A tanuló számítógépek viselkedésének csodálatos és hátborzongató következményei | Jeremy Howard | TEDxBrussels
-
0:09 - 0:13Valaha, ha azt akartuk, hogy
a számítógép csináljon meg valamit, -
0:13 - 0:16előtte be kellett rá programoznunk.
-
0:16 - 0:19Azoknak, akik sohasem programoztak:
a programozás -
0:19 - 0:22annyit tesz, hogy célunk érdekében
aprólékosan, lépésenként -
0:22 - 0:25részletesen közölni kell a géppel,
-
0:25 - 0:27mikor mit csináljon.
-
0:27 - 0:31De ha olyat akarunk tenni,
amiről mi sem tudjuk, miként kell, -
0:31 - 0:33az ám az igazi kunszt!
-
0:33 - 0:37Ilyen feladattal találkozott
Arthur Samuel -
0:37 - 0:431956-ban: szerette volna, ha
a gép legyőzi a dámajátékban. -
0:43 - 0:45Hogy lehet megírni egy programot
-
0:45 - 0:49minden apró részletében,
hogy a számítógép győzzön? -
0:49 - 0:51Támadt egy ötlete:
-
0:51 - 0:54A gépet önmaga ellen játszatta
több ezerszer, -
0:54 - 0:57hogy a gép tanulja,
hogyan kell dámázni. -
0:57 - 1:00A dolog sikerült, és 1962-re
-
1:00 - 1:03a számítógép legyőzte
Connecticut állam bajnokát. -
1:03 - 1:07Úgyhogy Samuelt a gépi tanulás
atyjának nevezhetjük. -
1:07 - 1:08Le vagyok kötelezve neki,
-
1:08 - 1:11mert gépi tanulással foglalkozom.
-
1:11 - 1:13A Kaggle elnöke voltam, a közösségé,
-
1:13 - 1:16ahol 200 000-nél többen foglalkoznak
gépi tanulással. -
1:16 - 1:18A Kaggle versenyeket szervez nekik,
-
1:18 - 1:22hogy oldjanak meg eddig
megoldatlan feladatokat, -
1:22 - 1:25s ezek több száz alkalommal
bizonyultak sikeresnek. -
1:26 - 1:28Ebből a pozícióból
rá tudtam jönni sok mindenre: -
1:28 - 1:32mire volt képes a gépi tanulás
a múltban, mire a jelenben -
1:32 - 1:34és mit fog tudni a jövőben.
-
1:34 - 1:37Valószínűleg a gépi tanulásban
-
1:37 - 1:39az első üzleti siker a Google volt.
-
1:39 - 1:42A Google bebizonyította, hogy
lehet gépi algoritmus alapján -
1:42 - 1:44adatokhoz jutni,
-
1:44 - 1:47és ez az algoritmus
gépi tanuláson alapul. -
1:47 - 1:51Azóta sok, gépi tanuláson alapuló
üzleti sikertörténetet ismerünk. -
1:51 - 1:54Olyan cégek, mint az Amazon
és a Netflix a gépi tanulás módszerével -
1:54 - 1:56ajánlják termékeiket megvételre
-
1:56 - 1:58illetve filmjeiket megnézésre.
-
1:58 - 2:00Néha ez, mondhatni, elég ijesztő.
-
2:00 - 2:02Mások, mint a LinkedIn és a Facebook
-
2:02 - 2:04néha megmondják, kik lehetnének
a barátaink, -
2:04 - 2:06és fogalmunk sincs, hogy csinálják.
-
2:06 - 2:09A gépi tanulásban rejlő
lehetőségeket használják. -
2:09 - 2:13Ezek az algoritmusok sokkal inkább
az adatokból tanulnak, -
2:13 - 2:15semmint a kézzel írt programokból.
-
2:16 - 2:19Így lett sikeres az IBM is:
Watson nevű gépe -
2:19 - 2:21legyőzte a "Jeopardy" kvízműsor
két világbajnokát, -
2:21 - 2:24mert válaszolt körmönfont és
bonyolult kérdésekre; pl. -
2:24 - 2:28[Ennek a városnak a múzeumából tűnt el
az ókori Nimród oroszlánja 2003-ban] -
2:28 - 2:32Így jelentek meg az első,
vezető nélküli autók. -
2:32 - 2:35Elég fontos, hogy
meg tudjuk mondani, mi a különbség, -
2:35 - 2:37mondjuk, egy fa és egy gyalogos között.
-
2:37 - 2:40Nem tudjuk, hogyan kell
manuálisan megírni a programokat, -
2:40 - 2:43de gépi tanulással erre most
megvan a lehetőség. -
2:43 - 2:46Tény, hogy ez a kocsi már
több millió kilométert tett meg -
2:46 - 2:48baleset nélkül átlagos utakon.
-
2:49 - 2:52Tudjuk tehát, hogy a számítógépek
tudnak tanulni, és képesek megtanulni, -
2:52 - 2:55hogyan végezzenek el feladatokat,
-
2:55 - 2:57amelyeknél néha mi magunk
tanácstalanok vagyunk, -
2:57 - 3:00vagy talán nálunk ügyesebben végzik el.
-
3:00 - 3:04A gépi tanulás egyik legpompásabb példáját
-
3:04 - 3:07egy általam irányított Kaggle-
projektnél tapasztaltam, -
3:07 - 3:10ahol a Torontói Egyetem csoportja,
-
3:10 - 3:12amelyet Geoffrey Hinton vezetett,
megnyert -
3:12 - 3:15egy automatizált gyógyszer-
kifejlesztési versenyt. -
3:15 - 3:19Nemcsak az volt rendhagyó, hogy
legyőzték a Merck -
3:19 - 3:21és más nemzetközi tudóscsoportok
algoritmusait, -
3:21 - 3:25hanem hogy egyikük sem volt járatos
a kémiában, a biológiában -
3:25 - 3:29vagy az élettudományokban, s
mindezt két hét alatt. -
3:29 - 3:30Hogy sikerült nekik?
-
3:30 - 3:34Rendhagyó algoritmust alkalmaztak,
az ún. mély tanulást. -
3:34 - 3:37Annyira fontos eredmény volt ez,
hogy a New York Times -
3:37 - 3:40címoldalon tudósított róla pár hét múlva.
-
3:40 - 3:43Balra látható Geoffrey Hinton.
-
3:43 - 3:47A mély tanulás olyan algoritmus,
amelyet az emberi agy működése ihletett. -
3:47 - 3:49Az algoritmusnak nincs
elméleti korlátja -
3:49 - 3:52abból a szempontból, hogy
mi mindenre lehet képes. -
3:52 - 3:55Minél több adatot és gépidőt adunk neki,
-
3:55 - 3:57annál jobbak lesznek az eredmények.
-
3:57 - 3:59A New York Times cikkében
írt a mély tanulás -
3:59 - 4:02egy másik rendkívüli eredményéről is,
-
4:02 - 4:04amelyről rögtön szólni fogok.
-
4:04 - 4:08Ez azt mutatja, hogy a számítógépek
képesek hangot érzékelni és értelmezni. -
4:08 - 4:11(Video) Richard Rashid: Az utolsó
lépés, s ezt szeretném, -
4:11 - 4:14hogy hozzá tudjam tenni a folyamathoz:
-
4:14 - 4:17kínaiul beszélni önökhöz.
-
4:19 - 4:22Ennek kulcsa, hogy képesek voltunk
-
4:22 - 4:27nagy mennyiségű információt
átvenni sok kínai beszédjéből, -
4:27 - 4:30létrehozni egy "szövegből beszédet"
rendszert, amely -
4:30 - 4:34a kínai szöveget átalakítja
kínai beszéddé. -
4:35 - 4:39Azután az én hangmintámból felvettünk
egy órányit, -
4:39 - 4:41s ezzel moduláltuk a szokásos
-
4:41 - 4:45"szövegből beszédet" rendszert,
amely aztán az én hangomon szól. -
4:45 - 4:48Az eredmény nem tökéletes.
-
4:48 - 4:51Tény, hogy elég sok a hiba.
-
4:51 - 4:53(kínaiul)
-
4:53 - 4:57(taps)
-
4:58 - 5:01Elég sok feladat van még ezen a területen.
-
5:01 - 5:05(kínaiul)
-
5:05 - 5:10(taps)
-
5:10 - 5:14Howard: Ez egy gépi tanulási
konferencián történt, Kínában. -
5:14 - 5:17Valóban ritka, hogy egy
tudományos tanácskozáson -
5:17 - 5:19spontán tapsot hall az ember,
-
5:19 - 5:22bár néha TEDx konferenciákon igen.
-
5:22 - 5:25Amit itt láttak, mind
a mély tanulással kapcsolatos. -
5:25 - 5:27(taps) Köszönöm.
-
5:27 - 5:29A fonetikus átírás angolra
mély tanulás volt. -
5:29 - 5:32A kínaira fordítás és a szöveg
a jobb fölső sarokban szintén, -
5:32 - 5:36és a hangképzés úgyszintén
mély tanulás volt. -
5:36 - 5:39Úgyhogy a mély tanulás különleges dolog.
-
5:39 - 5:42Egyszerű algoritmus, de úgy látszik,
majdnem mindenre alkalmas, -
5:42 - 5:45erre tavaly jöttem rá.
Látni is megtanult már. -
5:45 - 5:47Egy kevéssé ismert német versenyen,
-
5:47 - 5:50amely a közlekedési jelzések
felismerésére irányul, -
5:50 - 5:53a mély tanulás megtanulta fölismerni
a közlekedési jelzéseket. -
5:53 - 5:55Nemcsak jobban ismeri föl őket,
-
5:55 - 5:57mint bármely más algoritmus,
-
5:57 - 6:00de az eredményjelző kimutatta,
hogy az embernél is jobban, -
6:00 - 6:02kb. kétszer jobban mint az ember.
-
6:02 - 6:042011-re megvolt az első,
-
6:04 - 6:07az embernél jobban látó számítógép.
-
6:07 - 6:09Azóta sok minden történt.
-
6:09 - 6:132012-ben a Google közölte: van
egy mély tanuló algoritmusuk, -
6:13 - 6:14amely figyeli YouTube videókat, és
-
6:14 - 6:17egy hónap alatt átrágta magát
16 000 gép adatain, -
6:17 - 6:21és a számítógép önállóan megtanult
olyan fogalmakat mint "emberek" -
6:21 - 6:24vagy „macskák”, csupán csak a
videókat figyelve. -
6:24 - 6:26Az emberek nagyon hasonlóan tanulnak.
-
6:26 - 6:29Az emberek nem úgy tanulnak, hogy
megmondják nekik, mit látnak, -
6:29 - 6:32hanem maguknak tanítják meg,
mik ezek a dolgok. -
6:32 - 6:352012-ben az említett Hinton
-
6:35 - 6:38megnyerte a nagyon népszerű
ImageNet versenyt, -
6:38 - 6:42ahol másfél millió képről kellett
-
6:42 - 6:44eldönteni, hogy mit ábrázol.
-
6:44 - 6:462014-re elértük a képfelismerésben
-
6:46 - 6:49a 6%-os hibaszintet.
-
6:49 - 6:51Ez megint az emberekénél
jobb eredmény. -
6:51 - 6:54Tehát a gépek ebben rendkívül
jó munkát végeznek, -
6:54 - 6:57és az eredményeket ma
az iparban is hasznosítják. -
6:57 - 7:00Például a Google tavaly bejelentette,
-
7:00 - 7:04hogy két óra alatt feltérképezte
egész Franciaországot, -
7:04 - 7:08mindezt úgy, hogy betáplálták
az utcai látképeket -
7:08 - 7:12egy mély tanuló algoritmusba,
az fölismerte és beolvasta -
7:12 - 7:14a házszámokat.
Korábban meddig tartott volna? -
7:14 - 7:18Tucatnyi ember, több év.
-
7:18 - 7:20Ez történik most Kínában is.
-
7:20 - 7:24A Baidu valami kínai Google,
-
7:24 - 7:26és a bal fölső sarokban látható
egy kép, amelyet -
7:26 - 7:30feltöltöttem a Baidu mély tanuló
rendszerébe, -
7:30 - 7:34alatta pedig látják, hogy
a rendszer megértette, mi ez a kép, -
7:34 - 7:36és talált hasonló képeket.
-
7:36 - 7:39A hasonló képnek egyébként
hasonló a háttere, -
7:39 - 7:42az állatok pofája egyfelé fordul,
némelyik még a nyelvét is kiölti. -
7:42 - 7:45Ez nem ugyanaz, mint egy szöveg
a weboldalon. -
7:45 - 7:47Mindössze egy képet töltöttem föl.
-
7:47 - 7:51Tehát a mai számítógépeink
tényleg értik, amit látnak, -
7:51 - 7:52és százmilliónyi képet tartalmazó
-
7:52 - 7:56adatbázist nézhetnek át valós időben.
-
7:56 - 7:59De mit jelent az, hogy
a számítógépek látnak? -
7:59 - 8:01Nos, nemcsak, hogy látnak.
-
8:01 - 8:03Valójában a mély tanulás ennél
többet ért el. -
8:03 - 8:06Az összetett, finoman árnyalt
mondatok, mint ez, -
8:06 - 8:09mély tanuló algoritmusokkal
ma már érthetők. -
8:09 - 8:10A felül látható piros pöttyel
-
8:10 - 8:13ez a stanfordi rendszer azt jelzi,
-
8:13 - 8:17hogy ez a mondat
negatív érzelmet fejez ki. -
8:17 - 8:20A mély tanulás ma már tényleg
megközelíti az emberi teljesítményt -
8:20 - 8:25abban, hogy miről szól a mondat,
és mit állít ezekről a dolgokról. -
8:25 - 8:28A mély tanulás révén olvasunk kínaiul,
-
8:28 - 8:31kb. egy született kínai szintjén.
-
8:31 - 8:33Ez az algoritmus svájci,
s akik kifejlesztették, -
8:33 - 8:37nem beszélnek és nem értenek kínaiul.
-
8:37 - 8:39A mély tanulás alkalmazása
-
8:39 - 8:41erre talán a világ legjobb rendszere,
-
8:41 - 8:46akár összevetve a természetes
emberi megértéssel. -
8:46 - 8:49Ezt a rendszert raktuk össze
a cégemnél, mely -
8:49 - 8:51megmutatja, hogyan kell ezeket összerakni.
-
8:51 - 8:54Ezekhez a képekhez nem társul szöveg,
-
8:54 - 8:56és ahogy mondatokat írok be ide,
-
8:56 - 8:59ez valós időben megérti
ezeket a képeket, -
8:59 - 9:01kitalálja, miről szólnak,
-
9:01 - 9:04és talál a beírt szöveghez
hasonló képeket. -
9:04 - 9:07Ez azt jelenti, hogy valójában
érti a mondataimat, -
9:07 - 9:09és valójában érti a képeket.
-
9:09 - 9:11Tudom, hogy hasonlót már
láttak a Google-on, -
9:11 - 9:14ahol beírják a szavakat, és
megjelennek a képek, -
9:14 - 9:18de az úgy működik, hogy a gép
a weboldalon szöveget keres. -
9:18 - 9:21Az teljesen más, mint képeket fölismerni.
-
9:21 - 9:23Ilyesmit számítógépek
csak az utóbbi hónapokban -
9:23 - 9:26voltak képesek első ízben megcsinálni.
-
9:27 - 9:31A számítógépek nemcsak látnak,
hanem olvasnak is, -
9:31 - 9:34megmutattuk, hogy értik is, amit hallanak.
-
9:34 - 9:38Talán nem meglepő, ha elmondom,
hogy írni is tudnak. -
9:38 - 9:43Itt egy szöveg, amelyet tegnap egy
mély tanuló algoritmussal írattam. -
9:43 - 9:46Itt egy szöveg, melyet a stanfordi
algoritmus írt. -
9:46 - 9:48Minden mondatot mély tanuló
algoritmus -
9:48 - 9:53állított elő a képek leírása céljából.
-
9:53 - 9:57Az algoritmus korábban soha nem
látott fekete inges, gitározó embert. -
9:57 - 9:59Látott korábban embert,
látott fekete színt, -
9:59 - 10:01látott korábban gitárt,
-
10:01 - 10:05de önállóan állította elő a kép
új leírását. -
10:05 - 10:09Ez még nem üti meg az emberi
teljesítmény szintjét, de közelíti. -
10:09 - 10:13A tesztekben az esetek negyedében
jobban tetszik az embernek -
10:13 - 10:14a számítógép-generálta képaláírás.
-
10:14 - 10:16Ez a rendszer csupán kéthetes,
tehát -
10:16 - 10:18valószínűleg egy éven belül
-
10:18 - 10:21a számítógépes algoritmus
-
10:21 - 10:23felülmúlja az emberi teljesítményt.
-
10:23 - 10:26Tehát a számítógép írni is tud.
-
10:26 - 10:29Ha mindent összerakunk,
ez izgalmas lehetőségekhez vezet. -
10:29 - 10:31Például a gyógyításban,
-
10:31 - 10:33egy bostoni csoport bejelentette,
hogy felfedeztek -
10:33 - 10:36több tucat klinikailag fontos
daganat-jellemzőt, -
10:36 - 10:41amelyek segítenek az orvosoknak
a rák előrejelzésében. -
10:42 - 10:44Hasonlóképpen, Stanfordban
-
10:44 - 10:48bejelentették, hogy kifejlesztettek
egy gépi tanuló rendszert, -
10:48 - 10:50amely a szöveteket nagyításban vizsgálva
-
10:50 - 10:53a rákosok túlélési esélyeinek
előrejelzésében -
10:53 - 10:56tényleg jobban teljesít,
mint a patológusok. -
10:57 - 11:00Mindkét esetben az előrejelzések
nemcsak pontosabbak voltak, -
11:00 - 11:03hanem új tudományos eredményt hoztak.
-
11:03 - 11:04A radiológia esetében
-
11:04 - 11:07ezek új klinikai mutatók, amelyeket
az ember képes értelmezni. -
11:07 - 11:09A patológiai esetben
-
11:09 - 11:12a számítógépes rendszer
végeredményben felfedezte, -
11:12 - 11:15hogy a rák körüli sejtek
a diagnózis fölállításában -
11:15 - 11:19ugyanolyan fontosak,
mint maguk a rákos sejtek. -
11:19 - 11:23A patológusoknak évtizedeken át
pont az ellenkezőjét tanították. -
11:24 - 11:27Mindkét esetben ezek olyan
rendszerek, melyeket -
11:27 - 11:31az orvos és a gépi tanulás
szakértők együtt -
11:31 - 11:34fejlesztettek ki. Tavaly óta
ezt is túlhaladtuk. -
11:34 - 11:37Itt egy példa arra, ahogyan
mikroszkóp alatt azonosítják -
11:37 - 11:40az emberi szövet rákos területét.
-
11:40 - 11:44A bemutatott rendszer pontosabban vagy kb.
ugyanolyan pontossággal tudja azonosítani -
11:44 - 11:47azokat a területeket, mint egy patológus.
-
11:47 - 11:51Mély tanulással alakították ki
a rendszert, orvosi szakértelem nélkül, -
11:51 - 11:53olyanok, akiknek nincs semmi hátterük
a témában. -
11:54 - 11:57Azután itt van az idegsejtek
szelvényezése. Már majdnem -
11:57 - 12:00olyan precízen tudjuk szelvényezni
az idegsejteket, mint az emberek, -
12:00 - 12:03és a rendszert mély tanulással
azok alakították ki, -
12:03 - 12:05akiknek nem volt előzetes orvosi
tapasztalatuk. -
12:06 - 12:10Úgy éreztem, hogy orvosi háttér nélkül is
-
12:10 - 12:13eléggé képzett vagyok,
hogy orvosi céget alapítsak. -
12:13 - 12:16Meg is tettem.
-
12:16 - 12:18Kissé féltem tőle,
de az elmélet azt sugallta, -
12:18 - 12:22hogy hasznára válhatnánk a gyógyításnak
-
12:22 - 12:25csupán ilyen adatelemző módszerek
alkalmazásával. -
12:26 - 12:28Hálás vagyok a fantasztikus fogadtatásért,
-
12:28 - 12:31nemcsak a média, hanem
az orvosi közösség részéről is, -
12:31 - 12:33akik nagyon támogattak.
-
12:33 - 12:37Az elmélet szerint a gyógyítás
folyamatában a középső részt lecseréljük -
12:37 - 12:40adatelemzésre lehetőség szerint,
és azt hagyjuk az orvosokra, -
12:40 - 12:42amihez legjobban értenek.
-
12:43 - 12:45Mondok rá példát. Ma 15 perc
-
12:45 - 12:48egy új diagnosztikai teszt kidolgozása.
-
12:48 - 12:51Megmutatom ezt önöknek valós
időben, de én három percbe -
12:51 - 12:53sűrítettem be, mert
-
12:53 - 12:55elhagytam egyes elemeit.
-
12:55 - 12:59Ahelyett, hogy megmutatnám, hogy
készül egy orvosdiagnosztikai teszt, -
12:59 - 13:01lássuk inkább autót ábrázoló
képek diagnosztikai tesztjét, -
13:01 - 13:04mert azt mindenki érteni fogja.
-
13:04 - 13:07Kb. másfél millió, autót ábrázoló
képpel kezdünk, -
13:07 - 13:10és szeretnék létrehozni valamit,
ami a szerint rendezi őket, -
13:10 - 13:12hogy milyen szögből készült a felvétel.
-
13:12 - 13:16A képek címkézetlenek, ezért
az alapoktól kell kezdenem. -
13:16 - 13:18Mély tanuló algoritmusunkkal
-
13:18 - 13:22azonosítani lehet
az egyes részekhez tartozó területeket. -
13:22 - 13:25Az ember és a gép pompásan
együtt tud működni. -
13:25 - 13:27Az ember, ahogy itt látható,
-
13:27 - 13:30megmondja a gépnek,
mely területek érdeklik, -
13:30 - 13:35melyeken szeretné, hogy próbáljon
javítani a gép az algoritmusa szerint. -
13:35 - 13:39Ezek a mély tanuló rendszerek egy
16 000-dimenziós térben vannak, -
13:39 - 13:43látják, ahogy a gép ezt pörgeti azon
a téren keresztül, -
13:43 - 13:45és próbál új területeket találni.
-
13:45 - 13:47Amint eredményt ér el,
az őt irányító ember -
13:47 - 13:50megjelölheti az érdekes területeket.
-
13:50 - 13:53A gépnek sikerült területeket találnia,
-
13:53 - 13:55például sarkokat.
-
13:55 - 13:57Ahogy végigvisszük a folyamatot,
-
13:57 - 13:59fokozatosan egyre többet közlünk
a géppel arról, -
13:59 - 14:01miféle struktúrát keresünk.
-
14:01 - 14:03Képzeljenek el egy diagnosztikai tesztben
-
14:03 - 14:07egy patológust, amint meghatározza
a patologikus részeket, -
14:07 - 14:12vagy egy radiológust,
amint kimutatja a gócokat. -
14:12 - 14:14Néha nehéz az algoritmus számára.
-
14:14 - 14:16Most egy kissé összezavarodott.
-
14:16 - 14:19Összekeveri a kocsik elejét
a hátuljával. -
14:19 - 14:21Egy kicsit jobban kell vigyáznunk,
-
14:21 - 14:24és nekünk kell előbb különválogatnunk
a kocsik elejét és a hátulját, -
14:24 - 14:27azután megmondjuk a gépnek,
-
14:27 - 14:31hogy ez a csoport érdekes
nekünk. -
14:31 - 14:34Ez eltart egy ideig, ugrunk egyet.
-
14:34 - 14:36és okítjuk a párszáz dologra támaszkodó
-
14:36 - 14:38gépi tanuló algoritmust,
-
14:38 - 14:40és reméljük, hogy erősen följavul.
-
14:40 - 14:43Látják, kezd elhalványulni
egy néhány kép, -
14:43 - 14:47tehát már felismeri, ezek hogyan értendők.
-
14:48 - 14:51Majd alkalmazhatjuk ezt az elvet
hasonló képekre, -
14:51 - 14:53és hasonló képeknél, látják,
-
14:53 - 14:57már képes a kocsiknak az elejét
hibátlanul megtalálni. -
14:57 - 15:00Itt az ember mondhatja a gépnek:
-
15:00 - 15:02OK, jó munkát végeztél.
-
15:03 - 15:05Persze, néha még itt is
-
15:05 - 15:08bonyolult szétválasztani a csoportokat
-
15:09 - 15:11esetünkben, bár hagytuk
-
15:11 - 15:14a gépet egy ideig pörögni,
-
15:14 - 15:16mégis találunk összekeveredve
-
15:16 - 15:18jobb és bal oldalas képeket.
-
15:18 - 15:20Adhatunk további útbaigazításokat
a gépnek, -
15:20 - 15:23mondhatjuk, hogy próbálkozz,
és találj olyan szempontot, -
15:23 - 15:25ami minél jobban szétválogatja
a jobb és bal oldalakat -
15:25 - 15:28a mély tanuló algoritmussal.
-
15:28 - 15:30S lám, a tanácsunk -- OK, sikeres volt.
-
15:30 - 15:33Sikerült olyan szempontok szerint
vizsgálni a tárgyakat, -
15:33 - 15:36amelyek alkalmasak szétválogatásukra.
-
15:36 - 15:38S eszünkbe jut egy gondolat.
-
15:38 - 15:46Esetünkben a gép
nem helyettesíti az embert, -
15:46 - 15:49hanem együtt munkálkodnak.
-
15:49 - 15:53Ami egy 5-6 fős csoportnak
-
15:53 - 15:55kb. hét évébe tellett volna korábban,
-
15:55 - 15:57azt ezzel az eszközzel
15 perc alatt -
15:57 - 16:00egyetlen személy elvégezi egyedül.
-
16:00 - 16:04Ez a folyamat 4-5 közelítő lépést
használ. -
16:04 - 16:06Látják, hogy a gép a másfél millió kép
-
16:06 - 16:0862%-át helyesen osztályozta.
-
16:08 - 16:11Most kezdhetjük gyorsan,
-
16:11 - 16:12nagy vonalakban
-
16:12 - 16:15átnézni, nincs-e hiba valahol.
-
16:15 - 16:19Ahol hiba van, közölhetjük a géppel.
-
16:19 - 16:22Minden elkülönített csoportra alkalmazva
valami ilyen eljárást -
16:22 - 16:25most a 80%-os helyességi aránynál tartunk
-
16:25 - 16:27a másfél millió kép osztályozásakor.
-
16:27 - 16:29Most még találunk néhány
-
16:29 - 16:33helytelenül osztályozott képet,
-
16:33 - 16:36és megpróbáljuk megérteni,
mi ennek az oka. -
16:36 - 16:38Ugyanezzel a módszerrel
15 perc alatt -
16:38 - 16:4197%-os pontossági arányt érünk el.
-
16:41 - 16:46Az ilyen technika lehetővé tenné, hogy
kezelni tudjunk egy jelentős problémát, -
16:46 - 16:49azt, hogy hiány van
orvosi szakértelemből a világban. -
16:49 - 16:53A Világgazdasági Fórumon elhangzott,
-
16:53 - 16:55hogy a fejlődő országokban
10-20-szoros az orvoshiány, -
16:55 - 16:57és mintegy 300 évbe telne,
-
16:57 - 17:00hogy a gond megoldására
elég orvost képezzenek ki. -
17:00 - 17:03Képzeljék csak el, milyen jó lenne,
ha a mély tanulás módszerével -
17:03 - 17:06növelhetnénk az orvosok
hatékonyságát. -
17:06 - 17:08Egészen fölvillanyoznak a lehetőségek.
-
17:08 - 17:10Engem is aggaszt ez a gond.
-
17:10 - 17:13Az a probléma, hogy
a kékkel jelölt területek ott vannak, -
17:13 - 17:17ahol a szolgáltatások aránya
80% fölötti a foglalkoztatottságban. -
17:17 - 17:19A szolgáltatások?
[Írás-olvasás, Beszéd-figyelem], -
17:19 - 17:22[Szemlélet, Tudás összegzése]
Ezek. -
17:22 - 17:23Pont e dolgokkal éppen most
-
17:23 - 17:26tanult meg a gép bánni.
-
17:26 - 17:29Most tanult meg a gép bánni
a szolgáltatások -
17:29 - 17:31fejlett világbeli felhasználásának
80%-ával. -
17:31 - 17:33Mit jelent ez? Azt mondják:
-
17:33 - 17:36Minden rendben lesz. A régiek
helyett új állások keletkeznek. -
17:36 - 17:38Például több állás lesz az
adattudósok számára. -
17:38 - 17:39Nem igazán.
-
17:39 - 17:42Nem tart soká a számukra
kifejleszteni ezeket a dolgokat. -
17:42 - 17:45Például e négy algoritmust
ugyanaz a fickó hozta létre. -
17:45 - 17:48Ha azt hiszik: ó, régen is megtörtént,
-
17:48 - 17:52láttunk már ilyet, hogy új dolgok jönnek,
-
17:52 - 17:54és a régieket új állások váltják föl,
-
17:54 - 17:56no, de milyenek lesznek
az új állások? -
17:56 - 17:58Nagyon nehezen tudjuk megítélni,
-
17:58 - 18:01mert az emberi teljesítmény
fokozatosan nő, -
18:01 - 18:03de most itt van a mély tanulás rendszere,
-
18:03 - 18:06tudjuk róla, hogy a teljesítménye
rohamosan nő. -
18:06 - 18:08Itt tartunk.
-
18:08 - 18:10Mostanában a dolgok láttán
sokan azt mondják: -
18:10 - 18:13"Ó, a számítógépek még mindig
elég ostobák." Igaz? -
18:13 - 18:16De öt éven belül a helyzet megváltozik.
-
18:16 - 18:20Már most el kell kezdenünk
gondolkozni a gépek képességeiről. -
18:20 - 18:22Ilyet már tapasztaltunk,
-
18:22 - 18:23az ipari forradalom idején,
-
18:23 - 18:26ahogy a gépek megjelenésével
lépést kellett váltani. -
18:27 - 18:30De egy idő után a dolgok elsimultak,
-
18:30 - 18:32Megzavarta a társadalmat,
-
18:32 - 18:35de amikor energiatermelésre
már mindenütt gépeket használtak, -
18:35 - 18:38a dolgok lecsillapodtak.
-
18:38 - 18:39A "gépi tanulás forradalma"
-
18:39 - 18:42egészen más lesz, mint az ipari
forradalom, -
18:42 - 18:45mert a "gépi tanulás forradalma"
soha nem csillapodik le. -
18:45 - 18:48Minél jobbak lesznek a számító-
gépek a szellemi tevékenységben, -
18:48 - 18:52annál jobb szellemi képességű
számítógépeket tudnak megépíteni, -
18:52 - 18:54ez egyfajta olyan váltás lesz,
-
18:54 - 18:57amit a világ eddig még soha nem
tapasztalt, ezért korábbi fogalmaik, -
18:57 - 19:00hogy mi a lehetséges, teljesen
megváltoznak. -
19:00 - 19:02Mindez már hatással van ránk.
-
19:02 - 19:06Az utóbbi 25 évben a tőke
termelékenysége nőtt, -
19:06 - 19:10a munka termelékenysége maradt,
sőt, valamit csökkent is. -
19:11 - 19:14Szeretném, ha már elkezdenénk
ezt az eszmecserét. -
19:14 - 19:16Amikor a jelen helyzetről
beszélgetek emberekkel, -
19:16 - 19:18gyakran teljesen elutasítók.
-
19:18 - 19:20Jó, a számítógépek valójában
nem tudnak gondolkodni, -
19:20 - 19:23nem fejeznek ki érzelmeket,
nem értik a költészetet, -
19:23 - 19:25mi igazából nem értjük,
hogyan működnek. -
19:25 - 19:26Na és?
-
19:26 - 19:29A számítógépek már most
meg tudnak tenni dolgokat, -
19:29 - 19:31amelyek az emberek munkaidejének
nagy részét kitöltik. -
19:31 - 19:34Ideje elkezdeni a gondolkodást:
-
19:34 - 19:37hogyan igazítsuk át a társadalom
és a gazdaság szerkezetét -
19:37 - 19:39az új realitások fényében.
-
19:39 - 19:41Köszönöm
-
19:41 - 19:45(taps)
- Title:
- A tanuló számítógépek viselkedésének csodálatos és hátborzongató következményei | Jeremy Howard | TEDxBrussels
- Description:
-
Mi történik, ha megtanítjuk a számítógépnek, hogyan tanuljon? Jeremy Howard technológiai szakember néhány meglepő új eredményről beszél, amelyek a mély tanulás gyorsan fejlődő területén születtek; olyan technikáról, amely képessé teszi a számítógépeket, hogy kínaiul tanuljanak, hogy fényképekről tárgyakat ismerjenek föl, hogy átgondolják az orvosi diagnózist. (Az egyik mély tanulási eszköz a YouTube néhány órai figyelése alapján megtanította magának a "macska" fogalmát.) Tartsunk lépést azzal a tudományterülettel, ami meg fogja változtatni a számítógépek viselkedését... hamarabb, mint gondolnánk.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 19:47
Maria Ruzsane Cseresnyes
Van itt két videó:
http://amara.org/en/videos/Gehn25JdhxwU/hu/888274/
http://amara.org/en/videos/wFPz3DAhJxlJ/hu/893087/
A két előadás lényegében ugyanaz, egyszerre készült a két fordítás és a két review is. Célszerű az approve-ot is együtt kezelni.
Pontosabban, a 2. review-ja készült el előbb, és a 17. perc után változtattam valamicskét az 1. szövegén. Ezek a változások a 2-ba már nem kerültek bele, mert addigra ezt már leadtam. Célszerű ezeket átvezetni.
Köszi:
Mari