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

Джереми Говард: Прекрасные и ужасные последствия самообучения компьютеров

Переводчик: Tatiana Efremova Редактор: Katya Roberts

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

Обычно, если вы хотите, чтобы компьютер сделал что-то новое,

you would have to program it.

вам нужно его запрограммировать.

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

Для тех, кто не знает: программирование

requires laying out in excruciating detail

требует мучительного определения мельчайших деталей,

every single step that you want the computer to do

которые должен выполнять компьютер

in order to achieve your goal.

для достижения вашей цели.

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

А сделать то, чего вы никогда не делали,

then this is going to be a great challenge.

будет очень сложно.

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

Именно с такой сложной задачей столкнулся этот человек, Артур Самуэль.

In 1956, he wanted to get this computer

В 1956 году он захотел,

to be able to beat him at checkers.

чтобы компьютер смог обыграть его в шашки.

How can you write a program,

Как написать программу,

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

продумать её до мельчайших деталей, чтобы она обыграла тебя в шашки?

So he came up with an idea:

Ему в голову пришла мысль:

he had the computer play against itself thousands of times

компьютер должен сыграть тысячу партий с самим собой,

and learn how to play checkers.

и так он научится играть в шашки.

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

Это действительно сработало — в 1962 году

this computer had beaten the Connecticut state champion.

этот компьютер обыграл чемпиона штата Коннектикут.

So Arthur Samuel was the father of machine learning,

Так Артур Самуэль стал основоположником машинного обучения.

and I have a great debt to him,

Я в большом долгу перед ним,

because I am a machine learning practitioner.

потому что работаю в области машинного обучения.

I was the president of Kaggle,

Я был президентом Kaggle,

a community of over 200,000 machine learning practictioners.

сообщества, объединяющего 200 000 людей, применяющих машинное обучение.

Kaggle puts up competitions

Kaggle проводит соревнования

to try and get them to solve previously unsolved problems,

по решению ещё не решённых проблем,

and it's been successful hundreds of times.

и участники успешно справились с сотнями из них.

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

У меня была отличная возможность побольше узнать

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

о машинном обучении в прошлом, настоящем

and what it could do in the future.

и будущем.

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

Возможно, первым большим коммерческим успехом машинного обучения стал Google.

Google showed that it is possible to find information

В Google доказали, что можно находить информацию

by using a computer algorithm,

с помощью компьютерного алгоритма,

and this algorithm is based on machine learning.

а этот алгоритм был основан на машинном обучении.

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

С тех пор машинное обучение неоднократно использовалось в коммерческих целях.

Companies like Amazon and Netflix

Компании вроде Amazon и Netflix

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

иcпользуют машинное обучение, определяя, какие товары вы захотите купить,

movies that you might like to watch.

какие фильмы посмотреть.

Sometimes, it's almost creepy.

Иногда это даже пугает.

Companies like LinkedIn and Facebook

Сети, такие как LinkedIn и Facebook,

sometimes will tell you about who your friends might be

иногда предлагают людей, которых вы можете знать,

and you have no idea how it did it,

а вы не понимаете, как они их нашли.

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

Это стало возможным благодаря машинному обучению.

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

Алгоритмы собирают информацию и обучаются,

rather than being programmed by hand.

а не программируются человеком.

This is also how IBM was successful

Это также объясняет успехи IBM:

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

программа Watson обыграла двух чемпионов мира в «Своей игре»,

answering incredibly subtle and complex questions like this one.

ответив на невероятно хитрые и каверзные вопросы вроде этого:

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

[В 2003 году «лев Нимруда» исчез из музея этого города]

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

Именно этот метод лёг в основу технологии беспилотных автомобилей.

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

Важно, чтобы такой автомобиль смог отличить

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

дерево от пешехода.

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

Мы не знаем, как задать такой алгоритм вручную,

but with machine learning, this is now possible.

зато это стало возможным с помощью машинного обучения.

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

Этот автомобиль проехал более 1,5 миллионов километров

without any accidents on regular roads.

и ни разу не попал в аварию на трассе.

So we now know that computers can learn,

Итак, мы знаем, что компьютеры могут учиться.

and computers can learn to do things

Причём они могут учиться делать то,

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

чего не умеем делать мы сами,

or maybe can do them better than us.

или могут делать это лучше нас.

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

С одним из самых невероятных примеров машинного обучения

happened on a project that I ran at Kaggle

я столкнулся, пока работал в Kaggle:

where a team run by a guy called Geoffrey Hinton

команда под руководством Джеффри Хинтона

from the University of Toronto

из Торонтского университета

won a competition for automatic drug discovery.

выиграла конкурс по автоматизации поиска новых лекарств.

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

Невероятно не только то, что их алгоритм оказался лучше

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

всех алгоритмов, разработанных Merck или международным научным сообществом.

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

Никто в команде не имел никакого отношения к химии, биологии или медицине,

and they did it in two weeks.

и на всё у них ушло две недели.

How did they do this?

Как?

They used an extraordinary algorithm called deep learning.

Благодаря уникальному алгоритму глубинного обучения.

So important was this that in fact the success was covered

Результаты их работы были настолько ошеломительны, что об этом

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

спустя несколько недель сообщила на первой полосе New York Times.

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

Джеффри Хинтон слева.

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

В основе глубинного обучения — принципы работы человеческого мозга,

and as a result it's an algorithm

и поэтому теоретически

which has no theoretical limitations on what it can do.

у этого алгоритма нет ограничений применимости.

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

Чем больше данных на входе и времени на их обработку,

the better it gets.

тем лучше результат.

The New York Times also showed in this article

В этой же статье New York Times был упомянут

another extraordinary result of deep learning

другой удивительный продукт глубинного обучения,

which I'm going to show you now.

который я вам сейчас продемонстрирую.

It shows that computers can listen and understand.

Он доказывает, что компьютеры могут слышать и понимать.

(Video) Richard Rashid: Now, the last step

(Видео) Ричард Рашид: Наконец,

that I want to be able to take in this process

последнее, что я хочу сделать, —

is to actually speak to you in Chinese.

это поговорить с вами по-китайски.

Now the key thing there is,

Суть в том,

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

что мы сформировали массив записей носителей китайского языка

and produce a text-to-speech system

и разработали систему для преобразования текста в речь,

that takes Chinese text and converts it into Chinese language,

которая получает текст на китайском и преобразует его в речь.

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

Потом мы записали примерно час звучания моего голоса

and we've used that to modulate

и использовали эту запись для модуляции

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

обычной системы преобразования текста в речь.

Again, the result's not perfect.

Если что, результат не идеален.

There are in fact quite a few errors.

Там есть несколько ошибок.

(In Chinese)

(Говорит по-китайски)

(Applause)

(Аплодисменты)

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

Нам предстоит ещё много работы.

(In Chinese)

(Говорит по-китайски)

(Applause)

(Аплодисменты)

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

Джереми Говард: Это было на конференции по машинному обучению в Китае.

It's not often, actually, at academic conferences

На самом деле, на научных конференциях

that you do hear spontaneous applause,

внезапно аплодируют очень редко,

although of course sometimes at TEDx conferences, feel free.

в отличие от TEDx, так что не стесняйтесь.

Everything you saw there was happening with deep learning.

Всё это видео было записано с помощью глубинного обучения.

(Applause) Thank you.

(Аплодисменты) Спасибо.

The transcription in English was deep learning.

Английские субтитры — это глубинное обучение,

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

перевод на китайский и текст справа вверху — оно же,

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

и конструирование голоса — снова оно.

So deep learning is this extraordinary thing.

Глубинное обучение — невероятная вещь.

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

Один-единственный алгоритм, который, похоже, может почти всё.

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

Ещё годом раньше я обнаружил, что этот алгоритм может видеть.

In this obscure competition from Germany

На малоизвестном конкурсе в Германии —

called the German Traffic Sign Recognition Benchmark,

«Сравнительный анализ распознавания дорожных знаков» —

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

глубинное обучение использовалось для распознавания вот таких знаков.

Not only could it recognize the traffic signs

Мало того, что результаты распознавания

better than any other algorithm,

были лучше, чем у других алгоритмов;

the leaderboard actually showed it was better than people,

в таблице видно, что они превосходят человеческие

about twice as good as people.

примерно в два раза.

So by 2011, we had the first example

Итак, к 2011 году появился

of computers that can see better than people.

первый компьютер, который видел лучше людей.

Since that time, a lot has happened.

С тех пор произошло многое.

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

В 2012 году в Google объявили, что их алгоритм глубинного обучения

watch YouTube videos

использовал видео на YouTube.

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

Данные обрабатывались на 16 000 компьютеров в течение месяца,

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

и компьютер самостоятельно определил, что такое люди и кошки,

just by watching the videos.

на основе только видеоматериалов.

This is much like the way that humans learn.

Это очень похоже на то, как учатся люди.

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

Им не говорят, что они видят.

but by learning for themselves what these things are.

Люди сами разбираются, что они видят.

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

В том же 2012 году Джеффри Хинтон, которого вы уже знаете,

won the very popular ImageNet competition,

победил в очень известном конкурсе ImageNet,

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

в котором необходимо распознать, что изображено

what they're pictures of.

на 1,5 миллионах картинок.

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

К 2014 году количество ошибок в распознавании образов

in image recognition.

сократилось до 6%.

This is better than people, again.

И опять же, это лучше, чем у людей.

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

Эффективность компьютеров действительно невероятно высока,

and it is now being used in industry.

и сейчас это применяется в коммерческих целях.

For example, Google announced last year

Так, в прошлом году в Google объявили,

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

что их карты могут локализовать любую точку во Франции за два часа:

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

они обрабатывают фотографии улиц

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

с помощью алгоритма глубинного обучения, чтобы распознать и прочитать адреса.

Imagine how long it would have taken before:

Подумайте, сколько времени это заняло бы:

dozens of people, many years.

понадобились бы десятки людей и несколько лет.

This is also happening in China.

То же самое происходит в Китае.

Baidu is kind of the Chinese Google, I guess,

Baidu — это что-то вроде китайского Google,

and what you see here in the top left

и сверху слева вы видите картинку,

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

которую я загрузил на вход алгоритмов глубинного обучения Baidu,

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

а под ней — то, как система распознала, что изображено на картинке,

and found similar images.

и нашла похожие.

The similar images actually have similar backgrounds,

Похожие изображения имеют похожий фон,

similar directions of the faces,

морды смотрят в ту же сторону,

even some with their tongue out.

иногда даже так же высунут язык.

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

Это не просто поиск текста на веб-странице.

All I uploaded was an image.

Я загрузил только картинку.

So we now have computers which really understand what they see

Итак, теперь наши компьютеры действительно понимают увиденное

and can therefore search databases

и могут искать информацию в базах

of hundreds of millions of images in real time.

среди сотен миллионов картинок в режиме реального времени.

So what does it mean now that computers can see?

Значит ли это, что компьютеры могут видеть?

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

Это не просто умение видеть.

In fact, deep learning has done more than that.

Глубинное обучение — это намного больше.

Complex, nuanced sentences like this one

Сложные предложения со множеством смысловых оттенков

are now understandable with deep learning algorithms.

теперь понятны благодаря алгоритмам глубинного обучения.

As you can see here,

Как видно на экране,

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

эта стэнфордская система распознаёт отрицательные эмоции в предложении

has figured out that this sentence is expressing negative sentiment.

и отмечает их красными точками сверху.

Deep learning now in fact is near human performance

Глубинное обучение похоже на человеческое поведение

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

в процессе распознавания того, что и о чём сказано.

Also, deep learning has been used to read Chinese,

Глубинное обучение использовалось для чтения на китайском.

again at about native Chinese speaker level.

Результат был на уровне результата человека — носителя китайского.

This algorithm developed out of Switzerland

Этот алгоритм был разработан в Швейцарии

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

людьми, ни один из которых не говорит по-китайски.

As I say, using deep learning

Как я и сказал, глубинное обучение —

is about the best system in the world for this,

это оптимальный способ решения таких задач,

even compared to native human understanding.

даже по сравнению с человеческим восприятием.

This is a system that we put together at my company

На экране система, разработаная в моей компании,

which shows putting all this stuff together.

в ней задействовано всё, о чём я рассказал.

These are pictures which have no text attached,

Это картинки без описаний.

and as I'm typing in here sentences,

Здесь я набираю предложения.

in real time it's understanding these pictures

В режиме реального времени картинки распознаются,

and figuring out what they're about

определяется их смысл,

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

и находятся изображения, соответствующие введённому мной тексту.

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

Итак, вы видите, что предложения

and actually understanding these pictures.

и картинки действительно распознаются.

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

Я знаю, что вы видели нечто похожее в Google,

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

при вводе запроса, по которому вам выдаются картинки,

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

но в действительности там идёт поиск нужного текста на веб-странице.

This is very different from actually understanding the images.

Распознавание образов — это принципиально новый процесс.

This is something that computers have only been able to do

Распознавание стало доступно компьютерным алгоритмам

for the first time in the last few months.

впервые несколько месяцев назад.

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

Итак, компьютеры теперь могут не только видеть, но и читать,

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

и, как мы уже показали, понимать услышанное.

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

Вы вряд ли удивитесь, если я вам скажу, что они умеют писать.

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

Вот текст, который я вчера получил с помощью алгоритма глубинного обучения.

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

А вот текст, полученный с помощью стэнфордского алгоритма.

Each of these sentences was generated

Каждое из этих предложений составлено

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

алгоритмом глубинного обучения для описания этих картинок.

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

Алгоритм ещё не встречал понятия мужчины в чёрной рубашке, играющего на гитаре.

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

Но ему известны понятия

it's seen a guitar before,

человека, чёрного, гитары,

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

и алгоритм независимо формулирует связное описание этого изображения.

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

Мы всё ещё не дотягиваем до уровня человека, но мы уже близки.

In tests, humans prefer the computer-generated caption

При испытаниях люди выбирают описания, данные компьютером,

one out of four times.

в одном случае из четырёх.

Now this system is now only two weeks old,

Эта система была создана две недели назад,

so probably within the next year,

и, скорее всего, в течение года

the computer algorithm will be well past human performance

алгоритм покажет результаты намного лучше человеческих,

at the rate things are going.

если будет развиваться в том же темпе.

So computers can also write.

Итак, компьютеры могут ещё и писать.

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

Складываем всё вместе, и нам открываются невероятные возможности.

For example, in medicine,

Например, в медицине.

a team in Boston announced that they had discovered

Группа учёных из Бостона открыла

dozens of new clinically relevant features

десятки новых клинически значимых особенностей опухолей;

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

это поможет врачам давать прогнозы онкобольным.

Very similarly, in Stanford,

Точно так же в Стэнфорде

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

группа учёных, проанализиров опухоли под увеличением,

they've developed a machine learning-based system

создала систему на основе машинного обучения,

which in fact is better than human pathologists

которая работает лучше, чем патологоанатомы,

at predicting survival rates for cancer sufferers.

прогнозируя исход заболевания у онкобольных.

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

В обоих случаях алгоритмы давали не только более точный результат,

but they generated new insightful science.

но и новые ценные открытия.

In the radiology case,

В случае с радиологией

they were new clinical indicators that humans can understand.

это были новые клинические показатели, понятные для людей.

In this pathology case,

В случае с патологиями

the computer system actually discovered that the cells around the cancer

алгоритм установил, что для постановки диагноза

are as important as the cancer cells themselves

клетки вокруг опухоли так же важны,

in making a diagnosis.

как и сами раковые клетки.

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

Это противоречит всему, чему патологоанатомов учили десятилетиями.

In each of those two cases, they were systems developed

В разработке обеих систем

by a combination of medical experts and machine learning experts,

участвовали как эксперты-врачи, так и специалисты по машинному обучению,

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

но в прошлом году мы смогли преодолеть и это ограничение.

This is an example of identifying cancerous areas

На экране пример распознавания поражённых раком

of human tissue under a microscope.

человеческих тканей под микроскопом.

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

Система, изображённая на экране, может определить их точнее,

or about as accurately, as human pathologists,

или так же точно, как и патологоанатом.

but was built entirely with deep learning using no medical expertise

В её основе — только метод глубинного обучения.

by people who have no background in the field.

Она разработана людьми, не имеющими никакого отношения к медицине.

Similarly, here, this neuron segmentation.

Или сегментация нейронов.

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

Теперь мы можем сегментировать нейроны так же точно, как и вручную,

but this system was developed with deep learning

и эта система так же была основана на глубинном обучении

using people with no previous background in medicine.

и разработана людьми, не имеющими медицинских знаний или опыта.

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

Поэтому я, как человек, никогда не занимавшийся медициной,

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

оказался отличным кандидатом на роль основателя новой медицинской компании.

which I did.

Им я и стал.

I was kind of terrified of doing it,

Я порядком трусил,

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

но в теории можно было

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

разрабатывать очень полезные препараты, используя только анализ данных.

And thankfully, the feedback has been fantastic,

И — слава богу — отзывы превзошли все мои ожидания,

not just from the media but from the medical community,

не только в СМИ, но и от медицинского сообщества,

who have been very supportive.

где горячо поддержали мою идею.

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

Идея заключается в том, что мы можем взять промежуточный этап лечения

and turn that into data analysis as much as possible,

и максимально применить к нему наши способы анализа данных,

leaving doctors to do what they're best at.

позволив врачам заниматься тем, что у них получается лучше всего.

I want to give you an example.

Приведу пример.

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

На составление нового диагностического теста у нас уходит 15 минут.

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

Я покажу это в режиме реального времени,

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

но сокращу процесс до трёх минут, вырезав отдельные фрагменты.

Rather than showing you creating a medical diagnostic test,

Вместо медицинских терминов

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

будут изображения машин,

because that's something we can all understand.

потому что так будет понятнее всем.

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

Итак, начнём с 1,5 миллионов изображений машин.

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

Я хочу придумать, как их разбить на группы в зависимости от угла,

of the photo that's being taken.

с которого они сфотографированы.

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

Ни одна из картинок не имеет описания, поэтому мне придётся начинать с нуля.

With our deep learning algorithm,

Наш алгоритм глубинного обучения

it can automatically identify areas of structure in these images.

автоматически распознаёт отдельные компоненты на этих изображениях.

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

Хорошо то, что человек и компьютер могут решать задачу вместе.

So the human, as you can see here,

Человек, как вы видите,

is telling the computer about areas of interest

задаёт компьютеру исследуемую область,

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

на основе которой компьютер должен усовершенствовать свои алгоритмы.

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

Такая система глубинного обучения работает в 16 000-мерном пространстве.

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

Компьютер вращает в нём данные,

trying to find new areas of structure.

чтобы обнаружить новые структуры.

And when it does so successfully,

А когда он их находит,

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

человек, управляющий процессом, указывает на те, что его интересуют.

So here, the computer has successfully found areas,

Итак, компьютер успешно обнаруживает признаки,

for example, angles.

например, ракурс.

So as we go through this process,

В ходе исследования

we're gradually telling the computer more and more

мы постепенно уточняем,

about the kinds of structures we're looking for.

что именно мы ищем.

You can imagine in a diagnostic test

Представьте диагностический тест,

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

благодаря которому врач определяет границы патологии

or a radiologist indicating potentially troublesome nodules.

или радиолог — потенциально опасные образования.

And sometimes it can be difficult for the algorithm.

Иногда алгоритм не может справиться с задачей.

In this case, it got kind of confused.

Он не находит решения.

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

Здесь капоты и багажники машин идут вперемешку.

So here we have to be a bit more careful,

Поэтому нам надо быть немного аккуратнее

manually selecting these fronts as opposed to the backs,

и разделить их вручную,

then telling the computer that this is a type of group

а затем задать компьютеру тип изображений,

that we're interested in.

которые нам нужны.

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

Процесс идёт какое-то время, пропустим немного,

and then we train the machine learning algorithm

а потом мы обучаем наш алгоритм

based on these couple of hundred things,

на основе двух объектов из сотен

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

и надеемся, что он это усвоил.

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

Видите, некоторые из этих картинок поблёкли.

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

Это означает, что теперь компьютер распознаёт их самостоятельно.

We can then use this concept of similar images,

Теперь мы можем использовать этот принцип похожих изображений.

and using similar images, you can now see,

Как видите, используя эти изображения,

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

компьютер может самостоятельно находить только фотографии машин спереди.

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

Теперь человек может сказать компьютеру:

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

«Отлично, ты молодец».

Sometimes, of course, even at this point

Иногда, конечно, даже на этом этапе

it's still difficult to separate out groups.

всё ещё сложно выделить группы.

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

В этом случае даже после дополнительного вращения данных компьютером

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

снимки машин, сделанные справа и слева,

are all mixed up together.

всё ещё идут вперемешку.

So we can again give the computer some hints,

Мы снова даём компьютеру подсказки,

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

чтобы он нашёл плоскость, которая разделит

the left sides and the right sides as much as possible

изображения автомобилей справа и слева предельно точно

using this deep learning algorithm.

на основе алгоритма глубинного обучения.

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

И с этими подсказками — о, отлично, решение найдено.

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

Компьютер ищет, чем эти объекты

that's separated out these together.

отличаются от остальных.

So you get the idea here.

Это суть метода.

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

Компьютер не заменяет человека,

but where they're working together.

здесь они работают вместе.

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

То, на что команда

of five or six people about seven years

из 5—6 человек потратила бы около 7 лет,

and replacing it with something that takes 15 minutes

мы заменяем 15-минутной процедурой,

for one person acting alone.

которую выполняет всего один человек.

So this process takes about four or five iterations.

Этот процесс выполняется за 4—5 рабочих циклов.

You can see we now have 62 percent

Как видите, теперь из наших

of our 1.5 million images classified correctly.

1,5 миллионов изображений верно классифицированы 62%.

And at this point, we can start to quite quickly

Теперь мы сможем быстро выделять

grab whole big sections,

отдельные большие блоки

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

и просматривать их, чтобы убедиться, что в них нет ошибок.

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

Если возникают ошибки, мы указываем на них компьютеру.

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

Применяя эту процедуру к разным группам по отдельности,

we are now up to an 80 percent success rate

мы получаем около 80% верных результатов

in classifying the 1.5 million images.

при распределении 1,5 миллионов изображений.

And at this point, it's just a case

Сейчас задача состоит только в том,

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

чтобы найти те немногочисленные неверно распознаные изображения,

and trying to understand why.

и понять, почему это произошло.

And using that approach,

Используя этот метод,

by 15 minutes we get to 97 percent classification rates.

за 15 минут мы получаем результат, верный на 97%.

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

Эта техника поможет нам справиться с одной из важнейших проблем —

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

нехваткой медицинских работников в мире.

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

По данным, озвученным на Всемирном экономическом форуме,

shortage of physicians in the developing world,

развивающимся странам нужно в 10—20 раз больше терапевтов

and it would take about 300 years

и понадобится около 300 лет,

to train enough people to fix that problem.

чтобы обучить нужное количество людей.

So imagine if we can help enhance their efficiency

А теперь представьте, что мы повысим их эффективность,

using these deep learning approaches?

используя глубинное обучение.

So I'm very excited about the opportunities.

Эти возможности приводят меня в полный восторг,

I'm also concerned about the problems.

но в то же время я отдаю отчёт в последствиях.

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

Проблема в том, что во всех странах, отмеченных на карте синим,

is somewhere where services are over 80 percent of employment.

80% рабочих мест приходится на сферу услуг.

What are services?

Каких услуг?

These are services.

Вот этих услуг.

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

А это именно то, что компьютеры только что научились делать.

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

Если 80% людей в развитых странах

is stuff that computers have just learned how to do.

заняты тем, что теперь умеет компьютер,

What does that mean?

то что это значит?

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

Всё в порядке. Они сменят работу.

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

Например, будет больше работы для аналитиков данных.

Well, not really.

Ну или не совсем.

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

Решение этих задач не займёт у них много времени.

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

Например, эти четыре алгоритма создал один и тот же человек.

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

Вы скажете, что человечество с этим уже сталкивалось.

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

В прошлом мы видели, что когда приходят новые технологии,

and they get replaced by new jobs,

новые профессии приходят на смену старым,

what are these new jobs going to be?

но что это будут за новые профессии?

It's very hard for us to estimate this,

Нам очень сложно сейчас это оценить,

because human performance grows at this gradual rate,

ведь производительность человеческого труда растёт постепенно.

but we now have a system, deep learning,

Однако теперь есть система глубинного обучения,

that we know actually grows in capability exponentially.

и мы знаем, что её возможности растут по экспоненте.

And we're here.

Итак,

So currently, we see the things around us

мы оглядываемся по сторонам:

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

«Ведь компьютеры всё ещё достаточно примитивны». Верно?

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

Но через пять лет их возможности выйдут за границы этого графика.

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

Поэтому нам необходимо начать обдумывать этот аспект прямо сейчас.

Разумеется, такое уже случалось в истории человечества.

We have seen this once before, of course.

In the Industrial Revolution,

Промышленная революция,

we saw a step change in capability thanks to engines.

благодаря двигателям, дала качественный скачок производства.

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

Однако спустя какое-то время мощности перестали расти.

There was social disruption,

Случился социальный взрыв,

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

но когда двигатели стали применяться в промышленности повсеместно,

things really settled down.

был найден баланс.

The Machine Learning Revolution

Революция машинного обучения

is going to be very different from the Industrial Revolution,

будет сильно отличаться от промышленной революции,

because the Machine Learning Revolution, it never settles down.

потому что революция машинного обучения непрерывна.

The better computers get at intellectual activities,

Чем более интеллектуально развиты компьютеры,

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

тем более интеллектуально развитые компьютеры они создают.

so this is going to be a kind of change

А это приведёт к тому,

that the world has actually never experienced before,

с чем наш мир никогда раньше не сталкивался,

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

и ваши прошлые представления о возможном изменятся.

This is already impacting us.

Мы это уже почувствовали на себе.

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

В течение последней четверти века производительность оборудования росла,

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

в то время как производительность рабочих оставалась прежней или немного снижалась.

So I want us to start having this discussion now.

Я хочу, чтобы мы уже сейчас задумались над этим.

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

Когда я рассказываю об этом людям,

people can be quite dismissive.

они зачастую мне не верят:

Well, computers can't really think,

мол, компьютеры не могут думать,

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

переживать, воспринимать стихи.

we don't really understand how they work.

Мы не понимаем по-настоящему, как они работают.

So what?

И что?

Computers right now can do the things

Уже сейчас компьютеры делают то,

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

на что люди тратят бóльшую часть оплачиваемого времени,

so now's the time to start thinking

так что теперь пора думать над тем,

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

как мы будем адаптировать наши социальные и экономические структуры,

to be aware of this new reality.

чтобы быть готовыми к новой реальности.

Thank you.

Спасибо.

(Applause)

(Аплодисменты)