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

Översättare: Hanna Lagerquist Granskare: Annika Bidner

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

Det brukade vara så att om du ville få en dator att göra något nytt

you would have to program it.

så behövde du programmera den.

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

Programmering, för dem av er som inte har gjort det själva,

requires laying out in excruciating detail

kräver att man

på ett olidligt detaljerat sätt

every single step that you want the computer to do

anger varenda steg man vill att datorn ska ta

in order to achieve your goal.

för att uppnå önskat mål.

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

Men, om du vill göra något som du inte vet själv hur man gör,

then this is going to be a great challenge.

då blir det här en enorm utmaning.

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

Så det här var den utmaning som denne man, Arthur Samuel, ställdes inför.

In 1956, he wanted to get this computer

1956 ville han få sin dator till

to be able to beat him at checkers.

att slå honom i spelet Dam.

How can you write a program,

Hur kan du skriva ett program,

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

och ange på ett olidligt detaljerat sätt, hur det ska slå dig i Dam?

So he came up with an idea:

Så han kom på en idé:

he had the computer play against itself thousands of times

han lät datorn spela mot sig själv tusentals gånger

and learn how to play checkers.

och lära sig att spela Dam.

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

Och det fungerade faktiskt, och vid 1962

this computer had beaten the Connecticut state champion.

hade datorn slagit Connecticuts statsmästare.

So Arthur Samuel was the father of machine learning,

Så Arthur Samuels var maskininlärningens fader,

and I have a great debt to him,

och jag är skyldig honom så mycket,

because I am a machine learning practitioner.

för att jag är verksam inom maskininlärning.

I was the president of Kaggle,

Jag var ordförande i Kaggle,

a community of over 200,000 machine learning practictioners.

en gemenskap på över 200 000 verksamma inom maskininlärning.

Kaggle puts up competitions

Kaggle anordnar tävlingar

to try and get them to solve previously unsolved problems,

för att försöka åstadkomma lösningar på olösta problem,

and it's been successful hundreds of times.

och det har varit framgångsrikt vid hundratals tillfällen.

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

Så från den synvinkeln kunde jag få veta

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

väldigt mycket om vad maskininlärning kan göra i det förflutna, kan göra idag,

and what it could do in the future.

och vad den kan tänkas göra i framtiden.

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

Maskininlärningens första stora framgång

var kanske Google.

Google showed that it is possible to find information

Google visade att det är möjligt att få fram information

by using a computer algorithm,

genom att använda en datoralgoritm,

and this algorithm is based on machine learning.

en datoralgoritm som bygger på maskininlärning.

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

Sen dess har maskininlärning rönt många kommersiella framgångar.

Companies like Amazon and Netflix

Företag som Amazon och Netflix

använder maskininlärning för att föreslå produkter

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

som du kan tänkas vilja köpa,

movies that you might like to watch.

filmer som du kan tänkas vilja se.

Sometimes, it's almost creepy.

Ibland är det nästan lite läskigt.

Companies like LinkedIn and Facebook

Företag som LinkedIn och Facebook

sometimes will tell you about who your friends might be

kan ibland berätta för dig vilka dina vänner kan tänkas vara

and you have no idea how it did it,

och du kan inte föreställa dig hur det gick till

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

och det beror på att de använder maskininlärningens kraft.

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

Det här är algoritmer som har lärt sig att göra detta utifrån data

rather than being programmed by hand.

snarare än att ha blivit programmerade till det.

This is also how IBM was successful

Det här också hemligheten bakom IBM:s framgångar

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

med att få Watson att slå de två världsmästarna i Jeopardy,

answering incredibly subtle and complex questions like this one.

genom att besvara otroligt subtila och komplexa frågor som den här.

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

[Det antika "Lion of Nimrud" försvann från denna stads ...]

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

Det här är också anledningen till att vi nu ser självkörande bilar.

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

Om du vill kunna skilja på till exempel

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

ett träd och en fotgängare så är det ganska viktigt.

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

Vi vet inte hur vi skulle kunna programmera något sånt,

but with machine learning, this is now possible.

men med maskininlärning är det här nu möjligt.

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

Och den här bilen har faktiskt kört över 1,5 miljoner mil,

without any accidents on regular roads.

utan olyckor, på vanliga vägar.

So we now know that computers can learn,

Så nu vet vi att datorer kan lära sig,

and computers can learn to do things

och datorer kan lära sig att göra saker

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

som vi ibland faktiskt själva inte vet hur man gör,

or maybe can do them better than us.

eller så kan de göra något bättre än vi.

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

Ett av det mer häpnadsväckande exemplen av maskininlärning som jag har sett

happened on a project that I ran at Kaggle

tog plats i ett projekt som jag körde på Kaggle

where a team run by a guy called Geoffrey Hinton

där ett lag som leddes av en kille som heter Geoffrey Hinton

from the University of Toronto

från University of Toronto

won a competition for automatic drug discovery.

vann en tävling i automatisk medicinforskning.

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

Men vad som var exceptionellt var inte bara att de slog

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

alla Mercks algoritmer och hela den internationella akademiska gemenskapen,

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

utan att ingen i laget hade någon bakgrund i kemi, biologi eller livsvetenskap

and they did it in two weeks.

och de klarade det på två veckor.

How did they do this?

Hur gjorde de detta?

They used an extraordinary algorithm called deep learning.

De använde en enastående algoritm som kallas djupinlärning.

So important was this that in fact the success was covered

Det här var så viktigt att det till och med rapporterades

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

på framsidan till New York Times några veckor senare.

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

Här är Geoffrey Hinton till vänster.

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

Djupinlärningsalgoritmen är inspirerad av hur hjärnan fungerar

and as a result it's an algorithm

och som en effekt av det

which has no theoretical limitations on what it can do.

så har den inga teoretiska begränsningar i vad den kan åstadkomma.

Ju mer data och beräkningstid du ger den,

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

the better it gets.

desto bättre blir den.

The New York Times also showed in this article

New York Times visade i sin artikel också på

another extraordinary result of deep learning

en annan exceptionell effekt av djupinlärning

which I'm going to show you now.

som jag ska visa er nu.

It shows that computers can listen and understand.

Den visar att datorer kan lyssna och förstå.

(Video) Richard Rashid: Now, the last step

(Video) Richard Rashid: Det sista steget

that I want to be able to take in this process

som jag vill kunna ta i den här processen

is to actually speak to you in Chinese.

är att kunna tala till er på kinesiska.

Now the key thing there is,

Nyckeln här är att

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

vi har kunnat ta en stor mängd information från många som talar kinesiska

and produce a text-to-speech system

och producera ett "text till tal"-system

that takes Chinese text and converts it into Chinese language,

som tar kinesisk text och konverterar den till kinesiskt språk.

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

Sen har vi tagit en timme eller så av min egen röst

and we've used that to modulate

och vi har använt den till att modulera

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

vårt grundläggande "text till tal"-system så att det låter som jag.

Again, the result's not perfect.

Återigen, resultatet är inte perfekt.

There are in fact quite a few errors.

Det finns fortfarande några fel.

(In Chinese)

(Kinesiska)

(Applause)

(Applåder)

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

Det finns mycket att göra på det här området.

(In Chinese)

(Kinesiska)

(Applause)

(Applåder)

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

Jeremy Howard: Det där var på en maskininlärningskonferens i Kina.

It's not often, actually, at academic conferences

Det är faktiskt inte ofta på akademiska konferenser

that you do hear spontaneous applause,

att man hör spontana applåder,

although of course sometimes at TEDx conferences, feel free.

fast på TEDx-konferenser är det förstås välkommet.

Everything you saw there was happening with deep learning.

Allt ni såg där hände med hjälp av maskininlärning.

(Applause) Thank you.

(Applåder) Tack.

Avskriften till engelska var djupinlärning.

The transcription in English was deep learning.

Översättningen till kinesiska och texten i övre högra hörnet vad djupinlärning

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

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

och skapandet av rösten var också djupinlärning.

So deep learning is this extraordinary thing.

Så djupinlärning är en exceptionell sak.

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

Det är en enda algoritm som ser ut att kunna göra nästan vad som helst,

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

och jag upptäckte att ett år tidigare hade den också lärt sig att se.

In this obscure competition from Germany

I en obskyr tävling från Tyskland

called the German Traffic Sign Recognition Benchmark,

som hette German Traffic Sign Recognition Benchmark,

hade djupinlärning lärt sig att känna igen trafikskyltar som den här.

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

Not only could it recognize the traffic signs

Den kunde inte bara känna igen trafikskyltarna

better than any other algorithm,

bättre än alla andra algoritmer,

the leaderboard actually showed it was better than people,

utan resultattavlan visade att den faktiskt var bättre än människor

about twice as good as people.

ungefär dubbelt så bra som människor.

Vid 2011 hade vi det första exemplet

So by 2011, we had the first example

of computers that can see better than people.

på en dator som kan se bättre än människor.

Since that time, a lot has happened.

Sen dess har det hänt många saker.

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

2012 meddelade Google att de hade låtit en djupinlärningsalgoritm

watch YouTube videos

titta på YouTube-klipp

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

och beräknade datan på 16 000 datorer i en månad.

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

Och datorn lärde sig, helt av sig själv, om koncept som människor och katter

just by watching the videos.

bara genom att titta på klippen.

Det här är väldigt likt den mänskliga lärprocessen.

This is much like the way that humans learn.

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

Människor lär sig inte genom att någon berättar vad de ser,

but by learning for themselves what these things are.

utan de lär sig själva vad de här sakerna är.

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

2012 vann George Hinton, som vi såg tidigare, också

won the very popular ImageNet competition,

den väldigt populära ImageNet-tävlingen,

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

när han försökte lista ut, på basis av 1,5 miljoner bilder,

what they're pictures of.

vad bilderna innehöll.

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

Nu 2014, är vi nere på en sexprocentig felmarginal

in image recognition.

för bildigenkänning.

This is better than people, again.

Detta är, återigen, bättre än människor.

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

Så maskiner gör verkligen ett exceptionellt bra jobb här

and it is now being used in industry.

och används nu inom industrin.

For example, Google announced last year

Till exempel meddelade Google förra året

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

att de hade mappat varenda plats i Frankrike på två timmar.

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

Och de gjorde detta genom att föda bilder av gatuvyer

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

in i en djupinlärningsalgoritm för att den skulle känna igen

och läsa gatunummer.

Imagine how long it would have taken before:

Föreställ er hur lång tid detta skulle ha tagit:

dozens of people, many years.

dussintals med människor, många år.

This is also happening in China.

Det här händer också i Kina.

Baidu is kind of the Chinese Google, I guess,

Baidu kan väl kanske sägas vara ett kinesiskt Google

and what you see here in the top left

och vad ni ser här uppe till vänster

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

är ett exempel på en bild som jag laddade upp

i Baidus djupinlärningssystem,

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

och nedanför kan ni se att systemet har förstått vad bilden innehåller

and found similar images.

och hittat liknande bilder.

The similar images actually have similar backgrounds,

De liknande bilderna har faktiskt liknande bakgrunder,

similar directions of the faces,

liknande ansiktsvinklar,

even some with their tongue out.

till och med några med utstickande tungor.

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

Det här handlar inte om att titta på text på en webbsida.

All I uploaded was an image.

Allt jag laddade upp var en bild.

So we now have computers which really understand what they see

Så, nu har vi datorer som faktiskt förstår vad de ser

och därmed kan söka igenom databaser

and can therefore search databases

of hundreds of millions of images in real time.

med hundra miljontals bilder i realtid.

So what does it mean now that computers can see?

Så vad betyder det nu att datorer kan se?

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

Det betyder inte bara att datorer kan se.

In fact, deep learning has done more than that.

Djupinlärning har faktiskt gjort mer än så.

Complex, nuanced sentences like this one

Komplexa, nyanserade meningar

som den här kan nu förstås

are now understandable with deep learning algorithms.

med djupinlärningsalgoritmer.

As you can see here,

Som ni kan se här,

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

så har det här Stanford-baserade systemet med den röda pricken i toppen

has figured out that this sentence is expressing negative sentiment.

räknat ut att den här meningen uttrycker negativa känslor.

Deep learning now in fact is near human performance

Djupinlärning är faktiskt nära den mänskliga prestationsförmågan

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

när det gäller att förstå vad meningar handlar om

och vad de säger om det.

Also, deep learning has been used to read Chinese,

Djupinlärning har också använts till att läsa kinesiska,

again at about native Chinese speaker level.

på, återigen, nästan modersmålsnivå.

This algorithm developed out of Switzerland

Den här algoritmen har utvecklats i Schweitz

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

av människor som varken talar eller förstår kinesiska.

As I say, using deep learning

Jag brukar säga att, att använda djupinlärning

is about the best system in the world for this,

är nära nog det bästa systemet i världen för detta

even compared to native human understanding.

även jämfört med mänsklig modersmålsförståelse.

This is a system that we put together at my company

Det här ett system som vi satte ihop på mitt företag

which shows putting all this stuff together.

som visar hur allt det här sätts ihop.

These are pictures which have no text attached,

De här bilderna har ingen vidhängd text,

and as I'm typing in here sentences,

och medan jag skriver in meningar här

in real time it's understanding these pictures

så förstår den de här bilderna i realtid

and figuring out what they're about

och listar ut vad de handlar om

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

och hittar bilder som liknar den text som jag skriver in.

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

Så ni kan se att den faktiskt förstår mina meningar

and actually understanding these pictures.

och faktiskt förstår de här bilderna.

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

Jag vet att ni har sett liknande saker på Google,

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

där du kan skriva in saker och den visar dig bilder,

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

men vad den faktiskt gör är att den söker av webbsidan efter text.

This is very different from actually understanding the images.

Det är en stor skillnad mot att förstå bilderna.

Det här är något som datorer har kunnat göra

This is something that computers have only been able to do

for the first time in the last few months.

för första gången för bara några månader sen.

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

Så nu kan vi se att datorer inte bara kan se, de kan också läsa,

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

och så har vi också visat att de kan förstå vad de hör.

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

Kanske är det inte överraskande att jag nu berättar för er

att de kan skriva.

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

Här är lite text som jag genererade igår

med hjälp av en djupinlärningsalgoritm.

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

Och här är lite text som en algoritm från Stanford har genererat.

Each of these sentences was generated

Var och en av dessa meningar har genererats

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

av en djupinlärningsalgoritm för att förklara varje bild.

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

Den här algoritmen har aldrig förut sett en man i svart tröja som spelar gitarr.

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

Den har sett en man förut, den har sett svart förut,

it's seen a guitar before,

den har sett en gitarr förut,

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

men den har helt fristående genererat den här nya beskrivningen av bilden.

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

Vi är ännu inte riktigt framme vid mänsklig prestationsförmåga här,

men vi är nära.

In tests, humans prefer the computer-generated caption

Tester har visat att människor föredrar den datorgenererade förklaringen

one out of four times.

en av fyra gånger.

Now this system is now only two weeks old,

Det här systemet är nu bara två veckor gammalt,

so probably within the next year,

så det är sannolikt att datoralgoritmen

the computer algorithm will be well past human performance

kommer att slå mänsklig prestationsförmåga

inom ett år

at the rate things are going.

om det fortsätter i samma takt.

So computers can also write.

Så, datorer kan skriva också.

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

När vi slår samman allt det här så ser vi väldigt spännande möjligheter.

For example, in medicine,

Till exempel inom läkekonsten,

a team in Boston announced that they had discovered

ett team i Boston meddelade att de hade upptäckt

dozens of new clinically relevant features

dussintals nya kliniskt relevanta kännetecken

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

på tumörer, som hjälper läkare att göra cancerprognoser.

Också liknande, meddelade en grupp i Stanford

Very similarly, in Stanford,

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

att de, genom att titta på vävnad under förstoring, hade utvecklat

they've developed a machine learning-based system

ett maskininlärningsbaserat system

which in fact is better than human pathologists

som faktiskt är bättre än mänskliga patologer

at predicting survival rates for cancer sufferers.

på att förutse överlevnadssiffror

för cancersjuka.

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

I båda dessa fall visade sig förutsägelserna

inte bara vara mer rättvisande

but they generated new insightful science.

utan de genererade också ny insiktsfull kunskap.

In the radiology case,

I röntgenfallet

they were new clinical indicators that humans can understand.

var det nya kliniska indikatorer som människor kan förstå.

In this pathology case,

I patologifallet

the computer system actually discovered that the cells around the cancer

upptäckte systemet att cellerna runt cancern

are as important as the cancer cells themselves

är lika viktiga som cancercellerna själva

in making a diagnosis.

för att ställa diagnos.

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

Det här var motsatsen till vad patologer hade fått lära sig i årtionden.

In each of those two cases, they were systems developed

I båda dessa fall var systemen utvecklade

by a combination of medical experts and machine learning experts,

av en kombination av medicinska experter och maskininlärningsexperter,

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

men sedan ett år tillbaka har vi tagit oss förbi det också.

This is an example of identifying cancerous areas

Det här är ett exempel på hur man identifierar cancerområden

of human tissue under a microscope.

i mänsklig vävnad under ett mikroskåp.

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

Systemet som visas här kan identifiera de områdena med större exakthet,

or about as accurately, as human pathologists,

eller ungefär lika exakt, som mänskliga patologer,

but was built entirely with deep learning using no medical expertise

fast det enbart bygger på djupinlärning helt utan medicinsk expertis

by people who have no background in the field.

och har byggts av människor som inte har någon erfarenhet på området.

Similarly, here, this neuron segmentation.

På liknande vis, här, det här med segmentering av neuroner.

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

Vi kan nu segmentera neuroner ungefär lika exakt som människor kan,

but this system was developed with deep learning

men det här systemet utvecklades med hjälp av djupinlärning

using people with no previous background in medicine.

av människor utan erfarenhet av läkekonst.

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

Så jag själv, som någon som inte har någon erfarenhet av läkekonst,

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

tycks vara helt kvalificerad för att starta ett nytt medicinskt företag,

which I did.

vilket jag gjorde.

I was kind of terrified of doing it,

Jag var en aning livrädd för att göra det,

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

men teoretiskt sett borde det vara möjligt

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

att praktisera nyttig läkekonst bara på basis av dessa dataanalystekniker.

And thankfully, the feedback has been fantastic,

Och som tur är har återkopplingen varit fantastisk,

not just from the media but from the medical community,

inte bara från media utan också från läkarkåren,

who have been very supportive.

som har varit väldigt stöttande.

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

Teorin innebär att vi kan ta mittendelen av den medicinska processen

and turn that into data analysis as much as possible,

och göra om den till dataanalys så långt det är möjligt,

leaving doctors to do what they're best at.

och på så sätt frigöra läkarna till att göra det de är bäst på.

I want to give you an example.

Jag vill ge er ett exempel.

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

Det tar oss nu ungefär 15 minuter

att ta fram ett nytt medicinskt diagnostiskt test

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

och jag ska visa er det i realtid nu,

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

men jag har komprimerat det till tre minuter

genom att skära bort en del.

Rather than showing you creating a medical diagnostic test,

Snarare än att visa er hur man skapar ett medicinskt diagnostiskt test,

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

så vill jag visa er

ett diagnostiskt test på bilbilder,

because that's something we can all understand.

eftersom det är något som vi alla kan förstå.

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

Så vi börjar med ungefär 1,5 miljoner bilbilder,

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

och jag vill skapa något som kan sortera dem beroende på vilken

of the photo that's being taken.

vinkel bilden är tagen ur.

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

De här bilderna har inga etiketter, så jag måste börja från början.

With our deep learning algorithm,

Med vår djupinlärningsalgoritm

it can automatically identify areas of structure in these images.

kan den automatiskt identifiera områden med struktur i bilderna.

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

Det fina är att nu kan människan och datorn samarbeta.

So the human, as you can see here,

Människan, som ni ser här,

is telling the computer about areas of interest

talar om för datorn vilka områden som är intressanta, den information

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

som hon vill att datorn använder för att förbättra algoritmen.

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

De här djupinlärningssystemen

existerar faktiskt i en 16000-dimensionell rymd,

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

så ni kan här se hur datorn roterar genom den rymden

trying to find new areas of structure.

och letar efter nya strukturella områden.

And when it does so successfully,

Och när den hittar ett sånt

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

så kan människan som styr den påpeka att dessa områden är intressanta.

So here, the computer has successfully found areas,

Så här har datorn lyckats hitta områden,

for example, angles.

till exempel vinklar.

So as we go through this process,

Så medan vi går igenom den här processen,

we're gradually telling the computer more and more

så berättar vi gradvis mer och mer för datorn

about the kinds of structures we're looking for.

om vilka strukturer vi letar efter.

You can imagine in a diagnostic test

I ett diagnostiskt test

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

skulle det här motsvara en patolog som identifierar sjuka områden

or a radiologist indicating potentially troublesome nodules.

eller en radiolog som identifierar potentiellt farliga knutor.

And sometimes it can be difficult for the algorithm.

Och ibland kan det vara svårt för algoritmen.

In this case, it got kind of confused.

I det här fallet blev den något förvirrad.

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

Fronten och bakänden på bilarna är helt ihopblandade.

So here we have to be a bit more careful,

Så här behöver vi vara lite mer försiktiga,

manually selecting these fronts as opposed to the backs,

och manuellt välja ut fronterna men inte bakändarna,

then telling the computer that this is a type of group

och sen berätta för datorn att detta är en sorts grupp

som vi är intresserade av.

that we're interested in.

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

Så vi gör det en stund, vi hoppar över en liten bit,

and then we train the machine learning algorithm

och sen tränar vi maskininlärningsalgoritmen

based on these couple of hundred things,

baserat på ett par hundra saker

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

och så hoppas vi att den har blivit mycket bättre.

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

Ni kan se att den nu har börjat tona ut vissa av de här bilderna

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

och visar oss därmed att den redan vet hur den själv ska förstå vissa av dem.

We can then use this concept of similar images,

Sen kan vi använda det här konceptet av liknande bilder

och med hjälp av liknande bilder

and using similar images, you can now see,

kan ni nu se att datorn vid det här laget

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

kan hitta enbart bilder med bilfronter.

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

Så, vid det här laget kan människan berätta för datorn att,

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

"Okej, bra - du har gjort ett bra jobb med det."

Sometimes, of course, even at this point

Ibland är det förstås även vid det här laget

it's still difficult to separate out groups.

svårt att skilja ut grupper.

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

I det här fallet, trots att vi har låtit datorn

försöka rotera det här en stund,

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

så ser vi att bilder av vänster och höger sida

are all mixed up together.

har blandats ihop.

So we can again give the computer some hints,

Så vi kan ge datorn några tips,

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

som "Okej, försök hitta en projektion som skiljer ut

vänstersidorna och högersidorna

the left sides and the right sides as much as possible

så gott det går

using this deep learning algorithm.

med hjälp av en djupinlärningsalgoritm."

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

Och med det tipset - ah, så lyckas den.

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

Den har hittat ett sätt att tänka kring de här objekten

that's separated out these together.

som har skiljt ut dessa tillsammans.

So you get the idea here.

Så ni förstår tanken här.

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

Det här är ett fall som inte handlar om

att människan ersätts av datorn,

but where they're working together.

utan om att de arbetar tillsammans.

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

Vad vi gör är att vi ersätter någonting som brukade ta ett helt team

of five or six people about seven years

på fem eller sex personer ungefär sju år

and replacing it with something that takes 15 minutes

och ersätter det med någonting som tar 15 minuter

for one person acting alone.

för en person på egen hand.

So this process takes about four or five iterations.

Så den här processen kräver ungefär fyra eller fem upprepningar.

You can see we now have 62 percent

Ni kan se att vi nu har 62 procent

av våra 1,5 miljoner bilder korrekt klassificerade.

of our 1.5 million images classified correctly.

And at this point, we can start to quite quickly

Och vid det här laget, kan vi börja att ganska snabbt

ta tag i en hela stora sektioner

grab whole big sections,

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

och kolla igenom för att säkerställa att det inte finns några misstag.

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

Där vi hittar misstag kan vi uppmärksamma datorn på dem.

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

Genom att använda den här sortens process för alla olika grupper,

we are now up to an 80 percent success rate

är vi nu uppe i 80 procent

framgångsrikt klassificerade bilder.

in classifying the 1.5 million images.

And at this point, it's just a case

Och vid det här laget är det bara en fråga om

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

att hitta de få bilder som inte har klassificerats korrekt,

and trying to understand why.

och försöka förstå varför.

And using that approach,

Och på det sättet

by 15 minutes we get to 97 percent classification rates.

är vi efter 15 minuter uppe i 97 procent klassificerade bilder.

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

Det här är en teknik som skulle kunna bistå med att överbrygga det stora problem

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

som utgörs av begränsad tillgång till medicinsk expertis i världen.

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

Världsekonomiskt forum menar att det råder en mellan 10x och 20x

shortage of physicians in the developing world,

brist på läkare i utvecklingsländer

and it would take about 300 years

och att det skulle ta ungefär 300 år

to train enough people to fix that problem.

att lära upp tillräckligt många människor

för att lösa det.

So imagine if we can help enhance their efficiency

Så föreställ er om vi kan hjälpa till att öka effektiviteten

using these deep learning approaches?

med hjälp av djupinlärning.

So I'm very excited about the opportunities.

Så, de här möjligheterna gör mig väldigt ivrig.

I'm also concerned about the problems.

Jag är också bekymrad över problemen.

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

Problemet är att i alla blå områden på den här kartan

is somewhere where services are over 80 percent of employment.

består jobben till 80 procent av tjänster.

What are services?

Vad är tjänster?

These are services.

Det här är tjänster.

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

Det här är också precis vad datorerna har lärt sig att göra.

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

Så 80 procent av jobben i den utvecklade världen

is stuff that computers have just learned how to do.

utför sånt som datorer precis har lärt sig att göra.

What does that mean?

Vad betyder det här?

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

Nå, det blir fint. Nya jobb kommer att ersätta dem.

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

Till exempel blir det fler jobb för forskare inom data.

Well, not really.

Eller, inte riktigt.

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

Det tar inte en forskare särskilt lång tid att bygga en sån här.

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

De här fyra algoritmerna, till exempel, har alla byggts av samma kille.

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

Så, om ni tänker att, "Åh, det här har hänt förr,

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

vi har sett det här hända när nya saker har uppfunnits

and they get replaced by new jobs,

och de har ersatts av nya jobb,

what are these new jobs going to be?

vilka kommer de nya jobben att vara?"

It's very hard for us to estimate this,

Det är väldigt svårt att räkna ut,

because human performance grows at this gradual rate,

eftersom mänsklig prestationsförmåga utvecklas gradvis,

but we now have a system, deep learning,

emedan vi nu har ett system, djupinlärning, som vi vet

that we know actually grows in capability exponentially.

faktiskt utvecklas exponentiellt.

And we're here.

Och vi är här.

So currently, we see the things around us

Så nu ser vi saker omkring oss och

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

och vi tänker "Åh, datorer är rätt korkade." Eller hur?

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

Men om fem år kommer datorerna att ha lämnat oss långt bakom sig.

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

Så vi behöver börja tänka på den här förmågan redan nu.

We have seen this once before, of course.

Vi har sett det en gång tidigare förstås.

In the Industrial Revolution,

I den industriella revolutionen

we saw a step change in capability thanks to engines.

såg vi en stegvis förändring i prestanda tack vare motorer.

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

Saken är den, att efter en stund flackade kurvan ut.

There was social disruption,

Det orsakade social förändring,

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

men så snart motorerna användes för att generera kraft i alla situationer

things really settled down.

så lugnade det ner sig.

Maskininlärningsrevolutionen

The Machine Learning Revolution

is going to be very different from the Industrial Revolution,

kommer skilja sig mycket från den industriella revolutionen,

because the Machine Learning Revolution, it never settles down.

därför att maskininlärningsrevolutionen aldrig kommer att lugna ner sig.

The better computers get at intellectual activities,

Ju bättre datorer blir på intellektuella aktiviteter

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

desto bättre kan de bygga bättre datorer som har större intellektuella förmågor,

so this is going to be a kind of change

så det här kommer att bli en förändring

that the world has actually never experienced before,

som världen aldrig förr har upplevt,

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

så er tidigare uppfattning om vad som är möjligt förändras.

This is already impacting us.

Det här påverkar oss redan.

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

Under de senaste 25 åren har kapitalproduktiviteten ökat,

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

arbetsproduktivitet är oförändrad, faktiskt en aning minskande.

So I want us to start having this discussion now.

Så jag vill att vi börjar diskutera det här nu.

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

Jag vet att ganska ofta när jag berättar om det här,

kan folk vara ganska avfärdande.

people can be quite dismissive.

Well, computers can't really think,

Datorer kan inte tänka på riktigt,

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

de har inga känslor, de förstår inte poesi,

we don't really understand how they work.

vi förstår inte riktigt hur de fungerar.

So what?

Så vadå?

Computers right now can do the things

Just nu kan datorer göra det

som människor ägnar det mesta av sin tid åt att göra för att få betalt,

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

so now's the time to start thinking

så det är hög tid att börja tänka

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

på hur vi ska anpassa våra sociala och ekonomiska strukturer

to be aware of this new reality.

för att klara av den nya verkligheten.

Thank you.

Tack.

(Applause)

(Applåder)