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

Traducător: Oana Coban Corector: Doina Zamfirescu

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

Altădată, dacă voiai ca un computer să facă ceva nou, trebuia să-l programezi.

you would have to program it.

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

Pentru cei care nu aveți experiența asta,

requires laying out in excruciating detail

programarea presupune să stabilești în cele mai mici detalii

every single step that you want the computer to do

fiecare pas pe care i-l ceri calculatorului

in order to achieve your goal.

pentru a obține ce dorești.

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

Dacă vrei să faci ceva ce n-ai putea face tu însuți, atunci îți va fi foarte greu.

then this is going to be a great challenge.

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

Foarte greu i-a fost și unui anumit Arthur Samuel.

In 1956, he wanted to get this computer

În 1956 dorea să programeze un calculator care să-l învingă la dame.

to be able to beat him at checkers.

How can you write a program,

Cum faci să programezi calculatorul în cele mai mici detalii

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

încât să joace dame mai bine decât tine?

So he came up with an idea:

I-a venit o idee:

he had the computer play against itself thousands of times

a pus calculatorul să joace cu el însuși de mii de ori

and learn how to play checkers.

ca să învețe să joace dame.

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

Ideea a mers.

În 1962 calculatorul acesta l-a învins pe campionul statului Connecticut.

this computer had beaten the Connecticut state champion.

So Arthur Samuel was the father of machine learning,

Arthur Samuel a fost părintele învățării automate.

and I have a great debt to him,

Eu îi sunt recunoscător pentru că și eu mă ocup cu învățarea automată.

because I am a machine learning practitioner.

I was the president of Kaggle,

Am fost președinte la Kaggle,

a community of over 200,000 machine learning practictioners.

o comunitate cu peste 200 000 de practicanți ai învățării automate.

Kaggle puts up competitions

Kaggle organizează competiții pentru rezolvarea problemelor încă nerezolvate.

to try and get them to solve previously unsolved problems,

and it's been successful hundreds of times.

Și a avut sute de reușite.

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

Din poziția mea avantajoasă am aflat

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

ce putea face învățarea automată în trecut, ce poate face azi

and what it could do in the future.

și ce ar putea face în viitor.

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

Probabil primul mare succes al învățării automate a fost Google.

Google showed that it is possible to find information

Google a demonstrat că poți găsi informații

by using a computer algorithm,

folosind un algoritm computerizat bazat pe învățarea automată.

and this algorithm is based on machine learning.

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

De atunci s-au înregistrat numeroase succese comerciale în domeniu.

Companies like Amazon and Netflix

Companii ca Amazon și Netflix folosesc învățarea automată

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

pentru a vă sugera ce ați vrea să cumpărați,

movies that you might like to watch.

ce filme ați vrea să vedeți.

Sometimes, it's almost creepy.

Uneori aproape că te sperie:

Companies like LinkedIn and Facebook

de exemplu LinkedIn și Facebook îți spun cine ți-ar putea fi prieten

sometimes will tell you about who your friends might be

and you have no idea how it did it,

și habar n-ai cum au procedat.

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

Se folosește puterea învățării automate.

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

Sunt algoritmi care învață din date, fără să fie programați manual.

rather than being programmed by hand.

This is also how IBM was successful

Tot așa a avut succes și IBM

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

cu Watson, care a învins cei doi campioni mondiali la „Jeopardy”,

answering incredibly subtle and complex questions like this one.

răspunzând la întrebări incredibil de subtile și complexe ca:

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

[Anticul „Leu din Nimrud” a dispărut din muzeul național al acestui oraș în 2003 (împreună cu multe altele).]

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

Tot astfel azi avem primele mașini care se conduc singure.

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

A face diferența între un copac și un pieton, de exemplu, e important.

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

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

Nu știm să scriem de mână astfel de programe,

but with machine learning, this is now possible.

dar prin învățare automată acum e posibil.

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

Mașina aceasta a mers peste 1 milion de km fără accidente, pe șosele obișnuite.

without any accidents on regular roads.

So we now know that computers can learn,

Acum știm: calculatoarele pot învăța,

and computers can learn to do things

ba chiar pot învăța să facă lucruri

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

pe care uneori nici noi nu știm să le facem

or maybe can do them better than us.

sau poate le fac mai bine decât noi.

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

Unul din cele mai uimitoare exemple de învățare automată din câte am văzut

happened on a project that I ran at Kaggle

a fost într-un proiect al meu de la Kaggle,

where a team run by a guy called Geoffrey Hinton

în care echipa lui Geoffrey Hinton de la Universitatea din Toronto

from the University of Toronto

won a competition for automatic drug discovery.

a câștigat un concurs de descoperire automată a drogurilor.

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

Extraordinar a fost nu că au surclasat

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

toți algoritmii dezvoltați de Merck sau de comunitatea academică,

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

ci faptul că nimeni din echipă nu avea pregătire în chimie sau biologie

and they did it in two weeks.

și au reușit în două săptămâni.

How did they do this?

Cum au reușit?

They used an extraordinary algorithm called deep learning.

Au folosit un algoritm numit învățare profundă.

So important was this that in fact the success was covered

Succesul lor a fost atât de important

încât a apărut pe prima pagină a New York Times după câteva săptămâni.

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

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

Iată-l pe Geoffrey Hinton aici în stânga.

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

Învățarea profundă e un algoritm inspirat din funcționarea creierului

and as a result it's an algorithm

și astfel, teoretic, e un algoritm fără limitări în ceea ce poate face.

which has no theoretical limitations on what it can do.

Cu cât îi dai mai multe date și timp de calcul, cu atât devine mai bun.

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

the better it gets.

The New York Times also showed in this article

New York Times a prezentat în articol încă un rezultat al învățării profunde,

another extraordinary result of deep learning

which I'm going to show you now.

pe care vi-l arăt acum.

It shows that computers can listen and understand.

Demonstrează că computerele pot asculta și înțelege.

(Video) Richard Rashid: Now, the last step

(Video) Richard Rashid: Ultimul pas pe care vreau să-l pot face

that I want to be able to take in this process

is to actually speak to you in Chinese.

e să vorbesc cu voi în chineză.

Now the key thing there is,

Ideea de bază e că am stocat informații de la mulți vorbitori de chineză

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

and produce a text-to-speech system

și am realizat un sistem de sinteză vocală

that takes Chinese text and converts it into Chinese language,

care convertește textul chinezesc în chineza vorbită.

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

Apoi am folosit o probă de circa o oră cu vocea mea

and we've used that to modulate

pentru a modula sistemul standard încât să sune ca vocea mea.

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

Again, the result's not perfect.

Repet, rezultatul nu e perfect.

There are in fact quite a few errors.

Există multe erori.

(In Chinese)

(În chineză)

(Applause)

(Aplauze)

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

Mai sunt multe de făcut aici.

(In Chinese)

(În chineză)

(Applause)

(Aplauze)

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

Jeremy Howard: Asta a fost o conferință de învățare automată din China.

It's not often, actually, at academic conferences

La conferințele științifice rareori se aud aplauze spontane.

that you do hear spontaneous applause,

although of course sometimes at TEDx conferences, feel free.

Dar la conferințele TEDx faceți cum doriți.

Everything you saw there was happening with deep learning.

Tot ce ați văzut se bazează pe învățarea profundă.

(Applause) Thank you.

(Aplauze) Mulțumesc.

Transcrierea în engleză era cu învățare profundă.

The transcription in English was deep learning.

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

La fel și traducerea în chineză și textul din dreapta sus.

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

Sinteza vocii – tot învățare profundă.

So deep learning is this extraordinary thing.

Învățarea profundă e extraordinară.

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

E un singur algoritm, care pare să poată face orice.

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

Am aflat că înainte cu un an învățase și să vadă.

In this obscure competition from Germany

Într-o competiție obscură din Germania de recunoaștere a indicatoarelor rutiere,

called the German Traffic Sign Recognition Benchmark,

a învățat să recunoască indicatoare rutiere precum acesta.

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

Not only could it recognize the traffic signs

A recunoscut indicatoarele mai bine decât orice alt algoritm

better than any other algorithm,

the leaderboard actually showed it was better than people,

și conform clasamentului chiar mai bine decât oamenii, de vreo două ori mai bine.

about twice as good as people.

Deci până în 2011 a apărut primul calculator care vede mai bine ca oamenii.

So by 2011, we had the first example

of computers that can see better than people.

Since that time, a lot has happened.

De atunci s-au întâmplat multe.

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

În 2012 Google a anunțat că a pus un algoritm să se uite pe YouTube

watch YouTube videos

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

și să ronțăie datele cu 16000 de calculatoare timp de o lună,

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

învățând singur despre concepte ca oamenii și pisicile

just by watching the videos.

doar privind videoclipuri.

This is much like the way that humans learn.

Tot cam așa învață și omul.

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

Oamenii nu învață din explicații despre ce văd,

but by learning for themselves what these things are.

ci din propria experiență cu lucrurile.

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

În 2012, Geoffrey Hinton, cel de adineauri

won the very popular ImageNet competition,

a câștigat celebra competiție ImageNet,

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

încercând să-și dea seama ce reprezintă 1,5 milioane de imagini.

what they're pictures of.

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

În 2014 eroarea de recunoaștere a imaginilor a scăzut la 6%.

in image recognition.

This is better than people, again.

Din nou mai bine ca oamenii.

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

Mașinile se descurcă extraordinar de bine,

and it is now being used in industry.

iar acum sunt folosite în industrie.

For example, Google announced last year

De exemplu, Google a anunțat anul trecut

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

că a cartografiat toate locurile din Franța în două ore.

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

Au făcut asta încărcând imagini ale străzilor

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

într-un algoritm de învățare profundă care citește numărul străzii.

Imagine how long it would have taken before:

Imaginați-vă cât ar fi durat altădată:

dozens of people, many years.

zeci de oameni, mulți ani.

This is also happening in China.

Asta se întâmplă și în China.

Baidu is kind of the Chinese Google, I guess,

Baidu este ca un fel de Google, cred.

and what you see here in the top left

Aici în stânga sus vedeți o poză încărcată de mine în acest sistem,

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

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

iar jos vedeți că sistemul a înțeles ce reprezintă poza

and found similar images.

și a găsit imagini similare.

The similar images actually have similar backgrounds,

Acestea au un fundal asemănător,

similar directions of the faces,

direcții similare ale fețelor,

even some with their tongue out.

unele chiar cu limba afară.

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

Nu e ca și cum ai vedea textul unei pagini de internet.

All I uploaded was an image.

Am încărcat doar o imagine.

So we now have computers which really understand what they see

Avem acum calculatoare care înțeleg ce văd

și astfel pot căuta în baze de date

and can therefore search databases

of hundreds of millions of images in real time.

cu sute de milioane de imagini în timp real.

So what does it mean now that computers can see?

Ce înseamnă faptul că văd?

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

Și nu numai că văd.

In fact, deep learning has done more than that.

Învățarea profundă a ajuns mai departe.

Complex, nuanced sentences like this one

Propoziții complexe și nuanțate ca aceasta

are now understandable with deep learning algorithms.

sunt inteligibile prin algoritmi de învățare profundă.

As you can see here,

Aici vedeți cum un sistem de la Stanford arată prin bulina roșie de sus

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

has figured out that this sentence is expressing negative sentiment.

că a înțeles conotația negativă a acestei propoziții.

Deep learning now in fact is near human performance

Învățarea profundă are acum performanțe aproape umane

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

în a înțelege despre ce e propoziția și ce comunică ea.

Also, deep learning has been used to read Chinese,

Învățarea profundă se folosește la a citi în chineză

again at about native Chinese speaker level.

aproape de nivelul de vorbitor nativ.

This algorithm developed out of Switzerland

Algoritmul a fost dezvoltat în Elveția

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

de oameni care nu vorbesc și nu înțeleg deloc chineză.

As I say, using deep learning

Învățarea profundă e cea mai bună soluție din lume pentru așa ceva,

is about the best system in the world for this,

even compared to native human understanding.

chiar și față de înțelegerea umană naturală.

This is a system that we put together at my company

Iată un sistem pus la punct de compania mea,

which shows putting all this stuff together.

care combină toate acestea.

These are pictures which have no text attached,

Aceste imagini nu sunt însoțite de text

and as I'm typing in here sentences,

și pe măsură ce tastez propoziții aici

in real time it's understanding these pictures

înțelege în timp real imaginile, își dă seama despre ce e vorba

and figuring out what they're about

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

și găsește imagini similare cu cele din textul scris de mine.

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

După cum vedeți, înțelege atât propozițiile cât și imaginile.

and actually understanding these pictures.

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

Știu că ați văzut ceva similar pe Google:

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

– tastați ceva și vă arată imagini –,

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

dar acolo de fapt caută pagini de internet după text.

This is very different from actually understanding the images.

E cu totul altceva decât a înțelege imaginile.

Calculatoarele au învățat să facă asta abia acum câteva luni.

This is something that computers have only been able to do

for the first time in the last few months.

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

Așadar calculatoarele nu doar văd, ci pot și citi.

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

Și desigur am demonstrat că înțeleg ce aud.

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

Atunci nu vă va mira dacă vă spun că pot să și scrie.

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

Iată un text pe care l-am generat ieri cu un algoritm de învățare profundă.

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

Iată și un text generat de un algoritm de la Stanford.

Each of these sentences was generated

Fiecare propoziție a fost generată

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

de un algoritm de învățare profundă pentru a descrie imaginile.

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

Algoritmul nu mai văzuse un bărbat în cămașă neagră cântând la chitară.

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

Mai văzuse un bărbat, culoarea neagră, o chitară,

it's seen a guitar before,

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

dar a generat singur o descriere nouă a acestei imagini.

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

Încă n-am atins performanța umană, dar ne apropiem.

In tests, humans prefer the computer-generated caption

La testare oamenii preferă descrierile generate de calculator

one out of four times.

cam o dată din patru.

Now this system is now only two weeks old,

Sistemul are abia două săptămâni,

so probably within the next year,

deci probabil într-un an algoritmul va depăși performanța umană

the computer algorithm will be well past human performance

at the rate things are going.

la cum avansează lucrurile.

So computers can also write.

Deci calculatoarele pot și să scrie.

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

Toate astea la un loc creează niște șanse fantastice.

For example, in medicine,

De exemplu, în medicină, o echipă din Boston a anunțat că a descoperit

a team in Boston announced that they had discovered

dozens of new clinically relevant features

zeci de caracteristici relevante clinic

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

ale tumorilor care ajută doctorii să prezică apariția cancerului.

Very similarly, in Stanford,

Similar, la Stanford

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

un grup a anunțat că cercetând la microscop țesuturile

they've developed a machine learning-based system

au realizat un sistem cu învățare automată care reușește mai bine ca patologii umani

which in fact is better than human pathologists

at predicting survival rates for cancer sufferers.

să prevadă proporția de supraviețuire a pacienților cu cancer.

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

În ambele cazuri previziunile au fost mai exacte

but they generated new insightful science.

și au ajutat și la progresul științific.

In the radiology case,

În cazul radiologiei au apărut indicatori clinici înțeleși de om.

they were new clinical indicators that humans can understand.

In this pathology case,

În cazul patologiei

the computer system actually discovered that the cells around the cancer

sistemul computerizat a descoperit că celulele din jurul cancerului

are as important as the cancer cells themselves

sunt la fel de importante ca cele canceroase

in making a diagnosis.

în stabilirea diagnosticului.

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

Asta infirmă ce spun cursurile de patologie de multe decenii încoace.

In each of those two cases, they were systems developed

În ambele cazuri, sistemele au fost realizate

by a combination of medical experts and machine learning experts,

de experți în medicină împreună cu experți în învățare automată,

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

dar anul trecut am depășit și acest prag.

This is an example of identifying cancerous areas

Iată un exemplu de identificare a zonelor canceroase

of human tissue under a microscope.

a țesutului uman la microscop.

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

Sistemul prezentat aici poate identifica acele zone mai exact

or about as accurately, as human pathologists,

sau cam la fel de exact ca patologii umani

but was built entirely with deep learning using no medical expertise

dar a fost realizat prin învățare profundă fără competențe medicale

by people who have no background in the field.

de oameni care nu aveau pregătire în domeniu.

Similarly, here, this neuron segmentation.

La fel, iată segmentarea unui neuron.

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

Acum putem segmenta neuroni la fel de precis ca oamenii,

but this system was developed with deep learning

dar sistemul a fost realizat prin învățare profundă, fără cunoștințe de medicină.

using people with no previous background in medicine.

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

Atunci eu, deși nu am pregătire în medicină,

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

se pare să sunt calificat să pornesc o firmă de medicină.

which I did.

Ceea ce am și făcut.

I was kind of terrified of doing it,

Mi-a fost puțin frică să fac asta,

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

dar teoria pare să sugereze ca poți

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

să faci ceva foarte util în medicină folosind doar metode de analiză a datelor.

And thankfully, the feedback has been fantastic,

Din fericire reacțiile au fost fantastice, atât din partea presei,

not just from the media but from the medical community,

dar și comunitatea medicală ne-a sprijinit foarte mult.

who have been very supportive.

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

Ideea e că putem să luăm partea mijlocie a procesului medical

and turn that into data analysis as much as possible,

și s-o transformăm în analiză de date, pe cât posibil,

leaving doctors to do what they're best at.

lăsând apoi doctorii să-și facă meseria.

I want to give you an example.

Să vă dau un exemplu: acum ne trebuie 15 minute

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

pentru a stabili o analiză nouă pentru diagnosticul medical.

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

O să vă arăt acum, dar l-am redus la trei minute prin eliminarea unor părți.

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

Rather than showing you creating a medical diagnostic test,

În loc de crearea unei analize pentru diagnosticul medical,

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

o să vă arăt analiza imaginilor de mașini,

because that's something we can all understand.

ca să înțelegem toți.

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

Începem cu circa 1,5 milioane de imagini de mașini

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

și vreau să creez ceva care le clasifică după unghiul din care au fost pozate.

of the photo that's being taken.

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

Imaginile nu sunt deloc marcate, trebuie să pornesc de la zero.

With our deep learning algorithm,

Algoritmul nostru de învățare profundă găsește automat structurile din imagini.

it can automatically identify areas of structure in these images.

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

Partea bună e că acum oamenii și calculatoarele pot colabora.

So the human, as you can see here,

Aici vedeți cum omul

is telling the computer about areas of interest

îi arată calculatorului zonele de interes

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

pe care să se bazeze calculatorul pentru a îmbunătăți algoritmul.

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

Sistemele de învățare profundă operează într-un spațiu cu 16 000 dimensiuni

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

și vedeți cum se rotește calculatorul prin acest spațiu

pentru a găsi noi zone de structură.

trying to find new areas of structure.

And when it does so successfully,

Când reușește,

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

omul care îl conduce poate indica zonele interesante.

So here, the computer has successfully found areas,

Aici calculatorul a găsit anumite zone, de exemplu, cu unghiuri.

for example, angles.

So as we go through this process,

Pe măsură ce continuăm, îi dăm calculatorului mai multe date

we're gradually telling the computer more and more

about the kinds of structures we're looking for.

despre ce fel de structuri căutăm.

You can imagine in a diagnostic test

Într-o analiză medicală aici ar putea fi un patolog care identifică zone patogene

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

or a radiologist indicating potentially troublesome nodules.

sau un radiolog care indică nodulii cu probleme posibile.

And sometimes it can be difficult for the algorithm.

Uneori algoritmului îi poate fi greu.

In this case, it got kind of confused.

Iată un caz în care s-a încurcat: a amestecat fața și spatele mașinilor.

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

So here we have to be a bit more careful,

Aici trebuie să fim mai atenți,

manually selecting these fronts as opposed to the backs,

să separăm manual fața și spatele

then telling the computer that this is a type of group

și apoi să-i spunem calculatorului că acesta e

un tip de grup care ne interesează.

that we're interested in.

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

Continuăm o vreme, sărim peste câte ceva

and then we train the machine learning algorithm

și apoi antrenăm algoritmul de învățare automată

based on these couple of hundred things,

pe baza celor câteva sute de lucruri

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

și sperăm că a avansat.

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

Vedeți, acum începe să estompeze anumite imagini,

arătând că începe să înțeleagă singur să recunoască o parte din ele.

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

We can then use this concept of similar images,

Putem folosi acest concept de imagini similare și astfel vedeți

and using similar images, you can now see,

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

cum calculatorul poate găsi doar mașinile pozate din față.

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

Acum omul poate spune calculatorului:

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

„Da, ai făcut o treabă bună.”

Sometimes, of course, even at this point

Sigur, uneori chiar și acum separarea grupurilor e dificilă.

it's still difficult to separate out groups.

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

Aici chiar după ce am lăsat o vreme calculatorul să încerce rotațiile,

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

vedem că pozele făcute din stânga și cele din dreapta sunt amestecate.

are all mixed up together.

So we can again give the computer some hints,

Putem da calculatorului sugestii:

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

caută o proiecție care separă cât mai bine părțile stângă și dreaptă

the left sides and the right sides as much as possible

using this deep learning algorithm.

folosind algoritmul de învățare profundă.

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

Apoi uite, sugestia a dus la succes.

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

A reușit să găsească un mod de a analiza obiectele încât să le separe.

that's separated out these together.

So you get the idea here.

Ați prins ideea:

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

e o situație în care omul nu e înlocuit de calculator,

but where they're working together.

ci lucrează împreună cu el.

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

Am înlocuit munca unei echipe de 5–6 oameni timp de vreo șapte ani,

of five or six people about seven years

and replacing it with something that takes 15 minutes

cu ceva care îi ia 15 minute unui om care lucrează singur.

for one person acting alone.

So this process takes about four or five iterations.

Procesul necesită 4–5 iterații.

You can see we now have 62 percent

Am ajuns la 62% de clasificare corectă a 1,5 milioane de imagini.

of our 1.5 million images classified correctly.

And at this point, we can start to quite quickly

În acest stadiu putem începe să prelucrăm rapid secțiuni mari

grab whole big sections,

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

și să verificăm să nu rămână greșeli,

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

iar dacă sunt greșeli îi spunem calculatorului.

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

Folosind acest proces la fiecare din diferitele grupuri

we are now up to an 80 percent success rate

am ajuns la o proporție de succes de 80% în a clasifica cele 1,5 milioane de poze.

in classifying the 1.5 million images.

And at this point, it's just a case

Acum mai rămâne doar să găsim puținele imagini care n-au fost clasificate corect

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

and trying to understand why.

și să încercăm să înțelegem de ce.

And using that approach,

Procedând astfel în 15 minute ajungem la proporții de clasificare de 97%.

by 15 minutes we get to 97 percent classification rates.

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

Această tehnică ne-ar putea ajuta să rezolvăm o problemă majoră,

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

și anume lipsa de competență medicală din lume.

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

Forumul Mondial Economic spune

că ne trebuie de 10–20 de ori mai mulți medici în țările în curs de dezvoltare

shortage of physicians in the developing world,

and it would take about 300 years

și că ar dura cam 300 de ani

to train enough people to fix that problem.

pentru a forma oameni și a acoperi lipsa.

So imagine if we can help enhance their efficiency

Ce-ar fi dacă le-am crește eficiența folosind tehnicile de învățare profundă?

using these deep learning approaches?

So I'm very excited about the opportunities.

Mă bucură această șansă, dar mă și îngrijorează problemele.

I'm also concerned about the problems.

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

Problema e că toate zonele albastre de pe harta aceasta

is somewhere where services are over 80 percent of employment.

reprezintă locuri unde în servicii lucrează 80% dintre angajați.

What are services?

Ce sunt serviciile?

These are services.

Acestea sunt serviciile.

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

Exact asta au învățat recent calculatoarele să facă.

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

Deci 80% din munca din lumea dezvoltată acum știe și calculatorul s-o facă.

is stuff that computers have just learned how to do.

What does that mean?

Ce înseamnă asta?

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

Lasă, o să apară alte locuri de muncă,

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

de exemplu în cercetarea datelor.

Well, not really.

De fapt nu prea.

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

Cercetarea datelor nu cere mult timp.

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

Acești patru algoritmi au fost construiți de un singur om.

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

Poate vă gândiți că s-a mai întâmplat

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

și am văzut deja rezultatele: când apare ceva nou apar și alte locuri de muncă.

and they get replaced by new jobs,

what are these new jobs going to be?

Dar care vor fi acestea?

It's very hard for us to estimate this,

E greu de estimat,

because human performance grows at this gradual rate,

pentru că performanța umană crește încet,

but we now have a system, deep learning,

dar știm că sistemul de învățare profundă crește exponențial în capacitate.

that we know actually grows in capability exponentially.

And we're here.

Ne aflăm aici.

So currently, we see the things around us

Acum vedem ce se întâmplă

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

și ne gândim: calculatoarele sunt încă proaste, nu?

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

Dar în cinci ani calculatoarele vor ieși din acest grafic.

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

Așa că trebuie să ne gândim de pe acum la această capacitate.

We have seen this once before, of course.

Am mai văzut asta odată, desigur: la Revoluția Industrială

In the Industrial Revolution,

we saw a step change in capability thanks to engines.

motoarele au produs un salt de capacitate.

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

Dar după un timp situația s-a stabilizat.

There was social disruption,

Au existat perturbări sociale,

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

dar după ce inginerii au învățat să folosească noua putere peste tot

things really settled down.

lucrurile s-au stabilizat bine.

The Machine Learning Revolution

Revoluția Învățării Automate va diferi mult de Revoluția Industrială

is going to be very different from the Industrial Revolution,

because the Machine Learning Revolution, it never settles down.

pentru că lucrurile nu se vor stabiliza niciodată.

The better computers get at intellectual activities,

Cu cât calculatorul va fi mai bun la activități intelectuale,

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

cu atât vor construi calculatoare mai bune la activități intelectuale.

so this is going to be a kind of change

Atunci va avea loc o schimbare nouă pe care omenirea n-o cunoaște,

that the world has actually never experienced before,

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

încât ce știam că e posibil nu mai e valabil.

This is already impacting us.

Deja simțim efectul.

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

În vreme ce productivitatea capitalului a crescut în ultimii 25 de ani,

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

productivitatea muncii a rămas constantă, ba chiar a scăzut un pic.

So I want us to start having this discussion now.

Aș vrea să înceapă discuția aceasta.

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

Adesea când vorbesc despre asta

people can be quite dismissive.

lumea respinge ideea.

Well, computers can't really think,

Păi calculatoarele nu gândesc cu adevărat, nu au emoții, nu înțeleg poezia,

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

we don't really understand how they work.

nu prea înțelegem cum funcționează.

So what?

Și ce dacă?

Computers right now can do the things

Computerele pot face azi lucruri

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

pentru care oamenii muncesc mult timp și sunt plătiți.

so now's the time to start thinking

E momentul să începem să ne gândim

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

cum ne vom adapta structurile sociale și economice

to be aware of this new reality.

în fața acestei noi realități.

Thank you.

Mulțumesc.

(Applause)

(Applauze)