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

595,261 views

2014-12-16 ・ TED


New videos

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

595,261 views ・ 2014-12-16

TED


Veuillez double-cliquer sur les sous-titres anglais ci-dessous pour lire la vidéo.

Traducteur: Erwan Baconnier Relecteur: Hồng Khánh Lê
00:12
It used to be that if you wanted to get a computer to do something new,
0
12880
4013
Avant, si vous vouliez qu'un ordinateur fasse quelque chose de nouveau,
00:16
you would have to program it.
1
16893
1554
vous deviez le programmer.
00:18
Now, programming, for those of you here that haven't done it yourself,
2
18447
3411
La programmation, pour ceux d'entre vous qui n'en ont jamais fait,
00:21
requires laying out in excruciating detail
3
21858
3502
nécessite de décrire, à un niveau de détail effrayant,
00:25
every single step that you want the computer to do
4
25360
3367
chaque étape que vous voulez que l'ordinateur fasse
00:28
in order to achieve your goal.
5
28727
2362
pour atteindre votre but.
00:31
Now, if you want to do something that you don't know how to do yourself,
6
31089
3496
Mais si ce que vous voulez, vous ne savez pas le faire vous-même,
00:34
then this is going to be a great challenge.
7
34585
2063
la programmation devient un immense défi.
00:36
So this was the challenge faced by this man, Arthur Samuel.
8
36648
3483
C'est à ce défi que se confronta cet homme, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
40131
4077
En 1956, il voulut que cet ordinateur
00:44
to be able to beat him at checkers.
10
44208
2340
soit capable de le battre au jeu de dames.
00:46
How can you write a program,
11
46548
2040
Comment écrire un programme,
00:48
lay out in excruciating detail, how to be better than you at checkers?
12
48588
3806
décrire, en d'effrayants détails, comment être meilleur que vous aux dames ?
00:52
So he came up with an idea:
13
52394
1722
Il eut une idée :
00:54
he had the computer play against itself thousands of times
14
54116
3724
faire jouer l'ordinateur contre lui-même des milliers de fois
00:57
and learn how to play checkers.
15
57840
2524
et lui faire apprendre à jouer aux dames.
01:00
And indeed it worked, and in fact, by 1962,
16
60364
3180
Ça a si bien fonctionné que dès 1962
01:03
this computer had beaten the Connecticut state champion.
17
63544
4017
l'ordinateur avait battu le champion du Connecticut.
01:07
So Arthur Samuel was the father of machine learning,
18
67561
2973
Arthur Samuel est le père de la machine apprenante,
01:10
and I have a great debt to him,
19
70534
1717
et j'ai une grande dette envers lui,
01:12
because I am a machine learning practitioner.
20
72251
2763
parce que je travaille dans ce secteur.
01:15
I was the president of Kaggle,
21
75014
1465
J'ai été président de Kaggle,
01:16
a community of over 200,000 machine learning practictioners.
22
76479
3388
une communauté de 200 000 praticiens de l'apprentissage automatique.
01:19
Kaggle puts up competitions
23
79867
2058
Kaggle met en place des compétitions
01:21
to try and get them to solve previously unsolved problems,
24
81925
3708
pour les amener à résoudre des problèmes jusque là non résolus,
01:25
and it's been successful hundreds of times.
25
85633
3837
et ça a été un succès des centaines de fois.
01:29
So from this vantage point, I was able to find out
26
89470
2470
De ce point de vue privilégié, j'ai pu découvrir
01:31
a lot about what machine learning can do in the past, can do today,
27
91940
3950
beaucoup sur ce que l'apprentissage automatique pouvait et peut faire,
01:35
and what it could do in the future.
28
95890
2362
et sur ce qu'il pourra faire demain.
01:38
Perhaps the first big success of machine learning commercially was Google.
29
98252
4423
Le premier grand succès commercial, c'est peut-être Google.
01:42
Google showed that it is possible to find information
30
102675
3109
Google a montré qu'il était possible de trouver des informations
01:45
by using a computer algorithm,
31
105784
1752
en utilisant un algorithme,
01:47
and this algorithm is based on machine learning.
32
107536
2901
et cet algorithme est basé sur l'apprentissage automatique.
01:50
Since that time, there have been many commercial successes of machine learning.
33
110437
3886
L'apprentissage automatique a depuis connu beaucoup d'autres succès commerciaux
01:54
Companies like Amazon and Netflix
34
114323
1837
Des sociétés comme Amazon ou Netflix
01:56
use machine learning to suggest products that you might like to buy,
35
116160
3716
l'utilisent pour suggérer des produits que vous pourriez vouloir acheter,
01:59
movies that you might like to watch.
36
119876
2020
des films que vous pourriez aimer voir.
02:01
Sometimes, it's almost creepy.
37
121896
1807
Parfois, c'en est presque effrayant.
02:03
Companies like LinkedIn and Facebook
38
123703
1954
Des entreprises comme LinkedIn et Facebook
02:05
sometimes will tell you about who your friends might be
39
125657
2594
vous disent parfois qui pourraient être vos amis
02:08
and you have no idea how it did it,
40
128251
1977
et vous ne savez pas comment elles font,
02:10
and this is because it's using the power of machine learning.
41
130228
2967
car elles utilisent le pouvoir de l'apprentissage automatique.
02:13
These are algorithms that have learned how to do this from data
42
133195
2957
Ces algorithmes ont appris à le faire à partir de données
02:16
rather than being programmed by hand.
43
136152
3247
plutôt que d'être programmés manuellement.
02:19
This is also how IBM was successful
44
139399
2478
De la même manière, IBM a pu faire en sorte
02:21
in getting Watson to beat the two world champions at "Jeopardy,"
45
141877
3862
que Watson batte les champions du monde de « Jeopardy »,
02:25
answering incredibly subtle and complex questions like this one.
46
145739
3225
en répondant à des questions très difficiles comme :
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
« Le "Lion de Nimrud" a disparu en 2003 du musée de cette ville »
02:31
This is also why we are now able to see the first self-driving cars.
48
151799
3235
C'est aussi pourquoi nous voyons les premières voitures autonomes.
02:35
If you want to be able to tell the difference between, say,
49
155034
2822
Être capable de faire la différence entre, disons,
02:37
a tree and a pedestrian, well, that's pretty important.
50
157856
2632
un arbre et un piéton, est plutôt important.
02:40
We don't know how to write those programs by hand,
51
160488
2587
Nous ne savons pas écrire de tels programmes manuellement,
02:43
but with machine learning, this is now possible.
52
163075
2997
mais l'apprentissage automatique rend la chose possible.
02:46
And in fact, this car has driven over a million miles
53
166072
2608
Cette voiture a roulé plus de 1,6 millions de km
02:48
without any accidents on regular roads.
54
168680
3506
sur des routes ordinaires, sans le moindre accident.
02:52
So we now know that computers can learn,
55
172196
3914
Nous savons maintenant que les ordinateurs peuvent apprendre,
02:56
and computers can learn to do things
56
176110
1900
et apprendre à faire des choses
02:58
that we actually sometimes don't know how to do ourselves,
57
178010
2838
que nous ne savons pas toujours faire nous-mêmes,
03:00
or maybe can do them better than us.
58
180848
2885
ou qu'ils peuvent peut-être faire mieux que nous.
03:03
One of the most amazing examples I've seen of machine learning
59
183733
4195
Un des cas les plus étonnants d'apprentissage automatique que j'ai vu
03:07
happened on a project that I ran at Kaggle
60
187928
2392
s'est produit lors d'un projet de Kaggle,
03:10
where a team run by a guy called Geoffrey Hinton
61
190320
3591
où une équipe dirigée par Geoffrey Hinton,
03:13
from the University of Toronto
62
193911
1552
de l'Université de Toronto,
03:15
won a competition for automatic drug discovery.
63
195463
2677
a gagné un concours de découverte de la drogue.
03:18
Now, what was extraordinary here is not just that they beat
64
198140
2847
Ce qui est extraordinaire n'est pas juste qu'ils aient battu
03:20
all of the algorithms developed by Merck or the international academic community,
65
200987
4013
tous les algorithmes de Merck ou de la communauté universitaire internationale,
03:25
but nobody on the team had any background in chemistry or biology or life sciences,
66
205000
5061
mais que personne de l'équipe n'ait de formation en chimie ou biologie,
03:30
and they did it in two weeks.
67
210061
2169
et qu'ils l'aient fait en deux semaines.
03:32
How did they do this?
68
212230
1381
Comment ont-ils fait ?
03:34
They used an extraordinary algorithm called deep learning.
69
214421
2921
Avec un algorithme génial appelé apprentissage profond.
03:37
So important was this that in fact the success was covered
70
217342
2949
Ça a été si important que leur succès donna lieu
03:40
in The New York Times in a front page article a few weeks later.
71
220291
3121
à un article en une du New York Times quelques semaines plus tard.
03:43
This is Geoffrey Hinton here on the left-hand side.
72
223412
2735
Il s'agit de Geoffrey Hinton, là, à gauche, sur l'écran.
03:46
Deep learning is an algorithm inspired by how the human brain works,
73
226147
4341
L'apprentissage profond s'inspire du fonctionnement du cerveau :
03:50
and as a result it's an algorithm
74
230488
1812
c'est un algorithme qui n'a donc aucune limite théorique.
03:52
which has no theoretical limitations on what it can do.
75
232300
3841
03:56
The more data you give it and the more computation time you give it,
76
236141
2823
Plus vous lui donnez de données, et de temps de calcul,
03:58
the better it gets.
77
238964
1312
plus il devient meilleur.
04:00
The New York Times also showed in this article
78
240276
2339
Le New York Times montra aussi dans son article
04:02
another extraordinary result of deep learning
79
242615
2242
un autre résultat inouï de l'apprentissage profond,
04:04
which I'm going to show you now.
80
244857
2712
que je vais maintenant vous montrer.
04:07
It shows that computers can listen and understand.
81
247569
4941
Il montre que les ordinateurs sont capables d'écouter et comprendre.
04:12
(Video) Richard Rashid: Now, the last step
82
252510
2711
(Vidéo) Richard Rashid: La dernière étape
04:15
that I want to be able to take in this process
83
255221
3025
que je voudrais pouvoir atteindre,
04:18
is to actually speak to you in Chinese.
84
258246
4715
c'est de vous parler en chinois.
04:22
Now the key thing there is,
85
262961
2635
L'élément-clé ici, c'est
04:25
we've been able to take a large amount of information from many Chinese speakers
86
265596
5002
que nous avons pu collecter beaucoup de données auprès de nombreux sinophones
04:30
and produce a text-to-speech system
87
270598
2530
et produire un système de vocalisation
04:33
that takes Chinese text and converts it into Chinese language,
88
273128
4673
qui convertit du texte chinois en parole chinoise,
04:37
and then we've taken an hour or so of my own voice
89
277801
4128
puis nous avons pris environ une heure d'enregistrement de ma propre voix,
04:41
and we've used that to modulate
90
281929
1891
et nous l'avons utilisé pour moduler
04:43
the standard text-to-speech system so that it would sound like me.
91
283820
4544
le système de vocalisation, afin que la voix ressemble à la mienne.
04:48
Again, the result's not perfect.
92
288364
2540
Le résultat n'est pas parfait.
04:50
There are in fact quite a few errors.
93
290904
2648
Il y a un certain nombre d'erreurs.
04:53
(In Chinese)
94
293552
2484
(En chinois)
04:56
(Applause)
95
296036
3367
(Applaudissements)
05:01
There's much work to be done in this area.
96
301446
3576
Il y a encore beaucoup de travail à faire
05:05
(In Chinese)
97
305022
3645
(En chinois)
05:08
(Applause)
98
308667
3433
(Applaudissements)
05:13
Jeremy Howard: Well, that was at a machine learning conference in China.
99
313345
3399
J. H. : C'était une conférence en Chine sur l'apprentissage automatique.
05:16
It's not often, actually, at academic conferences
100
316744
2370
Il est rare, lors de conférences universitaires,
05:19
that you do hear spontaneous applause,
101
319114
1897
d'entendre des applaudissements spontanés,
05:21
although of course sometimes at TEDx conferences, feel free.
102
321011
3676
quoique cela arrive parfois aux conférences TEDx. N'hésitez pas.
05:24
Everything you saw there was happening with deep learning.
103
324687
2795
L'apprentissage profond était derrière tout ça.
05:27
(Applause) Thank you.
104
327482
1525
(Applaudissements) Merci.
05:29
The transcription in English was deep learning.
105
329007
2282
La transcription en anglais,
05:31
The translation to Chinese and the text in the top right, deep learning,
106
331289
3412
la traduction en chinois
05:34
and the construction of the voice was deep learning as well.
107
334701
3307
et la construction de la voix étaient tous de l'apprentissage profond.
05:38
So deep learning is this extraordinary thing.
108
338008
3234
L'apprentissage profond est cette chose extraordinaire.
05:41
It's a single algorithm that can seem to do almost anything,
109
341242
3099
C'est un seul algorithme qui semble pouvoir presque tout faire,
05:44
and I discovered that a year earlier, it had also learned to see.
110
344341
3111
et j'ai découvert qu'un an plus tôt, il avait aussi appris à voir.
05:47
In this obscure competition from Germany
111
347452
2176
Dans une obscure compétition en Allemagne,
05:49
called the German Traffic Sign Recognition Benchmark,
112
349628
2597
le « Test de Reconnaissance de Panneaux Routiers »,
05:52
deep learning had learned to recognize traffic signs like this one.
113
352225
3393
l'apprentissage profond a appris à reconnaître des panneaux,
05:55
Not only could it recognize the traffic signs
114
355618
2094
non seulement mieux que tous les autres algorithmes,
05:57
better than any other algorithm,
115
357712
1758
05:59
the leaderboard actually showed it was better than people,
116
359470
2719
mais également mieux que les humains -
06:02
about twice as good as people.
117
362189
1852
environ deux fois mieux :
06:04
So by 2011, we had the first example
118
364041
1996
dès 2011, nous avions un exemple
06:06
of computers that can see better than people.
119
366037
3405
d'ordinateurs pouvant voir mieux qu'un être humain.
06:09
Since that time, a lot has happened.
120
369442
2049
Depuis, beaucoup de choses se sont passées.
06:11
In 2012, Google announced that they had a deep learning algorithm
121
371491
3514
En 2012, Google a annoncé qu'un algorithme d'apprentissage profond,
06:15
watch YouTube videos
122
375005
1415
regardant des vidéos YouTube
06:16
and crunched the data on 16,000 computers for a month,
123
376420
3437
et analysant les données sur 16 000 ordinateurs pendant un mois,
06:19
and the computer independently learned about concepts such as people and cats
124
379857
4361
a pu apprendre, de lui-même, les concepts de « chat » ou encore d'« être humain »,
06:24
just by watching the videos.
125
384218
1809
juste en regardant ces vidéos.
06:26
This is much like the way that humans learn.
126
386027
2352
Les êtres humains apprennent de la même manière :
06:28
Humans don't learn by being told what they see,
127
388379
2740
on n'apprend pas une chose par explication,
06:31
but by learning for themselves what these things are.
128
391119
3331
mais on l'apprend par les perceptions individuelles.
06:34
Also in 2012, Geoffrey Hinton, who we saw earlier,
129
394450
3369
En 2012 également, Geoffrey Hinton, dont nous avons déjà parlé,
06:37
won the very popular ImageNet competition,
130
397819
2858
a gagné le très réputé concours « ImageNet »,
06:40
looking to try to figure out from one and a half million images
131
400677
4141
où il s'agit d'identifier, au sein d'un million et demi d'images,
06:44
what they're pictures of.
132
404818
1438
les images en question.
06:46
As of 2014, we're now down to a six percent error rate
133
406256
3533
En 2014, nous sommes tombés à un taux d'erreur de 6%
06:49
in image recognition.
134
409789
1453
en reconnaissance visuelle.
06:51
This is better than people, again.
135
411242
2026
C'est, de nouveau, mieux qu'un être humain.
06:53
So machines really are doing an extraordinarily good job of this,
136
413268
3769
Les machines font vraiment ici un travail extraordinaire,
06:57
and it is now being used in industry.
137
417037
2269
avec, désormais, des applications industrielles.
06:59
For example, Google announced last year
138
419306
3042
Par exemple, Google a annoncé l'an dernier
07:02
that they had mapped every single location in France in two hours,
139
422348
4585
qu'ils avaient cartographié l'ensemble des lieux de France en deux heures,
07:06
and the way they did it was that they fed street view images
140
426933
3447
en fournissant des images de Street View
07:10
into a deep learning algorithm to recognize and read street numbers.
141
430380
4319
à un algorithme d'apprentissage profond, pour qu'il reconnaisse les numéros de rue.
07:14
Imagine how long it would have taken before:
142
434699
2220
Imaginez le temps qu'il aurait fallu avant :
07:16
dozens of people, many years.
143
436919
3355
des dizaines de personnes, plusieurs années.
07:20
This is also happening in China.
144
440274
1911
C'est la même histoire en Chine.
07:22
Baidu is kind of the Chinese Google, I guess,
145
442185
4036
Baidu est, on peut dire, une sorte de Google chinois.
07:26
and what you see here in the top left
146
446221
2283
Ce que vous voyez en haut à gauche,
07:28
is an example of a picture that I uploaded to Baidu's deep learning system,
147
448504
3974
est une photo que j'ai chargée sur le système d'apprentissage profond de Baidu,
07:32
and underneath you can see that the system has understood what that picture is
148
452478
3769
et, dessous, vous voyez que le système a compris ce qui était sur la photo,
07:36
and found similar images.
149
456247
2236
et trouvé des images similaires.
07:38
The similar images actually have similar backgrounds,
150
458483
2736
Les images similaires ont le même arrière-plan,
07:41
similar directions of the faces,
151
461219
1658
la tête dans le même sens,
07:42
even some with their tongue out.
152
462877
1788
certaines même avec la langue sortie.
07:44
This is not clearly looking at the text of a web page.
153
464665
3030
Ce n'est pas une recherche sur le texte d'une page web.
07:47
All I uploaded was an image.
154
467695
1412
Je n'ai chargé qu'une image.
07:49
So we now have computers which really understand what they see
155
469107
4021
Les ordinateurs peuvent donc désormais vraiment comprendre ce qu'ils voient,
07:53
and can therefore search databases
156
473128
1624
et consulter une base de données
07:54
of hundreds of millions of images in real time.
157
474752
3554
de centaines de millions d'images en temps réel.
07:58
So what does it mean now that computers can see?
158
478306
3230
Quelles conséquences, maintenant que les ordinateurs peuvent voir ?
08:01
Well, it's not just that computers can see.
159
481536
2017
Les machines ne savent pas seulement voir.
08:03
In fact, deep learning has done more than that.
160
483553
2069
L'apprentissage profond va plus loin.
08:05
Complex, nuanced sentences like this one
161
485622
2948
Une phrase complexe et nuancée comme celle-ci,
08:08
are now understandable with deep learning algorithms.
162
488570
2824
est maintenant compréhensible par ces algorithmes.
08:11
As you can see here,
163
491394
1303
Comme vous pouvez le voir,
08:12
this Stanford-based system showing the red dot at the top
164
492697
2768
ce système de Stanford, avec le point rouge en haut,
08:15
has figured out that this sentence is expressing negative sentiment.
165
495465
3919
a compris que la phrase comportait un jugement négatif.
08:19
Deep learning now in fact is near human performance
166
499384
3406
L'apprentissage profond est désormais proche des performances humaines
08:22
at understanding what sentences are about and what it is saying about those things.
167
502802
5121
pour comprendre le sujet d'une phrase, et le jugement qui y est exprimé.
08:27
Also, deep learning has been used to read Chinese,
168
507923
2728
Il a aussi été utilisé pour lire le chinois,
08:30
again at about native Chinese speaker level.
169
510651
3156
à un niveau proche de celui d'un locuteur natif.
08:33
This algorithm developed out of Switzerland
170
513807
2168
Cet algorithme a été développé en Suisse
08:35
by people, none of whom speak or understand any Chinese.
171
515975
3356
par des personnes dont aucune ne parlait ni ne comprenait le chinois.
08:39
As I say, using deep learning
172
519331
2051
Utiliser l'apprentissage profond
08:41
is about the best system in the world for this,
173
521382
2219
constitue le meilleur système dans ce cas,
08:43
even compared to native human understanding.
174
523601
5117
même comparé à la compréhension humaine.
08:48
This is a system that we put together at my company
175
528718
2964
Il s'agit ici d'un système mis en place dans mon entreprise,
08:51
which shows putting all this stuff together.
176
531682
2046
qui regroupe tout ça.
08:53
These are pictures which have no text attached,
177
533728
2461
Ce sont des images qui ne sont pas liées à du texte,
08:56
and as I'm typing in here sentences,
178
536189
2352
et, alors que j'écris ici des phrases,
08:58
in real time it's understanding these pictures
179
538541
2969
en temps réel, le système comprend les images,
09:01
and figuring out what they're about
180
541510
1679
identifie leur sujet,
09:03
and finding pictures that are similar to the text that I'm writing.
181
543189
3163
et trouve des images correspondant au texte que j'écris.
09:06
So you can see, it's actually understanding my sentences
182
546352
2756
Il comprend véritablement mes phrases,
09:09
and actually understanding these pictures.
183
549108
2224
et comprend véritablement ces images.
09:11
I know that you've seen something like this on Google,
184
551332
2559
Je sais que vous voyez ça sur Google,
09:13
where you can type in things and it will show you pictures,
185
553891
2775
où l'on peut trouver des images en tapant un texte,
09:16
but actually what it's doing is it's searching the webpage for the text.
186
556666
3424
mais ce n'est qu'une recherche dans le texte de la page web.
09:20
This is very different from actually understanding the images.
187
560090
3001
C'est très différent de comprendre vraiment les images.
09:23
This is something that computers have only been able to do
188
563091
2752
C'est quelque chose que les ordinateurs n'ont pu faire
09:25
for the first time in the last few months.
189
565843
3248
pour la première fois que très récemment.
09:29
So we can see now that computers can not only see but they can also read,
190
569091
4091
Les ordinateurs peuvent donc non seulement voir, mais aussi lire,
09:33
and, of course, we've shown that they can understand what they hear.
191
573182
3765
et, bien sûr, nous avons montré qu'ils peuvent comprendre ce qu'ils entendent.
09:36
Perhaps not surprising now that I'm going to tell you they can write.
192
576947
3442
Pas très surprenant si je vous dis maintenant qu'ils peuvent écrire.
09:40
Here is some text that I generated using a deep learning algorithm yesterday.
193
580389
4783
A partir d'un algorithme d'apprentissage profond, j'ai généré ce texte hier.
09:45
And here is some text that an algorithm out of Stanford generated.
194
585172
3924
Ici, ce sont des textes générés par un algorithme de Stanford.
09:49
Each of these sentences was generated
195
589096
1764
Chacune de ces phrases a été générée
09:50
by a deep learning algorithm to describe each of those pictures.
196
590860
4249
par un algorithme d'apprentissage profond décrivant l'image au-dessus.
09:55
This algorithm before has never seen a man in a black shirt playing a guitar.
197
595109
4472
Cet algorithme n'avait jamais vu un homme habillé en noir jouant de la guitare.
09:59
It's seen a man before, it's seen black before,
198
599581
2220
Il avait vu déjà vu un homme, déjà vu du noir,
10:01
it's seen a guitar before,
199
601801
1599
déjà vu une guitare,
10:03
but it has independently generated this novel description of this picture.
200
603400
4294
mais a généré de manière autonome cette nouvelle description de cette photo.
10:07
We're still not quite at human performance here, but we're close.
201
607694
3502
Nous n'atteignons pas encore les performances humaines, mais presque.
10:11
In tests, humans prefer the computer-generated caption
202
611196
4068
Dans les tests réalisés, les personnes préfèrent la légende de l'ordinateur
10:15
one out of four times.
203
615264
1527
une fois sur quatre.
10:16
Now this system is now only two weeks old,
204
616791
2064
Ce système n'a que deux semaines,
10:18
so probably within the next year,
205
618855
1846
et l'on peut supposer que d'ici un an,
10:20
the computer algorithm will be well past human performance
206
620701
2801
l'algorithme aurait surpassé les performances humaines
10:23
at the rate things are going.
207
623502
1862
- au rythme où ça va.
10:25
So computers can also write.
208
625364
3049
Les ordinateurs peuvent donc aussi écrire.
10:28
So we put all this together and it leads to very exciting opportunities.
209
628413
3475
Si l'on rassemble tout ça, les perspectives deviennent prometteuses.
10:31
For example, in medicine,
210
631888
1492
Par exemple, en médecine,
10:33
a team in Boston announced that they had discovered
211
633380
2525
une équipe de Boston a annoncé qu'elle avait découvert
10:35
dozens of new clinically relevant features
212
635905
2949
des dizaines de nouveaux signes cliniques
10:38
of tumors which help doctors make a prognosis of a cancer.
213
638854
4266
de tumeurs, qui aident les docteurs à diagnostiquer un cancer.
10:44
Very similarly, in Stanford,
214
644220
2296
De façon très proche, à Stanford,
10:46
a group there announced that, looking at tissues under magnification,
215
646516
3663
une équipe a annoncé qu'en observant des tissus au microscope,
10:50
they've developed a machine learning-based system
216
650179
2381
ils ont développé un système de machine apprenante
10:52
which in fact is better than human pathologists
217
652560
2582
qui est vraiment meilleur qu'un pathologiste
10:55
at predicting survival rates for cancer sufferers.
218
655142
4377
pour prédire les taux de survie de personnes atteintes de cancer.
10:59
In both of these cases, not only were the predictions more accurate,
219
659519
3245
Dans ces deux cas, non seulement les prévisions étaient meilleures,
11:02
but they generated new insightful science.
220
662764
2502
mais elles ont aussi permis des découvertes majeures.
11:05
In the radiology case,
221
665276
1505
Dans l'exemple en radiologie,
11:06
they were new clinical indicators that humans can understand.
222
666781
3095
de nouveaux signes cliniques compréhensibles par l'homme.
11:09
In this pathology case,
223
669876
1792
Dans l'exemple en pathologie,
11:11
the computer system actually discovered that the cells around the cancer
224
671668
4500
le système informatique a découvert que les cellules autour du cancer
11:16
are as important as the cancer cells themselves
225
676168
3340
étaient aussi importantes que les cellules cancéreuses elles-mêmes
11:19
in making a diagnosis.
226
679508
1752
pour porter un diagnostic,
11:21
This is the opposite of what pathologists had been taught for decades.
227
681260
5361
à rebours de ce qui a été enseigné aux pathologistes pendant des décennies.
11:26
In each of those two cases, they were systems developed
228
686621
3292
Dans ces deux cas, les systèmes ont été développés
11:29
by a combination of medical experts and machine learning experts,
229
689913
3621
en associant experts médicaux et experts de l'apprentissage automatique,
11:33
but as of last year, we're now beyond that too.
230
693534
2741
mais, depuis l'an dernier, un nouveau cap a été franchi.
11:36
This is an example of identifying cancerous areas
231
696275
3549
Il s'agit ici d'un exemple d'identification de zones cancéreuses
11:39
of human tissue under a microscope.
232
699824
2530
d'un tissu humain au microscope.
11:42
The system being shown here can identify those areas more accurately,
233
702354
4613
Ce système peut identifier ces zones avec plus de précisions,
11:46
or about as accurately, as human pathologists,
234
706967
2775
ou, du moins, avec autant de précision qu'un pathologiste,
11:49
but was built entirely with deep learning using no medical expertise
235
709742
3392
mais a été entièrement créé par l'apprentissage profond créé
11:53
by people who have no background in the field.
236
713134
2526
par des personnes n'ayant pas de formation médicale.
11:56
Similarly, here, this neuron segmentation.
237
716730
2555
De même, pour cette classification de neurones.
11:59
We can now segment neurons about as accurately as humans can,
238
719285
3668
On peut désormais classer les neurones avec autant de précisions qu'un humain,
12:02
but this system was developed with deep learning
239
722953
2717
et ce système a été créé avec l'apprentissage profond,
12:05
using people with no previous background in medicine.
240
725670
3251
par des gens n'ayant pas de connaissance médicale antérieure.
12:08
So myself, as somebody with no previous background in medicine,
241
728921
3227
Moi-même, sans connaissance médicale antérieure,
12:12
I seem to be entirely well qualified to start a new medical company,
242
732148
3727
je semble être pleinement qualifié pour créer une entreprise dans la santé
12:15
which I did.
243
735875
2146
- ce que j'ai fait.
12:18
I was kind of terrified of doing it,
244
738021
1740
J'étais terrifié à cette idée,
12:19
but the theory seemed to suggest that it ought to be possible
245
739761
2889
mais, la théorie suggérait qu'il devait être possible
12:22
to do very useful medicine using just these data analytic techniques.
246
742650
5492
d'être utile dans ce secteur en ne maniant que ces moyens d'analyse de données.
12:28
And thankfully, the feedback has been fantastic,
247
748142
2480
Et, heureusement, les retours ont été fabuleux,
12:30
not just from the media but from the medical community,
248
750622
2356
ceux des médias, mais aussi ceux du corps médical,
12:32
who have been very supportive.
249
752978
2344
qui a été d'un grand soutien.
12:35
The theory is that we can take the middle part of the medical process
250
755322
4149
La théorie, c'est que l'on peut isoler la partie centrale du processus médical,
12:39
and turn that into data analysis as much as possible,
251
759471
2893
pour procéder, autant que possible, à des analyses de données,
12:42
leaving doctors to do what they're best at.
252
762364
3065
et laisser les médecins se consacrer sur leurs forces.
12:45
I want to give you an example.
253
765429
1602
Je veux vous donner un exemple.
12:47
It now takes us about 15 minutes to generate a new medical diagnostic test
254
767031
4944
Il nous faut désormais environ 15 minutes pour faire un nouveau diagnostic médical,
12:51
and I'll show you that in real time now,
255
771975
1954
et je vais vous le montrer en temps réel,
12:53
but I've compressed it down to three minutes by cutting some pieces out.
256
773929
3487
même si je l'ai réduit à trois minutes en supprimant certaines parties.
12:57
Rather than showing you creating a medical diagnostic test,
257
777416
3061
Plutôt que de vous montrer la création d'un diagnostic médical,
13:00
I'm going to show you a diagnostic test of car images,
258
780477
3369
je vais vous montrer un diagnostic d'images de voitures :
13:03
because that's something we can all understand.
259
783846
2222
c'est quelque chose que tout le monde comprend.
13:06
So here we're starting with about 1.5 million car images,
260
786068
3201
Nous commençons avec environ 1,5 million d'images de voitures,
13:09
and I want to create something that can split them into the angle
261
789269
3206
et ce que je veux, c'est les organiser selon l'angle selon lequel
13:12
of the photo that's being taken.
262
792475
2223
la photo a été prise.
13:14
So these images are entirely unlabeled, so I have to start from scratch.
263
794698
3888
Ces images ne sont pas cataloguées : je dois partir de zéro.
13:18
With our deep learning algorithm,
264
798586
1865
Notre algorithme d'apprentissage profond
13:20
it can automatically identify areas of structure in these images.
265
800451
3707
permet d'identifier les structures dans ces images.
13:24
So the nice thing is that the human and the computer can now work together.
266
804158
3620
L'être humain et l'ordinateur peuvent maintenant travailler ensemble.
13:27
So the human, as you can see here,
267
807778
2178
L'être humain, comme vous le voyez ici,
13:29
is telling the computer about areas of interest
268
809956
2675
indique à la machine les zones d'intérêt,
13:32
which it wants the computer then to try and use to improve its algorithm.
269
812631
4650
celles à lesquelles il veut qu'elle s'intéresse pour améliorer son algorithme.
13:37
Now, these deep learning systems actually are in 16,000-dimensional space,
270
817281
4296
Les systèmes d'apprentissage profond sont des espaces à 16 000 dimensions [sic],
13:41
so you can see here the computer rotating this through that space,
271
821577
3432
et vous pouvez voir ici l'ordinateur qui pivote au sein de cet espace,
13:45
trying to find new areas of structure.
272
825009
1992
pour trouver de nouvelles structures.
13:47
And when it does so successfully,
273
827001
1781
Quand il y arrive,
13:48
the human who is driving it can then point out the areas that are interesting.
274
828782
4004
l'être humain peut ensuite lui signaler les zones intéressantes.
13:52
So here, the computer has successfully found areas,
275
832786
2422
Ici, l'ordinateur a pu trouver une zone avec,
13:55
for example, angles.
276
835208
2562
par exemple, des angles.
13:57
So as we go through this process,
277
837770
1606
Au fur et à mesure,
13:59
we're gradually telling the computer more and more
278
839376
2340
nous en disons de plus en plus à l'ordinateur
14:01
about the kinds of structures we're looking for.
279
841716
2428
sur le type de structures que l'on recherche.
14:04
You can imagine in a diagnostic test
280
844144
1772
Imaginez un diagnostic médical,
14:05
this would be a pathologist identifying areas of pathosis, for example,
281
845916
3350
par exemple un pathologiste identifiant des zones malades,
14:09
or a radiologist indicating potentially troublesome nodules.
282
849266
5026
ou un radiologue montrant des nodules potentiellement inquiétants.
14:14
And sometimes it can be difficult for the algorithm.
283
854292
2559
Parfois, cela devient difficile pour l'algorithme.
14:16
In this case, it got kind of confused.
284
856851
1964
Ici, il s'est un peu emmêlé les pinceaux.
14:18
The fronts and the backs of the cars are all mixed up.
285
858815
2550
L'avant et l'arrière des voitures sont mêlés.
14:21
So here we have to be a bit more careful,
286
861365
2072
Nous devons faire un peu plus attention,
14:23
manually selecting these fronts as opposed to the backs,
287
863437
3232
et dissocier manuellement les avants des arrières,
14:26
then telling the computer that this is a type of group
288
866669
5506
puis dire à l'ordinateur que cette classification nous importe.
14:32
that we're interested in.
289
872175
1348
14:33
So we do that for a while, we skip over a little bit,
290
873523
2677
Nous continuons comme ça, et, un peu plus tard,
14:36
and then we train the machine learning algorithm
291
876200
2246
nous allons former l'algorithme
14:38
based on these couple of hundred things,
292
878446
1974
sur la base de ces classifications,
14:40
and we hope that it's gotten a lot better.
293
880420
2025
et espérer qu'il s'est amélioré.
14:42
You can see, it's now started to fade some of these pictures out,
294
882445
3073
Comme vous le voyez, il a commencé à estomper certaines photos,
14:45
showing us that it already is recognizing how to understand some of these itself.
295
885518
4708
montrant qu'il sait déjà comment comprendre certaines d'entre elles.
14:50
We can then use this concept of similar images,
296
890226
2902
Nous pouvons ensuite utiliser ce concept d'images similaires,
14:53
and using similar images, you can now see,
297
893128
2094
et, voir que, en s'en servant,
14:55
the computer at this point is able to entirely find just the fronts of cars.
298
895222
4019
l'ordinateur est désormais capable de trouver seulement les avants de voiture.
14:59
So at this point, the human can tell the computer,
299
899241
2948
A ce stade, l'être humain peut dire à l'ordinateur :
15:02
okay, yes, you've done a good job of that.
300
902189
2293
«Ok, tu t'en es bien sorti. »
15:05
Sometimes, of course, even at this point
301
905652
2185
Bien sûr, parfois, même à ce stade,
15:07
it's still difficult to separate out groups.
302
907837
3674
il est encore difficile de faire des groupes.
15:11
In this case, even after we let the computer try to rotate this for a while,
303
911511
3884
Ici, même après avoir laissé l'ordinateur pivoter pendant un moment,
15:15
we still find that the left sides and the right sides pictures
304
915399
3345
les photos de voitures vues de droite et celles vues de gauche sont
15:18
are all mixed up together.
305
918744
1478
encore toutes mêlées.
15:20
So we can again give the computer some hints,
306
920222
2140
Nous lui donnons de nouveau des indications,
15:22
and we say, okay, try and find a projection that separates out
307
922362
2976
puis lui disons de chercher une projection qui fait le tri
15:25
the left sides and the right sides as much as possible
308
925338
2607
entre les photos de droite et de gauche -
15:27
using this deep learning algorithm.
309
927945
2122
avec l'algorithme d'apprentissage profond.
15:30
And giving it that hint -- ah, okay, it's been successful.
310
930067
2942
Avec ces indications, nous avons réussi.
15:33
It's managed to find a way of thinking about these objects
311
933009
2882
Il a trouvé une manière de considérer ces objets qui en permet le tri.
15:35
that's separated out these together.
312
935891
2380
15:38
So you get the idea here.
313
938271
2438
Vous avez saisi l'idée.
15:40
This is a case not where the human is being replaced by a computer,
314
940709
8197
Nous ne somme pas ici dans une substitution de l'homme par la machine,
15:48
but where they're working together.
315
948906
2640
mais dans un travail conjoint.
15:51
What we're doing here is we're replacing something that used to take a team
316
951546
3550
Ce que nous faisons, c'est prendre quelque chose qui mobilisait une équipe
15:55
of five or six people about seven years
317
955096
2002
de cinq ou six personnes pendant sept ans
15:57
and replacing it with something that takes 15 minutes
318
957098
2605
et y substituer quelque chose qui prend 15 minutes à une seule personne.
15:59
for one person acting alone.
319
959703
2505
16:02
So this process takes about four or five iterations.
320
962208
3950
Cette méthode nécessite quatre ou cinq itérations,
16:06
You can see we now have 62 percent
321
966158
1859
et nous avons maintenant 62%
16:08
of our 1.5 million images classified correctly.
322
968017
2959
de nos 1,5 million d'images classifiées correctement.
16:10
And at this point, we can start to quite quickly
323
970976
2472
A ce stade, nous pouvons commencer à prendre
16:13
grab whole big sections,
324
973448
1297
des parties entières,
16:14
check through them to make sure that there's no mistakes.
325
974745
2919
et vérifier rapidement qu'il n'y a pas d'erreurs.
16:17
Where there are mistakes, we can let the computer know about them.
326
977664
3952
Quand il y a des erreurs, nous en informons l'ordinateur,
16:21
And using this kind of process for each of the different groups,
327
981616
3045
et, en utilisant cette méthode pour tous les groupes,
16:24
we are now up to an 80 percent success rate
328
984661
2487
nous en arrivons à un taux de réussite de 80%
16:27
in classifying the 1.5 million images.
329
987148
2415
dans la classification de ces images.
16:29
And at this point, it's just a case
330
989563
2078
A partir de là, il s'agit juste
16:31
of finding the small number that aren't classified correctly,
331
991641
3579
de trouver le petit nombre d'images mal classées,
16:35
and trying to understand why.
332
995220
2888
et à essayer de comprendre pourquoi.
16:38
And using that approach,
333
998108
1743
Avec cette approche,
16:39
by 15 minutes we get to 97 percent classification rates.
334
999851
4121
en 15 minutes, nous parvenons à un taux de classification de 97%.
16:43
So this kind of technique could allow us to fix a major problem,
335
1003972
4600
Ce type de méthode pourrait nous permettre de régler un problème majeur :
16:48
which is that there's a lack of medical expertise in the world.
336
1008578
3036
le manque d'expertise médicale dans le monde.
16:51
The World Economic Forum says that there's between a 10x and a 20x
337
1011614
3489
Le Forum économique mondial estime qu'il faudrait 10 à 20 fois plus
16:55
shortage of physicians in the developing world,
338
1015103
2624
de médecins dans les pays en voie de développement
16:57
and it would take about 300 years
339
1017727
2113
et qu'il faudrait 300 ans
16:59
to train enough people to fix that problem.
340
1019840
2894
pour former suffisamment de personnes et régler ce problème.
17:02
So imagine if we can help enhance their efficiency
341
1022734
2885
Imaginez alors que nous puissions accroître leur productivité
17:05
using these deep learning approaches?
342
1025619
2839
avec ces méthodes d'apprentissage profond.
17:08
So I'm very excited about the opportunities.
343
1028458
2232
Les opportunités m'enchantent.
17:10
I'm also concerned about the problems.
344
1030690
2589
Mais les dangers m’inquiètent.
17:13
The problem here is that every area in blue on this map
345
1033279
3124
Le problème, c'est que dans tous les pays en bleu sur la carte,
17:16
is somewhere where services are over 80 percent of employment.
346
1036403
3769
le secteur tertiaire représente plus de 80% de l'emploi.
17:20
What are services?
347
1040172
1787
C'est quoi le secteur tertiaire ?
17:21
These are services.
348
1041959
1514
C'est ça.
17:23
These are also the exact things that computers have just learned how to do.
349
1043473
4154
Ce sont exactement ces choses que les ordinateurs viennent d'apprendre à faire.
17:27
So 80 percent of the world's employment in the developed world
350
1047627
3804
80% des emplois dans les pays développés
17:31
is stuff that computers have just learned how to do.
351
1051431
2532
consiste en ce qu'une machine sait désormais faire.
17:33
What does that mean?
352
1053963
1440
Qu'est-ce que cela veut dire ?
17:35
Well, it'll be fine. They'll be replaced by other jobs.
353
1055403
2583
Tout ira bien. D'autres emplois les remplaceront,
17:37
For example, there will be more jobs for data scientists.
354
1057986
2707
par exemple, dans l'analyse de données.
17:40
Well, not really.
355
1060693
817
Pas vraiment.
17:41
It doesn't take data scientists very long to build these things.
356
1061510
3118
Ce n'est pas long pour un analyste de données de construire ça.
17:44
For example, these four algorithms were all built by the same guy.
357
1064628
3252
Par exemple, ces quatre algorithmes sont tous de la même personne.
17:47
So if you think, oh, it's all happened before,
358
1067880
2438
Vous pensez peut-être que c'est du déjà-vu,
17:50
we've seen the results in the past of when new things come along
359
1070318
3808
que nous connaissons les conséquences de l'arrivée de nouvelles choses,
17:54
and they get replaced by new jobs,
360
1074126
2252
de nouveaux emplois qui remplacent les anciens.
17:56
what are these new jobs going to be?
361
1076378
2116
Que seront ces nouveaux emplois ?
17:58
It's very hard for us to estimate this,
362
1078494
1871
C'est très dur à estimer :
18:00
because human performance grows at this gradual rate,
363
1080365
2739
l'amélioration des performances humaines est graduelle,
18:03
but we now have a system, deep learning,
364
1083104
2562
tandis que ce système, l'apprentissage profond,
18:05
that we know actually grows in capability exponentially.
365
1085666
3227
s'améliore de façon exponentielle.
18:08
And we're here.
366
1088893
1605
Et nous en sommes là.
18:10
So currently, we see the things around us
367
1090498
2061
En regardant autour de nous, nous pensons :
18:12
and we say, "Oh, computers are still pretty dumb." Right?
368
1092559
2676
« Les machines sont toujours idiotes ». Pas vrai ?
18:15
But in five years' time, computers will be off this chart.
369
1095235
3429
Mais d'ici cinq ans, elles seront bien plus haut dans la courbe.
18:18
So we need to be starting to think about this capability right now.
370
1098664
3865
Nous devons commencer à penser dès maintenant à ces capacités futures.
18:22
We have seen this once before, of course.
371
1102529
2050
Ce n'est pas la première fois, bien sûr.
18:24
In the Industrial Revolution,
372
1104579
1387
Les machines de la Révolution Industrielle augmentèrent nos capacités.
18:25
we saw a step change in capability thanks to engines.
373
1105966
2851
18:29
The thing is, though, that after a while, things flattened out.
374
1109667
3138
Mais, au bout d'un moment, les choses se calmèrent.
18:32
There was social disruption,
375
1112805
1702
Il y eut des troubles sociaux, mais
18:34
but once engines were used to generate power in all the situations,
376
1114507
3439
une fois les machines utilisées pour la plupart des cas utiles,
18:37
things really settled down.
377
1117946
2354
les choses s'apaisèrent.
18:40
The Machine Learning Revolution
378
1120300
1473
La Révolution des Machines Apprenantes
18:41
is going to be very different from the Industrial Revolution,
379
1121773
2909
sera très différente de la Révolution Industrielle,
18:44
because the Machine Learning Revolution, it never settles down.
380
1124682
2950
parce que dans son cas, les choses ne se calmeront pas.
18:47
The better computers get at intellectual activities,
381
1127632
2982
Plus les ordinateurs progressent dans les activités cérébrales,
18:50
the more they can build better computers to be better at intellectual capabilities,
382
1130614
4248
plus ils peuvent créer de meilleurs ordinateurs, et progresser encore.
18:54
so this is going to be a kind of change
383
1134862
1908
Nous sommes devant un type d'évolution
18:56
that the world has actually never experienced before,
384
1136770
2478
que le monde n'a jamais expérimentée auparavant :
18:59
so your previous understanding of what's possible is different.
385
1139248
3306
notre compréhension antérieure des possibles n'est pas adaptée.
19:02
This is already impacting us.
386
1142974
1780
Nous en subissons déjà les impacts.
19:04
In the last 25 years, as capital productivity has increased,
387
1144754
3630
Ces 25 dernières années, alors que la productivité du capital augmentait,
19:08
labor productivity has been flat, in fact even a little bit down.
388
1148400
4188
la productivité du travail restait stable, était même légèrement en baisse.
19:13
So I want us to start having this discussion now.
389
1153408
2741
Je voudrais lancer ce débat dès maintenant.
19:16
I know that when I often tell people about this situation,
390
1156149
3027
Je sais d'expérience que lorsque je parle de ça aux gens,
19:19
people can be quite dismissive.
391
1159176
1490
ils peuvent être sceptiques.
19:20
Well, computers can't really think,
392
1160666
1673
Les machines ne peuvent pas penser,
19:22
they don't emote, they don't understand poetry,
393
1162339
3028
elles n'ont pas d'émotions, ne comprennent pas la poésie.
19:25
we don't really understand how they work.
394
1165367
2521
Nous ne comprenons pas comment elles fonctionnent.
19:27
So what?
395
1167888
1486
Et alors ?
19:29
Computers right now can do the things
396
1169374
1804
Elles peuvent dès maintenant faire ce pour quoi les hommes sont payés.
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
C'est le moment de commencer
19:35
about how we're going to adjust our social structures and economic structures
399
1175628
4387
à réfléchir à la façon d'ajuster nos structures sociales et économiques,
19:40
to be aware of this new reality.
400
1180015
1840
d'être au fait de cette nouvelle réalité.
19:41
Thank you.
401
1181855
1533
Merci.
19:43
(Applause)
402
1183388
802
(Applaudissements)
À propos de ce site Web

Ce site vous présentera des vidéos YouTube utiles pour apprendre l'anglais. Vous verrez des leçons d'anglais dispensées par des professeurs de premier ordre du monde entier. Double-cliquez sur les sous-titres anglais affichés sur chaque page de vidéo pour lire la vidéo à partir de là. Les sous-titres défilent en synchronisation avec la lecture de la vidéo. Si vous avez des commentaires ou des demandes, veuillez nous contacter en utilisant ce formulaire de contact.

https://forms.gle/WvT1wiN1qDtmnspy7