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

جِرِمی هووارد: پیامدهای شگفت انگیز و هولناک رایانه هایی که می توانند یاد بگیرند

Translator: Babak Azizafshari Reviewer: soheila Jafari

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

در گذشته اگه می خواستین یه رایانه کار جدیدی انجام بده،

you would have to program it.

باید برنامه اش رو بهش می دادین.

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

خوب، برای اونایی که تا حالا برنامه ننوشتن،

requires laying out in excruciating detail

این کار نیاز به تعریف جزئیات طاقت فرسای

every single step that you want the computer to do

تک تک مراحلی داره که می‌خواین رایانه انجام بده

in order to achieve your goal.

تا به هدف مورد نظر شما برسه.

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

حالا، اگه بخواین کاری انجام بدین که خودتون نمی دونین چطور انجام میشه،

then this is going to be a great challenge.

با چالش بزرگی روبرو میشین.

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

خوب، این چالشی بود که رو در روی این مرد، آرتور ساموئل، قرار داشت.

In 1956, he wanted to get this computer

او در سال ۱۹۵۶، می خواست این رایانه

بتونه اونو تو بازی چکرز (دام، جنگ نادر) شکست بده.

to be able to beat him at checkers.

How can you write a program,

چطور می‌تونین برنامه‌ای بنویسین،

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

که با تمام جزئیات طاقت فرسا، به رایانه بگه چجوری می تونه تو بازی چکرز از شما بهتر باشه؟

So he came up with an idea:

خوب، ایده ای به ذهنش رسید:

he had the computer play against itself thousands of times

اجازه داد رایانه هزاران بار با خودش بازی کنه،

and learn how to play checkers.

و یاد بگیره چطور چکرز بازی کنه.

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

و در واقع موفق شد، و در عمل، تا سال ۱۹۶۲،

this computer had beaten the Connecticut state champion.

این رایانه تونسته بود قهرمان ایالت کانکتیکات رو شکست بده.

So Arthur Samuel was the father of machine learning,

پس آرتور ساموئل پدر یادگیری ماشینی بود،

and I have a great debt to him,

و من دین بزرگی بهش دارم،

because I am a machine learning practitioner.

چون کارم یادگیری ماشینیه.

I was the president of Kaggle,

من رئیس کاگل بودم،

a community of over 200,000 machine learning practictioners.

با بیش از دویست هزار نفر که کارشون یادگیری ماشینیه.

Kaggle puts up competitions

کاگل مسابقاتی برگزار می کنه

to try and get them to solve previously unsolved problems,

و از شرکت کننده ها می خواد مسئله هایی رو که قبلاً حل نشده ن حل کنن،

and it's been successful hundreds of times.

و این رقابت صدها بار موفق بوده.

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

پس به دلیل همین امتیاز، تونستم چیزای زیادی

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

درباره کارهایی بفهمم که یادگیری ماشینی در گذشته می تونست بکنه، امروز می تونه بکنه،

and what it could do in the future.

و در آینده می تونه بکنه.

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

احتمالاً اولین موفقیت بزرگ تجاری یادگیری ماشینی گوگل بود،

Google showed that it is possible to find information

گوگل نشون داد یافتن اطلاعات

by using a computer algorithm,

از راه الگوریتم رایانه امکان پذیره،

and this algorithm is based on machine learning.

و اساس این الگوریتم، یادگیری ماشینیه.

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

از اون هنگام، یادگیری ماشینی به موفقیتهای تجاری بسیاری دست یافته.

Companies like Amazon and Netflix

شرکت هایی مانند آمازون و نتفلیکس

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

برای پیشنهاد محصولاتی که احتمالاً دوست دارین بخرین از یادگیری ماشینی استفاده می کنن،

movies that you might like to watch.

یا فیلمهایی که احتمالاً دوست دارین ببینین.

Sometimes, it's almost creepy.

گاهی این کار به طور نامحسوس انجام می شه.

Companies like LinkedIn and Facebook

شرکتهایی مانند لینکدین و فیسبوک

sometimes will tell you about who your friends might be

گاهی به شما درباره دوستهاتون می گن

and you have no idea how it did it,

و شما نمی دونین این کارو چجوری انجام میدن،

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

و دلیلش اینه که از قدرت یادگیری ماشینی استفاده می کنن.

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

اینها الگوریتم هایی هستن که یاد گرفتن این کار رو با داده ها انجام بدن

rather than being programmed by hand.

به جای اینکه با دست برنامه ربزی بشن.

This is also how IBM was successful

آی بی ام هم به همین ترتیب موفق شد

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

کاری بکنه که واتسون در مسابقه تلویزیونی "محک" دو نفر از قهرمانان جهان رو شکست بده،

answering incredibly subtle and complex questions like this one.

با پاسخ به پرسشهای بسیار ریز و پیچیده مانند این یکی.

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

[شیء باستانی "شیر نیمرود" در سال ۲۰۰۳ (به همراه اشیای دیگر) از موزه ملی این شهر به سرقت رفت]

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

همچنین به همین دلیله که حالا می تونیم اولین خودروهای بدون راننده رو ببینیم.

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

اگه بخواین تفاوت

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

یه درخت و یه عابر پیاده رو تشخیص بدین، خوب، این خیلی مهمه.

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

نمی دونیم چطور این برنامه ها رو با دست بنویسیم،

but with machine learning, this is now possible.

اما حالا با یادگیری ماشینی، این کار امکان پذیره.

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

و در واقع، این ماشین بیش از یک و نیم میلیون کیلومتر

without any accidents on regular roads.

بدون هیچ تصادفی در جاده های عادی راه رفته.

So we now know that computers can learn,

پس حالا می دونیم که رایانه ها می تونن یاد بگیرن،

and computers can learn to do things

و رایانه ها می تونن کارهایی رو یاد بگیرن

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

که در واقع خود ما گاهی نمی تونیم انجام بدیم،

or maybe can do them better than us.

یا شاید اونا بهتر از ما انجام می دن.

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

یکی از عجیب ترین نمونه های یادگیری ماشینی که دیده ام

happened on a project that I ran at Kaggle

در پروژه ای بود که در کاگل داشتم

where a team run by a guy called Geoffrey Hinton

و در اون گروهی به سرپرستی جفری هینتون

from the University of Toronto

از دانشگاه تورونتو

won a competition for automatic drug discovery.

برنده مسابقه ی کشف خودکار دارو شد.

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

خوب، نکته فوق العاده فقط این نبود که اونها

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

همه الگوریتم های طراحی شده توسط مِرک یا دانشگاههای بین المللی رو شکست دادن،

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

بلکه این بود که هیچ یک از اعضای گروه، هیچ زمینه ای از شیمی یا زیست شناسی یا علوم زیستی نداشتن،

and they did it in two weeks.

و این کار رو در دو هفته انجام دادن.

How did they do this?

چطور این کار رو کردن؟

They used an extraordinary algorithm called deep learning.

اونها از الگوریتم فوق العاده ای به نام یادگیری عمیق استفاده کردن.

So important was this that in fact the success was covered

این خبر چنان مهم بود که موفقیت اونها

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

چند هفته بعد روی جلد نیویورک تایمز منعکس شد.

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

این جفری هینتونه اینجا سمت چپ.

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

یادگیری عمیق الگوریتمی بر اساس نحوه کار مغز انسانه،

and as a result it's an algorithm

و در نتیجه الگوریتمیه

which has no theoretical limitations on what it can do.

که از نظر تئوری هیچ محدودیتی در توانایی انجام کار نداره.

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

هر چه داده بیشتری به اون بدین، و با گذشت زمان

the better it gets.

بهتر می شه.

The New York Times also showed in this article

همچنین نیویورک تایمز در این مطلب

another extraordinary result of deep learning

به یه نتیجه خارق العاده دیگه از یادگیری عمیق اشاره کرد

which I'm going to show you now.

که حالا به شما نشون میدم.

It shows that computers can listen and understand.

اینجا می بینین که رایانه ها می تونن گوش بدن و بفهمن.

(Video) Richard Rashid: Now, the last step

(ویدئو) ریچارد رشید: حالا، آخرین مرحله ای

that I want to be able to take in this process

که میخوام انجام بدم

is to actually speak to you in Chinese.

در واقع اینه که به زبان چینی با تو صحبت کنم.

Now the key thing there is,

نکته ی مهم اینه که

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

تونستیم حجم بالایی از اطلاعات رو از تعداد زیادی چینی زبان جمع کنیم

and produce a text-to-speech system

و یه سیستم نوشتار-به-گفتار ایجاد کنیم

that takes Chinese text and converts it into Chinese language,

که نوشته های چینی رو به زبان چینی تبدیل می کنه،

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

و بعد حدود یه ساعت از صدای خودمو ضبط کردیم

and we've used that to modulate

و از اون برای تنظیم

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

سیستم استاندارد نوشتار-به-گفتار استفاده کردیم تا شبیه من بشه.

Again, the result's not perfect.

باز هم نتیجه ایده آل نیست.

There are in fact quite a few errors.

در واقع اشتباههایی وجود داره.

(In Chinese)

(به زبان چینی)

(Applause)

(تشویق)

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

در این زمینه کار زیادی باید انجام بشه.

(In Chinese)

(به زبان چینی)

(Applause)

(تشویق)

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

جرمی هووارد: خوب، اینجا یه کنفرانس درباره یادگیری ماشین تو چینه.

It's not often, actually, at academic conferences

در واقع در اغلب کنفرانسهای دانشگاهی،

that you do hear spontaneous applause,

حضار اینطوری خودبخود تشویق نمی کنن،

although of course sometimes at TEDx conferences, feel free.

البته گاهی در کنفرانسهای تدکس پیش میاد، راحت باشین.

Everything you saw there was happening with deep learning.

همه چیزهایی که اونجا دیدین حاصل یادگیری عمیق بود.

(Applause) Thank you.

(تشویق) متشکرم.

The transcription in English was deep learning.

رونویسی به انگلیسی یادگیری عمیق بود.

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

رونویسی به چینی و نوشته ی بالا سمت راست، یادگیری عمیق،

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

و شکل گیری صدا نیز یادگیری عمیق بود.

So deep learning is this extraordinary thing.

یادگیری عمیق چنین پدیده ی خارق العاده ایه.

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

یه الگوریتم واحد که به نظر میرسه بتونه تقریباً هر کاری بکنه،

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

و فهمیدم که یه سال قبل، دیدن رو هم یاد گرفته.

In this obscure competition from Germany

در این مسابقه عجیب از آلمان

called the German Traffic Sign Recognition Benchmark,

به نام مسابقه تشخیص تابلوهای ترافیکی آلمان،

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

یادگیری عمیق تابلوهایی مثل این رو یاد گرفته بود.

Not only could it recognize the traffic signs

نه تنها میتونست تابلوها رو

better than any other algorithm,

بهتر از هر الگوریتم دیگه ای بشناسه،

the leaderboard actually showed it was better than people,

بلکه جدول نشون میداد از انسان هم بهتره،

about twice as good as people.

تقریباً دو برابر بهتر از انسان.

So by 2011, we had the first example

پس تا سال ۲۰۱۱، اولین نمونه ی

of computers that can see better than people.

رایانه هایی رو داشتیم که بهتر از انسان می بینن.

Since that time, a lot has happened.

از اون موقع، اتفاقات زیادی افتاده.

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

گوگل در سال ۲۰۱۲ اعلام کرد که دارای الگوریتم یادگیری عمیقی

watch YouTube videos

که ویدئوهای یوتیوب رو می بینه هستند

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

و داده های اونو در عرض یه ماه تو ۱۶ هزار رایانه پردازش میکنه،

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

و رایانه بطور مستقل موضوعاتی مثل آدمها و گربه ها رو یاد گرفته

just by watching the videos.

فقط با تماشای ویدئو.

This is much like the way that humans learn.

تا حدود زیادی شبیه یادگیری آدمه.

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

برای یاد گرفتن آدمها لازم نیست به اونا بگین چیزی که می بینن چیه،

but by learning for themselves what these things are.

بلکه خودشون یاد میگیرن این چیزها چیه.

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

همین طور در سال ۲۰۱۲، جفری هینتون که قبلاً دیدیمش،

won the very popular ImageNet competition,

مسسابقه ی بسیار معروف ایمیج نت رو برنده شد،

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

که باید یک و نیم میلیون عکس رو نگاه می کرد

what they're pictures of.

و می گفت عکس چی هستن.

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

حالا در سال ۲۰۱۴ تونستیم خطا رو به شش درصد

in image recognition.

در شناسایی تصویر پایین بیاریم.

This is better than people, again.

این هم بهتر از آدمه.

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

پس ماشین تو این کار خیلی بهتره،

and it is now being used in industry.

و حالا دارن تو صنعت ازش استفاده میکنن.

For example, Google announced last year

مثلاً گوگل سال پیش اعلام کرد

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

نقشه ی همه جای فرانسه رو در عرض دو ساعت تهیه کرده،

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

و این کارو با استفاده از تصاویر دوربینهای خیابان انجام دادن

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

و یه الگوریتم یادگیری عمیق که میتونست شماره خیابونها رو بخونه و بشناسه.

Imagine how long it would have taken before:

تصور کنین قبلاً می تونست چقدر طول بکشه:

dozens of people, many years.

چندین نفر، چندین سال.

This is also happening in China.

همین اتفاق داره تو چین میفته.

Baidu is kind of the Chinese Google, I guess,

بایدو یه جور گوگل چینیه، فکر کنم،

and what you see here in the top left

و چیزی که اینجا سمت چپ و بالا می بینین

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

نمونه ای از تصویریه که من در سیستم یادگیری عمیق بایدو آپلود کردم،

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

و پایینش می تونین ببینین که سیستم فهمیده اون تصویر چیه

and found similar images.

و تصاویر مشابه رو پیدا کرده.

The similar images actually have similar backgrounds,

تصاویر مشابه در واقع دارای زمینه مشابه،

similar directions of the faces,

و جهت مشابه چهره ها هستن،

even some with their tongue out.

حتی زبون بعضیا بیرونه.

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

این جستجوی واضح یه متن از یه صفحه وب نیست.

All I uploaded was an image.

تمام چیزی که آپلود کردم یه تصویر بود.

So we now have computers which really understand what they see

پس حالا رایانه هایی داریم که چیزی رو که می بینن واقعاً میفهمن

and can therefore search databases

و بنابراین میتونن بانکهای اطلاعاتی

of hundreds of millions of images in real time.

صدها میلیون تصویری رو در یه لحظه جستجو کنن.

So what does it mean now that computers can see?

پس حالا اینکه رایانه ها میتونن ببینن یعنی چی؟

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

خوب، فقط این نیست که رایانه ها میتونن ببینن.

In fact, deep learning has done more than that.

در واقع، یادگیری عمیق بیشتر از این انجام داده.

Complex, nuanced sentences like this one

جملات پیچیده و ظریف مثل این یکی

are now understandable with deep learning algorithms.

حالا با الگوریتم های یادگیری عمیق قابل فهمه.

As you can see here,

همون طور که میتونین اینجا ببینین،

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

این سیستم مستقر در استنفورد که نقطه قرمزی اون بالا داره

has figured out that this sentence is expressing negative sentiment.

به این نتیجه رسیده که این جمله بار عاطفی منفی داره.

Deep learning now in fact is near human performance

حالا در واقع یادگیری عمیق به عملکرد انسان نزدیک شده

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

در فهم اینکه جمله ها درباره ی چیه وهر جمله درباره اون چیزها چی میگه.

Also, deep learning has been used to read Chinese,

هم چنین، یادگیری عمیق برای خواندن متون چینی به کار رفته،

again at about native Chinese speaker level.

باز هم در سطحی که معادل حرف زدن یه آدم چینی تبار اصیله،

This algorithm developed out of Switzerland

این الگوریتم در سویس ساخته شده

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

توسط افرادی که هیچ کدوم نمی تونن چینی حرف بزنن یا بفهمن.

As I say, using deep learning

همون طور که گفتم، با استفاده از یادگیری عمیق

is about the best system in the world for this,

یعنی استفاده از بهترین سیستم موجود در دنیا در این مورد،

even compared to native human understanding.

حتی در مقایسه با فهم یه آدم بومی اصیل.

This is a system that we put together at my company

این سیستمیه که ما تو شرکتمون جمع کردیم

which shows putting all this stuff together.

که نشون میده همه این چیزها کنار هم جمع شده.

These are pictures which have no text attached,

اینها تصاویریه که هیچ متنی به اونها پیوست نیست،

and as I'm typing in here sentences,

و همینکه اینجا جمله هایی تایپ میکنم،

in real time it's understanding these pictures

در همون لحظه داره اون تصاویر رو میفهمه

and figuring out what they're about

و داره تصمیم میگیره موضوع اونا چیه

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

و تصاویری رو که شبیه متنیه که من دارم می نویسم پیدا می کنه.

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

پس می تونین ببینین که در واقع جمله های منو میفهمه

and actually understanding these pictures.

و در واقع این تصاویر رو میفهمه.

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

میدونم یه چیزی شبیه اینو تو گوگل دیدین،

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

اونجا میتونین چیزهایی تایپ کنین و تصاویری به شما نشون میده،

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

اما در واقع کاری که انجام میده اینه که صفحه وب رو دنبال اون متن میگرده.

This is very different from actually understanding the images.

این با فهم واقعی تصاویر خیلی فرق داره.

This is something that computers have only been able to do

این چیزیه که رایانه ها فقط تونستن

for the first time in the last few months.

برای اولین بار در چند ماه اخیر انجامش بدن.

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

پس حالا می بینیم که رایانه ها هم می تونن ببینن و هم میتونن بخونن،

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

و البته، نشون دادیم که میتونن چیزی رو که می شنون بفهمن.

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

شاید حالا عجیب نباشه که میخوام بگم میتونن بنویسن.

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

این متنیه که دیروز با یه الگوریتم یادگیری عمیق ایجاد کردم.

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

و این متنیه که یه الگوریتم از استنفورد ایجاد کرده.

Each of these sentences was generated

هر دو جمله توسط

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

الگوریتم یادگیری عمیق برای توصیف این تصاویر ایجاد شده.

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

این الگوریتم قبلاً هرگز ندیده بود یه مرد با پیراهن مشکی گیتار بنوازد.

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

قبلاً یه مرد دیده بود، قبلاً مشکی دیده بود،

it's seen a guitar before,

قبلاً یه گیتار دیده بود،

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

اما بدون کمک کسی توانست چنین توصیف نابی از این تصویر ایجاد کند.

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

البته هنوز به سطح عملکرد انسان نرسیده ایم، اما به آن نزدیک شده ایم.

In tests, humans prefer the computer-generated caption

در آزمونها، افراد توصیف های رایانه رو

one out of four times.

به نسبت یک به چهار ترجیح میدن.

Now this system is now only two weeks old,

حالا این سیستم فقط دو هفته س به وجود اومده،

so probably within the next year,

بنابراین در عرض یه سال آینده،

the computer algorithm will be well past human performance

الگوریتم رایانه ای احتمالاً انسان رو پشت سر میذاره

at the rate things are going.

با این سرعت که کارها پیش میره.

So computers can also write.

پس رایانه ها نوشتن هم بلدن.

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

پس همه ی اینها رو کنار هم میذاریم و نتیجه ش فرصت های بسیار مهیجی میشه.

For example, in medicine,

مثلاً، در پزشکی،

a team in Boston announced that they had discovered

یه گروه در بوستون اعلام کرده

dozens of new clinically relevant features

چندین ویژگی مهم یالینی

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

از تومورها رو پیدا کرده که به دکترها در تعیین پیش آگهی سرطان کمک می کنن.

Very similarly, in Stanford,

به طرز بسیار مشابه، در استنفورد،

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

یه گروه اعلام کرده، با نگاه کردن به بافتها، با بزرگنمایی بالا،

they've developed a machine learning-based system

یه سیستم بر اساس یادگیری ماشینی درست کردن

which in fact is better than human pathologists

که در واقع بهتر از دکترهای آسیب شناس

at predicting survival rates for cancer sufferers.

میزان بقای مبتلایان به سرطان رو پیش بینی می کنه.

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

در هر دو مورد فوق، نه تنها پیش بینی ها دقیق تره،

but they generated new insightful science.

بلکه جنبه های جدیدی از بصیرت علمی به وجود اومده.

In the radiology case,

در مورد رادیولوژی،

they were new clinical indicators that humans can understand.

شاخص های بالینی جدیدی به دست اومده که انسان قادر به فهم اونهاست.

In this pathology case,

در این مورد آسیب شناسی،

the computer system actually discovered that the cells around the cancer

سیستم رایانه ای در واقع فهمید که سلولهای اطراف سرطان

are as important as the cancer cells themselves

به اندازه ی خود سلولهای سرطانی

in making a diagnosis.

در رسیدن به تشخیص مهم هستن.

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

این برخلاف چیزیه که دهها ساله به آسیب شناسها یاد میدن.

In each of those two cases, they were systems developed

در هر یک از دو مورد فوق، اون سیستمها

by a combination of medical experts and machine learning experts,

با ترکیبی از نظر خبرگان پزشکی و خبرگان یادگیری ماشینی شکل گرفت،

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

اما از سال گذشته تا حالا از اون هم جلوتر رفتیم.

This is an example of identifying cancerous areas

این نمونه ای از تشخیص نواحی سرطانی

of human tissue under a microscope.

بافتهای انسان در زیر میکروسکوپه.

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

سیستمی که اینجا نشون داده شده میتونه اون نواحی رو دقیق تر از

or about as accurately, as human pathologists,

یا با دقت معادل دکترهای آسیب شناس تشخیص بده،

but was built entirely with deep learning using no medical expertise

اما به طور کامل توسط یادگیری عمیق و بدون کمک تخصصی پزشکی ساخته شده

by people who have no background in the field.

توسط افرادی که هیچ سابقه ای در این زمینه ندارن.

Similarly, here, this neuron segmentation.

به طور مشابه، اینجا، این قطعه قطعه شدن عصب.

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

ما حالا میتونیم اعصاب رو با دقت مشابه انسان قطعه قطعه کنیم،

but this system was developed with deep learning

اما این سیستم با یادگیری عمیق ایجاد شده

using people with no previous background in medicine.

توسط افرادی که هیچ سابقه ی پزشکی ندارن.

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

پس خودم، به عنوان کسی که هیچ سابقه ی پزشکی ندارم،

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

به نظر میرسه کاملاً آمادگی دارم یه شرکت جدید پزشکی تأسیس کنم،

which I did.

که همین کارو کردم.

I was kind of terrified of doing it,

یه جورایی از انجام این کار میترسیدم،

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

اما به طور نظری امکانش بود

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

که با این فنون تحلیل داده بتونم کار پزشکی بسیار مفیدی انجام بدم.

And thankfully, the feedback has been fantastic,

و شُکر که بازخوردش خارق العاده بوده،

not just from the media but from the medical community,

نه تنها از رسانه ها بلکه از جامعه ی پزشکی،

who have been very supportive.

که خیلی حمایت کردن.

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

فرضیه اینه که میتونیم قسمت وسط فرآیند پزشکی رو بگیریم

and turn that into data analysis as much as possible,

و اونو تا حد امکان به تحلیل داده ها تبدیل کنیم،

leaving doctors to do what they're best at.

و کارهایی رو که دکترها بهتر انجام میدن به اونها بسپاریم.

I want to give you an example.

میخوام یه مثال براتون بزنم.

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

حالا به وجود اومدن یه آزمایش تشخیصی جدید حدود ۱۵ دقیقه طول میکشه

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

و حالا اینو به طور زنده به شما نشون میدم،

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

اما با برش چند قسمت فشرده ش کردم به سه دقیقه.

Rather than showing you creating a medical diagnostic test,

بجای آزمایش تشخیص پزشکی

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

میخوام یه آزمایش تشخیص تصاویر خودرو براتون بسازم،

because that's something we can all understand.

چون چیزیه که همه ی ما میفهمیم.

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

پس اینجا با حدود یک و نیم میلیون تصویر خودرو شروع می کنیم،

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

و میخوام چیزی درست کنم که بتون اونها رو بر اساس زاویه ی عکاسی

of the photo that's being taken.

دسته بندی کنه.

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

خوب همه ی این تصاویر بدون برچسب هستن، پس ناچارم از اول شروع کنم.

With our deep learning algorithm,

با الگوریتم یادگیری عمیق ما،

it can automatically identify areas of structure in these images.

این سیستم میتونه به طور خودکار ساختارهای هر تصویر رو شناسایی کنه.

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

خوب نکته ی مثبت اینه که حالا انسان و رایانه میتونن با هم کار کنن.

So the human, as you can see here,

پس انسان، همون طور که اینجا میتونین ببینین،

is telling the computer about areas of interest

داره موارد مورد نظر رو به رایانه میگه

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

و از رایانه میخواد با استفاده از اونها الگوریتم خودشو بهتر کنه.

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

حالا این سیستمهای یادگیری عمیق در واقع در فضای ۱۶ هزار بعدی هستن،

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

پس اینجا می تونین ببینین رایانه اینو در اون فضا میچرخونه،

trying to find new areas of structure.

و سعی میکنه ساختارهای جدید رو پیدا کنه.

And when it does so successfully,

و وقتی این کار رو با چنین موفقیتی انجام میده،

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

فردی که داره هدایتش میکنه میتونه نواحی مورد نظر رو نشون بده.

So here, the computer has successfully found areas,

پس اینجا، رایانه موفق شده نواحی،

for example, angles.

مثلاً زاویه ها رو پیدا کنه.

So as we go through this process,

پس طی این فرآیند،

we're gradually telling the computer more and more

به تدریج به رایانه

about the kinds of structures we're looking for.

نکات بیشتر و بیشتری درباره ی انواع ساختارهای مورد نظرمون میگیم.

You can imagine in a diagnostic test

میتونین فرض کنین در یه آزمایش تشخیصی

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

این میتونه یه آسیب شناس باشه که مثلاً نواحی آسیب رو شناسایی می کنه،

or a radiologist indicating potentially troublesome nodules.

یا یه رادیولوژیست که گره های بالقوه مشکل دار رو نشون میده.

And sometimes it can be difficult for the algorithm.

و این گاهی ممکنه برای الگوریتم مشکل باشه.

In this case, it got kind of confused.

در این مورد، یه جورایی سردرگم شد.

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

جلو و عقب خودروها همه در همه.

So here we have to be a bit more careful,

پس اینجا باید کمی بیشتر دقت کنیم،

manually selecting these fronts as opposed to the backs,

با دست جلو و عقب رو مشخص کنیم،

then telling the computer that this is a type of group

بعد به رایانه بگیم این نوع گروهیه

that we're interested in.

که منظور ماست.

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

پس این کار رو مدتی انجام میدیم، کمی ازش رد میشیم،

and then we train the machine learning algorithm

و بعد به الگوریتم یادگیری ماشینی آموزش میدیم

based on these couple of hundred things,

بر اساس این چند صد چیز،

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

و امیدواریم خیلی بهتر بشه.

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

حالا میتونین ببینین که بعضی از این تصاویر داره محو میشه،

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

که نشون میده خودش کم کم بعضی از اینا رو میشناسه.

We can then use this concept of similar images,

پس میتونیم از این مفهوم تصاویر مشابه استفاده کنیم،

and using similar images, you can now see,

و با استفاده از تصاویر مشابه، حالا میتونین ببینین که،

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

رایانه در این نقطه میتونه فقط جلوی خودروها رو کاملاً بشناسه.

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

پس در این نقطه، انسان میتونه به رایانه بگه،

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

خوب، بله، کارت خوب بود.

Sometimes, of course, even at this point

گاهی، البته، حتی در این نقطه،

it's still difficult to separate out groups.

جدا کردن گروهها مشکله.

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

در این مورد، حتی بعد از اینکه رایانه مدتی اینجا میچرخه،

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

هنوز می بینیم که سمت چپ و راست تصاویر

are all mixed up together.

همه در همه.

So we can again give the computer some hints,

پس دوباره میتونیم به رایانه کمک کنیم،

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

و بگیم خوب، حالا سعی کن زائده ای رو پیدا کنی

the left sides and the right sides as much as possible

که سمت چپ و راست رو تا حد امکان مشخص کنه

using this deep learning algorithm.

به کمک این الگوریتم یادگیری عمیق.

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

و با این کمک-- آهان، بله، موفق شده.

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

تونسته راهی پیدا کنه که درباره این اشیا فکر کنه

that's separated out these together.

و اینها رو از هم جدا کنه.

So you get the idea here.

پس ایده رو اینجا گرفتین.

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

اینجا رایانه جای انسان رو نمی گیره،

but where they're working together.

بلکه با هم کار میکنن.

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

کاری که اینجا می کنیم اینه که کاری که وقت یه گروه

of five or six people about seven years

پنج یا شش نفره رو حدود هفت سال می گرفت

and replacing it with something that takes 15 minutes

به سیستمی میدیم که همون کار رو در عرض ۱۵ دقیقه انجام میده

for one person acting alone.

فقط با یه نفر که به تنهایی کار میکنه.

So this process takes about four or five iterations.

پس این فرآیند حدود چهار یا پنج بار تکرار میشه.

You can see we now have 62 percent

می تونین ببینین که حالا موفق شدیم ۶۲ درصد

of our 1.5 million images classified correctly.

از یک و نیم میلیون تصویر رو دسته بندی کنیم.

And at this point, we can start to quite quickly

و در این نقطه، میتونیم با سرعت تمام

grab whole big sections,

دسته ها رو به طور کامل بگیریم،

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

و هر کدوم رو چک کنیم تا مطمئن بشیم اشتباه نشده.

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

در صورت اشتباه، میتونیم اینو به رایانه اطلاع بدیم.

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

و با این نوع فرآیند برای هر یک از گروههای مختلف،

we are now up to an 80 percent success rate

حالا به موفقیت ۸۰ درصد

in classifying the 1.5 million images.

در طبقه بندی یک و نیم میلیون تصویر رسیدیم.

And at this point, it's just a case

و این نقطه، جاییه که

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

تعداد کمی تصویر درست طبقه بندی نشده،

and trying to understand why.

و سعی می کنه بفهمه چرا.

And using that approach,

و با استفاده از روش فوق،

by 15 minutes we get to 97 percent classification rates.

در عرض ۱۵ دقیقه به میزان طبقه بندی ۹۷ درصد رسیدیم.

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

پس این نوع تکنیک به ما امکان داد یه مشکل بزرگ رو حل کنیم،

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

این مشکل که با کمبود نیروی تخصصی پزشکی در جهان روبرو هستیم.

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

مجمع جهانی اقتصاد اعلام کرده بین ۱۰ تا ۲۰ برابر

shortage of physicians in the developing world,

کمبود پزشک در جهان در حال توسعه وجود داره،

and it would take about 300 years

و حدود ۳۰۰ سال طول میکشه

to train enough people to fix that problem.

تا تعداد کافی پزشک برای حل این مشکل تربیت بشه.

So imagine if we can help enhance their efficiency

پس تصور کنین اگه بتونیم کارایی اونا رو افزایش بدیم

using these deep learning approaches?

با اساتفاده از این روشهای یادگیری عمیق، چی میشه؟

So I'm very excited about the opportunities.

خوب این فرصتها منو به شدت هیجان زده کرده.

I'm also concerned about the problems.

همچنین نگران مشکلات هستم.

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

اینجا مشکل اینه که هر ناحیه آبی رنگ در این نقشه

is somewhere where services are over 80 percent of employment.

جاییه که میزان اشتغال در خدمات بیشتر از ۸۰ درصده.

What are services?

چه خدماتی؟

These are services.

این خدمات.

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

اینها دقیقاً همون چیزهایی هستن که رایانه ها یاد گرفتن انجام بدن.

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

پس ۸۰ درصد اشتغال در جهان توسعه یافته

is stuff that computers have just learned how to do.

مربوط به کارهاییه که رایانه ها بلد هستن.

What does that mean?

مفهومش چیه؟

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

خوب، مشکلی نیست. میتونن در مشاغل دیگه جایگزین بشن.

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

به عنوان مثال، موقعیتهای شغلی بیشتری برای دانشمندان علوم داده ایجاد میشه.

Well, not really.

خوب، نه واقعاً.

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

دانشمندان علوم داده زمان زیادی برای ساختن این چیزها صرف نکردن.

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

به عنوان مثال، این چهار الگوریتم همگی توسط یه نفر ساخته شده.

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

پس اگه فکر کنید، اوه، قبلاً مشابه همین اتفاق افتاده،

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

نتیجه شو در گذشته دیدیم وقتی چیزهای جدید وارد میشه

and they get replaced by new jobs,

و شغلهای جدید جای اونا رو میگیره،

what are these new jobs going to be?

این شغلهای جدید چه خواهد بود؟

It's very hard for us to estimate this,

برآوردش برامون خیلی سخته،

because human performance grows at this gradual rate,

چون عملکرد انسانی به تدریج رشد می کنه،

but we now have a system, deep learning,

اما حالا سیستمی داریم به نام یادگیری عمیق،

that we know actually grows in capability exponentially.

که در واقع میدونیم که از نظر توانایی، سرعت رشد تصاعدی داره.

And we're here.

و ما اینجاییم.

So currently, we see the things around us

پس در حال حاضر، چیزهای اطرفمون رو می بینیم

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

و میگیم، "اوه، رایانه ها هنوز خیلی عقب هستن." درسته؟

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

اما در عرض پنج سال، رایانه ها از این جدول خارج خواهند شد.

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

پس لازمه همین الان شروع به فکر درباره ی این قابلیت کنیم.

We have seen this once before, of course.

البته اینو قبلاً یه بار دیدیم.

In the Industrial Revolution,

در انقلاب صنعتی،

we saw a step change in capability thanks to engines.

با ورود موتورها شاهد یک گام تغییر در قابلیت بودیم.

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

اما نکته این است که پس از مدتی، همه چیز خراب شد.

There was social disruption,

گسست اجتماعی اتفاق افتاد،

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

اما وقتی استفاده از موتورها برای تولید نیرو در موقعیتهای مختلف شروع شد،

things really settled down.

همه چیز واقعاً عادی شد.

The Machine Learning Revolution

انقلاب یادگیری ماشینی

is going to be very different from the Industrial Revolution,

بسیار متفاوت از انقلاب صنعتی خواهد بود،

because the Machine Learning Revolution, it never settles down.

چون انقلاب یادگیری ماشینی، هرگز عادی نمی شود.

The better computers get at intellectual activities,

هر چه رایانه ها در امور ذهنی بهتر می شوند،

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

می تونن رایانه های بهتری بسازن که در امور ذهنی بهتر هستن،

so this is going to be a kind of change

پس این نوعی تغییر خواهد بود

that the world has actually never experienced before,

که جهان هرگز پیش از این تجربه نکرده،

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

پس فهم قبلی شما متفاوت با چیزیه که ممکنه.

This is already impacting us.

این قبلاً در حال تحت تأثیر قرار دادن ماست.

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

در عرض ۲۵ سال اخیر، با افزایش بهره وری سرمایه،

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

بهره وری کار ثابت مانده، در واقع کمی هم افت کرده.

So I want us to start having this discussion now.

بنابراین میخوام این بحث رو الان شروع کنیم.

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

میدونم که اغلب وقتی درباره ی این وضعیت به افراد توضیح میدم،

people can be quite dismissive.

ممکنه کسی اعتنا نکنه.

Well, computers can't really think,

خوب، رایانه ها در واقع نمی تونن فکر کنن،

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

اونها احساس ندارن، شعر رو نمی فهمن،

we don't really understand how they work.

ما در واقع نمیدونیم چطور کار میکنن.

So what?

پس چه؟

Computers right now can do the things

رایانه ها همین الان میتونن کارهایی بکنن

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

که انسانها بیشتر وقتشون رو صرفش می کنن و در مقابلش پول میگیرن،

so now's the time to start thinking

پس الان وقت آن است که شروع کنیم به فکر

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

درباره ی اینکه چطور قراره ساختارهای اجتماعی و ساختارهای اقتصادی خودمونو تغییر بدیم

to be aware of this new reality.

تا از این واقعیت جدید آگاه بشیم.

Thank you.

متشکرم.

(Applause)

(تشویق)