The wonderful and terrifying implications of computers that can learn | Jeremy Howard

Μετάφραση: Lucas Kaimaras Επιμέλεια: Chryssa Takahashi

It used to be that if you wanted to get a computer to do something new,

Ήταν σύνηθες, αν θέλατε ένας υπολογιστής να κάνει κάτι νέο,

you would have to program it.

έπρεπε να τον προγραμματίσετε.

Now, programming, for those of you here that haven't done it yourself,

Ο προγραμματισμός βέβαια, για όσους δεν έχετε ασχοληθεί,

requires laying out in excruciating detail

απαιτεί να καταχωρήσεις με εξωφρενική λεπτομέρεια

every single step that you want the computer to do

κάθε ξεχωριστό βήμα που θέλετε να κάνει ο υπολογιστής

in order to achieve your goal.

για να πετύχετε το σκοπό σας.

Now, if you want to do something that you don't know how to do yourself,

Και αν θέλετε να κάνετε κάτι που δεν ξέρετε να το κάνετε ο ίδιος,

then this is going to be a great challenge.

αυτό είναι σοβαρό πρόβλημα.

So this was the challenge faced by this man, Arthur Samuel.

Αυτό ήταν το πρόβλημα του Άρθουρ Σάμιουελ.

In 1956, he wanted to get this computer

Το 1956 ήθελε να κάνει αυτό τον υπολογιστή

to be able to beat him at checkers.

να μπορεί να τον νικάει στη ντάμα.

How can you write a program,

Πώς μπορείς να γράψεις πρόγραμμα,

lay out in excruciating detail, how to be better than you at checkers?

να καταχωρήσεις με πλήρη λεπτομέρεια, πώς να γίνει καλύτερος από σένα στη ντάμα;

So he came up with an idea:

Έτσι είχε μια ιδέα:

he had the computer play against itself thousands of times

έβαλε τον υπολογιστή να παίξει ενάντια στον εαυτό του χιλιάδες φορές

and learn how to play checkers.

και να μάθει να παίζει ντάμα.

And indeed it worked, and in fact, by 1962,

Πραγματικά είχε αποτέλεσμα και έως το 1962

this computer had beaten the Connecticut state champion.

ο υπολογιστής είχε νικήσει τον πρωταθλητή της πολιτείας Κονέκτικατ.

So Arthur Samuel was the father of machine learning,

Έτσι ο Άρθουρ Σάμιουελ ήταν ο πατέρας της μηχανικής μάθησης,

and I have a great debt to him,

και του χρωστάω πολλά,

because I am a machine learning practitioner.

επειδή ασχολούμαι με την εφαρμογή της μηχανικής μάθησης.

I was the president of Kaggle,

Ήμουν πρόεδρος της Kaggle,

a community of over 200,000 machine learning practictioners.

μια κοινότητα άνω των 200.000 ατόμων που ασχολούνται με τη μηχανική μάθηση.

Kaggle puts up competitions

Η Kaggle οργανώνει διαγωνισμούς

to try and get them to solve previously unsolved problems,

για τη λύση άλυτων προβλημάτων,

and it's been successful hundreds of times.

και σημείωσε επιτυχίες εκατοντάδες φορές.

So from this vantage point, I was able to find out

Από αυτή την πλεονεκτική θέση μπόρεσα να ανακαλύψω πολλά

a lot about what machine learning can do in the past, can do today,

σχετικά με το τι έκανε η μηχανική μάθηση στο παρελθόν, τι μπορεί να κάνει σήμερα,

and what it could do in the future.

και τι θα μπορεί να κάνει στο μέλλον.

Perhaps the first big success of machine learning commercially was Google.

Ίσως η πρώτη εμπορικά μεγάλη επιτυχία της μηχανικής μάθησης ήταν η Google.

Google showed that it is possible to find information

Η Google απέδειξε ότι ήταν δυνατόν να βρεθούν πληροφορίες

by using a computer algorithm,

με ένα αλγόριθμο υπολογιστή,

and this algorithm is based on machine learning.

και αυτός ο αλγόριθμος βασίζεται στη μηχανική μάθηση.

Since that time, there have been many commercial successes of machine learning.

Από τότε έχουν υπάρξει πολλές εμπορικές επιτυχίες της μηχανικής μάθησης.

Companies like Amazon and Netflix

Εταιρείες όπως η Amazon και η Netflix

use machine learning to suggest products that you might like to buy,

χρησιμοποιούν τη μηχανική μάθηση για να προτείνουν προϊόντα ν' αγοράσετε,

movies that you might like to watch.

ταινίες που θα θέλατε να δείτε.

Sometimes, it's almost creepy.

Μερικές φορές γίνεται ανατριχιαστικό.

Companies like LinkedIn and Facebook

Εταιρείες όπως η LinkedIn και το Facebook

sometimes will tell you about who your friends might be

μερικές φορές σας λένε ποιοι μπορεί να είναι φίλοι σας

and you have no idea how it did it,

και δεν έχετε ιδέα πώς τα κατάφεραν,

and this is because it's using the power of machine learning.

και το κάνουν με τη δύναμη της μηχανικής μάθησης.

These are algorithms that have learned how to do this from data

Αυτοί είναι αλγόριθμοι που έμαθαν να το κάνουν από τα δεδομένα

rather than being programmed by hand.

παρά από προγραμματισμό με το χέρι.

This is also how IBM was successful

Έτσι κατάφερε και η IBM

in getting Watson to beat the two world champions at "Jeopardy,"

να νικήσει o Γουότσον τους δύο παγκόσμιους πρωταθλητές του «Jeopardy»

answering incredibly subtle and complex questions like this one.

απαντώντας απίστευτα πονηρές και περίπλοκες ερωτήσεις όπως αυτή.

["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"]

[«Το "Λιοντάρι του Νεμρώδ" εξαφανίστηκε από το μουσείο αυτής της πόλης το 2003»]

This is also why we are now able to see the first self-driving cars.

Γι' αυτό έχουμε πλέον τα πρώτα αυτοκίνητα που οδηγούν μόνα τους.

Αν θέλεις να μπορείς να δεις τη διαφορά, ας πούμε,

If you want to be able to tell the difference between, say,

a tree and a pedestrian, well, that's pretty important.

ανάμεσα σε ένα δένδρο και έναν πεζό, αυτό είναι πολύ σημαντικό.

We don't know how to write those programs by hand,

Δεν ξέρουμε να γράφουμε τέτοια προγράμματα με το χέρι,

but with machine learning, this is now possible.

αλλά με τη μηχανική μάθηση αυτό είναι πλέον δυνατόν.

Αυτό το αυτοκίνητο έχει οδηγήσει πάνω από 1.600.000 χιλιόμετρα

And in fact, this car has driven over a million miles

without any accidents on regular roads.

σε κανονικό δρόμο χωρίς καθόλου ατυχήματα.

So we now know that computers can learn,

Έτσι ξέρουμε ότι οι υπολογιστές μπορούν να μαθαίνουν,

and computers can learn to do things

και μπορούν να μάθουν να κάνουν πράγματα

that we actually sometimes don't know how to do ourselves,

που μερικές φορές ούτε κι εμείς ξέρουμε να κάνουμε,

or maybe can do them better than us.

ή μπορούν να τα κάνουν καλύτερα από εμάς.

One of the most amazing examples I've seen of machine learning

Ένα εκπληκτικό παράδειγμα της μηχανικής μάθησης που έχω δει

happened on a project that I ran at Kaggle

έγινε σε ένα πρόγραμμα που έκανα στην Kaggle,

where a team run by a guy called Geoffrey Hinton

όπου μια ομάδα υπό κάποιον ονόματι Τζέφρι Χίντον

from the University of Toronto

από το Πανεπιστήμιο του Τορόντο,

won a competition for automatic drug discovery.

κέρδισε έναν διαγωνισμό για αυτόματη ανακάλυψη φαρμάκου.

Now, what was extraordinary here is not just that they beat

Αυτό όμως που είναι αξιοσημείωτο δεν είναι ότι νίκησαν

all of the algorithms developed by Merck or the international academic community,

όλους τους αλγόριθμους της Μέρκ ή της διεθνούς ακαδημαϊκής κοινότητας,

but nobody on the team had any background in chemistry or biology or life sciences,

αλλά ότι κανείς στην ομάδα δεν είχε γνώσεις χημείας, βιολογίας ή ιατρικής,

and they did it in two weeks.

και τα κατάφεραν μέσα σε δύο εβδομάδες.

How did they do this?

Πώς τα κατάφεραν;

They used an extraordinary algorithm called deep learning.

Χρησιμοποίησαν έναν ασυνήθιστο αλγόριθμο που λέγεται βαθιά μάθηση.

So important was this that in fact the success was covered

Ήταν τόσο σημαντικό που η επιτυχία καλύφθηκε

in The New York Times in a front page article a few weeks later.

σε πρωτοσέλιδο των Τάιμς της Νέας Υόρκης μερικές εβδομάδες μετά.

This is Geoffrey Hinton here on the left-hand side.

Ο Τζέφρι Χίντον είναι εδώ αριστερά.

Deep learning is an algorithm inspired by how the human brain works,

Η βαθιά μάθηση είναι ένας αλγόριθμος εμπνευσμένος από το ανθρώπινο μυαλό,

and as a result it's an algorithm

συνεπώς είναι ένας αλγόριθμος

which has no theoretical limitations on what it can do.

που θεωρητικά δεν έχει όρια στο τι μπορεί να κάνει.

The more data you give it and the more computation time you give it,

Όσο περισσότερα δεδομένα και χρόνο υπολογισμού του δίνεις,

the better it gets.

τόσο καλύτερος γίνεται.

The New York Times also showed in this article

Οι Τάιμς της Νέας Υόρκης έδειξαν επίσης στο άρθρο

another extraordinary result of deep learning

άλλο ένα ασυνήθιστο αποτέλεσμα της βαθιάς μάθησης

which I'm going to show you now.

που θα σας δείξω τώρα.

It shows that computers can listen and understand.

Δείχνει ότι οι υπολογιστές μπορούν να ακούν και να καταλαβαίνουν.

(Video) Richard Rashid: Now, the last step

(Βίντεο) Ρίτσαρντ Ράσιντ: Τώρα το τελευταίο βήμα

that I want to be able to take in this process

που θέλω να κάνω σε αυτή τη διαδικασία

is to actually speak to you in Chinese.

είναι να σας μιλήσω κανονικά στα Κινέζικα.

Now the key thing there is,

Το μυστικό εδώ είναι ότι,

we've been able to take a large amount of information from many Chinese speakers

μπορέσαμε να πάρουμε μεγάλη ποσότητα πληροφοριών από ομιλητές της Κινεζικής

and produce a text-to-speech system

και να φτιάξουμε ένα σύστημα μετατροπής κειμένου σε ομιλία

that takes Chinese text and converts it into Chinese language,

που μετατρέπει Κινέζικο λόγο από γραπτό σε προφορικό,

and then we've taken an hour or so of my own voice

και μετά χρειαστήκαμε καμιά ώρα με τη δική μου φωνή

and we've used that to modulate

για να μπορέσουμε να ρυθμίσουμε

the standard text-to-speech system so that it would sound like me.

το βασικό σύστημα μετατροπής λόγου ώστε να ακούγεται σαν εμένα.

Again, the result's not perfect.

Και πάλι το αποτέλεσμα δεν ήταν τέλειο.

There are in fact quite a few errors.

Υπήρχαν μερικά λαθάκια.

(In Chinese)

(Στα Κινέζικα)

(Applause)

(Χειροκρότημα)

There's much work to be done in this area.

Χρειάζεται να γίνουν πολλά σε αυτό τον τομέα.

(In Chinese)

(Στα Κινέζικα)

(Applause)

(Χειροκρότημα)

Jeremy Howard: Well, that was at a machine learning conference in China.

Τζέρεμι Χάουαρντ: Αυτό ήταν σε συνέδριο μηχανικής μάθησης στην Κίνα.

It's not often, actually, at academic conferences

Δεν συμβαίνει συχνά σε ακαδημαϊκά συνέδρια

that you do hear spontaneous applause,

να έχεις τόσο αυθόρμητες επευφημίες,

although of course sometimes at TEDx conferences, feel free.

αλλά μιας και είμαστε σε συνάντηση TED, μην περιορίζεστε.

Everything you saw there was happening with deep learning.

Όλα όσα είδατε εκεί συνέβησαν με τη βαθιά μάθηση.

(Applause) Thank you.

(Χειροκρότημα) Ευχαριστώ.

The transcription in English was deep learning.

Η μεταγραφή στα Αγγλικά έγινε από τη βαθιά μάθηση.

The translation to Chinese and the text in the top right, deep learning,

Η μετάφραση στα Κινέζικα, το κείμενο πάνω δεξιά,

and the construction of the voice was deep learning as well.

και η σύνθεση της φωνής έγιναν από τη βαθιά μάθηση επίσης.

So deep learning is this extraordinary thing.

Η βαθιά μάθηση είναι κάτι ξεχωριστό.

It's a single algorithm that can seem to do almost anything,

Είναι ένας αλγόριθμος που μοιάζει να μπορεί να κάνει τα πάντα,

and I discovered that a year earlier, it had also learned to see.

και ανακάλυψα ότι πριν ένα χρόνο είχε επίσης μάθει να βλέπει.

In this obscure competition from Germany

Σε έναν δυσνόητο διαγωνισμό στη Γερμανία

called the German Traffic Sign Recognition Benchmark,

σχετικά με την αναγνώριση οδικής σήμανσης,

deep learning had learned to recognize traffic signs like this one.

η βαθιά μάθηση έμαθε να αναγνωρίζει οδικά σήματα όπως αυτό.

Not only could it recognize the traffic signs

Όχι μόνο αναγνώριζε τα οδικά σήματα

better than any other algorithm,

καλύτερα από κάθε άλλο αλγόριθμο,

the leaderboard actually showed it was better than people,

στον πίνακα αποτελεσμάτων σημείωσε βαθμολογία

δύο φορές καλύτερη από τους ανθρώπους.

about twice as good as people.

So by 2011, we had the first example

Έτσι έως το 2011,

είχαμε το πρώτο παράδειγμα υπολογιστή που μπορεί να δει καλύτερα από άνθρωπο.

of computers that can see better than people.

Since that time, a lot has happened.

Από τότε έγιναν πολλά.

In 2012, Google announced that they had a deep learning algorithm

Το 2012 η Google ανακοίνωσε ότι ο αλγόριθμος βαθιά μάθηση

watch YouTube videos

έβλεπε βίντεο του YouTube

and crunched the data on 16,000 computers for a month,

και διάβαζε δεδομένα από 16.000 υπολογιστές για ένα μήνα,

and the computer independently learned about concepts such as people and cats

και ο υπολογιστής έμαθε από μόνος του έννοιες όπως «άνθρωπος και «γάτα»,

just by watching the videos.

απλώς βλέποντας τα βίντεο.

This is much like the way that humans learn.

Μοιάζει πολύ με τον τρόπο που μαθαίνουν οι άνθρωποι.

Humans don't learn by being told what they see,

Δεν μαθαίνουμε όταν κάποιος μας λέει τι να δούμε,

but by learning for themselves what these things are.

αλλά μαθαίνοντας από μόνοι μας τι είναι αυτά τα πράγματα.

Also in 2012, Geoffrey Hinton, who we saw earlier,

Επίσης το 2012 ο Τζέφρι Χίντον που είδαμε νωρίτερα

won the very popular ImageNet competition,

κέρδισε στον δημοφιλή διαγωνισμό ImageNet,

looking to try to figure out from one and a half million images

προσπαθώντας να βρει μέσα από 1,5 εκατομμύριο εικόνες

what they're pictures of.

τι απεικονίζουν.

As of 2014, we're now down to a six percent error rate

Από το 2014 έχουμε πέσει στο 6% ποσοστό σφάλματος

in image recognition.

στην αναγνώριση εικόνας.

This is better than people, again.

Και πάλι καλύτερα από τον άνθρωπο.

So machines really are doing an extraordinarily good job of this,

Οι μηχανές τα καταφέρνουν πολύ καλά σε αυτό τον τομέα,

and it is now being used in industry.

και πλέον χρησιμοποιείται στη βιομηχανία.

For example, Google announced last year

Για παράδειγμα, η Google ανακοίνωσε πέρυσι

that they had mapped every single location in France in two hours,

ότι χαρτογράφησαν ολόκληρη τη Γαλλία μέσα σε δύο ώρες,

and the way they did it was that they fed street view images

και το έκαναν εισάγοντας φωτογραφίες από την τεχνολογία Street View

into a deep learning algorithm to recognize and read street numbers.

σε έναν αλγόριθμο βαθιάς μάθησης ώστε να αναγνωρίζει την αρίθμηση των οδών.

Imagine how long it would have taken before:

Φανταστείτε πόσο θα έπαιρνε παλιότερα:

dozens of people, many years.

πλήθος ανθρώπων, πολλά χρόνια.

This is also happening in China.

Συμβαίνει επίσης στην Κίνα.

Baidu is kind of the Chinese Google, I guess,

Η Baidu είναι θα λέγαμε η αντίστοιχη Google της Κίνας

and what you see here in the top left

και εδώ πάνω αριστερά βλέπετε ένα παράδειγμα

is an example of a picture that I uploaded to Baidu's deep learning system,

από μια φωτογραφία που μεταφόρτωσα στο σύστημα βαθιάς μάθησης της Baidu,

and underneath you can see that the system has understood what that picture is

και από κάτω βλέπετε ότι το σύστημα αναγνώρισε τη φωτογραφία

and found similar images.

και βρήκε και παρόμοιες.

The similar images actually have similar backgrounds,

Οι παρόμοιες εικόνες έχουν παρόμοιο φόντο,

similar directions of the faces,

παρόμοιο προσανατολισμό των προσώπων,

even some with their tongue out.

μερικές ακόμα και με τη γλώσσα έξω.

This is not clearly looking at the text of a web page.

Αυτό σαφώς δεν είναι σαν να βλέπεις κείμενο σε ιστοσελίδα.

All I uploaded was an image.

Μόνο μια φωτογραφία ανέβασα.

So we now have computers which really understand what they see

Έχουμε λοιπόν υπολογιστές που πράγματι καταλαβαίνουν τι βλέπουν

και γι' αυτό μπορούν να ερευνήσουν βάσεις δεδομένων

and can therefore search databases

of hundreds of millions of images in real time.

εκατοντάδων εκατομμυρίων εικόνων σε πραγματικό χρόνο.

So what does it mean now that computers can see?

Τι σημασία έχει ότι οι υπολογιστές μπορούν να βλέπουν;

Well, it's not just that computers can see.

Λοιπόν, δεν είναι μόνο αυτό.

In fact, deep learning has done more than that.

Η βαθιά μάθηση έκανε περισσότερα.

Complex, nuanced sentences like this one

Περίπλοκες προτάσεις με λεπτές έννοιες, όπως αυτή εδώ,

are now understandable with deep learning algorithms.

μπορούν πλέον να κατανοηθούν από τον αλγόριθμο.

As you can see here,

Όπως βλέπετε εδώ,

this Stanford-based system showing the red dot at the top

το σύστημα του Στάνφορντ στην κόκκινη κουκκίδα στην κορυφή

has figured out that this sentence is expressing negative sentiment.

κατάλαβε ότι αυτή η πρόταση εκφράζει αρνητικό συναίσθημα.

Deep learning now in fact is near human performance

Η βαθιά μάθηση όντως πλησιάζει την ανθρώπινη επίδοση

at understanding what sentences are about and what it is saying about those things.

στο να καταλαβαίνουν το κεντρικό θέμα και το γενικό περιεχόμενο μιας πρότασης.

Also, deep learning has been used to read Chinese,

Η βαθιά μάθηση χρησιμοποιήθηκε επίσης για την ανάγνωση Κινέζικων

again at about native Chinese speaker level.

και πάλι στο επίπεδο του Κινέζου φυσικού ομιλητή.

This algorithm developed out of Switzerland

Αυτός ο αλγόριθμος εξελίχθηκε από ομάδα Ελβετών,

by people, none of whom speak or understand any Chinese.

κανείς εκ των οποίων δεν μιλούσε ή καταλάβαινε Κινέζικα.

As I say, using deep learning

Όπως είπα, η χρήση της βαθιάς μάθησης

is about the best system in the world for this,

είναι το καλύτερο σύστημα στον κόσμο γι' αυτό,

even compared to native human understanding.

συγκρινόμενο ακόμα και με την ανθρώπινη κατανόηση.

This is a system that we put together at my company

Είναι ένα σύστημα που φτιάχνουμε στην εταιρεία μου

which shows putting all this stuff together.

που δείχνει πώς συντίθενται όλα τα μέρη.

These are pictures which have no text attached,

Αυτές είναι εικόνες χωρίς κείμενο,

and as I'm typing in here sentences,

και καθώς πληκτρολογώ κείμενο,

in real time it's understanding these pictures

σε πραγματικό χρόνο κατανοεί αυτές τις εικόνες,

and figuring out what they're about

αντιλαμβάνεται το θέμα τους,

and finding pictures that are similar to the text that I'm writing.

και βρίσκει παρόμοιες φωτογραφίες με το κείμενο που γράφω.

So you can see, it's actually understanding my sentences

Άρα ουσιαστικά καταλαβαίνει τις προτάσεις μου

and actually understanding these pictures.

και καταλαβαίνει αυτές τις εικόνες.

I know that you've seen something like this on Google,

Ξέρω ότι έχετε δει κάτι τέτοιο στη Google,

where you can type in things and it will show you pictures,

όπου πληκτρολογείτε κάτι και σας δείχνει εικόνες,

but actually what it's doing is it's searching the webpage for the text.

αλλά στην πραγματικότητα ψάχνει στην ιστοσελίδα για κείμενο.

This is very different from actually understanding the images.

Αυτό είναι πολύ διαφορετικό από το να κατανοείς τις εικόνες.

This is something that computers have only been able to do

Αυτό το κατάφεραν οι υπολογιστές

for the first time in the last few months.

για πρώτη φορά πριν λίγους μήνες.

Έτσι οι υπολογιστές, όχι μόνο βλέπουν, αλλά μπορούν και να διαβάσουν,

So we can see now that computers can not only see but they can also read,

and, of course, we've shown that they can understand what they hear.

και φυσικά δείξαμε ότι καταλαβαίνουν ό,τι ακούνε.

Perhaps not surprising now that I'm going to tell you they can write.

Ίσως δεν σας εκπλήξει να σας πω ότι μπορούν να γράφουν.

Here is some text that I generated using a deep learning algorithm yesterday.

Εδώ είναι κείμενο που παρήγαγα χθες με έναν αλγόριθμο βαθιάς μάθησης.

And here is some text that an algorithm out of Stanford generated.

Και αυτό είναι κείμενο που παρήγαγε ένας αλγόριθμος του Στάνφορντ.

Each of these sentences was generated

Κάθε πρόταση δημιουργήθηκε

by a deep learning algorithm to describe each of those pictures.

από έναν αλγόριθμο βαθιάς μάθησης για να περιγράψει καθεμιά από τις εικόνες.

This algorithm before has never seen a man in a black shirt playing a guitar.

Ο αλγόριθμος δεν είχε ξαναδεί άνθρωπο με μαύρο πουκάμισο να παίζει κιθάρα.

It's seen a man before, it's seen black before,

Είχε ξαναδεί άνθρωπο, είχε ξαναδεί μαύρο,

it's seen a guitar before,

είχε ξαναδεί κιθάρα,

but it has independently generated this novel description of this picture.

αλλά από μόνος του έφτιαξε αυτή τη νέα περιγραφή για την εικόνα.

We're still not quite at human performance here, but we're close.

Εδώ δεν φτάσαμε την ανθρώπινη απόδοση αλλά πλησιάζουμε.

In tests, humans prefer the computer-generated caption

Στις δοκιμές, οι άνθρωποι προτιμούν τις ετικέτες που φτιάχτηκαν από υπολογιστή

one out of four times.

μία στις τέσσερις φορές.

Now this system is now only two weeks old,

Αυτό το σύστημα είναι μόνο δύο εβδομάδων,

so probably within the next year,

άρα μάλλον εντός του επόμενου έτους,

the computer algorithm will be well past human performance

ο αλγόριθμος θα έχει ξεπεράσει την ανθρώπινη επίδοση

at the rate things are going.

με τους τρέχοντες ρυθμούς.

So computers can also write.

Άρα οι υπολογιστές μπορούν και να γράφουν.

So we put all this together and it leads to very exciting opportunities.

Βάζοντάς τα όλα μαζί οδεύουμε σε εκπληκτικές δυνατότητες.

For example, in medicine,

Για παράδειγμα, στην ιατρική,

a team in Boston announced that they had discovered

μια ομάδα στη Βοστόνη ανακοίνωσε ότι ανακάλυψαν

dozens of new clinically relevant features

μεγάλο αριθμό νέων κλινικά σχετικών χαρακτηριστικών όγκων

of tumors which help doctors make a prognosis of a cancer.

που θα βοηθήσει τους γιατρούς στην πρόγνωση του καρκίνου.

Very similarly, in Stanford,

Παρομοίως στο Στάνφορντ,

a group there announced that, looking at tissues under magnification,

μια ομάδα ανακοίνωσε ότι, εξετάζοντας ιστούς σε μεγέθυνση,

they've developed a machine learning-based system

εξέλιξαν ένα σύστημα μηχανικής μάθησης

which in fact is better than human pathologists

που είναι όντως καλύτερο από τους ανθρώπους παθολόγους

at predicting survival rates for cancer sufferers.

στην πρόβλεψη των ποσοστών επιβίωσης των πασχόντων από καρκίνο.

In both of these cases, not only were the predictions more accurate,

Και στις δύο περιπτώσεις, όχι μόνο έκαναν ακριβέστερη πρόβλεψη,

but they generated new insightful science.

αλλά παρήγαγαν πιο διορατική γνώση.

In the radiology case,

Στην περίπτωση της ακτινολογίας,

they were new clinical indicators that humans can understand.

υπήρξαν νέες κλινικές ενδείξεις που οι άνθρωποι θα καταλάβουν.

In this pathology case,

Σε αυτή την παθολογική περίπτωση,

the computer system actually discovered that the cells around the cancer

το σύστημα στον υπολογιστή ανακάλυψε ότι τα κύτταρα γύρω από τον όγκο

are as important as the cancer cells themselves

είναι το ίδιο σημαντικά όσο τα καρκινικά κύτταρα

in making a diagnosis.

για τη διάγνωση.

This is the opposite of what pathologists had been taught for decades.

Αυτό είναι αντίθετο από όσα διδάσκονταν οι παθολόγοι για δεκαετίες.

In each of those two cases, they were systems developed

Σε καθεμιά από τις δύο περιπτώσεις, ήταν συστήματα που αναπτύχθηκαν

by a combination of medical experts and machine learning experts,

από συνδυασμό ειδικών στην ιατρική και ειδικών στη μηχανική μάθηση,

but as of last year, we're now beyond that too.

αλλά από πέρυσι, το έχουμε ξεπεράσει και αυτό.

This is an example of identifying cancerous areas

Εδώ έχουμε παράδειγμα εντοπισμού καρκινικής περιοχής

of human tissue under a microscope.

σε ανθρώπινο ιστό κάτω από το μικροσκόπιο.

The system being shown here can identify those areas more accurately,

Το σύστημα μπορεί να εντοπίσει αυτές τις περιοχές ακριβέστερα,

or about as accurately, as human pathologists,

ή περίπου με την ίδια ακρίβεια όσο οι παθολόγοι,

but was built entirely with deep learning using no medical expertise

αλλά έγινε εξολοκλήρου με τη βαθιά μάθηση, χωρίς ιατρική τεχνογνωσία,

by people who have no background in the field.

από ανθρώπους χωρίς προϋπηρεσία στον χώρο αυτό.

Similarly, here, this neuron segmentation.

Παρόμοια εδώ, αυτή η κατάτμηση νευρώνα.

We can now segment neurons about as accurately as humans can,

Μπορούμε πλέον να κατατμήσουμε νευρώνες με την ίδια ακρίβεια όπως οι άνθρωποι,

but this system was developed with deep learning

αλλά με σύστημα που αναπτύχθηκε με τη βαθιά μάθηση

using people with no previous background in medicine.

και ανθρώπους που δεν είχαν καμία σχέση με την ιατρική.

So myself, as somebody with no previous background in medicine,

Συνεπώς εγώ ο ίδιος, πλήρως άσχετος με την ιατρική,

I seem to be entirely well qualified to start a new medical company,

φαίνεται να έχω όλα τα προσόντα να φτιάξω μια ιατροφαρμακευτική εταιρεία,

which I did.

πράγμα που έκανα.

I was kind of terrified of doing it,

Αρχικά φοβόμουν να το κάνω,

but the theory seemed to suggest that it ought to be possible

αλλά θεωρητικά φαινόταν εφικτό

to do very useful medicine using just these data analytic techniques.

να φτιάξω χρήσιμα φάρμακα χρησιμοποιώντας μόνο τεχνικές ανάλυσης δεδομένων.

And thankfully, the feedback has been fantastic,

Ευτυχώς τα σχόλια ήταν άκρως ενθαρρυντικά.

not just from the media but from the medical community,

όχι μόνο από τα μέσα αλλά και από την ιατρική κοινότητα,

who have been very supportive.

που με στήριξε πολύ.

The theory is that we can take the middle part of the medical process

Θεωρητικά μπορούμε να πάρουμε την μέση φάση της ιατρικής διαδικασίας

and turn that into data analysis as much as possible,

και να αναλύσουμε τα δεδομένα της στο μέγιστο δυνατό βαθμό,

leaving doctors to do what they're best at.

αφήνοντας τους γιατρούς να κάνουν αυτό που ξέρουν καλύτερα.

I want to give you an example.

Θα σας δώσω ένα παράδειγμα.

It now takes us about 15 minutes to generate a new medical diagnostic test

Τώρα μας παίρνει 15 λεπτά να βγάλουμε ένα νέο διαγνωστικό τεστ

and I'll show you that in real time now,

και θα το δείτε σε πραγματικό χρόνο,

but I've compressed it down to three minutes by cutting some pieces out.

αλλά το συμπίεσα σε τρία λεπτά παραλείποντας κάποια κομμάτια.

Rather than showing you creating a medical diagnostic test,

Αντί για τη δημιουργία ενός ιατρικού διαγνωστικού τεστ,

I'm going to show you a diagnostic test of car images,

θα σας δείξω ένα διαγνωστικό τεστ από εικόνες αυτοκινήτων,

because that's something we can all understand.

επειδή είναι κάτι που όλοι καταλαβαίνουμε.

So here we're starting with about 1.5 million car images,

Ξεκινάμε με περίπου 1,5 εκατομμύριο εικόνες αυτοκινήτων

and I want to create something that can split them into the angle

και θέλω να φτιάξω κάτι που θα τις χωρίσει

of the photo that's being taken.

ανάλογα με τη γωνία λήψης της φωτογραφίας.

So these images are entirely unlabeled, so I have to start from scratch.

Οι εικόνες δεν έχουν καθόλου κείμενο, έτσι αρχίζω από το μηδέν.

With our deep learning algorithm,

Με τον αλγόριθμο βαθιάς γνώσης

it can automatically identify areas of structure in these images.

μπορεί αυτόματα να εντοπίσει περιοχές δομής μέσα στις εικόνες.

So the nice thing is that the human and the computer can now work together.

Είναι καλό που άνθρωπος και υπολογιστής μπορούν να συνεργαστούν.

So the human, as you can see here,

Ο άνθρωπος που βλέπετε εδώ

is telling the computer about areas of interest

λέει στον υπολογιστή για τις περιοχές ενδιαφέροντος

which it wants the computer then to try and use to improve its algorithm.

που θέλει να χρησιμοποιήσει ο υπολογιστής για να βελτιώσει τον αλγόριθμό του.

Now, these deep learning systems actually are in 16,000-dimensional space,

Τα συστήματα αυτά είναι σε διάστημα 16.000 διαστάσεων,

so you can see here the computer rotating this through that space,

έτσι βλέπετε τον υπολογιστή να το περιστρέφει σε αυτό το διάστημα,

trying to find new areas of structure.

προσπαθώντας να βρει νέες περιοχές δομής.

And when it does so successfully,

Και όταν το κάνει με επιτυχία,

the human who is driving it can then point out the areas that are interesting.

τότε ο ανθρώπινος χειριστής μπορεί να δείξει τις περιοχές ενδιαφέροντος.

So here, the computer has successfully found areas,

Εδώ ο υπολογιστής βρήκε επιτυχώς περιοχές,

for example, angles.

για παράδειγμα, κάποιες γωνίες.

So as we go through this process,

Κατά τη διάρκεια της διαδικασίας,

we're gradually telling the computer more and more

σταδιακά λέμε στον υπολογιστή όλο και περισσότερα

about the kinds of structures we're looking for.

για το είδος των δομών που ψάχνουμε.

You can imagine in a diagnostic test

Φανταστείτε ότι στο διαγνωστικό τεστ

this would be a pathologist identifying areas of pathosis, for example,

θα είναι ο παθολόγος που δείχνει τις επικίνδυνες περιοχές,

or a radiologist indicating potentially troublesome nodules.

ή ο ακτινολόγος να δείχνει τους εν δυνάμει ανησυχητικούς όζους.

And sometimes it can be difficult for the algorithm.

Μερικές φορές ο αλγόριθμος δυσκολεύεται.

In this case, it got kind of confused.

Εδώ έχει μπερδευτεί λίγο.

The fronts and the backs of the cars are all mixed up.

Τα μπρος και πίσω μέρη των αυτοκινήτων έχουν μπλεχτεί.

So here we have to be a bit more careful,

Τότε πρέπει να προσέξουμε λίγο περισσότερο

manually selecting these fronts as opposed to the backs,

επιλέγοντας χειροκίνητα αυτά τα μπρος από εκείνα τα πίσω μέρη,

then telling the computer that this is a type of group

και μετά λέγοντας στον υπολογιστή ότι αυτά είναι ένα είδος ομάδας

that we're interested in.

που μας ενδιαφέρει.

So we do that for a while, we skip over a little bit,

Το κάνουμε για λίγο, παραλείπουμε λίγο εδώ,

and then we train the machine learning algorithm

και μετά εκπαιδεύουμε τον αλγόριθμο βαθιά μάθηση

based on these couple of hundred things,

με βάση αυτά τα διακόσια περίπου πράγματα,

and we hope that it's gotten a lot better.

και ελπίζουμε ότι βελτιώθηκε.

You can see, it's now started to fade some of these pictures out,

Μπορείτε να δείτε ότι θολώνει κάποια μέρη των εικόνων,

showing us that it already is recognizing how to understand some of these itself.

δείχνοντάς μας ότι ήδη καταλαβαίνει πώς να αναγνωρίζει κάποια μέρη μόνος του.

We can then use this concept of similar images,

Μπορούμε να χρησιμοποιήσουμε το σχέδιο με τις παρόμοιες εικόνες,

and using similar images, you can now see,

και έτσι εδώ μπορείτε να δείτε

the computer at this point is able to entirely find just the fronts of cars.

ο υπολογιστής τώρα μπορεί ολοκληρωτικά να βρίσκει μόνο τα μπροστινά μέρη.

So at this point, the human can tell the computer,

Σε αυτό το σημείο ο άνθρωπος μπορεί να λέει στον υπολογιστή,

okay, yes, you've done a good job of that.

εντάξει, μια χαρά τα πας.

Sometimes, of course, even at this point

Φυσικά κάποιες φορές, ακόμα και σε αυτό το σημείο

it's still difficult to separate out groups.

είναι ακόμα δύσκολο να διακρίνει τις ομάδες.

In this case, even after we let the computer try to rotate this for a while,

Εδώ, ακόμη και αφού ο υπολογιστής το έχει περιστρέψει κάμποσο,

we still find that the left sides and the right sides pictures

ακόμα οι εικόνες αριστερής και δεξιάς πλευράς

are all mixed up together.

είναι ανάμικτες.

So we can again give the computer some hints,

Έτσι δίνουμε στον υπολογιστή κάποιες οδηγίες,

and we say, okay, try and find a projection that separates out

και του λέμε να βρει μια προβολή που να διαχωρίζει

the left sides and the right sides as much as possible

κατά το δυνατόν τις δεξιές από τις αριστερές πλευρές

using this deep learning algorithm.

χρησιμοποιώντας τον αλγόριθμο βαθιάς γνώσης.

And giving it that hint -- ah, okay, it's been successful.

Με αυτή την οδηγία -- ωραία, είχε αποτέλεσμα.

It's managed to find a way of thinking about these objects

Κατάφερε να βρει τρόπο σκέψης σχετικά με αυτά τα αντικείμενα

that's separated out these together.

ώστε να τα διαχωρίσει.

So you get the idea here.

Καταλαβαίνετε λοιπόν πώς γίνεται.

This is a case not where the human is being replaced by a computer,

Αυτή δεν είναι περίπτωση που ο υπολογιστής αντικαθιστά τον άνθρωπο,

but where they're working together.

αλλά όπου συνεργάζονται.

What we're doing here is we're replacing something that used to take a team

Εδώ αντικαθιστούμε κάτι που χρειαζόταν μια ομάδα

of five or six people about seven years

πέντε ή έξι ατόμων για σχεδόν επτά χρόνια,

and replacing it with something that takes 15 minutes

και το αντικαθιστούμε με κάτι που χρειάζεται 15 λεπτά

for one person acting alone.

για ένα άτομο που δουλεύει μόνο του.

So this process takes about four or five iterations.

Έτσι η διαδικασία αφαιρεί τέσσερις ή πέντε επαναληπτικές φάσεις.

You can see we now have 62 percent

Βλέπετε ότι τώρα έχουμε 62%

of our 1.5 million images classified correctly.

από 1,5 εκατομμύριο εικόνες ορθά ταξινομημένες.

And at this point, we can start to quite quickly

Και σε αυτό το σημείο, μπορούμε αρκετά γρήγορα

grab whole big sections,

να μαρκάρουμε μεγάλα τμήματα,

check through them to make sure that there's no mistakes.

να τα τσεκάρουμε ώστε να μην έχουν λάθη.

Where there are mistakes, we can let the computer know about them.

Όπου υπάρχουν σφάλματα, ενημερώνουμε τον υπολογιστή.

And using this kind of process for each of the different groups,

Και με αυτή τη διαδικασία για κάθε ομάδα,

we are now up to an 80 percent success rate

έχουμε φτάσει σε ένα ποσοστό επιτυχίας 80%

in classifying the 1.5 million images.

στην ταξινόμηση 1,5 εκατομμυρίου εικόνων.

And at this point, it's just a case

Είμαστε στη φάση όπου

of finding the small number that aren't classified correctly,

παίρνουμε τις λίγες εικόνες που δεν ταξινομήθηκαν σωστά

and trying to understand why.

και προσπαθούμε να βρούμε τον λόγο.

And using that approach,

Με αυτή την προσέγγιση,

by 15 minutes we get to 97 percent classification rates.

σε 15 λεπτά φτάνουμε το 97% στον ρυθμό ταξινόμησης.

So this kind of technique could allow us to fix a major problem,

Αυτή η τεχνική θα βοηθήσει να διορθώσουμε ένα σοβαρό πρόβλημα,

which is that there's a lack of medical expertise in the world.

την ανεπάρκεια ειδικών στην ιατρική σε όλο τον κόσμο.

The World Economic Forum says that there's between a 10x and a 20x

Το Παγκόσμιο Οικονομικό Φόρουμ λέει ότι

υπάρχει δεκαπλάσιο με εικοσαπλάσιο έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο,

shortage of physicians in the developing world,

and it would take about 300 years

και θα χρειαστούν 300 χρόνια

to train enough people to fix that problem.

για να εκπαιδευθούν αρκετοί άνθρωποι ώστε να λυθεί το πρόβλημα.

So imagine if we can help enhance their efficiency

Φαντάζεστε να μπορούσαμε να ενισχύσουμε την απόδοσή τους

using these deep learning approaches?

με την προσέγγιση της βαθιάς μάθησης;

So I'm very excited about the opportunities.

Είμαι ενθουσιασμένος με αυτές τις προοπτικές.

I'm also concerned about the problems.

Ανησυχώ επίσης και για τα προβλήματα.

The problem here is that every area in blue on this map

Το πρόβλημα εδώ είναι ότι κάθε μπλε περιοχή στο χάρτη

is somewhere where services are over 80 percent of employment.

είναι μέρος όπου οι υπηρεσίες είναι πάνω από το 80% της απασχόλησης.

What are services?

Ποιες είναι οι υπηρεσίες;

These are services.

Αυτές είναι οι υπηρεσίες.

These are also the exact things that computers have just learned how to do.

Είναι αυτά ακριβώς τα πράγματα που ο υπολογιστής μόλις έμαθε να κάνει.

So 80 percent of the world's employment in the developed world

Έτσι το 80% της παγκόσμιας απασχόλησης στον αναπτυσσόμενο κόσμο

is stuff that computers have just learned how to do.

είναι πράγματα που οι υπολογιστές μόλις έμαθαν να κάνουν.

What does that mean?

Τι σημαίνει αυτό;

Well, it'll be fine. They'll be replaced by other jobs.

Κάτι θα γίνει. Θα αντικατασταθούν από άλλες δουλειές.

For example, there will be more jobs for data scientists.

Θα γίνουν περισσότερες θέσεις για επιστήμονες δεδομένων.

Well, not really.

Όχι ακριβώς.

It doesn't take data scientists very long to build these things.

Δεν χρειάζονται πολύ χρόνο να φτιάξουν κάτι τέτοιο.

For example, these four algorithms were all built by the same guy.

Αυτούς τους τέσσερις αλγόριθμους τους έφτιαξε το ίδιο άτομο.

So if you think, oh, it's all happened before,

Αν σκεφτείτε, εντάξει, το έχουμε ξαναδεί το έργο,

we've seen the results in the past of when new things come along

είδαμε τα αποτελέσματα στο παρελθόν όταν προέκυψαν νέες ανάγκες

and they get replaced by new jobs,

και αντικαταστάθηκαν από νέα επαγγέλματα,

what are these new jobs going to be?

ποια θα είναι τα νέα επαγγέλματα;

It's very hard for us to estimate this,

Είναι πολύ δύσκολο να το εκτιμήσουμε

because human performance grows at this gradual rate,

γιατί η ανθρώπινη απόδοση αυξάνεται με σταδιακό ρυθμό,

but we now have a system, deep learning,

αλλά τώρα έχουμε το σύστημα βαθιάς μάθησης

that we know actually grows in capability exponentially.

που αυξάνει την ικανότητά του με ρυθμούς γεωμετρικής προόδου.

And we're here.

Και είμαστε εδώ.

So currently, we see the things around us

Προς το παρόν, κοιτάμε γύρω μας και σκεφτόμαστε

and we say, "Oh, computers are still pretty dumb." Right?

«Οι υπολογιστές είναι χαζά μηχανήματα». Σωστά;

But in five years' time, computers will be off this chart.

Σε πέντε χρόνια όμως, οι υπολογιστές θα έχουν φύγει από τα όρια του πίνακα.

So we need to be starting to think about this capability right now.

Θα πρέπει να αρχίσουμε να σκεφτόμαστε αυτή την ικανότητα άμεσα.

We have seen this once before, of course.

Το έχουμε δει ακόμη μια φορά στο παρελθόν.

In the Industrial Revolution,

Στη Βιομηχανική Επανάσταση

we saw a step change in capability thanks to engines.

είδαμε μια αλλαγή ρυθμού στην ικανότητα χάρις στις μηχανές.

The thing is, though, that after a while, things flattened out.

Το θέμα είναι βέβαια, ότι μετά από λίγο τα πράγματα ισοπεδώθηκαν.

There was social disruption,

Υπήρξε κοινωνική διάσπαση,

but once engines were used to generate power in all the situations,

αλλά εφόσον οι μηχανές χρησιμοποιήθηκαν για την παραγωγή ενέργειας παντού

things really settled down.

τα πράγματα έφτασαν σε μια σταθερότητα.

The Machine Learning Revolution

Η Επανάσταση Μηχανικής Μάθησης

is going to be very different from the Industrial Revolution,

θα διαφέρει πολύ από τη Βιομηχανική Επανάσταση

because the Machine Learning Revolution, it never settles down.

επειδή η Μηχανική Μάθηση ποτέ δεν φτάνει σε στάδιο σταθερότητας.

The better computers get at intellectual activities,

Όσο οι υπολογιστές βελτιώνονται σε διανοητικές ικανότητες,

the more they can build better computers to be better at intellectual capabilities,

θα φτιάξουν καλύτερους υπολογιστές που θα βελτιωθούν διανοητικά περισσότερο,

so this is going to be a kind of change

έτσι θα είναι ένα είδος αλλαγής

that the world has actually never experienced before,

που ο κόσμος δεν έχει ξαναζήσει,

so your previous understanding of what's possible is different.

έτσι η προηγούμενη αντίληψή σας για το τι είναι δυνατόν είναι διαφορετική.

This is already impacting us.

Ήδη μας επηρεάζει.

In the last 25 years, as capital productivity has increased,

Τα τελευταία 25 χρόνια, καθώς αυξανόταν η παραγωγικότητα κεφαλαίου,

labor productivity has been flat, in fact even a little bit down.

η παραγωγικότητα εργασίας έμενε σταθερή, ίσως και να μειωνόταν ελάχιστα.

So I want us to start having this discussion now.

Ας ξαναρχίσουμε αυτή τη συζήτηση τώρα.

I know that when I often tell people about this situation,

Ξέρω ότι όταν κάνω συζήτηση σχετικά με αυτή την κατάσταση,

οι άνθρωποι γίνονται απαξιωτικοί.

people can be quite dismissive.

Well, computers can't really think,

Οι υπολογιστές δεν μπορούν να σκεφτούν,

they don't emote, they don't understand poetry,

δεν νιώθουν, δεν καταλαβαίνουν την ποίηση,

we don't really understand how they work.

εμείς δεν καταλαβαίνουμε πραγματικά πώς αυτοί λειτουργούν.

So what?

Και λοιπόν;

Computers right now can do the things

Οι υπολογιστές τώρα μπορούν να κάνουν όσα οι άνθρωποι πληρώνονται για να κάνουν

that humans spend most of their time being paid to do,

so now's the time to start thinking

έτσι είναι καιρός να σκεφτούμε

about how we're going to adjust our social structures and economic structures

πώς θα αναπροσαρμόσουμε τις κοινωνικές και οικονομικές δομές

to be aware of this new reality.

σε αυτή τη νέα πραγματικότητα.

Thank you.

Ευχαριστώ.

(Χειροκρότημα)

(Applause)