Turkish subtitles

← Öğrenebilen bilgisayarların müthiş ve ürkütücü uygulamaları

Get Embed Code
30 Languages

Showing Revision 67 created 05/10/2016 by Meric Aydonat.

  1. Eskiden bilgisayarınıza
  2. yeni bir şeyler yaptırmak isteseniz
  3. programlamanız gerekirdi.
  4. Şimdi, programlama; burada hiç yapmayanlar
  5. için söylüyorum, her adımı, her detayı
  6. bilgisayarın yapmasını istediğin
    her şeyi amacına
  7. ulaşman için tasarlaman gerekir.
  8. Nasıl yapacağını bilmediğin bir şeyi
  9. yapmak istiyorsan bu çok zorlu olacak.
  10. Arthur Samuel de bunu yaptı.

  11. 1956'da bilgisayarının onu
  12. damada yenebilmesini istiyordu.
  13. Her detayıyla nasıl bir
    program tasarlayarak
  14. damada senden daha iyi
    olmasını sağlayabilirsin?
  15. Bu soruna bir çözüm buldu:
  16. Binlerce kez bilgisayarıyla dama oynayacak
  17. ve böylece bilgisayara damayı öğrenecekti.
  18. Bu işe yaradı ve 1962'de bilgisayar
  19. Connecticut eyaleti şampiyonunu yendi.
  20. Bu şekilde Arthur Samuel,
    makine öğrenmenin

  21. fikir öncüsüydü ve ona borçluyum,
  22. çünkü bir makine öğrenimi uygulayıcısıyım.
  23. 200 bini aşkın uygulayıcıyı
  24. biraraya getiren Kaggle'ın başkanıydım.
  25. Kaggle yarışmalar düzenleyip çözülememiş
  26. problemleri çözmeye çalışıyordu ve
  27. yüzlerce kez başarılı oldular.
  28. Bu açıdan bakıldığında, makine öğreniminin
  29. geçmişte, günümüzde ve gelecekte planlanan
  30. çalışmaları hakkında çok şey öğrendim.
  31. Ticari anlamda belki de
  32. makine öğreniminin
  33. ilk başarısı Google'dır.
  34. Google bilgisayar algoritması ile
  35. bilgilere erişmeyi mümkün kılar ve
  36. bu algoritma makine öğrenimini temel alır.
  37. Bugüne kadar birçok ticari
    olarak başarılı uygulaması oldu.
  38. Amazon, Netflix gibi bir çok
  39. başarılı şirket makine öğrenimini
  40. ürünlerini ve filmlerini
  41. satmak için kullanmışlardır.
  42. Bu bazen ürkütücü olabilir.
  43. LinkedIn ve Facebook gibi
    şirketler bazen size
  44. tanıyor olabileceğiniz kişileri
    gösterir ve siz
  45. bunu nasıl yaptığını bilemezsiniz; işte
  46. bu makine öğreniminin eseridir.
  47. Bu sistem, programlanmak yerine datadan
  48. öğrenen algoritmalardan oluşur.
  49. Bu IBM'in Watson ile Jeopardy yarışmasında

  50. oldukça zor ve karışık soruları doğru
  51. cevaplayarak nasıl iki dünya şampiyonunu
  52. yenmeyi başardığını açıklar.
  53. İnsansız arabalar da
    bu sistem ile çalışır.
  54. Yaya ile ağaç arasındaki farkı söylemek
  55. isterseniz buyrun, söyleyin bu çok önemli.
  56. Bu programların elle nasıl yazıldığını
  57. bilmiyoruz ama makine öğrenimi ile mümkün.
  58. Ve bu arabalar bir düz yolda
  59. kaza yapmadan 1 milyon mili aştı.
  60. Böylece bilgisayarların,
    öğrenebildiğini
  61. ve bazen bizim yapmayı bilmediğimiz

  62. şeyleri yapmayı öğrenebildiklerini
  63. veya bizden bunları bizden daha
  64. iyi yapabileceklerini görüyoruz.
  65. Makine öğreniminin en iyi örneklerini
  66. Kaggle'da yürüttüğümüz bir projede gördüm:
  67. Toronto Üniversitesi'nden Geoffrey Hinton
  68. ve ekibi otomatik uyuşturucu tespiti
  69. alanında yarışmayı kazandı.
  70. Burada ilginç olansa;
  71. Merck veya uluslararası akademik çevrenin
  72. geliştirdiği bütün algoritmaları kimya
  73. ve biyoloji gibi alanlarda geçmişi
  74. olmayan kişilerin algoritmayı
    çözmeleri değil bunu
  75. 2 haftada yapmış olmaları.
  76. Peki bunu nasıl başardılar?
  77. Derin Öğrenme denilen olağanüstü
    bir algoritma kullandılar.
  78. Bu o kadar önemli bir başarıydı ki birkaç
  79. hafta sonra New York Times'ın
    kapağında yer aldı.
  80. Sol kenarda Geoffrey Hinton vardı.
  81. Derin Öğrenme, insan beyninin
    çalışmasından
  82. ilham alınarak
    oluşturulmuş bir algoritmadır
  83. ve kapasitesi konusunda
    teorik kısıtlamalar içermez.
  84. Ona ne kadar çok veri ve zaman verirseniz
  85. o kadar iyi sonuçlar
    elde edersiniz.
  86. New York Times'ın haberinde derin öğrenme

  87. ile elde edilen
  88. bir sonuç daha vardı;
  89. onu da şimdi göstereceğim:
  90. Sonuca göre:
  91. Bilgisayarlar dinleyebilir
  92. ve anlayabilir.
  93. Richard Rashid:"Bu yöntemde

  94. son aşamada gelebilmek
  95. istediğim nokta
  96. sizinle Çince konuşmak.
  97. Olay şu ki;
  98. bir çok Çinliden çok miktarda
  99. bilgi alma imkanımız oldu
  100. ve Çince bir metni alan ve
  101. Çin diline çeviren yani yazıyı
  102. konuşmaya dönüştüren
    bir sistem oluşturduk.
  103. Sonra konuşmamın bir saatlik kısmını aldık
  104. ve standart metni konuşma sistemine
  105. modüle ettik sonuç olarak
  106. benim konuşmam gibi olmalıydı.
  107. Sonuç mükemmel olmadı elbette.
  108. Hatta bir çok hata vardı.
  109. (Çince)
  110. (Alkışlar)
  111. Bu alanda daha çok çalışılması gerekiyor.
  112. (Çince)
  113. (Alkışlar)
  114. Bu, Çinde makine öğrenimi konferansıydı.

  115. Genelde akademik konferanslarda
  116. spontane alkışlamalar olmaz ancak
  117. TEDx konferanslarında rastlanabilir.
  118. Burada gördüğünüz her şey
  119. derin öğrenme ile gerçekleşiyor.
  120. (Alkışlar)
    Teşekkürler.
  121. İngilizce uyarlama derin
    öğrenme ile yapıldı.
  122. Çince çeviri ve sağ üstteki
    metin derin öğrenmeyle,
  123. ve yine sesin entegre edilmesi
    de derin öğrenme ile yapıldı.
  124. Derin öğrenme alışılmışın dışında bir şey.

  125. Tek bir algoritma
    neredeyse
  126. her şeyi yapabilecek gibi duruyor
  127. ve geçen sene öğrendim ki
    görmeyi de öğrenmiş.
  128. Almanya'da Alman Trafik
    İşaretleri Karşılaştırması
  129. olarak adlandırılan yarışmada
  130. derin öğrenme bu gibi
    işaretleri algılamayı öğrendi.
  131. Diğer algoritmalardan daha iyi algılamakla
  132. kalmayıp, yarışmanın
    sıralamasına bakıldığında
  133. insanlardan da daha iyi tanıdı;
  134. hatta iki katı daha fazla.
  135. 2011 yılında, bilgisayarların insanlardan
  136. daha iyi görebildiğini anladık.
  137. O zamandan beri sayısız çalışma yapıldı.
  138. 2012'de Google; Youtube
    videolarını izleyen
  139. ve aylık 16.000 bilgisayardaki
    veriyi sıkıştırabilen
  140. derin öğrenme algoritmaları
    olduğunu açıkladı.
  141. Ayrıca bilgisayarlar
    ayrı ayrı insan ve kedi
  142. gibi konseptleri izleyerek öğrendi.
  143. Bu insanların öğrenmesine benziyor.
  144. İnsanlar gördüklerinin
    anlatılmasıyla değil
  145. kendileri başlarına öğrenirler.
  146. Yine 2012'de az önce
    gördüğümüz Geoffrey Hinton
  147. 1.5 milyon fotoğrafa
    bakarak neyin fotoğrafları
  148. olduğunu çözmeye çalışarak
  149. popüler olan ImageNet yarışmasını kazandı.
  150. 2014 yılında görüntü tanımada
  151. %6 lık hata payına düştük.
  152. Bu da insanlardan daha iyi.
  153. Makinalar gerçekten bu alanda
    harika işler yapıyor

  154. ve artık endüstride de kullanılıyor.
  155. Mesela Google, geçen yıl Fransa'daki
  156. her bir konumu 2 saatte haritada
  157. işaretlediğini duyurdu ve
  158. cadde numaralarını okumak ve tanımlamak
  159. için cadde görüntülerini
  160. bir derin öğrenme
    algoritmasında kullandılar.
  161. Bunun önceleri ne kadar sürdüğünü düşünün:
  162. binlerce insan, bir çok yıl.
  163. Bu Çin'de de oldu.
  164. Baidu bir çeşit Çin'in Google'ı, sanırım,
  165. sol üst köşede gördüğünüz Baidu'nun
  166. derin öğrenme sistemine
  167. yüklediğim görüntünün örneği
  168. ve arkaplanda ise sistemin görüntüyü
  169. tanımlayıp benzerlerini
    bulduğunu görebilirsiniz.
  170. Benzer resimler gerçekten de
    benzer arka planlara,
  171. benzer yüz açılarına sahip
  172. hatta bazılarında dilleri dışarıda.
  173. Tam olarak web sayfasının
    metnine bakmak gibi değil.
  174. Tek yaptığım resim yüklemekti.
  175. O halde gördüklerini anlayabilen ve
  176. bu sayede gerçek zamanlı olarak yüz
  177. milyonlarca görüntüyü veritabanlarında
  178. arayabilen bilgisayarlar var.
  179. Peki bilgisayarların görmesi
    ne anlama geliyor?

  180. Sadece görebilmesini sağlamak değil
  181. aslında derin öğrenme
    bundan daha fazlasını yaptı.
  182. Bu gibi karmaşık ve incelikli cümleler
  183. artık derin öğrenme
    algoritmalarıyla anlaşılabilir.
  184. Gördüğünüz üzere;
  185. Stanford-tabanlı sistem, üstteki kırmızı
  186. noktanın negatif bir
    his ifade ettiğini anlıyor.
  187. Derin öğrenme hatta
  188. cümlelerin ne hakkında olduğunu
  189. ve anlamlarını anlamada insan
  190. performansına yaklaşmış durumda.
  191. Aynı zamanda derin öğrenme Çin
  192. anadil seviyesinde Çince
    okumada da kullanıldı.
  193. Bu algoritma Çince konuşamayan ve

  194. anlamayan insanlar
    tarafından İsviçre'de geliştirildi.
  195. Bahsettiğim gibi derin
    öğrenme kullanma bu işte
  196. dünyadaki en iyi sistem yerel insanların
  197. anlama performansına göre bile.
  198. Bu sistem şirketimde oluşturuldu

  199. ve bu tarz şeyleri bir arada
    toplamayı gösteriyor.
  200. Bu resimlere eklenmiş metin yok ve

  201. ben buraya cümle yazarken gerçek
  202. zamanlı olarak resimleri algılıyor,
  203. ne hakkında olduklarını çözüyor ve
  204. yazdığım metne benzer resimleri buluyor.
  205. Görüyorsunuz, bu aslında
    cümlelerimi anlama
  206. ve bu resimleri anlama.
  207. Benzerini Google'da
    gördüğünüzü düşünüyorum;
  208. bir şeyleri yazarken size
    resimler gösterir ama
  209. asıl yaptığı web sayfalarında
    yazdıklarınızı aramaktır.
  210. Bu aslında resimleri anlamaktan
    oldukça farklı.
  211. Bu son bir kaç ayda ilk kez
  212. bilgisayarların yapabildiği bir şey.
  213. O halde görüyoruz ki bilgisayarlar

  214. görebilmekle kalmıyor aynı zamanda
  215. okuyabiliyor ve zaten duyduklarını
  216. anlayabildiklerini de göstermiştik.
  217. Belki yazabildiklerini söylesem
  218. artık şaşırtıcı gelmez.
  219. İşte burada dün derin
    öğrenme algoritmasıyla
  220. oluşturduğum metin.
  221. Ve burada algoritma tarafından
    geliştirilen metinler var.
  222. Bu cümlelerin her biri
    resimleri tanımlamak
  223. için derin öğrenme
    algoritmasıyla geliştirildi .
  224. Algoritma daha önce siyah tişörtlü
  225. gitar çalan birini hiç görmemişti.
  226. Önceden adamı görmüştü, siyahi görmüştü,
  227. gitarı görmüştü ama bu resmin roman
  228. tasvirini ayrı olarak yaptı.
  229. Hala tam olarak insan performansında
  230. değiliz ama yakınız.
  231. Testlerde 1/4 oranında
    insanlar, bilgisayar
  232. tarafından oluşturulan yazıları seçiyor.
  233. Bu sistem şuan sadece 2 haftalık
  234. ama muhtemelen gelecek yıl içerisinde
  235. bu oranlarda devam ederse
  236. algoritma insan performansını
  237. hayli geçmiş olacak.
  238. Yani bilgisayarlar yazabiliyor da.
  239. Tüm bunları birleştirdik
  240. ve durum heyecan verici fırsatlar yarattı.

  241. Örneğin; sağlık alanında
    Boston'da bir takım,
  242. doktorların kanser teşhisine yardımcı
  243. düzinelerce kliniksel
    olarak ilişkili tümör
  244. özellikleri keşfettiklerini duyurdu.
  245. Benzer olarak Stanford' da
  246. büyüme altındaki dokulara bakan bir grup;
  247. kanser hastalarının sağkalım
    oranlarını ölçmede
  248. patoloji uzmanlarından daha iyi olan,
  249. makine öğrenmesine dayalı
    bir sistem geliştirdi.
  250. Bu iki durumda da tahminlerin daha
  251. hatasız olmasının yanı sıra kavrama
  252. açısından güçlü yeni
    bir bilim geliştirdiler.
  253. Radyoloji vakasındakiler insanların
  254. anlayabileceği yeni
    kliniksel indikatörlerdi.
  255. Patoloji vakasında ise bilgisayar,
  256. tanı yapılırken kanser
    etrafındaki hücrelerin kanser
  257. hücreleri kadar önemli olduğunu keşfetti.
  258. Bu patoloji uzmanlarına onlarca
  259. yıldır öğretilenlerin tam tersi.
  260. Bu iki vakada da tıp uzmanları ve
  261. makine öğrenmesi uzmanlarının
  262. birleşip geliştirdiği bir sistemdi
  263. ancak geçen yıl bunu da geçtik.
  264. Bu örnek mikroskop altındaki insan
  265. dokusunun kanserli bölgelerini
    tanımlamak üzerine.
  266. Burada gösterilen sistem bu alanları daha
  267. isabetli olarak belirleyebiliyor,
  268. ya da en az patoloji uzmanı kadar
  269. ama tümüyle derin öğrenme kullanılarak ve
  270. herhangi bir tıp geçmişi olmayan
  271. insanlar tarafından geliştirildi.
  272. Benzer olarak nöron segmentasyonu da.

  273. Şu an nöronları insanlar kadar
  274. isabetli segmentleyebiliyoruz
  275. ki bu sistem derin öğrenme
  276. kullanılarak hiç bir tıbbi geçmişi
  277. olmayan kişiler tarafından geliştirildi.
  278. Aynı şekilde ben de, hiç bir tıbbi geçmişim
  279. olmadığı halde medikal alanında
  280. yeni bir şirket açabilirim ki açtım da.
  281. Şirketi açma konusunda
    biraz korkmuştum ama
  282. teoride bu veri analiz
    tekniklerini kullanarak
  283. yararlı ilaçlar yapmak mümkün görünüyordu.
  284. Neyse ki geri dönüşler harikaydı
  285. sadece medya değil tıp çevresinde de
  286. ki aynı zamanda çok da destekleyicilerdi.
  287. Teoride, medikal sürecin
    orta bölümünü alıp
  288. mümkün olduğunca veri analizine çevirerek
  289. doktorları en iyi oldukları
    alana yoğunlaştırabiliriz.
  290. Bir örnek vermek istiyorum.
  291. Yeni bir tıbbi teşhis testini
  292. üretmek 15 dakikamızı alır
  293. ve gerçek zamanlı olarak da göstereceğim
  294. ama bazı parçalarını keserek
  295. süreci 3 dakikaya indirdim.
  296. Tıbbi teşhis testini oluşturmayı
    göstermek yerine
  297. daha anlaşılır olduğu için
  298. araba görüntülerini tanımlama
    testini göstereceğim.
  299. Yaklaşık 1.5 milyon araba
    resmiyle başlıyoruz ve
  300. çekildikleri açılara göre onları
  301. ayırabilecek bir şey yaratmak istiyorum.

  302. Bütün resimler etiketsiz bu yüzden
  303. sıfırdan başlamak zorundayım.
  304. Derin öğrenme algoritmamızla resimlerdeki
  305. yapıların alanlarını otomatik
    olarak algılayabilir.
  306. Güzel olan, şu andan itibaren
  307. insan ile bilgisayar
    artık ortak çalışabilir.
  308. Gördüğünüz gibi insan burada bilgisayara;
  309. daha sonra deneyip, algoritmasını
  310. geliştirmede kullanması için
  311. ilgi alanlarını söylüyor.
  312. Bu derin öğrenme sistemleri
  313. aslında 16.000 boyutlu uzay
  314. ve gördüğünüz gibi
    bilgisayar burada
  315. uzay boyunca döndürüp yeni yapı
  316. alanları bulmaya çalışıyor.
  317. Başarıyla yapınca da daha sonra bunu süren
  318. kişi ilgi çekici olan alanları gösteriyor.
  319. Ve burada bilgisayar başarılı
    bir şekilde alanları buldu.
  320. Örneğin: Açılar.
  321. Bu süreç devam ederken,
  322. bilgisayara aradığımız yapı türlerini
  323. adım adım söylüyoruz.
  324. Teşhis testinde pataloji uzmanının
  325. patoz alanlarını tanımlaması
    gibi düşünebilirsin
  326. ya da örneğin radyolojistin sıkıntı
  327. yaratabilecek nodülleri göstermesi gibi.
  328. Bazen algoritma için sıkıntılı olabilir.
  329. Bu vaka da biraz kafası karışmış.
  330. Arabaların önleri ve
    arkaları karmakarışık.
  331. Burada biraz daha dikkatli olmalıyız,
  332. arkalara karşılık önleri elle seçmekte ve
  333. daha sonra bunun ilgilendiğimiz tipte
  334. bir grup olduğunu söylemekte.

  335. Bunu biraz yapıyoruz,
    biraz atlıyoruz bunu,
  336. sonra makine öğrenmesi algoritmasını
  337. bu yüzlerce kadar olan
  338. şeylere dayanarak eğitiyoruz
  339. ve daha iyi olmasını ümit ediyoruz.
  340. Bazı resimlerin solmaya
    başladığını görebilirsiniz
  341. ve bize bazılarını kendisinin önceden
  342. nasıl anlaması gerektiğini
    farkettiğini gösteriyor.
  343. Bu benzer resimler
    konseptini kullanabiliriz
  344. ve benzer resimleri
    kullanarak bilgisayarın
  345. bu noktada arabaların sadece
  346. önlerini bulabildiğini görebilirsiniz.

  347. Bu aşamada bilgisayar insana:
  348. "Tamam, peki, iyi iş çıkardın." diyebilir.
  349. Bazen, elbette, bu noktada bile
  350. grupların arasından seçmek zor.
  351. Bu durumda, bilgisayarın
    biraz çevirmesine izin
  352. verdikten sonra bile sağ ve sol taraftaki
  353. resimlerin karmakarışık
    olarak bulabiliriz.
  354. Yine bilgisayara bir takım
    ipuçları verebiliriz,
  355. ve diyebiliriz ki :"Tamam, derin
    öğrenme algoritmasını
  356. kullanarak sağ ve sol tarafları mümkün
  357. olduğunca ayırabilecek
    bir projeksiyon bulmaya çalış. "
  358. Ve ipucunu verince başarılı oldu.
  359. Objeleri birbirinden
    ayırabilmek için gereken

  360. düşünme şeklini birlikte bulabildiler.
  361. Yani buradaki fikri anladınız.

  362. Buradaki durum; insanın
    yerine bilgisayarın geçmesi
  363. değil birlikte çalışmaları.
  364. Burada yaptığımız ise; 6 ya da 7 kişilik
  365. bir takımın yaklaşık 7
    senede yapacağı bir şeyi,
  366. bir kişinin yaklaşık 15 dakikada

  367. yapacağı bir şeyle değiştirmek.
  368. Bu süreç yaklaşık 4 ya da
    5 yineleme içeriyor.
  369. Gördüğünüz gibi şuan 1.5 milyon resmimizin
  370. %62 si doğru bir şekilde sınıflandırıldı.
  371. Gelinen noktada, oldukça kolay bir şekilde
  372. büyük bölümleri alıp hata olmadığına
  373. emin olmak için kontrol edebiliriz.
  374. Hata olan yerlerde ise
    bilgisayara bildirebiliriz.
  375. Her farklı grup için bu tür
    bir süreç kullanarak
  376. 1.5 milyon görüntüyü sınıflandırmada
  377. %80 başarı yüzdesine çıktık.
  378. Bu noktada konu sadece
  379. doğru sınıflandırılmamış olan
  380. küçük numarayı bulmak ve
  381. sebebini anlamaya çalışmak üzerine.
  382. Bu yaklaşımı kullanarak; 15 dakikada
  383. %97' lik sınıflandırma oranına ulaştık.

  384. Bu tarz bir teknik bize çok önemli
  385. bir problemi çözmeye izin verebilir;
  386. dünyada tıbbi uzmanlığın
    olmadığı yerlerde.
  387. Dünya Ekonomik Forumu'na göre;
  388. gelişen dünyada doktor
    kıtlığı 10 ile 20 katı
  389. arasında ve 300 yıl alacaktır bu problemi
  390. çözmek için yeterli insan yetiştirmek.
  391. Düşünün ki derin öğrenme
    yaklaşımını kullanarak

  392. verimliliklerini artırmaya
    yardım edebilsek?
  393. Fırsatlar konusunda oldukça heycanlıyım.
  394. Aynı zamanda
    problemlerle de ilgileniyorum.
  395. Buradaki problem ise; haritadaki
  396. her mavi alanda servisler
  397. istihdamın %80 den fazla.
  398. Servisler nedir?
  399. İşte servisler.
  400. Bunlar aynı zamanda bilgisayarın
  401. yapılma şeklini öğrendiği şeyler.
  402. Yani gelişen dünyadaki
    istihdamın %80 'inin
  403. yaptığı şeyler aynı zamanda bilgisayarın
  404. nasıl yapılacağını öğrendiği şeyler.
  405. Bu ne anlama geliyor?
    Tamam, bir şey olmayacak.
  406. Başka işlerle yer değiştirilcekler.
  407. Örneğin; Veri bilimciler
    için daha fazla iş olacak.
  408. Aslında öyle değil.
  409. Veri bilimcilerin bunları yapmaları
  410. çok zamanlarını almaz.
  411. Örneğin; bu 4 algoritma da aynı
  412. adam tarafından geliştirildi.
  413. Yani eğer; daha önceden de olmuştu,
  414. yeni işlerin gelip yer değiştirdiği
  415. zamanların sonuçlarını gördük.
  416. Bu yeni işlere ne olacak?
  417. Bunu kestirmek bizim için oldukça zor
  418. çünkü insan performansı
    bu şekilde kademeli olarak
  419. artıyor ama artık biz bir sisteme,
    derin öğrenmeye
  420. sahibiz yani katlanarak
    büyüme kapasitesine

  421. sahip olduğunu biliyoruz.
  422. Ve burdayız.
  423. Şu anda, etrafımızdaki
    şeyleri görüyoruz ve:
  424. "Bilgisayarlar hala aptal." değil mi?
  425. Ama 5 yıllık süre içinde bilgisayarlar
  426. bu çizelgenin dışında olacak.
  427. Yani bu kabiliyeti hemen
    düşünmeye başlamalıyız.
  428. Bunu daha önceden görmüştük, elbette.
  429. Sanayi devriminde, motorlar sayesinde
  430. kapasitede kademe atlamayı gördük.
  431. Mesele şu ki, yine de bir süre sonra
  432. işler düzeliyor.
  433. Sosyal bozulma vardı ama bir kez
  434. motorlar güç üretmek için kullanıldı
  435. ve tüm durumlar, her şey düzene oturdu.
  436. Makine Öğrenmesi Devrimi
    Sanayi devriminden

  437. çok daha farklı olacak çünkü
  438. Makine Öğrenmesi Devrimi
    asla durulmayacak.
  439. Bilgisayarlar entelektüel
    aktiviteler de iyiye gittikçe,
  440. entelektüel kapasitede daha

  441. iyi olan bilgisayarlar üretilecek.
  442. Yani bu dünyanın daha önce tanık olmadığı
  443. türde bir değişim olacak bu yüzden
  444. neyin mümkün olduğu konusunda ki
  445. önceki anlayışınız farklı.
  446. Şimdiden bizi etkiliyor.
  447. Son 25 yılda, kapital üretim arttıkça
  448. işçi verimliliği sabitti
    hatta biraz inişteydi.
  449. Bu yüzden bu konuyu tartışmaya
  450. başlamamızı istiyorum.
  451. İnsanlara bu durum hakkında çoğu kez
  452. bahsettiğimde, insanlar
    oldukça ilgisiz olabiliyor.
  453. Bilgisayarlar gerçek anlamda düşünemez,
  454. duygusal davranmaz, şiirden anlamaz,
  455. nasıl çalıştıklarını tam
    olarak anlamıyoruz.
  456. Ne fark eder?
  457. Bilgisayarlar şu an
    insanların ücret alarak
  458. zamanlarının çoğunu
    harcadıkları şeyleri yapabiliyor.
  459. O zaman sosyal ve ekonomik
    yapımızı nasıl uyduracağımızı
  460. düşünmeye başlamamızın
    ve bu yeni gerçekliğin
  461. farkında olmamızın tam zamanı.
  462. Teşekkürler.
  463. (Alkışlar)