ผลที่น่ามหัศจรรย์และน่าสะพรึงกลัว ของคอมพิวเตอร์ที่เรียนรู้ได้เอง
-
0:01 - 0:05เคยเป็นว่าถ้าอยากได้คอมพ์ มาทำอะไรที่ใหม่ๆ
-
0:05 - 0:06คุณก็ต้องโปรแกรมมัน
-
0:06 - 0:10ครับ การทำโปรแกรม
สำหรับคนที่ยังไม่เคยทำเอง -
0:10 - 0:13ก็ต้องวางแผนรายละเอียด
อย่างเลือดตาแทบกระเด็น -
0:13 - 0:17ในทุกขั้นตอน ที่คุณต้องการให้คอมพิวเตอร์ทำ
-
0:17 - 0:19เพื่อให้บรรลุเป้าหมายของคุณ
-
0:19 - 0:23ถ้าต้องการทำสิ่งที่คุณเองไม่รู้วิธีทำแล้ว
-
0:23 - 0:25ก็จะเป็นเรื่องท้าทายที่ยิ่งใหญ่ ที่ชายชื่อ
-
0:25 - 0:28อาร์เธอร์ แซมวล ก็เผชิญมาแล้วในอดีต
-
0:28 - 0:32ปี 1956 เขาอยากจะให้คอมพิวเตอร์เครื่องนี้
-
0:32 - 0:35เอาชนะเขาได้ ในเกมหมากฮอส
-
0:35 - 0:37จะเขียนโปรแกรมโดยวางรายละเอียด
-
0:37 - 0:40อย่างเลือดตาแทบกระเด็น
ให้เหนือกว่าคุณในเกม ได้อย่างไร -
0:40 - 0:42ดังนั้น เขาจึงเกิดความคิดใหม่ขึ้นมา
-
0:42 - 0:46เขาให้คอมพ์เล่นแข่งกับตัวเอง หลายพันครั้ง
-
0:46 - 0:48และให้มันเรียนรู้ ที่จะเล่นเกมหมากฮอส
-
0:48 - 0:52และมันก็ได้ผลจริง ๆ และตอนปี 1962
-
0:52 - 0:56คอมพ์เครื่องนี้ เล่นชนะแชมป์รัฐคอนเนตทิคัต
-
0:56 - 0:59อาร์เธอร์ แซมวล ถือว่าเป็นบิดา
ของการเรียนรู้ของเครื่อง -
0:59 - 1:00ผมเป็นหนี้เขาอย่างใหญ่หลวง เพราะ
-
1:00 - 1:03ผมเป็นผู้ปฏิบัติงาน ด้านเครื่องเรียนรู้นี้
-
1:03 - 1:04อดีตผมเป็นประธานกลุ่มแค็กเกิล
-
1:04 - 1:08เป็นกลุ่มคนกว่า 2 แสนคนที่ทำงานด้านนี้
-
1:08 - 1:10แค็กเกิลจัดการแข่งขัน เพื่อพยายามให้
-
1:10 - 1:14เครื่องเหล่านั้นแก้ปัญหาที่แก้ไม่ได้มาก่อน
-
1:14 - 1:17และก็ประสบผลสำเร็จมาแล้วหลายร้อยครั้ง
-
1:17 - 1:20ดังนั้น จากมุมมองที่กว้างขวางนี้
ผมจึงได้ค้นพบ -
1:20 - 1:24เรื่องการเรียนรู้ของเครื่องอีกมากมาย
ที่พวกมันทำได้ -
1:24 - 1:26ในอดีต ปัจจุบัน และอนาคต
ส่วนความสำเร็จเชิงพาณิชย์ -
1:26 - 1:31ที่ยิ่งใหญ่ครั้งแรกของเรื่องนี้ อาจคือ
-
1:31 - 1:34กูเกิลที่ให้เห็นว่าเป็นไปได้ที่จะค้นข้อมูล
-
1:34 - 1:36โดยใช้วิธีการทางคอมพิวเตอร์
-
1:36 - 1:38ซึ่งมีพื้นฐานมาจาก การเรียนรู้ของเครื่อง
-
1:38 - 1:42แต่นั้นมา มีความสำเร็จเชิงพาณิชย์อีกมาก
-
1:42 - 1:44บริษัท อย่างเช่น แอมะซอน และ เน็ตฟลิกส์
-
1:44 - 1:48ใช้การเรียนรู้ของเครื่อง เพื่อแนะนำสินค้า
-
1:48 - 1:50ที่คุณอาจอยากซื้อ ภาพยนตร์ที่อาจอยากดู
-
1:50 - 1:52บางครั้ง ก็เกือบทำให้ขนลุก
-
1:52 - 1:54บริษัทอย่างเช่น ลิงด์อิน และเฟสบุก
-
1:54 - 1:56บางครั้งจะบอกว่า ใครอาจเป็นเพื่อนของคุณ
-
1:56 - 1:58และคุณก็คิดไม่ออกเลยว่า มันทำได้อย่างไร
-
1:58 - 2:01นี่ก็เพราะ มันใช้พลังการเรียนรู้ของเครื่อง
-
2:01 - 2:04เป็นวิธีการทางคอมพ์ ที่เรียนรู้วิธีทำได้
-
2:04 - 2:07จากข้อมูล แทนโปรแกรม ที่ต้องใช้มือทำ
-
2:07 - 2:10สิ่งนี่ยังทำให้ IBM สำเร็จในการทำให้
-
2:10 - 2:14วัทสัน ชนะแชมป์โลกสองคนใน "เจเพอะดี" โชว์
-
2:14 - 2:17โดยตอบคำถามที่ลึกลับซับซ้อนเหลือเชื่อ เช่น
-
2:17 - 2:20["ของโบราณ 'สิงโตแห่งนิมรัต'
หายไปจากพิพิธภัณฑ์ในปี 2003] -
2:20 - 2:23ยังให้เราเห็นในขณะนี้ รถพวกแรกที่ขับได้เอง
-
2:23 - 2:26ถ้าคุณต้องการจะบอกความแตกต่างระหว่าง เช่น
-
2:26 - 2:28ต้นไม้กับคนเดินถนน ครับ นั่นมันสำคัญมาก
-
2:28 - 2:31เราไม่รู้วิธีเขียนโปรแกรมเหล่านั้น ด้วยมือ
-
2:31 - 2:34แต่จากการเรียนรู้ของเครื่อง มันเป็นไปได้
-
2:34 - 2:37ความจริงแล้ว รถคันนี้ขับมาแล้วกว่าล้านไมล์
-
2:37 - 2:40โดยไม่เกิดอุบัติเหตุ บนถนนปกติ
-
2:40 - 2:44ขณะนี้เราจึงรู้ว่า เครื่องคอมพ์เรียนรู้ได้
-
2:44 - 2:46คอมพิวเตอร์เรียนรู้ ที่จะทำสิ่งต่างๆที่
-
2:46 - 2:49บางครั้งเราไม่รู้จริงๆ ว่าจะทำเองอย่างไร
-
2:49 - 2:52หรือบางทีมันอาจจะทำได้ ดีกว่าเราเสียอีก
-
2:52 - 2:56ตัวอย่างหนึ่งที่น่าทึ่งที่สุด ที่ผมเคยเห็น
-
2:56 - 2:58เกิดขึ้นในโครงการที่ผมทำ ที่แคกเกิล
-
2:58 - 3:02ในทีมงานที่นำโดยหนุ่มชื่อ เจฟฟรี ฮินตัน
-
3:02 - 3:03จากมหาวิทยาลัยโทรอนโต
-
3:03 - 3:06เขาชนะการแข่งขัน การค้นพบยาโดยอัตโนมัติ
-
3:06 - 3:09ความพิเศษคือ ไม่ใช่เพียงเอาชนะวิธีทั้งหมด
-
3:09 - 3:13ที่พัฒนาโดย เมอร์ค, กลุ่มวิชาการนาๆชาติ
-
3:13 - 3:18แต่ไม่มีใครในทีมมีพื้นทางเคมี
หรือชีววิทยาศาสตร์ -
3:18 - 3:20และพวกเขาทำให้ชนะได้ ในสองสัปดาห์
-
3:20 - 3:22พวกเขาทำได้อย่างไรหรือ
-
3:22 - 3:25เขาใช้วิธีคอมพ์ที่เรียกว่า การเรียนรู้ลึก
(deep learning) -
3:25 - 3:28เรื่องนี้สำคัญมากจนกระทั่ง
ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง -
3:28 - 3:31ของนิวยอร์คไทม์ 2-3 อาทิตย์ต่อมา
-
3:31 - 3:34นี่คือ เจฟฟรี่ ฮินตัน ตรงนี้ด้านซ้ายมือ
-
3:34 - 3:38การเรียนรู้ลึก เป็นวิธีการทางคอมพ์ที่นำ
-
3:38 - 3:40วิธีทำงานของสมองคนมา ผลคือ เป็นวิธีที่
-
3:40 - 3:44ไม่มีข้อจำกัดทางทฤษฎีว่า มันทำอะไรได้บ้าง
-
3:44 - 3:47ยิ่งให้ข้อมูลมัน ยิ่งให้เวลาคำนวณมากขึ้น
-
3:47 - 3:48มันก็จะทำงานได้ดียิ่งขึ้น
-
3:48 - 3:51นิวยอร์คไทม์ ยังแสดงให้เห็นในบทความนี้
-
3:51 - 3:53ถึงผลลัพท์พิเศษอีกอย่างของ การเรียนรู้ลึก
-
3:53 - 3:56ซึ่งผมจะแสดงให้คุณดู เดี๋ยวนี้
-
3:56 - 4:01มันแสดงว่า คอมพ์ฟังรู้เรื่องและเข้าใจได้
-
4:01 - 4:03(วิดีโอ) ริชาร์ด ราชิด: ครับ ขั้นสุดท้าย
-
4:03 - 4:06ที่ผมอยากจะทำให้ได้ ในกระบวนการนี้
-
4:06 - 4:11คือ พูดกับคุณจริงๆ เป็นภาษาจีน
-
4:11 - 4:14ครับ สิ่งสำคัญในเรื่องนี้ก็คือ เราสามารถ
-
4:14 - 4:19เอาข้อมูลจำนวนมากมาได้ จากคนพูดจีนหลายๆคน
-
4:19 - 4:21และทำ "ระบบเนื้อหา-คำพูด" ออกมา, ระบบนี้จะ
-
4:21 - 4:26เอาข้อความภาษาจีนมา เปลี่ยนให้เป็นภาษาจีน
-
4:26 - 4:30แล้วก็เอาเสียงของผมเอง ราวหนึ่ง ช.ม
-
4:30 - 4:32แล้วใช้เสียงมาปรับระบบเนื้อหา-คำพูด
-
4:32 - 4:36เพื่อที่จะให้มีเสียงเหมือนผม
-
4:36 - 4:39อีกนั่นแหละ ผลที่ได้ไม่ดีเลิศนัก
-
4:39 - 4:42จริงๆแล้ว มีข้อผิดพลาดหลายอย่าง
-
4:42 - 4:44(ภาษาจีน)
-
4:44 - 4:47(เสียงปรบมือ)
-
4:49 - 4:53ยังมีสิ่งที่ต้องทำอีกมาก ในเรื่องนี้
-
4:53 - 4:57(ภาษาจีน)
-
4:57 - 5:00(เสียงปรบมือ)
-
5:01 - 5:05เจเรมี่ เฮาวาร์ด: นั่นเป็นการประชุมที่จีน
-
5:05 - 5:07จริงๆ ไม่บ่อยนัก ในการประชุมทางวิชาการ
-
5:07 - 5:09ที่จะได้ยินคนปรบมือเอง พร้อมเพรียงกัน
-
5:09 - 5:13แต่แน่ว่า บางครั้งในการประชุม TEDx
จงทำตามใจชอบ -
5:13 - 5:15ทุกสิ่งที่เห็นที่นั่นเกิดจากการเรียนรู้ลึก
-
5:15 - 5:17(เสียงปรบมือและหัวเราะ)
ขอบคุณครับ -
5:17 - 5:19การถอดเป็นภาษาอังกฤษทำโดยการเรียนรู้ลึก
-
5:19 - 5:23ซึ่งแปลเป็นภาษาจีนและข้อความด้านบนขวา
-
5:23 - 5:26การสร้างเสียงก็เป็นการเรียนรู้ลีก เช่นกัน
-
5:26 - 5:29การเรียนรู้ลึกจึงเป็นสิ่งพิเศษ
-
5:29 - 5:32เป็นวิธีเดียวทางคอมพ์ที่ทำได้เกือบทุกอย่าง
-
5:32 - 5:35ผมพบปีที่แล้วว่า มันเรียนที่จะเห็นได้ด้วย
-
5:35 - 5:38ในการแข่งขันที่ไม่ค่อยรู้จัก
ในเยอรมนี ชื่อ -
5:38 - 5:40เยอรมันแทร็ฟฟิกซายน์เรคอกนิชั่นเบนช์มาร์ก
-
5:40 - 5:44การเรียนรู้ลึก เรียนรู้จำสัญญาณจราจรนี้
-
5:44 - 5:46ไม่เพียงแค่ รู้จำสัญญาณจราจรได้ดีกว่า
-
5:46 - 5:47วิธีการอื่นๆทางคอมพิวเตอร์ เท่านั้น
-
5:47 - 5:50ป้ายคะแนนนแสดงว่า จริง ๆ แล้ว
-
5:50 - 5:52มันดีกว่าคนประมาณสองเท่า
-
5:52 - 5:54ดังนั้น โดยปี 2011 เราจึงมีตัวอย่างแรก
-
5:54 - 5:57ของคอมพิวเตอร์ ที่สามารถมองเห็นได้ดีกว่าคน
-
5:57 - 5:59ตั้งแต่นั้นมา สิ่งต่างๆมากมายได้เกิดขึ้น
-
5:59 - 6:03ปี 2012 กูเกิลแจ้งว่า ได้ให้การเรียนรู้ลึก
-
6:03 - 6:04ดูยูทูบวิดีโอ ขบเคี้ยวข้อมูล
-
6:04 - 6:08จากคอมพิวเตอร์ 16,000 เครื่องอยู่ 1 เดือน
-
6:08 - 6:12และคอมพ์ก็เรียนรู้ได้เองถึงแนวความคิด
-
6:12 - 6:14เช่น คนกับแมว เพียงดูแค่วิดีโอเท่านั้น
-
6:14 - 6:16สิ่งนี้เหมือนวิธีที่มนุษย์เรียนรู้อย่างมาก
-
6:16 - 6:19มนุษย์ไม่ได้เรียนโดยให้คนอื่นบอกว่า
เขาเห็นอะไร -
6:19 - 6:22แต่โดยเรียนด้วยตนเองว่า ของเหล่านี้คืออะไร
-
6:22 - 6:26ปี 2012 เจฟฟรี่ ฮินตัน ที่เราเห็นตอนต้น
-
6:26 - 6:29ยังชนะการแข่ง อิมเมจเน็ด ที่มีชื่อมาก ซึ่ง
-
6:29 - 6:33พยายามหาวิธีคิด จากภาพล้านห้าแสนภาพ
-
6:33 - 6:34ว่า ภาพเหล่านี้เป็นภาพอะไร
-
6:34 - 6:38ถึงปี 2014 นี้ เราลดอัตราผิดจนเหลือ 6%
-
6:38 - 6:39ในการรู้จำภาพได้
-
6:39 - 6:41นี่ก็ดีกว่าคนอีกเหมือนกัน
-
6:41 - 6:45เครื่องจึงทำงานได้ดีพิเศษจริง ในเรื่องนี้
-
6:45 - 6:47และขณะนี้ก็กำลังมีการนำไปใช้ ในอุตสาหกรรม
-
6:47 - 6:50เช่น กูเกิลประกาศเมื่อปีที่แล้ว ว่า
-
6:50 - 6:55ได้ทำแผนที่ทุกๆตำแหน่งในฝรั่งเศสใน 2 ช.ม
-
6:55 - 6:58และวิธีที่พวกเขาทำนั้น คือ ใส่ภาพถนนเข้าไป
-
6:58 - 7:03ในการเรียนรู้ลึก เพื่อให้รู้จำและอ่านเลขถนน
-
7:03 - 7:05ลองจินตนาการดู แต่ก่อนจะใช้เวลานานแค่ไหน
-
7:05 - 7:08ใช้คนมากมายหลายคน หลายปี
-
7:08 - 7:10เรื่องนี้ก็กำลังเกิดขึ้นในจีนด้วย
-
7:10 - 7:14ไบดู เป็นเหมือนกับกูเกลของจีน และ
-
7:14 - 7:17ที่คุณเห็น ตรงด้านบนซ้ายมือ คือ ตัวอย่าง
-
7:17 - 7:20รูปที่ผมใส่เข้าไป ในระบบเรียนรู้ลึกของไบดู
-
7:20 - 7:24ตรงข้างล่าง คุณจะเห็นได้ว่า ระบบเข้าใจได้
-
7:24 - 7:26ว่าเป็นภาพอะไร และค้นพบภาพที่เหมือนกัน
-
7:26 - 7:29ซึ่งจริงๆแล้ว คือมีแบ็กกราวเหมือนกัน
-
7:29 - 7:31หันหน้าไปทิศทางเดียวกัน
-
7:31 - 7:33แม้กระทั่ง บางรูปที่แลบลิ้นออกมา
-
7:33 - 7:36นี่ไม่ใช่มองที่ เนื้อหาเว็บเพจอย่างแน่นอน
-
7:36 - 7:37ผมส่งเพียงแต่รูป ๆ เดียวเท่านั้น
-
7:37 - 7:41ขณะนี้มีคอมพ์ ที่เข้าใจสิ่งที่มันเห็นจริงๆ
-
7:41 - 7:43จึงสามารถค้นหาฐานข้อมูลได้
-
7:43 - 7:46เป็นหลายร้อยล้านภาพ ในเวลาสั้นๆ
-
7:46 - 7:50อะไรจะเกิดขึ้น เมื่อมีคอมพ์ที่มองเห็นได้
-
7:50 - 7:52แต่ไม่ใช่แค่มองเห็นได้เท่านั้น
-
7:52 - 7:54จริงๆแล้ว การเรียนรู้ลึก ทำได้มากกว่านั้น
-
7:54 - 7:57ประโยคที่ต่างกันน้อยมาก ซับซ้อน อย่างนี้
-
7:57 - 7:59ขณะนี้เข้าใจได้แล้ว ด้วยวิธีการเรียนรู้ลึก
-
7:59 - 8:01อย่างที่คุณเห็นตรงนี้
-
8:01 - 8:03ระบบฐานสแตนฟอร์ดนี้ แสดงจุดสีแดงด้านบนสุด
-
8:03 - 8:07คิดออกว่า ประโยคนี้แสดงอารมณ์เชิงลบ
-
8:07 - 8:11จริงๆการเรียนรู้ลึก ใกล้สมรรถภาพมนุษย์แล้ว
-
8:11 - 8:16เข้าใจได้ว่า ประโยคบอกเรื่องอะไร
และมีความหมายอะไร -
8:16 - 8:19การเรียนรู้ลึก ยังนำไปใช้เพื่ออ่านภาษาจีน
-
8:19 - 8:22อีกนั่นแหละ ประมาณระดับคนจีนพื้นเมือง
-
8:22 - 8:24วิธีการทางคอมพ์นี้ ได้พัฒนาออกมาจากสวิสฯ
-
8:24 - 8:27โดยคนที่ไม่มีใครพูดหรือเข้าใจภาษาจีนเลย
-
8:27 - 8:29อย่างที่ผมบอก การใช้การเรียนรู้ลึก
-
8:29 - 8:32เกือบเป็นระบบที่ดีที่สุดในโลก สำหรับงานนี้
-
8:32 - 8:37แม้เมื่อเปรียบกับความเข้าใจของคนพื้นบ้าน
-
8:37 - 8:40นี่เป็นระบบที่เราประกอบขึ้นมา
ที่บริษัทของผม -
8:40 - 8:42ซึ่งให้เห็นการเอาสิ่งทั้งหลายเข้ามารวมกัน
-
8:42 - 8:44พวกนี้ให้เห็นภาพ ที่ไม่มีข้อความกำกับ
-
8:44 - 8:47และขณะที่ผมพิมพ์ประโยคอยู่ตรงนี้
-
8:47 - 8:50ในเวลาสั้นๆ มันก็เข้าใจรูปเหล่านี้
-
8:50 - 8:51และคิดออกได้ว่า มันเป็นเรื่องอะไร
-
8:51 - 8:54และไปหาภาพ ที่เหมือนกับข้อความที่ผมเขียน
-
8:54 - 8:57จึงเห็นได้ เป็นความเข้าใจประโยคของผมจริงๆ
-
8:57 - 8:59เป็นความเข้าใจภาพเหล่านี้จริง
-
8:59 - 9:02ผมรู้ว่า คุณเคยเห็นแบบนี้ในกูเกิลแล้ว
-
9:02 - 9:05ที่คุณพิมพ์ข้อความ แล้วมันจะแสดงภาพออกมา
-
9:05 - 9:08แต่จริงๆสิ่งที่มันทำคือ หาข้อความในเว็บเพจ
-
9:08 - 9:11เรื่องนี้ต่างกันมาก กับการเข้าใจภาพพวกนั้น
-
9:11 - 9:14นี่เป็นสิ่งที่คอมพ์สามารถทำได้
-
9:14 - 9:17เป็นครั้งแรก ในไม่กี่เดือนที่ผ่านมานี้
-
9:17 - 9:21ขณะนี้จึงเห็นได้ว่า คอมพ์ไม่ได้แค่เห็น แต่
-
9:21 - 9:25อ่านได้ด้วย และเราก็ให้เห็นว่า
มันก็เข้าใจสิ่งที่มันได้ยิน -
9:25 - 9:28อาจไม่น่าแปลกใจ ถ้าจะบอกว่า มันก็เขียนได้
-
9:28 - 9:33ประโยคนี้ผมสร้างเมื่อวาน ใช้การเรียนรู้ลึก
-
9:33 - 9:37ข้อความนี้ สร้างโดยวิธีคอมพ์ของสแตนฟอร์ด
-
9:37 - 9:39แต่ละประโยคสร้างขึ้น
-
9:39 - 9:43โดยวิธีการเรียนรู้ลึก เพื่ออธิบายภาพนั้นๆ
-
9:43 - 9:48แต่ก่อนวิธีการคอมพ์ ไม่เคยเห็นชายเสื้อดำ
กำลังเล่นกีต้าร์ -
9:48 - 9:50แต่มันเคยเห็นผู้ชาย เคยเห็นสีดำ
-
9:50 - 9:51เคยเห็นกีต้าร์ แต่ด้วยตัวมันเอง
-
9:51 - 9:56ได้สร้างการอธิบายภาพนี้ในแนวใหม่
-
9:56 - 9:59ยังคงไม่เหมือนมนุษย์ทีเดียว แต่ก็ใกล้แล้ว
-
9:59 - 10:03ในการทดสอบ มนุษย์ชอบคำบรรยายสร้างโดยคอมพ์
-
10:03 - 10:05หนึ่งในสี่ครั้ง
-
10:05 - 10:07ปัจจุบัน ระบบนี้มีอายุแค่ 2 สัปดาห์
-
10:07 - 10:09ดังนั้น บางที ภายในปีหน้า
-
10:09 - 10:12วิธีทางคอมพ์ อาจไปไกลเกินหน้าการปฏิบัติงาน
-
10:12 - 10:13ของมนุษย์ ที่อัตราที่กำลังเป็นอยู่นี้
-
10:13 - 10:16คอมพิวเตอร์ จึงสามารถเขียนได้ด้วย
-
10:16 - 10:20รวมๆแล้ว ก็จะเห็นโอกาสทีน่าตื่นเต้นมาก
-
10:20 - 10:21ตัวอย่างเช่น ในทางการแพทย์
-
10:21 - 10:24ทีมงานในบอสตัน ประกาศว่าพวกเขาได้ค้นพบ
-
10:24 - 10:27ลักษณะต่าง ๆ มากมาย
ที่เกี่ยวข้องกับการรักษา -
10:27 - 10:31เนื้องอก ที่ช่วยแพทย์ทายอาการมะเร็ง
-
10:32 - 10:35และที่เหมือนกันอย่างมาก ที่สแตนฟอร์ด
-
10:35 - 10:38กลุ่มที่นั่นประกาศว่า
โดยดูเนื้อเยื่อขยายแล้ว -
10:38 - 10:41ได้พัฒนาระบบจากการเรียนรู้ของเครื่องขึ้นมา
-
10:41 - 10:43ซึ่งจริงๆ ดีกว่าแพทย์พยาธิวิทยา
ในการทำนาย -
10:43 - 10:48อัตราการรอดชีวิต ของคนไข้โรคมะเร็ง
-
10:48 - 10:51ทั้งสองกรณี ไม่เพียงการคาดเดาถูกต้องกว่า
-
10:51 - 10:53แต่ยังทำให้เกิดความเข้าใจใหม่
ทางวิทยาศาสตร์ -
10:53 - 10:55คือทางรังสีวิทยา มีการพบ
-
10:55 - 10:58ตัวบ่งชี้ทางการรักษาแบบใหม่ ที่คนเข้าใจได้
-
10:58 - 11:00ส่วนทางพยาธิวิทยานี้ จริงๆแล้ว
-
11:00 - 11:04ระบบคอมพ์ได้ค้นพบว่า เซลล์รอบๆมะเร็ง
-
11:04 - 11:08สำคัญเท่าๆกับเซลล์มะเร็งเอง
-
11:08 - 11:09ในการวินิจฉัย นี้ตรงข้ามกับ
-
11:09 - 11:15สิ่งที่พยาธิแพทย์ ได้รับสอนมาหลายทศวรรษ
-
11:15 - 11:18ในทั้งสองกรณี ระบบพัฒนาขึ้นโดย
-
11:18 - 11:22ผู้เชี่ยวชาญทางแพทย์ร่วมกับ
ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง -
11:22 - 11:24แต่เริ่มแต่ปีที่แล้ว เราได้ไปไกลกว่านั้น
-
11:24 - 11:28นี่เป็นตัวอย่าง ของการระบุพื้นที่ของมะเร็ง
-
11:28 - 11:30ในเนื้อเยื่อมนุษย์ จากกล้องจุลทรรศน์
-
11:30 - 11:35ระบบที่แสดงอยู่นี้
ระบุพื้นที่ได้แม่นยำกว่า -
11:35 - 11:38หรือเกือบจะเท่ากับพยาธิแพทย์ แต่ทั้งหมดนี้
-
11:38 - 11:41สร้างด้วยการเรียนรู้ลึก
โดยคนที่ไม่มีความเชี่ยวชาญ -
11:41 - 11:44หรือพื้นเพทางการแพทย์เลย
-
11:45 - 11:47นี่ก็เหมือนกัน การแบ่งส่วนประสาท, ขณะนี้
-
11:47 - 11:51เราแยกเซลล์ประสาทได้ แม่นยำเทียมเท่ามนุษย์
-
11:51 - 11:54แต่ระบบนี้พัฒนาขึ้น ด้วยการเรียนรู้ลึก
-
11:54 - 11:57โดยคนที่ไม่มีพื้นฐานด้านการแพทย์
-
11:57 - 12:00ดังนั้นผมเอง ผู้ไม่มีพื้นฐานด้านการแพทย์
-
12:00 - 12:04ก็เหมือนมีคุณสมบัติพร้อม ที่จะเริ่มบริษัท
-
12:04 - 12:06ทางการแพทย์ใหม่ขึ้นมา ซึ่งผมก็ได้ทำแล้ว
-
12:06 - 12:08ผมรู้สึกหวาดหวั่นบ้างที่จะทำ
-
12:08 - 12:11แต่ตามทฤษฎีแล้ว ดูจะแนะว่า น่าจะเป็นไปได้
-
12:11 - 12:16ที่จะทำการแพทย์ที่มีประโยชน์มาก โดยใช้แค่
เทคนิควิเคราะห์ข้อมูลนี้ -
12:16 - 12:19
และผมโชคดี ที่ได้การตอบรับที่ดีเยี่ยม -
12:19 - 12:21จากทั้งสื่อและกลุ่มทางการแพทย์
-
12:21 - 12:23ที่ให้การสนับสนุนมาอย่างมาก
-
12:23 - 12:27ทฤษฎีคือ เราสามารถเอาส่วนกลาง
ของกระบวนการทางแพทย์ -
12:27 - 12:30กลับมันเป็นวิเคราะห์ข้อมูล มากเท่าที่ทำได้
-
12:30 - 12:33ทิ้งให้แพทย์ทำ ในสิ่งที่เขาทำได้ดีที่สุด
-
12:33 - 12:35ผมอยากจะยกตัวอย่างหนึ่ง ปัจจุบัน
-
12:35 - 12:40เราใช้เพียง 15 นาที เพื่อ
สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่ -
12:40 - 12:42ผมจะแสดงให้ดูตามเวลาจริง แต่ผม
-
12:42 - 12:45บีบมันลงเหลือสามนาที โดยตัดบางชิ้นออกไป
-
12:45 - 12:48แทนที่จะแสดง การสร้างการทดสอบวินิจฉัยโรค
-
12:48 - 12:52ผมจะแสดง การทดสอบการวินิจฉัยภาพรถแทน
-
12:52 - 12:54เพราะว่า มันเป็นสิ่งที่เราทุกคนเข้าใจได้
-
12:54 - 12:57ตรงนี้ เราจึงจะเริ่มด้วยภาพรถ 1.5 ล้านคัน
-
12:57 - 13:00และผมอยากจะสร้างอะไรบางอย่าง
ที่จะแยกมันออก -
13:00 - 13:03เป็นมุมมองของภาพที่ถ่าย ภาพพวกนี้
-
13:03 - 13:07ไม่ได้มีป้ายบอกเลย
ผมจึงต้องเริ่มจากไม่มีอะไร -
13:07 - 13:08แต่ด้วยวิธีการคอมพ์การเรียนรู้ลึกของเรา
-
13:08 - 13:12มันจะระบุพื้นที่โครงสร้างในภาพได้อัตโนมัติ
-
13:12 - 13:16ส่วนดีคือ คนและคอมพ์ทำงานด้วยกันได้
-
13:16 - 13:18มนุษย์ อย่างที่เห็นตรงนี้ จะบอกคอมพ์ถึง
-
13:18 - 13:21พื้นที่ที่น่าสนใจ ที่ต้องการให้คอมพ์
-
13:21 - 13:25พยายามใช้ เพื่อจะได้ปรับปรุงวิธีการของมัน
-
13:25 - 13:30ระบบการเรียนรู้ลึกนี้ แท้จริงอยู่ในปริภูมิ
-
13:30 - 13:3316000 มิติ จึงเห็นคอมพ์หมุนไปตาม
-
13:33 - 13:35ปริภูมินั้น พยายามหาพื้นที่โครงสร้างใหม่
-
13:35 - 13:37เมื่อมันทำได้สำเร็จตามนั้น แล้วคนที่
-
13:37 - 13:41ขับมันอยู่ ก็จะชี้พื้นที่ที่น่าสนใจ
-
13:41 - 13:43ตรงนี้ คอมพ์พบพื้นที่ได้สำเร็จ
-
13:43 - 13:46ตัวอย่างเช่น มุมมองต่าง ๆ
-
13:46 - 13:47ดังนั้น ขณะที่เราผ่านกระบวนการนี้
-
13:47 - 13:50เราก็ค่อยๆบอกคอมพ์เพิ่มขึ้นเรื่อยๆ
-
13:50 - 13:52เกี่ยวกับแบบโครงสร้าง ที่เราต้องการค้นหา
-
13:52 - 13:54คุณคงจินตนาการได้ เช่น การทดสอบวินิจฉัย
-
13:54 - 13:57ก็จะเป็นพยาธิแพทย์ ที่จะระบุบริเวณผิดปกติ
-
13:57 - 14:02หรือรังสีแพทย์ ชี้บอกตุ่มที่น่าจะเป็นปัญหา
-
14:02 - 14:05บางที ก็ยากเหมือนกันสำหรับวิธีทางคอมพ์นี้
-
14:05 - 14:07ในกรณีนี้ มันคล้ายกับจะสับสน
-
14:07 - 14:09ด้านหน้าและด้านหลังของรถนั้น ปนเปกันไปหมด
-
14:09 - 14:11ตรงนี้ เราจึงต้องระวังมากขึ้นอีกหน่อย
-
14:11 - 14:15ใช้มือเลือก ส่วนใดเป็นหน้า ส่วนใดเป็นหลัง
-
14:15 - 14:20แล้วบอกคอมพ์นั้นว่า นี่เป็นแบบของกลุ่ม
-
14:20 - 14:22ที่เราสนใจอยู่
-
14:22 - 14:24เราต้องทำอย่างนี้ไปเรื่อย ๆ แต่เราจะข้ามไป
-
14:24 - 14:26แล้วเราก็จะฝึกเครื่องเรียนรู้
-
14:26 - 14:28อาศัยสิ่งของจำนวนมากมายเหล่านี้
-
14:28 - 14:30เราหวังว่า มันดีขึ้นมากแล้ว คุณจะเห็นได้
-
14:30 - 14:34ตอนนี้ มันได้เริ่มทำให้บางภาพค่อยๆหายไป
-
14:34 - 14:38มันรู้จำวิธีเข้าใจเรื่องนี้ด้วยตัวเองบ้างแล้ว
-
14:38 - 14:41แล้วเราจึงใช้ความรู้เรื่องภาพเหมือนนี้
-
14:41 - 14:43และการใช้ภาพเหมือนนั้น ตอนนี้จะเห็นได้
-
14:43 - 14:47ณ.จุดนี้คอมพ์ สามารถหารถส่วนหน้าทั้งหมด
-
14:47 - 14:50ดังนั้น ที่จุดนี้ คนจะบอกคอมพ์นั้นได้ว่า
-
14:50 - 14:52ตกลง ใช่แล้ว เธอทำงานเรื่องนี้ได้ดีแล้ว
-
14:54 - 14:56บางครั้ง แน่นอนครับ แม้กระทั่ง ที่จุดนี้
-
14:56 - 15:00ก็ยังคงยาก ที่จะแยกออกมาเป็นกลุ่มๆ
-
15:00 - 15:03กรณีนี้ แม้หลังจากให้คอมพ์หมุนไปสักครู่
-
15:03 - 15:07เราก็ยังคงพบว่า ด้านซ้ายและขวาของภาพ
-
15:07 - 15:08ก็ปนเปกันไปหมด
-
15:08 - 15:10ดังนั้นเราจึงให้คำแนะนำแก่คอมพ์อีก
-
15:10 - 15:13เราบอกว่า ใช่ พยายามหาการฉายภาพ ที่จะแยก
-
15:13 - 15:16ด้านซ้าย/ขวาออกจากกัน ให้มากเท่าที่จะทำได้
-
15:16 - 15:18โดยใช้วิธีการเรียนรู้ลึกทางคอมพ์
-
15:18 - 15:21เมื่อให้คำแนะนำนั้นแล้ว ก็ประสบความสำเร็จ
-
15:21 - 15:24มันก็หาวิธีคิด เกี่ยวกับวัตถุพวกนี้ได้
-
15:24 - 15:26นั่นคือ วิธีแยกสิ่งเหล่านี้
-
15:26 - 15:29คุณคงจะพอเข้าใจเรื่องนี้
-
15:29 - 15:37เรื่องนี้ ไม่ใช่มนุษย์ถูกแทนที่ด้วยคอมพ์
-
15:37 - 15:40แต่เป็นเรื่องที่ พวกเขาทำงานอยู่ด้วยกัน
-
15:40 - 15:43สิ่งที่เราทำจะใช้แทนสิ่งที่เคยใช้ทีมงาน
-
15:43 - 15:45ห้าหรือหกคน นานประมาณเจ็ดปี
-
15:45 - 15:48แล้วเอาสิ่งที่ทำได้ใน 15 นาที มาแทน
-
15:48 - 15:50โดยมีคนหนึ่งคน ปฏิบัติงานคนเดียว
-
15:50 - 15:54กระบวนการนี้ ใช้การวนซํ้าราว 4 - 5 ครั้ง
-
15:54 - 15:56คุณเห็นได้ว่า ตอนนี้เราได้ 62% ของภาพ
-
15:56 - 15:591.5 ล้านภาพ แยกประเภทแล้วอย่างถูกต้อง
-
15:59 - 16:01ณ. จุดนี้ เราเริ่มจะคว้ามาได้อย่างรวดเร็ว
-
16:01 - 16:03ที่เป็นส่วนใหญ่ๆทั้งหมด
-
16:03 - 16:06ตรวจเช็คตลอด เพื่อให้แน่ใจว่าไม่มีอะไรผิด
-
16:06 - 16:10หากมี เราก็ให้คอมพ์รู้ข้อผิดพลาดเหล่านั้น
-
16:10 - 16:13การใช้กระบวนการนี้ ในแต่ละกลุ่มที่ต่างกัน
-
16:13 - 16:15ปัจจุบันนี้ เรามีอัตราความสำเร็จ ถึง 80%
-
16:15 - 16:18ในการแยกประเภทภาพ 1.5 ล้านภาพนั้น
-
16:18 - 16:20ณ. จุดนี้ เหลือแต่งานที่ต้องหา
-
16:20 - 16:23ภาพจำนวนเล็กน้อย ที่ถูกแบ่งประเภทผิด
-
16:23 - 16:26และต้องพยายามเข้าใจว่า เป็นเพราะเหตุใด
-
16:26 - 16:28และการใช้วิธีดังกล่าวนั้น
-
16:28 - 16:32เพียง 15 นาที เราก็ได้อัตราการแบ่งถึง 97%
ถูกต้อง -
16:32 - 16:37เทคนิคแบบนี้ จะช่วยแก้ไขปัญหาสำคัญ
-
16:37 - 16:40คือ การขาดผู้เชี่ยวชาญทางการแพทย์ในโลก
-
16:40 - 16:43การประชุมเศรษฐกิจโลก บอกว่า มีการขาดแพทย์
-
16:43 - 16:46อยู่ระหว่าง 10 และ 20 เท่า ในโลกกำลังพัฒนา
-
16:46 - 16:48และจะใช้เวลาราว 300 ปี
-
16:48 - 16:51เพื่อฝึกคนให้ได้พอ ที่จะแก้ปัญหานั้น
-
16:51 - 16:54คิดดู ถ้าเราช่วยเพิ่มประสิทธิภาพพวกเขาได้
-
16:54 - 16:56โดยใช้วิธีการเรียนรู้ลึกเหล่านี้
-
16:56 - 16:59ผมจึงตื่นเต้นมาก เกี่ยวกับโอกาสเหล่านี้
-
16:59 - 17:01แต่ผมก็ยังห่วงใยในปัญหาที่จะตามมาด้วย
-
17:01 - 17:04ปัญหาตรงนี้คือ ทุกบริเวณสีนํ้าเงินบนแผนที่
-
17:04 - 17:08เป็นการจ้างงานแบบบริการถึง 80%
-
17:08 - 17:10แล้วยอาชีพบริการคืออะไร
-
17:10 - 17:11เหล่านี้คืองานบริการ เป็นสิ่งที่
-
17:11 - 17:16ตรงเผงกับสิ่งที่คอมพ์เพิ่งจะเรียนรู้วิธีทำ
-
17:16 - 17:19ดังนั้น 80% ของการจ้างงานในโลกที่พัฒนาแล้ว
-
17:19 - 17:22จึงเป็นสิ่งที่คอมพ์ เพิ่งจะเรียนรู้วิธีทำ
-
17:22 - 17:23อะไรจะเกิดขึ้น
-
17:23 - 17:26ผลจะโอเค คือจะมีงานอื่น ๆ เกิดขึ้นมาแทน
-
17:26 - 17:29จะมีงานสำหรับนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้น
-
17:29 - 17:30แต่...ก็ไม่เชิง
-
17:30 - 17:33พวกเขาไม่ต้องใช้เวลานานนัก ทำงานเหล่านี้
-
17:33 - 17:36เช่น วิธีคอมพ์ 4 วิธีนี้
สร้างได้โดยคนๆเดียว -
17:36 - 17:38แต่ถ้าคิดว่า ทั้งหมดก็เคยเกิดขึ้นมาก่อนนี่
-
17:38 - 17:42เราได้เห็นผลจากอดีต เมื่อเกิดสิ่งใหม่ๆมา
-
17:42 - 17:44คือเกิดงานใหม่ๆ มาแทนงานเก่า
-
17:44 - 17:46แล้วงานใหม่ๆเหล่านี้ จะเป็นงานอะไร
-
17:46 - 17:48มันยากมากที่เราจะประมาณการณ์เรื่องนี้ได้
-
17:48 - 17:51เพราะการทำงานของคน โตได้ในอัตราทีละน้อยนี้
-
17:51 - 17:54แต่ปัจจุบันเรามีระบบ คือการเรียนรู้ลึก
-
17:54 - 17:57ซึ่งจริง ๆ สมรรถภาพโตได้อย่างมากและรวดเร็ว
-
17:57 - 17:58และตอนนี้เราอยู่ที่จุดนั้นแล้ว
-
17:58 - 18:01ดังนั้น ปัจจุบัน เราจึงเห็นสิ่งรอบๆตัวเรา
-
18:01 - 18:03และก็บอกว่า "คอมพ์ยังคงทึ่ม" ใช่มั๊ยครับ
-
18:03 - 18:07แต่ในเวลา 5 ปี คอมพ์จะออกนอกแผนภูมินี้ไป
-
18:07 - 18:11เราจึงจำเป็นต้องเริ่มคิดถึงสมรรถภาพ
ของคอมพ์ เสียแต่เดี๋ยวนี้ -
18:11 - 18:13เราได้เห็นมาก่อนครั้งหนึ่งแล้ว
-
18:13 - 18:14ในการปฏิวัติอุตสาหกรรม
-
18:14 - 18:17เห็นการเปลี่ยนไปขั้นหนึ่ง ในเรื่องสมรรถภาพ
-
18:18 - 18:21เครื่องยนต์ แต่ไม่นานก็รักษาระดับได้
-
18:21 - 18:23ถึงมีการแตกแยกทางสังคม
-
18:23 - 18:26แต่เมื่อใช้เครื่องยนต์เพื่อสร้างพลังงาน
-
18:26 - 18:28ในทุกสถานการณ์ ความยุ่งยากก็สงบลง
-
18:28 - 18:30ส่วนการปฏิวัติเพราะการเรียนรู้ของเครื่อง
-
18:30 - 18:33จะต่างไปจาก การปฏิวัติอุตสาหกรรมอย่างมาก
-
18:33 - 18:36เพราะปฏิวัติการเรียนรู้ของเครื่อง จะไม่
-
18:36 - 18:39ปักหลักกับที่ ยิ่งคอมพ์ทำงานชาญฉลาดขึ้น
-
18:39 - 18:43มันก็ยิ่งสร้างคอมพ์ที่สมรรภภาพฉลาดยิ่งขึ้น
-
18:43 - 18:45เรื่องนี้ จึงจะเป็นการเปลี่ยนแปลงชนิดที่
-
18:45 - 18:47แท้จริงแล้ว โลกไม่เคยประสบมาก่อน ดังนั้น
-
18:47 - 18:51ความเข้าใจก่อนๆในเรื่องที่เป็นไปได้
จึงต่างไป -
18:51 - 18:53เรื่องนี้กำลังส่งผลกระทบกับเราแล้ว
-
18:53 - 18:5625 ปีที่ผ่านมา ขณะที่ประสิทธิภาพการลงทุน
ได้เพิ่มขึ้น -
18:56 - 19:01ประสิทธิภาพทางแรงงานกลับราบเรียบ
กระทั่งตํ่าลงเล็กน้อย -
19:01 - 19:04ผมจึงอยากให้เรา มาเริ่มอภิปรายเรื่องนี้กัน
-
19:04 - 19:07ผมรู้ เมื่อผมบอกคนบ่อยๆ เรื่องสถานการณ์นี้
-
19:07 - 19:09ผู้คนก็จะไม่ค่อยยอมรับฟัง
-
19:09 - 19:10จริงอยู่ คอมพ์คิดไม่เป็น
-
19:10 - 19:13คอมพ์ไม่แสดงอารมณ์ มันไม่เข้าใจกวีนิพนธ์
-
19:13 - 19:16จริงๆแล้ว เราไม่เข้าใจว่า มันทำงานอย่างไร
-
19:16 - 19:17แล้วยังไงครับ?
-
19:17 - 19:19คอมพ์ปัจจุบันนี้ สามารถทำสิ่งที่
-
19:19 - 19:22มีการจ้างมนุษย์ให้ใช้เวลาส่วนมากทำ
-
19:22 - 19:24ขณะนี้ จึงถึงเวลาแล้ว ที่จะเริ่มคิด
-
19:24 - 19:28วิธีที่เราจะปรับโครงสร้างสังคมและเศรษฐกิจ
-
19:28 - 19:30โดยคำนึงถึง ความเป็นจริงใหม่นี้
-
19:30 - 19:31ขอบคุณครับ
-
19:31 - 19:32(เสียงปรบมือ)
- Title:
- ผลที่น่ามหัศจรรย์และน่าสะพรึงกลัว ของคอมพิวเตอร์ที่เรียนรู้ได้เอง
- Speaker:
- เจเรมี่ เฮาวาร์ด
- Description:
-
อะไรจะเกิดขึ้นเมื่อเราสอนให้คอมพิวเตอร์เรียนรู้ นักเทคโนโลยี เจเรมี่ เฮาวาร์ด นำมาบอกเล่าเรื่องการพัฒนาใหม่ที่น่าประหลาดใจ ในสาขาวิชา "การเรียนรู้ลึก" ที่มีการขับเคลื่อนอย่างรวดเร็ว เป็นเทคนิคที่ทำให้คอมพิวเตอร์สามารถเรียนภาษาจีนได้ หรือ ให้มันรู้จำวัตถุที่อยู่ในรูปภาพได้ หรือ ให้มันช่วยทำวินิจฉัยทางการแพทย์ (มีเครื่องมือการเรียนรู้ลึกชนิดหนึ่ง ที่หลังจากดูยูทูบไปหลายชั่วโมง สามารถสอนตัวเองให้ได้ความรู้ในเรื่อง "แมว") เรามาตามประเด็นในสาขาวิชาที่เปลี่ยนวิธีที่คอมพิวเตอร์รอบๆคุณจะปฏิบัติงาน...เร็วเกินกว่าที่คุณอาจจะคาดคิด
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
TED Translators admin approved Thai subtitles for The wonderful and terrifying implications of computers that can learn | ||
Retired user edited Thai subtitles for The wonderful and terrifying implications of computers that can learn | ||
Retired user edited Thai subtitles for The wonderful and terrifying implications of computers that can learn | ||
Retired user edited Thai subtitles for The wonderful and terrifying implications of computers that can learn | ||
Retired user edited Thai subtitles for The wonderful and terrifying implications of computers that can learn | ||
Retired user edited Thai subtitles for The wonderful and terrifying implications of computers that can learn | ||
Retired user accepted Thai subtitles for The wonderful and terrifying implications of computers that can learn | ||
Retired user edited Thai subtitles for The wonderful and terrifying implications of computers that can learn |