Плюси та мінуси використання комп'ютерів, які самі вчаться
-
0:02 - 0:05Колись, щоб комп'ютер
для вас щось зробив, -
0:05 - 0:06його потрібно було спочатку
запрограмувати. -
0:06 - 0:10Тим з присутніх, хто ніколи сам не програмував,
я поясню, що для цього -
0:10 - 0:13доводиться до найменших
подробиць описувати -
0:13 - 0:17кожну-кожнісіньку комп'ютерну команду,
-
0:17 - 0:19щоб досягнути своєї мети.
-
0:19 - 0:23А якщо ви не знаєте,
як і що потрібно виконати, -
0:23 - 0:25завдання стає
величезним викликом. -
0:25 - 0:28Перед таким викликом
опинився Артур Семюел. -
0:28 - 0:32В 1956 році він хотів
налаштувати комп'ютер таким чином, -
0:32 - 0:35щоб той виграв у нього в шашки.
-
0:35 - 0:37Як можна вручну написати програму,
-
0:37 - 0:40яка дозволить грати краще за тебе в шашки?
-
0:40 - 0:42Нарешті, він здогадався:
-
0:42 - 0:46він налаштував комп'ютер грати
проти самого себе тисячі разів -
0:46 - 0:48і таким чином навчив його грати в шашки.
-
0:48 - 0:52І це насправді спрацювало,
бо до 1962 року -
0:52 - 0:55цей комп'ютер вже переграв
чемпіона штату Конектикут. -
0:56 - 0:59Так Артур Семюел започаткував
комп'ютерне навчання, -
0:59 - 1:00і я вдячний йому за це,
-
1:00 - 1:03адже я - експерт з комп'ютерного навчання.
-
1:03 - 1:05Я був президентом спільноти Kaggle,
-
1:05 - 1:08в якій більше 200 тисяч експертів
з комп'ютерного навчання. -
1:08 - 1:10Kaggle влаштовує змагання
-
1:10 - 1:14з розв'язання задач,
які раніше не було розв'язано. -
1:14 - 1:17Сотні змагань завершилися блискуче.
-
1:17 - 1:20Ось в такому сприятливому середовищі
-
1:20 - 1:24я дізнався, що комп'ютерне навчання
могло для нас зробити в минулому, -
1:24 - 1:26а також зараз і в майбутньому.
-
1:26 - 1:31Напевно, Google - найбільший комерційний
успіх комп'ютерного навчання. -
1:31 - 1:34Google показав, що можна використовувати
-
1:34 - 1:37алгоритм на основі комп'ютерного навчання
-
1:37 - 1:38для пошуку інформації.
-
1:38 - 1:42З того часу комп'ютерне навчання мало
великий комерційний успіх. -
1:42 - 1:45Компанії Amazon і Netflix
використовують комп'ютерне навчання -
1:45 - 1:48для маркетингу товарів,
що можуть вам сподобатись, -
1:48 - 1:50і фільмів, які ви захочете подивитись.
-
1:50 - 1:52Інколи від того стає моторошно.
-
1:52 - 1:54Такі компанії як LinkedIn та Facebook
-
1:54 - 1:56показують хто, можливо, є вашим другом,
-
1:56 - 1:58а ви й не здогадуєтесь, як це налаштовано.
-
1:58 - 2:01Вони використовують можливості
комп'ютерного навчання. -
2:01 - 2:04Це алгоритми,
які навчились опрацьовувати дані, -
2:04 - 2:07а не були запрограмовані вручну.
-
2:07 - 2:10Саме тому IBM вдалося за допомогою
комп'ютера Watson -
2:10 - 2:12перемогти двох світових лідерів
у грі "Jeopardy", -
2:12 - 2:14відповівши на складні питання,
як-от: -
2:14 - 2:17"В 2003 році старовинна пластина
"Лев з Німруду" зникла -
2:17 - 2:20з національного музею
цього міста (разом з іншими експонатами)". -
2:21 - 2:24Завдяки саме цій технології ми маємо
самокеровані автівки. -
2:24 - 2:28Доволі важливо, скажімо,
відрізняти дерево від пішохода. -
2:28 - 2:31Ми не знаємо, як написати таку програму,
-
2:31 - 2:34але завдяки комп'ютерному навчанню
тепер це можливо. -
2:34 - 2:37Власне кажучи, це авто проїхало
понад мільйон миль -
2:37 - 2:40звичайними дорогами і без жодної аварії.
-
2:41 - 2:44Тепер ми знаємо,
що комп'ютери здатні вчитися, -
2:44 - 2:46а також вони здатні навчитися робити речі,
-
2:46 - 2:49яких ми не вміємо робити,
-
2:49 - 2:52або вони зроблять їх краще за нас.
-
2:52 - 2:56Чудовим прикладом комп'ютерного навчання
-
2:56 - 2:58був проект Kaggle під моїм керівництвом,
-
2:58 - 3:02на якому група Geoffrey Hinton
-
3:02 - 3:03з університету Торонто
-
3:03 - 3:06перемогла в змаганні
з автоматичного підбору ліків. -
3:06 - 3:09Незвичайним було не тільки те,
що вони обійшли -
3:09 - 3:13компанію Merck і міжнародну
академічну спільноту в розробці алгоритму, -
3:13 - 3:18а й те, що жоден з членів команди не мав
освіти з хімії, біології чи медичних наук, -
3:18 - 3:20а виконали вони це завдання за два тижні.
-
3:20 - 3:22Як їм це вдалось?
-
3:22 - 3:25Вони використали надзвичайний
алгоритм глибинного навчання. -
3:25 - 3:28Ця подія була настільки важливою,
що про її успіх написали -
3:28 - 3:31на першій сторінці New York Times
кілька тижнів потому. -
3:31 - 3:34Ось на фото зліва Джеффрі Гінтон.
-
3:34 - 3:38Алгоритм глибинного навчання створено
-
3:38 - 3:40як аналог функції людського мозку
-
3:40 - 3:44і тому, теоритично,
він не має обмежень у роботі. -
3:44 - 3:48Що більше даних і часу обчислення
ви додаєте, то кращим він стає. -
3:48 - 3:51Інша надзвичайна особливість
алгоритму глибинного навчання -
3:51 - 3:53була висвітлена у статті з New York Times,
-
3:53 - 3:55і я вам її зараз продемонструю.
-
3:56 - 4:00Йдеться про здатність комп'ютерів
слухати і розуміти. -
4:01 - 4:05(Відео) Річард Рашід:
"Я завершу цей огляд, -
4:05 - 4:09звернувшись до вас китайською мовою.
-
4:10 - 4:14Суть в тому,
що я використав велику кількість даних -
4:14 - 4:15різних мовців китайською
-
4:15 - 4:19і конвертував китайський текст
на мовлення -
4:19 - 4:25за допомогою системи конвертації.
-
4:25 - 4:29Далі ми використали годину
мого власного звучання -
4:29 - 4:32для моделювання звичайної
системи перетворення тексту -
4:32 - 4:36в моє мовлення.
-
4:36 - 4:39Повторюсь: результат не є ідеальним.
-
4:39 - 4:42Насправді, там є декілька помилок.
-
4:42 - 4:43(Говорить китайською)
-
4:44 - 4:48(Оплески)
-
4:49 - 4:53Ще багато потрібно зробити
в цьому напрямку". -
4:53 - 4:57(Говорить китайською)
-
4:57 - 5:01(Оплески)
-
5:01 - 5:05Джеремі Говард: Це було на конференції
з комп'ютерного навчання в Китаї. -
5:05 - 5:07Взагалі, не часто можна розраховувати на
бурхливі оплески -
5:07 - 5:09під час наукової конференції,
-
5:09 - 5:12а ось на конференціях TEDx все може бути,
тож - не соромтесь. -
5:13 - 5:16Все, що ви тут побачили, відбулось
з застосуванням глибинного навчання. -
5:16 - 5:17(Оплески) Дякую.
-
5:17 - 5:19Транскрипція англійською -
це глибинне навчання. -
5:19 - 5:23Переклад китайською і текст у верхньому
правому кутку - глибинне навчання, -
5:23 - 5:26і відновлення голосу -
також глибинне навчання. -
5:26 - 5:29Глибинне навчання -
це надзвичайний алгоритм. -
5:29 - 5:32Здається, цей єдиний алгоритм
здатен зробити майже все. -
5:32 - 5:35І я дізнався, що на рік раніше
він також навчився бачити. -
5:35 - 5:38В німецькому змаганні
з розпізнавання дорожних знаків - -
5:38 - 5:40German Traffic Sign
Recognition Benchmark - -
5:40 - 5:43алгоритм глибинного навчання
розпізнавав такі дорожні знаки, як цей. -
5:44 - 5:47Він не тільки навчився розпізнавати знаки
краще за інші алгоритми, -
5:47 - 5:51але й зробив це вдвічі краще за людей,
як засвідчив рейтинг переможців. -
5:52 - 5:54Так до 2011 року
ми вже мали перший комп'ютер, -
5:54 - 5:57який міг бачити краще за людей.
-
5:57 - 5:59Багато змінилося з того часу.
-
5:59 - 6:03В 2012 році Google анонсував про те,
що алгоритм -
6:03 - 6:05глибинного навчання
мав переглянути відео в YouTube -
6:05 - 6:08і опрацювати дані 16 000 комп'ютерів
протягом місяця. -
6:08 - 6:14Комп'ютер, переглядаючи відео,
вивчив концепції "люди" і "коти". -
6:14 - 6:16Майже так само вчаться люди.
-
6:16 - 6:19Люди вчаться не з того,
що їм кажуть, начебто вони бачать, -
6:19 - 6:22але розуміючи, що ті речі означають.
-
6:22 - 6:26Також в 2012 році Джеффрі Гінтон,
якого ми бачили раніше, -
6:26 - 6:29переміг у відомому змаганні ImageNet,
-
6:29 - 6:34вирахувавши, що зображено
на 1,5 мільйонах фотографій. -
6:34 - 6:38На 2014 рік ми досягли 6% частоти помилок
-
6:38 - 6:39в розпізнаванні зображень.
-
6:39 - 6:41Це краще за людські результати.
-
6:41 - 6:45Комп'ютери справді добре вправляються
з такими завданнями, -
6:45 - 6:47і це вже використовують у виробництві.
-
6:47 - 6:50Наприклад, Google оголосив торік,
-
6:50 - 6:54що вони позначили на карті
кожен клаптик Франції за дві години. -
6:54 - 6:56А зробили вони це так.
-
6:56 - 6:59Вони завантажили зображення вулиць
в алгоритм глибинного навчання, -
6:59 - 7:03щоб розпізнати і
прочитати номери будинків. -
7:03 - 7:05Тільки уявіть,
скільки часу знадобилось би раніше: -
7:05 - 7:08десятки людей, багато років.
-
7:08 - 7:10Подібне відбувається в Китаї.
-
7:10 - 7:14Baidu - найбільша пошукова система
в Китаї, -
7:14 - 7:16і те, що ви бачите
в верхньому лівому кутку, -
7:16 - 7:20є прикладом фото, яке я завантажив
у систему глибинного навчання Baidu. -
7:20 - 7:24Нижче ви побачите,
як система розпізнала фото -
7:24 - 7:26і знайшла подібні йому.
-
7:26 - 7:29Підібрані фото мають подібний фон,
-
7:29 - 7:31подібний ракурс голови,
-
7:31 - 7:33деякі навіть з висунутим язичком.
-
7:33 - 7:36Зрозуміло, пошук відбувся
не за текстом веб-сторінки. -
7:36 - 7:37Я завантажив тільки фотографію.
-
7:37 - 7:41Тепер ми маємо комп'ютери, які
дійсно розуміють, що вони бачать, -
7:41 - 7:43і тому можуть в реальному часі
-
7:43 - 7:46вести пошук по базах
сотень мільйонів зображень. -
7:46 - 7:49Що ж означає ця здатність
комп'ютерів бачити? -
7:49 - 7:51Вони не тільки бачать.
-
7:51 - 7:54Насправді, алгоритм глибинного навчання
може більше. -
7:54 - 7:57Тепер алгоритм глибинного навчання розуміє
-
7:57 - 7:59складні речення з нюансами, як ось це.
-
7:59 - 8:01Бачите, відповідно до
-
8:01 - 8:03Стенфордської символьної системи,
-
8:03 - 8:05червона крапка зверху означає,
-
8:05 - 8:07що тут виражено негативний сантимент.
-
8:07 - 8:11Алгоритм глибинного навчання вже
наближається до людського розуміння, -
8:11 - 8:16про які речі йдеться в реченні
і що саме про них. -
8:16 - 8:19Також алгоритм глибинного навчання
було використано -
8:19 - 8:22для читання китайською майже
на рівні носія китайської мови. -
8:22 - 8:24Цей алгоритм розробляли в Швейцарії люди,
-
8:24 - 8:27які не розуміють і не говорять китайською.
-
8:27 - 8:30Як вже було сказано,
система глибинного навчання -
8:30 - 8:32є найкращою в світі для таких цілей,
-
8:32 - 8:36навіть у порівнянні з носієм мови.
-
8:37 - 8:42Всі ці функції моя компанія зібрала
в єдину систему. -
8:42 - 8:44Ось малюнки без тексту.
-
8:44 - 8:47Я ввожу сюди речення,
-
8:47 - 8:50система одночасно розпізнає,
що зображено на цих малюнках, -
8:50 - 8:51а потім шукає малюнки,
-
8:51 - 8:54які відповідають введеному тексту.
-
8:54 - 8:57Отже, ви бачите, що система насправді
розпізнає мої речення -
8:57 - 8:59і також розпізнає ці малюнки.
-
8:59 - 9:02Я знаю - щось подібне вже є у Google,
-
9:02 - 9:05де ви вводите текст,
і він знайде вам відповідний малюнок, -
9:05 - 9:08але насправді буде знайдено
веб-сторінку відповідно до тексту. -
9:08 - 9:11Розпізнавання зображення -
це зовсім інша справа. -
9:11 - 9:14Лише кілька місяців тому
комп'ютерові вдалося зробити це вперше. -
9:17 - 9:21Тепер ми переконались, що комп'ютери
навчились не тільки бачити, а й читати, -
9:21 - 9:25а також, як було показано,
вони розпізнають те, що чують. -
9:25 - 9:28Можливо, я вас вже не здивую,
коли я скажу, що вони вміють і писати. -
9:28 - 9:33Ось текст, який я вчора згенерував,
з алгоритмом глибинного навчання. -
9:33 - 9:36А ось текст, що було згенеровано
Стенфордською системою. -
9:36 - 9:39Кожне з цих речень було створено
за допомогою -
9:39 - 9:43алгоритму глибинного навчання
для опису цих малюнків. -
9:43 - 9:45Цей алгоритм ніколи раніше не бачив
-
9:45 - 9:48чоловіка в чорній сорочці
з гітарою в руках. -
9:48 - 9:50Він бачив раніше чоловіка,
він бачив раніше чорний колір, -
9:50 - 9:51він бачив раніше гітару,
-
9:51 - 9:56але цей новий опис малюнка
він створив самостійно. -
9:56 - 9:59Поки ми ще не досягли рівня
людських можливостей, але ми дуже близько. -
9:59 - 10:02Тестування показало,
що кожна четверта людина -
10:02 - 10:04обирала згенерований комп'ютером варіант.
-
10:04 - 10:06Ця система існує тільки два тижні,
-
10:06 - 10:09тож за таких темпів протягом
наступного року -
10:09 - 10:13комп'ютерний алгоритм перевершить
людські можливості. -
10:13 - 10:16Отже, комп'ютери можуть також писати.
-
10:16 - 10:20Якщо складемо все до купи,
то матимемо дуже цікаві перспективи. -
10:20 - 10:21Наприклад, в медицині:
-
10:21 - 10:24бостонська команда оголосила,
що вони відкрили -
10:24 - 10:27десятки нових важливих
клінічних характеристик пухлин, -
10:27 - 10:32які допоможуть лікарям прогнозувати
розвиток раку. -
10:32 - 10:38Так само, група в Стенфорді оголосила
-
10:38 - 10:41про розроблену на основі огляду тканин
під збільшенням -
10:41 - 10:43систему комп'ютерного навчання, яка
-
10:43 - 10:47визначає шанси на виживання хворих на рак
краще за патологів. -
10:47 - 10:51Завдяки цим двом розробкам
не тільки прогнози стали точнішими, -
10:51 - 10:53а й було започатковано
нову інформативну науку. -
10:53 - 10:57В першому випадку це були нові,
зрозумілі радіологам клінічні індикатори. -
10:57 - 11:00У випадку патології,
комп'ютерна система фактично -
11:00 - 11:04винайшла, що оточення ракових клітин
так само важливе -
11:04 - 11:09при визначенні діагнозу,
як і самі ракові клітини. -
11:09 - 11:15Це спростовує інформацію, якої навчали
патологів роками. -
11:15 - 11:18В розробці систем брали участь
медичні експерти -
11:18 - 11:22та фахівці з комп'ютерного навчання,
-
11:22 - 11:24але з минулого року ми пішли ще далі.
-
11:24 - 11:28Це приклад виявлених
за допомогою мікроскопа -
11:28 - 11:30ракових областей тканини людського тіла.
-
11:30 - 11:34Ця система може виявити
-
11:34 - 11:37такі області точніше, або так само точно,
-
11:37 - 11:40як патологи, але створена вона
виключно за допомогою -
11:40 - 11:42глибинного навчання,
без медичної експертизи, -
11:42 - 11:45людьми без спеціальних знань
в цій області. -
11:45 - 11:47Ось приклад нейронного поділу.
-
11:47 - 11:51Тепер ми можемо поділяти нейрони
так само точно, як людина, -
11:51 - 11:54але систему було розроблено за допомогою
глибинного навчання -
11:54 - 11:57людьми, що не мали базових знань
в медицині. -
11:57 - 12:00Я не маю базових знать в медицині, проте
-
12:00 - 12:02виявляюсь достатньо кваліфікованим, щоб
-
12:02 - 12:04започаткувати нову медичну компанію,
-
12:04 - 12:06що я і зробив.
-
12:06 - 12:08Мене жахала така ідея, але в теорії
-
12:08 - 12:11здавалось цілком можливим виконувати
важливу медичну роботу, -
12:11 - 12:16використовуючи тільки
ці техніки аналізу даних. -
12:16 - 12:19На щастя, відгуки були фантастичні
-
12:19 - 12:23не тільки в медіа, а й серед прихильної
медичної спільноти. -
12:23 - 12:27Теоритично ми можемо
всебічно аналізувати дані -
12:27 - 12:30проміжного етапу медичного процесу,
-
12:30 - 12:33а лікарям залишити їх роботу.
-
12:33 - 12:35Я наведу приклад.
-
12:35 - 12:37Щоб згенерувати новий
медичний діагностичний тест, -
12:37 - 12:40нам потрібно 15 хвилин.
-
12:40 - 12:42Я продемонструю це прямо зараз,
-
12:42 - 12:45тільки я видалив деякі частини,
щоб скоротити його до трьох хвилин. -
12:45 - 12:48Замість створення медичного
клінічного тесту, -
12:48 - 12:52я покажу вам тест діагностики
зображень автівок, -
12:52 - 12:54щоб усім було зрозуміло.
-
12:54 - 12:55Отже, ми починаємо
-
12:55 - 12:58з приблизно 1,5 мільйонів
зображень автівок. -
12:58 - 13:00Я хочу створити інструмент
для сортування -
13:00 - 13:03їх відповідно до кута фотозйомки.
-
13:03 - 13:05Жодна фотографія не позначена,
-
13:05 - 13:06тож я почну з нуля.
-
13:06 - 13:08За допомогою
алгоритму глибинного навчання, -
13:08 - 13:09можна автоматично визначити
-
13:09 - 13:12елементи конструкції на цих зображеннях.
-
13:12 - 13:15Добре в цьому те, що людина
може працювати разом -
13:15 - 13:16з комп'ютером.
-
13:16 - 13:18Людина, як ви бачите,
-
13:18 - 13:21показує комп'ютеру
-
13:21 - 13:22стосовно якої частини
-
13:22 - 13:24комп'ютер буде
-
13:24 - 13:25вдосконалювати алгоритм.
-
13:25 - 13:27Ці системи глибинного навчання працюють в
-
13:27 - 13:2916-тисяч вимірному просторі,
-
13:29 - 13:32тож ви бачите, як комп'ютер
обертає фото в просторі, -
13:32 - 13:35намагаючись знайти
нові елементи структури. -
13:35 - 13:37Коли це йому вдасться,
-
13:37 - 13:41людина, яка керує ним, зможе вибрати
потрібні елементи. -
13:41 - 13:46Ось комп'ютер вдало знайшов елементи,
наприклад, кути. -
13:46 - 13:47Поступово, керуючи процесом,
-
13:47 - 13:50ми даємо комп'ютеру знати, які саме
-
13:50 - 13:52структури ми шукаємо.
-
13:52 - 13:54Уявіть, якби патолог під час
діагностичного тесту -
13:54 - 13:57ідентифікував області патології,
-
13:57 - 13:59або якби радіолог ідентифікував
-
13:59 - 14:02потенційно небезпечні вузлики.
-
14:02 - 14:05Іноді алгоритм не справляється.
-
14:05 - 14:07В такому разі він стає дещо безпорадний.
-
14:07 - 14:11Передні та задні частини автівок
перемішані. -
14:11 - 14:15Тепер слід уважно вручну
-
14:15 - 14:17виділити тільки фронтальні,
-
14:17 - 14:19щоб зорієнтувати комп'ютер на саме
-
14:19 - 14:22цей тип групування, який нас цікавить.
-
14:22 - 14:23Ми це робимо деякий час,
-
14:23 - 14:25я перескочу трохи,
-
14:25 - 14:27потім ми тренуємо алгоритм
глибинного навчання -
14:27 - 14:29на основі кількох сотень деталей
-
14:29 - 14:30і сподіваємось, що він навчився.
-
14:30 - 14:32Бачите, він почав прибирати
-
14:32 - 14:34деякі з малюнків,
-
14:34 - 14:35показуючи цим, що він вже розрізняє,
-
14:35 - 14:38як це робити самостійно.
-
14:38 - 14:41Тепер можна використати концепцію
подібних зображень. -
14:41 - 14:43І ви бачите, що комп'ютер тепер
-
14:43 - 14:47здатен знайти тільки
передні частини машин. -
14:47 - 14:54Отже, можна визнати, що комп'ютер
вправно виконав завдання. -
14:54 - 15:00Іноді буває так, що й після цього складно
відсортувати групи. -
15:00 - 15:03В такому випадку після деякого часу
-
15:03 - 15:06обертання зображень,
-
15:06 - 15:08лівосторонні і правосторонні
все ще перемішані. -
15:08 - 15:10Тоді ми знову підказуємо комп'ютеру
-
15:10 - 15:13і командуємо йому знайти
-
15:13 - 15:15за допомогою алгоритму глибинного навчання
-
15:15 - 15:18проекцію, яка відсортує лівосторонні
від правосторонніх. -
15:18 - 15:21І після такої підказки - ага,
ок, цей процес завершено. -
15:21 - 15:26Йому вдалось відсортувати ці об'єкти.
-
15:26 - 15:29В чому ідея?
-
15:29 - 15:32Йдеться не про заміщення людини
комп'ютером, а про співпрацю. -
15:40 - 15:43Те, що могла зробити команда з 5-6 людей
-
15:43 - 15:45за майже 7 років, одна людина зробить
-
15:45 - 15:48самостійно за 15 хвилин.
-
15:50 - 15:54Для такого процесу потрібно 4 або 5
повторювань. -
15:54 - 15:56Бачите, 62 відсотки
з 1,5 мільйонів зображень -
15:56 - 15:58відсортовано правильно.
-
15:59 - 16:03Тепер можна доволі швидко перевіряти
великі масиви -
16:03 - 16:06на присутність там помилок.
-
16:06 - 16:10Якщо такі знайдуться,
вкажемо комп'ютерові на них. -
16:10 - 16:13Застосувавши той самий процес
-
16:13 - 16:15для кожної окремої групи,
-
16:15 - 16:18матимемо результат: 80 % з 1,5 мільйона зображень
успішно класифіковано. -
16:18 - 16:20Залишиться тільки
-
16:20 - 16:23знайти невелику кількість
хибно класифікованих об'єктів -
16:23 - 16:26і розібратись з ними.
-
16:26 - 16:28Завдяки цьому підходові, ми за 15 хвилин
-
16:28 - 16:32досягли 97 % рівня класифікування.
-
16:32 - 16:37Такі прийоми дають нам змогу побороти
-
16:37 - 16:40величезний брак
медичної експертизи в світі. -
16:40 - 16:42Згідно з даними Світового
економічного форуму, -
16:42 - 16:45країнам, що розвиваються,
в 10-20 разів бракує терапевтів, -
16:45 - 16:48і знадобиться 300 років,
аби навчити достатньо людей, -
16:48 - 16:51які могли б компенсувати цей брак.
-
16:51 - 16:54Уявіть, наскільки ми можемо
покращити результати їхньої діяльності -
16:54 - 16:56завдяки підходу
глибинного навчання. -
16:56 - 16:59Мене дуже надихають такі перспективи.
-
16:59 - 17:01Водночас, я стурбований проблемами.
-
17:01 - 17:04Кожна територія на мапі,
зафарбована синім кольором, є місцем, -
17:04 - 17:08де 80 % зайнятості припадає на послуги.
-
17:08 - 17:10Які послуги?
-
17:10 - 17:11Ось ці.
-
17:11 - 17:16Такі, що комп'ютери тільки
навчилися виконувати. -
17:16 - 17:19Отже, 80 % зайнятості розвинених країн -
-
17:19 - 17:22це робота, яку комп'ютери щойно
навчились виконувати. -
17:22 - 17:23До чого я веду?
-
17:23 - 17:25Авжеж, все буде добре.
-
17:25 - 17:26Їм знайдуть іншу роботу.
-
17:26 - 17:29Наприклад, буде більше спеціалістів
з обробки даних. -
17:29 - 17:30Не зовсім так.
-
17:30 - 17:33Спеціаліст з обробки даних
швидко створює такі речі. -
17:33 - 17:36Наприклад, ці чотири алгоритми
написав один хлопець. -
17:36 - 17:38Ви можете аргументувати,
що все це вже проходили раніше, -
17:38 - 17:44і коли речі змінювались,
з'являлись нові робочі місця. -
17:44 - 17:46А якими вони будуть?
-
17:46 - 17:48Важко сказати, тому що
-
17:48 - 17:51людська діяльність покращується поступово,
-
17:51 - 17:54а система глибинного навчання -
-
17:54 - 17:57в геометричній прогресії.
-
17:57 - 17:58Зараз ми тут.
-
17:58 - 18:01Поки що ми оцінюємо ситуацію і кажемо:
"Комп'ютерам далеко -
18:01 - 18:03до людського розуму". Правда?
-
18:03 - 18:07Але за п'ять років комп'ютери перевершать
свої показники. -
18:07 - 18:11Тож нам слід вже зараз починати думати
про потенціал. -
18:11 - 18:12Звісно, історія вже знала такі часи.
-
18:12 - 18:14Під час індустріальної революції
-
18:14 - 18:18потужності збільшилися завдяки двигунам.
-
18:18 - 18:21Справа в тому,
що речі не змінювались з того часу. -
18:21 - 18:23Існувало соціальне розшарування.
-
18:23 - 18:26Але після впровадження
потужностей двигунів -
18:26 - 18:28в усі сфери життя, воно зменшилось.
-
18:28 - 18:30Революція комп'ютерного навчання
-
18:30 - 18:33відрізняється від індустріальної.
-
18:33 - 18:36Тому що революція комп'ютерного навчання
ніколи не зупиниться. -
18:36 - 18:39Що кращою стане
інтелектуальна діяльність комп'ютерів, -
18:39 - 18:43то більше інших комп'ютерів з
-
18:43 - 18:45кращими потужностями вони створять.
-
18:45 - 18:47Світ ще ніколи не відчував змін
такого масштабу. -
18:47 - 18:51Ваші уявлення про обмеженість
можливостей змінено. -
18:51 - 18:53Ці зміни вже впливають на нас.
-
18:53 - 18:56За останні 25 років зріс
кругообіг капіталу, -
18:56 - 19:01а продуктивність праці була сталою,
навіть трохи зменшилась. -
19:01 - 19:04Тож, я заохочую нас
до обговорення вже зараз. -
19:04 - 19:07Знаю, що люди часто нехтують
цим питанням, -
19:07 - 19:09коли я до них звертаюсь.
-
19:09 - 19:11Комп'ютери не можуть розвивати думок,
-
19:11 - 19:16не мають емоцій, не розуміють поезію,
ми не тямимо до кінця, як вони працюють. -
19:16 - 19:17То що з того?
-
19:17 - 19:19Комп'ютери вже виконують речі, якими
-
19:19 - 19:22люди заробляють собі на життя.
-
19:22 - 19:27Тож нам варто подумати,
як змінити наші соціальну -
19:27 - 19:30і економічну структури,
враховуючи нову реальність. -
19:30 - 19:31Дякую.
-
19:31 - 19:31(Оплески)
- Title:
- Плюси та мінуси використання комп'ютерів, які самі вчаться
- Speaker:
- Джеремі Говард
- Description:
-
Що станеться зі світом, в якому комп’ютери будуть самі вчитися? Експерт Джеремі Говард дивує новими розробками в області глибинного навчання, яка зараз бурхливо розвивається. Глибинне навчання – технологія, завдяки якій комп’ютери вчать китайську, розпізнають деталі фотографій, або допомагають у медичній діагностиці. (Один інструмент глибинного навчання багато годин дивився відео в YouTube і зрозумів концепцію "кішки"). Дізнайтесь з перших рук, як зміниться світ комп’ютерів у майбутньому. Це трапиться ще швидше, ніж ви гадаєте.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Hanna Leliv edited Ukrainian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hanna Leliv edited Ukrainian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hanna Leliv edited Ukrainian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hanna Leliv approved Ukrainian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hanna Leliv accepted Ukrainian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hanna Leliv edited Ukrainian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hanna Leliv edited Ukrainian subtitles for The wonderful and terrifying implications of computers that can learn | ||
Tetiana Abrosimova edited Ukrainian subtitles for The wonderful and terrifying implications of computers that can learn |