Ứng dụng tuyệt vời hay đáng sợ của máy tính biết học
-
0:01 - 0:05Ngày xưa nếu bạn muốn máy tính
thực hiện thao tác mới, -
0:05 - 0:06thì bạn phải lập trình nó trước.
-
0:06 - 0:10Đối với những bạn ở đây
chưa từng lập trình, -
0:10 - 0:13việc này đòi hỏi phải lập sơ đồ chi tiết
-
0:13 - 0:17từng bước một cho điều
bạn muốn máy tính thực hiện -
0:17 - 0:19để đạt được mục tiêu của bạn.
-
0:19 - 0:23Nếu bạn muốn làm một việc mà chính bạn
cũng không biết cách làm, -
0:23 - 0:25thì đây sẽ là một thử thách khá lớn.
-
0:25 - 0:28Đây là thử thách mà người đàn ông này,
Arthur Samuel, gặp phải. -
0:28 - 0:32Vào năm 1956, ông muốn chiếc máy tính này
-
0:32 - 0:35có thể đánh bại ông trong môn cờ tướng.
-
0:35 - 0:37Làm sao mà bạn có thể viết ra chương trình
-
0:37 - 0:40tỉ mỉ, chi tiết về cách chơi
cờ tướng giỏi hơn chính bạn ? -
0:40 - 0:42Vậy là ông nảy ra một ý tưởng:
-
0:42 - 0:46ông để máy tính tự chơi lại hàng ngàn lần
-
0:46 - 0:48và tự học cách chơi cờ.
-
0:48 - 0:52Và quả nhiên cách này hiệu quả,
và thật sự, đến năm 1962, -
0:52 - 0:56chiếc máy này đã đánh bại
quán quân bang Connecticut. -
0:56 - 0:59Arthur Samuel là cha đẻ của
lĩnh vực machine learning, -
0:59 - 1:00và tôi rất biết ơn ông,
-
1:00 - 1:03bởi tôi là một người làm trong
ngành "máy biết học". -
1:03 - 1:04Tôi từng là Chủ tịch ở Kaggle
-
1:04 - 1:08một cộng đồng gồm hơn 200,000
chuyên gia về "máy biết học". -
1:08 - 1:10Kaggle tổ chức các cuộc thi
-
1:10 - 1:14với thử thách là
những vấn đề chưa có lời giải, -
1:14 - 1:17và họ đã thành công hàng trăm lần.
-
1:17 - 1:20Với vị thế thuận lợi đó,
tôi đã khám phá ra -
1:20 - 1:24rất nhiều thứ mà "máy biết học" có thể
làm được trước đây, làm được bây giờ, -
1:24 - 1:26và những gì nó có thể làm trong tương lai.
-
1:26 - 1:31Có lẽ sự thành công vang dội đầu tiên
của "máy biết học" là Google -
1:31 - 1:34Google cho ta thấy nó có thể
tìm kiếm thông tin -
1:34 - 1:36bằng cách sử dụng thuật toán,
-
1:36 - 1:38và thuật toán này dựa trên
"máy biết học", -
1:38 - 1:42Kể từ đó, đã có rất nhiều thành công
về mặt thương mại của "máy biết học". -
1:42 - 1:44Công ty như Amazon và Netflix
-
1:44 - 1:48sử dụng "máy biết học"để gợi ý
những sản phẩm bạn có thể muốn mua, -
1:48 - 1:50các bộ phim bạn có thể muốn xem.
-
1:50 - 1:52Đôi khi nó làm ta
rùng mình. -
1:52 - 1:54Các công ty như LinkedIn và Facebook
-
1:54 - 1:56đôi khi sẽ nói cho bạn biết ai có thể
là bạn bè của bạn -
1:56 - 1:58và bạn không hiểu nổi làm sao họ tìm ra,
-
1:58 - 2:01và đó là vì họ dùng đến sức mạnh của
"máy biết học". -
2:01 - 2:04Đây là thuật toán tự học cách xử lý
từ cơ sở dữ liệu, -
2:04 - 2:07thay vì được lập trình sẵn trước đó.
-
2:07 - 2:10Đây cũng là cách IBM thành công
-
2:10 - 2:14trong việc khiến cho Watson đánh bại
hai nhà vô địch chương trình "Jeopardy", -
2:14 - 2:17bằng cách trả lời những câu hỏi hóc
búa và phức tạp như : -
2:17 - 2:20[Sư tử Nimrud bị mất tại bảo tàng
quốc gia thành phố ... -
2:20 - 2:23Đây cũng là cơ sở cho
những xe hơi tự lái đầu tiên. -
2:23 - 2:26Nếu chúng phân biệt
được sự khác nhau giữa -
2:26 - 2:28cây xanh và người đi bộ,
thì đó là việc rất quan trọng. -
2:28 - 2:31Chúng ta không biết cách viết
những chương trình này, -
2:31 - 2:34nhưng với "máy biết học", điều đó
trở thành có thể. -
2:34 - 2:37Và thực tế, loại xe này đã đi được
cả triệu dặm -
2:37 - 2:40trên những con đường bình thường
mà không gây tai nạn nào. -
2:40 - 2:44Bây giờ chúng ta biết máy tính
có thể học được, -
2:44 - 2:46và chúng có thể học
cách làm những việc -
2:46 - 2:49mà đôi khi chính chúng ta
không biết cách làm, -
2:49 - 2:52hoặc có thể chúng làm tốt hơn ta.
-
2:52 - 2:56Một trong những ví dụ ngoạn mục nhất
về "máy biết học" tôi từng thấy -
2:56 - 2:58là dự án tôi tham gia ở Kaggle
-
2:58 - 3:02nơi đó có một anh chàng điều khiển
một nhóm, anh ta tên là Geofrey Hinton -
3:02 - 3:03đến từ Đại học Toronto
-
3:03 - 3:06nhóm này thắng cuộc thi về
chế tạo máy phát hiện ma túy. -
3:06 - 3:09Bây giờ, điều phi thường ở đây
không phải là họ đánh bại -
3:09 - 3:13tất cả các giải thuật phát triển bới Merk
hay các cộng đồng học thuật quốc tế khác -
3:13 - 3:18mà chính là họ không có thành viên nào
chuyên về hóa, sinh hay khoa học đời sống, -
3:18 - 3:20và họ đã tạo ra chiếc máy
chỉ trong 2 tuần. -
3:20 - 3:22Làm thế nào mà họ làm được?
-
3:22 - 3:25Họ dùng 1 siêu giải thuật
gọi là deep learning: "học sâu". -
3:25 - 3:28Thành công này quan trọng
đến mức đã được lên -
3:28 - 3:31trang bìa tờ New York Times
vài tuần sau đó. -
3:31 - 3:34Đây là Geoffrey Hinton ở đây bên bìa trái.
-
3:34 - 3:38"Học sâu" là một giải thuật lấy
cảm hứng từ cách làm việc của não người, -
3:38 - 3:40và kết quả là giải thuật này
-
3:40 - 3:44về lý thuyết, không có giới hạn cho
những gì nó có thể làm. -
3:44 - 3:47Bạn đưa vào càng nhiều dữ liệu và
cho càng nhiều thời gian, -
3:47 - 3:48thì nó càng làm tốt.
-
3:48 - 3:51Trong bài báo này, Tờ New York Times
cũng nói về -
3:51 - 3:53một kết quả tuyệt vời khác
của "học sâu" -
3:53 - 3:56mà tôi sẽ cho các bạn xem bây giờ.
-
3:56 - 4:01Đó là máy tính có thể nghe và hiểu.
-
4:01 - 4:03(Video) Richard Rashid:
Bây giờ là bước cuối cùng -
4:03 - 4:06mà tôi muốn làm trong quá trình này
-
4:06 - 4:11là nói chuyện với các bạn bằng
tiếng Trung. -
4:11 - 4:14Điểm mấu chốt đó là,
-
4:14 - 4:19chúng tôi có thể lấy lượng lớn
thông tin từ những người nói tiếng Trung -
4:19 - 4:21và tạo ra hệ thống chuyển văn bản
thành giọng nói -
4:21 - 4:26nó giúp lấy văn bản tiếng Trung chuyển
thành tiếng Trung, -
4:26 - 4:30và sau đó chúng tôi đã thực hiện khoảng
1 giờ để lấy giọng của chính tôi -
4:30 - 4:32từ đó chúng tôi đã điều chỉnh
-
4:32 - 4:36hệ thống chuyển 'văn bản-lời nói'
để cho ra được giọng nói giống tôi. -
4:36 - 4:39Lần nữa, kết quả không hoàn hảo.
-
4:39 - 4:42Thực tế vẫn còn một vài lỗi.
-
4:42 - 4:44( tiếng Trung).
-
4:44 - 4:47(vỗ tay)
-
4:49 - 4:53Còn nhiều việc để làm trong lĩnh vực này.
-
4:53 - 4:57( tiếng Trung)
-
4:57 - 5:00( vỗ tay)
-
5:01 - 5:05Jeremy Howard: đó là trong một hội thảo
về "máy biết học" ở Trung Quốc. -
5:05 - 5:07Thực ra ở hội thảo học thuật, các bạn
-
5:07 - 5:09thường ít nghe tiếng vỗ tay tự phát,
-
5:09 - 5:13ngay cả ở các hội thảo của TEDx,
hay vỗ tay thoải mái đi. -
5:13 - 5:15Những điều bạn thấy đó
đang diễn ra với "học sâu". -
5:15 - 5:17( vỗ tay) Cảm ơn.
-
5:17 - 5:19Viết lại lời tiếng tiếng Anh
bằng "học sâu". -
5:19 - 5:23Dịch sang tiếng Trung có văn bản
ở trên bên phải, do "học sâu", -
5:23 - 5:26và xây dựng giọng nói cũng nhờ
"học sâu". -
5:26 - 5:29"Học sâu" thật sự phi thường.
-
5:29 - 5:32Nó là một giải thuật đơn giản mà có vẻ
làm được hầu hết mọi thứ, -
5:32 - 5:35và tôi phát hiện trước đó một năm,
nó còn học nhìn thấy. -
5:35 - 5:38Trong cuộc thi ở Đức,
-
5:38 - 5:40cuộc thi 'Nhận biết Tín hiệu
Giao thông Benchmark', -
5:40 - 5:44"học sâu" nhận biết các
tín hiệu giao thông,như cái này. -
5:44 - 5:46Nó không chỉ nhận biết tín hiệu giao thông
-
5:46 - 5:47tốt hơn bất kỳ giải thuật nào khác,
-
5:47 - 5:50mà còn làm tốt hơn cả con người,
-
5:50 - 5:52tốt hơn gấp đôi.
-
5:52 - 5:54Năm 2011, chúng tôi có thử nghiệm đầu tiên
-
5:54 - 5:57cho thấy máy tính có thể nhìn
tốt hơn con người. -
5:57 - 5:59Từ đó, rất nhiều điều đã xảy ra.
-
5:59 - 6:03Năm 2012, Google thông báo họ đã có một
giải thuật "học sâu" -
6:03 - 6:04xem được video trên YouTube
-
6:04 - 6:08và lấy dữ liệu từ 16,000 máy tính trong
một tháng, -
6:08 - 6:12và máy tính đã học một cách độc lập
các khái niệm "người" và "mèo" -
6:12 - 6:14chỉ bằng việc xem các videos.
-
6:14 - 6:16Cách này rất giống
cách học của con người. -
6:16 - 6:19Không cần khái niệm có sẵn,
ta học từ cái ta nhìn thấy, -
6:19 - 6:22ta có thể hiểu trực tiếp
bản chất của sự vật đó. -
6:22 - 6:26Cũng trong năm 2012, Geoffrey Hinton,
-
6:26 - 6:29chiến thắng cuộc thi
ImageNet rất nổi tiếng, -
6:29 - 6:33vì đã tìm ra cách để xác định
một trong số nửa triệu tấm ảnh -
6:33 - 6:34được giao trước.
-
6:34 - 6:38Từ 2014, chúng tôi đã giảm
còn 6% tỉ lệ lỗi -
6:38 - 6:39trong việc nhận diện hình ảnh.
-
6:39 - 6:41Với dạng việc này,
máy cũng hơn con người. -
6:41 - 6:45Thật vậy, máy rất siêu trong lĩnh vực này,
-
6:45 - 6:47và đang được ứng dụng trong công nghiệp.
-
6:47 - 6:50Ví dụ, năm ngoái Google thông báo
-
6:50 - 6:55họ đã lập bản đồ mọi địa điểm ở Pháp
trong 2 giờ, -
6:55 - 6:58và cách họ làm là nạp những hình ảnh
đường phố -
6:58 - 7:03vào giải thuật "học sâu" để nhận diện
và đọc số nhà. -
7:03 - 7:05Hãy tưởng tượng trước đây
mất bao lâu: -
7:05 - 7:08vài chục người làm việc trong nhiều năm.
-
7:08 - 7:10Điều này cũng diễn ra ở Trung Quốc.
-
7:10 - 7:14Tôi thấy Baidu cũng là một dạng
Google ở Trung Quốc, -
7:14 - 7:17và những gì bạn thấy ở trên bên góc trái
-
7:17 - 7:20là một ví dụ về một bức ảnh tôi tải lên
hệ thống "học sâu" của Baidu -
7:20 - 7:24và ở dưới bạn có thể thấy kết quả
hệ thống xử lý bức ảnh -
7:24 - 7:26và nó đã tìm ra những bức hình tương tự.
-
7:26 - 7:29Những bức hình tương tự thực ra có
nền tương tự, -
7:29 - 7:31hướng của khuôn mặt tương tự,
-
7:31 - 7:33và cả một số hình có lưỡi thè ra.
-
7:33 - 7:36Đây không phải là đối chiếu văn bản
của trang web. -
7:36 - 7:37Tôi chỉ upload một tấm ảnh.
-
7:37 - 7:41Vậy chúng ta đang có những chiếc máy tính
thực sự hiểu được những gì chúng nhìn thấy -
7:41 - 7:43và có thể nhờ đó tìm dữ liệu
-
7:43 - 7:46của hàng trăm triệu tấm ảnh.
-
7:46 - 7:50Điều đó có nghĩa là gì khi máy tính
có thể nhìn thấy? -
7:50 - 7:52À, máy tính không chỉ có thể
nhìn thấy. -
7:52 - 7:54Thật ra, "học sâu"
còn làm được nhiều hơn. -
7:54 - 7:57Những câu phức tạp và đầy
nét khác biệt tinh tế như câu này -
7:57 - 7:59giờ đã được hiểu bởi giải thuật "học sâu".
-
7:59 - 8:01Như các bạn thấy ở đây,
-
8:01 - 8:03hệ thống nền Stanford này đang chiếu điểm
đỏ ở trên -
8:03 - 8:07đã tìm ra rằng câu này thể hiện tình cảm
tiêu cực. -
8:07 - 8:11"học sâu" thực sự đang gần giống như
con người -
8:11 - 8:16trong việc hiểu chủ đề các câu
và nội dung diễn đạt. -
8:16 - 8:19"học sâu" có thể đọc tiếng Trung,
-
8:19 - 8:22giống như người nói tiếng Trung bản xứ.
-
8:22 - 8:24Giải thuật này phát triển ở Thụy Sĩ
-
8:24 - 8:27bởi những người không
biết tí gì tiếng Trung. -
8:27 - 8:29Như tôi đã nói, "học sâu"
-
8:29 - 8:32là phương tiện tốt nhất
trong lĩnh vực này, -
8:32 - 8:37vì nó có thể hiểu
thậm chí như người bản địa. -
8:37 - 8:40Đây là hệ thống chúng tôi trang bị
ở công ty tôi, -
8:40 - 8:42công ty tôi muốn sử dụng
và kết hợp tất cả. -
8:42 - 8:44Đây là những tấm hình không kèm theo
dòng chữ nào, -
8:44 - 8:47vì tôi viết những câu vào chỗ này,
-
8:47 - 8:50nhờ đó nó hiểu những tấm hình này
-
8:50 - 8:51và tìm ra chúng nói về cái gì
-
8:51 - 8:54và tìm những tấm hình có ý
tương tự với dòng chữ tôi đang viết. -
8:54 - 8:57Vậy các bạn thấy đó, nó thực sự hiểu
được câu tôi viết -
8:57 - 8:59và thực sự hiểu những tấm hình này.
-
8:59 - 9:02Tôi biết các bạn từng thấy điều tương tự
trên Google, -
9:02 - 9:05khi bạn viết điều gì đó và chúng hiện
lên các tấm ảnh, -
9:05 - 9:08nhưng thực sự những gì nó đang làm là
tìm những trang web theo dòng chữ. -
9:08 - 9:11Điều này rất khác với việc thực việc hiểu
những tấm ảnh. -
9:11 - 9:14Đây là điều mà máy tính chỉ có thể làm
-
9:14 - 9:17lần đầu tiên cách đây vài tháng.
-
9:17 - 9:21Chúng ta thấy máy tính không chỉ
nhìn thấy được mà chúng còn đọc được, -
9:21 - 9:25và dĩ nhiên chúng tôi cho thấy chúng còn
hiểu được những gì chúng nghe. -
9:25 - 9:28Có lẽ không còn ngạc nhiên khi tôi nói
với các bạn chúng có thể viết. -
9:28 - 9:33Ở đây là những dòng văn bản tôi tạo ra
bằng giải thuật "học sâu" hôm qua. -
9:33 - 9:37Và đây là những văn bản giải thuật ở
Stanford tạo ra. -
9:37 - 9:39Mỗi câu được tạo ra
-
9:39 - 9:43bằng giải thuật "học sâu" nhằm mô tả
những bức ảnh này. -
9:43 - 9:48Trước đây giải thuật này chưa bao giờ
thấy một người đàn ông áo đen chơi ghita -
9:48 - 9:50Nhưng nó đã thấy đàn ông,
và đã thấy màu đen, -
9:50 - 9:51và nó cũng đã thấy đàn ghita,
-
9:51 - 9:56rồi nó đã tự tạo ra
chú thích của tấm ảnh này. -
9:56 - 9:59Máy vẫn chưa đạt đến mức như
con người, nhưng cũng khá gần rồi. -
9:59 - 10:03Trong các thí nghiệm máy viết phụ đề
cho hình, số phụ đề được người ta chọn -
10:03 - 10:05chỉ ở tỉ lệ 1/4.
-
10:05 - 10:07Nhưng hệ thống này giờ
chỉ mới 2 tuần tuổi, -
10:07 - 10:09nên có thể trong năm tới,
-
10:09 - 10:12giải thuật máy tính sẽ còn
hơn cả con người -
10:12 - 10:13và tỉ lệ được chọn sẽ cao hơn.
-
10:13 - 10:16Máy tính cũng có thể viết.
-
10:16 - 10:20Chúng tôi kết hợp tất cả lại và nó
dẫn đến những cơ hội rất thú vị. -
10:20 - 10:21Ví dụ, trong ngành y,
-
10:21 - 10:24một nhóm ở Boston thông báo họ đã tìm ra
-
10:24 - 10:27hàng chục tính năng lâm sàng mới
-
10:27 - 10:31của các khối u để giúp các
bác sĩ tiên đoán bệnh ung thư. -
10:32 - 10:35Tương tự, ở Stanford,
-
10:35 - 10:38một nhóm thông báo rằng, dựa vào
các hình phóng đại của mô, -
10:38 - 10:41họ phát triển hệ thống "máy biết học"
-
10:41 - 10:43còn tốt hơn cả các nhà nghiên cứu bệnh học
-
10:43 - 10:48nhờ thế làm tăng khả năng sống sót
của các bệnh nhân ung thư. -
10:48 - 10:51Trong cả hai trường hợp, không chỉ việc
tiên đoán chính xác hơn, -
10:51 - 10:53mà còn tạo ra ngành
khoa học mới rất triển vọng. -
10:53 - 10:55Trong lĩnh vực X-quang,
-
10:55 - 10:58chúng là những chỉ số lâm sàng
mới mà con người có thể hiểu. -
10:58 - 11:00Trong lĩnh vực bệnh học,
-
11:00 - 11:04hệ thống máy tính đã cho thấy rằng
những tế bào xung quanh khối u -
11:04 - 11:08cũng quan trọng như chính tế bào ung thư
-
11:08 - 11:09trong việc chẩn đoán bệnh.
-
11:09 - 11:15Điều này ngược với những gì các nhà
bệnh học được dạy trong nhiều thập kỷ qua. -
11:15 - 11:18Trong mỗi trường hợp trên,
chúng là các hệ thống được phát triển -
11:18 - 11:22bởi sự hợp tác của các chuyên gia y tế
và các chuyên gia "máy biết học", -
11:22 - 11:24nhưng từ năm trước,
chúng tôi đã tiến khá xa. -
11:24 - 11:28Đây là một ví dụ về xác định khu vực
ung thư -
11:28 - 11:30của mô người dưới kính hiển vi.
-
11:30 - 11:35Hệ thống có thể xác định những
khu vực chính xác hơn -
11:35 - 11:38hoặc tương đương các nhà bệnh học,
-
11:38 - 11:41nhưng vì nó được xây dựng với
"học sâu" không có chuyên gia ngành y -
11:41 - 11:44nên những người không chuyên
cũng có thể dùng. -
11:45 - 11:47Ví dụ như việc phân đoạn nơ ron này.
-
11:47 - 11:51Máy giúp chúng tôi phân đoạn nơ ron
chính xác như các chuyên gia, -
11:51 - 11:54nhưng hệ thống này lại được thiết kế với
"học sâu" -
11:54 - 11:57bởi những người không có
chuyên môn y khoa. -
11:57 - 12:00Còn tôi, cũng không có nền tảng về y khoa,
-
12:00 - 12:04thế mà tôi dường như có đầy đủ năng lực
để mở một công ty về ngành y, -
12:04 - 12:06và tôi đã làm.
-
12:06 - 12:08Tôi đã từng sợ trước khi bắt đầu,
-
12:08 - 12:11nhưng lý thuyết cho thấy mọi người có thể
-
12:11 - 12:16dùng những kỹ thuật phân tích dữ liệu
để có được một nền y học hiệu quả. -
12:16 - 12:19Và may mắn là tôi nhận được
những phản hồi rất tốt, -
12:19 - 12:21không chỉ từ truyền thông
mà còn từ giới y khoa, -
12:21 - 12:23họ luôn ủng hộ.
-
12:23 - 12:27Về lý thuyết, chúng tôi có thể lấy phần
giữa của quy trình -
12:27 - 12:30và làm phân tích dữ liệu
càng nhiều càng tốt, -
12:30 - 12:33phần còn lại dành cho bác sĩ.
-
12:33 - 12:35Tôi muốn đưa ra một ví dụ.
-
12:35 - 12:40Thông thường ta cần 15 phút
để làm một xét nghiệm chẩn đoán -
12:40 - 12:42và tôi sẽ làm cho bạn xem
-
12:42 - 12:45tôi nén nó thành 3 phút
bằng cách cắt bớt bỏ một số phần. -
12:45 - 12:48Thay vì cho bạn xem quá trình
một xét nghiệm chẩn đoán y học, -
12:48 - 12:52tôi sẽ cho các bạn xem một xét nghiệm
chẩn đoán hình ảnh xe hơi, -
12:52 - 12:54vì như thế sẽ dễ hiểu cho mọi người.
-
12:54 - 12:57Chúng tôi bắt đầu với khoảng 1,5 triệu
hình ảnh xe hơi, -
12:57 - 13:00tôi muốn tạo tiêu chuẩn để
gom chúng lại vào góc -
13:00 - 13:03của bức hình đang được chụp.
-
13:03 - 13:07Những bức hình này không gắn nhãn trước,
nên tôi phải bắt đầu từ số không. -
13:07 - 13:08Giải thuật "học sâu"
-
13:08 - 13:12có thể tự xác định
vùng cấu trúc trong những bức ảnh này. -
13:12 - 13:16Rất thuận lợi, bây giờ con người
và máy tính có thể làm việc cùng nhau. -
13:16 - 13:18Như các bạn đang thấy đây, con người
-
13:18 - 13:21đang nói cho máy tính biết
lĩnh vực cần quan tâm -
13:21 - 13:25mà họ muốn máy tính sử dụng để
cải thiện giải thuật của nó. -
13:25 - 13:30Những hệ thống "học sâu" này thực ra là
không gian 16,000 chiều, -
13:30 - 13:33bạn có thể thấy ở đây máy tính quay
quanh không gian đó, -
13:33 - 13:35cố gắng tìm vùng mới của cấu trúc.
-
13:35 - 13:37Và khi nó làm thành công,
-
13:37 - 13:41người sử dụng máy có thể tìm thấy
khu vực đáng quan tâm. -
13:41 - 13:43Ở đây, máy tính đã tìm ra những vùng đó,
-
13:43 - 13:46ví dụ, các góc.
-
13:46 - 13:47Khi chúng tôi thực hiện,
-
13:47 - 13:50chúng tôi lần lượt nói cho máy tính
-
13:50 - 13:52các loại mảng cấu trúc
mà chúng tôi tìm kiếm. -
13:52 - 13:54Hãy liên tưởng xét nghiệm chuẩn đoán,
-
13:54 - 13:57ví dụ, một chuyên gia bệnh học
xác định những vùng của bệnh , -
13:57 - 14:02hoặc một bác sĩ X-quang cho thấy nốt sần
có thể gây phiền phức, -
14:02 - 14:05và đôi khi nó gây khó cho giải thuật.
-
14:05 - 14:07Trong trường hợp này, giải thuật hơi rối.
-
14:07 - 14:09Phần trước và sau của xe rất
giống nhau nên dễ nhầm. -
14:09 - 14:11Chúng tôi phải cẩn thận hơn,
-
14:11 - 14:15chọn bằng tay phần trước để thấy
sự khác biệt với phần sau, -
14:15 - 14:20sau đó bảo với máy tính rằng đây là
tiêu chuẩn nhận dạng nhóm -
14:20 - 14:22mà chúng tôi quan tâm.
-
14:22 - 14:24Chúng tôi làm điều đó,
thỉnh thoảng bỏ qua, -
14:24 - 14:26sau đó luyện tập giải thuật
cho "máy biết học" -
14:26 - 14:28dựa trên hàng trăm lần như thế này,
-
14:28 - 14:30chúng tôi hy vọng nó hoàn thiện hơn.
-
14:30 - 14:34Các bạn thấy đó, nó đang bắt đầu làm mờ
vài bức ảnh, -
14:34 - 14:38cho thấy rằng nó đã nhận ra cách
để hiểu những hình đó. -
14:38 - 14:41Chúng tôi có thể dùng khái niệm này cho
các bức ảnh tương tự, -
14:41 - 14:43và dùng các bức ảnh tương tự, bạn thấy đó,
-
14:43 - 14:47máy tính có thể tìm thấy
phần trước của chiếc xe. -
14:47 - 14:50Lúc này, con người có thể nói cho máy tính
-
14:50 - 14:52ok, đúng rồi, bạn đã làm rất tốt.
-
14:54 - 14:56Nhưng đôi khi, đối với máy
-
14:56 - 15:00việc tách các nhóm hình vẫn còn khó.
-
15:00 - 15:03Ngay cả khi chúng tôi để nhiều thời gian
cho máy tính xoay xở, -
15:03 - 15:07nhưng chúng tôi vẫn thấy phía trái
và phía phải bức ảnh -
15:07 - 15:08bị chọn nhầm lẫn.
-
15:08 - 15:10Để cho máy tính thêm vài gợi ý,
-
15:10 - 15:13chúng tôi nói: ok, hãy thử và tìm
một chi tiết -
15:13 - 15:16khác biệt rõ ràng nhất
giữa bên trái và bên phải -
15:16 - 15:18bằng giải thuật "học sâu" này.
-
15:18 - 15:21Và với gợi ý đó, à, nó đã thành công.
-
15:21 - 15:24Nó được giao nhiệm vụ tìm ra cách
nhận ra các đối tượng này -
15:24 - 15:26rồi tách rời chúng ra.
-
15:26 - 15:29Các bạn đã nắm được cách làm này.
-
15:29 - 15:37Trong trường hợp này máy tính
không thể thay con người, -
15:37 - 15:40nhưng cả hai làm việc chung với nhau.
-
15:40 - 15:43Điều chúng tôi đang làm là thay thế
những thứ mà trước đây cần một đội -
15:43 - 15:455 hoặc 6 người làm trong 7 năm
-
15:45 - 15:48bằng một công việc trong 15 phút
-
15:48 - 15:50của một người.
-
15:50 - 15:54Quá trình nhận ra và tách hình
được lặp lại 4 hoặc 5 lần. -
15:54 - 15:56Các bạn thấy chúng tôi có 62%
-
15:56 - 15:59trong số 1.5 triệu bức ảnh
được phân loại chính xác. -
15:59 - 16:01Và ở mức độ này, chúng tôi có thể
bắt đầu với -
16:01 - 16:03những nhóm lớn,
-
16:03 - 16:06kiểm tra chúng để bảo đảm không còn lỗi.
-
16:06 - 16:10Nơi nào có lỗi, chúng tôi sẽ cho
máy tính biết. -
16:10 - 16:13Và dùng dạng quá trình này cho từng nhóm
khác nhau, -
16:13 - 16:15bây giờ, chúng tôi đạt đến 80% tỉ lệ
thành công -
16:15 - 16:18trong việc phân loại 1.5 triệu tấm ảnh.
-
16:18 - 16:20Lúc này, với trường hợp
-
16:20 - 16:23tìm thấy những tấm
không được phân loại đúng, -
16:23 - 16:26chúng tôi cố gắng tìm hiểu lý do.
-
16:26 - 16:28Và sử dụng cách tiếp cận trên,
-
16:28 - 16:32với 15 phút chúng tôi đạt tỉ lệ phân loại
97%. -
16:32 - 16:37Vậy kỹ thuật này có thể cho chúng ta
chỉnh sửa một vấn đề lớn, -
16:37 - 16:40mà toàn bộ chuyên gia trên
thế giới cũng không đủ số để làm. -
16:40 - 16:43Diễn đàn Kinh tế Thế giới nói rằng
vào giữa thập kỷ 2010 và 2020 -
16:43 - 16:46số lượng bác sĩ bị thiếu
so với nhu cầu của thế giới, -
16:46 - 16:48và phải mất khoảng 300 năm
-
16:48 - 16:51để đào tạo đủ số nhân sự cho vấn đề này.
-
16:51 - 16:54Hãy tưởng tượng, liệu chúng ta có thể
nâng hiệu năng của họ -
16:54 - 16:56qua cách tiếp cận "học sâu"?
-
16:56 - 16:59Tôi rất thích việc tạo ra những cơ hội.
-
16:59 - 17:01Tôi cũng quan tâm đến
các vấn đề khó cần giải quyết. -
17:01 - 17:04Vấn đề ở đây là ở mỗi khu vực
màu xanh da trời trên bản đồ, -
17:04 - 17:08ngành dịch vụ chiếm 80% nhân lực.
-
17:08 - 17:10Ngành dịch vụ gì vậy?
-
17:10 - 17:11Các dịch vụ trong bảng này.
-
17:11 - 17:16Máy tính cũng vừa mới học
được cách làm các dịch vụ này. -
17:16 - 17:19Vậy công việc của 80% nhân lực
trong các nước phát triển -
17:19 - 17:22sẽ được máy tính học để làm thay.
-
17:22 - 17:23Điều đó có nghĩa là gì?
-
17:23 - 17:26À, sẽ ổn thôi.
Họ sẽ làm các công việc khác. -
17:26 - 17:29Ví dụ, sẽ có nhiều việc hơn cho
các nhà khoa học dữ liệu. -
17:29 - 17:30À cũng không hẳn.
-
17:30 - 17:33Vì các nhà khoa học dữ liệu
không cần nhiều thời gian nữa. -
17:33 - 17:36Ví dụ, bốn giải thuật này được xây dựng
bởi cùng một người. -
17:36 - 17:38Các bạn nghĩ chuyện này
đã xảy ra trước đây rồi, -
17:38 - 17:42trong quá khứ nhiều máy móc
được làm ra và tiếp theo là -
17:42 - 17:44và nhiều người đã phải
chuyển sang việc mới, -
17:44 - 17:46nhưng việc mới của thời nay này sẽ là gì?
-
17:46 - 17:48Thật khó để dự đoán được điều này,
-
17:48 - 17:51vì khả năng của con người
thì chỉ tăng từng bước, -
17:51 - 17:54nhưng với một hệ thống "học sâu",
-
17:54 - 17:57chúng ta có khả năng phát triển rất nhanh.
-
17:57 - 17:58Và chúng ta ở đây.
-
17:58 - 18:01Chúng ta thấy những thứ xung quanh
-
18:01 - 18:03và chúng ta nói: "Ôi, máy tính
vẫn ngốc lắm", lo gì ? -
18:03 - 18:07Nhưng trong 5 năm nữa, máy tính
sẽ không còn như vậy. -
18:07 - 18:11Chúng ta cần suy nghĩ tới
khả năng này ngay từ bây giờ. -
18:11 - 18:13Chúng ta thấy một lần
như vậy trước đây rồi. -
18:13 - 18:14Trong cách mạng công nghiệp,
-
18:14 - 18:17chúng ta đã thấy những thay đổi
nhờ các động cơ. -
18:18 - 18:21Mặc dù vậy, sau đó mọi thứ
trở nên bình thường. -
18:21 - 18:23Đã có vài đảo lộn trong xã hội,
-
18:23 - 18:26nhưng một khi động cơ được dùng
để tạo ra những thuận lợi cho cuộc sống, -
18:26 - 18:28thì mọi thứ đi vào ổn định.
-
18:28 - 18:30Cuộc cách mạng "máy biết học"
-
18:30 - 18:33sẽ rất khác với
Cuộc cách mạng công nghiệp, -
18:33 - 18:36vì Cách mạng "máy biết học sẽ
không bao giờ dừng lại. -
18:36 - 18:39Máy tính càng giỏi
trong các hoạt động trí tuệ, -
18:39 - 18:43thì chúng tạo nên những
máy tính càng thông minh hơn, -
18:43 - 18:45và đây chính là kiểu thay đổi
-
18:45 - 18:47mà thế giới chưa bao giờ trải qua,
-
18:47 - 18:51những phán đoán trước đây của bạn
có thể sẽ không chính xác. -
18:51 - 18:53Điều này tác động lên chính chúng ta.
-
18:53 - 18:56Trong 25 năm trước, khi năng suất
thiết bị tăng, -
18:56 - 19:01thì năng suất lao động không tăng,
mà thậm chí còn hơi giảm. -
19:01 - 19:04Tôi nghĩ chúng ta cần
thảo luận về vấn đề này từ bây giờ. -
19:04 - 19:07Khi tôi nói với mọi người
về tình hình này, -
19:07 - 19:09họ thường tỏ vẻ coi thường.
-
19:09 - 19:10Đúng, máy tính không thể suy nghĩ,
-
19:10 - 19:13chúng không có cảm xúc, không hiểu thơ ca,
-
19:13 - 19:16nhưng ta không lường
trước được cách chúng làm việc. -
19:16 - 19:17Vậy chuyện gì đây?
-
19:17 - 19:19Bây giờ, máy tính có thể làm
-
19:19 - 19:22những việc mà con người
cần cả đời để thực hiện, -
19:22 - 19:24đây là thời điểm để
chúng ta nghĩ tới -
19:24 - 19:28cách điều chỉnh cấu trúc xã hội
và cấu trúc kinh tế -
19:28 - 19:30để thận trọng với hiện thực mới này.
-
19:30 - 19:31Xin cảm ơn.
-
19:31 - 19:32(Tiếng vỗ tay)
- Title:
- Ứng dụng tuyệt vời hay đáng sợ của máy tính biết học
- Speaker:
- Jeremy Howard
- Description:
-
Điều gì sẽ xảy ra khi chúng ta dạy cho máy tính cách học? Chuyên gia công nghệ Jeremy Howard trình bày những phát triển đáng kinh ngạc về sự thay đổi chóng mặt của deep learning ("học sâu"), một kỹ thuật có thể cho máy tính khả năng học tiếng Trung, học cách nhận ra những đối tượng trong bức hình, học cách trợ giúp chuẩn đoán y khoa. (một công cụ "học sâu", sau vài giờ xem Youtube, đã tự học được khái niệm "mèo.") Hãy bắt kịp đà tiến bộ của máy tính, nó sẽ thay đổi cách ảnh hưởng trên chính hành vi của bạn ... đừng để mình bị bất ngờ và bị động trước những điều mà máy tính sẽ làm được.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Dimitra Papageorgiou approved Vietnamese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hồng Khánh Lê edited Vietnamese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hồng Khánh Lê edited Vietnamese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hồng Khánh Lê edited Vietnamese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hồng Khánh Lê accepted Vietnamese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hồng Khánh Lê edited Vietnamese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hồng Khánh Lê edited Vietnamese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Hồng Khánh Lê edited Vietnamese subtitles for The wonderful and terrifying implications of computers that can learn |