Прекрасные до ужаса области применения обучающихся компьютеров | Джереми Говард | TEDxBrussels
-
0:10 - 0:13Раньше, если вы хотели,
чтобы компьютер сделал что-то новое, -
0:13 - 0:15вам нужно было это запрограммировать.
-
0:15 - 0:19Для тех из вас, кто никогда с этим
не сталкивался: программирование -
0:19 - 0:22требует мучительного определения
мельчайших деталей, -
0:22 - 0:25каждого действия, которое
компьютер должен выполнить, -
0:25 - 0:27чтобы добиться желаемого результата.
-
0:27 - 0:31Но запрограммировать что-то,
чего вы сами не умеете, — -
0:31 - 0:33это очень сложная задача.
-
0:33 - 0:37С такой сложной задачей столкнулся
этот человек, Артур Самуэль. -
0:37 - 0:43В 1956 году он захотел, чтобы компьютер
смог обыграть его в шашки. -
0:43 - 0:45Как написать программу,
-
0:45 - 0:49точную до мельчайших деталей,
чтобы выиграть в шашки? -
0:49 - 0:51И ему пришла в голову мысль:
-
0:51 - 0:54пусть компьютер сыграет
сам с собой тысячи раз -
0:54 - 0:57и так научится играть в шашки.
-
0:57 - 1:00И это действительно сработало,
и в 1962 году -
1:00 - 1:03этот компьютер обыграл
чемпиона Коннектикута. -
1:03 - 1:07Артур Самуэль стал основоположником
машинного обучения. -
1:07 - 1:08Я в большом долгу перед ним,
-
1:08 - 1:11потому что я работаю
в области машинного обучения. -
1:11 - 1:13Я был президентом фирмы Kaggle,
-
1:13 - 1:16объединяющей 200 000 людей,
применяющих машинное обучение. -
1:16 - 1:18Kaggle проводит соревнования
-
1:18 - 1:22по решению ещё нерешённых проблем,
-
1:22 - 1:25и участники успешно решают их сотнями.
-
1:26 - 1:28У меня была отличная возможность
узнать многое -
1:28 - 1:32о возможностях машинного обучения
в прошлом, настоящем -
1:32 - 1:34и будущем.
-
1:34 - 1:37Возможно, первым большим
коммерческим успехом -
1:37 - 1:39машинного обучения стал Google.
-
1:39 - 1:42В Google доказали,
что можно находить информацию -
1:42 - 1:44с помощью компьютерного алгоритма,
-
1:44 - 1:47и этот алгоритм был построен
на машинном обучении. -
1:47 - 1:51С тех пор машинное обучение неоднократно
применялось с коммерческим успехом. -
1:51 - 1:53Компании Amazon и Netflix используют
-
1:53 - 1:56машинное обучение, определяя,
какие товары вы захотите купить -
1:56 - 1:58и какие фильмы посмотреть.
-
1:58 - 2:00Иногда это даже пугает.
-
2:00 - 2:02Сети, такие как LinkedIn и Facebook,
-
2:02 - 2:04иногда предлагают вам в друзья людей,
-
2:04 - 2:06а вы не понимаете, как их нашли.
-
2:06 - 2:09А это было сделано
с помощью машинного обучения. -
2:09 - 2:13Их алгоритмы обучаются на основе данных,
-
2:13 - 2:15а не на основе того,
как их запрограммировал человек. -
2:16 - 2:18Это также объясняет успех IBM:
программа Watson -
2:18 - 2:21обыграла двух чемпионов мира
в «Своей игре», -
2:21 - 2:24ответив на невероятно коварные
и сложные вопросы вроде этого: -
2:24 - 2:28[В 2003 году «лев Нимруда» исчез
из национального музея этого города] -
2:28 - 2:32Благодаря этим методам у нас
есть первые беспилотные автомобили. -
2:32 - 2:34Здесь достаточно важно, например,
-
2:34 - 2:37отличать дерево от пешехода.
-
2:37 - 2:40Мы не знаем, как создать такой алгоритм,
-
2:40 - 2:43но можем решить эту задачу
с помощью машинного обучения. -
2:43 - 2:46И этот автомобиль в самом деле
проехал больше 1,5 млн километров, -
2:46 - 2:49ни разу не попав в аварию на трассе.
-
2:49 - 2:52Итак, мы знаем,
что компьютеры могут обучаться -
2:52 - 2:55и могут учиться делать то,
-
2:55 - 2:57что на самом деле мы и сами
не знаем, как делать — -
2:57 - 3:00или могут делать это лучше нас.
-
3:00 - 3:04С одним из самых невероятных результатов
машинного обучения -
3:04 - 3:07я столкнулся, когда работал в Kaggle:
-
3:07 - 3:11команда, которую возглавил Джеффри Хинтон
-
3:11 - 3:12из Университета Торонто,
-
3:12 - 3:15стала лучшей в автоматическом поиске
новых лекарств. -
3:15 - 3:17Невероятным было не только то,
что их алгоритм оказался лучше -
3:17 - 3:22всех алгоритмов, разработанных Merck
или международным научным сообществом, — -
3:22 - 3:27ни у кого из команды не было образования
в области химии, биологии или медицины, -
3:27 - 3:29и на всё у них ушло две недели.
-
3:29 - 3:31Как им это удалось?
-
3:31 - 3:34Благодаря уникальному алгоритму
глубокого обучения. -
3:34 - 3:37Это настолько важно, что про их успех
-
3:37 - 3:40спустя пару недель сообщила
на первой полосе New York Times. -
3:40 - 3:43Слева — Джеффри Хинтон.
-
3:43 - 3:47В основе глубокого обучения —
принципы работы человеческого мозга, -
3:47 - 3:49и поэтому этот алгоритм
-
3:49 - 3:52теоретически имеет
неограниченные возможности. -
3:52 - 3:56Чем больше данных на входе
и чем больше времени на их обработку, -
3:56 - 3:57тем лучше результат.
-
3:57 - 3:59В этой же статье New York Times
был упомянут ещё один -
3:59 - 4:02удивительный результат глубокого обучения,
-
4:02 - 4:04который я вам сейчас покажу.
-
4:04 - 4:08Он демонстрирует то,
что компьютеры могут слышать и понимать. -
4:09 - 4:11(Видео) Ричард Рашид: Наконец,
-
4:11 - 4:14последнее, что я хочу сделать, —
-
4:14 - 4:17это поговорить с вами по-китайски.
-
4:19 - 4:22Суть в том,
-
4:22 - 4:27что мы сформировали массив записей
носителей китайского языка -
4:27 - 4:30и построили систему
перевода текста в речь, -
4:30 - 4:34которая получает текст на китайском
и переводит его в речь. -
4:35 - 4:39Потом мы записáли примерно час
звучания моего голоса -
4:39 - 4:41и использовали его
-
4:41 - 4:45в обычной системе перевода текста в речь.
-
4:45 - 4:48Повторяю, результат не идеален.
-
4:48 - 4:51Там есть несколько ошибок.
-
4:51 - 4:53(Говорит по-китайски)
-
4:53 - 4:57(Аплодисменты)
-
4:58 - 5:01Нам предстоит ещё много работы.
-
5:01 - 5:05(Говорит по-китайски)
-
5:05 - 5:08(Аплодисменты)
-
5:10 - 5:14Джереми Говард: Это было на конференции
по машинному обучению в Китае. -
5:14 - 5:17На самом деле,
на научных конференциях редко -
5:17 - 5:19внезапно аплодируют,
-
5:19 - 5:22в отличие от TEDx, так что не стесняйтесь.
-
5:22 - 5:25Всё, что вы видели, было построено
на глубоком обучении. -
5:25 - 5:27(Аплодисменты) Спасибо.
-
5:27 - 5:29Английские субтитры —
это глубокое обучение. -
5:29 - 5:32Перевод на китайский
и текст справа вверху — тоже, -
5:32 - 5:35и конструирование голоса — снова оно.
-
5:36 - 5:39Глубокое обучение — невероятная вещь.
-
5:39 - 5:42Один-единственный алгоритм,
который, похоже, может всё, -
5:42 - 5:45и ещё годом раньше я обнаружил,
что он также научился видеть. -
5:45 - 5:47В этом малоизвестном
соревновании в Германии, -
5:47 - 5:50«Немецкий идеал распознавания
дорожных знаков», -
5:50 - 5:53глубокое обучение использовалось
для распознавания вот таких знаков. -
5:53 - 5:55Мало того, что результаты распознавания
-
5:55 - 5:57лучше, чем у других алгоритмов;
-
5:57 - 6:00в таблице результатов видно,
что они лучше человеческих -
6:00 - 6:02примерно в два раза.
-
6:02 - 6:04Итак, к 2011 году у нас был
-
6:04 - 6:07первый компьютер,
который видел лучше людей. -
6:07 - 6:09С тех пор произошло многое.
-
6:09 - 6:13В 2012 Google объявил,
что их алгоритм глубокого обучения -
6:13 - 6:14использовал видео на YouTube.
-
6:14 - 6:17Данные обрабатывались
на 16 000 процессоров в течение месяца, -
6:17 - 6:22и компьютер Google самостоятельно
определил, что такое люди и кошки, -
6:22 - 6:24на основе только видеоматериалов.
-
6:24 - 6:26Это очень похоже на то, как учатся люди.
-
6:26 - 6:29Им не говорят, что они видят,
-
6:29 - 6:32люди сами разбираются в том, что видят.
-
6:32 - 6:35В том же 2012 Джеффри Хинтон,
которого вы уже видели, -
6:35 - 6:38выиграл очень известное
соревнование ImageNet, -
6:38 - 6:42в котором было необходимо понять,
что изображено -
6:42 - 6:44на 1,5 млн картинок.
-
6:44 - 6:47К 2014 году уровень ошибок
при распознавании образов -
6:47 - 6:49упал до 6%.
-
6:49 - 6:51И опять же, это лучше, чем у людей.
-
6:51 - 6:55Компьютеры действительно
необычайно хороши в этом, -
6:55 - 6:57и сейчас это применяется
в коммерческих целях. -
6:57 - 7:00Так, в прошлом году Google объявил,
-
7:00 - 7:04что они могут локализовать любую точку
во Франции за два часа: -
7:04 - 7:08они загружают фотографии улиц
-
7:08 - 7:12на вход алгоритма глубокого обучения,
чтобы распознать и прочитать адресá. -
7:12 - 7:14Сколько времени ушло бы на это раньше!
-
7:14 - 7:18Понадобились бы десятки людей и много лет.
-
7:18 - 7:20То же самое происходит в Китае.
-
7:20 - 7:24Baidu — это что-то вроде
китайского Google, -
7:24 - 7:26и сверху слева вы видите
-
7:26 - 7:30картинку, которую я загрузил
в алгоритм глубокого обучения Baidu, -
7:30 - 7:34а под ней — то, как система распознала,
что находится на картинке, -
7:34 - 7:36и нашла похожие.
-
7:36 - 7:39Похожие изображения имеют близкий фон,
-
7:39 - 7:42на них похожие выражения морд,
на некоторых даже так же высунут язык. -
7:42 - 7:45Это не просто поиск текста
на веб-странице. -
7:45 - 7:47Я загрузил только картинку.
-
7:47 - 7:51Итак, теперь наши компьютеры
действительно понимают, что они видят, -
7:51 - 7:52и могут искать изображения в базах
-
7:52 - 7:56среди сотен миллионов картинок —
в режиме реального времени. -
7:56 - 7:59Значит ли это,
что компьютеры могут видеть? -
7:59 - 8:01Это не просто возможность видеть.
-
8:01 - 8:03Глубокое обучение — это намного больше.
-
8:03 - 8:06Сложные предложения со множеством
смысловых оттенков -
8:06 - 8:09теперь понятны благодаря
алгоритмам глубокого обучения. -
8:09 - 8:10Как вы видите,
-
8:10 - 8:13эта стэнфордская система
отмечает красными точками сверху, -
8:13 - 8:17что предложение выражает
отрицательные эмоции. -
8:17 - 8:20Результаты глубокого обучения
близки к человеческим -
8:20 - 8:25по распознаванию того,
что и о чём сказано. -
8:25 - 8:28Глубокое обучение использовалось
для чтения на китайском, -
8:28 - 8:31и результат был на уровне
человека — носителя китайского. -
8:31 - 8:33Этот алгоритм был разработан в Швейцарии
-
8:33 - 8:37людьми, ни один из которых
не говорит по-китайски. -
8:37 - 8:39Как я и сказал, глубокое обучение —
-
8:39 - 8:41это оптимальный способ
решения для таких задач, -
8:41 - 8:46даже по сравнению
с человеческим восприятием. -
8:46 - 8:49Система, которую создали
в моей компании, -
8:49 - 8:51занимается всем, о чём я рассказал.
-
8:51 - 8:54Это картинки без сопроводительного текста,
-
8:54 - 8:56и здесь я набираю предложения.
-
8:56 - 8:59В режиме реального времени
картинки распознаются, -
8:59 - 9:01определяется их смысл,
-
9:01 - 9:04и ищутся изображения,
соответствующих введённому мной тексту. -
9:04 - 9:07Итак, вы видите, что предложения
-
9:07 - 9:09и картинки действительно распознаются.
-
9:09 - 9:11Я знаю, что вы видели
нечто похожее в Google, -
9:11 - 9:14когда вы набираете запрос,
по которому вам выдают картинки, -
9:14 - 9:18но в действительности там ищется
нужный текст на веб-странице. -
9:18 - 9:21Распознавание образов —
это принципиально иное. -
9:21 - 9:23Распознавание стало доступно
компьютерным алгоритмам -
9:23 - 9:26впервые совсем недавно.
-
9:27 - 9:31Итак, компьютеры теперь могут
не только видеть, но и читать, -
9:31 - 9:34и, как мы уже показали,
понимать, что они слышат. -
9:34 - 9:38Так что я буду последователен и скажу,
что они умеют писать. -
9:38 - 9:43Вот текст, который я сгенерировал вчера
с помощью алгоритма глубокого обучения. -
9:43 - 9:47А вот текст, сгенерированный
с помощью стэнфордского алгоритма. -
9:47 - 9:48Каждая из этих фраз составлена
-
9:48 - 9:53алгоритмом глубокого обучения
для описания этих картинок. -
9:53 - 9:57Алгоритм ещё не встречал понятия мужчины
в чёрной рубашке, играющего на гитаре. -
9:57 - 9:59Но ему известны понятия
-
9:59 - 10:01человека, чёрного, гитары,
-
10:01 - 10:05и алгоритм независимо формулирует
связное описание этого изображения. -
10:05 - 10:09Мы всё ещё не дотягиваем до уровня
человека, но мы уже близки. -
10:09 - 10:13При испытаниях люди выбирают
описания, данные компьютером, -
10:13 - 10:14в одном случае из четырёх.
-
10:14 - 10:16Этой системе всего две недели от роду,
-
10:16 - 10:18и, скорее всего, в следующем году
-
10:18 - 10:21алгоритм даст результаты
намного лучше человеческих, -
10:21 - 10:23если развитие пойдёт такими темпами.
-
10:23 - 10:26Итак, компьютеры могут и писать тоже.
-
10:26 - 10:29Складываем всё вместе,
и нам открываются невероятные возможности. -
10:29 - 10:31Например, в медицине.
-
10:31 - 10:33Команда из Бостона открыла
-
10:33 - 10:36десятки новых клинических
особенностей опухолей; -
10:36 - 10:41это поможет врачам диагностировать рак.
-
10:42 - 10:44Точно так же в Стэнфорде
-
10:44 - 10:48группа, проанализировав опухоли
под увеличением, -
10:48 - 10:50создала систему
на основе машинного обучения, -
10:50 - 10:53которая лучше, чем патологоанатомы-люди,
-
10:53 - 10:56предсказывала исход заболевания
у онкобольных. -
10:57 - 11:00В обоих случаях алгоритмы давали
не только более точный результат, -
11:00 - 11:03но и новые неожиданные открытия.
-
11:03 - 11:04В случае с радиологией
-
11:04 - 11:07это были новые клинические показатели,
понятные для людей. -
11:07 - 11:09В случае с опухолями
-
11:09 - 11:14алгоритм обнаружил,
что клетки вокруг опухоли -
11:14 - 11:17так же важны, как и сами раковые клетки,
-
11:17 - 11:19для постановки диагноза.
-
11:19 - 11:24Это противоречит всему,
чему патологоанатомов учили десятилетиями. -
11:24 - 11:27В разработке обеих систем
-
11:27 - 11:31участвовали как эксперты-врачи,
так и специалисты по машинному обучению, -
11:31 - 11:34но в прошлом году мы смогли преодолеть
и это ограничение. -
11:34 - 11:37Это пример определения поражённых раком
-
11:37 - 11:40человеческих тканей под микроскопом.
-
11:40 - 11:44Система, которую я показываю,
может определить их точнее, -
11:44 - 11:47или так же точно, как и патологоанатом,
-
11:47 - 11:51но она построена только на методах
глубокого обучения без участия врачей -
11:51 - 11:53людьми, не имеющими
никакого отношения к медицине. -
11:54 - 11:57Или вот сегментация нейронов.
-
11:57 - 12:00Теперь мы можем сегментировать нейроны
так же аккуратно, как и вручную, -
12:00 - 12:03но эта система построена
на глубоком обучении -
12:03 - 12:06людьми, не имеющими
медицинских знаний или опыта. -
12:06 - 12:10Поэтому я, как человек,
никогда не занимавшийся медициной, -
12:10 - 12:13оказался отличным кандидатом на роль
основателя новой медицинской компании, -
12:13 - 12:15им я и стал.
-
12:16 - 12:17Я порядком трýсил,
-
12:17 - 12:20но в теории, существует
реальная возможность -
12:20 - 12:26создать очень полезные препараты,
используя лишь алгоритмы анализа данных. -
12:26 - 12:28И, к счастью, отзывы были
невероятно хорошими, -
12:28 - 12:31не только в СМИ, но
и от медицинского сообщества, -
12:31 - 12:33где горячо поддержали мою идею.
-
12:33 - 12:37Идея заключается в том, что мы можем
взять промежуточный этап лечения -
12:37 - 12:40и максимально применить к нему
наши методы анализа данных, -
12:40 - 12:43позволив врачам заниматься тем,
что у них получается лучше всего. -
12:43 - 12:45Приведу пример.
-
12:45 - 12:49На составление нового диагностического
теста у нас уходит 15 минут, -
12:49 - 12:51я покажу его в режиме реального времени,
-
12:51 - 12:54но сокращу процесс до трёх минут,
-
12:54 - 12:56вырезав отдельные фрагменты.
-
12:56 - 12:59И вместо создания медицинского теста
-
12:59 - 13:01я покажу тестирование изображений машин,
-
13:01 - 13:04потому что оно будет понятнее всем.
-
13:04 - 13:07Итак, начнём с 1,5 млн
изображений машин, -
13:07 - 13:10и я хочу придумать, как их разбить
на группы в зависимости от угла, -
13:10 - 13:12с которого они сфотографированы.
-
13:12 - 13:16Все эти изображения не имели меток,
поэтому мне придётся начинать с нуля. -
13:16 - 13:18Наш алгоритм глубокого обучения
-
13:18 - 13:22автоматически распознаёт отдельные
компоненты на этих изображениях. -
13:22 - 13:25Хорошо то, что человек и компьютер
могут решать задачу вместе. -
13:25 - 13:27Человек, как вы видите,
-
13:27 - 13:30задаёт компьютеру исследуемую область,
-
13:30 - 13:35на основе которой компьютер должен
усовершенствовать свой алгоритм. -
13:35 - 13:39Эта система глубокого обучения работает
в 16 000-мерном пространстве, -
13:39 - 13:43компьютер вращает в нём данные,
-
13:43 - 13:45чтобы обнаружить новые структуры.
-
13:45 - 13:46А когда он их найдёт,
-
13:46 - 13:50человек, управляющий процессом,
укажет на те, что его интересуют. -
13:50 - 13:53Итак, компьютер успешно
обнаружил признаки, -
13:53 - 13:55например, ракурс.
-
13:55 - 13:57В ходе исследования
-
13:57 - 13:59мы постепенно уточняем,
-
13:59 - 14:02что именно мы ищем.
-
14:02 - 14:03Представьте диагностический тест,
-
14:03 - 14:07благодаря которому врач
определяет границы патологии -
14:07 - 14:12или радиолог — потенциально
опасные образования. -
14:12 - 14:14Иногда это оказывается
слишком сложно для алгоритма. -
14:14 - 14:16Он не находит решения.
-
14:16 - 14:19Капоты и багажники машин идут вперемешку.
-
14:19 - 14:21Поэтому нам надо быть немного аккуратнее,
-
14:21 - 14:24вручную разделив их,
-
14:24 - 14:30а затем задав компьютеру тип изображений,
-
14:30 - 14:31которые нам нужны.
-
14:31 - 14:34Процесс длится какое-то время,
промотаем немного вперёд, -
14:34 - 14:36а потом мы обучаем наш алгоритм
-
14:36 - 14:38на основе нескольких сотен объектов,
-
14:38 - 14:40надеясь, что он станет
намного эффективнее. -
14:40 - 14:43Видите, некоторые
из этих картинок поблёкли — -
14:43 - 14:48это означает, что теперь компьютер
распознал их самостоятельно. -
14:48 - 14:51Теперь мы можем использовать
этот принцип похожих изображений. -
14:51 - 14:53Как видите, используя эти изображения,
-
14:53 - 14:57теперь компьютер может самостоятельно
находить только фотографии машин спереди. -
14:57 - 15:00Теперь человек может сказать компьютеру:
-
15:00 - 15:02«Отлично, ты молодец».
-
15:03 - 15:05Иногда, конечно, даже на этом этапе
-
15:05 - 15:09всё еще сложно выделить группы.
-
15:09 - 15:11В этом случае затем мы позволяем
-
15:11 - 15:14компьютеру покрутить его.
-
15:14 - 15:16Снимки машин справа и слева всё ещё
-
15:16 - 15:18идут вперемешку.
-
15:18 - 15:20И мы снова даём компьютеру подсказки,
-
15:20 - 15:23чтобы он нашёл плоскость,
-
15:23 - 15:25разделяющую изображения
справа и слева предельно точно -
15:25 - 15:28на основе алгоритма глубокого обучения.
-
15:28 - 15:31И с этими подсказками — а, отлично,
решение было найдено. -
15:31 - 15:33Компьютеру удалось найти способ
выделить эти объекты -
15:33 - 15:36среди всех остальных.
-
15:36 - 15:38Это суть метода.
-
15:38 - 15:44Компьютер не заменяет человека,
-
15:46 - 15:49здесь они работают вместе.
-
15:49 - 15:52То, на что команда
-
15:52 - 15:55из 5–6 человек потратила бы около 7 лет,
-
15:55 - 15:57мы заменяем 15-минутной процедурой,
-
15:57 - 16:00которую выполняет только один человек.
-
16:00 - 16:04Этот процесс выполняется за 4–5 итераций.
-
16:04 - 16:06Как видите, теперь 62%
-
16:06 - 16:08наших 1,5 млн изображений
классифицированы верно. -
16:08 - 16:11Теперь мы сможем быстро выделять
-
16:11 - 16:12отдельные большие блоки
-
16:12 - 16:15и просматривать их, чтобы убедиться,
что в них нет ошибок. -
16:15 - 16:19Если возникают ошибки,
мы указываем на них компьютеру. -
16:19 - 16:22Применяя эту процедуру
к разным группам по отдельности, -
16:22 - 16:25сейчас мы получаем
около 80% верных результатов -
16:25 - 16:27при классификации
1,5 млн изображений. -
16:27 - 16:29Сейчас задача состоит только в том,
-
16:29 - 16:33чтобы найти то небольшое количество
неверно распознанных изображений -
16:33 - 16:36и понять, почему это произошло.
-
16:36 - 16:37Применяя этот подход,
-
16:37 - 16:41за 15 минут мы получаем
результат, верный на 97%. -
16:41 - 16:46Эта процедура может справиться
с одной из важнейших проблем — -
16:46 - 16:49нехваткой медицинских работников в мире.
-
16:49 - 16:53По данным, озвученным на Мировом
экономическом форуме, нужно в 10–20 раз -
16:53 - 16:55больше терапевтов в развивающихся странах,
-
16:55 - 16:57и понадобится около 300 лет,
-
16:57 - 17:00чтобы обучить нужное количество людей.
-
17:00 - 17:03А теперь представьте,
что мы повысим их эффективность, -
17:03 - 17:06используя глубокое обучение.
-
17:06 - 17:08Меня очень вдохновляют
появившиеся возможности. -
17:08 - 17:11Но одновременно беспокоят и проблемы.
-
17:11 - 17:14Проблема в том, что во всех странах,
отмеченных на карте синим, -
17:14 - 17:1880% рабочих мест приходится
на сферу услуг. -
17:18 - 17:19Каких услуг?
-
17:19 - 17:21Вот эти услуги.
-
17:21 - 17:23И это именно то,
-
17:23 - 17:26что компьютеры только что
научились делать. -
17:26 - 17:29И если 80% людей в развитых странах
-
17:29 - 17:31занимаются тем, что теперь
может делать компьютер, -
17:31 - 17:33то что это значит?
-
17:33 - 17:35Всё будет в порядке.
Появится другая работа. -
17:35 - 17:38Например, будет больше работы
для аналитиков данных. -
17:38 - 17:39Не совсем так.
-
17:39 - 17:42Решение этих задач не займёт
у аналитиков много времени. -
17:42 - 17:45Например, эти четыре алгоритма
создал один и тот же человек. -
17:45 - 17:48Если вам кажется,
что это всё уже было, -
17:48 - 17:52в прошлом мы видели,
что когда приходят новые технологии, -
17:52 - 17:54новые профессии заменяют старые,
-
17:54 - 17:56то какими будут эти новые профессии?
-
17:56 - 17:58Нам очень сложно оценить это сейчас,
-
17:58 - 18:01ведь производительность труда
растёт постепенно, -
18:01 - 18:03но теперь есть система,
глубокое обучение, -
18:03 - 18:06и мы знаем, что его возможности
растут по экспоненте. -
18:06 - 18:08Итак,
-
18:08 - 18:10пока что мы оглядываемся по сторонам:
-
18:10 - 18:13«Но компьютеры всё ещё
достаточно примитивны», верно? -
18:13 - 18:16Но через пять лет их возможности выйдут
за границу этого графика. -
18:16 - 18:20Поэтому нам необходимо начать обдумывать
этот аспект прямо сейчас. -
18:20 - 18:22Разумеется, мы однажды уже видели такое.
-
18:22 - 18:23Промышленная революция,
-
18:23 - 18:26благодаря двигателям, дала
качественный скачок производства. -
18:27 - 18:30Однако тогда, спустя какое-то время,
мощности перестали расти. -
18:30 - 18:32Был социальный взрыв,
-
18:32 - 18:35но когда двигатели стали применяться
в промышленности повсеместно, -
18:35 - 18:38было достигнуто равновесие.
-
18:38 - 18:39Революция машинного обучения
-
18:39 - 18:42будет отличаться
от промышленной революции, -
18:42 - 18:45потому что революция
машинного обучения непрерывна. -
18:45 - 18:48Чем дальше компьютеры
совершенствуются интеллектуально, -
18:48 - 18:52тем более интеллектуально
совершенные компьютеры они создают, -
18:52 - 18:54и это станет таким изменением,
-
18:54 - 18:57с каким наш мир
никогда раньше не сталкивался, -
18:57 - 19:00и ваши прошлые представления
о возможном изменятся. -
19:00 - 19:02Это уже влияет на нас.
-
19:02 - 19:06В течение последней четверти века
производительность капитала росла, -
19:06 - 19:10в то время как производительность труда
оставалась прежней или немного снижалась. -
19:11 - 19:14Я хочу, чтобы мы начали обсуждать всё это.
-
19:14 - 19:17Когда я рассказываю всё это людям,
-
19:17 - 19:18они реагируют скептически:
-
19:18 - 19:20мол, компьютеры не могут думать,
-
19:20 - 19:23переживать, воспринимать стихи,
-
19:23 - 19:25мы не понимаем по-настоящему,
как они работают. -
19:25 - 19:27И что?
-
19:27 - 19:29Уже компьютеры делают то, на что люди
-
19:29 - 19:31тратят бóльшую часть
своего оплачиваемого времени, -
19:31 - 19:35так что теперь пора думать о том,
как мы будем менять -
19:35 - 19:37наши социальные,
экономические структуры, -
19:37 - 19:39чтобы быть готовыми
к новой реальности. -
19:39 - 19:41Спасибо.
-
19:41 - 19:43(Аплодисменты)
- Title:
- Прекрасные до ужаса области применения обучающихся компьютеров | Джереми Говард | TEDxBrussels
- Description:
-
Что произойдёт, если мы научим компьютер учиться? Инженер Джереми Говард рассказывает о нескольких удивительных прорывах в быстро развивающейся сфере глубокого обучения, о методе, который позволяет компьютерам говорить по-китайски, распознавать объекты на фотографиях или участвовать в постановке диагноза (один из алгоритмов глубокого обучения, после нескольких часов просмотра видео с YouTube, самостоятельно дал определение кошкам). Узнайте последнюю информацию об отрасли, которая изменит поведение окружающих вас компьютеров, — и скорее, чем вы думаете.
Это выступление записано на мероприятии TEDx, независимо организованном местным сообществом с использованием формата конференций TED. Узнайте больше на http://ted.com/tedx
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 19:47
Tatiana Efremova
Забыла перевести название и описание выступления сразу.
--
Прекрасные до ужаса области применения обучающихся компьютеров | Джереми Говард | TEDxBrussels
Что произойдёт, если мы научим компьютер учиться? Инженер Джереми Говард рассказывает о нескольких удивительных прорывах в быстро развивающейся сфере глубокого обучения, методе, который позволяет компьютерам говорить по-китайски, распознавать объекты на фотографиях или участвовать в постановке диагноза (один из алгоритмов глубокого обучения, после часов просмотра видео с YouTube, самостоятельно дал определение кошкам). Очутитесь в отрасли, которая изменит поведение окружающих вас компьютеров... скорее, чем вы думаете. Это выступление записано на мероприятии TEDx, организованном независимо от TED Conferences.