YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

Thai subtitles

← ผลที่น่ามหัศจรรย์และน่าสะพรึงกลัว ของคอมพิวเตอร์ที่เรียนรู้ได้เอง

Get Embed Code
30 Languages

Showing Revision 36 created 05/21/2015 by Kom Tukovinit.

  1. เคยเป็นว่าถ้าอยากได้คอมพ์ มาทำอะไรที่ใหม่ๆ
  2. คุณก็ต้องโปรแกรมมัน
  3. ครับ การทำโปรแกรม
    สำหรับคนที่ยังไม่เคยทำเอง
  4. ก็ต้องวางแผนรายละเอียด
    อย่างเลือดตาแทบกระเด็น
  5. ในทุกขั้นตอน ที่คุณต้องการให้คอมพิวเตอร์ทำ
  6. เพื่อให้บรรลุเป้าหมายของคุณ
  7. ถ้าต้องการทำสิ่งที่คุณเองไม่รู้วิธีทำแล้ว
  8. ก็จะเป็นเรื่องท้าทายที่ยิ่งใหญ่ ที่ชายชื่อ
  9. อาร์เธอร์ แซมวล ก็เผชิญมาแล้วในอดีต

  10. ปี 1956 เขาอยากจะให้คอมพิวเตอร์เครื่องนี้
  11. เอาชนะเขาได้ ในเกมหมากฮอส
  12. จะเขียนโปรแกรมโดยวางรายละเอียด
  13. อย่างเลือดตาแทบกระเด็น
    ให้เหนือกว่าคุณในเกม ได้อย่างไร
  14. ดังนั้น เขาจึงเกิดความคิดใหม่ขึ้นมา
  15. เขาให้คอมพ์เล่นแข่งกับตัวเอง หลายพันครั้ง
  16. และให้มันเรียนรู้ ที่จะเล่นเกมหมากฮอส
  17. และมันก็ได้ผลจริง ๆ และตอนปี 1962
  18. คอมพ์เครื่องนี้ เล่นชนะแชมป์รัฐคอนเนตทิคัต
  19. อาร์เธอร์ แซมวล ถือว่าเป็นบิดา
    ของการเรียนรู้ของเครื่อง

  20. ผมเป็นหนี้เขาอย่างใหญ่หลวง เพราะ
  21. ผมเป็นผู้ปฏิบัติงาน ด้านเครื่องเรียนรู้นี้
  22. อดีตผมเป็นประธานกลุ่มแค็กเกิล
  23. เป็นกลุ่มคนกว่า 2 แสนคนที่ทำงานด้านนี้
  24. แค็กเกิลจัดการแข่งขัน เพื่อพยายามให้
  25. เครื่องเหล่านั้นแก้ปัญหาที่แก้ไม่ได้มาก่อน
  26. และก็ประสบผลสำเร็จมาแล้วหลายร้อยครั้ง
  27. ดังนั้น จากมุมมองที่กว้างขวางนี้
    ผมจึงได้ค้นพบ
  28. เรื่องการเรียนรู้ของเครื่องอีกมากมาย
    ที่พวกมันทำได้
  29. ในอดีต ปัจจุบัน และอนาคต
    ส่วนความสำเร็จเชิงพาณิชย์
  30. ที่ยิ่งใหญ่ครั้งแรกของเรื่องนี้ อาจคือ
  31. กูเกิลที่ให้เห็นว่าเป็นไปได้ที่จะค้นข้อมูล
  32. โดยใช้วิธีการทางคอมพิวเตอร์
  33. ซึ่งมีพื้นฐานมาจาก การเรียนรู้ของเครื่อง
  34. แต่นั้นมา มีความสำเร็จเชิงพาณิชย์อีกมาก
  35. บริษัท อย่างเช่น แอมะซอน และ เน็ตฟลิกส์
  36. ใช้การเรียนรู้ของเครื่อง เพื่อแนะนำสินค้า
  37. ที่คุณอาจอยากซื้อ ภาพยนตร์ที่อาจอยากดู
  38. บางครั้ง ก็เกือบทำให้ขนลุก
  39. บริษัทอย่างเช่น ลิงด์อิน และเฟสบุก
  40. บางครั้งจะบอกว่า ใครอาจเป็นเพื่อนของคุณ
  41. และคุณก็คิดไม่ออกเลยว่า มันทำได้อย่างไร
  42. นี่ก็เพราะ มันใช้พลังการเรียนรู้ของเครื่อง
  43. เป็นวิธีการทางคอมพ์ ที่เรียนรู้วิธีทำได้
  44. จากข้อมูล แทนโปรแกรม ที่ต้องใช้มือทำ
  45. สิ่งนี่ยังทำให้ IBM สำเร็จในการทำให้

  46. วัทสัน ชนะแชมป์โลกสองคนใน "เจเพอะดี" โชว์
  47. โดยตอบคำถามที่ลึกลับซับซ้อนเหลือเชื่อ เช่น
  48. ["ของโบราณ 'สิงโตแห่งนิมรัต'
    หายไปจากพิพิธภัณฑ์ในปี 2003]
  49. ยังให้เราเห็นในขณะนี้ รถพวกแรกที่ขับได้เอง
  50. ถ้าคุณต้องการจะบอกความแตกต่างระหว่าง เช่น
  51. ต้นไม้กับคนเดินถนน ครับ นั่นมันสำคัญมาก
  52. เราไม่รู้วิธีเขียนโปรแกรมเหล่านั้น ด้วยมือ
  53. แต่จากการเรียนรู้ของเครื่อง มันเป็นไปได้
  54. ความจริงแล้ว รถคันนี้ขับมาแล้วกว่าล้านไมล์
  55. โดยไม่เกิดอุบัติเหตุ บนถนนปกติ
  56. ขณะนี้เราจึงรู้ว่า เครื่องคอมพ์เรียนรู้ได้

  57. คอมพิวเตอร์เรียนรู้ ที่จะทำสิ่งต่างๆที่
  58. บางครั้งเราไม่รู้จริงๆ ว่าจะทำเองอย่างไร
  59. หรือบางทีมันอาจจะทำได้ ดีกว่าเราเสียอีก
  60. ตัวอย่างหนึ่งที่น่าทึ่งที่สุด ที่ผมเคยเห็น
  61. เกิดขึ้นในโครงการที่ผมทำ ที่แคกเกิล
  62. ในทีมงานที่นำโดยหนุ่มชื่อ เจฟฟรี ฮินตัน
  63. จากมหาวิทยาลัยโทรอนโต
  64. เขาชนะการแข่งขัน การค้นพบยาโดยอัตโนมัติ
  65. ความพิเศษคือ ไม่ใช่เพียงเอาชนะวิธีทั้งหมด
  66. ที่พัฒนาโดย เมอร์ค, กลุ่มวิชาการนาๆชาติ
  67. แต่ไม่มีใครในทีมมีพื้นทางเคมี
    หรือชีววิทยาศาสตร์
  68. และพวกเขาทำให้ชนะได้ ในสองสัปดาห์
  69. พวกเขาทำได้อย่างไรหรือ
  70. เขาใช้วิธีคอมพ์ที่เรียกว่า การเรียนรู้ลึก
    (deep learning)
  71. เรื่องนี้สำคัญมากจนกระทั่ง
    ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง
  72. ของนิวยอร์คไทม์ 2-3 อาทิตย์ต่อมา
  73. นี่คือ เจฟฟรี่ ฮินตัน ตรงนี้ด้านซ้ายมือ
  74. การเรียนรู้ลึก เป็นวิธีการทางคอมพ์ที่นำ
  75. วิธีทำงานของสมองคนมา ผลคือ เป็นวิธีที่
  76. ไม่มีข้อจำกัดทางทฤษฎีว่า มันทำอะไรได้บ้าง
  77. ยิ่งให้ข้อมูลมัน ยิ่งให้เวลาคำนวณมากขึ้น
  78. มันก็จะทำงานได้ดียิ่งขึ้น
  79. นิวยอร์คไทม์ ยังแสดงให้เห็นในบทความนี้

  80. ถึงผลลัพท์พิเศษอีกอย่างของ การเรียนรู้ลึก
  81. ซึ่งผมจะแสดงให้คุณดู เดี๋ยวนี้
  82. มันแสดงว่า คอมพ์ฟังรู้เรื่องและเข้าใจได้
  83. (วิดีโอ) ริชาร์ด ราชิด: ครับ ขั้นสุดท้าย

  84. ที่ผมอยากจะทำให้ได้ ในกระบวนการนี้
  85. คือ พูดกับคุณจริงๆ เป็นภาษาจีน
  86. ครับ สิ่งสำคัญในเรื่องนี้ก็คือ เราสามารถ
  87. เอาข้อมูลจำนวนมากมาได้ จากคนพูดจีนหลายๆคน
  88. และทำ "ระบบเนื้อหา-คำพูด" ออกมา, ระบบนี้จะ
  89. เอาข้อความภาษาจีนมา เปลี่ยนให้เป็นภาษาจีน
  90. แล้วก็เอาเสียงของผมเอง ราวหนึ่ง ช.ม
  91. แล้วใช้เสียงมาปรับระบบเนื้อหา-คำพูด
  92. เพื่อที่จะให้มีเสียงเหมือนผม
  93. อีกนั่นแหละ ผลที่ได้ไม่ดีเลิศนัก
  94. จริงๆแล้ว มีข้อผิดพลาดหลายอย่าง
  95. (ภาษาจีน)
  96. (เสียงปรบมือ)
  97. ยังมีสิ่งที่ต้องทำอีกมาก ในเรื่องนี้
  98. (ภาษาจีน)
  99. (เสียงปรบมือ)
  100. เจเรมี่ เฮาวาร์ด: นั่นเป็นการประชุมที่จีน

  101. จริงๆ ไม่บ่อยนัก ในการประชุมทางวิชาการ
  102. ที่จะได้ยินคนปรบมือเอง พร้อมเพรียงกัน
  103. แต่แน่ว่า บางครั้งในการประชุม TEDx
    จงทำตามใจชอบ
  104. ทุกสิ่งที่เห็นที่นั่นเกิดจากการเรียนรู้ลึก
  105. (เสียงปรบมือและหัวเราะ)
    ขอบคุณครับ
  106. การถอดเป็นภาษาอังกฤษทำโดยการเรียนรู้ลึก
  107. ซึ่งแปลเป็นภาษาจีนและข้อความด้านบนขวา
  108. การสร้างเสียงก็เป็นการเรียนรู้ลีก เช่นกัน
  109. การเรียนรู้ลึกจึงเป็นสิ่งพิเศษ

  110. เป็นวิธีเดียวทางคอมพ์ที่ทำได้เกือบทุกอย่าง
  111. ผมพบปีที่แล้วว่า มันเรียนที่จะเห็นได้ด้วย
  112. ในการแข่งขันที่ไม่ค่อยรู้จัก
    ในเยอรมนี ชื่อ
  113. เยอรมันแทร็ฟฟิกซายน์เรคอกนิชั่นเบนช์มาร์ก
  114. การเรียนรู้ลึก เรียนรู้จำสัญญาณจราจรนี้
  115. ไม่เพียงแค่ รู้จำสัญญาณจราจรได้ดีกว่า
  116. วิธีการอื่นๆทางคอมพิวเตอร์ เท่านั้น
  117. ป้ายคะแนนนแสดงว่า จริง ๆ แล้ว
  118. มันดีกว่าคนประมาณสองเท่า
  119. ดังนั้น โดยปี 2011 เราจึงมีตัวอย่างแรก
  120. ของคอมพิวเตอร์ ที่สามารถมองเห็นได้ดีกว่าคน
  121. ตั้งแต่นั้นมา สิ่งต่างๆมากมายได้เกิดขึ้น
  122. ปี 2012 กูเกิลแจ้งว่า ได้ให้การเรียนรู้ลึก
  123. ดูยูทูบวิดีโอ ขบเคี้ยวข้อมูล
  124. จากคอมพิวเตอร์ 16,000 เครื่องอยู่ 1 เดือน
  125. และคอมพ์ก็เรียนรู้ได้เองถึงแนวความคิด
  126. เช่น คนกับแมว เพียงดูแค่วิดีโอเท่านั้น
  127. สิ่งนี้เหมือนวิธีที่มนุษย์เรียนรู้อย่างมาก
  128. มนุษย์ไม่ได้เรียนโดยให้คนอื่นบอกว่า
    เขาเห็นอะไร
  129. แต่โดยเรียนด้วยตนเองว่า ของเหล่านี้คืออะไร
  130. ปี 2012 เจฟฟรี่ ฮินตัน ที่เราเห็นตอนต้น
  131. ยังชนะการแข่ง อิมเมจเน็ด ที่มีชื่อมาก ซึ่ง
  132. พยายามหาวิธีคิด จากภาพล้านห้าแสนภาพ
  133. ว่า ภาพเหล่านี้เป็นภาพอะไร
  134. ถึงปี 2014 นี้ เราลดอัตราผิดจนเหลือ 6%
  135. ในการรู้จำภาพได้
  136. นี่ก็ดีกว่าคนอีกเหมือนกัน
  137. เครื่องจึงทำงานได้ดีพิเศษจริง ในเรื่องนี้

  138. และขณะนี้ก็กำลังมีการนำไปใช้ ในอุตสาหกรรม
  139. เช่น กูเกิลประกาศเมื่อปีที่แล้ว ว่า
  140. ได้ทำแผนที่ทุกๆตำแหน่งในฝรั่งเศสใน 2 ช.ม
  141. และวิธีที่พวกเขาทำนั้น คือ ใส่ภาพถนนเข้าไป
  142. ในการเรียนรู้ลึก เพื่อให้รู้จำและอ่านเลขถนน
  143. ลองจินตนาการดู แต่ก่อนจะใช้เวลานานแค่ไหน
  144. ใช้คนมากมายหลายคน หลายปี
  145. เรื่องนี้ก็กำลังเกิดขึ้นในจีนด้วย
  146. ไบดู เป็นเหมือนกับกูเกลของจีน และ
  147. ที่คุณเห็น ตรงด้านบนซ้ายมือ คือ ตัวอย่าง
  148. รูปที่ผมใส่เข้าไป ในระบบเรียนรู้ลึกของไบดู
  149. ตรงข้างล่าง คุณจะเห็นได้ว่า ระบบเข้าใจได้
  150. ว่าเป็นภาพอะไร และค้นพบภาพที่เหมือนกัน
  151. ซึ่งจริงๆแล้ว คือมีแบ็กกราวเหมือนกัน
  152. หันหน้าไปทิศทางเดียวกัน
  153. แม้กระทั่ง บางรูปที่แลบลิ้นออกมา
  154. นี่ไม่ใช่มองที่ เนื้อหาเว็บเพจอย่างแน่นอน
  155. ผมส่งเพียงแต่รูป ๆ เดียวเท่านั้น
  156. ขณะนี้มีคอมพ์ ที่เข้าใจสิ่งที่มันเห็นจริงๆ
  157. จึงสามารถค้นหาฐานข้อมูลได้
  158. เป็นหลายร้อยล้านภาพ ในเวลาสั้นๆ
  159. อะไรจะเกิดขึ้น เมื่อมีคอมพ์ที่มองเห็นได้

  160. แต่ไม่ใช่แค่มองเห็นได้เท่านั้น
  161. จริงๆแล้ว การเรียนรู้ลึก ทำได้มากกว่านั้น
  162. ประโยคที่ต่างกันน้อยมาก ซับซ้อน อย่างนี้
  163. ขณะนี้เข้าใจได้แล้ว ด้วยวิธีการเรียนรู้ลึก
  164. อย่างที่คุณเห็นตรงนี้
  165. ระบบฐานสแตนฟอร์ดนี้ แสดงจุดสีแดงด้านบนสุด
  166. คิดออกว่า ประโยคนี้แสดงอารมณ์เชิงลบ
  167. จริงๆการเรียนรู้ลึก ใกล้สมรรถภาพมนุษย์แล้ว
  168. เข้าใจได้ว่า ประโยคบอกเรื่องอะไร
    และมีความหมายอะไร
  169. การเรียนรู้ลึก ยังนำไปใช้เพื่ออ่านภาษาจีน
  170. อีกนั่นแหละ ประมาณระดับคนจีนพื้นเมือง
  171. วิธีการทางคอมพ์นี้ ได้พัฒนาออกมาจากสวิสฯ
  172. โดยคนที่ไม่มีใครพูดหรือเข้าใจภาษาจีนเลย
  173. อย่างที่ผมบอก การใช้การเรียนรู้ลึก
  174. เกือบเป็นระบบที่ดีที่สุดในโลก สำหรับงานนี้
  175. แม้เมื่อเปรียบกับความเข้าใจของคนพื้นบ้าน
  176. นี่เป็นระบบที่เราประกอบขึ้นมา
    ที่บริษัทของผม

  177. ซึ่งให้เห็นการเอาสิ่งทั้งหลายเข้ามารวมกัน
  178. พวกนี้ให้เห็นภาพ ที่ไม่มีข้อความกำกับ
  179. และขณะที่ผมพิมพ์ประโยคอยู่ตรงนี้
  180. ในเวลาสั้นๆ มันก็เข้าใจรูปเหล่านี้
  181. และคิดออกได้ว่า มันเป็นเรื่องอะไร
  182. และไปหาภาพ ที่เหมือนกับข้อความที่ผมเขียน
  183. จึงเห็นได้ เป็นความเข้าใจประโยคของผมจริงๆ
  184. เป็นความเข้าใจภาพเหล่านี้จริง
  185. ผมรู้ว่า คุณเคยเห็นแบบนี้ในกูเกิลแล้ว
  186. ที่คุณพิมพ์ข้อความ แล้วมันจะแสดงภาพออกมา
  187. แต่จริงๆสิ่งที่มันทำคือ หาข้อความในเว็บเพจ
  188. เรื่องนี้ต่างกันมาก กับการเข้าใจภาพพวกนั้น
  189. นี่เป็นสิ่งที่คอมพ์สามารถทำได้
  190. เป็นครั้งแรก ในไม่กี่เดือนที่ผ่านมานี้
  191. ขณะนี้จึงเห็นได้ว่า คอมพ์ไม่ได้แค่เห็น แต่

  192. อ่านได้ด้วย และเราก็ให้เห็นว่า
    มันก็เข้าใจสิ่งที่มันได้ยิน
  193. อาจไม่น่าแปลกใจ ถ้าจะบอกว่า มันก็เขียนได้
  194. ประโยคนี้ผมสร้างเมื่อวาน ใช้การเรียนรู้ลึก
  195. ข้อความนี้ สร้างโดยวิธีคอมพ์ของสแตนฟอร์ด
  196. แต่ละประโยคสร้างขึ้น
  197. โดยวิธีการเรียนรู้ลึก เพื่ออธิบายภาพนั้นๆ
  198. แต่ก่อนวิธีการคอมพ์ ไม่เคยเห็นชายเสื้อดำ
    กำลังเล่นกีต้าร์
  199. แต่มันเคยเห็นผู้ชาย เคยเห็นสีดำ
  200. เคยเห็นกีต้าร์ แต่ด้วยตัวมันเอง
  201. ได้สร้างการอธิบายภาพนี้ในแนวใหม่
  202. ยังคงไม่เหมือนมนุษย์ทีเดียว แต่ก็ใกล้แล้ว
  203. ในการทดสอบ มนุษย์ชอบคำบรรยายสร้างโดยคอมพ์
  204. หนึ่งในสี่ครั้ง
  205. ปัจจุบัน ระบบนี้มีอายุแค่ 2 สัปดาห์
  206. ดังนั้น บางที ภายในปีหน้า
  207. วิธีทางคอมพ์ อาจไปไกลเกินหน้าการปฏิบัติงาน
  208. ของมนุษย์ ที่อัตราที่กำลังเป็นอยู่นี้
  209. คอมพิวเตอร์ จึงสามารถเขียนได้ด้วย
  210. รวมๆแล้ว ก็จะเห็นโอกาสทีน่าตื่นเต้นมาก

  211. ตัวอย่างเช่น ในทางการแพทย์
  212. ทีมงานในบอสตัน ประกาศว่าพวกเขาได้ค้นพบ
  213. ลักษณะต่าง ๆ มากมาย
    ที่เกี่ยวข้องกับการรักษา
  214. เนื้องอก ที่ช่วยแพทย์ทายอาการมะเร็ง
  215. และที่เหมือนกันอย่างมาก ที่สแตนฟอร์ด
  216. กลุ่มที่นั่นประกาศว่า
    โดยดูเนื้อเยื่อขยายแล้ว
  217. ได้พัฒนาระบบจากการเรียนรู้ของเครื่องขึ้นมา
  218. ซึ่งจริงๆ ดีกว่าแพทย์พยาธิวิทยา
    ในการทำนาย
  219. อัตราการรอดชีวิต ของคนไข้โรคมะเร็ง
  220. ทั้งสองกรณี ไม่เพียงการคาดเดาถูกต้องกว่า
  221. แต่ยังทำให้เกิดความเข้าใจใหม่
    ทางวิทยาศาสตร์
  222. คือทางรังสีวิทยา มีการพบ
  223. ตัวบ่งชี้ทางการรักษาแบบใหม่ ที่คนเข้าใจได้
  224. ส่วนทางพยาธิวิทยานี้ จริงๆแล้ว
  225. ระบบคอมพ์ได้ค้นพบว่า เซลล์รอบๆมะเร็ง
  226. สำคัญเท่าๆกับเซลล์มะเร็งเอง
  227. ในการวินิจฉัย นี้ตรงข้ามกับ
  228. สิ่งที่พยาธิแพทย์ ได้รับสอนมาหลายทศวรรษ
  229. ในทั้งสองกรณี ระบบพัฒนาขึ้นโดย
  230. ผู้เชี่ยวชาญทางแพทย์ร่วมกับ
    ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง
  231. แต่เริ่มแต่ปีที่แล้ว เราได้ไปไกลกว่านั้น
  232. นี่เป็นตัวอย่าง ของการระบุพื้นที่ของมะเร็ง
  233. ในเนื้อเยื่อมนุษย์ จากกล้องจุลทรรศน์
  234. ระบบที่แสดงอยู่นี้
    ระบุพื้นที่ได้แม่นยำกว่า
  235. หรือเกือบจะเท่ากับพยาธิแพทย์ แต่ทั้งหมดนี้
  236. สร้างด้วยการเรียนรู้ลึก
    โดยคนที่ไม่มีความเชี่ยวชาญ
  237. หรือพื้นเพทางการแพทย์เลย
  238. นี่ก็เหมือนกัน การแบ่งส่วนประสาท, ขณะนี้
  239. เราแยกเซลล์ประสาทได้ แม่นยำเทียมเท่ามนุษย์
  240. แต่ระบบนี้พัฒนาขึ้น ด้วยการเรียนรู้ลึก
  241. โดยคนที่ไม่มีพื้นฐานด้านการแพทย์
  242. ดังนั้นผมเอง ผู้ไม่มีพื้นฐานด้านการแพทย์

  243. ก็เหมือนมีคุณสมบัติพร้อม ที่จะเริ่มบริษัท
  244. ทางการแพทย์ใหม่ขึ้นมา ซึ่งผมก็ได้ทำแล้ว
  245. ผมรู้สึกหวาดหวั่นบ้างที่จะทำ
  246. แต่ตามทฤษฎีแล้ว ดูจะแนะว่า น่าจะเป็นไปได้
  247. ที่จะทำการแพทย์ที่มีประโยชน์มาก โดยใช้แค่
    เทคนิควิเคราะห์ข้อมูลนี้

  248. และผมโชคดี ที่ได้การตอบรับที่ดีเยี่ยม
  249. จากทั้งสื่อและกลุ่มทางการแพทย์
  250. ที่ให้การสนับสนุนมาอย่างมาก
  251. ทฤษฎีคือ เราสามารถเอาส่วนกลาง
    ของกระบวนการทางแพทย์
  252. กลับมันเป็นวิเคราะห์ข้อมูล มากเท่าที่ทำได้
  253. ทิ้งให้แพทย์ทำ ในสิ่งที่เขาทำได้ดีที่สุด
  254. ผมอยากจะยกตัวอย่างหนึ่ง ปัจจุบัน
  255. เราใช้เพียง 15 นาที เพื่อ
    สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่
  256. ผมจะแสดงให้ดูตามเวลาจริง แต่ผม
  257. บีบมันลงเหลือสามนาที โดยตัดบางชิ้นออกไป
  258. แทนที่จะแสดง การสร้างการทดสอบวินิจฉัยโรค
  259. ผมจะแสดง การทดสอบการวินิจฉัยภาพรถแทน
  260. เพราะว่า มันเป็นสิ่งที่เราทุกคนเข้าใจได้
  261. ตรงนี้ เราจึงจะเริ่มด้วยภาพรถ 1.5 ล้านคัน

  262. และผมอยากจะสร้างอะไรบางอย่าง
    ที่จะแยกมันออก
  263. เป็นมุมมองของภาพที่ถ่าย ภาพพวกนี้
  264. ไม่ได้มีป้ายบอกเลย
    ผมจึงต้องเริ่มจากไม่มีอะไร
  265. แต่ด้วยวิธีการคอมพ์การเรียนรู้ลึกของเรา
  266. มันจะระบุพื้นที่โครงสร้างในภาพได้อัตโนมัติ
  267. ส่วนดีคือ คนและคอมพ์ทำงานด้วยกันได้
  268. มนุษย์ อย่างที่เห็นตรงนี้ จะบอกคอมพ์ถึง
  269. พื้นที่ที่น่าสนใจ ที่ต้องการให้คอมพ์
  270. พยายามใช้ เพื่อจะได้ปรับปรุงวิธีการของมัน
  271. ระบบการเรียนรู้ลึกนี้ แท้จริงอยู่ในปริภูมิ
  272. 16000 มิติ จึงเห็นคอมพ์หมุนไปตาม
  273. ปริภูมินั้น พยายามหาพื้นที่โครงสร้างใหม่
  274. เมื่อมันทำได้สำเร็จตามนั้น แล้วคนที่
  275. ขับมันอยู่ ก็จะชี้พื้นที่ที่น่าสนใจ
  276. ตรงนี้ คอมพ์พบพื้นที่ได้สำเร็จ
  277. ตัวอย่างเช่น มุมมองต่าง ๆ
  278. ดังนั้น ขณะที่เราผ่านกระบวนการนี้
  279. เราก็ค่อยๆบอกคอมพ์เพิ่มขึ้นเรื่อยๆ
  280. เกี่ยวกับแบบโครงสร้าง ที่เราต้องการค้นหา
  281. คุณคงจินตนาการได้ เช่น การทดสอบวินิจฉัย
  282. ก็จะเป็นพยาธิแพทย์ ที่จะระบุบริเวณผิดปกติ
  283. หรือรังสีแพทย์ ชี้บอกตุ่มที่น่าจะเป็นปัญหา
  284. บางที ก็ยากเหมือนกันสำหรับวิธีทางคอมพ์นี้
  285. ในกรณีนี้ มันคล้ายกับจะสับสน
  286. ด้านหน้าและด้านหลังของรถนั้น ปนเปกันไปหมด
  287. ตรงนี้ เราจึงต้องระวังมากขึ้นอีกหน่อย
  288. ใช้มือเลือก ส่วนใดเป็นหน้า ส่วนใดเป็นหลัง
  289. แล้วบอกคอมพ์นั้นว่า นี่เป็นแบบของกลุ่ม
  290. ที่เราสนใจอยู่
  291. เราต้องทำอย่างนี้ไปเรื่อย ๆ แต่เราจะข้ามไป

  292. แล้วเราก็จะฝึกเครื่องเรียนรู้
  293. อาศัยสิ่งของจำนวนมากมายเหล่านี้
  294. เราหวังว่า มันดีขึ้นมากแล้ว คุณจะเห็นได้
  295. ตอนนี้ มันได้เริ่มทำให้บางภาพค่อยๆหายไป
  296. มันรู้จำวิธีเข้าใจเรื่องนี้ด้วยตัวเองบ้างแล้ว
  297. แล้วเราจึงใช้ความรู้เรื่องภาพเหมือนนี้
  298. และการใช้ภาพเหมือนนั้น ตอนนี้จะเห็นได้
  299. ณ.จุดนี้คอมพ์ สามารถหารถส่วนหน้าทั้งหมด
  300. ดังนั้น ที่จุดนี้ คนจะบอกคอมพ์นั้นได้ว่า
  301. ตกลง ใช่แล้ว เธอทำงานเรื่องนี้ได้ดีแล้ว
  302. บางครั้ง แน่นอนครับ แม้กระทั่ง ที่จุดนี้

  303. ก็ยังคงยาก ที่จะแยกออกมาเป็นกลุ่มๆ
  304. กรณีนี้ แม้หลังจากให้คอมพ์หมุนไปสักครู่
  305. เราก็ยังคงพบว่า ด้านซ้ายและขวาของภาพ
  306. ก็ปนเปกันไปหมด
  307. ดังนั้นเราจึงให้คำแนะนำแก่คอมพ์อีก
  308. เราบอกว่า ใช่ พยายามหาการฉายภาพ ที่จะแยก
  309. ด้านซ้าย/ขวาออกจากกัน ให้มากเท่าที่จะทำได้
  310. โดยใช้วิธีการเรียนรู้ลึกทางคอมพ์
  311. เมื่อให้คำแนะนำนั้นแล้ว ก็ประสบความสำเร็จ
  312. มันก็หาวิธีคิด เกี่ยวกับวัตถุพวกนี้ได้
  313. นั่นคือ วิธีแยกสิ่งเหล่านี้
  314. คุณคงจะพอเข้าใจเรื่องนี้

  315. เรื่องนี้ ไม่ใช่มนุษย์ถูกแทนที่ด้วยคอมพ์
  316. แต่เป็นเรื่องที่ พวกเขาทำงานอยู่ด้วยกัน
  317. สิ่งที่เราทำจะใช้แทนสิ่งที่เคยใช้ทีมงาน
  318. ห้าหรือหกคน นานประมาณเจ็ดปี
  319. แล้วเอาสิ่งที่ทำได้ใน 15 นาที มาแทน
  320. โดยมีคนหนึ่งคน ปฏิบัติงานคนเดียว
  321. กระบวนการนี้ ใช้การวนซํ้าราว 4 - 5 ครั้ง

  322. คุณเห็นได้ว่า ตอนนี้เราได้ 62% ของภาพ
  323. 1.5 ล้านภาพ แยกประเภทแล้วอย่างถูกต้อง
  324. ณ. จุดนี้ เราเริ่มจะคว้ามาได้อย่างรวดเร็ว
  325. ที่เป็นส่วนใหญ่ๆทั้งหมด
  326. ตรวจเช็คตลอด เพื่อให้แน่ใจว่าไม่มีอะไรผิด
  327. หากมี เราก็ให้คอมพ์รู้ข้อผิดพลาดเหล่านั้น
  328. การใช้กระบวนการนี้ ในแต่ละกลุ่มที่ต่างกัน
  329. ปัจจุบันนี้ เรามีอัตราความสำเร็จ ถึง 80%
  330. ในการแยกประเภทภาพ 1.5 ล้านภาพนั้น
  331. ณ. จุดนี้ เหลือแต่งานที่ต้องหา
  332. ภาพจำนวนเล็กน้อย ที่ถูกแบ่งประเภทผิด
  333. และต้องพยายามเข้าใจว่า เป็นเพราะเหตุใด
  334. และการใช้วิธีดังกล่าวนั้น
  335. เพียง 15 นาที เราก็ได้อัตราการแบ่งถึง 97%
    ถูกต้อง
  336. เทคนิคแบบนี้ จะช่วยแก้ไขปัญหาสำคัญ

  337. คือ การขาดผู้เชี่ยวชาญทางการแพทย์ในโลก
  338. การประชุมเศรษฐกิจโลก บอกว่า มีการขาดแพทย์
  339. อยู่ระหว่าง 10 และ 20 เท่า ในโลกกำลังพัฒนา
  340. และจะใช้เวลาราว 300 ปี
  341. เพื่อฝึกคนให้ได้พอ ที่จะแก้ปัญหานั้น
  342. คิดดู ถ้าเราช่วยเพิ่มประสิทธิภาพพวกเขาได้
  343. โดยใช้วิธีการเรียนรู้ลึกเหล่านี้
  344. ผมจึงตื่นเต้นมาก เกี่ยวกับโอกาสเหล่านี้

  345. แต่ผมก็ยังห่วงใยในปัญหาที่จะตามมาด้วย
  346. ปัญหาตรงนี้คือ ทุกบริเวณสีนํ้าเงินบนแผนที่
  347. เป็นการจ้างงานแบบบริการถึง 80%
  348. แล้วยอาชีพบริการคืออะไร
  349. เหล่านี้คืองานบริการ เป็นสิ่งที่
  350. ตรงเผงกับสิ่งที่คอมพ์เพิ่งจะเรียนรู้วิธีทำ
  351. ดังนั้น 80% ของการจ้างงานในโลกที่พัฒนาแล้ว
  352. จึงเป็นสิ่งที่คอมพ์ เพิ่งจะเรียนรู้วิธีทำ
  353. อะไรจะเกิดขึ้น
  354. ผลจะโอเค คือจะมีงานอื่น ๆ เกิดขึ้นมาแทน
  355. จะมีงานสำหรับนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้น
  356. แต่...ก็ไม่เชิง
  357. พวกเขาไม่ต้องใช้เวลานานนัก ทำงานเหล่านี้
  358. เช่น วิธีคอมพ์ 4 วิธีนี้
    สร้างได้โดยคนๆเดียว
  359. แต่ถ้าคิดว่า ทั้งหมดก็เคยเกิดขึ้นมาก่อนนี่
  360. เราได้เห็นผลจากอดีต เมื่อเกิดสิ่งใหม่ๆมา
  361. คือเกิดงานใหม่ๆ มาแทนงานเก่า
  362. แล้วงานใหม่ๆเหล่านี้ จะเป็นงานอะไร
  363. มันยากมากที่เราจะประมาณการณ์เรื่องนี้ได้
  364. เพราะการทำงานของคน โตได้ในอัตราทีละน้อยนี้
  365. แต่ปัจจุบันเรามีระบบ คือการเรียนรู้ลึก
  366. ซึ่งจริง ๆ สมรรถภาพโตได้อย่างมากและรวดเร็ว
  367. และตอนนี้เราอยู่ที่จุดนั้นแล้ว
  368. ดังนั้น ปัจจุบัน เราจึงเห็นสิ่งรอบๆตัวเรา
  369. และก็บอกว่า "คอมพ์ยังคงทึ่ม" ใช่มั๊ยครับ
  370. แต่ในเวลา 5 ปี คอมพ์จะออกนอกแผนภูมินี้ไป
  371. เราจึงจำเป็นต้องเริ่มคิดถึงสมรรถภาพ
    ของคอมพ์ เสียแต่เดี๋ยวนี้
  372. เราได้เห็นมาก่อนครั้งหนึ่งแล้ว

  373. ในการปฏิวัติอุตสาหกรรม
  374. เห็นการเปลี่ยนไปขั้นหนึ่ง ในเรื่องสมรรถภาพ
  375. เครื่องยนต์ แต่ไม่นานก็รักษาระดับได้
  376. ถึงมีการแตกแยกทางสังคม
  377. แต่เมื่อใช้เครื่องยนต์เพื่อสร้างพลังงาน
  378. ในทุกสถานการณ์ ความยุ่งยากก็สงบลง
  379. ส่วนการปฏิวัติเพราะการเรียนรู้ของเครื่อง
  380. จะต่างไปจาก การปฏิวัติอุตสาหกรรมอย่างมาก
  381. เพราะปฏิวัติการเรียนรู้ของเครื่อง จะไม่
  382. ปักหลักกับที่ ยิ่งคอมพ์ทำงานชาญฉลาดขึ้น
  383. มันก็ยิ่งสร้างคอมพ์ที่สมรรภภาพฉลาดยิ่งขึ้น
  384. เรื่องนี้ จึงจะเป็นการเปลี่ยนแปลงชนิดที่
  385. แท้จริงแล้ว โลกไม่เคยประสบมาก่อน ดังนั้น
  386. ความเข้าใจก่อนๆในเรื่องที่เป็นไปได้
    จึงต่างไป
  387. เรื่องนี้กำลังส่งผลกระทบกับเราแล้ว

  388. 25 ปีที่ผ่านมา ขณะที่ประสิทธิภาพการลงทุน
    ได้เพิ่มขึ้น
  389. ประสิทธิภาพทางแรงงานกลับราบเรียบ
    กระทั่งตํ่าลงเล็กน้อย
  390. ผมจึงอยากให้เรา มาเริ่มอภิปรายเรื่องนี้กัน

  391. ผมรู้ เมื่อผมบอกคนบ่อยๆ เรื่องสถานการณ์นี้
  392. ผู้คนก็จะไม่ค่อยยอมรับฟัง
  393. จริงอยู่ คอมพ์คิดไม่เป็น
  394. คอมพ์ไม่แสดงอารมณ์ มันไม่เข้าใจกวีนิพนธ์
  395. จริงๆแล้ว เราไม่เข้าใจว่า มันทำงานอย่างไร
  396. แล้วยังไงครับ?
  397. คอมพ์ปัจจุบันนี้ สามารถทำสิ่งที่
  398. มีการจ้างมนุษย์ให้ใช้เวลาส่วนมากทำ
  399. ขณะนี้ จึงถึงเวลาแล้ว ที่จะเริ่มคิด
  400. วิธีที่เราจะปรับโครงสร้างสังคมและเศรษฐกิจ
  401. โดยคำนึงถึง ความเป็นจริงใหม่นี้
  402. ขอบคุณครับ
  403. (เสียงปรบมือ)