How we teach computers to understand pictures | Fei Fei Li

Μετάφραση: Christos Christodoulopoulos Επιμέλεια: Mary Keramida

Let me show you something.

Θέλω να σας δείξω κάτι.

(Video) Girl: Okay, that's a cat sitting in a bed.

(Βίντεο) Κορίτσι: ΟΚ, μια γάτα που κάθεται στο κρεβάτι.

The boy is petting the elephant.

Το αγόρι χαϊδεύει τον ελέφαντα.

Those are people that are going on an airplane.

Οι άνθρωποι ανεβαίνουν στο αεροπλάνο.

That's a big airplane.

Είναι ένα μεγάλο αεροπλάνο.

Fei-Fei Li: This is a three-year-old child

Φέι Φέι Λι: Αυτό είναι ένα τρίχρονο κορίτσι

describing what she sees in a series of photos.

που περιγράφει τι βλέπει σε μια σειρά από φωτογραφίες.

She might still have a lot to learn about this world,

Μπορεί να έχει να μάθει πολλά ακόμα για τον κόσμο,

but she's already an expert at one very important task:

αλλά είναι ήδη ειδική σε μια πολύ σημαντική εργασία:

to make sense of what she sees.

να καταλαβαίνει τι βλέπει.

Our society is more technologically advanced than ever.

Η κοινωνία μας τεχνολογικά είναι πιο προηγμένη από ποτέ.

We send people to the moon, we make phones that talk to us

Στέλνουμε ανθρώπους στο φεγγάρι, έχουμε τηλέφωνα που μας μιλάνε

or customize radio stations that can play only music we like.

ή ρυθμίζουμε ραδιοφωνικούς σταθμούς να παίζουν μόνο τη μουσική που μας αρέσει.

Yet, our most advanced machines and computers

Κι όμως, οι πιο προηγμένες μηχανές και υπολογιστές μας

still struggle at this task.

δυσκολεύονται ακόμα σε αυτή την εργασία.

So I'm here today to give you a progress report

Έτσι λοιπόν, είμαι εδώ σήμερα για να σας δώσω μια αναφορά προόδου

on the latest advances in our research in computer vision,

σχετικά με τις πρόσφατες εξελίξεις στον τομέα της μηχανικής όρασης,

one of the most frontier and potentially revolutionary

μια από τις πιο σημαντικές και πιθανότατα επαναστατικές

technologies in computer science.

τεχνολογίες της πληροφορικής.

Yes, we have prototyped cars that can drive by themselves,

Ναι, έχουμε πρωτότυπα αυτοκίνητα που οδηγούν αυτόνομα,

but without smart vision, they cannot really tell the difference

αλλά χωρίς «έξυπνη» όραση δεν μπορούν να καταλάβουν τη διαφορά

between a crumpled paper bag on the road, which can be run over,

μεταξύ μιας τσαλακωμένης σακούλας στο δρόμο, που μπορούν να «πατήσουν»,

and a rock that size, which should be avoided.

και μιας πέτρας με το ίδιο μέγεθος, που πρέπει να αποφύγουν.

We have made fabulous megapixel cameras,

Έχουμε εκπληκτικές κάμερες με ανάλυση μεγαπίξελ,

but we have not delivered sight to the blind.

αλλά δεν έχουμε δώσει όραση στους τυφλούς.

Drones can fly over massive land,

Τηλεκατευθυνόμενα αεροσκάφη μπορούν να πετάξουν πάνω από τεράστια εδάφη

but don't have enough vision technology

αλλά δεν έχουν αρκετή τεχνολογία όρασης

to help us to track the changes of the rainforests.

για να μας βοηθήσουν να παρακολουθήσουμε τις αλλαγές στα τροπικά δάση.

Security cameras are everywhere,

Κάμερες ασφαλείας είναι παντού,

but they do not alert us when a child is drowning in a swimming pool.

αλλά δεν μας προειδοποιούν όταν ένα παιδί πνίγεται στην πισίνα.

Photos and videos are becoming an integral part of global life.

Φωτογραφίες και βίντεο γίνονται ολοένα πιο σημαντικό κομμάτι της παγκόσμιας ζωής.

They're being generated at a pace that's far beyond what any human,

Δημιουργούνται με τέτοιο ρυθμό που είναι πέρα απ' ότι ένας άνθρωπος

or teams of humans, could hope to view,

ή μια ομάδα ανθρώπων μπορούν να δουν,

and you and I are contributing to that at this TED.

και εσείς και εγώ συνεισφέρουμε σε αυτό, εδώ στο TED.

Yet our most advanced software is still struggling at understanding

Κι όμως, το πιο προηγμένο λογισμικό μας δυσκολεύεται ακόμα να καταλάβει

and managing this enormous content.

και να διαχειριστεί αυτές τις τεράστιες ποσότητες περιεχομένου.

So in other words, collectively as a society,

Με άλλα λόγια, συλλογικά σαν κοινωνία,

we're very much blind,

είμαστε βασικά τυφλοί,

because our smartest machines are still blind.

γιατί οι πιο «έξυπνες» μηχανές μας είναι ακόμα τυφλές.

"Why is this so hard?" you may ask.

«Γιατί είναι τόσο δύσκολο;» μπορεί να ρωτήσετε.

Cameras can take pictures like this one

Οι κάμερες μπορούν να τραβήξουν φωτογραφίες όπως αυτή

by converting lights into a two-dimensional array of numbers

μετατρέποντας το φως σε δισδιάστατους πίνακες αριθμών

known as pixels,

που λέγονται πίξελ,

but these are just lifeless numbers.

αλλά αυτοί είναι άψυχοι αριθμοί.

They do not carry meaning in themselves.

Δεν έχουν νόημα από μόνοι τους.

Just like to hear is not the same as to listen,

Όπως το να αντιλαμβάνεσαι έναν ήχο δεν είναι σαν να τον καταλαβαίνεις,

to take pictures is not the same as to see,

το να βγάζεις φωτογραφίες δεν είναι το ίδιο με το να βλέπεις,

and by seeing, we really mean understanding.

και λέγοντας «βλέπω» εννοούμε «καταλαβαίνω».

In fact, it took Mother Nature 540 million years of hard work

Πράγματι, η Φύση χρειάστηκε 540 εκατομμύρια χρόνια σκληρής δουλειάς

to do this task,

για να καταφέρει αυτό το έργο,

and much of that effort

και η περισσότερη προσπάθεια

went into developing the visual processing apparatus of our brains,

αφιερώθηκε στην ανάπτυξη του οπτικού μηχανισμού του εγκεφάλου μας

not the eyes themselves.

και όχι στα ίδια τα μάτια.

So vision begins with the eyes,

Η όραση λοιπόν ξεκινάει με τα μάτια,

but it truly takes place in the brain.

αλλά πραγματικά λαμβάνει χώρα στον εγκέφαλο.

So for 15 years now, starting from my Ph.D. at Caltech

Εδώ και 15 χρόνια, από το διδακτορικό μου στο Πανεπιστήμιο της Καλιφόρνια

and then leading Stanford's Vision Lab,

και ύστερα ως επικεφαλής του κέντρου όρασης του Στάνφορντ,

I've been working with my mentors, collaborators and students

δουλεύω με τους μέντορες, συνεργάτες και φοιτητές μου

to teach computers to see.

προσπαθώντας να μάθω τους υπολογιστές να βλέπουν.

Our research field is called computer vision and machine learning.

Το ερευνητικό μας πεδίο λέγεται υπολογιστική όραση και μηχανική μάθηση.

It's part of the general field of artificial intelligence.

Είναι κομμάτι του γενικότερου πεδίου της τεχνητής νοημοσύνης.

So ultimately, we want to teach the machines to see just like we do:

Τελικά, θέλουμε να διδάξουμε τις μηχανές να δουν ακριβώς όπως εμείς:

naming objects, identifying people, inferring 3D geometry of things,

να ονομάζουν αντικείμενα, να αναγνωρίζουν ανθρώπους και αντικείμενα στον χώρο,

understanding relations, emotions, actions and intentions.

να καταλαβαίνουν σχέσεις, συναισθήματα, δράσεις και προθέσεις.

You and I weave together entire stories of people, places and things

Εσείς και εγώ συνυφαίνουμε ολόκληρες ιστορίες ανθρώπων, τόπων και πραγμάτων

the moment we lay our gaze on them.

τη στιγμή που τα πρωτοβλέπουμε.

The first step towards this goal is to teach a computer to see objects,

Το πρώτο βήμα προς αυτό το στόχο είναι να μάθουμε τον υπολογιστή να δει πράγματα,

the building block of the visual world.

τα δομικά στοιχεία του οπτικού μας κόσμου.

In its simplest terms, imagine this teaching process

Στην πιο απλή της εκδοχή, φανταστείτε την εκπαιδευτική διαδικασία ως εξής:

as showing the computers some training images

δείχνουμε στον υπολογιστή μερικές εικόνες εκμάθησης

of a particular object, let's say cats,

ενός συγκεκριμένου αντικειμένου, ας πούμε γάτες,

and designing a model that learns from these training images.

και σχεδιάζουμε ένα μοντέλο που μαθαίνει από αυτές τις εικόνες.

How hard can this be?

Πόσο δύσκολο μπορεί να είναι;

After all, a cat is just a collection of shapes and colors,

Στο κάτω κάτω, μια γάτα είναι απλά μια συλλογή από σχήματα και χρώματα,

and this is what we did in the early days of object modeling.

και αυτό ακριβώς κάναμε τα πρώτα χρόνια της μοντελοποίησης αντικειμένων.

We'd tell the computer algorithm in a mathematical language

Λέγαμε στον αλγόριθμο του υπολογιστή, σε μαθηματική γλώσσα,

that a cat has a round face, a chubby body,

ότι η γάτα έχει ένα στρογγυλό πρόσωπο, ένα παχουλό σώμα,

two pointy ears, and a long tail,

δύο μυτερά αυτιά και μια μακριά ουρά,

and that looked all fine.

και αυτό έμοιαζε μια χαρά.

But what about this cat?

Αλλά αυτή η γάτα;

(Laughter)

(Γέλια)

It's all curled up.

Είναι κουλουριασμένη.

Now you have to add another shape and viewpoint to the object model.

Τώρα πρέπει να προσθέσουμε άλλο ένα σχήμα και άλλη μια άποψη στο μοντέλο μας.

But what if cats are hidden?

Κι αν η γάτα κρύβεται;

What about these silly cats?

Και αυτές οι χαζούλες γάτες;

Now you get my point.

Βλέπετε το πρόβλημα.

Even something as simple as a household pet

Ακόμα και κάτι τόσο απλό όσο ένα κατοικίδιο

can present an infinite number of variations to the object model,

μπορεί να παρουσιάσει έναν άπειρο αριθμό παραλλαγών στο μοντέλο,

and that's just one object.

και αυτό είναι μόνο ένα αντικείμενο.

So about eight years ago,

Πριν από οκτώ χρόνια,

a very simple and profound observation changed my thinking.

μια πολύ απλή και βαθιά παρατήρηση άλλαξε τον τρόπο σκέψης μου.

No one tells a child how to see,

Κανένας δεν λέει σε ένα παιδί πώς να δει,

especially in the early years.

κυριώς τα πρώτα χρόνια.

They learn this through real-world experiences and examples.

Μαθαίνουν μέσα από εμπειρίες και παραδείγματα του πραγματικού κόσμου.

If you consider a child's eyes

Αν σκεφτούμε τα μάτια του παιδιού

as a pair of biological cameras,

σαν ένα ζευγάρι από βιολογικές κάμερες,

they take one picture about every 200 milliseconds,

βγάζουν περίπου μία φωτογραφία κάθε 200 χιλιοστά του δευτερολέπτου,

the average time an eye movement is made.

που είναι ο μέσος χρόνος που χρειάζεται για μια κίνηση του ματιού.

So by age three, a child would have seen hundreds of millions of pictures

Έτσι, ένα παιδί τριών ετών θα έχει δει εκατοντάδες εκατομμύρια φωτογραφίες

of the real world.

του πραγματικού κόσμου.

That's a lot of training examples.

Αυτά είναι πολλά παραδείγματα εκμάθησης.

So instead of focusing solely on better and better algorithms,

Αντί λοιπόν να εστιάζουμε μόνο σε ολοένα και καλύτερους αλγόριθμους,

my insight was to give the algorithms the kind of training data

η ιδέα μου ήταν να δώσω στους αλγόριθμους το είδος των εκπαιδευτικών δεδομένων

that a child was given through experiences

που ένα παιδί αποκτά μέσω εμπειρίας

in both quantity and quality.

τόσο σε ποσότητα όσο και σε ποιότητα.

Once we know this,

Όταν το καταλάβαμε

we knew we needed to collect a data set

ξέραμε ότι έπρεπε να συλλέξουμε ένα σετ δεδομένων

that has far more images than we have ever had before,

που περιείχε πολύ περισσότερες φωτογραφίες από όσες είχαμε προηγουμένως,

perhaps thousands of times more,

ίσως χιλιάδες φορές περισσότερες,

and together with Professor Kai Li at Princeton University,

και μαζί με τον καθηγητή Κάι Λι στο Πανεπιστήμιο του Πρίνστον

we launched the ImageNet project in 2007.

ξεκινήσαμε το πρόγραμμα ImageNet το 2007.

Luckily, we didn't have to mount a camera on our head

Ευτυχώς, δε χρειάστηκε να φορέσουμε κάμερες στο κεφάλι μας

and wait for many years.

και να περιμένουμε πολλά χρόνια.

We went to the Internet,

Πήγαμε στο Διαδίκτυο,

the biggest treasure trove of pictures that humans have ever created.

το μεγαλύτερο θησαυροφυλάκιο εικόνων που έχουν ποτέ κατασκευάσει οι άνθρωποι.

We downloaded nearly a billion images

«Κατεβάσαμε» σχεδόν ένα δισεκατομμύριο εικόνες

and used crowdsourcing technology like the Amazon Mechanical Turk platform

και χρησιμοποιήσαμε τεχνολογίες «υπηρεσιών πλήθους» όπως η πλατφόρμα της Άμαζον

to help us to label these images.

για να μας βοηθήσουν να ονομάσουμε αυτές τις εικόνες.

At its peak, ImageNet was one of the biggest employers

Στην αιχμή του, το ImageNet ήταν ένας από τους μεγαλύτερους εργοδότες

of the Amazon Mechanical Turk workers:

της πλατφόρμας της Άμαζον:

together, almost 50,000 workers

όλοι μαζί, σχεδόν 50.000 εργαζόμενοι

from 167 countries around the world

από 167 χώρες από όλο τον κόσμο

helped us to clean, sort and label

μας βοήθησαν να καθαρίσουμε, να κατατάξουμε και να ονομάσουμε

nearly a billion candidate images.

σχεδόν ένα δισεκατομμύριο υποψήφιες φωτογραφίες.

That was how much effort it took

Τόση προσπάθεια χρειάστηκε

to capture even a fraction of the imagery

για να καταγράψουμε ένα ψήγμα των παραστάσεων

a child's mind takes in in the early developmental years.

που προσλαμβάνει το μυαλό ενός παιδιού στα πρώτα χρόνια της ανάπτυξης.

In hindsight, this idea of using big data

Εκ των υστέρων, η ιδέα της χρήσης μαζικών δεδομένων

to train computer algorithms may seem obvious now,

για την εκπαίδευση υπολογιστών μπορεί να μοιάζει προφανής,

but back in 2007, it was not so obvious.

αλλά το 2007 δεν ήταν τόσο προφανής.

We were fairly alone on this journey for quite a while.

Ήμασταν μόνοι μας σε αυτό το ταξίδι για αρκετό καιρό.

Some very friendly colleagues advised me to do something more useful for my tenure,

Μερικοί συνάδελφοι με συμβούλευσαν να κάνω κάτι πιο χρήσιμο για να πάρω μονιμότητα,

and we were constantly struggling for research funding.

και είχαμε διαρκώς προβλήματα χρηματοδότησης.

Once, I even joked to my graduate students

Μια φορά, είπα για πλάκα στους μεταπτυχιακούς φοιτητές μου

that I would just reopen my dry cleaner's shop to fund ImageNet.

ότι θα άνοιγα ξανά το καθαριστήριό μου για να χρηματοδοτήσω το ImageNet.

After all, that's how I funded my college years.

Στο κάτω κάτω, έτσι χρηματοδότησα τις σπουδές μου.

So we carried on.

Έτσι λοιπόν συνεχίσαμε.

In 2009, the ImageNet project delivered

Το 2009, το ΙmageNet παρέδωσε

a database of 15 million images

μια βάση δεδομένων με 15 εκατομμύρια φωτογραφίες

across 22,000 classes of objects and things

που ανήκαν σε 22.000 κατηγορίες αντικειμένων και πραγμάτων

organized by everyday English words.

οργανωμένες με καθημερινές αγγλικές λέξεις.

In both quantity and quality,

Τόσο σε ποσότητα όσο και σε ποιότητα,

this was an unprecedented scale.

ήταν μια ανεπανάληπτη κλίμακα.

As an example, in the case of cats,

Για παράδειγμα, όσον αφορά τις γάτες,

we have more than 62,000 cats

έχουμε περισσότερες από 62.000 γάτες

of all kinds of looks and poses

με διαφορετικές εμφανίσεις και πόζες

and across all species of domestic and wild cats.

και όλα τα είδη, κατοικίδιες και άγριες.

We were thrilled to have put together ImageNet,

Ήμασταν πανευτυχείς που ολοκληρώσαμε το ImageNet,

and we wanted the whole research world to benefit from it,

και θέλαμε να επωφεληθεί όλος ο ερευνητικός κόσμος,

so in the TED fashion, we opened up the entire data set

κι έτσι, σύμφωνα με το πνεύμα του TED, διαθέσαμε ολόκληρη τη βάση δεδομένων

to the worldwide research community for free.

στην παγκόσμια ερευνητική κοινότητα, δωρεάν.

(Applause)

(Χειροκρότημα)

Now that we have the data to nourish our computer brain,

Τώρα που έχουμε τα δεδομένα για να καλλιεργήσουμε το υπολογιστικό μας μυαλό,

we're ready to come back to the algorithms themselves.

είμαστε έτοιμοι να ξαναγυρίσουμε στους αλγόριθμους.

As it turned out, the wealth of information provided by ImageNet

Όπως αποδείχθηκε, ο πλούτος πληροφορίας που παρέχεται από το ImageNet

was a perfect match to a particular class of machine learning algorithms

ήταν το τέλειο ταίρι για μια συγκεκριμένη κλάση αλγόριθμων μηχανικής μάθησης

called convolutional neural network,

που ονομάζονται συνελικτικά νευρωνικά δίκτυα,

pioneered by Kunihiko Fukushima, Geoff Hinton, and Yann LeCun

που αναπτύχθηκε απ' τους Τζεφ Χίντον, Κουνιχίκο Φουκοσίμα και Γιάν ΛεΚούν

back in the 1970s and '80s.

στις δεκαετίες του '70 και το '80.

Just like the brain consists of billions of highly connected neurons,

Όπως ο εγκέφαλος αποτελείται από δισεκατομμύρια διασυνδεδεμένους νευρώνες,

a basic operating unit in a neural network

η βασική λειτουργική ενότητα σε ένα νευρωνικό δίκτυο

is a neuron-like node.

είναι ένας κόμβος-νευρώνας.

It takes input from other nodes

Δέχεται σήματα εισόδου από άλλους κόμβους

and sends output to others.

και στέλνει σήματα εξόδου σε άλλους.

Moreover, these hundreds of thousands or even millions of nodes

Επιπλέον, αυτοί οι εκατοντάδες χιλιάδες ή εκατομμύρια κόμβοι

are organized in hierarchical layers,

είναι οργανωμένοι σε ιεραρχικά στρώμματα,

also similar to the brain.

επίσης παρόμοια με αυτά του εγκεφάλου.

In a typical neural network we use to train our object recognition model,

Ένα τυπικό νευρωνικό δίκτυο που χρησιμοποιούμε για να εκπαιδεύσουμε

το μοντέλο αναγνώρισης αντικειμένων, έχει 24 εκατομμύρια κόμβους,

it has 24 million nodes,

140 million parameters,

140 εκατομμύρια παραμέτρους

and 15 billion connections.

και 15 δισεκατομμύρια συνδέσεις.

That's an enormous model.

Είναι ένα τεράστιο μοντέλο.

Powered by the massive data from ImageNet

Ωθούμενο από τα μαζικά δεδομένα του ImageNet

and the modern CPUs and GPUs to train such a humongous model,

και από σύγχρονους μικροεπεξεργαστές για την εκμάθηση αυτού του μοντέλου,

the convolutional neural network

το συνελικτικό νευρωνικό δίκτυο

blossomed in a way that no one expected.

«άνθισε» με τρόπο που κανείς δεν περίμενε.

It became the winning architecture

Έγινε η νικήτρια αρχιτεκτονική

to generate exciting new results in object recognition.

που γέννησε συναρπαστικά αποτελέσματα στην αναγνώριση αντικειμένων.

This is a computer telling us

Αυτός είναι ένας υπολογιστής που μας λέει

this picture contains a cat

ότι αυτή η εικόνα περιέχει μια γάτα

and where the cat is.

και πού βρίσκεται αυτή η γάτα.

Υπάρχουν κι άλλα πράγματα εκτός από γάτες,

Of course there are more things than cats,

so here's a computer algorithm telling us

εδώ ο αλγόριθμος μας λέει

the picture contains a boy and a teddy bear;

ότι η εικόνα περιέχει ένα αγόρι και ένα αρκουδάκι,

a dog, a person, and a small kite in the background;

έναν σκύλο, έναν άνθρωπο και έναν μικρό χαρταετό στο βάθος,

or a picture of very busy things

ή μια εικόνα με πολλά πράγματα

like a man, a skateboard, railings, a lampost, and so on.

όπως ένας άντρας, ένα σκέιτμπορντ, κάγκελα, μια κολώνα και λοιπά.

Sometimes, when the computer is not so confident about what it sees,

Μερικές φορές, όταν ο υπολογιστής δεν είναι και τόσο σίγουρος για το τι βλέπει,

we have taught it to be smart enough

του μάθαμε να είναι αρκετά έξυπνος

to give us a safe answer instead of committing too much,

ώστε να μας δίνει μια ασφαλή απάντηση αντί να δεσμευτεί σε κάτι συγκεκριμένο,

just like we would do,

όπως ακριβώς θα κάναμε και εμείς,

but other times our computer algorithm is remarkable at telling us

και άλλες φορές ο αλγόριθμος είναι τόσο ικανός στο να μας λέει

what exactly the objects are,

ακριβώς τι είναι το κάθε αντικείμενο,

like the make, model, year of the cars.

όπως τη μάρκα, το μοντέλο και τη χρονιά των αυτοκινήτων.

We applied this algorithm to millions of Google Street View images

Εφαρμόσαμε αυτόν τον αλγόριθμο σε εκατομμύρια εικόνες του Google Street View

across hundreds of American cities,

σε εκατοντάδες πόλεις της Αμερικής,

and we have learned something really interesting:

και μάθαμε κάτι πολύ ενδιαφέρον:

first, it confirmed our common wisdom

πρώτον, επιβεβαιώσαμε κάτι που ήταν κοινώς γνωστό

that car prices correlate very well

ότι οι τιμές αυτοκινήτων συσχετίζονται πολύ καλά

with household incomes.

με το εισόδημα των νοικοκυριών.

But surprisingly, car prices also correlate well

Αλλά αναπάντεχα, οι τιμές των αυτοκινήτων επίσης συσχετίζονται καλά

with crime rates in cities,

με την εγκληματικότητα στις πόλεις,

ή με την κατανομή ψήφων ανά ταχυδρομικό κώδικα.

or voting patterns by zip codes.

Μισό λεπτό. Αυτό είναι;

So wait a minute. Is that it?

Has the computer already matched or even surpassed human capabilities?

Ο υπολογιστής έφτασε ή ξεπέρασε τις ανθρώπινες δυνατότητες;

Not so fast.

Όχι τόσο γρήγορα.

So far, we have just taught the computer to see objects.

Μέχρι τώρα, έχουμε μάθει στον υπολογιστή μόνο να βλέπει αντικείμενα.

This is like a small child learning to utter a few nouns.

Είναι σαν ένα μικρό παιδί που μαθαίνει να προφέρει μερικά ουσιαστικά.

It's an incredible accomplishment,

Είναι ένα απίστευτο επίτευγμα,

but it's only the first step.

αλλά είναι μόνο το πρώτο βήμα.

Soon, another developmental milestone will be hit,

Σύντομα, θα έρθουμε σε ένα άλλο ορόσημο της ανάπτυξης,

and children begin to communicate in sentences.

και τα παιδιά αρχίζουν να επικοινωνούν με προτάσεις.

So instead of saying this is a cat in the picture,

Αντί να πει ότι στην εικόνα είναι μια γάτα

you already heard the little girl telling us this is a cat lying on a bed.

ακούσατε ήδη το κοριτσάκι να μας λέει ότι η γάτα είναι ξαπλωμένη στο κρεβάτι.

So to teach a computer to see a picture and generate sentences,

Για να μάθουμε τον υπολογιστή να βλέπει μια εικόνα και να παράγει προτάσεις,

the marriage between big data and machine learning algorithm

ο «γάμος» των μαζικών δεδομένων και των αλγόριθμων μηχανικής μάθησης

has to take another step.

πρέπει να κάνει ένα ακόμα βήμα.

Now, the computer has to learn from both pictures

Τώρα, ο υπολογιστής πρέπει να μάθει από εικόνες

as well as natural language sentences

αλλά και από προτάσεις φυσικού λόγου

generated by humans.

που έχουν παράγει άνθρωποι.

Just like the brain integrates vision and language,

Ακριβώς όπως ο εγκέφαλος ενσωματώνει όραση και γλώσσα,

we developed a model that connects parts of visual things

αναπτύξαμε ένα μοντέλο που συνδέει μέρη οπτικών αντικειμένων,

like visual snippets

σαν οπτικά αποσπάσματα,

with words and phrases in sentences.

με λέξεις και φράσεις προτάσεων.

About four months ago,

Πριν από περίπου τέσσερις μήνες,

we finally tied all this together

συνθέσαμε όλα αυτά τα κομμάτια

and produced one of the first computer vision models

και δημιουργήσαμε ένα από τα πρώτα μοντέλα υπολογιστικής όρασης

that is capable of generating a human-like sentence

ικανό να παράγει φυσικές προτάσεις

when it sees a picture for the first time.

την πρώτη φορά που βλέπει μια εικόνα.

Now, I'm ready to show you what the computer says

Τώρα, είμαι έτοιμη να σας δείξω τι λέει ο υπολογιστής

when it sees the picture

όταν βλέπει την εικόνα

that the little girl saw at the beginning of this talk.

που είδε το κορίτσι στην αρχή της ομιλίας.

(Video) Computer: A man is standing next to an elephant.

(Βίντεο) Υπολογιστής: Ένας άντρας στέκεται δίπλα σε έναν ελέφαντα.

A large airplane sitting on top of an airport runway.

Ένα μεγάλο αεροπλάνο βρίσκεται πάνω σε έναν αεροδιάδρομο.

FFL: Of course, we're still working hard to improve our algorithms,

Φέι-Φέι Λι: Φυσικά, δουλεύουμε σκληρά για να βελτιώσουμε τον αλγόριθμό μας,

and it still has a lot to learn.

και έχει να μάθει ακόμα πολλά.

(Applause)

(Χειροκρότημα)

And the computer still makes mistakes.

Και ο υπολογιστής ακόμα κάνει λάθη.

(Video) Computer: A cat lying on a bed in a blanket.

(Βίντεο) Υπολογιστής: Μια γάτα είναι ξαπλωμένη στο κρεβάτι με μια κουβέρτα.

FFL: So of course, when it sees too many cats,

Φέι-Φέι Λι: Φυσικά, αφού έχει δει τόσες πολλές γάτες,

it thinks everything might look like a cat.

νομίζει ότι τα πάντα μοιάζουν με γάτες.

(Video) Computer: A young boy is holding a baseball bat.

(Βίντεο) Υπολογιστής: Ένα αγόρι κρατάει ένα ρόπαλο του μπέιζμπολ.

(Laughter)

(Γέλια)

FFL: Or, if it hasn't seen a toothbrush, it confuses it with a baseball bat.

ΦΦΛ: Ή αν δεν έχει δει οδοντόβουρτσες τις μπερδεύει με ρόπαλα του μπέιζμπολ.

(Βίντεο) Υπολογιστής: Ένας άντρας ιππεύει ένα άλογο στο δρόμο δίπλα σε ένα κτίριο.

(Video) Computer: A man riding a horse down a street next to a building.

(Laughter)

(Γέλια)

FFL: We haven't taught Art 101 to the computers.

Φέι-Φέι Λι: Δεν έχουμε μάθει στους υπολογιστές τα βασικά για τις τέχνες.

(Video) Computer: A zebra standing in a field of grass.

(Βίντεο) Υπολογιστής: Μια ζέβρα στέκεται σε ένα λιβάδι.

FFL: And it hasn't learned to appreciate the stunning beauty of nature

Φέι-Φέι Λι: Δεν έχει μάθει να εκτιμά την εκπληκτική ομορφιά της φύσης

like you and I do.

όπως εσείς και εγώ.

So it has been a long journey.

Ήταν ένα μεγάλο ταξίδι.

To get from age zero to three was hard.

Το να πάμε από τις ηλικίες 0 μέχρι 3 ήταν δύσκολο.

The real challenge is to go from three to 13 and far beyond.

Η πραγματική πρόκληση είναι να πάμε από τα 3 στα 13 και παραπέρα.

Let me remind you with this picture of the boy and the cake again.

Θέλω να σας υπενθυμήσω με αυτή την εικόνα του παιδιού και της τούρτας.

So far, we have taught the computer to see objects

Μέχρι τώρα, έχουμε διδάξει τον υπολογιστή να βλέπει αντικείμενα

or even tell us a simple story when seeing a picture.

και ακόμα να μπορεί να μας πει μια ιστορία όταν βλέπει μια εικόνα.

(Video) Computer: A person sitting at a table with a cake.

(Βίντεο) Υπολογιστής: Κάποιος κάθεται σε ένα τραπέζι με ένα κέικ.

FFL: But there's so much more to this picture

ΦΦΛ: Άλλα υπάρχουν κι άλλα πράγματα σε αυτή την εικόνα

than just a person and a cake.

εκτός από τον άνθρωπο και το κέικ.

What the computer doesn't see is that this is a special Italian cake

Αυτό που δεν βλέπει ο υπολογιστής είναι ότι αυτό είναι ένα ειδικό ιταλικό κέικ

that's only served during Easter time.

που σερβίρεται μόνο κατά την περίοδο του Πάσχα.

The boy is wearing his favorite t-shirt

Το αγόρι φοράει την αγαπημένη του μπλούζα

given to him as a gift by his father after a trip to Sydney,

που του την έφερε ο πατέρας του από ένα ταξίδι στο Σίδνεϊ,

and you and I can all tell how happy he is

και εμείς μπορούμε να δούμε πόσο χαρούμενο είναι

and what's exactly on his mind at that moment.

και τι ακριβώς σκέφτεται αυτή τη στιγμή.

This is my son Leo.

Αυτός είναι ο γιος μου, ο Λέο.

On my quest for visual intelligence,

Στην αναζήτησή μου για οπτική νοημοσύνη

I think of Leo constantly

σκέφτομαι τον Λέο συνέχεια

and the future world he will live in.

και τον μελλοντικό κόσμο στον οποίο θα ζήσει.

When machines can see,

Όταν οι μηχανές θα μπορούν να δουν,

doctors and nurses will have extra pairs of tireless eyes

οι γιατροί και νοσοκόμοι θα έχουν ένα ζευγάρι ακούραστα μάτια

to help them to diagnose and take care of patients.

να τους βοηθάνε να διαγνώσουν και να φροντίσουν τους ασθενείς τους.

Cars will run smarter and safer on the road.

Τα αυτοκίνητα θα οδηγούν πιο έξυπνα και πιο ασφαλή στο δρόμο.

Robots, not just humans,

Ρομπότ, όχι μόνο άνθρωποι,

will help us to brave the disaster zones to save the trapped and wounded.

θα μας βοηθάνε σε ζώνες καταστροφής να σώσουμε εγκλωβισμένους και τραυματίες.

We will discover new species, better materials,

Θα ανακαλύψουμε καινούργια είδη, καλύτερα υλικά,

and explore unseen frontiers with the help of the machines.

και θα εξερευνήσουμε αόρατα σύνορα με τη βοήθεια των μηχανών.

Little by little, we're giving sight to the machines.

Σιγά-σιγά δίνουμε όραση στις μηχανές.

First, we teach them to see.

Πρώτα, θα τους μάθουμε να βλέπουν.

Then, they help us to see better.

Μετά, θα μας βοηθήσουν να δούμε καλύτερα.

For the first time, human eyes won't be the only ones

Για πρώτη φορά, τα ανθρώπινα μάτια δεν θα είναι τα μόνα

pondering and exploring our world.

που μελετούν και εξερευνούν τον κόσμο.

We will not only use the machines for their intelligence,

Δεν θα χρησιμοποιούμε τις μηχανές μόνο για τη νοημοσύνη τους,

we will also collaborate with them in ways that we cannot even imagine.

θα συνεργαζόμαστε με τρόπους που δεν μπορούμε να φανταστούμε.

This is my quest:

Αυτός είναι ο στόχος μου:

to give computers visual intelligence

να δώσω στους υπολογιστές οπτική νοημοσύνη

and to create a better future for Leo and for the world.

και να φτιάξω ένα καλύτερο μέλλον για τον Λέο και για τον κόσμο.

Thank you.

Σας ευχαριστώ.

(Applause)

(Χειροκρότημα)