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

Vertaald door: Rik Delaet Nagekeken door: Valérie Boor

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

Als je vroeger een computer iets nieuws wilde laten doen,

you would have to program it.

moest je hem programmeren.

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

Voor wie het nooit zelf heeft gedaan:

requires laying out in excruciating detail

programmeren vereist dat je tot in het allerpijnlijkste detail

every single step that you want the computer to do

elke stap uitschrijft van wat je wil dat de computer doet

in order to achieve your goal.

om je doel te bereiken.

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

Als je iets wil doen, waarvan je zelf niet weet hoe je het moet doen,

then this is going to be a great challenge.

dan is dit een ​​grote uitdaging.

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

Dat was de uitdaging voor deze man, Arthur Samuel.

In 1956, he wanted to get this computer

In 1956 wilde hij deze computer zover krijgen

to be able to beat him at checkers.

dat hij Samuel zelf kon verslaan bij het dammen.

How can you write a program,

Hoe schrijf je een programma

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

dat tot in het allerpijnlijkste detail, beter is in dammen dan je zelf bent?

So he came up with an idea:

Hij kwam met een idee:

he had the computer play against itself thousands of times

hij liet de computer duizenden keren tegen zichzelf spelen

and learn how to play checkers.

en daarbij leren hoe te dammen.

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

Het werkte en in 1962 versloeg

this computer had beaten the Connecticut state champion.

deze computer de kampioen van de staat Connecticut.

Zo werd Arthur Samuel de vader van het ‘machinaal leren’.

So Arthur Samuel was the father of machine learning,

and I have a great debt to him,

Ik heb veel aan hem te danken,

because I am a machine learning practitioner.

want ik doe aan machinaal leren.

I was the president of Kaggle,

Ik was voorzitter van Kaggle,

a community of over 200,000 machine learning practictioners.

een gemeenschap van meer dan 200.000 machinaal-lerenbeoefenaars.

Kaggle puts up competitions

Kaggle organiseert wedstrijden

to try and get them to solve previously unsolved problems,

om eerder onopgeloste problemen op te lossen.

and it's been successful hundreds of times.

Dat lukte al honderden keren.

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

Daardoor kon ik heel wat te weten komen

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

over wat machinaal leren kon doen in het verleden, vandaag,

and what it could do in the future.

en wat het zou kunnen doen in de toekomst.

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

Misschien is Google het eerste grote commerciële succes van machinaal leren.

Google showed that it is possible to find information

Google liet zien dat het mogelijk is om informatie te vinden

by using a computer algorithm,

met een computeralgoritme.

and this algorithm is based on machine learning.

Dit algoritme is gebaseerd op machinaal leren.

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

Sinds die tijd heeft machinaal leren heel wat commerciële successen geboekt.

Companies like Amazon and Netflix

Bedrijven als Amazon en Netflix gebruiken machinaal leren

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

om producten te suggereren die je misschien wilt kopen,

movies that you might like to watch.

of films om naar te kijken.

Sometimes, it's almost creepy.

Soms is het bijna griezelig.

Companies like LinkedIn and Facebook

Bedrijven zoals LinkedIn en Facebook

sometimes will tell you about who your friends might be

kunnen je soms vertellen wie je vrienden zouden kunnen zijn

and you have no idea how it did it,

en je hebt geen idee hoe dat in zijn werk ging.

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

Dat is de kracht van machinaal leren.

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

Deze algoritmen hebben dit uit gegevens geleerd te doen

rather than being programmed by hand.

in plaats van door manueel programmeren.

This is also how IBM was successful

Daarom ook kon Watson van IBM

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

de twee wereldkampioenen bij "Jeopardy" verslaan

door heel subtiele en complexe vragen als deze te beantwoorden.

answering incredibly subtle and complex questions like this one.

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

["O.a. de oude 'Leeuw van Nimrod' verdween hier in 2003 uit het nationaal museum."]

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

Ook daarom kunnen we nu de eerste zelfsturende auto's zien.

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

Het verschil zien tussen een boom en een voetganger

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

is dan nogal belangrijk.

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

We weten niet hoe we zulke programma's handmatig moeten schrijven,

but with machine learning, this is now possible.

maar met machinaal leren kan het.

Deze auto heeft er al meer dan een miljoen kilometer opzitten

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

without any accidents on regular roads.

zonder ongevallen en op gewone wegen.

So we now know that computers can learn,

We weten nu dat computers kunnen leren,

and computers can learn to do things

en computers dingen kunnen leren doen

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

waarvan we eigenlijk soms niet weten hoe we ze zelf moeten doen,

or maybe can do them better than us.

of kunnen ze misschien beter doen dan wij.

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

Een van de meest verbazingwekkende voorbeelden

van machinaal leren die ik heb gezien,

happened on a project that I ran at Kaggle

zag ik op een project dat ik op Kaggle leidde.

where a team run by a guy called Geoffrey Hinton

Een team geleid door Geoffrey Hinton van de Universiteit van Toronto

from the University of Toronto

won een wedstrijd in het geautomatiseerd ontdekken van geneesmiddelen.

won a competition for automatic drug discovery.

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

Het was al buitengewoon dat ze alle algoritmen van Merck

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

en de internationale academische gemeenschap versloegen,

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

maar daarbij had niemand in het team een achtergrond

in scheikunde, biologie of levenswetenschappen,

en ze deden het in twee weken.

and they did it in two weeks.

How did they do this?

Hoe deden ze het?

They used an extraordinary algorithm called deep learning.

Ze gebruikten een buitengewoon algoritme: ‘deep learning’.

So important was this that in fact the success was covered

Zo belangrijk was dat, dat het een paar weken later

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

in The New York Times als voorpagina-artikel verscheen.

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

Dit is Geoffrey Hinton hier links.

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

Deep learning is een algoritme geïnspireerd op het menselijk brein.

and as a result it's an algorithm

Daardoor is het een algoritme

which has no theoretical limitations on what it can do.

zonder theoretische beperkingen op wat het kan doen.

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

Hoe meer gegevens en rekentijd je het geeft,

the better it gets.

hoe beter het wordt.

The New York Times also showed in this article

De New York Times toonde in dit artikel ook

another extraordinary result of deep learning

een ander uitzonderlijk resultaat van deep learning.

which I'm going to show you now.

Ik ga het je nu laten zien.

It shows that computers can listen and understand.

Het toont aan dat computers kunnen luisteren en begrijpen.

(Video) Richard Rashid: Now, the last step

(Video) Richard Rashid: De laatste stap

that I want to be able to take in this process

die ik in dit proces wil kunnen zetten,

is to actually speak to you in Chinese.

is om je daadwerkelijk in het Chinees aan te spreken.

Now the key thing there is,

Het belangrijkste is

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

dat we een ​​grote hoeveelheid informatie van vele Chinese sprekers konden vergaren

and produce a text-to-speech system

en een tekst-naar-spraaksysteem produceren

that takes Chinese text and converts it into Chinese language,

dat Chinese tekst omzet naar Chinese spreektaal.

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

Daarna hebben we een paar uren mijn eigen stem opgenomen

and we've used that to modulate

en ze gebruikt om het standaard tekst-naar-spraak systeem te moduleren

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

zodat het zou klinken zoals ik.

Again, the result's not perfect.

Het resultaat is niet perfect.

There are in fact quite a few errors.

Er zitten nogal wat fouten in.

(In Chinese)

(In het Chinees)

(Applause)

(Applaus)

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

Er is nog veel werk te doen op dit gebied.

(In Chinese)

(In het Chinees)

(Applause)

(Applaus)

Jeremy Howard: Dat was op een conferentie over machinaal leren in China.

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

It's not often, actually, at academic conferences

Op wetenschappelijke congressen

that you do hear spontaneous applause,

hoor je niet vaak spontaan applaus,

although of course sometimes at TEDx conferences, feel free.

maar natuurlijk wel eens bij TEDx conferenties, het mag.

Everything you saw there was happening with deep learning.

Alles wat je zag, gebeurde met deep learning.

(Applause) Thank you.

(Applaus) Dank je.

The transcription in English was deep learning.

De transcriptie in het Engels was deep learning.

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

Ook de vertaling naar Chinees en de tekst in de rechterbovenhoek is deep learning.

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

De constructie van de stem, weer deep learning.

So deep learning is this extraordinary thing.

Deep learning is buitengewoon.

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

Een enkel algoritme lijkt bijna alles te kunnen.

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

Een jaar eerder ontdekte ik dat het systeem ook had leren zien.

In this obscure competition from Germany

Bij een minder bekende wedstrijd in Duitsland,

called the German Traffic Sign Recognition Benchmark,

de German Traffic Sign Recognition Benchmark,

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

heeft deep learning verkeersborden zoals deze leren herkennen.

Not only could it recognize the traffic signs

Niet alleen kan het verkeersborden beter dan enig ander algoritme herkennen,

better than any other algorithm,

the leaderboard actually showed it was better than people,

het scorebord liet zien dat het ook ongeveer twee keer beter was dan mensen.

about twice as good as people.

In 2011 hadden we dus het eerste voorbeeld

So by 2011, we had the first example

of computers that can see better than people.

van computers die beter kunnen zien dan mensen.

Since that time, a lot has happened.

Sinds die tijd is er veel gebeurd.

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

In 2012 kondigde Google aan dat ze een deep learning-algoritme

YouTube-video’s lieten bekijken.

watch YouTube videos

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

Het verwerkte een maand lang de gegevens op 16.000 computers,

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

en de computer leerde zelfstandig over begrippen als mensen en katten

gewoon door naar de video's te kijken.

just by watching the videos.

This is much like the way that humans learn.

Net als de manier waarop mensen leren.

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

Mensen leren niet doordat hen wordt verteld wat ze zien,

but by learning for themselves what these things are.

maar door zichzelf deze dingen te leren.

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

Ook in 2012, won Geoffrey Hinton, die we eerder zagen,

won the very popular ImageNet competition,

de zeer populaire ImageNet-wedstrijd,

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

door te kijken naar anderhalf miljoen afbeeldingen om erachter te komen

what they're pictures of.

wat ze voorstelden.

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

Vanaf 2014 zitten we op een zes procent foutenpercentage

in image recognition.

bij beeldherkenning.

This is better than people, again.

Dit is alweer beter dan mensen.

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

Machines kunnen dit buitengewoon goed

and it is now being used in industry.

en het wordt nu gebruikt in de industrie.

For example, Google announced last year

Vorig jaar kondigde Google bijvoorbeeld aan

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

dat ze elke locatie in Frankrijk in twee uur tijd in kaart hadden gebracht,

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

door Street View-beelden

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

met een deep learning-algoritme te herkennen en de huisnummers te lezen.

Imagine how long it would have taken before:

Stel je voor hoe lang het anders zou hebben geduurd:

dozens of people, many years.

tientallen mensen, vele jaren.

This is also happening in China.

Dit gebeurt ook in China.

Baidu is kind of the Chinese Google, I guess,

Baidu is een soort Chinese Google, denk ik,

and what you see here in the top left

en wat je hier ziet in de linkerbovenhoek,

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

is een voorbeeld van een foto die ik heb geüpload

naar Baidu’s deep learning-systeem.

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

Daaronder kun je zien dat het systeem heeft begrepen wat dat beeld is

and found similar images.

en gelijkaardige beelden vond.

The similar images actually have similar backgrounds,

De gelijkaardige beelden hebben gelijkaardige achtergronden,

similar directions of the faces,

dezelfde richtingen van gezichten,

even some with their tongue out.

sommige zelfs met hun tong uit.

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

Dit is niet zomaar wat kijken naar de tekst van een webpagina.

All I uploaded was an image.

Alles wat ik uploadde, waren beelden.

So we now have computers which really understand what they see

Dus hebben we nu computers die echt begrijpen wat ze zien

and can therefore search databases

en derhalve databases

of hundreds of millions of images in real time.

van honderden miljoenen beelden in real time doorzoeken.

So what does it mean now that computers can see?

Wat betekent het nu dat computers kunnen zien?

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

Computers kunnen niet alleen maar zien.

In fact, deep learning has done more than that.

Deep learning doet meer.

Complex, nuanced sentences like this one

Complexe, genuanceerde zinnen zoals deze

are now understandable with deep learning algorithms.

zijn nu begrijpelijk met deep learning-algoritmen.

As you can see here,

Zoals je hier kunt zien,

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

heeft dit systeem van Stanford met de rode stip bovenaan

has figured out that this sentence is expressing negative sentiment.

uitgeknobbeld dat deze zin een negatief sentiment weergeeft.

Deep learning now in fact is near human performance

Deep learning komt in de buurt van menselijke prestaties

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

bij het begrijpen waar zinnen over gaan en wat ze zeggen over die dingen.

Also, deep learning has been used to read Chinese,

Ook is deep learning gebruikt om Chinees te lezen,

again at about native Chinese speaker level.

weer op ongeveer het niveau van Chinese moedertaalsprekers.

This algorithm developed out of Switzerland

Dit algoritme werd in Zwitserland ontwikkeld

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

alweer door mensen die geen Chinees spreken of begrijpen.

As I say, using deep learning

Zoals ik al zei, deep learning

is about the best system in the world for this,

is zowat het beste systeem ter wereld hiervoor,

even compared to native human understanding.

zelfs in vergelijking met autochtoon menselijk begrijpen.

This is a system that we put together at my company

Het is een systeem dat we op mijn bedrijf hebben ontwikkeld

which shows putting all this stuff together.

door dit allemaal te combineren.

These are pictures which have no text attached,

Dit zijn foto’s zonder bijhorende tekst,

and as I'm typing in here sentences,

en terwijl ik hier zinnen typ,

in real time it's understanding these pictures

begrijpt het deze foto’s in real time,

and figuring out what they're about

zoekt uit waarover ze gaan

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

en vindt foto’s die lijken op de tekst die ik schrijf.

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

Zoals jullie kunnen zien, begrijpt het mijn zinnen en deze foto's echt.

and actually understanding these pictures.

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

Dit heb je vast al gezien op Google,

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

waar je woorden kunt intypen en het je afbeeldingen toont,

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

maar eigenlijk doorzoekt het de webpagina op tekst.

Dat is heel wat anders dan werkelijk begrijpen van de afbeeldingen.

This is very different from actually understanding the images.

This is something that computers have only been able to do

Dit kunnen computers alleen nog maar

for the first time in the last few months.

sinds de laatste paar maanden.

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

Computers kunnen dus niet alleen zien, maar ook lezen,

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

en, zoals we hebben aangetoond, ook begrijpen wat ze horen.

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

Misschien niet zo verwonderlijk dat ik je vertel dat ze kunnen schrijven.

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

Deze tekst genereerde ik gisteren met een deep learning-algoritme.

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

En hier een stukje tekst dat een algoritme van Stanford genereerde.

Each of these sentences was generated

Elk van deze zinnen werd gegenereerd

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

door een deep learning-algoritme om elk van deze foto's te beschrijven.

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

Dit algoritme had nog nooit een man in een zwart shirt gitaar zien spelen.

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

Het had al apart een man, zwart

it's seen a guitar before,

en een gitaar gezien,

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

maar genereerde onafhankelijk de nieuwe beschrijving van dit beeld.

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

We zijn nog niet zover als menselijke prestaties,

maar we komen in de buurt.

In tests, humans prefer the computer-generated caption

Bij tests geven mensen één op de vier keer de voorkeur

aan het bijschrift van de computer.

one out of four times.

Now this system is now only two weeks old,

Dit systeem is nog maar twee weken oud,

so probably within the next year,

dus waarschijnlijk zal in de loop van volgend jaar,

the computer algorithm will be well past human performance

het computer-algoritme het beter doen dan mensen.

at the rate things are going.

So computers can also write.

Computers kunnen dus ook schrijven.

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

Dit alles tezamen leidt tot zeer interessante mogelijkheden.

For example, in medicine,

In de geneeskunde heeft een team in Boston aangekondigd

a team in Boston announced that they had discovered

dozens of new clinically relevant features

tientallen nieuwe klinisch relevante eigenschappen van tumoren

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

te hebben ontdekt, wat artsen helpt bij het maken van prognoses voor kanker.

Ook in Stanford maakte een groep bekend

Very similarly, in Stanford,

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

dat ze, kijkend naar weefsels onder vergroting,

een op machinaal-leren gebaseerd systeem hebben ontwikkeld

they've developed a machine learning-based system

which in fact is better than human pathologists

dat beter was dan menselijke pathologen

at predicting survival rates for cancer sufferers.

in het voorspellen van overlevingskansen voor kankerpatiënten.

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

In beide gevallen werden niet alleen de voorspellingen nauwkeuriger,

but they generated new insightful science.

maar ze genereerden nieuwe inzichtelijke wetenschap.

In the radiology case,

Bij de radiologie

they were new clinical indicators that humans can understand.

waren dat nieuwe klinische indicatoren die mensen kunnen begrijpen.

In this pathology case,

Bij de pathologie

the computer system actually discovered that the cells around the cancer

ontdekte het computersysteem dat de cellen rond de kanker

are as important as the cancer cells themselves

even belangrijk zijn als de kankercellen zelf

in making a diagnosis.

bij het maken van een diagnose.

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

Dit is het tegenovergestelde van wat pathologen decennialang hadden geleerd.

In each of those two cases, they were systems developed

In beide gevallen werden systemen ontwikkeld

by a combination of medical experts and machine learning experts,

door een combinatie van medische experts en machinaal-lerenexperts,

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

maar dat was vorig jaar, nu staan we verder.

This is an example of identifying cancerous areas

Dit is een voorbeeld van identificatie van carcinomateuze gebieden

of human tissue under a microscope.

van menselijk weefsel onder een microscoop.

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

Het systeem dat hier wordt getoond,

kan deze doelgebieden preciezer identificeren

or about as accurately, as human pathologists,

of ongeveer net zo precies als menselijke pathologen, maar werd

but was built entirely with deep learning using no medical expertise

geheel ontwikkeld met deep learning zonder medische expertise

by people who have no background in the field.

door mensen zonder achtergrond op dat gebied.

Similarly, here, this neuron segmentation.

Evenzo bij deze neuronen-segmentatie.

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

We kunnen nu neuronen ongeveer

net zo nauwkeurig onderscheiden als mensen het kunnen,

but this system was developed with deep learning

maar dit systeem is ontwikkeld met deep learning

using people with no previous background in medicine.

met mensen zonder eerdere achtergrond in de geneeskunde.

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

Ikzelf, als iemand zonder eerdere achtergrond in de geneeskunde,

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

lijk helemaal gekwalificeerd te zijn om een ​​nieuw medisch bedrijf op te starten,

which I did.

wat ik dan ook deed.

Ik was doodsbang om het te doen,

I was kind of terrified of doing it,

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

maar de theorie leek te suggereren dat het mogelijk moet zijn

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

om aan zeer bruikbare geneeskunde te doen met deze data-analyse technieken.

Gelukkig is de feedback fantastisch geweest.

And thankfully, the feedback has been fantastic,

not just from the media but from the medical community,

Niet alleen van de media

who have been very supportive.

maar ook van de medische gemeenschap, die zeer positief reageerde.

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

De theorie is dat wij het middelste deel van het medische proces kunnen overnemen

and turn that into data analysis as much as possible,

en dat zoveel mogelijk in gegevensanalyse omzetten

leaving doctors to do what they're best at.

om artsen dat te laten doen waarin ze uitblinken.

I want to give you an example.

Ik geef een voorbeeld.

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

Het kost ons nu ongeveer 15 minuten

om een ​​nieuwe medische diagnostische test te genereren.

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

Ik toon het in real-time,

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

maar comprimeerde het tot drie minuten door wat weg te laten.

Rather than showing you creating a medical diagnostic test,

In plaats van het creëren van een medisch-diagnostische test te tonen,

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

toon ik een diagnostische test van afbeeldingen van auto's,

because that's something we can all understand.

want dat begrijpen we allemaal.

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

We beginnen hier met ongeveer 1,5 miljoen afbeeldingen van auto's,

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

en ik wil iets maken dat hen kan sorteren

of the photo that's being taken.

volgens de hoek vanwaar de foto werd genomen.

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

Deze beelden zijn ongelabeld, dus moet ik beginnen vanaf nul.

With our deep learning algorithm,

Met ons deep learning-algoritme

it can automatically identify areas of structure in these images.

kan het automatisch structuurdelen identificeren in deze beelden.

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

Het leuke is dat mens en computer nu kunnen samenwerken.

So the human, as you can see here,

De mens zoals hier te zien,

is telling the computer about areas of interest

wijst de computer op aandachtsgebieden

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

waarvan hij wil dat de computer ze gebruikt om het algoritme te verbeteren.

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

Deze deep learning-systemen zijn in feite in een 16.000-dimensionale ruimte.

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

Je kunt de computer dit in die ruimte zien draaien,

trying to find new areas of structure.

om nieuwe structuurgebieden te vinden.

And when it does so successfully,

Als dat lukt,

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

kan de mens dan wijzen op gebieden die interessant zijn.

So here, the computer has successfully found areas,

Hier heeft de computer goede gebieden gevonden,

for example, angles.

bijvoorbeeld hoeken.

So as we go through this process,

Bij het doorlopen van dit proces,

we're gradually telling the computer more and more

vertellen we de computer geleidelijk aan meer en meer

about the kinds of structures we're looking for.

over de soorten structuren die we zoeken.

You can imagine in a diagnostic test

Je kunt je voorstellen dat in een diagnostische test

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

een patholoog zieke gebieden gaat identificeren

or a radiologist indicating potentially troublesome nodules.

of een radioloog potentieel gevaarlijke knobbeltjes aanwijst.

And sometimes it can be difficult for the algorithm.

Soms wordt het moeilijk voor het algoritme.

In this case, it got kind of confused.

Hier raakte het in de war.

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

De voor- en achterkanten van de auto's worden door elkaar gehaald.

So here we have to be a bit more careful,

Dus moeten we hier wat preciezer zijn,

manually selecting these fronts as opposed to the backs,

voor- en achterkanten handmatig selecteren

then telling the computer that this is a type of group

en de computer vertellen

dat dit een soort groep is waarin we geïnteresseerd zijn.

that we're interested in.

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

Dat doen we even, we slaan even wat over,

and then we train the machine learning algorithm

en trainen daarmee het machinaal-lerenalgoritme

based on these couple of hundred things,

op basis van die paar honderd dingen,

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

en hopen dat het dan veel beter gaat.

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

Jullie zien, hij begint nu sommige van deze foto’s te vervagen,

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

en laat daarmee zien dat het sommige ervan zelf begint te begrijpen.

We kunnen dan gebruik maken van het concept van soortgelijke foto's,

We can then use this concept of similar images,

and using similar images, you can now see,

daarmee kun je nu zien

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

dat de computer in staat is om alleen de voorkanten van auto’s te vinden.

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

Nu kan de mens de computer vertellen:

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

“Oké, dat heb je goed gedaan.”

Sometimes, of course, even at this point

Maar zelfs op dit punt

it's still difficult to separate out groups.

is het soms nog steeds moeilijk groepen te scheiden.

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

Zelfs na de computer dit een tijdje te laten roteren,

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

zien we nog steeds dat foto’s van de linker- en de rechterzijde

are all mixed up together.

door elkaar worden gehaald.

So we can again give the computer some hints,

We kunnen dan de computer weer enkele tips geven,

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

en zeggen dat hij een projectie moet zoeken

the left sides and the right sides as much as possible

die de linker- en rechterkant zoveel mogelijk scheidt

using this deep learning algorithm.

door middel van een deep learning-algoritme.

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

En met die hint – ah, oké, het is gelukt.

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

Hij vond een ​​manier van denken over deze objecten

that's separated out these together.

dat ze van elkaar scheidde.

So you get the idea here.

Je ziet het idee erachter.

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

Hier werd de mens niet vervangen door een computer,

but where they're working together.

maar ze werkten samen.

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

Dit zou een team van vijf of zes personen zeven jaar hebben gekost.

of five or six people about seven years

and replacing it with something that takes 15 minutes

Dit duurt 15 minuten

for one person acting alone.

voor één enkele persoon.

So this process takes about four or five iterations.

Dit proces neemt ongeveer vier of vijf iteraties in beslag.

You can see we now have 62 percent

Je kunt zien dat we nu 62%

of our 1.5 million images classified correctly.

van onze 1,5 miljoen beelden correct hebben geclassificeerd.

And at this point, we can start to quite quickly

Vanaf nu kunnen we vrij snel heel grote secties aanpakken

grab whole big sections,

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

en controleren of er geen fouten werden gemaakt.

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

Waar fouten zijn, kunnen we de computer daarop wijzen.

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

Met dit soort proces voor elk van de verschillende groepen,

we are now up to an 80 percent success rate

hebben we nu een 80% kans op succes

in classifying the 1.5 million images.

bij het sorteren van de 1,5 miljoen afbeeldingen.

And at this point, it's just a case

Dan is het nog zaak

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

het kleine aantal te vinden dat niet correct werd ingedeeld

and trying to understand why.

en proberen te begrijpen waarom.

And using that approach,

Met behulp van die aanpak

by 15 minutes we get to 97 percent classification rates.

krijgen we op 15 minuten tot 97% juiste classificatie.

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

Dit soort techniek stelt ons in staat een ​​groot probleem op te lossen,

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

namelijk het gebrek aan medische expertise in de wereld.

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

Het Wereld Economisch Forum zegt dat er tussen de 10 en 20 keer

shortage of physicians in the developing world,

te weinig artsen zijn in de derde wereld.

and it would take about 300 years

Het zou ongeveer 300 jaar duren

to train enough people to fix that problem.

om voldoende mensen op te leiden om dat probleem op te lossen.

So imagine if we can help enhance their efficiency

Stel dat we hun efficiëntie kunnen verbeteren

using these deep learning approaches?

met behulp van deep learning?

So I'm very excited about the opportunities.

Ik ben erg enthousiast over de mogelijkheden.

I'm also concerned about the problems.

Maar ik zie ook problemen.

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

Het probleem hier is dat elk gebied in het blauw op deze kaart

is somewhere where services are over 80 percent of employment.

ergens is waar de dienstensector instaat voor meer dan 80% van de werkgelegenheid.

What are services?

Wat zijn diensten?

These are services.

Dit zijn diensten.

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

Dit zijn ook exact die dingen die computers net hebben leren doen.

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

Dus 80% van de werkgelegenheid in de ontwikkelde wereld

is stuff that computers have just learned how to do.

zijn zaken die computers net hebben leren doen.

What does that mean?

Wat betekent dat?

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

Het komt wel goed.

Er komen wel andere banen.

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

Bijvoorbeeld meer banen voor datawetenschappers.

Well, not really.

Nou, niet echt. Datawetenschappers kunnen deze dingen heel snel ontwikkelen.

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

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

Zo werden deze vier algoritmes alle ontwikkeld door dezelfde man.

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

Als je denkt: “Ach, het is allemaal al eerder gebeurd,

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

we zagen wat er vroeger gebeurde als er nieuwe dingen kwamen,

and they get replaced by new jobs,

ze worden vervangen door nieuwe banen.”

what are these new jobs going to be?

Maar wat zullen deze nieuwe banen zijn?

It's very hard for us to estimate this,

Moeilijk in te schatten,

because human performance grows at this gradual rate,

omdat menselijk kunnen met dit geleidelijke tempo groeit,

but we now have a system, deep learning,

maar we hebben nu een deep learning-systeem

that we know actually grows in capability exponentially.

dat eigenlijk exponentieel in mogelijkheden toeneemt.

And we're here.

Hier zijn we.

So currently, we see the things around us

We kijken naar wat we hebben

en zeggen: "Ach, computers zijn nog steeds behoorlijk dom." Ja?

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

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

Maar in vijf jaar tijd zullen computers buiten deze grafiek vallen.

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

Daar moeten we nu al beginnen over na te denken.

We have seen this once before, of course.

Hebben we dit niet al eerder zien gebeuren?

In the Industrial Revolution,

In de Industriële Revolutie

we saw a step change in capability thanks to engines.

deden we een grote stap in mogelijkheden dankzij machines.

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

Maar na een tijdje vlakte het wat af.

There was social disruption,

Er was maatschappelijke ontwrichting,

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

maar zodra machines in alle situaties voor energie gingen zorgen,

things really settled down.

kalmeerde het weer.

The Machine Learning Revolution

De Machinaal-Leren Revolutie

is going to be very different from the Industrial Revolution,

zal heel wat anders zijn dan de Industriële Revolutie,

because the Machine Learning Revolution, it never settles down.

omdat de Machinaal-Leren Revolutie nooit gaat stoppen.

The better computers get at intellectual activities,

Hoe beter computers worden in intellectuele activiteiten,

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

hoe meer ze betere computers kunnen bouwen om intellectuele vermogens te verbeteren.

so this is going to be a kind of change

Dit gaat om een ​​soort verandering

that the world has actually never experienced before,

die de wereld nog nooit eerder heeft meegemaakt.

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

Je vorige idee van wat mogelijk is, schiet tekort.

This is already impacting us.

Dit beïnvloedt ons nu al.

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

Terwijl in de afgelopen 25 jaar de kapitaalproductiviteit toenam,

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

ging het voor de arbeidsproductiviteit zelfs een beetje omlaag.

So I want us to start having this discussion now.

Ik zou deze discussie nu willen opstarten.

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

Ik weet dat wanneer ik mensen hierover vertel,

people can be quite dismissive.

ze vaak heel afwijzend zijn:

Well, computers can't really think,

"Computers kunnen toch niet echt denken,

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

voelen, poëzie begrijpen.

we don't really understand how they work.

We begrijpen niet echt hoe ze werken."

So what?

Dus?

Computers right now can do the things

Computers kunnen nu dingen doen

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

waarvoor mensen al hun hele leven betaald werden,

so now's the time to start thinking

dus is het nu tijd om te gaan nadenken

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

hoe we onze sociale en economische structuren gaan aanpassen

to be aware of this new reality.

en ons bewust worden van deze nieuwe realiteit.

Thank you.

Bedankt.

(Applause)

(Applaus)