:56(Kinesiska)
-
4:57 - 5:00(Applåder)
-
5:01 - 5:05Jeremy Howard: Det där var
på en maskininlärningskonferens i Kina. -
5:05 - 5:07Det är faktiskt inte ofta
på akademiska konferenser -
5:07 - 5:09att man hör spontana applåder,
-
5:09 - 5:13fast på TEDx-konferenser
är det förstås välkommet. -
5:13 - 5:15Allt ni såg där hände
med hjälp av maskininlärning. -
5:15 - 5:16(Applåder) Tack.
-
5:16 - 5:19Avskriften till engelska
var djupinlärning. -
5:19 - 5:22Översättningen till kinesiska och texten
i övre högra hörnet vad djupinlärning -
5:22 - 5:26och skapandet av rösten
var också djupinlärning. -
5:27 - 5:29Så djupinlärning är en exceptionell sak.
-
5:29 - 5:32Det är en enda algoritm som ser ut
att kunna göra nästan vad som helst, -
5:32 - 5:36och jag upptäckte att ett år tidigare
hade den också lärt sig att se. -
5:36 - 5:37I en obskyr tävling från Tyskland
-
5:37 - 5:40som hette German Traffic Sign
Recognition Benchmark, -
5:40 - 5:43hade djupinlärning lärt sig
att känna igen trafikskyltar som den här. -
5:43 - 5:45Den kunde inte bara
känna igen trafikskyltarna -
5:45 - 5:47bättre än alla andra algoritmer,
-
5:47 - 5:50utan resultattavlan visade
att den faktiskt var bättre än människor -
5:50 - 5:52ungefär dubbelt så bra som människor.
-
5:52 - 5:54Vid 2011 hade vi det första exemplet
-
5:54 - 5:57på en dator som kan se
bättre än människor. -
5:57 - 5:59Sen dess har det hänt många saker.
-
5:59 - 6:032012 meddelade Google att de hade
låtit en djupinlärningsalgoritm -
6:03 - 6:04titta på YouTube-klipp
-
6:04 - 6:08och beräknade datan
på 16 000 datorer i en månad. -
6:08 - 6:12Och datorn lärde sig, helt av sig själv,
om koncept som människor och katter -
6:12 - 6:14bara genom att titta på klippen.
-
6:14 - 6:16Det här är väldigt likt
den mänskliga lärprocessen. -
6:16 - 6:19Människor lär sig inte genom
att någon berättar vad de ser, -
6:19 - 6:22utan de lär sig själva
vad de här sakerna är. -
6:22 - 6:262012 vann George Hinton,
som vi såg tidigare, också -
6:26 - 6:29den väldigt populära ImageNet-tävlingen,
-
6:29 - 6:33när han försökte lista ut,
på basis av 1,5 miljoner bilder, -
6:33 - 6:34vad bilderna innehöll.
-
6:34 - 6:38Nu 2014, är vi nere på
en sexprocentig felmarginal -
6:38 - 6:39för bildigenkänning.
-
6:39 - 6:41Detta är, återigen, bättre än människor.
-
6:41 - 6:45Så maskiner gör verkligen
ett exceptionellt bra jobb här -
6:45 - 6:47och används nu inom industrin.
-
6:47 - 6:50Till exempel meddelade Google förra året
-
6:50 - 6:55att de hade mappat varenda plats
i Frankrike på två timmar. -
6:55 - 6:58Och de gjorde detta genom
att föda bilder av gatuvyer -
6:58 - 7:01in i en djupinlärningsalgoritm
för att den skulle känna igen -
7:01 - 7:03och läsa gatunummer.
-
7:03 - 7:05Föreställ er hur lång tid
detta skulle ha tagit: -
7:05 - 7:08dussintals med människor, många år.
-
7:08 - 7:10Det här händer också i Kina.
-
7:10 - 7:14Baidu kan väl kanske sägas vara
ett kinesiskt Google -
7:14 - 7:17och vad ni ser här uppe till vänster
-
7:17 - 7:19är ett exempel på en bild
som jag laddade upp -
7:19 - 7:21i Baidus djupinlärningssystem,
-
7:21 - 7:24och nedanför kan ni se att systemet
har förstått vad bilden innehåller -
7:24 - 7:26och hittat liknande bilder.
-
7:26 - 7:29De liknande bilderna har faktiskt
liknande bakgrunder, -
7:29 - 7:31liknande ansiktsvinklar,
-
7:31 - 7:33till och med några med utstickande tungor.
-
7:33 - 7:36Det här handlar inte om att titta
på text på en webbsida. -
7:36 - 7:37Allt jag laddade upp var en bild.
-
7:37 - 7:41Så, nu har vi datorer
som faktiskt förstår vad de ser -
7:41 - 7:43och därmed kan söka igenom databaser
-
7:43 - 7:46med hundra miljontals bilder i realtid.
-
7:46 - 7:49Så vad betyder det nu att datorer kan se?
-
7:49 - 7:52Det betyder inte bara
att datorer kan se. -
7:52 - 7:54Djupinlärning har faktiskt
gjort mer än så. -
7:54 - 7:56Komplexa, nyanserade meningar
-
7:56 - 7:58som den här kan nu förstås
-
7:58 - 7:59med djupinlärningsalgoritmer.
-
7:59 - 8:00Som ni kan se här,
-
8:00 - 8:04så har det här Stanford-baserade systemet
med den röda pricken i toppen -
8:04 - 8:07räknat ut att den här meningen
uttrycker negativa känslor. -
8:07 - 8:10Djupinlärning är faktiskt nära
den mänskliga prestationsförmågan -
8:10 - 8:13när det gäller att förstå
vad meningar handlar om -
8:13 - 8:15och vad de säger om det.
-
8:16 - 8:19Djupinlärning har också använts
till att läsa kinesiska, -
8:19 - 8:22på, återigen, nästan modersmålsnivå.
-
8:22 - 8:24Den här algoritmen
har utvecklats i Schweitz -
8:24 - 8:27av människor som varken talar
eller förstår kinesiska. -
8:27 - 8:29Jag brukar säga att,
att använda djupinlärning -
8:29 - 8:32är nära nog det bästa systemet
i världen för detta -
8:32 - 8:36även jämfört med
mänsklig modersmålsförståelse. -
8:37 - 8:40Det här ett system som vi satte ihop
på mitt företag -
8:40 - 8:42som visar hur allt det här sätts ihop.
-
8:42 - 8:44De här bilderna har ingen vidhängd text,
-
8:44 - 8:47och medan jag skriver in meningar här
-
8:47 - 8:50så förstår den de här bilderna i realtid
-
8:50 - 8:51och listar ut vad de handlar om
-
8:51 - 8:54och hittar bilder som liknar
den text som jag skriver in. -
8:54 - 8:57Så ni kan se att den faktiskt
förstår mina meningar -
8:57 - 8:59och faktiskt förstår de här bilderna.
-
8:59 - 9:02Jag vet att ni har sett
liknande saker på Google, -
9:02 - 9:05där du kan skriva in saker
och den visar dig bilder, -
9:05 - 9:08men vad den faktiskt gör är
att den söker av webbsidan efter text. -
9:08 - 9:11Det är en stor skillnad
mot att förstå bilderna. -
9:11 - 9:13Det här är något som datorer
har kunnat göra -
9:13 - 9:17för första gången
för bara några månader sen. -
9:17 - 9:21Så nu kan vi se att datorer
inte bara kan se, de kan också läsa, -
9:21 - 9:25och så har vi också visat
att de kan förstå vad de hör. -
9:25 - 9:27Kanske är det inte överraskande
att jag nu berättar för er -
9:27 - 9:29att de kan skriva.
-
9:29 - 9:31Här är lite text som jag genererade igår
-
9:31 - 9:33med hjälp av en djupinlärningsalgoritm.
-
9:34 - 9:37Och här är lite text som en algoritm
från Stanford har genererat. -
9:37 - 9:39Var och en av dessa meningar
har genererats -
9:39 - 9:43av en djupinlärningsalgoritm
för att förklara varje bild. -
9:43 - 9:48Den här algoritmen har aldrig förut sett
en man i svart tröja som spelar gitarr. -
9:48 - 9:50Den har sett en man förut,
den har sett svart förut, -
9:50 - 9:51den har sett en gitarr förut,
-
9:51 - 9:55men den har helt fristående genererat
den här nya beskrivningen av bilden. -
9:55 - 9:59Vi är ännu inte riktigt framme
vid mänsklig prestationsförmåga här, -
9:59 - 9:59men vi är nära.
-
9:59 - 10:03Tester har visat att människor föredrar
den datorgenererade förklaringen -
10:03 - 10:05en av fyra gånger.
-
10:05 - 10:07Det här systemet är nu bara
två veckor gammalt, -
10:07 - 10:09så det är sannolikt att datoralgoritmen
-
10:09 - 10:11kommer att slå mänsklig prestationsförmåga
-
10:11 - 10:12inom ett år
-
10:12 - 10:13om det fortsätter i samma takt.
-
10:13 - 10:16Så, datorer kan skriva också.
-
10:16 - 10:20När vi slår samman allt det här
så ser vi väldigt spännande möjligheter. -
10:20 - 10:21Till exempel inom läkekonsten,
-
10:21 - 10:24ett team i Boston meddelade
att de hade upptäckt -
10:24 - 10:27dussintals nya kliniskt
relevanta kännetecken -
10:27 - 10:31på tumörer, som hjälper läkare
att göra cancerprognoser. -
10:32 - 10:34Också liknande,
meddelade en grupp i Stanford -
10:34 - 10:39att de, genom att titta på vävnad
under förstoring, hade utvecklat -
10:39 - 10:41ett maskininlärningsbaserat system
-
10:41 - 10:43som faktiskt är bättre
än mänskliga patologer -
10:43 - 10:45på att förutse överlevnadssiffror
-
10:45 - 10:47för cancersjuka.
-
10:47 - 10:49I båda dessa fall
visade sig förutsägelserna -
10:49 - 10:51inte bara vara mer rättvisande
-
10:51 - 10:53utan de genererade också
ny insiktsfull kunskap. -
10:53 - 10:55I röntgenfallet
-
10:55 - 10:58var det nya kliniska indikatorer
som människor kan förstå. -
10:58 - 11:00I patologifallet
-
11:00 - 11:04upptäckte systemet
att cellerna runt cancern -
11:04 - 11:08är lika viktiga som cancercellerna själva
-
11:08 - 11:09för att ställa diagnos.
-
11:09 - 11:14Det här var motsatsen till vad patologer
hade fått lära sig i årtionden. -
11:15 - 11:18I båda dessa fall var systemen utvecklade
-
11:18 - 11:21av en kombination av medicinska experter
och maskininlärningsexperter, -
11:21 - 11:24men sedan ett år tillbaka
har vi tagit oss förbi det också. -
11:24 - 11:28Det här är ett exempel på hur man
identifierar cancerområden -
11:28 - 11:30i mänsklig vävnad under ett mikroskåp.
-
11:30 - 11:35Systemet som visas här kan identifiera
de områdena med större exakthet, -
11:35 - 11:38eller ungefär lika exakt,
som mänskliga patologer, -
11:38 - 11:41fast det enbart bygger på djupinlärning
helt utan medicinsk expertis -
11:41 - 11:44och har byggts av människor
som inte har någon erfarenhet på området. -
11:45 - 11:47På liknande vis, här, det här med
segmentering av neuroner. -
11:47 - 11:51Vi kan nu segmentera neuroner
ungefär lika exakt som människor kan, -
11:51 - 11:53men det här systemet utvecklades
med hjälp av djupinlärning -
11:53 - 11:56av människor utan erfarenhet av läkekonst.
-
11:57 - 12:00Så jag själv, som någon som inte har
någon erfarenhet av läkekonst, -
12:00 - 12:04tycks vara helt kvalificerad för
att starta ett nytt medicinskt företag, -
12:04 - 12:06vilket jag gjorde.
-
12:06 - 12:08Jag var en aning livrädd för att göra det,
-
12:08 - 12:11men teoretiskt sett borde det vara möjligt
-
12:11 - 12:16att praktisera nyttig läkekonst
bara på basis av dessa dataanalystekniker. -
12:16 - 12:19Och som tur är har återkopplingen
varit fantastisk, -
12:19 - 12:21inte bara från media
utan också från läkarkåren, -
12:21 - 12:23som har varit väldigt stöttande.
-
12:23 - 12:27Teorin innebär att vi kan ta mittendelen
av den medicinska processen -
12:27 - 12:30och göra om den till dataanalys
så långt det är möjligt, -
12:30 - 12:33och på så sätt frigöra läkarna till
att göra det de är bäst på. -
12:33 - 12:35Jag vill ge er ett exempel.
-
12:35 - 12:37Det tar oss nu ungefär 15 minuter
-
12:37 - 12:40att ta fram ett nytt
medicinskt diagnostiskt test -
12:40 - 12:42och jag ska visa er det i realtid nu,
-
12:42 - 12:44men jag har komprimerat det
till tre minuter -
12:44 - 12:45genom att skära bort en del.
-
12:45 - 12:49Snarare än att visa er hur man skapar
ett medicinskt diagnostiskt test, -
12:49 - 12:50så vill jag visa er
-
12:50 - 12:52ett diagnostiskt test på bilbilder,
-
12:52 - 12:54eftersom det är något
som vi alla kan förstå. -
12:54 - 12:57Så vi börjar med ungefär
1,5 miljoner bilbilder, -
12:57 - 13:00och jag vill skapa något som kan sortera
dem beroende på vilken -
13:00 - 13:03vinkel bilden är tagen ur.
-
13:03 - 13:07De här bilderna har inga etiketter,
så jag måste börja från början. -
13:07 - 13:08Med vår djupinlärningsalgoritm
-
13:08 - 13:12kan den automatiskt identifiera områden
med struktur i bilderna. -
13:12 - 13:16Det fina är att nu kan människan
och datorn samarbeta. -
13:16 - 13:18Människan, som ni ser här,
-
13:18 - 13:22talar om för datorn vilka områden
som är intressanta, den information -
13:22 - 13:26som hon vill att datorn använder
för att förbättra algoritmen. -
13:26 - 13:28De här djupinlärningssystemen
-
13:28 - 13:30existerar faktiskt
i en 16000-dimensionell rymd, -
13:30 - 13:33så ni kan här se hur datorn roterar
genom den rymden -
13:33 - 13:35och letar efter nya strukturella områden.
-
13:35 - 13:37Och när den hittar ett sånt
-
13:37 - 13:41så kan människan som styr den påpeka
att dessa områden är intressanta. -
13:41 - 13:43Så här har datorn lyckats hitta områden,
-
13:43 - 13:46till exempel vinklar.
-
13:46 - 13:48Så medan vi går igenom den här processen,
-
13:48 - 13:50så berättar vi gradvis
mer och mer för datorn -
13:50 - 13:52om vilka strukturer vi letar efter.
-
13:52 - 13:54I ett diagnostiskt test
-
13:54 - 13:57skulle det här motsvara en patolog
som identifierar sjuka områden -
13:57 - 14:02eller en radiolog som identifierar
potentiellt farliga knutor. -
14:02 - 14:05Och ibland kan det vara svårt
för algoritmen. -
14:05 - 14:07I det här fallet blev den något förvirrad.
-
14:07 - 14:09Fronten och bakänden på bilarna
är helt ihopblandade. -
14:09 - 14:11Så här behöver vi
vara lite mer försiktiga, -
14:11 - 14:15och manuellt välja ut fronterna
men inte bakändarna, -
14:15 - 14:20och sen berätta för datorn
att detta är en sorts grupp -
14:20 - 14:22som vi är intresserade av.
-
14:22 - 14:24Så vi gör det en stund,
vi hoppar över en liten bit, -
14:24 - 14:26och sen tränar vi
maskininlärningsalgoritmen -
14:26 - 14:28baserat på ett par hundra saker
-
14:28 - 14:30och så hoppas vi att den har
blivit mycket bättre. -
14:30 - 14:34Ni kan se att den nu har börjat tona ut
vissa av de här bilderna -
14:34 - 14:38och visar oss därmed att den redan vet
hur den själv ska förstå vissa av dem. -
14:38 - 14:41Sen kan vi använda det här konceptet
av liknande bilder -
14:41 - 14:43och med hjälp av liknande bilder
-
14:43 - 14:45kan ni nu se att datorn vid det här laget
-
14:45 - 14:47kan hitta enbart bilder med bilfronter.
-
14:47 - 14:50Så, vid det här laget kan människan
berätta för datorn att, -
14:50 - 14:52"Okej, bra - du har gjort
ett bra jobb med det." -
14:54 - 14:56Ibland är det förstås
även vid det här laget -
14:56 - 15:00svårt att skilja ut grupper.
-
15:00 - 15:02I det här fallet,
trots att vi har låtit datorn -
15:02 - 15:04försöka rotera det här en stund,
-
15:04 - 15:07så ser vi att bilder
av vänster och höger sida -
15:07 - 15:08har blandats ihop.
-
15:08 - 15:10Så vi kan ge datorn några tips,
-
15:10 - 15:13som "Okej, försök hitta
en projektion som skiljer ut -
15:13 - 15:15vänstersidorna och högersidorna
-
15:15 - 15:16så gott det går
-
15:16 - 15:18med hjälp av en djupinlärningsalgoritm."
-
15:18 - 15:21Och med det tipset - ah, så lyckas den.
-
15:21 - 15:24Den har hittat ett sätt
att tänka kring de här objekten -
15:24 - 15:26som har skiljt ut dessa tillsammans.
-
15:26 - 15:29Så ni förstår tanken här.
-
15:29 - 15:32Det här är ett fall som inte handlar om
-
15:32 - 15:37att människan ersätts av datorn,
-
15:37 - 15:40utan om att de arbetar tillsammans.
-
15:40 - 15:43Vad vi gör är att vi ersätter någonting
som brukade ta ett helt team -
15:43 - 15:45på fem eller sex personer ungefär sju år
-
15:45 - 15:48och ersätter det med någonting
som tar 15 minuter -
15:48 - 15:50för en person på egen hand.
-
15:50 - 15:54Så den här processen kräver ungefär
fyra eller fem upprepningar. -
15:54 - 15:56Ni kan se att vi nu har 62 procent
-
15:56 - 15:58av våra 1,5 miljoner bilder
korrekt klassificerade. -
15:58 - 16:01Och vid det här laget,
kan vi börja att ganska snabbt -
16:01 - 16:02ta tag i en hela stora sektioner
-
16:02 - 16:06och kolla igenom för att säkerställa
att det inte finns några misstag. -
16:06 - 16:09Där vi hittar misstag
kan vi uppmärksamma datorn på dem. -
16:10 - 16:13Genom att använda den här sortens process
för alla olika grupper, -
16:13 - 16:15är vi nu uppe i 80 procent
-
16:15 - 16:18framgångsrikt klassificerade bilder.
-
16:18 - 16:20Och vid det här laget
är det bara en fråga om -
16:20 - 16:23att hitta de få bilder
som inte har klassificerats korrekt, -
16:23 - 16:26och försöka förstå varför.
-
16:26 - 16:28Och på det sättet
-
16:28 - 16:32är vi efter 15 minuter uppe
i 97 procent klassificerade bilder. -
16:32 - 16:36Det här är en teknik som skulle kunna
bistå med att överbrygga det stora problem -
16:36 - 16:40som utgörs av begränsad tillgång
till medicinsk expertis i världen. -
16:40 - 16:43Världsekonomiskt forum menar
att det råder en mellan 10x och 20x -
16:43 - 16:46brist på läkare i utvecklingsländer
-
16:46 - 16:48och att det skulle ta ungefär 300 år
-
16:48 - 16:50att lära upp tillräckligt många människor
-
16:50 - 16:51för att lösa det.
-
16:51 - 16:54Så föreställ er om vi kan hjälpa till
att öka effektiviteten -
16:54 - 16:56med hjälp av djupinlärning.
-
16:56 - 16:59Så, de här möjligheterna
gör mig väldigt ivrig. -
16:59 - 17:01Jag är också bekymrad över problemen.
-
17:01 - 17:04Problemet är att i alla blå områden
på den här kartan -
17:04 - 17:08består jobben till 80 procent av tjänster.
-
17:08 - 17:10Vad är tjänster?
-
17:10 - 17:11Det här är tjänster.
-
17:11 - 17:16Det här är också precis vad datorerna
har lärt sig att göra. -
17:16 - 17:19Så 80 procent av jobben
i den utvecklade världen -
17:19 - 17:22utför sånt som datorer
precis har lärt sig att göra. -
17:22 - 17:23Vad betyder det här?
-
17:23 - 17:26Nå, det blir fint.
Nya jobb kommer att ersätta dem. -
17:26 - 17:29Till exempel blir det fler jobb
för forskare inom data. -
17:29 - 17:30Eller, inte riktigt.
-
17:30 - 17:33Det tar inte en forskare särskilt lång tid
att bygga en sån här. -
17:33 - 17:36De här fyra algoritmerna, till exempel,
har alla byggts av samma kille. -
17:36 - 17:38Så, om ni tänker att,
"Åh, det här har hänt förr, -
17:38 - 17:42vi har sett det här hända
när nya saker har uppfunnits -
17:42 - 17:44och de har ersatts av nya jobb,
-
17:44 - 17:46vilka kommer de nya jobben att vara?"
-
17:46 - 17:48Det är väldigt svårt att räkna ut,
-
17:48 - 17:51eftersom mänsklig prestationsförmåga
utvecklas gradvis, -
17:51 - 17:54emedan vi nu har ett system,
djupinlärning, som vi vet -
17:54 - 17:57faktiskt utvecklas exponentiellt.
-
17:57 - 17:58Och vi är här.
-
17:58 - 18:01Så nu ser vi saker omkring oss och
-
18:01 - 18:03och vi tänker "Åh, datorer är
rätt korkade." Eller hur? -
18:03 - 18:07Men om fem år kommer datorerna
att ha lämnat oss långt bakom sig. -
18:07 - 18:11Så vi behöver börja tänka på
den här förmågan redan nu. -
18:11 - 18:12Vi har sett det en gång tidigare förstås.
-
18:12 - 18:14I den industriella revolutionen
-
18:14 - 18:17såg vi en stegvis förändring
i prestanda tack vare motorer. -
18:18 - 18:21Saken är den, att efter en stund
flackade kurvan ut. -
18:21 - 18:22Det orsakade social förändring,
-
18:22 - 18:26men så snart motorerna användes
för att generera kraft i alla situationer -
18:26 - 18:28så lugnade det ner sig.
-
18:28 - 18:29Maskininlärningsrevolutionen
-
18:29 - 18:32kommer skilja sig mycket
från den industriella revolutionen, -
18:32 - 18:36därför att maskininlärningsrevolutionen
aldrig kommer att lugna ner sig. -
18:36 - 18:38Ju bättre datorer blir
på intellektuella aktiviteter -
18:38 - 18:43desto bättre kan de bygga bättre datorer
som har större intellektuella förmågor, -
18:43 - 18:45så det här kommer att bli en förändring
-
18:45 - 18:47som världen aldrig förr har upplevt,
-
18:47 - 18:50så er tidigare uppfattning
om vad som är möjligt förändras. -
18:51 - 18:53Det här påverkar oss redan.
-
18:53 - 18:56Under de senaste 25 åren
har kapitalproduktiviteten ökat, -
18:56 - 19:01arbetsproduktivitet är oförändrad,
faktiskt en aning minskande. -
19:01 - 19:04Så jag vill att vi börjar
diskutera det här nu. -
19:04 - 19:07Jag vet att ganska ofta
när jag berättar om det här, -
19:07 - 19:09kan folk vara ganska avfärdande.
-
19:09 - 19:10Datorer kan inte tänka på riktigt,
-
19:10 - 19:13de har inga känslor,
de förstår inte poesi, -
19:13 - 19:16vi förstår inte riktigt hur de fungerar.
-
19:16 - 19:17Så vadå?
-
19:17 - 19:19Just nu kan datorer göra det
-
19:19 - 19:22som människor ägnar det mesta
av sin tid åt att göra för att få betalt, -
19:22 - 19:24så det är hög tid att börja tänka
-
19:24 - 19:28på hur vi ska anpassa
våra sociala och ekonomiska strukturer -
19:28 - 19:30för att klara av den nya verkligheten.
-
19:30 - 19:31Tack.
-
19:31 - 19:32(Applåder)
- Title:
- De underbara och skrämmande konsekvenserna av datorer som kan lära sig
- Speaker:
- Jeremy Howard
- Description:
-
Vad händer när vi lär en dator att lära sig? Teknologen Jeremy Howard delar med sig av ny, överraskande utveckling på det snabbt föränderliga djupinlärningsområdet. En teknik som kan ge datorer förmågan att lära sig kinesiska, eller känna igen objekt i bilder, eller hjälpa till med en noggrann medicinsk diagnos. (Ett djupinlärningsverktyg förstod på egen hand konceptet "katter" efter att ha tittat på YouTube i timtal.) Låt dig fångas av ett område som kommer att ändra hur datorerna omkring dig fungerar... fortare än du sannolikt tror.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Annika Bidner approved Swedish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Annika Bidner accepted Swedish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Annika Bidner edited Swedish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Annika Bidner edited Swedish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Annika Bidner edited Swedish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Annika Bidner edited Swedish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Annika Bidner edited Swedish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hanna Lagerquist edited Swedish subtitles for The wonderful and terrifying implications of computers that can learn |