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

Translator: Sigita Šimkutė-Macanko Reviewer: Monika Ciurlionyte

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

Anksčiau, jei norėdavai, kad kompiuteris padarytų kažką naujo,

you would have to program it.

turėdavai programuoti.

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

Programavimas, sakau tiems, kas niekada nėra to daręs,

requires laying out in excruciating detail

vargina savo reikalavimu išdėstyti

every single step that you want the computer to do

kiekvieną atskirą žingsnį, ką nori, kad kompiuteris darytų,

in order to achieve your goal.

kad pasiektų tavo iškeltą tikslą.

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

Ir jei nori padaryti kažką, ko pats nežinai kaip padaryti,

then this is going to be a great challenge.

tai išties yra didelis iššūkis.

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

Su šiuo iššūkiu susidūrė šis žmogus, Athur Samuel.

In 1956, he wanted to get this computer

1956 m. jis norėjo, kad kompiuteris

sugebėtų jį nugalėti žaidžiant šaškėmis.

to be able to beat him at checkers.

How can you write a program,

Kaip gali parašyti programą,

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

detalizuoti, kaip būti geresniam nei esi pats žaisdamas šaškėmis?

So he came up with an idea:

Jam kilo idėja:

he had the computer play against itself thousands of times

jis leido kompiuteriui žaisti prieš save tūkstančius kartų

and learn how to play checkers.

ir išmokti žaisti šaškėmis.

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

Ir tai suveikė, be to, 1962 m.

this computer had beaten the Connecticut state champion.

šis kompiuteris nugalėjo Konektikuto čempioną.

So Arthur Samuel was the father of machine learning,

Taigi Arthur Samuel yra gebančios mokytis mašinos tėvas,

and I have a great debt to him,

ir jam aš esu skolingas,

because I am a machine learning practitioner.

nes aš esu gebančios mokytis mašinos praktikas.

I was the president of Kaggle,

Aš buvau „Kaggle“ prezidentu,

a community of over 200,000 machine learning practictioners.

bendruomenės su daugiau nei 200 000 besimokančios mašinos praktikų.

Kaggle puts up competitions

„Kaggle“ skelbia konkursus

to try and get them to solve previously unsolved problems,

pabandyti ir išspręsti prieš tai neišspręstas problemas,

and it's been successful hundreds of times.

ir tai pavyko šimtus kartų.

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

Taigi turėdamas pranašumą aš galėjau daug sužinoti

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

apie tai, ką besimokančios mašinos galėjo padaryti praeity, ką gali dabar,

and what it could do in the future.

ir ką galėtų ateityje.

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

Galbūt pirma didžiausia besimokančios mašinos komercinė sėkmė buvo „Google“.

Google showed that it is possible to find information

„Google“ įrodė, kad įmanoma surasti informaciją,

by using a computer algorithm,

naudojant kompiuterio algoritmą,

and this algorithm is based on machine learning.

šis algoritmas paremtas mašinos gebėjimu mokytis.

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

Nuo to laiko turime daugiau komercinės sėkmės pavyzdžių.

Companies like Amazon and Netflix

Įmonės, kaip „Amazon“ ir „Netflix“,

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

naudoja besimokančias mašinas, kad pasiūlytų tai, ką gal norėtumėte pirkti,

movies that you might like to watch.

filmų, kuriuos galbūt norėtumėte pamatyti.

Sometimes, it's almost creepy.

Kartais tai kelia baimę.

Companies like LinkedIn and Facebook

Įmonės, kaip „LinkedIn“ ir „Facebook“,

sometimes will tell you about who your friends might be

kartais pasiūlys jums, kas galėtų būti jūsų draugais,

and you have no idea how it did it,

ir jūs nežinote, kaip jie tai daro,

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

ir tai tik dėl to, kad jie naudoja besimokančios mašinos galią.

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

Tai yra algoritmai, kurie iš duomenų mokosi, kaip tai padaryti,

rather than being programmed by hand.

užuot būtų programuojami ranka.

This is also how IBM was successful

Taip buvo ir su IBM pasisekimu,

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

kad Watson sumuštų du pasaulio čempionus žaidime „Jeopardy“,

answering incredibly subtle and complex questions like this one.

atsakinėjant neįtikėtinai subtilius ir sunkius klausimus, kaip šis.

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

[„Antik. „Nimrudo liūtas“ dingo iš šio miesto muziejaus...“]

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

Dėl tos pačios priežasties matome pirmus automobilius be vairuotojų.

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

Jei jūs norite įvardinti skirtumą tarp, pavyzdžiui,

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

medžio ir pėsčiojo, ką gi, tai gana svarbu.

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

Mes nežinome, kaip parašyti šias programas ranka,

but with machine learning, this is now possible.

bet su besimokančiomis mašinomis dabar tai įmanoma.

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

Išties, šis automobilis nuvažiavo virš milijono mylių

without any accidents on regular roads.

be jokių eismo įvykių įprastuose keliuose.

So we now know that computers can learn,

Dabar žinome – kompiuteriai gali mokytis,

and computers can learn to do things

ir jie gali išmokti daryti dalykus,

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

kurių mes patys kartais, nežinome kaip padaryti,

or maybe can do them better than us.

o gal netgi padaryti geriau, nei mes.

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

Vienas iš nuostabiausių mano matytų besimokančios mašinos pavyzdžių

happened on a project that I ran at Kaggle

nutiko mano vykdytame projekte „Kaggle“.

where a team run by a guy called Geoffrey Hinton

Komanda, kuriai vadovavo vaikinas vardu Geoffrey Hinton,

from the University of Toronto

iš Toronto universiteto,

won a competition for automatic drug discovery.

laimėjo varžybas už automatinį vaistų atradimą.

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

Keisčiausia ne tai, kad jie paneigė visus

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

Merck sukurtus ar tarptautinius akademinės bendruomenės algoritmus,

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

o tai, kad nei vienas neturėjo chemijos, biologijos ar gamtos mokslų pagrindų,

and they did it in two weeks.

ir jie tai padarė per dvi savaites.

How did they do this?

Kaip jiems pavyko?

They used an extraordinary algorithm called deep learning.

Jie naudojo išskirtinį algoritmą, vadinamą giliuoju mokymusi.

So important was this that in fact the success was covered

Tai buvo tiek svarbu, kad ši sėkmės istorija buvo aprašyta

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

pirmajame „New York Times“ puslapyje po kelių savaičių.

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

Čia yra Geoffrey Hinton, kairėje pusėje.

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

Gilusis mokymasis yra algoritmas, įkvėptas to, kaip dirba žmogaus smegenys,

and as a result it's an algorithm

ir dėl to šis algoritmas

which has no theoretical limitations on what it can do.

neturi teorinių apribojimų tam, ką jis gali daryti.

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

Kuo daugiau jam duodi duomenų ir laiko jiems apskaičiuoti,

the better it gets.

tuo jis geresnis.

The New York Times also showed in this article

„New York Times“ taip pat tame straipsnyje aprašė

another extraordinary result of deep learning

kitą išskirtinį gilaus mokymosi rezultatą,

which I'm going to show you now.

kurį dabar jums parodysiu.

It shows that computers can listen and understand.

Tai rodo, kad kompiuteris gali girdėti ir suprasti.

(Video) Richard Rashid: Now, the last step

(Video) Richard Rashid: Dabar

that I want to be able to take in this process

paskutinis dalykas, ką norėčiau padaryti šiame procese,

is to actually speak to you in Chinese.

yra kalbėti su jumis kiniškai.

Now the key thing there is,

Pagrindinis dalykas,

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

kad mes turėjome galimybę surinkti daugybę informacijos iš kalbančių kiniškai

and produce a text-to-speech system

ir sukurti teksto-kalbos sistemą,

that takes Chinese text and converts it into Chinese language,

kuri paima kinišką tekstą ir konvertuoja jį į kinų kalbą,

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

ir tada mes paėmėme apie valandą mano balso,

and we've used that to modulate

ir tai panaudojome sumodeliuoti

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

standartinę teksto-kalbos sistemą, kuri kalbėtų mano balsu.

Again, the result's not perfect.

Dar kartą, rezultatas nėra tobulas.

There are in fact quite a few errors.

Iš tiesų, yra keli netikslumai.

(In Chinese)

(Kiniškai)

(Applause)

(Plojimai)

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

Dar daug reikia nuveikti šioje srityje.

(In Chinese)

(Kiniškai)

(Applause)

(Plojimai)

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

Jeremy Howard: Tai buvo besimokan- čių mašinų konferencija Kinijoje.

It's not often, actually, at academic conferences

Išties nedažnai pasitaiko mokslo konferencijose

that you do hear spontaneous applause,

išgirsti spontaniškus plojimus,

although of course sometimes at TEDx conferences, feel free.

nors, žinoma, kartais pasitaiko ir TEDx konferencijose, nesivaržykite.

Everything you saw there was happening with deep learning.

Viskas, ką jūs čia matėte, vyko su giliuoju mokymusi.

(Applause) Thank you.

(Plojimai) Dėkoju.

The transcription in English was deep learning.

Angliška transkripcija buvo gilus mokymasis.

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

Vertimas į kinų kalbą ir tekstas viršuje dešinėje – gilus mokymasis,

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

ir balso konstrukcija – taip pat gilus mokymasis.

So deep learning is this extraordinary thing.

Gilusis mokymasis yra išskirtinis dalykas.

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

Tai yra atskiras algoritmas, kuris, atrodo, gali beveik viską,

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

ir aš atradau, kad prieš metus jis išmoko matyti.

In this obscure competition from Germany

Šiame nežymiame konkurse Vokietijoje,

called the German Traffic Sign Recognition Benchmark,

pavadintame Vokiečių kelių ženklų atpažinimo etalonu,

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

gilusis mokymasis išmoko atpažinti kelio ženklus, kaip šis.

Not only could it recognize the traffic signs

Ne tik galėjo atpažinti kelio ženklus

better than any other algorithm,

geriau, nei kiti algoritmai,

the leaderboard actually showed it was better than people,

rezultatų lentelė parodė, kad jis buvo geresnis už žmones,

about twice as good as people.

netgi du kartus geresnis.

So by 2011, we had the first example

Taigi 2011 m. turėjome pirmą pavyzdį

of computers that can see better than people.

kompiuterių, galinčių matyti geriau, nei žmonės.

Since that time, a lot has happened.

Nuo tada daug kas įvyko.

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

2012 m. „Google“ paskelbė, kad jie leido gilaus mokymosi algoritmui

watch YouTube videos

žiūrėti „YouTube“ įrašus

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

ir mėnesį rinko duomenis iš 16 000 kompiuterių,

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

ir šie kompiuteriai savarankiškai išmoko apie sąvokas, kaip žmonės ir katės,

just by watching the videos.

tiesiog žiūrėdami vaizdo įrašus.

This is much like the way that humans learn.

Tai panašu į tai, kaip mokosi žmonės.

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

Žmonės mokosi ne kai jiems sakoma, ką jie mato,

but by learning for themselves what these things are.

bet mokosi patys atrasdami, kas šie dalykai yra.

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

Taip pat 2012 m. Geoffrey Hinton, kurį matėme anksčiau,

won the very popular ImageNet competition,

laimėjo populiarų „ImageNet“ konkursą,

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

bandantį apskaičiuoti iš pusantro milijono vaizdų,

what they're pictures of.

kieno tai nuotraukos.

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

Nors dabar 2014 m., mes vis dar klystame 6 procentais

in image recognition.

atpažindami vaizdus.

This is better than people, again.

Ir vėlgi tai yra geriau, nei gali žmonės.

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

Taigi mašinos išties daro išskirtinį darbą šioje srityje,

and it is now being used in industry.

ir dabar tai naudojama pramonėje.

For example, Google announced last year

Pavyzdžiui, „Google“ pernai paskelbė,

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

kad į žemėlapį įtraukė kiekvieną atskirą Prancūzijos vietą vos per dvi valandas,

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

jie tai padarė perkeldami gatvių vaizdus

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

į gilaus mokymosi algoritmą, kad atpažintų gatvių numerius.

Imagine how long it would have taken before:

Įsivaizduokite, kaip ilgai tai būtų užtrukę:

dozens of people, many years.

daugybė žmonių ir metų.

This is also happening in China.

Tai vyksta ir Kinijoje.

Baidu is kind of the Chinese Google, I guess,

„Baidu“ yra savotiškas kinų „Google“, spėju,

and what you see here in the top left

ir tai, ką jūs matote viršuje kairėje

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

yra pavyzdys nuotraukos, kurią aš įkėliau į „Baidu“ gilaus mokymosi sistemą,

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

ir apačioje jūs galite pamatyti, kad sistema suprato, kas yra nuotraukoje,

and found similar images.

ir rado panašius vaizdus.

The similar images actually have similar backgrounds,

Išties panašūs vaizdai turi panašų foną,

similar directions of the faces,

panašų snukių pasukimą,

even some with their tongue out.

netgi kai kurie su iškištu liežuviu.

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

Tai nelabai aišku, žiūrint į tekstą tinklalapyje.

All I uploaded was an image.

Aš įkėliau tik nuotrauką.

So we now have computers which really understand what they see

Taigi dabar mes turime kompiuterius, kurie tikrai supranta, ką mato

and can therefore search databases

ir gali ieškoti duomenų bazėse

of hundreds of millions of images in real time.

šimtus milijonus vaizdų realiu laiku.

So what does it mean now that computers can see?

Taigi ką reiškia, kad dabar kompiuteriai gali matyti?

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

Tai ne tik, kad kompiuteriai gali matyti.

In fact, deep learning has done more than that.

Išties, gilus mokymasis padarė daugiau.

Complex, nuanced sentences like this one

Sudėtingi sakiniai su niuansais, kaip šis

are now understandable with deep learning algorithms.

dabar yra suprantami su gilaus mokymosi algoritmais.

As you can see here,

Kaip galite čia matyti.

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

ši Stanfordu paremta sistema, rodanti raudoną tašką viršuj,

has figured out that this sentence is expressing negative sentiment.

suprato, kad šis sakinys išreiškia neigiamą mintį.

Deep learning now in fact is near human performance

Gilus mokymasis iš tiesų artėja prie žmogaus gebėjimo

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

suprasti, apie ką yra sakiniai ir kas yra sakoma apie tuos dalykus.

Also, deep learning has been used to read Chinese,

Taip pat, gilus mokymasis buvo naudotas skaityti kiniškai

again at about native Chinese speaker level.

dar kartą gimtosios kinų kalbos skaitytojo lygiu.

This algorithm developed out of Switzerland

Šis algoritmas, sukurtas Šveicarijoje žmonių,

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

kurių nei vienas nekalba ar supranta kiniškai.

As I say, using deep learning

Kaip ir sakiau, gilaus mokymosi naudojimas

is about the best system in the world for this,

už tai yra geriausia sistema pasaulyje

even compared to native human understanding.

net palyginus su įgimtu žmogaus suvokimu.

This is a system that we put together at my company

Tai yra sistema, kurią mes sudėjome mano kompanijoje,

which shows putting all this stuff together.

kuri rodo, kaip sudeda viską į krūvą.

These are pictures which have no text attached,

Štai čia nuotraukos, kurios neturi pridėto teksto,

and as I'm typing in here sentences,

ir kai aš rašau šiuos žodžius,

in real time it's understanding these pictures

ji realiu laiku supranta šias nuotraukas

and figuring out what they're about

ir išsiaiškina, apie ką jos,

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

ir suranda nuotraukas, panašias į tekstą, kurį aš rašau.

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

Taigi jūs matote, kad ji išties supranta mano žodžius

and actually understanding these pictures.

ir iš tikrųjų supranta šiuos vaizdus.

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

Žinau, kad jūs matėte kažką panašaus „Google“,

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

kur jūs rašote tekstą, ir jums suranda vaizdus,

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

bet iš tikrųjų ji tik ieško tinklalapio su nurodytu tekstu.

This is very different from actually understanding the images.

Tai išties skiriasi nuo tikro vaizdų supratimo.

This is something that computers have only been able to do

Tai yra kažkas, ką kompiuteriai galėjo padaryti

for the first time in the last few months.

pirmą kartą paskutiniais mėnesiais.

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

Taigi mes matome, kad kompiuteriai gali ne tik matyti, bet ir skaityti,

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

ir, žinoma, mes parodėme, kad jie gali suprasti ką girdi.

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

Gal nenustebinsiu jums pasakydamas, kad jie gali ir rašyti.

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

Štai čia tekstas, kurį sugeneravau vakar naudodamas gilaus mokymosi algoritmą.

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

Ir štai čia - tekstas, kurį sugeneravo Stanfordo algoritmas.

Each of these sentences was generated

Kiekvienas šių sakinių buvo sukurtas

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

gilaus mokymosi algoritmo, kad aprašytų kiekvieną šių vaizdų.

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

Šis algoritmas prieš tai nebuvo matęs vyro juodais marškinėliais grojant gitara.

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

Jis yra matęs vyrą prieš tai, yra matęs juodą,

it's seen a guitar before,

taip pat ir gitarą,

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

bet jis savarankiškai sugeneravo šį nuotraukos aprašymą.

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

Kol kas tai neprilygsta žmogaus gebėjimams, bet mes esame arti.

In tests, humans prefer the computer-generated caption

Testuose žmonės teikia pirmenybę kompiuterio sukurtai antraštei

one out of four times.

vieną iš keturių kartų.

Now this system is now only two weeks old,

Šiai sistemai kol kas tik dvi savaitės,

so probably within the next year,

taigi tikėtina, kad per kitus metus

the computer algorithm will be well past human performance

kompiuterio algoritmas bus

at the rate things are going.

gerokai pralenkęs žmogaus gebėjimus.

So computers can also write.

Taigi kompiuteriai taip pat gali rašyti.

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

Taigi mes viską sudėjome, ir tai veda į įdomias galimybes.

For example, in medicine,

Pavyzdžiui, medicinoje.

a team in Boston announced that they had discovered

Komanda Bostone pranešė, kad jie atrado

dozens of new clinically relevant features

daugybę naujų kliniškai svarbių

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

auglių bruožų, kurie padeda gydytojams prognozuoti vėžį.

Very similarly, in Stanford,

Labai panašiai Stanforde

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

ten esanti komanda pranešė, kad tyrinėdami padidintus audinius

they've developed a machine learning-based system

jie sukūrė sistemą, pagrįstą mašinos mokymusi,

which in fact is better than human pathologists

kuri išties yra geresnė, už žmones patologus

at predicting survival rates for cancer sufferers.

nustatant išgyvenimo tikimybę sergantiems vėžiu.

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

Abiem atvejais ne tik buvo tikslesnės prognozės,

but they generated new insightful science.

bet jie sukūrė ir naują įžvalgos mokslą.

In the radiology case,

Radiologijos atveju

they were new clinical indicators that humans can understand.

tai buvo nauji klinikiniai indikatoriai, kuriuos supranta žmonės.

In this pathology case,

Patologijos atveju

the computer system actually discovered that the cells around the cancer

kompiuterio sistema atrado, kad ląstelės aplink vėžio židinį

are as important as the cancer cells themselves

yra tokios pat svarbios, kaip vėžinės ląstelės

in making a diagnosis.

nustatant diagnozę.

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

Tai yra atvirkščiai, nei patologai buvo mokami dešimtmečiais.

In each of those two cases, they were systems developed

Kiekviename šių dviejų atvejų buvo sukurtos sistemos

by a combination of medical experts and machine learning experts,

derinant medicinos ekspertus ir mašinos mokymosi ekspertus,

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

bet paskutiniais metais mes pažengėme į priekį.

This is an example of identifying cancerous areas

Štai čia pavyzdys, kaip nustatomos vėžio ląstelės

of human tissue under a microscope.

žmogaus audinyje po mikroskopu.

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

Čia demonstruojama sistema gali atpažinti šias vietas tiksliau,

or about as accurately, as human pathologists,

ar beveik taip pat tiksliai, kaip gydytojai patologai,

but was built entirely with deep learning using no medical expertise

ji buvo sukurta vien su giliu mokymusi, be jokių medicinos žinių

by people who have no background in the field.

žmonių, kurie neturi jokio pagrindo šioje srityje.

Similarly, here, this neuron segmentation.

Panašiai čia, tai neurono segmentavimas.

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

Dabar galime segmentuoti neuronus beveik taip pat tiksliai, kaip žmonės,

but this system was developed with deep learning

bet ši sistema sukurta naudojant gilų mokymąsi

using people with no previous background in medicine.

žmonių, neturinčių ankstesnės patirties medicinoje.

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

Taigi aš, neturintis jokio medicininio išsilavinimo,

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

panašu, kad esu tinkamas įsteigti naują medicinos kompaniją,

which I did.

ką aš ir padariau.

I was kind of terrified of doing it,

Tam tikra prasme bijojau tą daryti,

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

bet teorija, rodos, pati patarė, kad turėtų būti įmanoma

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

sukurti naudingą mediciną, naudojant tik duomenų analizės technikas.

And thankfully, the feedback has been fantastic,

Ir laimei, atsiliepimai buvo puikūs,

not just from the media but from the medical community,

ne tik iš žiniasklaidos, bet ir iš medikų,

who have been very supportive.

kurie labai palaikė.

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

Teoriškai mes galime paimti vidurinę medicininio proceso dalį

and turn that into data analysis as much as possible,

ir paversti ją į duomenų analizę kiek įmanoma daugiau,

leaving doctors to do what they're best at.

leidžiant gydytojams daryti tai, ką jie geriausiai sugeba.

I want to give you an example.

Noriu jums duoti pavyzdį.

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

Mums užtrunka apie 15 minučių sukurti naują medicininės diagnozės testą,

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

dabar aš jums parodysiu realiu laiku,

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

bet aš sumažinau jį iki trijų minučių išmesdamas kai kurias dalis.

Rather than showing you creating a medical diagnostic test,

Užuot rodęs jums, kaip kuriamas medicininės diagnozės testas,

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

aš jums parodysiu mašinų vaizdų diagnozės testą,

because that's something we can all understand.

nes šitai mes visi galime suprasti.

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

Taigi pradedame su apie 1,5 milijono automobilių vaizdų,

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

ir aš noriu sukurti kažką, kas gali juos išskaidyti pagal

of the photo that's being taken.

padarytos nuotraukos kampą.

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

Šie vaizdai yra be žymių, taigi turiu pradėti nuo pradžių.

With our deep learning algorithm,

Naudojant gilaus mokymosi algoritmą

it can automatically identify areas of structure in these images.

jis gali automatiškai identifikuoti struktūros vietas šiuose vaizduose.

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

Nuostabu, kad žmogus ir kompiuteris dabar gali kartu dirbti.

So the human, as you can see here,

Taigi žmogus, kaip jūs matote čia,

is telling the computer about areas of interest

nurodo kompiuteriui jam rūpimas vietas,

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

nori, kad kompiuteris išbandytų ir pagerintų savo algoritmą.

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

Dabar šios gilaus mokymosi sistemos yra 16 000 dimensijų erdvėje,

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

taigi jūs matote kompiuterį, besisukantį šioje erdvėje,

trying to find new areas of structure.

ieškantį naujų struktūros vietų.

And when it does so successfully,

Ir, kai jam tai pavyksta,

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

žmogus, kuris jį valdo, tada atkreipia dėmesį į įdomias vietas.

So here, the computer has successfully found areas,

Taigi kompiuteris sėkmingai surado vietas,

for example, angles.

pavyzdžiui, kampus.

So as we go through this process,

Kai perėjome šį procesą,

we're gradually telling the computer more and more

mes tolygiai nurodome kompiuteriui vis daugiau

about the kinds of structures we're looking for.

apie struktūrų tipus, kurių mes ieškome.

You can imagine in a diagnostic test

Įsivaizduokite diagnostikos teste

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

tai būtų patologas, identifikuojantis, pavyzdžiui, susirgimo tipą,

or a radiologist indicating potentially troublesome nodules.

arba radiologas, nustatantis potencialiai pavojingus mazgelius.

And sometimes it can be difficult for the algorithm.

Ir kartais tai gali būti sudėtinga algoritmui.

In this case, it got kind of confused.

Šiuo atveju jis šiek tiek pasimetė.

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

Mašinų priekiai ir galai yra sumaišyti.

So here we have to be a bit more careful,

Taigi turime būti dėmesingesni,

manually selecting these fronts as opposed to the backs,

rankiniu būdu atrinkdami šiuos priekius, kaip galų priešingybes

then telling the computer that this is a type of group

tada nurodyti kompiuteriui, kad šio tipo grupė

that we're interested in.

mus domina.

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

Taigi mes tai darome kurį laiką, šiek tiek praleidžiame,

and then we train the machine learning algorithm

ir tada treniruojame mašinos mokymosi algoritmą,

based on these couple of hundred things,

paremtą keliais šimtais dalykų,

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

ir mes tikimės, kad jis patobulės.

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

Dabar matote, kad jis pradėjo išmetinėti kai kuriuos vaizdus,

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

rodydamas mums, kad jau žino, kaip pačiam suprasti kai kuriuos vaizdus.

We can then use this concept of similar images,

Tada mes galime naudoti šį panašių vaizdų konceptą,

and using similar images, you can now see,

ir naudojant panašius vaizdus, matote,

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

kompiuteris šioje vietoje sugeba atrasti vien automobilių priekius.

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

Šiuo atveju žmogus gali pasakyti kompiuteriui,

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

puiku, tu padarei gerą darbą.

Sometimes, of course, even at this point

Kartais, žinoma, net ir šiuo momentu

it's still difficult to separate out groups.

tai vis dar sudėtinga atskirti grupes.

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

Net jei mes leidžiame kompiuteriui bandyti kurį laiką,

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

mes vis dar randame, kad kairės ir dešinės pusės vaizdai

are all mixed up together.

yra visi sumaišyti.

So we can again give the computer some hints,

Mes galime vėl kompiuteriui duoti užuominų,

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

sakome - gerai, pabandyk ir rask projekciją, kuri kuo labiau

the left sides and the right sides as much as possible

išskiria kaires puses nuo dešinių

using this deep learning algorithm.

naudojant šį gilaus mokymosi algoritmą.

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

Ir davus užuominą – ak, puiku, pavyko.

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

Jam pavyko surasti mąstymo apie šiuos objektus būdą,

that's separated out these together.

kas atskyrė detales.

So you get the idea here.

Taigi jūs mane supratote.

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

Čia ne tas atvejis, kur žmogus yra pakeičiamas kompiuterio,

but where they're working together.

bet tas, kai jie dirba kartu.

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

Ką mes čia darome, tai išstumiame kažką, kam reikėdavo komandos

of five or six people about seven years

iš penkių ar šešių žmonių 7 metams,

and replacing it with something that takes 15 minutes

ir pakeičiame tai su kažkuo, kas užtrunka 15 min.

for one person acting alone.

veikiant vienam asmeniui.

So this process takes about four or five iterations.

Šiam procesui prireikia 4 ar 5 pakartojimų.

You can see we now have 62 percent

Dabar matote, kad turime 62 proc.

of our 1.5 million images classified correctly.

iš mūsų 1,5 milijono vaizdų suskirstytų teisingai.

And at this point, we can start to quite quickly

Ir šiame etape mes galime pradėti gana greitai

grab whole big sections,

imti pilnas dalis,

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

patikrinti jas ir įsitikinti, kad nėra klaidų.

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

Jei yra klaidų, leidžiame kompiuteriui jas žinoti.

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

Ir naudodami tokį procesą kiekvienai atskirai grupei

we are now up to an 80 percent success rate

mes pasiekiame 80 proc. sėkmės rodiklį

in classifying the 1.5 million images.

skirstant 1,5 milijono vaizdų.

And at this point, it's just a case

Šiuo momentu tai tik problema,

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

kaip surasti mažą kiekį, kuris nėra teisingai suklasifikuotas,

and trying to understand why.

ir pabandyti suprasti kodėl.

And using that approach,

Naudojant šį metodą,

by 15 minutes we get to 97 percent classification rates.

per 15 minučių mes suklasifikuojame 97 proc.

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

Tokio tipo technika leistų mums išspręsti pagrindinę problemą –

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

medicininės ekspertizės trūkumą pasaulyje.

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

Pasaulio ekonomikos forumas teigia, kad gydytojų trūkumas siekia

shortage of physicians in the developing world,

nuo 10 iki 20 kartų besivystančiose šalyse,

and it would take about 300 years

ir prireiktų apie 300 metų

to train enough people to fix that problem.

išmokyti pakankamai žmonių šiai problemai panaikinti.

So imagine if we can help enhance their efficiency

Įsivaizduokite, jei galėtume padidinti jų efektyvumą

using these deep learning approaches?

naudodami šiuos gilaus mokymosi būdus?

So I'm very excited about the opportunities.

Esu labai susijaudinęs dėl šių galimybių.

I'm also concerned about the problems.

Man taip pat rūpi šios problemos.

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

Problema ta, kad kiekviena mėlyna spalva šiame žemėlapyje

is somewhere where services are over 80 percent of employment.

rodo, kur paslaugos užima virš 80 procentų užimtumo.

What are services?

Kokios tai paslaugos?

These are services.

Štai šios paslaugos.

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

Taip pat tai konkretūs dalykai, kuriuos kompiuteriai jau išmoko daryti.

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

Taigi 80 proc. pasaulio užimtumo išsivysčiusiame pasaulyje

is stuff that computers have just learned how to do.

yra dalykai, kuriuos kompiuteriai jau išmoko daryti.

What does that mean?

Ką tai reiškia?

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

Ką gi, viskas bus gerai. Jie bus pakeisti kitų darbų.

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

Pavyzdžiui, bus daugiau darbo duomenų mokslininkams.

Well, not really.

Tiesa, nelabai.

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

Duomenų mokslininkams neužtrunka ilgai tai sukurti.

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

Pavyzdžiui, šie keturi algoritmai buvo sukurti to paties vaikino.

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

Taigi, jei galvojate, ak, taip jau buvo anksčiau,

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

mes matėme rezultatus praeity, kai atsirado nauji dalykai

and they get replaced by new jobs,

ir jie buvo pakeisti naujų darbų,

what are these new jobs going to be?

kokie tie nauji darbai bus?

It's very hard for us to estimate this,

Labai sunku mums tai įvertinti,

because human performance grows at this gradual rate,

nes žmogaus veikla auga palaipsniui,

but we now have a system, deep learning,

o mes turime sistemą, gilų mokymąsi,

that we know actually grows in capability exponentially.

kuris, mes jau žinome, auga eksponentiniu pajėgumu.

And we're here.

Ir štai mes čia.

So currently, we see the things around us

Šiuo metu mes matome, kas aplinkui dedasi

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

ir mes sakome, „Ak, kompiuteriai yra gana kvaili“. Taip?

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

Bet po penkerių metų kompiuteriai peraugs šią lentelę.

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

Mums reikia pradėti galvoti apie šį sugebėjimą jau dabar.

We have seen this once before, of course.

Mes tai jau matėme kartą, žinoma.

In the Industrial Revolution,

Pramonės perversme

we saw a step change in capability thanks to engines.

mes matėme pasikeitimą pajėgume dėka variklių.

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

Dalykas tas, vis dėlto, kad po kurio laiko viskas nusistovės.

There was social disruption,

Tuomet buvo socialinis lūžis,

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

bet vos tik varikliai buvo panaudoti jėgos generavimui visose situacijose

things really settled down.

viskas išties nusistovėjo.

The Machine Learning Revolution

Mašinų mokymosi revoliucija

is going to be very different from the Industrial Revolution,

labai skirsis nuo Pramonės perversmo,

because the Machine Learning Revolution, it never settles down.

nes mašinų mokymosi revoliucija niekada nenusistovės.

The better computers get at intellectual activities,

Kuo kompiuteriai taps geresni intelektualinėje veikloje,

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

tuo geresnius kompiuterius jie gali sukurti dar geresnei veiklai,

so this is going to be a kind of change

taigi tai bus pasikeitimas,

that the world has actually never experienced before,

kurio pasaulis iš tiesų niekada nebuvo patyręs.

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

Taigi jūsų ankstesnis suvokimas, kas yra įmanoma, yra skirtingas.

This is already impacting us.

Tai jau daro mums įtaką.

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

Paskutiniais 25 metais, padidėjus kapitalo produktyvumui,

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

darbo jėgos produktyvumas buvo nuoseklus, tiesą sakant, truputį žemas.

So I want us to start having this discussion now.

Taigi noriu, kad mes pradėtume apie tai diskutuoti.

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

Žinau, kad, kai kalbu žmonėms apie šią situaciją,

people can be quite dismissive.

žmonės gali būti gana priešiški.

Well, computers can't really think,

Kompiuteriai negali tikrai galvoti,

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

jie neturi jausmų, jie nesupranta poezijos,

we don't really understand how they work.

mes nelabai suprantame, kaip jie dirba.

So what?

Tai kas?

Computers right now can do the things

Kompiuteriai jau dabar daro dalykus,

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

kuriems žmonės skiria daugiausia savo apmokamo laiko,

so now's the time to start thinking

dabar pats laikas pradėti mąstyti

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

apie tai, kaip mes pritaikysime savo socialines ir ekonomines struktūras,

to be aware of this new reality.

kad suvoktume šią naują realybę.

Thank you.

Dėkoju.

(Applause)

(Plojimai.)