0:00:00.880,0:00:04.893
Wenn man früher wollte, [br]dass ein Computer etwas Neues tat,

0:00:04.893,0:00:06.827
musste man ihn programmieren.

0:00:06.827,0:00:09.858
Für alle, die es noch nie[br]selbst probiert haben:

0:00:09.858,0:00:13.360
Beim Programmieren [br]muss man bis ins kleinste Detail

0:00:13.360,0:00:16.727
jeden einzelnen Schritt definieren,[br]den der Computer erledigen soll,

0:00:16.727,0:00:19.089
um sein Ziel zu erreichen.

0:00:19.089,0:00:22.585
Will man also etwas tun, [br]was man selbst noch nicht kann,

0:00:22.585,0:00:24.648
dann wird das eine große Herausforderung.

0:00:24.648,0:00:28.131
Dieser Herausforderung stellte sich [br]dieser Mann, Arthur Samuel.

0:00:28.131,0:00:32.208
1956 wollte er diesem Computer beibringen,

0:00:32.208,0:00:34.548
ihn im Spiel Dame zu schlagen.

0:00:34.548,0:00:36.588
Wie kann man ein Programm schreiben

0:00:36.588,0:00:40.394
und bis ins kleinste Detail definieren, [br]wie man sich selbst in Dame übertrifft?

0:00:40.394,0:00:42.116
Also hatte er eine Idee:

0:00:42.116,0:00:45.840
Er ließ den Computer tausende Male [br]gegen sich selbst spielen,

0:00:45.840,0:00:48.364
sodass er Dame spielen lernte.

0:00:48.364,0:00:51.544
Das funktionierte wirklich, und schon 1962

0:00:51.544,0:00:55.561
besiegte dieser Computer [br]den Landesmeister von Connecticut.

0:00:55.561,0:00:58.534
Arthur Samuel war also [br]der Urvater des Maschinellen Lernens

0:00:58.534,0:01:00.251
und ich schulde ihm viel,

0:01:00.251,0:01:03.014
denn ich bin ein Fachmann [br]im Maschinellen Lernen.

0:01:03.014,0:01:04.479
Ich war Präsident von Kaggle,

0:01:04.479,0:01:07.867
einer Plattform von über 200 000 [br]Fachleuten für Maschinelles Lernen.

0:01:07.867,0:01:09.925
Kaggle veranstaltet Wettbewerbe,

0:01:09.925,0:01:13.633
bei denen bisher ungelöste Probleme [br]gelöst werden sollen,

0:01:13.633,0:01:17.470
und das war schon [br]hunderte Male erfolgreich.

0:01:17.470,0:01:19.940
Aus dieser Warte habe [br]ich viel darüber gelernt,

0:01:19.940,0:01:23.890
was Maschinelles Lernen[br]früher konnte, was es heute kann

0:01:23.890,0:01:26.252
und was es zukünftig vollbringen könnte.

0:01:26.252,0:01:30.675
Der vielleicht erste kommerzielle Erfolg [br]im Maschinellen Lernen war Google.

0:01:30.675,0:01:33.384
Google hat bewiesen, [br]dass man Informationen

0:01:33.384,0:01:36.066
über einen Computeralgorithmus[br]finden kann,

0:01:36.066,0:01:38.437
der auf Maschinellem Lernen basiert.

0:01:38.437,0:01:42.323
Seitdem gab es viele kommerzielle Erfolge [br]im Maschinellen Lernen.

0:01:42.323,0:01:44.270
Firmen wie Amazon oder Netflix

0:01:44.270,0:01:47.876
nutzen Maschinelles Lernen[br]für Kaufempfehlungen

0:01:47.876,0:01:49.896
oder Filmvorschläge.

0:01:49.896,0:01:51.703
Manchmal ist das beinahe gruselig.

0:01:51.703,0:01:53.657
Firmen wie LinkedIn oder Facebook

0:01:53.657,0:01:56.251
schlagen Ihnen manchmal neue Freunde vor

0:01:56.251,0:01:58.228
und Sie haben keine Ahnung, wie das geht,

0:01:58.228,0:02:01.195
und genau das ist die Macht [br]des Maschinellen Lernens.

0:02:01.195,0:02:04.152
Diese Algorithmen haben[br]anhand vorhandener Daten gelernt,

0:02:04.152,0:02:07.399
anstatt von Hand programmiert zu werden.

0:02:07.399,0:02:10.507
So konnte auch IBM Watson dazu bringen,

0:02:10.507,0:02:13.539
die zwei Weltmeister[br]der Quizshow "Jeopardy" zu schlagen,

0:02:13.539,0:02:16.414
wo man knifflige, komplexe Fragen[br]beantworten musste, z. B.:

0:02:16.414,0:02:18.927
["2003 verschwand u. a. [br]der antike 'Löwe von Nimrud'

0:02:18.927,0:02:20.510
aus dem Museum dieser Stadt."]

0:02:20.510,0:02:23.164
Daher gibt es nun[br]erste selbstfahrende Autos.

0:02:23.164,0:02:25.036
Will man den Unterschied

0:02:25.036,0:02:28.488
etwa zwischen Baum und[br]Fußgänger erkennen, ist das wichtig.

0:02:28.488,0:02:31.075
Wir wissen nicht, wie man [br]solche Programme schreibt,

0:02:31.075,0:02:34.072
aber durch Maschinelles Lernen [br]ist das jetzt möglich.

0:02:34.072,0:02:36.680
Dieses Auto ist schon über 1 Mio. km

0:02:36.680,0:02:40.186
ohne den kleinsten Unfall [br]auf normalen Straßen gefahren.

0:02:40.196,0:02:44.110
Wir wissen also, [br]dass Computer lernen können

0:02:44.110,0:02:46.010
und dass sie auch Dinge lernen können,

0:02:46.010,0:02:48.848
von denen wir nicht wissen, [br]wie sie funktionieren,

0:02:48.848,0:02:51.733
und manchmal sogar besser als wir.

0:02:51.733,0:02:55.928
Eines der faszinierendsten Beispiele [br]für Maschinelles Lernen

0:02:55.928,0:02:58.320
habe ich bei einem meiner [br]Kaggle-Projekte gesehen,

0:02:58.320,0:03:01.911
als ein Team unter der Leitung[br]von Geoffrey Hinton

0:03:01.911,0:03:03.463
von der Universität Toronto

0:03:03.463,0:03:06.140
den Wettstreit für automatische [br]Drogenerkennung gewann.

0:03:06.140,0:03:08.987
Außergewöhnlich war [br]daran nicht nur ihr Sieg

0:03:08.987,0:03:13.000
gegen all die Algorithmen von Merck [br]und der internationalen akademischen Welt,

0:03:13.000,0:03:18.061
sondern, dass das Team kein Vorwissen[br]zu Chemie oder Biowissenschaften hatte

0:03:18.061,0:03:20.230
und nur zwei Wochen brauchte.

0:03:20.230,0:03:22.111
Wie haben sie das gemacht?

0:03:22.111,0:03:25.342
Sie nutzten einen besonderen[br]Algorithmus namens Deep Learning.

0:03:25.342,0:03:27.701
Ihr Erfolg war so bedeutend,

0:03:27.701,0:03:31.412
dass er wenig später auf der Titelseite [br]der NY Times erschien.

0:03:31.412,0:03:34.147
Hier auf der linken Seite [br]sehen Sie Geoffrey Hinton.

0:03:34.147,0:03:38.488
Deep Learning basiert auf der Funktion [br]des menschlichen Gehirns

0:03:38.488,0:03:40.300
und deswegen ist es ein Algorithmus,

0:03:40.300,0:03:44.141
dessen Funktion theoretisch [br]keine Grenzen gesetzt sind.

0:03:44.141,0:03:46.964
Je mehr Daten und Rechenzeit man hat,

0:03:46.964,0:03:48.276
desto besser wird er.

0:03:48.276,0:03:50.615
Die New York Times zeigte in ihrem Artikel

0:03:50.615,0:03:52.857
noch ein Resultat des Deep Learning,

0:03:52.857,0:03:55.569
das ich Ihnen jetzt vorstellen will.

0:03:55.569,0:04:00.510
Es beweist, dass Computer [br]zuhören und verstehen können.

0:04:00.510,0:04:06.251
Richard Rashid (Video):[br]Als letzten Schritt in diesem Prozess

0:04:06.251,0:04:10.961
werde ich Chinesisch mit Ihnen sprechen.

0:04:10.961,0:04:13.596
Als wichtigsten Schritt haben wir

0:04:13.596,0:04:18.598
anhand großer Informationsmengen[br]von vielen Chinesisch-Sprechern

0:04:18.598,0:04:21.128
ein Text-zu-Sprache-System gebaut,

0:04:21.128,0:04:26.061
das chinesischen Text[br]in chinesche Sprache umwandelt,

0:04:26.401,0:04:31.220
und dann haben wir eine etwa einstündige [br]Aufnahme meiner Stimme benutzt,

0:04:31.220,0:04:36.364
um das Text-zu-Sprache-System [br]so zu ändern, dass es wie ich klingt.

0:04:36.364,0:04:38.904
Wieder ist das Ergebnis nicht perfekt.

0:04:38.904,0:04:41.552
Eigentlich hat es sogar [br]ganz schön viele Fehler.

0:04:41.552,0:04:44.036
(Auf Chinesisch)

0:04:44.036,0:04:47.403
(Applaus)

0:04:49.446,0:04:53.022
In diesem Bereich ist noch viel zu tun.

0:04:53.022,0:04:56.667
(Chinesisch)

0:04:56.667,0:05:00.100
(Applaus)

0:05:01.345,0:05:04.744
Jeremy Howard: Das war eine Konferenz[br]zu Maschinellem Lernen in China.

0:05:04.744,0:05:07.114
Übrigens hört man [br]bei akademischen Konferenzen

0:05:07.114,0:05:09.011
nur ganz selten Zwischenapplaus,

0:05:09.011,0:05:12.687
obwohl das bei TEDx-Konferenzen [br]durchaus erwünscht sein kann.

0:05:12.687,0:05:15.482
Was Sie eben gesehen haben,[br]basiert auf Deep Learning.

0:05:15.482,0:05:17.007
(Applaus) Danke!

0:05:17.007,0:05:19.289
Die englische Transkription [br]war Deep Learning.

0:05:19.289,0:05:22.701
Die Übersetzung ins Chinesische und[br]der Text rechts oben – Deep Learning

0:05:22.701,0:05:26.008
und die Modellierung der Stimme[br]-- ebenfalls Deep Learning.

0:05:26.008,0:05:29.242
Deep Learning ist also [br]eine außergewöhnliche Sache.

0:05:29.242,0:05:32.341
Es ist ein einziger Algorithmus, [br]der scheinbar fast alles kann

0:05:32.341,0:05:35.452
und ich fand heraus, dass er [br]ein Jahr zuvor sehen gelernt hatte.

0:05:35.452,0:05:38.388
Bei einem obskuren Wettbewerb [br]der Ruhr-Universität Bochum

0:05:38.388,0:05:40.225
zum Erkennen von Verkehrszeichen

0:05:40.225,0:05:43.618
hat Deep Learning gelernt, [br]Verkehrszeichen wie dieses zu erkennen.

0:05:43.618,0:05:45.462
Er konnte Verkehrszeichen nicht nur

0:05:45.462,0:05:47.470
besser als andere Algorithmen erkennen;

0:05:47.470,0:05:50.189
die Rangliste zeigte, [br]dass er sogar Menschen übertraf

0:05:50.189,0:05:52.041
und zwar um das Doppelte.

0:05:52.041,0:05:54.037
2011 gab es also das erste Beispiel

0:05:54.037,0:05:57.442
für Computer, die besser [br]sehen können als Menschen.

0:05:57.442,0:05:59.491
Seitdem ist viel passiert.

0:05:59.491,0:06:03.005
2012 gab Google bekannt, [br]dass sie einen Deep-Learning-Algorithmus

0:06:03.005,0:06:04.420
Youtube Videos schauen ließen

0:06:04.420,0:06:07.857
und die Daten auf 16 000 Computern [br]einen Monat lang berechnen ließen

0:06:07.857,0:06:11.618
und dass der Computer allein [br]Konzepte wie Menschen oder Katzen

0:06:11.618,0:06:14.157
einzig durch das Betrachten [br]von Videos erkannt hat.

0:06:14.157,0:06:16.379
Menschen lernen sehr ähnlich.

0:06:16.379,0:06:19.119
Sie lernen nicht, indem man[br]ihnen sagt, was sie sehen,

0:06:19.119,0:06:22.450
sondern sie lernen selbst, [br]was diese Dinge sind.

0:06:22.450,0:06:25.819
Übrigens hat 2012 Geoffrey Hinton, [br]den wir vorher gesehen haben,

0:06:25.819,0:06:30.474
den beliebten ImageNet-Wettbewerb[br]mit seinem Versuch gewonnen,

0:06:30.474,0:06:34.751
auf 1,5 Mio. Bildern [br]die Motive zu erkennen.

0:06:34.751,0:06:37.789
2014 sind wir mittlerweile[br]nur noch bei einer 6%igen Fehlerrate

0:06:37.789,0:06:39.242
bei der Bilderkennung.

0:06:39.242,0:06:41.728
Das ist wiederum besser als Menschen.

0:06:41.728,0:06:45.037
Maschinen sind dabei [br]also außergewöhnlich gut

0:06:45.037,0:06:47.586
und das wird nun auch [br]in der Wirtschaft genutzt.

0:06:47.586,0:06:50.348
Zum Beispiel hat Google[br]letztes Jahr bekanntgegeben,

0:06:50.348,0:06:54.933
dass sie jeden Ort Frankreichs [br]in nur 2 Stunden kartografiert hätten,

0:06:54.933,0:06:59.933
indem sie Street-View-Bilder in einen [br]Deep-Learning-Algorithmus einspeisten,

0:06:59.933,0:07:02.919
der dann Hausnummern [br]erkennen und lesen konnte.

0:07:02.919,0:07:08.274
Davor hätte es dutzende Leute [br]und viele Jahre gebraucht.

0:07:08.274,0:07:10.185
Dasselbe passiert in China.

0:07:10.185,0:07:14.221
Baidu ist sowas wie [br]das chinesische Google,

0:07:14.221,0:07:16.504
und was Sie hier oben links sehen,

0:07:16.504,0:07:20.478
ist z. B. ein Bild, das ich in Baidus[br]Deep-Learning-System hochgeladen habe.

0:07:20.478,0:07:24.247
Darunter sehen Sie, [br]dass das System das Bild verstanden

0:07:24.247,0:07:26.483
und ähnliche Bilder gefunden hat.

0:07:26.483,0:07:29.219
Die ähnlichen Bilder haben [br]ähnliche Hintergründe,

0:07:29.219,0:07:30.877
ähnliche Gesichts-Ausrichtung,

0:07:30.877,0:07:32.665
manche sogar die rausgestreckte Zunge.

0:07:32.665,0:07:35.695
Das System schaut eindeutig nicht[br]auf den Text einer Website.

0:07:35.695,0:07:37.107
Es hatte nur ein Bild.

0:07:37.107,0:07:41.128
Also haben wir jetzt Computer, [br]die wirklich verstehen, was sie sehen,

0:07:41.128,0:07:42.752
und daher Datenbanken

0:07:42.752,0:07:46.306
mit vielen Millionen Bildern [br]in Echtzeit durchsuchen können.

0:07:46.306,0:07:49.536
Aber was bedeutet es nun, [br]dass Computer sehen können?

0:07:49.536,0:07:51.553
Tja, es ist nicht nur so, dass sie sehen.

0:07:51.553,0:07:53.622
Genau genommen kann[br]Deep Leaning noch mehr.

0:07:53.622,0:07:56.570
Komplexe, differenzierte Sätze wie dieser

0:07:56.570,0:07:59.394
können nun mit Deep-Learning-Algorithmen [br]verstanden werden.

0:07:59.394,0:08:00.697
Wie Sie hier sehen können,

0:08:00.697,0:08:03.465
zeigt dieses System aus Stanford[br]mit dem roten Punkt oben,

0:08:03.465,0:08:07.384
dass es die negative Botschaft [br]des Satzes erkannt hat.

0:08:07.384,0:08:11.280
Deep Learning ist jetzt [br]fast so gut wie Menschen

0:08:11.280,0:08:15.923
im Verstehen, worum es in Sätzen [br]geht und was gesagt wird.

0:08:15.923,0:08:18.991
Deep Learning wird auch genutzt,[br]um Chinesisch zu lesen

0:08:18.991,0:08:21.807
wieder fast auf Muttersprachler-Niveau.

0:08:21.807,0:08:24.645
Der Algorithmus dafür [br]stammt von Leuten aus der Schweiz,

0:08:24.645,0:08:27.621
die allesamt kein Chinesisch [br]sprechen oder verstehen.

0:08:27.621,0:08:29.812
Wie ich schon sagte: Deep Learning

0:08:29.812,0:08:32.611
ist so ziemlich das beste [br]System der Welt dafür,

0:08:32.611,0:08:36.718
sogar im Vergleich mit [br]dem Wissen von Muttersprachlern.

0:08:36.718,0:08:39.682
Dieses System haben wir [br]in meiner Firma entworfen,

0:08:39.682,0:08:41.728
das all diesen Kram zusammenfügt.

0:08:41.728,0:08:44.189
Das sind Bilder ohne angehängten Text

0:08:44.189,0:08:46.541
und während ich diese Sätze hier eintippe,

0:08:46.541,0:08:49.510
versteht das System die Bilder in Echtzeit

0:08:49.510,0:08:51.189
und erkennt, was sie zeigen,

0:08:51.189,0:08:54.352
und findet ähnliche Bilder [br]zu dem eingetippten Text.

0:08:54.352,0:08:57.108
Sie sehen also, [br]es versteht wirklich meine Sätze

0:08:57.108,0:08:59.332
und ebenso diese Bilder.

0:08:59.332,0:09:01.891
Ich weiß, dass Sie [br]sowas Ähnliches von Google kennen,

0:09:01.891,0:09:04.666
wo man Text eingeben kann [br]und einem Bilder gezeigt werden,

0:09:04.666,0:09:08.090
aber da wird nur die Website [br]nach dem Text durchsucht.

0:09:08.090,0:09:11.091
Das ist ein großer Unterschied dazu,[br]die Bilder zu verstehen.

0:09:11.091,0:09:13.843
Letzteres haben Computer erst

0:09:13.843,0:09:17.091
vor ein paar Monaten gelernt.

0:09:17.091,0:09:21.182
Wir haben gesehen, dass Computer nicht[br]nur sehen, sondern auch lesen können.

0:09:21.182,0:09:24.947
Wir haben natürlich auch gesehen, [br]dass sie verstehen, was sie hören.

0:09:24.947,0:09:28.389
Vielleicht sind Sie nicht überrascht, [br]dass sie auch schreiben können.

0:09:28.389,0:09:33.172
Diesen Text habe ich gestern mit einem[br]Deep-Learning-Algorithmus erzeugt.

0:09:33.172,0:09:37.096
Diesen Text hier hat [br]ein Algorithmus aus Stanford erzeugt.

0:09:37.096,0:09:40.730
Jeder dieser Sätze wurde mit[br]einem Deep-Learning-Algorithmus erzeugt,

0:09:40.730,0:09:43.109
um das jeweilige Bild zu beschreiben.

0:09:43.109,0:09:47.581
Vorher hat der Algorithmus nie einen Mann [br]im schwarzen Hemd Gitarre spielen sehen.

0:09:47.581,0:09:49.801
Er hat einen Mann, die Farbe Schwarz,

0:09:49.801,0:09:51.400
und eine Gitarre gesehen,

0:09:51.400,0:09:55.694
aber er hat selbstständig [br]diese neue Bildbeschreibung erstellt.

0:09:55.694,0:09:59.196
Menschliche Leistung ist das [br]noch nicht, aber nah dran.

0:09:59.196,0:10:03.264
In Tests bevorzugen Menschen [br]die computer-generierte Bildbeschreibung

0:10:03.264,0:10:04.791
nur eines von vier Malen.

0:10:04.791,0:10:06.855
Aber das System ist jetzt[br]erst 2 Wochen alt,

0:10:06.855,0:10:08.671
sodass wahrscheinlich im nächsten Jahr

0:10:08.671,0:10:11.502
der Computeralgorithmus[br]die menschliche Leistung übertrifft,

0:10:11.502,0:10:13.564
so schnell wie die Dinge gerade gehen.

0:10:13.774,0:10:16.093
Computer können also auch schreiben.

0:10:16.413,0:10:19.888
Wenn wir das alles kombinieren,[br]kriegen wir sehr spannenden Möglichkeiten.

0:10:19.888,0:10:21.380
In der Medizin, zum Beispiel,

0:10:21.380,0:10:23.905
hat ein Team aus Boston verkündet,

0:10:23.905,0:10:26.854
dass es Dutzende [br]neue klinisch relevante Merkmale

0:10:26.854,0:10:31.630
von Tumoren entdeckt hätte,[br]die Ärzten bei der Krebsprognose helfen.

0:10:32.220,0:10:35.256
Ähnlich hat in Stanford[br]eine Gruppe bekanntgegeben,

0:10:35.256,0:10:38.179
dass sie für die Gewebeanalyse[br]in vergrößerter Aufnahme

0:10:38.179,0:10:40.690
ein Maschinelles Lernsystem [br]entwickelt haben,

0:10:40.690,0:10:44.292
das menschliche Pathologen [br]tatsächlich dabei übertrifft,

0:10:44.292,0:10:47.519
die Überlebenschancen von [br]Krebspatienten vorherzusagen.

0:10:47.519,0:10:50.614
In beiden Fällen waren [br]die Vorhersagen nicht nur genauer,

0:10:50.614,0:10:53.266
sie förderten auch neue[br]wissenschaftliche Erkenntnisse.

0:10:53.276,0:10:54.781
Im Fall der Radiologie

0:10:54.781,0:10:57.876
waren es neue klinische Indikatoren,[br]die Menschen verstehen.

0:10:57.876,0:10:59.668
Im Fall der Pathologie

0:10:59.668,0:11:04.428
hat das Computersystem herausgefunden, [br]dass die Zellen rund um den Krebs

0:11:04.428,0:11:07.508
genauso wichtig sind [br]wie die Krebszellen selbst

0:11:07.508,0:11:09.260
beim Erstellen der Diagnose.

0:11:09.260,0:11:14.331
Das ist das Gegenteil davon, was man [br]Pathologen jahrzehntelang beibrachte.

0:11:14.901,0:11:17.413
In beiden Fällen wurden die Systeme

0:11:17.413,0:11:21.534
gemeinsam von Experten der Medizin [br]und des Maschinellen Lernens entwickelt,

0:11:21.534,0:11:24.275
aber seit letztem Jahr haben [br]wir auch das überwunden.

0:11:24.275,0:11:27.634
Das hier ist ein Beispiel, [br]wie man krebsgeschädigte Bereiche

0:11:27.634,0:11:30.604
menschlichen Gewebes[br]unter dem Mikroskop erkennt.

0:11:30.604,0:11:34.967
Das hier gezeigte System [br]erkennt solche Bereiche genauer,

0:11:34.967,0:11:37.742
oder etwa gleich genau, [br]wie menschliche Pathologen,

0:11:37.742,0:11:41.134
aber es wurde allein mit Deep Learning, [br]ohne medizinisches Wissen,

0:11:41.134,0:11:44.230
von Leuten ohne Ausbildung [br]in diesem Feld entwickelt.

0:11:44.730,0:11:47.285
Ähnlich ist es bei dieser [br]Neuronen-Segmentierung.

0:11:47.285,0:11:51.193
Neuronen können jetzt damit etwa so genau[br]wie durch Menschen segmentieren werden,

0:11:51.193,0:11:53.670
aber dieses System wurde [br]mit Deep Learning

0:11:53.670,0:11:56.921
von Leuten ohne [br]medizinisches Vorwissen entwickelt.

0:11:56.921,0:12:00.148
Sogar ich, als jemand [br]ohne medizinische Ausbildung,

0:12:00.148,0:12:03.875
scheine nun genug für die Gründung[br]eines medizinisches Unternehmens zu wissen

0:12:03.875,0:12:06.021
-- und das habe ich auch.

0:12:06.021,0:12:07.761
Ich hatte irgendwie Angst davor,

0:12:07.761,0:12:10.650
aber theoretisch [br]schien es möglich zu sein,

0:12:10.650,0:12:16.142
in der Medizin sehr nützliche Dinge allein[br]mit solchen Datenanalysen zu bewirken.

0:12:16.142,0:12:18.622
Glücklicherweise war [br]das Feedback fantastisch,

0:12:18.622,0:12:21.268
sowohl von den Medien [br]als auch von Medizinern,

0:12:21.268,0:12:23.322
die mich sehr unterstützt haben.

0:12:23.322,0:12:27.471
Theoretisch können wir den Mittelteil [br]des medizinischen Vorgangs

0:12:27.471,0:12:30.364
so viel wie möglich [br]der Datenanalyse überlassen,

0:12:30.364,0:12:33.359
sodass Ärzte nur noch tun müssen, [br]was sie am besten können.

0:12:33.359,0:12:35.031
Ich will Ihnen ein Beispiel geben.

0:12:35.031,0:12:39.825
Aktuell brauchen wir 15 Minuten, um einen [br]neuen medizinischen Diagnosetest zu bauen.

0:12:39.825,0:12:41.929
Das zeige ich Ihnen jetzt in Echtzeit,

0:12:41.929,0:12:45.416
aber ich habe es durch Zusammenschneiden [br]auf 3 Minuten gekürzt.

0:12:45.416,0:12:48.477
Anstatt Ihnen das Erstellen eines[br]medizinischen Tests zu zeigen,

0:12:48.477,0:12:52.206
zeige ich Ihnen einen[br]Diagnosetest für Autobilder,

0:12:52.206,0:12:54.068
denn das verstehen wir alle.

0:12:54.068,0:12:57.269
Hier fangen wir mit ungefähr [br]1,5 Mio. Autobildern an,

0:12:57.269,0:13:00.475
und ich möchte etwas bauen,[br]das sie nach dem Winkel sortiert,

0:13:00.475,0:13:02.698
in dem das Foto gemacht wurde.

0:13:02.698,0:13:06.586
Diese Bilder sind jetzt noch [br]nicht benannt, ich fange bei Null an.

0:13:06.586,0:13:08.451
Unser Deep-Learning-Algorithmus

0:13:08.451,0:13:12.158
erkennt automatisch[br]Strukturflächen auf den Bildern.

0:13:12.158,0:13:15.778
Das Schöne ist, dass Mensch und Computer[br]jetzt zusammenarbeiten können.

0:13:15.778,0:13:17.956
Wie Sie hier sehen,

0:13:17.956,0:13:20.631
gibt der Mensch dem Computer [br]Zielbereiche vor,

0:13:20.631,0:13:25.281
womit der Computer dann versuchen soll,[br]seinem Algorithmus zu verbessern.

0:13:25.281,0:13:29.577
Eigentlich sind diese Deep-Learning-[br]Systeme im 16 000-dimensionalen Raum,

0:13:29.577,0:13:32.179
hier können Sie den Computer[br]das durch den Raum

0:13:32.179,0:13:35.001
auf der Suche nach neuen [br]Strukturflächen rotieren sehen.

0:13:35.001,0:13:36.782
Wenn er dabei Erfolg hat,

0:13:36.782,0:13:40.786
kann der menschliche Betreiber [br]dann die interessanten Bereiche festlegen.

0:13:40.786,0:13:43.208
Hier hat der Computer Bereiche gefunden,

0:13:43.208,0:13:45.770
zum Beispiel Winkel.

0:13:45.770,0:13:47.376
Im Verlauf des Prozesses

0:13:47.376,0:13:49.716
sagen wir dem Computer immer mehr

0:13:49.716,0:13:52.144
über die gesuchten Strukturen.

0:13:52.144,0:13:53.916
Bei einem Diagnose-Test zum Beispiel

0:13:53.916,0:13:57.266
würde das dem Pathologen helfen,[br]kranke Bereiche zu identifizieren,

0:13:57.266,0:14:02.292
oder dem Radiologen bei [br]potentiell gefährlichen Knoten.

0:14:02.292,0:14:04.851
Manchmal wird es [br]schwer für den Algorithmus.

0:14:04.851,0:14:06.815
In diesem Fall war er etwas verwirrt.

0:14:06.815,0:14:09.365
Die Vorder- und Rückseiten [br]der Autos sind vermischt.

0:14:09.365,0:14:11.437
Wir müssen hier also sorgfältiger sein,

0:14:11.437,0:14:14.669
und die Vorderseiten manuell [br]von den Rückseiten trennen,

0:14:14.669,0:14:20.175
um dann dem Computer zu sagen, [br]dass das Teil einer Gruppe ist,

0:14:20.175,0:14:21.523
die uns interessiert.

0:14:21.523,0:14:24.420
Das machen wir für eine Weile,[br]wir springen ein wenig weiter,

0:14:24.420,0:14:26.446
und dann trainieren wir den Algorithmus,

0:14:26.446,0:14:28.420
basierend auf diesen paar hundert Sachen,

0:14:28.420,0:14:30.445
und hoffen, dass er besser geworden ist.

0:14:30.445,0:14:33.518
Wie Sie sehen, lässt er [br]einige dieser Bilder jetzt verblassen

0:14:33.518,0:14:38.226
und zeigt uns, dass er schon jetzt [br]ein wenig selbst erkennt.

0:14:38.226,0:14:41.128
Wir können das Konzept [br]der ähnlichen Bilder nutzen

0:14:41.128,0:14:43.222
und dabei sehen Sie,

0:14:43.222,0:14:47.241
dass der Computer jetzt in der Lage ist, [br]nur die Vorderseiten der Autos zu finden.

0:14:47.241,0:14:50.189
Also kann der Mensch dem [br]Computer an diesem Punkt sagen,

0:14:50.189,0:14:52.482
okay, du hast gute Arbeit geleistet.

0:14:53.652,0:14:56.847
Natürlich ist es manchmal[br]selbst hier schwer,

0:14:56.847,0:14:59.511
die einzelnen Gruppen zu unterscheiden.

0:14:59.511,0:15:03.395
Selbst nachdem der Computer [br]die Bilder eine Weile rotiert hat,

0:15:03.399,0:15:06.744
sind die rechten und linken Seiten [br]der Bilder immer noch

0:15:06.744,0:15:08.222
komplett durcheinander.

0:15:08.222,0:15:10.672
Wieder können wir dem[br]Computer Hinweise geben

0:15:10.672,0:15:13.178
und sagen, okay, jetzt [br]versuch mal einen Weg,

0:15:13.178,0:15:15.945
der die rechte und linke Seite[br]so gut wie möglich

0:15:15.945,0:15:18.067
mit dem Deep-Learning-Algorithmus trennt.

0:15:18.067,0:15:21.009
Und mit diesem Hinweis -- [br]ah, okay, jetzt hat er Erfolg.

0:15:21.009,0:15:23.891
Er hat einen Weg gefunden, [br]diese Objekte so sehen,

0:15:23.891,0:15:26.271
der diese hier aussortiert hat.

0:15:26.271,0:15:28.709
Sie haben jetzt einen Eindruck davon.

0:15:28.709,0:15:36.906
Das ist kein Fall, wo der Mensch [br]von einem Computer ersetzt wird,

0:15:36.906,0:15:39.546
sondern sie arbeiten zusammen.

0:15:39.546,0:15:43.556
Wir ersetzen hier etwas, wofür man [br]früher ein Team von fünf oder sechs Leuten

0:15:43.556,0:15:45.098
7 Jahre beschäftigt hat,

0:15:45.098,0:15:47.703
durch etwas, das 15 Minuten

0:15:47.703,0:15:50.208
für eine einzige Person braucht.

0:15:50.208,0:15:54.158
Dieser Vorgang braucht ungefähr [br]vier oder fünf Durchgänge.

0:15:54.158,0:15:56.017
Wie Sie sehen, sind wir nun bei 62 %

0:15:56.017,0:15:58.976
korrekt klassifizierten Bildern[br]aus 1,5 Millionen.

0:15:58.976,0:16:01.448
An dieser Stelle können [br]wir anfangen, sehr schnell

0:16:01.448,0:16:02.745
große Bereiche zu erfassen,

0:16:02.745,0:16:05.664
und sie auf Fehler zu überprüfen.

0:16:05.664,0:16:09.616
Wenn es Fehler gibt, lassen wir [br]das den Computer wissen.

0:16:09.616,0:16:12.661
Indem wir diesen Vorgang auf jede[br]der einzelnen Gruppen anwenden,

0:16:12.661,0:16:15.148
sind wir jetzt bei [br]einer 80%igen Erfolgsrate

0:16:15.148,0:16:17.563
beim Klassifizieren der 1,5 Mio. Bilder.

0:16:17.563,0:16:19.641
An diesem Punkt müssen wir nur noch

0:16:19.641,0:16:23.220
die kleine Zahl der [br]falsch klassifizierten Bilder finden

0:16:23.220,0:16:26.108
und versuchen, die Ursache zu verstehen.

0:16:26.108,0:16:27.851
Wenden wir das an,

0:16:27.851,0:16:31.972
sind wir nach 15 Minuten [br]bei einer Erfolgsquote von 97 %.

0:16:31.972,0:16:36.572
Also könnten wir mit dieser Technik [br]ein großes Problem beheben,

0:16:36.578,0:16:39.614
nämlich, das Fehlen medizinischen [br]Fachwissens in der Welt.

0:16:39.614,0:16:43.103
Laut Weltwirtschaftsforum gibt es [br]zwischen 10x und 20x

0:16:43.103,0:16:45.727
zu wenige Ärzte in Entwicklungsländern

0:16:45.727,0:16:47.840
und es würde etwa 300 Jahre dauern,

0:16:47.840,0:16:50.734
genug Leute auszubilden, [br]um das Problem zu beheben.

0:16:50.734,0:16:53.619
Können Sie sich vorstellen, [br]dass wir ihre Effizienz

0:16:53.619,0:16:56.458
mit diesen Deep-Learning-Ansätzen[br]steigern können?

0:16:56.458,0:16:58.900
Ich bin ganz begeistert[br]von den Möglichkeiten.

0:16:58.900,0:17:01.279
Ich mache mir auch [br]Sorgen über die Probleme.

0:17:01.279,0:17:04.403
Das Problem hierbei ist, [br]in jedem blauen Bereich auf der Karte

0:17:04.403,0:17:08.172
machen Dienstleistungen [br]über 80 % der Beschäftigung aus.

0:17:08.172,0:17:09.959
Was sind Dienstleistungen?

0:17:09.959,0:17:11.473
Das sind Dienstleistungen.

0:17:11.473,0:17:15.627
Das sind außerdem genau die Dinge, [br]die Computer gerade gelernt haben.

0:17:15.627,0:17:19.431
Also sind 80 % der Beschäftigung [br]der entwickelten Welt Dinge,

0:17:19.431,0:17:21.963
die Computer gerade gelernt haben.

0:17:21.963,0:17:23.403
Was bedeutet das?

0:17:23.403,0:17:25.986
Naja, es wird alles gut. [br]Andere Jobs ersetzen diese.

0:17:25.986,0:17:28.693
Zum Beispiel wird es [br]mehr Jobs für Informatiker geben.

0:17:28.693,0:17:29.510
Nun, nicht ganz.

0:17:29.510,0:17:32.628
Informatiker brauchen nicht lange, [br]diese Dinge zu bauen.

0:17:32.628,0:17:35.880
Zum Beispiel wurden diese 4 [br]Algorithmen vom selben Typen gebaut.

0:17:35.880,0:17:38.318
Wenn Sie also denken, oh,[br]das ist alles nicht neu,

0:17:38.318,0:17:42.126
wir haben in der Vergangenheit gesehen, [br]wenn etwas Neues kommt,

0:17:42.126,0:17:44.378
werden sie durch neue Jobs ersetzt,

0:17:44.378,0:17:46.494
was also sind diese neuen Jobs?

0:17:46.494,0:17:48.365
Das ist sehr schwer einzuschätzen,

0:17:48.365,0:17:51.104
weil menschliche Leistung [br]schrittweise wächst,

0:17:51.104,0:17:53.666
aber wir haben jetzt ein System, [br]Deep Learning,

0:17:53.666,0:17:56.893
das seine Leistung [br]nachweislich exponentiell steigert.

0:17:56.893,0:17:58.498
Und da sind wir.

0:17:58.498,0:18:00.559
Zurzeit sehen wir die Dinge um uns herum

0:18:00.559,0:18:03.235
und sagen "Computer sind[br]immer noch ziemlich dumm." Oder?

0:18:03.235,0:18:06.664
Aber in fünf Jahren werden Computer[br]nicht mehr Teil dieser Tabelle sein.

0:18:06.664,0:18:10.529
Wir müssen also schon jetzt anfangen, [br]über diese Leistung nachzudenken.

0:18:10.529,0:18:12.579
Wir haben das natürlich schon mal gesehen.

0:18:12.579,0:18:14.296
Die Industrielle Revolution

0:18:14.296,0:18:17.387
bewirkte einen Evolutionssprung[br]der Leistung durch Motoren.

0:18:17.667,0:18:20.805
Aber nach einer Weile [br]beruhigten sich die Dinge.

0:18:20.805,0:18:22.507
Es gab soziale Umbrüche,

0:18:22.507,0:18:25.946
aber sobald die Motoren damals[br]zur Energiegewinnung genutzt wurden,

0:18:25.946,0:18:28.300
beruhigten sich die Dinge.

0:18:28.300,0:18:30.293
Die Revolution des Maschinellen Lernens

0:18:30.293,0:18:32.682
wird ganz anders [br]als die Industrielle Revolution,

0:18:32.682,0:18:35.632
weil die Revolution nie zu Ende ist.

0:18:35.632,0:18:38.614
Je besser Computer [br]bei intellektuellen Aktivitäten werden,

0:18:38.614,0:18:40.602
desto bessere Computer können sie bauen,

0:18:40.602,0:18:42.862
die intellektuell noch [br]leistungsfähiger sind,

0:18:42.862,0:18:44.970
also wird das eine Art Wandel,

0:18:44.970,0:18:47.248
den die Welt nie zuvor gesehen hat,

0:18:47.248,0:18:50.554
sodass sich Ihr Verständnis [br]des Möglichen ändert.

0:18:50.974,0:18:52.754
Das beeinflusst uns schon jetzt.

0:18:52.754,0:18:56.384
In den letzten 25 Jahren ist[br]die Produktivität des Kapitals gestiegen,

0:18:56.400,0:19:00.908
aber die Produktivität der Arbeit [br]blieb gleich und sank sogar ein bisschen.

0:19:01.408,0:19:04.149
Deswegen will ich, dass wir[br]diese Diskussion jetzt führen.

0:19:04.149,0:19:07.176
Wenn ich Leuten [br]von dieser Situation erzähle,

0:19:07.176,0:19:08.666
sind sie oft sehr abschätzig.

0:19:08.666,0:19:10.339
Computer denken nicht wirklich,

0:19:10.339,0:19:13.367
sie fühlen nichts, [br]sie verstehen Lyrik nicht,

0:19:13.367,0:19:15.888
wir verstehen nicht wirklich, [br]wie sie funktionieren.

0:19:15.888,0:19:17.374
Ja, und?

0:19:17.374,0:19:18.978
Computer können jetzt Dinge tun,

0:19:18.978,0:19:22.087
für die Menschen ihre meiste Zeit [br]gegen Bezahlung aufwenden.

0:19:22.087,0:19:24.098
Wir sollten also jetzt überlegen,

0:19:24.098,0:19:28.015
wie wir unsere sozialen und [br]wirtschaftlichen Strukturen anpassen,

0:19:28.015,0:19:30.385
um diese neue Realität zu erkennen.

0:19:30.385,0:19:31.388
Danke.

0:19:31.388,0:19:32.190
(Applaus)