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

595,273 views ・ 2014-12-16

TED


Κάντε διπλό κλικ στους αγγλικούς υπότιτλους παρακάτω για να αναπαραγάγετε το βίντεο.

Μετάφραση: Lucas Kaimaras Επιμέλεια: Chryssa Takahashi
00:12
It used to be that if you wanted to get a computer to do something new,
0
12880
4013
Ήταν σύνηθες, αν θέλατε ένας υπολογιστής να κάνει κάτι νέο,
00:16
you would have to program it.
1
16893
1554
έπρεπε να τον προγραμματίσετε.
00:18
Now, programming, for those of you here that haven't done it yourself,
2
18447
3411
Ο προγραμματισμός βέβαια, για όσους δεν έχετε ασχοληθεί,
00:21
requires laying out in excruciating detail
3
21858
3502
απαιτεί να καταχωρήσεις με εξωφρενική λεπτομέρεια
00:25
every single step that you want the computer to do
4
25360
3367
κάθε ξεχωριστό βήμα που θέλετε να κάνει ο υπολογιστής
00:28
in order to achieve your goal.
5
28727
2362
για να πετύχετε το σκοπό σας.
00:31
Now, if you want to do something that you don't know how to do yourself,
6
31089
3496
Και αν θέλετε να κάνετε κάτι που δεν ξέρετε να το κάνετε ο ίδιος,
00:34
then this is going to be a great challenge.
7
34585
2063
αυτό είναι σοβαρό πρόβλημα.
00:36
So this was the challenge faced by this man, Arthur Samuel.
8
36648
3483
Αυτό ήταν το πρόβλημα του Άρθουρ Σάμιουελ.
00:40
In 1956, he wanted to get this computer
9
40131
4077
Το 1956 ήθελε να κάνει αυτό τον υπολογιστή
00:44
to be able to beat him at checkers.
10
44208
2340
να μπορεί να τον νικάει στη ντάμα.
00:46
How can you write a program,
11
46548
2040
Πώς μπορείς να γράψεις πρόγραμμα,
00:48
lay out in excruciating detail, how to be better than you at checkers?
12
48588
3806
να καταχωρήσεις με πλήρη λεπτομέρεια, πώς να γίνει καλύτερος από σένα στη ντάμα;
00:52
So he came up with an idea:
13
52394
1722
Έτσι είχε μια ιδέα:
00:54
he had the computer play against itself thousands of times
14
54116
3724
έβαλε τον υπολογιστή να παίξει ενάντια στον εαυτό του χιλιάδες φορές
00:57
and learn how to play checkers.
15
57840
2524
και να μάθει να παίζει ντάμα.
01:00
And indeed it worked, and in fact, by 1962,
16
60364
3180
Πραγματικά είχε αποτέλεσμα και έως το 1962
01:03
this computer had beaten the Connecticut state champion.
17
63544
4017
ο υπολογιστής είχε νικήσει τον πρωταθλητή της πολιτείας Κονέκτικατ.
01:07
So Arthur Samuel was the father of machine learning,
18
67561
2973
Έτσι ο Άρθουρ Σάμιουελ ήταν ο πατέρας της μηχανικής μάθησης,
01:10
and I have a great debt to him,
19
70534
1717
και του χρωστάω πολλά,
01:12
because I am a machine learning practitioner.
20
72251
2763
επειδή ασχολούμαι με την εφαρμογή της μηχανικής μάθησης.
01:15
I was the president of Kaggle,
21
75014
1465
Ήμουν πρόεδρος της Kaggle,
01:16
a community of over 200,000 machine learning practictioners.
22
76479
3388
μια κοινότητα άνω των 200.000 ατόμων που ασχολούνται με τη μηχανική μάθηση.
01:19
Kaggle puts up competitions
23
79867
2058
Η Kaggle οργανώνει διαγωνισμούς
01:21
to try and get them to solve previously unsolved problems,
24
81925
3708
για τη λύση άλυτων προβλημάτων,
01:25
and it's been successful hundreds of times.
25
85633
3837
και σημείωσε επιτυχίες εκατοντάδες φορές.
01:29
So from this vantage point, I was able to find out
26
89470
2470
Από αυτή την πλεονεκτική θέση μπόρεσα να ανακαλύψω πολλά
01:31
a lot about what machine learning can do in the past, can do today,
27
91940
3950
σχετικά με το τι έκανε η μηχανική μάθηση στο παρελθόν, τι μπορεί να κάνει σήμερα,
01:35
and what it could do in the future.
28
95890
2362
και τι θα μπορεί να κάνει στο μέλλον.
01:38
Perhaps the first big success of machine learning commercially was Google.
29
98252
4423
Ίσως η πρώτη εμπορικά μεγάλη επιτυχία της μηχανικής μάθησης ήταν η Google.
01:42
Google showed that it is possible to find information
30
102675
3109
Η Google απέδειξε ότι ήταν δυνατόν να βρεθούν πληροφορίες
01:45
by using a computer algorithm,
31
105784
1752
με ένα αλγόριθμο υπολογιστή,
01:47
and this algorithm is based on machine learning.
32
107536
2901
και αυτός ο αλγόριθμος βασίζεται στη μηχανική μάθηση.
01:50
Since that time, there have been many commercial successes of machine learning.
33
110437
3886
Από τότε έχουν υπάρξει πολλές εμπορικές επιτυχίες της μηχανικής μάθησης.
01:54
Companies like Amazon and Netflix
34
114323
1837
Εταιρείες όπως η Amazon και η Netflix
01:56
use machine learning to suggest products that you might like to buy,
35
116160
3716
χρησιμοποιούν τη μηχανική μάθηση για να προτείνουν προϊόντα ν' αγοράσετε,
01:59
movies that you might like to watch.
36
119876
2020
ταινίες που θα θέλατε να δείτε.
02:01
Sometimes, it's almost creepy.
37
121896
1807
Μερικές φορές γίνεται ανατριχιαστικό.
02:03
Companies like LinkedIn and Facebook
38
123703
1954
Εταιρείες όπως η LinkedIn και το Facebook
02:05
sometimes will tell you about who your friends might be
39
125657
2594
μερικές φορές σας λένε ποιοι μπορεί να είναι φίλοι σας
02:08
and you have no idea how it did it,
40
128251
1977
και δεν έχετε ιδέα πώς τα κατάφεραν,
02:10
and this is because it's using the power of machine learning.
41
130228
2967
και το κάνουν με τη δύναμη της μηχανικής μάθησης.
02:13
These are algorithms that have learned how to do this from data
42
133195
2957
Αυτοί είναι αλγόριθμοι που έμαθαν να το κάνουν από τα δεδομένα
02:16
rather than being programmed by hand.
43
136152
3247
παρά από προγραμματισμό με το χέρι.
02:19
This is also how IBM was successful
44
139399
2478
Έτσι κατάφερε και η IBM
02:21
in getting Watson to beat the two world champions at "Jeopardy,"
45
141877
3862
να νικήσει o Γουότσον τους δύο παγκόσμιους πρωταθλητές του «Jeopardy»
02:25
answering incredibly subtle and complex questions like this one.
46
145739
3225
απαντώντας απίστευτα πονηρές και περίπλοκες ερωτήσεις όπως αυτή.
02:28
["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"]
47
148964
2835
[«Το "Λιοντάρι του Νεμρώδ" εξαφανίστηκε από το μουσείο αυτής της πόλης το 2003»]
02:31
This is also why we are now able to see the first self-driving cars.
48
151799
3235
Γι' αυτό έχουμε πλέον τα πρώτα αυτοκίνητα που οδηγούν μόνα τους.
Αν θέλεις να μπορείς να δεις τη διαφορά, ας πούμε,
02:35
If you want to be able to tell the difference between, say,
49
155034
2822
02:37
a tree and a pedestrian, well, that's pretty important.
50
157856
2632
ανάμεσα σε ένα δένδρο και έναν πεζό, αυτό είναι πολύ σημαντικό.
02:40
We don't know how to write those programs by hand,
51
160488
2587
Δεν ξέρουμε να γράφουμε τέτοια προγράμματα με το χέρι,
02:43
but with machine learning, this is now possible.
52
163075
2997
αλλά με τη μηχανική μάθηση αυτό είναι πλέον δυνατόν.
Αυτό το αυτοκίνητο έχει οδηγήσει πάνω από 1.600.000 χιλιόμετρα
02:46
And in fact, this car has driven over a million miles
53
166072
2608
02:48
without any accidents on regular roads.
54
168680
3506
σε κανονικό δρόμο χωρίς καθόλου ατυχήματα.
02:52
So we now know that computers can learn,
55
172196
3914
Έτσι ξέρουμε ότι οι υπολογιστές μπορούν να μαθαίνουν,
02:56
and computers can learn to do things
56
176110
1900
και μπορούν να μάθουν να κάνουν πράγματα
02:58
that we actually sometimes don't know how to do ourselves,
57
178010
2838
που μερικές φορές ούτε κι εμείς ξέρουμε να κάνουμε,
03:00
or maybe can do them better than us.
58
180848
2885
ή μπορούν να τα κάνουν καλύτερα από εμάς.
03:03
One of the most amazing examples I've seen of machine learning
59
183733
4195
Ένα εκπληκτικό παράδειγμα της μηχανικής μάθησης που έχω δει
03:07
happened on a project that I ran at Kaggle
60
187928
2392
έγινε σε ένα πρόγραμμα που έκανα στην Kaggle,
03:10
where a team run by a guy called Geoffrey Hinton
61
190320
3591
όπου μια ομάδα υπό κάποιον ονόματι Τζέφρι Χίντον
03:13
from the University of Toronto
62
193911
1552
από το Πανεπιστήμιο του Τορόντο,
03:15
won a competition for automatic drug discovery.
63
195463
2677
κέρδισε έναν διαγωνισμό για αυτόματη ανακάλυψη φαρμάκου.
03:18
Now, what was extraordinary here is not just that they beat
64
198140
2847
Αυτό όμως που είναι αξιοσημείωτο δεν είναι ότι νίκησαν
03:20
all of the algorithms developed by Merck or the international academic community,
65
200987
4013
όλους τους αλγόριθμους της Μέρκ ή της διεθνούς ακαδημαϊκής κοινότητας,
03:25
but nobody on the team had any background in chemistry or biology or life sciences,
66
205000
5061
αλλά ότι κανείς στην ομάδα δεν είχε γνώσεις χημείας, βιολογίας ή ιατρικής,
03:30
and they did it in two weeks.
67
210061
2169
και τα κατάφεραν μέσα σε δύο εβδομάδες.
03:32
How did they do this?
68
212230
1381
Πώς τα κατάφεραν;
03:34
They used an extraordinary algorithm called deep learning.
69
214421
2921
Χρησιμοποίησαν έναν ασυνήθιστο αλγόριθμο που λέγεται βαθιά μάθηση.
03:37
So important was this that in fact the success was covered
70
217342
2949
Ήταν τόσο σημαντικό που η επιτυχία καλύφθηκε
03:40
in The New York Times in a front page article a few weeks later.
71
220291
3121
σε πρωτοσέλιδο των Τάιμς της Νέας Υόρκης μερικές εβδομάδες μετά.
03:43
This is Geoffrey Hinton here on the left-hand side.
72
223412
2735
Ο Τζέφρι Χίντον είναι εδώ αριστερά.
03:46
Deep learning is an algorithm inspired by how the human brain works,
73
226147
4341
Η βαθιά μάθηση είναι ένας αλγόριθμος εμπνευσμένος από το ανθρώπινο μυαλό,
03:50
and as a result it's an algorithm
74
230488
1812
συνεπώς είναι ένας αλγόριθμος
03:52
which has no theoretical limitations on what it can do.
75
232300
3841
που θεωρητικά δεν έχει όρια στο τι μπορεί να κάνει.
03:56
The more data you give it and the more computation time you give it,
76
236141
2823
Όσο περισσότερα δεδομένα και χρόνο υπολογισμού του δίνεις,
03:58
the better it gets.
77
238964
1312
τόσο καλύτερος γίνεται.
04:00
The New York Times also showed in this article
78
240276
2339
Οι Τάιμς της Νέας Υόρκης έδειξαν επίσης στο άρθρο
04:02
another extraordinary result of deep learning
79
242615
2242
άλλο ένα ασυνήθιστο αποτέλεσμα της βαθιάς μάθησης
04:04
which I'm going to show you now.
80
244857
2712
που θα σας δείξω τώρα.
04:07
It shows that computers can listen and understand.
81
247569
4941
Δείχνει ότι οι υπολογιστές μπορούν να ακούν και να καταλαβαίνουν.
04:12
(Video) Richard Rashid: Now, the last step
82
252510
2711
(Βίντεο) Ρίτσαρντ Ράσιντ: Τώρα το τελευταίο βήμα
04:15
that I want to be able to take in this process
83
255221
3025
που θέλω να κάνω σε αυτή τη διαδικασία
04:18
is to actually speak to you in Chinese.
84
258246
4715
είναι να σας μιλήσω κανονικά στα Κινέζικα.
04:22
Now the key thing there is,
85
262961
2635
Το μυστικό εδώ είναι ότι,
04:25
we've been able to take a large amount of information from many Chinese speakers
86
265596
5002
μπορέσαμε να πάρουμε μεγάλη ποσότητα πληροφοριών από ομιλητές της Κινεζικής
04:30
and produce a text-to-speech system
87
270598
2530
και να φτιάξουμε ένα σύστημα μετατροπής κειμένου σε ομιλία
04:33
that takes Chinese text and converts it into Chinese language,
88
273128
4673
που μετατρέπει Κινέζικο λόγο από γραπτό σε προφορικό,
04:37
and then we've taken an hour or so of my own voice
89
277801
4128
και μετά χρειαστήκαμε καμιά ώρα με τη δική μου φωνή
04:41
and we've used that to modulate
90
281929
1891
για να μπορέσουμε να ρυθμίσουμε
04:43
the standard text-to-speech system so that it would sound like me.
91
283820
4544
το βασικό σύστημα μετατροπής λόγου ώστε να ακούγεται σαν εμένα.
04:48
Again, the result's not perfect.
92
288364
2540
Και πάλι το αποτέλεσμα δεν ήταν τέλειο.
04:50
There are in fact quite a few errors.
93
290904
2648
Υπήρχαν μερικά λαθάκια.
04:53
(In Chinese)
94
293552
2484
(Στα Κινέζικα)
04:56
(Applause)
95
296036
3367
(Χειροκρότημα)
05:01
There's much work to be done in this area.
96
301446
3576
Χρειάζεται να γίνουν πολλά σε αυτό τον τομέα.
05:05
(In Chinese)
97
305022
3645
(Στα Κινέζικα)
05:08
(Applause)
98
308667
3433
(Χειροκρότημα)
05:13
Jeremy Howard: Well, that was at a machine learning conference in China.
99
313345
3399
Τζέρεμι Χάουαρντ: Αυτό ήταν σε συνέδριο μηχανικής μάθησης στην Κίνα.
05:16
It's not often, actually, at academic conferences
100
316744
2370
Δεν συμβαίνει συχνά σε ακαδημαϊκά συνέδρια
05:19
that you do hear spontaneous applause,
101
319114
1897
να έχεις τόσο αυθόρμητες επευφημίες,
05:21
although of course sometimes at TEDx conferences, feel free.
102
321011
3676
αλλά μιας και είμαστε σε συνάντηση TED, μην περιορίζεστε.
05:24
Everything you saw there was happening with deep learning.
103
324687
2795
Όλα όσα είδατε εκεί συνέβησαν με τη βαθιά μάθηση.
05:27
(Applause) Thank you.
104
327482
1525
(Χειροκρότημα) Ευχαριστώ.
05:29
The transcription in English was deep learning.
105
329007
2282
Η μεταγραφή στα Αγγλικά έγινε από τη βαθιά μάθηση.
05:31
The translation to Chinese and the text in the top right, deep learning,
106
331289
3412
Η μετάφραση στα Κινέζικα, το κείμενο πάνω δεξιά,
05:34
and the construction of the voice was deep learning as well.
107
334701
3307
και η σύνθεση της φωνής έγιναν από τη βαθιά μάθηση επίσης.
05:38
So deep learning is this extraordinary thing.
108
338008
3234
Η βαθιά μάθηση είναι κάτι ξεχωριστό.
05:41
It's a single algorithm that can seem to do almost anything,
109
341242
3099
Είναι ένας αλγόριθμος που μοιάζει να μπορεί να κάνει τα πάντα,
05:44
and I discovered that a year earlier, it had also learned to see.
110
344341
3111
και ανακάλυψα ότι πριν ένα χρόνο είχε επίσης μάθει να βλέπει.
05:47
In this obscure competition from Germany
111
347452
2176
Σε έναν δυσνόητο διαγωνισμό στη Γερμανία
05:49
called the German Traffic Sign Recognition Benchmark,
112
349628
2597
σχετικά με την αναγνώριση οδικής σήμανσης,
05:52
deep learning had learned to recognize traffic signs like this one.
113
352225
3393
η βαθιά μάθηση έμαθε να αναγνωρίζει οδικά σήματα όπως αυτό.
05:55
Not only could it recognize the traffic signs
114
355618
2094
Όχι μόνο αναγνώριζε τα οδικά σήματα
05:57
better than any other algorithm,
115
357712
1758
καλύτερα από κάθε άλλο αλγόριθμο,
05:59
the leaderboard actually showed it was better than people,
116
359470
2719
στον πίνακα αποτελεσμάτων σημείωσε βαθμολογία
δύο φορές καλύτερη από τους ανθρώπους.
06:02
about twice as good as people.
117
362189
1852
06:04
So by 2011, we had the first example
118
364041
1996
Έτσι έως το 2011,
είχαμε το πρώτο παράδειγμα υπολογιστή που μπορεί να δει καλύτερα από άνθρωπο.
06:06
of computers that can see better than people.
119
366037
3405
06:09
Since that time, a lot has happened.
120
369442
2049
Από τότε έγιναν πολλά.
06:11
In 2012, Google announced that they had a deep learning algorithm
121
371491
3514
Το 2012 η Google ανακοίνωσε ότι ο αλγόριθμος βαθιά μάθηση
06:15
watch YouTube videos
122
375005
1415
έβλεπε βίντεο του YouTube
06:16
and crunched the data on 16,000 computers for a month,
123
376420
3437
και διάβαζε δεδομένα από 16.000 υπολογιστές για ένα μήνα,
06:19
and the computer independently learned about concepts such as people and cats
124
379857
4361
και ο υπολογιστής έμαθε από μόνος του έννοιες όπως «άνθρωπος και «γάτα»,
06:24
just by watching the videos.
125
384218
1809
απλώς βλέποντας τα βίντεο.
06:26
This is much like the way that humans learn.
126
386027
2352
Μοιάζει πολύ με τον τρόπο που μαθαίνουν οι άνθρωποι.
06:28
Humans don't learn by being told what they see,
127
388379
2740
Δεν μαθαίνουμε όταν κάποιος μας λέει τι να δούμε,
06:31
but by learning for themselves what these things are.
128
391119
3331
αλλά μαθαίνοντας από μόνοι μας τι είναι αυτά τα πράγματα.
06:34
Also in 2012, Geoffrey Hinton, who we saw earlier,
129
394450
3369
Επίσης το 2012 ο Τζέφρι Χίντον που είδαμε νωρίτερα
06:37
won the very popular ImageNet competition,
130
397819
2858
κέρδισε στον δημοφιλή διαγωνισμό ImageNet,
06:40
looking to try to figure out from one and a half million images
131
400677
4141
προσπαθώντας να βρει μέσα από 1,5 εκατομμύριο εικόνες
06:44
what they're pictures of.
132
404818
1438
τι απεικονίζουν.
06:46
As of 2014, we're now down to a six percent error rate
133
406256
3533
Από το 2014 έχουμε πέσει στο 6% ποσοστό σφάλματος
06:49
in image recognition.
134
409789
1453
στην αναγνώριση εικόνας.
06:51
This is better than people, again.
135
411242
2026
Και πάλι καλύτερα από τον άνθρωπο.
06:53
So machines really are doing an extraordinarily good job of this,
136
413268
3769
Οι μηχανές τα καταφέρνουν πολύ καλά σε αυτό τον τομέα,
06:57
and it is now being used in industry.
137
417037
2269
και πλέον χρησιμοποιείται στη βιομηχανία.
06:59
For example, Google announced last year
138
419306
3042
Για παράδειγμα, η Google ανακοίνωσε πέρυσι
07:02
that they had mapped every single location in France in two hours,
139
422348
4585
ότι χαρτογράφησαν ολόκληρη τη Γαλλία μέσα σε δύο ώρες,
07:06
and the way they did it was that they fed street view images
140
426933
3447
και το έκαναν εισάγοντας φωτογραφίες από την τεχνολογία Street View
07:10
into a deep learning algorithm to recognize and read street numbers.
141
430380
4319
σε έναν αλγόριθμο βαθιάς μάθησης ώστε να αναγνωρίζει την αρίθμηση των οδών.
07:14
Imagine how long it would have taken before:
142
434699
2220
Φανταστείτε πόσο θα έπαιρνε παλιότερα:
07:16
dozens of people, many years.
143
436919
3355
πλήθος ανθρώπων, πολλά χρόνια.
07:20
This is also happening in China.
144
440274
1911
Συμβαίνει επίσης στην Κίνα.
07:22
Baidu is kind of the Chinese Google, I guess,
145
442185
4036
Η Baidu είναι θα λέγαμε η αντίστοιχη Google της Κίνας
07:26
and what you see here in the top left
146
446221
2283
και εδώ πάνω αριστερά βλέπετε ένα παράδειγμα
07:28
is an example of a picture that I uploaded to Baidu's deep learning system,
147
448504
3974
από μια φωτογραφία που μεταφόρτωσα στο σύστημα βαθιάς μάθησης της Baidu,
07:32
and underneath you can see that the system has understood what that picture is
148
452478
3769
και από κάτω βλέπετε ότι το σύστημα αναγνώρισε τη φωτογραφία
07:36
and found similar images.
149
456247
2236
και βρήκε και παρόμοιες.
07:38
The similar images actually have similar backgrounds,
150
458483
2736
Οι παρόμοιες εικόνες έχουν παρόμοιο φόντο,
07:41
similar directions of the faces,
151
461219
1658
παρόμοιο προσανατολισμό των προσώπων,
07:42
even some with their tongue out.
152
462877
1788
μερικές ακόμα και με τη γλώσσα έξω.
07:44
This is not clearly looking at the text of a web page.
153
464665
3030
Αυτό σαφώς δεν είναι σαν να βλέπεις κείμενο σε ιστοσελίδα.
07:47
All I uploaded was an image.
154
467695
1412
Μόνο μια φωτογραφία ανέβασα.
07:49
So we now have computers which really understand what they see
155
469107
4021
Έχουμε λοιπόν υπολογιστές που πράγματι καταλαβαίνουν τι βλέπουν
και γι' αυτό μπορούν να ερευνήσουν βάσεις δεδομένων
07:53
and can therefore search databases
156
473128
1624
07:54
of hundreds of millions of images in real time.
157
474752
3554
εκατοντάδων εκατομμυρίων εικόνων σε πραγματικό χρόνο.
07:58
So what does it mean now that computers can see?
158
478306
3230
Τι σημασία έχει ότι οι υπολογιστές μπορούν να βλέπουν;
08:01
Well, it's not just that computers can see.
159
481536
2017
Λοιπόν, δεν είναι μόνο αυτό.
08:03
In fact, deep learning has done more than that.
160
483553
2069
Η βαθιά μάθηση έκανε περισσότερα.
08:05
Complex, nuanced sentences like this one
161
485622
2948
Περίπλοκες προτάσεις με λεπτές έννοιες, όπως αυτή εδώ,
08:08
are now understandable with deep learning algorithms.
162
488570
2824
μπορούν πλέον να κατανοηθούν από τον αλγόριθμο.
08:11
As you can see here,
163
491394
1303
Όπως βλέπετε εδώ,
08:12
this Stanford-based system showing the red dot at the top
164
492697
2768
το σύστημα του Στάνφορντ στην κόκκινη κουκκίδα στην κορυφή
08:15
has figured out that this sentence is expressing negative sentiment.
165
495465
3919
κατάλαβε ότι αυτή η πρόταση εκφράζει αρνητικό συναίσθημα.
08:19
Deep learning now in fact is near human performance
166
499384
3406
Η βαθιά μάθηση όντως πλησιάζει την ανθρώπινη επίδοση
08:22
at understanding what sentences are about and what it is saying about those things.
167
502802
5121
στο να καταλαβαίνουν το κεντρικό θέμα και το γενικό περιεχόμενο μιας πρότασης.
08:27
Also, deep learning has been used to read Chinese,
168
507923
2728
Η βαθιά μάθηση χρησιμοποιήθηκε επίσης για την ανάγνωση Κινέζικων
08:30
again at about native Chinese speaker level.
169
510651
3156
και πάλι στο επίπεδο του Κινέζου φυσικού ομιλητή.
08:33
This algorithm developed out of Switzerland
170
513807
2168
Αυτός ο αλγόριθμος εξελίχθηκε από ομάδα Ελβετών,
08:35
by people, none of whom speak or understand any Chinese.
171
515975
3356
κανείς εκ των οποίων δεν μιλούσε ή καταλάβαινε Κινέζικα.
08:39
As I say, using deep learning
172
519331
2051
Όπως είπα, η χρήση της βαθιάς μάθησης
08:41
is about the best system in the world for this,
173
521382
2219
είναι το καλύτερο σύστημα στον κόσμο γι' αυτό,
08:43
even compared to native human understanding.
174
523601
5117
συγκρινόμενο ακόμα και με την ανθρώπινη κατανόηση.
08:48
This is a system that we put together at my company
175
528718
2964
Είναι ένα σύστημα που φτιάχνουμε στην εταιρεία μου
08:51
which shows putting all this stuff together.
176
531682
2046
που δείχνει πώς συντίθενται όλα τα μέρη.
08:53
These are pictures which have no text attached,
177
533728
2461
Αυτές είναι εικόνες χωρίς κείμενο,
08:56
and as I'm typing in here sentences,
178
536189
2352
και καθώς πληκτρολογώ κείμενο,
08:58
in real time it's understanding these pictures
179
538541
2969
σε πραγματικό χρόνο κατανοεί αυτές τις εικόνες,
09:01
and figuring out what they're about
180
541510
1679
αντιλαμβάνεται το θέμα τους,
09:03
and finding pictures that are similar to the text that I'm writing.
181
543189
3163
και βρίσκει παρόμοιες φωτογραφίες με το κείμενο που γράφω.
09:06
So you can see, it's actually understanding my sentences
182
546352
2756
Άρα ουσιαστικά καταλαβαίνει τις προτάσεις μου
09:09
and actually understanding these pictures.
183
549108
2224
και καταλαβαίνει αυτές τις εικόνες.
09:11
I know that you've seen something like this on Google,
184
551332
2559
Ξέρω ότι έχετε δει κάτι τέτοιο στη Google,
09:13
where you can type in things and it will show you pictures,
185
553891
2775
όπου πληκτρολογείτε κάτι και σας δείχνει εικόνες,
09:16
but actually what it's doing is it's searching the webpage for the text.
186
556666
3424
αλλά στην πραγματικότητα ψάχνει στην ιστοσελίδα για κείμενο.
09:20
This is very different from actually understanding the images.
187
560090
3001
Αυτό είναι πολύ διαφορετικό από το να κατανοείς τις εικόνες.
09:23
This is something that computers have only been able to do
188
563091
2752
Αυτό το κατάφεραν οι υπολογιστές
09:25
for the first time in the last few months.
189
565843
3248
για πρώτη φορά πριν λίγους μήνες.
Έτσι οι υπολογιστές, όχι μόνο βλέπουν, αλλά μπορούν και να διαβάσουν,
09:29
So we can see now that computers can not only see but they can also read,
190
569091
4091
09:33
and, of course, we've shown that they can understand what they hear.
191
573182
3765
και φυσικά δείξαμε ότι καταλαβαίνουν ό,τι ακούνε.
09:36
Perhaps not surprising now that I'm going to tell you they can write.
192
576947
3442
Ίσως δεν σας εκπλήξει να σας πω ότι μπορούν να γράφουν.
09:40
Here is some text that I generated using a deep learning algorithm yesterday.
193
580389
4783
Εδώ είναι κείμενο που παρήγαγα χθες με έναν αλγόριθμο βαθιάς μάθησης.
09:45
And here is some text that an algorithm out of Stanford generated.
194
585172
3924
Και αυτό είναι κείμενο που παρήγαγε ένας αλγόριθμος του Στάνφορντ.
09:49
Each of these sentences was generated
195
589096
1764
Κάθε πρόταση δημιουργήθηκε
09:50
by a deep learning algorithm to describe each of those pictures.
196
590860
4249
από έναν αλγόριθμο βαθιάς μάθησης για να περιγράψει καθεμιά από τις εικόνες.
09:55
This algorithm before has never seen a man in a black shirt playing a guitar.
197
595109
4472
Ο αλγόριθμος δεν είχε ξαναδεί άνθρωπο με μαύρο πουκάμισο να παίζει κιθάρα.
09:59
It's seen a man before, it's seen black before,
198
599581
2220
Είχε ξαναδεί άνθρωπο, είχε ξαναδεί μαύρο,
10:01
it's seen a guitar before,
199
601801
1599
είχε ξαναδεί κιθάρα,
10:03
but it has independently generated this novel description of this picture.
200
603400
4294
αλλά από μόνος του έφτιαξε αυτή τη νέα περιγραφή για την εικόνα.
10:07
We're still not quite at human performance here, but we're close.
201
607694
3502
Εδώ δεν φτάσαμε την ανθρώπινη απόδοση αλλά πλησιάζουμε.
10:11
In tests, humans prefer the computer-generated caption
202
611196
4068
Στις δοκιμές, οι άνθρωποι προτιμούν τις ετικέτες που φτιάχτηκαν από υπολογιστή
10:15
one out of four times.
203
615264
1527
μία στις τέσσερις φορές.
10:16
Now this system is now only two weeks old,
204
616791
2064
Αυτό το σύστημα είναι μόνο δύο εβδομάδων,
10:18
so probably within the next year,
205
618855
1846
άρα μάλλον εντός του επόμενου έτους,
10:20
the computer algorithm will be well past human performance
206
620701
2801
ο αλγόριθμος θα έχει ξεπεράσει την ανθρώπινη επίδοση
10:23
at the rate things are going.
207
623502
1862
με τους τρέχοντες ρυθμούς.
10:25
So computers can also write.
208
625364
3049
Άρα οι υπολογιστές μπορούν και να γράφουν.
10:28
So we put all this together and it leads to very exciting opportunities.
209
628413
3475
Βάζοντάς τα όλα μαζί οδεύουμε σε εκπληκτικές δυνατότητες.
10:31
For example, in medicine,
210
631888
1492
Για παράδειγμα, στην ιατρική,
10:33
a team in Boston announced that they had discovered
211
633380
2525
μια ομάδα στη Βοστόνη ανακοίνωσε ότι ανακάλυψαν
10:35
dozens of new clinically relevant features
212
635905
2949
μεγάλο αριθμό νέων κλινικά σχετικών χαρακτηριστικών όγκων
10:38
of tumors which help doctors make a prognosis of a cancer.
213
638854
4266
που θα βοηθήσει τους γιατρούς στην πρόγνωση του καρκίνου.
10:44
Very similarly, in Stanford,
214
644220
2296
Παρομοίως στο Στάνφορντ,
10:46
a group there announced that, looking at tissues under magnification,
215
646516
3663
μια ομάδα ανακοίνωσε ότι, εξετάζοντας ιστούς σε μεγέθυνση,
10:50
they've developed a machine learning-based system
216
650179
2381
εξέλιξαν ένα σύστημα μηχανικής μάθησης
10:52
which in fact is better than human pathologists
217
652560
2582
που είναι όντως καλύτερο από τους ανθρώπους παθολόγους
10:55
at predicting survival rates for cancer sufferers.
218
655142
4377
στην πρόβλεψη των ποσοστών επιβίωσης των πασχόντων από καρκίνο.
10:59
In both of these cases, not only were the predictions more accurate,
219
659519
3245
Και στις δύο περιπτώσεις, όχι μόνο έκαναν ακριβέστερη πρόβλεψη,
11:02
but they generated new insightful science.
220
662764
2502
αλλά παρήγαγαν πιο διορατική γνώση.
11:05
In the radiology case,
221
665276
1505
Στην περίπτωση της ακτινολογίας,
11:06
they were new clinical indicators that humans can understand.
222
666781
3095
υπήρξαν νέες κλινικές ενδείξεις που οι άνθρωποι θα καταλάβουν.
11:09
In this pathology case,
223
669876
1792
Σε αυτή την παθολογική περίπτωση,
11:11
the computer system actually discovered that the cells around the cancer
224
671668
4500
το σύστημα στον υπολογιστή ανακάλυψε ότι τα κύτταρα γύρω από τον όγκο
11:16
are as important as the cancer cells themselves
225
676168
3340
είναι το ίδιο σημαντικά όσο τα καρκινικά κύτταρα
11:19
in making a diagnosis.
226
679508
1752
για τη διάγνωση.
11:21
This is the opposite of what pathologists had been taught for decades.
227
681260
5361
Αυτό είναι αντίθετο από όσα διδάσκονταν οι παθολόγοι για δεκαετίες.
11:26
In each of those two cases, they were systems developed
228
686621
3292
Σε καθεμιά από τις δύο περιπτώσεις, ήταν συστήματα που αναπτύχθηκαν
11:29
by a combination of medical experts and machine learning experts,
229
689913
3621
από συνδυασμό ειδικών στην ιατρική και ειδικών στη μηχανική μάθηση,
11:33
but as of last year, we're now beyond that too.
230
693534
2741
αλλά από πέρυσι, το έχουμε ξεπεράσει και αυτό.
11:36
This is an example of identifying cancerous areas
231
696275
3549
Εδώ έχουμε παράδειγμα εντοπισμού καρκινικής περιοχής
11:39
of human tissue under a microscope.
232
699824
2530
σε ανθρώπινο ιστό κάτω από το μικροσκόπιο.
11:42
The system being shown here can identify those areas more accurately,
233
702354
4613
Το σύστημα μπορεί να εντοπίσει αυτές τις περιοχές ακριβέστερα,
11:46
or about as accurately, as human pathologists,
234
706967
2775
ή περίπου με την ίδια ακρίβεια όσο οι παθολόγοι,
11:49
but was built entirely with deep learning using no medical expertise
235
709742
3392
αλλά έγινε εξολοκλήρου με τη βαθιά μάθηση, χωρίς ιατρική τεχνογνωσία,
11:53
by people who have no background in the field.
236
713134
2526
από ανθρώπους χωρίς προϋπηρεσία στον χώρο αυτό.
11:56
Similarly, here, this neuron segmentation.
237
716730
2555
Παρόμοια εδώ, αυτή η κατάτμηση νευρώνα.
11:59
We can now segment neurons about as accurately as humans can,
238
719285
3668
Μπορούμε πλέον να κατατμήσουμε νευρώνες με την ίδια ακρίβεια όπως οι άνθρωποι,
12:02
but this system was developed with deep learning
239
722953
2717
αλλά με σύστημα που αναπτύχθηκε με τη βαθιά μάθηση
12:05
using people with no previous background in medicine.
240
725670
3251
και ανθρώπους που δεν είχαν καμία σχέση με την ιατρική.
12:08
So myself, as somebody with no previous background in medicine,
241
728921
3227
Συνεπώς εγώ ο ίδιος, πλήρως άσχετος με την ιατρική,
12:12
I seem to be entirely well qualified to start a new medical company,
242
732148
3727
φαίνεται να έχω όλα τα προσόντα να φτιάξω μια ιατροφαρμακευτική εταιρεία,
12:15
which I did.
243
735875
2146
πράγμα που έκανα.
12:18
I was kind of terrified of doing it,
244
738021
1740
Αρχικά φοβόμουν να το κάνω,
12:19
but the theory seemed to suggest that it ought to be possible
245
739761
2889
αλλά θεωρητικά φαινόταν εφικτό
12:22
to do very useful medicine using just these data analytic techniques.
246
742650
5492
να φτιάξω χρήσιμα φάρμακα χρησιμοποιώντας μόνο τεχνικές ανάλυσης δεδομένων.
12:28
And thankfully, the feedback has been fantastic,
247
748142
2480
Ευτυχώς τα σχόλια ήταν άκρως ενθαρρυντικά.
12:30
not just from the media but from the medical community,
248
750622
2356
όχι μόνο από τα μέσα αλλά και από την ιατρική κοινότητα,
12:32
who have been very supportive.
249
752978
2344
που με στήριξε πολύ.
12:35
The theory is that we can take the middle part of the medical process
250
755322
4149
Θεωρητικά μπορούμε να πάρουμε την μέση φάση της ιατρικής διαδικασίας
12:39
and turn that into data analysis as much as possible,
251
759471
2893
και να αναλύσουμε τα δεδομένα της στο μέγιστο δυνατό βαθμό,
12:42
leaving doctors to do what they're best at.
252
762364
3065
αφήνοντας τους γιατρούς να κάνουν αυτό που ξέρουν καλύτερα.
12:45
I want to give you an example.
253
765429
1602
Θα σας δώσω ένα παράδειγμα.
12:47
It now takes us about 15 minutes to generate a new medical diagnostic test
254
767031
4944
Τώρα μας παίρνει 15 λεπτά να βγάλουμε ένα νέο διαγνωστικό τεστ
12:51
and I'll show you that in real time now,
255
771975
1954
και θα το δείτε σε πραγματικό χρόνο,
12:53
but I've compressed it down to three minutes by cutting some pieces out.
256
773929
3487
αλλά το συμπίεσα σε τρία λεπτά παραλείποντας κάποια κομμάτια.
12:57
Rather than showing you creating a medical diagnostic test,
257
777416
3061
Αντί για τη δημιουργία ενός ιατρικού διαγνωστικού τεστ,
13:00
I'm going to show you a diagnostic test of car images,
258
780477
3369
θα σας δείξω ένα διαγνωστικό τεστ από εικόνες αυτοκινήτων,
13:03
because that's something we can all understand.
259
783846
2222
επειδή είναι κάτι που όλοι καταλαβαίνουμε.
13:06
So here we're starting with about 1.5 million car images,
260
786068
3201
Ξεκινάμε με περίπου 1,5 εκατομμύριο εικόνες αυτοκινήτων
13:09
and I want to create something that can split them into the angle
261
789269
3206
και θέλω να φτιάξω κάτι που θα τις χωρίσει
13:12
of the photo that's being taken.
262
792475
2223
ανάλογα με τη γωνία λήψης της φωτογραφίας.
13:14
So these images are entirely unlabeled, so I have to start from scratch.
263
794698
3888
Οι εικόνες δεν έχουν καθόλου κείμενο, έτσι αρχίζω από το μηδέν.
13:18
With our deep learning algorithm,
264
798586
1865
Με τον αλγόριθμο βαθιάς γνώσης
13:20
it can automatically identify areas of structure in these images.
265
800451
3707
μπορεί αυτόματα να εντοπίσει περιοχές δομής μέσα στις εικόνες.
13:24
So the nice thing is that the human and the computer can now work together.
266
804158
3620
Είναι καλό που άνθρωπος και υπολογιστής μπορούν να συνεργαστούν.
13:27
So the human, as you can see here,
267
807778
2178
Ο άνθρωπος που βλέπετε εδώ
13:29
is telling the computer about areas of interest
268
809956
2675
λέει στον υπολογιστή για τις περιοχές ενδιαφέροντος
13:32
which it wants the computer then to try and use to improve its algorithm.
269
812631
4650
που θέλει να χρησιμοποιήσει ο υπολογιστής για να βελτιώσει τον αλγόριθμό του.
13:37
Now, these deep learning systems actually are in 16,000-dimensional space,
270
817281
4296
Τα συστήματα αυτά είναι σε διάστημα 16.000 διαστάσεων,
13:41
so you can see here the computer rotating this through that space,
271
821577
3432
έτσι βλέπετε τον υπολογιστή να το περιστρέφει σε αυτό το διάστημα,
13:45
trying to find new areas of structure.
272
825009
1992
προσπαθώντας να βρει νέες περιοχές δομής.
13:47
And when it does so successfully,
273
827001
1781
Και όταν το κάνει με επιτυχία,
13:48
the human who is driving it can then point out the areas that are interesting.
274
828782
4004
τότε ο ανθρώπινος χειριστής μπορεί να δείξει τις περιοχές ενδιαφέροντος.
13:52
So here, the computer has successfully found areas,
275
832786
2422
Εδώ ο υπολογιστής βρήκε επιτυχώς περιοχές,
13:55
for example, angles.
276
835208
2562
για παράδειγμα, κάποιες γωνίες.
13:57
So as we go through this process,
277
837770
1606
Κατά τη διάρκεια της διαδικασίας,
13:59
we're gradually telling the computer more and more
278
839376
2340
σταδιακά λέμε στον υπολογιστή όλο και περισσότερα
14:01
about the kinds of structures we're looking for.
279
841716
2428
για το είδος των δομών που ψάχνουμε.
14:04
You can imagine in a diagnostic test
280
844144
1772
Φανταστείτε ότι στο διαγνωστικό τεστ
14:05
this would be a pathologist identifying areas of pathosis, for example,
281
845916
3350
θα είναι ο παθολόγος που δείχνει τις επικίνδυνες περιοχές,
14:09
or a radiologist indicating potentially troublesome nodules.
282
849266
5026
ή ο ακτινολόγος να δείχνει τους εν δυνάμει ανησυχητικούς όζους.
14:14
And sometimes it can be difficult for the algorithm.
283
854292
2559
Μερικές φορές ο αλγόριθμος δυσκολεύεται.
14:16
In this case, it got kind of confused.
284
856851
1964
Εδώ έχει μπερδευτεί λίγο.
14:18
The fronts and the backs of the cars are all mixed up.
285
858815
2550
Τα μπρος και πίσω μέρη των αυτοκινήτων έχουν μπλεχτεί.
14:21
So here we have to be a bit more careful,
286
861365
2072
Τότε πρέπει να προσέξουμε λίγο περισσότερο
14:23
manually selecting these fronts as opposed to the backs,
287
863437
3232
επιλέγοντας χειροκίνητα αυτά τα μπρος από εκείνα τα πίσω μέρη,
14:26
then telling the computer that this is a type of group
288
866669
5506
και μετά λέγοντας στον υπολογιστή ότι αυτά είναι ένα είδος ομάδας
14:32
that we're interested in.
289
872175
1348
που μας ενδιαφέρει.
14:33
So we do that for a while, we skip over a little bit,
290
873523
2677
Το κάνουμε για λίγο, παραλείπουμε λίγο εδώ,
14:36
and then we train the machine learning algorithm
291
876200
2246
και μετά εκπαιδεύουμε τον αλγόριθμο βαθιά μάθηση
14:38
based on these couple of hundred things,
292
878446
1974
με βάση αυτά τα διακόσια περίπου πράγματα,
14:40
and we hope that it's gotten a lot better.
293
880420
2025
και ελπίζουμε ότι βελτιώθηκε.
14:42
You can see, it's now started to fade some of these pictures out,
294
882445
3073
Μπορείτε να δείτε ότι θολώνει κάποια μέρη των εικόνων,
14:45
showing us that it already is recognizing how to understand some of these itself.
295
885518
4708
δείχνοντάς μας ότι ήδη καταλαβαίνει πώς να αναγνωρίζει κάποια μέρη μόνος του.
14:50
We can then use this concept of similar images,
296
890226
2902
Μπορούμε να χρησιμοποιήσουμε το σχέδιο με τις παρόμοιες εικόνες,
14:53
and using similar images, you can now see,
297
893128
2094
και έτσι εδώ μπορείτε να δείτε
14:55
the computer at this point is able to entirely find just the fronts of cars.
298
895222
4019
ο υπολογιστής τώρα μπορεί ολοκληρωτικά να βρίσκει μόνο τα μπροστινά μέρη.
14:59
So at this point, the human can tell the computer,
299
899241
2948
Σε αυτό το σημείο ο άνθρωπος μπορεί να λέει στον υπολογιστή,
15:02
okay, yes, you've done a good job of that.
300
902189
2293
εντάξει, μια χαρά τα πας.
15:05
Sometimes, of course, even at this point
301
905652
2185
Φυσικά κάποιες φορές, ακόμα και σε αυτό το σημείο
15:07
it's still difficult to separate out groups.
302
907837
3674
είναι ακόμα δύσκολο να διακρίνει τις ομάδες.
15:11
In this case, even after we let the computer try to rotate this for a while,
303
911511
3884
Εδώ, ακόμη και αφού ο υπολογιστής το έχει περιστρέψει κάμποσο,
15:15
we still find that the left sides and the right sides pictures
304
915399
3345
ακόμα οι εικόνες αριστερής και δεξιάς πλευράς
15:18
are all mixed up together.
305
918744
1478
είναι ανάμικτες.
15:20
So we can again give the computer some hints,
306
920222
2140
Έτσι δίνουμε στον υπολογιστή κάποιες οδηγίες,
15:22
and we say, okay, try and find a projection that separates out
307
922362
2976
και του λέμε να βρει μια προβολή που να διαχωρίζει
15:25
the left sides and the right sides as much as possible
308
925338
2607
κατά το δυνατόν τις δεξιές από τις αριστερές πλευρές
15:27
using this deep learning algorithm.
309
927945
2122
χρησιμοποιώντας τον αλγόριθμο βαθιάς γνώσης.
15:30
And giving it that hint -- ah, okay, it's been successful.
310
930067
2942
Με αυτή την οδηγία -- ωραία, είχε αποτέλεσμα.
15:33
It's managed to find a way of thinking about these objects
311
933009
2882
Κατάφερε να βρει τρόπο σκέψης σχετικά με αυτά τα αντικείμενα
15:35
that's separated out these together.
312
935891
2380
ώστε να τα διαχωρίσει.
15:38
So you get the idea here.
313
938271
2438
Καταλαβαίνετε λοιπόν πώς γίνεται.
15:40
This is a case not where the human is being replaced by a computer,
314
940709
8197
Αυτή δεν είναι περίπτωση που ο υπολογιστής αντικαθιστά τον άνθρωπο,
15:48
but where they're working together.
315
948906
2640
αλλά όπου συνεργάζονται.
15:51
What we're doing here is we're replacing something that used to take a team
316
951546
3550
Εδώ αντικαθιστούμε κάτι που χρειαζόταν μια ομάδα
15:55
of five or six people about seven years
317
955096
2002
πέντε ή έξι ατόμων για σχεδόν επτά χρόνια,
15:57
and replacing it with something that takes 15 minutes
318
957098
2605
και το αντικαθιστούμε με κάτι που χρειάζεται 15 λεπτά
15:59
for one person acting alone.
319
959703
2505
για ένα άτομο που δουλεύει μόνο του.
16:02
So this process takes about four or five iterations.
320
962208
3950
Έτσι η διαδικασία αφαιρεί τέσσερις ή πέντε επαναληπτικές φάσεις.
16:06
You can see we now have 62 percent
321
966158
1859
Βλέπετε ότι τώρα έχουμε 62%
16:08
of our 1.5 million images classified correctly.
322
968017
2959
από 1,5 εκατομμύριο εικόνες ορθά ταξινομημένες.
16:10
And at this point, we can start to quite quickly
323
970976
2472
Και σε αυτό το σημείο, μπορούμε αρκετά γρήγορα
16:13
grab whole big sections,
324
973448
1297
να μαρκάρουμε μεγάλα τμήματα,
16:14
check through them to make sure that there's no mistakes.
325
974745
2919
να τα τσεκάρουμε ώστε να μην έχουν λάθη.
16:17
Where there are mistakes, we can let the computer know about them.
326
977664
3952
Όπου υπάρχουν σφάλματα, ενημερώνουμε τον υπολογιστή.
16:21
And using this kind of process for each of the different groups,
327
981616
3045
Και με αυτή τη διαδικασία για κάθε ομάδα,
16:24
we are now up to an 80 percent success rate
328
984661
2487
έχουμε φτάσει σε ένα ποσοστό επιτυχίας 80%
16:27
in classifying the 1.5 million images.
329
987148
2415
στην ταξινόμηση 1,5 εκατομμυρίου εικόνων.
16:29
And at this point, it's just a case
330
989563
2078
Είμαστε στη φάση όπου
16:31
of finding the small number that aren't classified correctly,
331
991641
3579
παίρνουμε τις λίγες εικόνες που δεν ταξινομήθηκαν σωστά
16:35
and trying to understand why.
332
995220
2888
και προσπαθούμε να βρούμε τον λόγο.
16:38
And using that approach,
333
998108
1743
Με αυτή την προσέγγιση,
16:39
by 15 minutes we get to 97 percent classification rates.
334
999851
4121
σε 15 λεπτά φτάνουμε το 97% στον ρυθμό ταξινόμησης.
16:43
So this kind of technique could allow us to fix a major problem,
335
1003972
4600
Αυτή η τεχνική θα βοηθήσει να διορθώσουμε ένα σοβαρό πρόβλημα,
16:48
which is that there's a lack of medical expertise in the world.
336
1008578
3036
την ανεπάρκεια ειδικών στην ιατρική σε όλο τον κόσμο.
16:51
The World Economic Forum says that there's between a 10x and a 20x
337
1011614
3489
Το Παγκόσμιο Οικονομικό Φόρουμ λέει ότι
υπάρχει δεκαπλάσιο με εικοσαπλάσιο έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο,
16:55
shortage of physicians in the developing world,
338
1015103
2624
16:57
and it would take about 300 years
339
1017727
2113
και θα χρειαστούν 300 χρόνια
16:59
to train enough people to fix that problem.
340
1019840
2894
για να εκπαιδευθούν αρκετοί άνθρωποι ώστε να λυθεί το πρόβλημα.
17:02
So imagine if we can help enhance their efficiency
341
1022734
2885
Φαντάζεστε να μπορούσαμε να ενισχύσουμε την απόδοσή τους
17:05
using these deep learning approaches?
342
1025619
2839
με την προσέγγιση της βαθιάς μάθησης;
17:08
So I'm very excited about the opportunities.
343
1028458
2232
Είμαι ενθουσιασμένος με αυτές τις προοπτικές.
17:10
I'm also concerned about the problems.
344
1030690
2589
Ανησυχώ επίσης και για τα προβλήματα.
17:13
The problem here is that every area in blue on this map
345
1033279
3124
Το πρόβλημα εδώ είναι ότι κάθε μπλε περιοχή στο χάρτη
17:16
is somewhere where services are over 80 percent of employment.
346
1036403
3769
είναι μέρος όπου οι υπηρεσίες είναι πάνω από το 80% της απασχόλησης.
17:20
What are services?
347
1040172
1787
Ποιες είναι οι υπηρεσίες;
17:21
These are services.
348
1041959
1514
Αυτές είναι οι υπηρεσίες.
17:23
These are also the exact things that computers have just learned how to do.
349
1043473
4154
Είναι αυτά ακριβώς τα πράγματα που ο υπολογιστής μόλις έμαθε να κάνει.
17:27
So 80 percent of the world's employment in the developed world
350
1047627
3804
Έτσι το 80% της παγκόσμιας απασχόλησης στον αναπτυσσόμενο κόσμο
17:31
is stuff that computers have just learned how to do.
351
1051431
2532
είναι πράγματα που οι υπολογιστές μόλις έμαθαν να κάνουν.
17:33
What does that mean?
352
1053963
1440
Τι σημαίνει αυτό;
17:35
Well, it'll be fine. They'll be replaced by other jobs.
353
1055403
2583
Κάτι θα γίνει. Θα αντικατασταθούν από άλλες δουλειές.
17:37
For example, there will be more jobs for data scientists.
354
1057986
2707
Θα γίνουν περισσότερες θέσεις για επιστήμονες δεδομένων.
17:40
Well, not really.
355
1060693
817
Όχι ακριβώς.
17:41
It doesn't take data scientists very long to build these things.
356
1061510
3118
Δεν χρειάζονται πολύ χρόνο να φτιάξουν κάτι τέτοιο.
17:44
For example, these four algorithms were all built by the same guy.
357
1064628
3252
Αυτούς τους τέσσερις αλγόριθμους τους έφτιαξε το ίδιο άτομο.
17:47
So if you think, oh, it's all happened before,
358
1067880
2438
Αν σκεφτείτε, εντάξει, το έχουμε ξαναδεί το έργο,
17:50
we've seen the results in the past of when new things come along
359
1070318
3808
είδαμε τα αποτελέσματα στο παρελθόν όταν προέκυψαν νέες ανάγκες
17:54
and they get replaced by new jobs,
360
1074126
2252
και αντικαταστάθηκαν από νέα επαγγέλματα,
17:56
what are these new jobs going to be?
361
1076378
2116
ποια θα είναι τα νέα επαγγέλματα;
17:58
It's very hard for us to estimate this,
362
1078494
1871
Είναι πολύ δύσκολο να το εκτιμήσουμε
18:00
because human performance grows at this gradual rate,
363
1080365
2739
γιατί η ανθρώπινη απόδοση αυξάνεται με σταδιακό ρυθμό,
18:03
but we now have a system, deep learning,
364
1083104
2562
αλλά τώρα έχουμε το σύστημα βαθιάς μάθησης
18:05
that we know actually grows in capability exponentially.
365
1085666
3227
που αυξάνει την ικανότητά του με ρυθμούς γεωμετρικής προόδου.
18:08
And we're here.
366
1088893
1605
Και είμαστε εδώ.
18:10
So currently, we see the things around us
367
1090498
2061
Προς το παρόν, κοιτάμε γύρω μας και σκεφτόμαστε
18:12
and we say, "Oh, computers are still pretty dumb." Right?
368
1092559
2676
«Οι υπολογιστές είναι χαζά μηχανήματα». Σωστά;
18:15
But in five years' time, computers will be off this chart.
369
1095235
3429
Σε πέντε χρόνια όμως, οι υπολογιστές θα έχουν φύγει από τα όρια του πίνακα.
18:18
So we need to be starting to think about this capability right now.
370
1098664
3865
Θα πρέπει να αρχίσουμε να σκεφτόμαστε αυτή την ικανότητα άμεσα.
18:22
We have seen this once before, of course.
371
1102529
2050
Το έχουμε δει ακόμη μια φορά στο παρελθόν.
18:24
In the Industrial Revolution,
372
1104579
1387
Στη Βιομηχανική Επανάσταση
18:25
we saw a step change in capability thanks to engines.
373
1105966
2851
είδαμε μια αλλαγή ρυθμού στην ικανότητα χάρις στις μηχανές.
18:29
The thing is, though, that after a while, things flattened out.
374
1109667
3138
Το θέμα είναι βέβαια, ότι μετά από λίγο τα πράγματα ισοπεδώθηκαν.
18:32
There was social disruption,
375
1112805
1702
Υπήρξε κοινωνική διάσπαση,
18:34
but once engines were used to generate power in all the situations,
376
1114507
3439
αλλά εφόσον οι μηχανές χρησιμοποιήθηκαν για την παραγωγή ενέργειας παντού
18:37
things really settled down.
377
1117946
2354
τα πράγματα έφτασαν σε μια σταθερότητα.
18:40
The Machine Learning Revolution
378
1120300
1473
Η Επανάσταση Μηχανικής Μάθησης
18:41
is going to be very different from the Industrial Revolution,
379
1121773
2909
θα διαφέρει πολύ από τη Βιομηχανική Επανάσταση
18:44
because the Machine Learning Revolution, it never settles down.
380
1124682
2950
επειδή η Μηχανική Μάθηση ποτέ δεν φτάνει σε στάδιο σταθερότητας.
18:47
The better computers get at intellectual activities,
381
1127632
2982
Όσο οι υπολογιστές βελτιώνονται σε διανοητικές ικανότητες,
18:50
the more they can build better computers to be better at intellectual capabilities,
382
1130614
4248
θα φτιάξουν καλύτερους υπολογιστές που θα βελτιωθούν διανοητικά περισσότερο,
18:54
so this is going to be a kind of change
383
1134862
1908
έτσι θα είναι ένα είδος αλλαγής
18:56
that the world has actually never experienced before,
384
1136770
2478
που ο κόσμος δεν έχει ξαναζήσει,
18:59
so your previous understanding of what's possible is different.
385
1139248
3306
έτσι η προηγούμενη αντίληψή σας για το τι είναι δυνατόν είναι διαφορετική.
19:02
This is already impacting us.
386
1142974
1780
Ήδη μας επηρεάζει.
19:04
In the last 25 years, as capital productivity has increased,
387
1144754
3630
Τα τελευταία 25 χρόνια, καθώς αυξανόταν η παραγωγικότητα κεφαλαίου,
19:08
labor productivity has been flat, in fact even a little bit down.
388
1148400
4188
η παραγωγικότητα εργασίας έμενε σταθερή, ίσως και να μειωνόταν ελάχιστα.
19:13
So I want us to start having this discussion now.
389
1153408
2741
Ας ξαναρχίσουμε αυτή τη συζήτηση τώρα.
19:16
I know that when I often tell people about this situation,
390
1156149
3027
Ξέρω ότι όταν κάνω συζήτηση σχετικά με αυτή την κατάσταση,
οι άνθρωποι γίνονται απαξιωτικοί.
19:19
people can be quite dismissive.
391
1159176
1490
19:20
Well, computers can't really think,
392
1160666
1673
Οι υπολογιστές δεν μπορούν να σκεφτούν,
19:22
they don't emote, they don't understand poetry,
393
1162339
3028
δεν νιώθουν, δεν καταλαβαίνουν την ποίηση,
19:25
we don't really understand how they work.
394
1165367
2521
εμείς δεν καταλαβαίνουμε πραγματικά πώς αυτοί λειτουργούν.
19:27
So what?
395
1167888
1486
Και λοιπόν;
19:29
Computers right now can do the things
396
1169374
1804
Οι υπολογιστές τώρα μπορούν να κάνουν όσα οι άνθρωποι πληρώνονται για να κάνουν
19:31
that humans spend most of their time being paid to do,
397
1171178
2719
19:33
so now's the time to start thinking
398
1173897
1731
έτσι είναι καιρός να σκεφτούμε
19:35
about how we're going to adjust our social structures and economic structures
399
1175628
4387
πώς θα αναπροσαρμόσουμε τις κοινωνικές και οικονομικές δομές
19:40
to be aware of this new reality.
400
1180015
1840
σε αυτή τη νέα πραγματικότητα.
19:41
Thank you.
401
1181855
1533
Ευχαριστώ.
(Χειροκρότημα)
19:43
(Applause)
402
1183388
802
Σχετικά με αυτόν τον ιστότοπο

Αυτός ο ιστότοπος θα σας παρουσιάσει βίντεο στο YouTube που είναι χρήσιμα για την εκμάθηση της αγγλικής γλώσσας. Θα δείτε μαθήματα αγγλικών που διδάσκουν κορυφαίοι καθηγητές από όλο τον κόσμο. Κάντε διπλό κλικ στους αγγλικούς υπότιτλους που εμφανίζονται σε κάθε σελίδα βίντεο για να αναπαράγετε το βίντεο από εκεί. Οι υπότιτλοι μετακινούνται συγχρονισμένα με την αναπαραγωγή του βίντεο. Εάν έχετε οποιαδήποτε σχόλια ή αιτήματα, παρακαλούμε επικοινωνήστε μαζί μας χρησιμοποιώντας αυτή τη φόρμα επικοινωνίας.

https://forms.gle/WvT1wiN1qDtmnspy7