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

Fordító: Péter Pallós Lektor: Maria Ruzsane Cseresnyes

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

Valaha, ha azt akartuk, hogy a számítógép

csináljon meg valamit, előtte be kellett rá programoznunk.

you would have to program it.

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

Azoknak, akik sohasem programoztak: a programozás

requires laying out in excruciating detail

annyit tesz, hogy célunk érdekében aprólékosan, lépésenként

every single step that you want the computer to do

részletesen közölni kell a géppel,

in order to achieve your goal.

mikor mit csináljon.

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

De ha olyat akarunk tenni, amiről mi sem tudjuk, miként kell,

then this is going to be a great challenge.

az ám az igazi kunszt!

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

Ilyen feladattal találkozott Arthur Samuel.

In 1956, he wanted to get this computer

1956-ban szerette volna,

ha a számítógép legyőzi dámajátékban.

to be able to beat him at checkers.

How can you write a program,

Hogy lehet megírni egy programot

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

minden apró részletében, hogy a számítógép győzzön?

So he came up with an idea:

Támadt egy ötlete:

he had the computer play against itself thousands of times

A gépet önmaga ellen játszatta több ezerszer,

and learn how to play checkers.

hogy a gép tanulja, hogyan kell játszani.

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

A dolog sikerült, és 1962-re

this computer had beaten the Connecticut state champion.

a számítógép legyőzte Connecticut állam bajnokát.

So Arthur Samuel was the father of machine learning,

Úgyhogy Samuelt a gépi tanulás atyjának nevezhetjük.

and I have a great debt to him,

Le vagyok kötelezve neki,

because I am a machine learning practitioner.

mert gépi tanulással foglalkozom.

I was the president of Kaggle,

A Kaggle elnöke voltam, a közösségé,

a community of over 200,000 machine learning practictioners.

ahol 200.000-nél többen foglalkoznak gépi tanulással.

Kaggle puts up competitions

A Kaggle versenyeket szervez nekik,

to try and get them to solve previously unsolved problems,

hogy oldjanak meg eddig megoldatlan problémákat,

and it's been successful hundreds of times.

s ezek több száz alkalommal bizonyultak sikeresnek.

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

Ebből a pozícióból rá tudtam jönni sok mindenre:

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

mire volt képes a gépi tanulás a múltban, mire a jelenben

and what it could do in the future.

és mit fog tudni a jövőben.

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

Valószínűleg az első üzleti siker a gépi tanulásban a Google volt.

Google showed that it is possible to find information

A Google bizonyította, hogy lehet gépi algoritmus alapján

by using a computer algorithm,

adatokhoz jutni, és

and this algorithm is based on machine learning.

ez az algoritmus gépi tanuláson alapul.

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

Azóta sok, gépi tanuláson alapuló üzleti sikertörténetet ismerünk.

Olyan cégek, mint az Amazon és a Netflix a gépi tanulás módszerével

Companies like Amazon and Netflix

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

ajánlják termékeiket megvételre

movies that you might like to watch.

illetve filmjeiket megnézésre.

Sometimes, it's almost creepy.

Néha ez, mondhatni, elég ijesztő.

Companies like LinkedIn and Facebook

Mások, mint a LinkedIn és a Facebook

sometimes will tell you about who your friends might be

néha megmondják, kik lehetnének a barátaink,

and you have no idea how it did it,

és fogalmunk sincs, hogy csinálják.

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

A gépi tanulásban rejlő lehetőségeket használják.

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

Ezek az algoritmusok sokkal inkább az adatokból tanulnak,

rather than being programmed by hand.

semmint a kézzel írt programokból.

This is also how IBM was successful

Így lett sikeres az IBM is: Watson nevű gépe legyőzte

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

a "Jeopardy" kvízműsor két világbajnokát,

answering incredibly subtle and complex questions like this one.

mert válaszolt körmönfont és bonyolult kérdésekre; pl.

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

[Ennek a városnak a múzeumából tűnt el az ókori Nimród oroszlánja 2003-ban]

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

Így jelentek meg az első, vezető nélküli autók.

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

Elég fontos, hogy meg tudjuk mondani, mi a különbség,

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

mondjuk, egy fa és egy gyalogos között.

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

Nem tudjuk, hogyan kell manuálisan megírni a programokat,

but with machine learning, this is now possible.

de gépi tanulással erre most megvan a lehetőség.

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

Tény, hogy ez a kocsi már több millió kilométert tett meg

without any accidents on regular roads.

baleset nélkül átlagos utakon.

So we now know that computers can learn,

Tudjuk tehát, hogy a számítógépek tudnak tanulni, és képesek megtanulni,

and computers can learn to do things

hogyan végezzenek el feladatokat,

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

amelyeknél néha mi magunk tanácstalanok vagyunk,

or maybe can do them better than us.

vagy talán ügyesebben végzik el nálunk.

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

A gépi tanulás egyik legpompásabb példáját

happened on a project that I ran at Kaggle

egy általam irányított Kaggle- projektnél tapasztaltam,

where a team run by a guy called Geoffrey Hinton

ahol a Torontói Egyetem csoportja,

from the University of Toronto

amelyet Geoffrey Hinton vezetett, megnyert

won a competition for automatic drug discovery.

egy automatizált gyógyszer-kifejlesztési versenyt.

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

Nemcsak az volt rendhagyó, hogy legyőzték a Merck

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

és más nemzetközi tudóscsoportok algoritmusait,

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

hanem hogy egyikük sem volt járatos a kémiában, a biológiában

vagy az élettudományokban, s mindezt két hét alatt!

and they did it in two weeks.

How did they do this?

Hogy sikerült nekik?

They used an extraordinary algorithm called deep learning.

Rendhagyó algoritmust alkalmaztak, az ú.n. mély tanulást.

So important was this that in fact the success was covered

Annyira fontos eredmény volt ez, hogy a The New York Times

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

címoldalon tudósított róla pár hét múlva.

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

Balra látható Geoffrey Hinton.

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

A mély tanulás olyan algoritmus, amelyet az emberi agy működése ihletett.

Az algoritmusnak nincs elméleti korlátja

and as a result it's an algorithm

which has no theoretical limitations on what it can do.

abból a szempontból, hogy mi mindenre lehet képes.

Minél több adatot és gépidőt adunk neki,

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

the better it gets.

annál jobbak lesznek az eredmények.

The New York Times also showed in this article

A The New York Times írt cikkében a mély tanulás

another extraordinary result of deep learning

egy másik rendkívüli eredményéről is,

which I'm going to show you now.

amelyről rögtön szólni fogok.

It shows that computers can listen and understand.

Ez azt mutatja, hogy a számítógépek képesek hangot érzékelni és értelmezni.

(Video) Richard Rashid: Now, the last step

(Video) Richard Rashid: Az utolsó lépés, s ezt szeretném,

that I want to be able to take in this process

hogy hozzá tudjam tenni a folyamathoz:

is to actually speak to you in Chinese.

kínaiul beszélni önökhöz.

Now the key thing there is,

Ennek kulcsa, hogy képesek voltunk

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

nagy mennyiségű információt átvenni sok kínai beszédjéből,

and produce a text-to-speech system

létrehozni egy "szövegből beszédet" rendszert, amely

that takes Chinese text and converts it into Chinese language,

a kínai szöveget átalakítja kínai beszéddé.

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

Azután az én hangmintámból felvettünk egy órányit,

and we've used that to modulate

s ezzel moduláltuk a szokásos

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

"szövegből beszédet" rendszert, amely aztán az én hangomon szólalt meg.

Again, the result's not perfect.

Az eredmény nem tökéletes.

There are in fact quite a few errors.

Tény, hogy elég sok a hiba.

(In Chinese)

(kínaiul)

(Applause)

(taps)

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

Elég sok feladat van még ezen a területen.

(In Chinese)

(kínaiul)

(Applause)

(taps)

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

Howard: Ez egy gépi tanulási konferencián történt, Kínában.

It's not often, actually, at academic conferences

Valóban ritka, hogy egy tudományos tanácskozáson

that you do hear spontaneous applause,

spontán tapsot hall az ember,

although of course sometimes at TEDx conferences, feel free.

bár néha TEDx konferenciákon igen.

Everything you saw there was happening with deep learning.

Amit itt láttak, mind a mély tanulással kapcsolatos.

(Applause) Thank you.

(taps) Köszönöm.

The transcription in English was deep learning.

A fonetikus átírás angolra mély tanulás volt.

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

A kínaira fordítás és a szöveg a jobb fölső sarokban szintén,

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

és a hangképzés úgyszintén mély tanulás volt.

So deep learning is this extraordinary thing.

Úgy hogy a mély tanulás különleges dolog.

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

Egyszerű algoritmus, de úgy látszik, majdnem mindenre alkalmas,

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

erre tavaly jöttem rá. Látni is megtanult már.

In this obscure competition from Germany

Egy kevéssé ismert német versenyen,

called the German Traffic Sign Recognition Benchmark,

amely a közlekedési jelzések felismerésére irányul,

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

a mély tanulás megtanulta fölismerni a közlekedési jelzéseket.

Not only could it recognize the traffic signs

Nemcsak jobban ismeri föl őket,

better than any other algorithm,

mint bármely más algoritmus,

the leaderboard actually showed it was better than people,

az eredményjelző kimutatta, hogy az embernél is jobban,

about twice as good as people.

kb. kétszer jobban mint az ember.

So by 2011, we had the first example

2011-re megvolt az első példány az

of computers that can see better than people.

embernél is jobban látó számítógépből.

Since that time, a lot has happened.

Azóta sok minden történt.

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

2012-ben a Google közölte, hogy van egy mély tanuló algoritmusuk,

amely figyeli a YouTube videókat, és

watch YouTube videos

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

egy hónap alatt átrágta magát 16.000 gép adatain,

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

és a gép önállóan megtanult olyan fogalmakat mint "ember", vagy

"macska", csupán csak a videókat figyelve.

just by watching the videos.

This is much like the way that humans learn.

Az emberek nagyon hasonlóan tanulnak.

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

Az emberek nem úgy tanulnak, hogy megmondják nekik, mit látnak,

but by learning for themselves what these things are.

hanem maguknak tanítják meg, mik ezek a dolgok.

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

2012-ben az említett Geoffrey Hinton

won the very popular ImageNet competition,

megnyert egy nagyon népszerű ImageNet versenyt, ahol

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

másfél millió képről kellett

what they're pictures of.

eldönteni, melyik mit ábrázol.

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

2014-re elértük a képfelismerésben

in image recognition.

a 6%-os hibaszintet.

This is better than people, again.

Ez megint az emberekénél jobb eredmény.

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

Tehát a gépek ebben rendkívül jó munkát végeznek, és

and it is now being used in industry.

az eredményeket ma az iparban is hasznosítják.

For example, Google announced last year

Például a Google tavaly bejelentette,

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

hogy két óra alatt feltérképezte egész Franciaországot,

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

mindezt úgy, hogy betáplálták az utcai látképeket egy

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

mélyen tanuló algoritmusba, az fölismerte és beolvasta

Imagine how long it would have taken before:

a házszámokat. Korábban meddig tartott volna!

dozens of people, many years.

Tucatnyi ember, több év.

This is also happening in China.

Ez történik most Kínában is.

Baidu is kind of the Chinese Google, I guess,

A Baidu olyasmi, mint egy kínai Google,

and what you see here in the top left

és a bal fölső sarokban látható egy kép, amelyet

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

feltöltöttem a Baidu mély tanuló rendszerébe,

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

alatta pedig látják, hogy a rendszer megértette, mi ez a kép,

and found similar images.

és talált hasonló képeket.

The similar images actually have similar backgrounds,

A hasonló képnek egyébként hasonló a háttere,

similar directions of the faces,

az állatok pofája egyfelé fordul,

even some with their tongue out.

némelyik még a nyelvét is kiölti.

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

Ez nem ugyanaz, mint egy szöveg a weboldalon.

All I uploaded was an image.

Mindössze egy képet töltöttem föl.

So we now have computers which really understand what they see

Tehát a mai számítógépeink tényleg értik, amit látnak,

and can therefore search databases

és százmilliónyi képet tartalmazó

of hundreds of millions of images in real time.

adatbázist nézhetnek át valós időben.

So what does it mean now that computers can see?

De mit jelent az, hogy a számítógépek látnak?

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

Nos, nemcsak, hogy látnak.

In fact, deep learning has done more than that.

Valójában a mély tanulás ennél többet ért el.

Complex, nuanced sentences like this one

Az összetett, finoman árnyalt mondatok mint ez,

are now understandable with deep learning algorithms.

mély tanuló algoritmusokkal ma már érthetők.

As you can see here,

A felül látható piros pöttyel

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

ez a stanfordi rendszer jelzi,

has figured out that this sentence is expressing negative sentiment.

hogy ez a mondat negatív érzelmet fejez ki.

Deep learning now in fact is near human performance

A mély tanulás ma már tényleg megközelíti az emberi teljesítményt abban,

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

miről szól a mondat, és mit állít ezekről a dolgokról.

Also, deep learning has been used to read Chinese,

A mély tanulás révén olvasunk kínaiul,

again at about native Chinese speaker level.

kb. egy született kínai szintjén.

This algorithm developed out of Switzerland

Ez az algoritmus svájci, s akik kifejlesztették,

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

nem beszélnek, és nem értenek kínaiul.

As I say, using deep learning

A mély tanulás alkalmazása

is about the best system in the world for this,

erre talán a világ legjobb rendszere,

even compared to native human understanding.

akár összevetve a természetes emberi megértéssel.

This is a system that we put together at my company

Ezt a rendszert raktuk össze a cégemnél, mely

which shows putting all this stuff together.

megmutatja, hogyan kell ezeket összerakni.

These are pictures which have no text attached,

Ezekhez a képekhez nem társul szöveg,

and as I'm typing in here sentences,

és ahogy mondatokat írok be ide,

in real time it's understanding these pictures

ez valós időben megérti ezeket a képeket, és

and figuring out what they're about

kitalálja, miről szólnak, és

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

talál a beírt szöveghez hasonló képeket.

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

Ez azt jelenti, hogy valójában érti a mondataimat,

and actually understanding these pictures.

és valójában érti a képeket.

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

Tudom, hogy hasonlót már láttak a Google-on,

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

ahol beírják a szavakat, és megjelennek a képek,

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

de az úgy működik, hogy a gép a weboldalon szöveget keres.

This is very different from actually understanding the images.

Az teljesen más, mint képeket fölismerni.

This is something that computers have only been able to do

Ilyesmit számítógépek csak az utóbbi hónapokban

for the first time in the last few months.

voltak képesek első ízben megcsinálni.

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

A számítógépek nemcsak látnak, hanem olvasnak is,

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

megmutattuk: értik is, amit hallanak.

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

Talán nem meglepő, ha elmondom, hogy írni is tudnak.

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

Itt egy szöveg, amelyet tegnap egy mély tanuló algoritmussal írattam.

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

Itt egy szöveg, melyet a stanfordi algoritmus írt.

Minden mondatot mély tanuló algoritmus

Each of these sentences was generated

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

állított elő a képek leírása céljából.

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

Az algoritmus korábban soha nem látott fekete inges, gitározó embert.

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

Látott korábban embert, látott fekete színt,

it's seen a guitar before,

látott korábban gitárt,

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

de önállóan állította elő a kép új leírását.

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

Ez még nem üti meg az emberi teljesítmény szintjét, de közelíti.

In tests, humans prefer the computer-generated caption

A tesztekben az esetek negyedében jobban tetszik az embernek

a számítógép-generálta képaláírás.

one out of four times.

Now this system is now only two weeks old,

Nos, ez a rendszer csupán kéthetes,

so probably within the next year,

tehát valószínűleg egy éven belül

the computer algorithm will be well past human performance

a számítógépes algoritmus

at the rate things are going.

felülmúlja az emberi teljesítményt.

So computers can also write.

Tehát a számítógép írni is tud.

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

Ha mindent összerakunk, ez izgalmas lehetőségekhez vezet.

For example, in medicine,

Például a gyógyításban,

a team in Boston announced that they had discovered

egy bostoni csoport bejelentette, hogy felfedeztek

dozens of new clinically relevant features

több tucat klinikailag fontos daganat-jellemzőt,

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

amelyek segítenek az orvosoknak a rák előrejelzésében.

Very similarly, in Stanford,

Hasonlóképpen, Stanfordban

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

bejelentették, hogy kifejlesztettek egy gépi tanuló rendszert,

they've developed a machine learning-based system

amely a szöveteket nagyításban vizsgálva

which in fact is better than human pathologists

a rákosok túlélési esélyeinek előrejelzésében

at predicting survival rates for cancer sufferers.

tényleg jobban teljesít, mint a patológusok.

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

Mindkét esetben az előrejelzések nemcsak pontosabbak voltak,

but they generated new insightful science.

hanem új tudományos eredményt hoztak.

In the radiology case,

A radiológia esetében

they were new clinical indicators that humans can understand.

ezek új klinikai mutatók, amelyeket az ember képes értelmezni.

In this pathology case,

A patológiai esetben

the computer system actually discovered that the cells around the cancer

a számítógépes rendszer végeredményben felfedezte, hogy

are as important as the cancer cells themselves

a rák körüli sejtek a diagnózis fölállításában

ugyanolyan fontosak, mint maguk a rákos sejtek.

in making a diagnosis.

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

A patológusoknak évtizedeken át pont az ellenkezőjét tanították.

In each of those two cases, they were systems developed

Mindkét esetben ezek olyan rendszerek, melyeket

by a combination of medical experts and machine learning experts,

az orvos és a gépi tanulás szakértők együtt

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

fejlesztettek ki. Tavaly óta ezt is túlhaladtuk.

This is an example of identifying cancerous areas

Itt egy példa arra, ahogyan mikroszkóp alatt azonosítják

of human tissue under a microscope.

az emberi szövet rákos területét.

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

A bemutatott rendszer pontosabban vagy kb. ugyanolyan pontossággal tudja azonosítani

or about as accurately, as human pathologists,

azokat a területeket, mint egy patológus.

but was built entirely with deep learning using no medical expertise

Mély tanulással alakították ki a rendszert, orvosi szakértelem nélkül,

by people who have no background in the field.

olyanok, akiknek nincs semmi hátterük a témában.

Similarly, here, this neuron segmentation.

Azután itt van az idegsejtek szelvényezése. Már majdnem

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

olyan precízen tudjuk szelvényezni az idegsejteket, mint az emberek,

but this system was developed with deep learning

és a rendszert mély tanulással azok alakították ki,

using people with no previous background in medicine.

akiknek nem volt előzetes orvosi tapasztalatuk.

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

Úgy éreztem, hogy orvosi háttér nélkül is

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

eléggé képzett vagyok, hogy orvosi céget alapítsak.

which I did.

Meg is tettem.

Kissé féltem tőle, de az elmélet azt sugallta,

I was kind of terrified of doing it,

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

hogy hasznára válhatnánk a gyógyításnak

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

csupán ilyen adatelemző módszerek alkalmazásával.

And thankfully, the feedback has been fantastic,

Hálás vagyok a fantasztikus fogadtatásért,

not just from the media but from the medical community,

nemcsak a média, hanem az orvosi közösség részéről is,

who have been very supportive.

akik nagyon támogattak.

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

Az elmélet szerint a gyógyítás folyamatában a középső részt lecseréljük

and turn that into data analysis as much as possible,

adatelemzésre lehetőség szerint, és azt hagyjuk az orvosokra,

leaving doctors to do what they're best at.

amihez legjobban értenek.

I want to give you an example.

Mondok rá példát. Ma 15 perc

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

egy új diagnosztikai teszt kidolgozása.

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

Megmutatom ezt önöknek valós időben, de én három percbe

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

sűrítettem be, mert elhagytam egyes elemeit.

Rather than showing you creating a medical diagnostic test,

Ahelyett, hogy megmutatnám, hogy készül egy diagnosztikai teszt,

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

lássuk inkább autót ábrázoló képek diagnosztikai tesztjét,

because that's something we can all understand.

mert azt mindenki érteni fogja.

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

Kb. másfél millió, autót ábrázoló képpel kezdünk,

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

és szeretnék létrehozni valamit, ami aszerint rendezi őket,

of the photo that's being taken.

hogy milyen szögből készült a felvétel.

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

A képek címkézetlenek, ezért az alapoktól kell kezdenem.

With our deep learning algorithm,

Mély tanuló algoritmusunkkal

it can automatically identify areas of structure in these images.

azonosítani lehet az egyes részekhez tartozó területeket.

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

Az ember és a gép pompásan együtt tud működni.

So the human, as you can see here,

Az ember, ahogy itt látható,

is telling the computer about areas of interest

megmondja a gépnek, mely területek érdeklik,

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

melyeken szeretné, hogy próbáljon javítani a gép az algoritmusa szerint.

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

Ezek a mély tanuló rendszerek egy 16.000-dimenziós térben vannak,

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

látják, ahogy a gép ezt pörgeti azon a téren keresztül,

trying to find new areas of structure.

és próbál új területeket találni.

Amint eredményt ér el, az őt irányító ember

And when it does so successfully,

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

megjelölheti az érdekes területeket.

So here, the computer has successfully found areas,

A gépnek sikerült területeket találnia,

for example, angles.

például sarkokat.

So as we go through this process,

Ahogy végigvisszük a folyamatot,

we're gradually telling the computer more and more

fokozatosan egyre többet közlünk a géppel arról,

about the kinds of structures we're looking for.

miféle struktúrát keresünk.

Képzeljenek el egy diagnosztikai tesztben

You can imagine in a diagnostic test

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

egy patológust, amint meghatározza a patologikus részeket,

or a radiologist indicating potentially troublesome nodules.

vagy egy radiológust, amint kimutatja a gócokat.

And sometimes it can be difficult for the algorithm.

Néha nehéz az algoritmus számára.

In this case, it got kind of confused.

Most egy kissé összezavarodott.

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

Összekeveri a kocsik elejét a hátuljával.

So here we have to be a bit more careful,

Egy kicsit jobban kell vigyáznunk, és

manually selecting these fronts as opposed to the backs,

nekünk kell előbb különválogatnunk a kocsik elejét és a hátulját,

then telling the computer that this is a type of group

azután megmondjuk a gépnek,

hogy ez a csoport érdekes nekünk.

that we're interested in.

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

Ez eltart egy ideig, ugrunk egyet,

and then we train the machine learning algorithm

és okítjuk a párszáz dologra támaszkodó

based on these couple of hundred things,

gépi tanuló algoritmust,

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

és reméljük, hogy erősen följavul.

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

Látják, kezd elhalványulni egy néhány kép,

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

tehát már felismeri, ezek hogyan értendők.

We can then use this concept of similar images,

Majd alkalmazhatjuk ezt az elvet hasonló képekre,

and using similar images, you can now see,

és a hasonló képeknél, látják,

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

már képes a kocsiknak az elejét hibátlanul megtalálni.

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

Itt az ember mondhatja a gépnek:

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

OK, jó munkát végeztél.

Sometimes, of course, even at this point

Persze, néha még itt is

it's still difficult to separate out groups.

bonyolult szétválasztani a csoportokat,

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

esetünkben, bár hagytuk a gépet egy ideig pörögni,

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

mégis találunk összekeveredve

are all mixed up together.

jobb és bal oldalas képeket.

So we can again give the computer some hints,

Adhatunk további útbaigazításokat a gépnek,

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

mondhatjuk, hogy próbálkozz, és találj olyan szempontot, ami

the left sides and the right sides as much as possible

minél jobban szétválogatja a jobb és bal oldalakat

using this deep learning algorithm.

mély tanuló algoritmussal.

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

S lám, a tanácsunk -- OK, sikeres volt.

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

Sikerült olyan szempontok szerint vizsgálni a tárgyakat,

that's separated out these together.

amelyek alkalmasak szétválogatásukra.

So you get the idea here.

S eszünkbe jut egy gondolat.

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

Esetünkben a gép nem helyettesíti az embert,

but where they're working together.

hanem együtt munkálkodnak.

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

Ami egy 5-6 fős csoportnak

of five or six people about seven years

kb. hét évébe tellett volna korábban,

and replacing it with something that takes 15 minutes

azt ezzel az eszközzel 15 perc alatt

for one person acting alone.

egyetlen személy elvégezi egyedül.

So this process takes about four or five iterations.

Ez a folyamat 4-5 közelítő lépésből áll.

You can see we now have 62 percent

Látják, hogy a gép a másfél millió kép

of our 1.5 million images classified correctly.

62%-át helyesen osztályozta.

And at this point, we can start to quite quickly

Most kezdhetjük gyorsan

grab whole big sections,

nagy vonalakban

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

átnézni, nincs-e hiba valahol.

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

Ahol hiba van, közölhetjük a géppel.

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

Minden elkülönített csoportra alkalmazva valami ilyen eljárást

we are now up to an 80 percent success rate

most a 80%-os helyességi aránynál tartunk

in classifying the 1.5 million images.

a másfél millió kép osztályozásakor.

And at this point, it's just a case

Most még találunk egynéhány

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

eltévedt képet,

and trying to understand why.

és megpróbáljuk megérteni, mi ennek az oka.

And using that approach,

Ugyanazzal a módszerrel

by 15 minutes we get to 97 percent classification rates.

15 perc alatt 97%-os helyességi arányt érünk el.

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

Az ilyen technika lehetővé tenné, hogy kezelni tudjunk egy jelentős problémát,

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

azt, hogy hiány van orvosi szakértelemből a világban.

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

A Világgazdasági Fórumon elhangzott,

shortage of physicians in the developing world,

hogy a fejlődő országokban 10-20-szoros az orvoshiány,

and it would take about 300 years

és mintegy 300 évbe telne,

to train enough people to fix that problem.

hogy a gond megoldására elég orvost képezzenek ki.

So imagine if we can help enhance their efficiency

Képzeljék csak el, milyen jó lenne, ha a mély tanulás módszerével

using these deep learning approaches?

növelhetnénk az orvosok hatékonyságát?

So I'm very excited about the opportunities.

Egészen fölvillanyoznak a lehetőségek.

I'm also concerned about the problems.

Engem is aggaszt ez a gond.

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

Az a probléma, hogy a kékkel jelölt területek ott vannak,

is somewhere where services are over 80 percent of employment.

ahol a szolgáltatások aránya 80% fölötti a foglalkoztatottságban.

Mik is kellenek a szolgáltatásokhoz?

What are services?

These are services.

[Írás-olvasás, Beszéd-figyelem], [Szemlélet, Tudás összegzése]

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

Pont e dolgokkal épp most tanult meg a gép bánni.

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

Tehát a fejlett világ dolgozóinak 80%-a olyan munkát végez,

is stuff that computers have just learned how to do.

amire épp most vált képessé a számítógép.

What does that mean?

Mit jelent ez?

Minden rendben lesz. A régiek helyett új állások keletkeznek.

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

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

Például több állás lesz az adattudósok számára.

Well, not really.

Nem igazán.

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

Nem tart soká a számukra kifejleszteni ezeket a dolgokat.

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

Például, e négy algoritmust ugyanaz a fickó hozta létre.

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

Ha azt hiszik: ó, régen is megtörtént,

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

láttunk már ilyet, hogy új dolgok jönnek,

and they get replaced by new jobs,

és a régieket új állások váltják föl,

what are these new jobs going to be?

no de milyenek lesznek az új állások?

It's very hard for us to estimate this,

Nagyon nehezen tudjuk megítélni,

because human performance grows at this gradual rate,

mert az emberi teljesítmény fokozatosan nő,

but we now have a system, deep learning,

de most itt van a mély tanulás rendszere,

that we know actually grows in capability exponentially.

tudjuk róla, hogy a teljesítménye rohamosan nő.

And we're here.

Itt tartunk.

Mostanában a dolgok láttán sokan azt mondják:

So currently, we see the things around us

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

"Ó, a számítógépek még mindig elég ostobák." Igaz?

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

De öt éven belül a helyzet megváltozik.

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

Már most el kell kezdenünk gondolkozni a gépek képességeiről.

We have seen this once before, of course.

Ilyet már tapasztaltunk,

In the Industrial Revolution,

az ipari forradalom idején,

we saw a step change in capability thanks to engines.

ahogy a gépek megjelenésével lépést kellett váltani.

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

De egy idő után a dolgok elsimultak,

There was social disruption,

Megzavarta a társadalmat,

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

de amikor energiatermelésre már mindenütt gépeket használtak,

things really settled down.

a dolgok lecsillapodtak.

The Machine Learning Revolution

A "gépi tanulás forradalma"

is going to be very different from the Industrial Revolution,

egészen más lesz, mint az ipari forradalom,

because the Machine Learning Revolution, it never settles down.

mert a "gépi tanulás forradalma" soha nem csillapodik le.

The better computers get at intellectual activities,

Minél többet tudnak a számítógépek,

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

annál jobb képességű számítógépeket tudnak megépíteni,

so this is going to be a kind of change

ez olyan váltás lesz, amit a világ eddig

that the world has actually never experienced before,

még soha nem tapasztalt, ezért korábbi fogalmaik arról,

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

hogy mi a lehetséges, teljesen megváltoznak.

This is already impacting us.

Mindez már hatással van ránk.

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

Az utóbbi 25 évben a tőke termelékenysége nőtt,

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

a munka termelékenysége maradt, sőt, valamit csökkent is.

So I want us to start having this discussion now.

Szeretném, ha már elkezdenénk ezt az eszmecserét.

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

Amikor a jelen helyzetről beszélgetek emberekkel,

people can be quite dismissive.

gyakran teljesen elutasítók.

Well, computers can't really think,

Jó, a számítógépek valójában nem tudnak gondolkodni,

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

nem fejeznek ki érzelmeket, nem értik a költészetet,

we don't really understand how they work.

mi igazából nem értjük, hogyan működnek.

So what?

Na és?

Computers right now can do the things

A számítógépek már most meg tudnak tenni dolgokat,

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

amelyek az emberek munkaidejének nagy részét kitöltik.

so now's the time to start thinking

Ideje elkezdeni a gondolkodást:

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

hogyan igazítsuk át a társadalom és a gazdaság szerkezetét

to be aware of this new reality.

az új realitások fényében.

Thank you.

Köszönöm

(Applause)

(taps)