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

Translator: yamela areesamarn Reviewer: Kom Tukovinit

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

เคยเป็นว่าถ้าอยากได้คอมพ์ มาทำอะไรที่ใหม่ๆ

you would have to program it.

คุณก็ต้องโปรแกรมมัน

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

ครับ การทำโปรแกรม สำหรับคนที่ยังไม่เคยทำเอง

requires laying out in excruciating detail

ก็ต้องวางแผนรายละเอียด อย่างเลือดตาแทบกระเด็น

every single step that you want the computer to do

ในทุกขั้นตอน ที่คุณต้องการให้คอมพิวเตอร์ทำ

in order to achieve your goal.

เพื่อให้บรรลุเป้าหมายของคุณ

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

ถ้าต้องการทำสิ่งที่คุณเองไม่รู้วิธีทำแล้ว

then this is going to be a great challenge.

ก็จะเป็นเรื่องท้าทายที่ยิ่งใหญ่ ที่ชายชื่อ

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

อาร์เธอร์ แซมวล ก็เผชิญมาแล้วในอดีต

In 1956, he wanted to get this computer

ปี 1956 เขาอยากจะให้คอมพิวเตอร์เครื่องนี้

to be able to beat him at checkers.

เอาชนะเขาได้ ในเกมหมากฮอส

How can you write a program,

จะเขียนโปรแกรมโดยวางรายละเอียด

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

อย่างเลือดตาแทบกระเด็น ให้เหนือกว่าคุณในเกม ได้อย่างไร

So he came up with an idea:

ดังนั้น เขาจึงเกิดความคิดใหม่ขึ้นมา

he had the computer play against itself thousands of times

เขาให้คอมพ์เล่นแข่งกับตัวเอง หลายพันครั้ง

and learn how to play checkers.

และให้มันเรียนรู้ ที่จะเล่นเกมหมากฮอส

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

และมันก็ได้ผลจริง ๆ และตอนปี 1962

this computer had beaten the Connecticut state champion.

คอมพ์เครื่องนี้ เล่นชนะแชมป์รัฐคอนเนตทิคัต

So Arthur Samuel was the father of machine learning,

อาร์เธอร์ แซมวล ถือว่าเป็นบิดา ของการเรียนรู้ของเครื่อง

and I have a great debt to him,

ผมเป็นหนี้เขาอย่างใหญ่หลวง เพราะ

because I am a machine learning practitioner.

ผมเป็นผู้ปฏิบัติงาน ด้านเครื่องเรียนรู้นี้

I was the president of Kaggle,

อดีตผมเป็นประธานกลุ่มแค็กเกิล

a community of over 200,000 machine learning practictioners.

เป็นกลุ่มคนกว่า 2 แสนคนที่ทำงานด้านนี้

Kaggle puts up competitions

แค็กเกิลจัดการแข่งขัน เพื่อพยายามให้

to try and get them to solve previously unsolved problems,

เครื่องเหล่านั้นแก้ปัญหาที่แก้ไม่ได้มาก่อน

and it's been successful hundreds of times.

และก็ประสบผลสำเร็จมาแล้วหลายร้อยครั้ง

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

ดังนั้น จากมุมมองที่กว้างขวางนี้ ผมจึงได้ค้นพบ

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

เรื่องการเรียนรู้ของเครื่องอีกมากมาย ที่พวกมันทำได้

and what it could do in the future.

ในอดีต ปัจจุบัน และอนาคต ส่วนความสำเร็จเชิงพาณิชย์

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

ที่ยิ่งใหญ่ครั้งแรกของเรื่องนี้ อาจคือ

Google showed that it is possible to find information

กูเกิลที่ให้เห็นว่าเป็นไปได้ที่จะค้นข้อมูล

by using a computer algorithm,

โดยใช้วิธีการทางคอมพิวเตอร์

and this algorithm is based on machine learning.

ซึ่งมีพื้นฐานมาจาก การเรียนรู้ของเครื่อง

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

แต่นั้นมา มีความสำเร็จเชิงพาณิชย์อีกมาก

Companies like Amazon and Netflix

บริษัท อย่างเช่น แอมะซอน และ เน็ตฟลิกส์

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

ใช้การเรียนรู้ของเครื่อง เพื่อแนะนำสินค้า

movies that you might like to watch.

ที่คุณอาจอยากซื้อ ภาพยนตร์ที่อาจอยากดู

Sometimes, it's almost creepy.

บางครั้ง ก็เกือบทำให้ขนลุก

Companies like LinkedIn and Facebook

บริษัทอย่างเช่น ลิงด์อิน และเฟสบุก

sometimes will tell you about who your friends might be

บางครั้งจะบอกว่า ใครอาจเป็นเพื่อนของคุณ

and you have no idea how it did it,

และคุณก็คิดไม่ออกเลยว่า มันทำได้อย่างไร

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

นี่ก็เพราะ มันใช้พลังการเรียนรู้ของเครื่อง

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

เป็นวิธีการทางคอมพ์ ที่เรียนรู้วิธีทำได้

rather than being programmed by hand.

จากข้อมูล แทนโปรแกรม ที่ต้องใช้มือทำ

This is also how IBM was successful

สิ่งนี่ยังทำให้ IBM สำเร็จในการทำให้

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

วัทสัน ชนะแชมป์โลกสองคนใน "เจเพอะดี" โชว์

answering incredibly subtle and complex questions like this one.

โดยตอบคำถามที่ลึกลับซับซ้อนเหลือเชื่อ เช่น

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

["ของโบราณ 'สิงโตแห่งนิมรัต' หายไปจากพิพิธภัณฑ์ในปี 2003]

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

ยังให้เราเห็นในขณะนี้ รถพวกแรกที่ขับได้เอง

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

ถ้าคุณต้องการจะบอกความแตกต่างระหว่าง เช่น

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

ต้นไม้กับคนเดินถนน ครับ นั่นมันสำคัญมาก

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

เราไม่รู้วิธีเขียนโปรแกรมเหล่านั้น ด้วยมือ

but with machine learning, this is now possible.

แต่จากการเรียนรู้ของเครื่อง มันเป็นไปได้

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

ความจริงแล้ว รถคันนี้ขับมาแล้วกว่าล้านไมล์

without any accidents on regular roads.

โดยไม่เกิดอุบัติเหตุ บนถนนปกติ

So we now know that computers can learn,

ขณะนี้เราจึงรู้ว่า เครื่องคอมพ์เรียนรู้ได้

and computers can learn to do things

คอมพิวเตอร์เรียนรู้ ที่จะทำสิ่งต่างๆที่

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

บางครั้งเราไม่รู้จริงๆ ว่าจะทำเองอย่างไร

or maybe can do them better than us.

หรือบางทีมันอาจจะทำได้ ดีกว่าเราเสียอีก

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

ตัวอย่างหนึ่งที่น่าทึ่งที่สุด ที่ผมเคยเห็น

happened on a project that I ran at Kaggle

เกิดขึ้นในโครงการที่ผมทำ ที่แคกเกิล

where a team run by a guy called Geoffrey Hinton

ในทีมงานที่นำโดยหนุ่มชื่อ เจฟฟรี ฮินตัน

from the University of Toronto

จากมหาวิทยาลัยโทรอนโต

won a competition for automatic drug discovery.

เขาชนะการแข่งขัน การค้นพบยาโดยอัตโนมัติ

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

ความพิเศษคือ ไม่ใช่เพียงเอาชนะวิธีทั้งหมด

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

ที่พัฒนาโดย เมอร์ค, กลุ่มวิชาการนาๆชาติ

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

แต่ไม่มีใครในทีมมีพื้นทางเคมี หรือชีววิทยาศาสตร์

and they did it in two weeks.

และพวกเขาทำให้ชนะได้ ในสองสัปดาห์

How did they do this?

พวกเขาทำได้อย่างไรหรือ

They used an extraordinary algorithm called deep learning.

เขาใช้วิธีคอมพ์ที่เรียกว่า การเรียนรู้ลึก (deep learning)

So important was this that in fact the success was covered

เรื่องนี้สำคัญมากจนกระทั่ง ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง

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

ของนิวยอร์คไทม์ 2-3 อาทิตย์ต่อมา

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

นี่คือ เจฟฟรี่ ฮินตัน ตรงนี้ด้านซ้ายมือ

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

การเรียนรู้ลึก เป็นวิธีการทางคอมพ์ที่นำ

and as a result it's an algorithm

วิธีทำงานของสมองคนมา ผลคือ เป็นวิธีที่

which has no theoretical limitations on what it can do.

ไม่มีข้อจำกัดทางทฤษฎีว่า มันทำอะไรได้บ้าง

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

ยิ่งให้ข้อมูลมัน ยิ่งให้เวลาคำนวณมากขึ้น

the better it gets.

มันก็จะทำงานได้ดียิ่งขึ้น

The New York Times also showed in this article

นิวยอร์คไทม์ ยังแสดงให้เห็นในบทความนี้

another extraordinary result of deep learning

ถึงผลลัพท์พิเศษอีกอย่างของ การเรียนรู้ลึก

which I'm going to show you now.

ซึ่งผมจะแสดงให้คุณดู เดี๋ยวนี้

It shows that computers can listen and understand.

มันแสดงว่า คอมพ์ฟังรู้เรื่องและเข้าใจได้

(Video) Richard Rashid: Now, the last step

(วิดีโอ) ริชาร์ด ราชิด: ครับ ขั้นสุดท้าย

that I want to be able to take in this process

ที่ผมอยากจะทำให้ได้ ในกระบวนการนี้

is to actually speak to you in Chinese.

คือ พูดกับคุณจริงๆ เป็นภาษาจีน

Now the key thing there is,

ครับ สิ่งสำคัญในเรื่องนี้ก็คือ เราสามารถ

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

เอาข้อมูลจำนวนมากมาได้ จากคนพูดจีนหลายๆคน

and produce a text-to-speech system

และทำ "ระบบเนื้อหา-คำพูด" ออกมา, ระบบนี้จะ

that takes Chinese text and converts it into Chinese language,

เอาข้อความภาษาจีนมา เปลี่ยนให้เป็นภาษาจีน

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

แล้วก็เอาเสียงของผมเอง ราวหนึ่ง ช.ม

and we've used that to modulate

แล้วใช้เสียงมาปรับระบบเนื้อหา-คำพูด

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

เพื่อที่จะให้มีเสียงเหมือนผม

Again, the result's not perfect.

อีกนั่นแหละ ผลที่ได้ไม่ดีเลิศนัก

There are in fact quite a few errors.

จริงๆแล้ว มีข้อผิดพลาดหลายอย่าง

(In Chinese)

(ภาษาจีน)

(Applause)

(เสียงปรบมือ)

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

ยังมีสิ่งที่ต้องทำอีกมาก ในเรื่องนี้

(In Chinese)

(ภาษาจีน)

(Applause)

(เสียงปรบมือ)

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

เจเรมี่ เฮาวาร์ด: นั่นเป็นการประชุมที่จีน

It's not often, actually, at academic conferences

จริงๆ ไม่บ่อยนัก ในการประชุมทางวิชาการ

that you do hear spontaneous applause,

ที่จะได้ยินคนปรบมือเอง พร้อมเพรียงกัน

although of course sometimes at TEDx conferences, feel free.

แต่แน่ว่า บางครั้งในการประชุม TEDx จงทำตามใจชอบ

Everything you saw there was happening with deep learning.

ทุกสิ่งที่เห็นที่นั่นเกิดจากการเรียนรู้ลึก

(Applause) Thank you.

(เสียงปรบมือและหัวเราะ) ขอบคุณครับ

The transcription in English was deep learning.

การถอดเป็นภาษาอังกฤษทำโดยการเรียนรู้ลึก

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

ซึ่งแปลเป็นภาษาจีนและข้อความด้านบนขวา

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

การสร้างเสียงก็เป็นการเรียนรู้ลีก เช่นกัน

So deep learning is this extraordinary thing.

การเรียนรู้ลึกจึงเป็นสิ่งพิเศษ

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

เป็นวิธีเดียวทางคอมพ์ที่ทำได้เกือบทุกอย่าง

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

ผมพบปีที่แล้วว่า มันเรียนที่จะเห็นได้ด้วย

In this obscure competition from Germany

ในการแข่งขันที่ไม่ค่อยรู้จัก ในเยอรมนี ชื่อ

called the German Traffic Sign Recognition Benchmark,

เยอรมันแทร็ฟฟิกซายน์เรคอกนิชั่นเบนช์มาร์ก

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

การเรียนรู้ลึก เรียนรู้จำสัญญาณจราจรนี้

Not only could it recognize the traffic signs

ไม่เพียงแค่ รู้จำสัญญาณจราจรได้ดีกว่า

better than any other algorithm,

วิธีการอื่นๆทางคอมพิวเตอร์ เท่านั้น

the leaderboard actually showed it was better than people,

ป้ายคะแนนนแสดงว่า จริง ๆ แล้ว

about twice as good as people.

มันดีกว่าคนประมาณสองเท่า

So by 2011, we had the first example

ดังนั้น โดยปี 2011 เราจึงมีตัวอย่างแรก

of computers that can see better than people.

ของคอมพิวเตอร์ ที่สามารถมองเห็นได้ดีกว่าคน

Since that time, a lot has happened.

ตั้งแต่นั้นมา สิ่งต่างๆมากมายได้เกิดขึ้น

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

ปี 2012 กูเกิลแจ้งว่า ได้ให้การเรียนรู้ลึก

watch YouTube videos

ดูยูทูบวิดีโอ ขบเคี้ยวข้อมูล

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

จากคอมพิวเตอร์ 16,000 เครื่องอยู่ 1 เดือน

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

และคอมพ์ก็เรียนรู้ได้เองถึงแนวความคิด

just by watching the videos.

เช่น คนกับแมว เพียงดูแค่วิดีโอเท่านั้น

This is much like the way that humans learn.

สิ่งนี้เหมือนวิธีที่มนุษย์เรียนรู้อย่างมาก

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

มนุษย์ไม่ได้เรียนโดยให้คนอื่นบอกว่า เขาเห็นอะไร

but by learning for themselves what these things are.

แต่โดยเรียนด้วยตนเองว่า ของเหล่านี้คืออะไร

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

ปี 2012 เจฟฟรี่ ฮินตัน ที่เราเห็นตอนต้น

won the very popular ImageNet competition,

ยังชนะการแข่ง อิมเมจเน็ด ที่มีชื่อมาก ซึ่ง

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

พยายามหาวิธีคิด จากภาพล้านห้าแสนภาพ

what they're pictures of.

ว่า ภาพเหล่านี้เป็นภาพอะไร

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

ถึงปี 2014 นี้ เราลดอัตราผิดจนเหลือ 6%

in image recognition.

ในการรู้จำภาพได้

This is better than people, again.

นี่ก็ดีกว่าคนอีกเหมือนกัน

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

เครื่องจึงทำงานได้ดีพิเศษจริง ในเรื่องนี้

and it is now being used in industry.

และขณะนี้ก็กำลังมีการนำไปใช้ ในอุตสาหกรรม

For example, Google announced last year

เช่น กูเกิลประกาศเมื่อปีที่แล้ว ว่า

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

ได้ทำแผนที่ทุกๆตำแหน่งในฝรั่งเศสใน 2 ช.ม

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

และวิธีที่พวกเขาทำนั้น คือ ใส่ภาพถนนเข้าไป

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

ในการเรียนรู้ลึก เพื่อให้รู้จำและอ่านเลขถนน

Imagine how long it would have taken before:

ลองจินตนาการดู แต่ก่อนจะใช้เวลานานแค่ไหน

dozens of people, many years.

ใช้คนมากมายหลายคน หลายปี

This is also happening in China.

เรื่องนี้ก็กำลังเกิดขึ้นในจีนด้วย

Baidu is kind of the Chinese Google, I guess,

ไบดู เป็นเหมือนกับกูเกลของจีน และ

and what you see here in the top left

ที่คุณเห็น ตรงด้านบนซ้ายมือ คือ ตัวอย่าง

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

รูปที่ผมใส่เข้าไป ในระบบเรียนรู้ลึกของไบดู

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

ตรงข้างล่าง คุณจะเห็นได้ว่า ระบบเข้าใจได้

and found similar images.

ว่าเป็นภาพอะไร และค้นพบภาพที่เหมือนกัน

The similar images actually have similar backgrounds,

ซึ่งจริงๆแล้ว คือมีแบ็กกราวเหมือนกัน

similar directions of the faces,

หันหน้าไปทิศทางเดียวกัน

even some with their tongue out.

แม้กระทั่ง บางรูปที่แลบลิ้นออกมา

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

นี่ไม่ใช่มองที่ เนื้อหาเว็บเพจอย่างแน่นอน

All I uploaded was an image.

ผมส่งเพียงแต่รูป ๆ เดียวเท่านั้น

So we now have computers which really understand what they see

ขณะนี้มีคอมพ์ ที่เข้าใจสิ่งที่มันเห็นจริงๆ

and can therefore search databases

จึงสามารถค้นหาฐานข้อมูลได้

of hundreds of millions of images in real time.

เป็นหลายร้อยล้านภาพ ในเวลาสั้นๆ

So what does it mean now that computers can see?

อะไรจะเกิดขึ้น เมื่อมีคอมพ์ที่มองเห็นได้

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

แต่ไม่ใช่แค่มองเห็นได้เท่านั้น

In fact, deep learning has done more than that.

จริงๆแล้ว การเรียนรู้ลึก ทำได้มากกว่านั้น

Complex, nuanced sentences like this one

ประโยคที่ต่างกันน้อยมาก ซับซ้อน อย่างนี้

are now understandable with deep learning algorithms.

ขณะนี้เข้าใจได้แล้ว ด้วยวิธีการเรียนรู้ลึก

As you can see here,

อย่างที่คุณเห็นตรงนี้

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

ระบบฐานสแตนฟอร์ดนี้ แสดงจุดสีแดงด้านบนสุด

has figured out that this sentence is expressing negative sentiment.

คิดออกว่า ประโยคนี้แสดงอารมณ์เชิงลบ

Deep learning now in fact is near human performance

จริงๆการเรียนรู้ลึก ใกล้สมรรถภาพมนุษย์แล้ว

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

เข้าใจได้ว่า ประโยคบอกเรื่องอะไร และมีความหมายอะไร

Also, deep learning has been used to read Chinese,

การเรียนรู้ลึก ยังนำไปใช้เพื่ออ่านภาษาจีน

again at about native Chinese speaker level.

อีกนั่นแหละ ประมาณระดับคนจีนพื้นเมือง

This algorithm developed out of Switzerland

วิธีการทางคอมพ์นี้ ได้พัฒนาออกมาจากสวิสฯ

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

โดยคนที่ไม่มีใครพูดหรือเข้าใจภาษาจีนเลย

As I say, using deep learning

อย่างที่ผมบอก การใช้การเรียนรู้ลึก

is about the best system in the world for this,

เกือบเป็นระบบที่ดีที่สุดในโลก สำหรับงานนี้

even compared to native human understanding.

แม้เมื่อเปรียบกับความเข้าใจของคนพื้นบ้าน

This is a system that we put together at my company

นี่เป็นระบบที่เราประกอบขึ้นมา ที่บริษัทของผม

which shows putting all this stuff together.

ซึ่งให้เห็นการเอาสิ่งทั้งหลายเข้ามารวมกัน

These are pictures which have no text attached,

พวกนี้ให้เห็นภาพ ที่ไม่มีข้อความกำกับ

and as I'm typing in here sentences,

และขณะที่ผมพิมพ์ประโยคอยู่ตรงนี้

in real time it's understanding these pictures

ในเวลาสั้นๆ มันก็เข้าใจรูปเหล่านี้

and figuring out what they're about

และคิดออกได้ว่า มันเป็นเรื่องอะไร

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

และไปหาภาพ ที่เหมือนกับข้อความที่ผมเขียน

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

จึงเห็นได้ เป็นความเข้าใจประโยคของผมจริงๆ

and actually understanding these pictures.

เป็นความเข้าใจภาพเหล่านี้จริง

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

ผมรู้ว่า คุณเคยเห็นแบบนี้ในกูเกิลแล้ว

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

ที่คุณพิมพ์ข้อความ แล้วมันจะแสดงภาพออกมา

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

แต่จริงๆสิ่งที่มันทำคือ หาข้อความในเว็บเพจ

This is very different from actually understanding the images.

เรื่องนี้ต่างกันมาก กับการเข้าใจภาพพวกนั้น

This is something that computers have only been able to do

นี่เป็นสิ่งที่คอมพ์สามารถทำได้

for the first time in the last few months.

เป็นครั้งแรก ในไม่กี่เดือนที่ผ่านมานี้

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

ขณะนี้จึงเห็นได้ว่า คอมพ์ไม่ได้แค่เห็น แต่

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

อ่านได้ด้วย และเราก็ให้เห็นว่า มันก็เข้าใจสิ่งที่มันได้ยิน

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

อาจไม่น่าแปลกใจ ถ้าจะบอกว่า มันก็เขียนได้

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

ประโยคนี้ผมสร้างเมื่อวาน ใช้การเรียนรู้ลึก

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

ข้อความนี้ สร้างโดยวิธีคอมพ์ของสแตนฟอร์ด

Each of these sentences was generated

แต่ละประโยคสร้างขึ้น

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

โดยวิธีการเรียนรู้ลึก เพื่ออธิบายภาพนั้นๆ

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

แต่ก่อนวิธีการคอมพ์ ไม่เคยเห็นชายเสื้อดำ กำลังเล่นกีต้าร์

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

แต่มันเคยเห็นผู้ชาย เคยเห็นสีดำ

it's seen a guitar before,

เคยเห็นกีต้าร์ แต่ด้วยตัวมันเอง

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

ได้สร้างการอธิบายภาพนี้ในแนวใหม่

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

ยังคงไม่เหมือนมนุษย์ทีเดียว แต่ก็ใกล้แล้ว

In tests, humans prefer the computer-generated caption

ในการทดสอบ มนุษย์ชอบคำบรรยายสร้างโดยคอมพ์

one out of four times.

หนึ่งในสี่ครั้ง

Now this system is now only two weeks old,

ปัจจุบัน ระบบนี้มีอายุแค่ 2 สัปดาห์

so probably within the next year,

ดังนั้น บางที ภายในปีหน้า

the computer algorithm will be well past human performance

วิธีทางคอมพ์ อาจไปไกลเกินหน้าการปฏิบัติงาน

at the rate things are going.

ของมนุษย์ ที่อัตราที่กำลังเป็นอยู่นี้

So computers can also write.

คอมพิวเตอร์ จึงสามารถเขียนได้ด้วย

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

รวมๆแล้ว ก็จะเห็นโอกาสทีน่าตื่นเต้นมาก

For example, in medicine,

ตัวอย่างเช่น ในทางการแพทย์

a team in Boston announced that they had discovered

ทีมงานในบอสตัน ประกาศว่าพวกเขาได้ค้นพบ

dozens of new clinically relevant features

ลักษณะต่าง ๆ มากมาย ที่เกี่ยวข้องกับการรักษา

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

เนื้องอก ที่ช่วยแพทย์ทายอาการมะเร็ง

Very similarly, in Stanford,

และที่เหมือนกันอย่างมาก ที่สแตนฟอร์ด

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

กลุ่มที่นั่นประกาศว่า โดยดูเนื้อเยื่อขยายแล้ว

they've developed a machine learning-based system

ได้พัฒนาระบบจากการเรียนรู้ของเครื่องขึ้นมา

which in fact is better than human pathologists

ซึ่งจริงๆ ดีกว่าแพทย์พยาธิวิทยา ในการทำนาย

at predicting survival rates for cancer sufferers.

อัตราการรอดชีวิต ของคนไข้โรคมะเร็ง

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

ทั้งสองกรณี ไม่เพียงการคาดเดาถูกต้องกว่า

but they generated new insightful science.

แต่ยังทำให้เกิดความเข้าใจใหม่ ทางวิทยาศาสตร์

In the radiology case,

คือทางรังสีวิทยา มีการพบ

they were new clinical indicators that humans can understand.

ตัวบ่งชี้ทางการรักษาแบบใหม่ ที่คนเข้าใจได้

In this pathology case,

ส่วนทางพยาธิวิทยานี้ จริงๆแล้ว

the computer system actually discovered that the cells around the cancer

ระบบคอมพ์ได้ค้นพบว่า เซลล์รอบๆมะเร็ง

are as important as the cancer cells themselves

สำคัญเท่าๆกับเซลล์มะเร็งเอง

in making a diagnosis.

ในการวินิจฉัย นี้ตรงข้ามกับ

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

สิ่งที่พยาธิแพทย์ ได้รับสอนมาหลายทศวรรษ

In each of those two cases, they were systems developed

ในทั้งสองกรณี ระบบพัฒนาขึ้นโดย

by a combination of medical experts and machine learning experts,

ผู้เชี่ยวชาญทางแพทย์ร่วมกับ ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง

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

แต่เริ่มแต่ปีที่แล้ว เราได้ไปไกลกว่านั้น

This is an example of identifying cancerous areas

นี่เป็นตัวอย่าง ของการระบุพื้นที่ของมะเร็ง

of human tissue under a microscope.

ในเนื้อเยื่อมนุษย์ จากกล้องจุลทรรศน์

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

ระบบที่แสดงอยู่นี้ ระบุพื้นที่ได้แม่นยำกว่า

or about as accurately, as human pathologists,

หรือเกือบจะเท่ากับพยาธิแพทย์ แต่ทั้งหมดนี้

but was built entirely with deep learning using no medical expertise

สร้างด้วยการเรียนรู้ลึก โดยคนที่ไม่มีความเชี่ยวชาญ

by people who have no background in the field.

หรือพื้นเพทางการแพทย์เลย

Similarly, here, this neuron segmentation.

นี่ก็เหมือนกัน การแบ่งส่วนประสาท, ขณะนี้

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

เราแยกเซลล์ประสาทได้ แม่นยำเทียมเท่ามนุษย์

but this system was developed with deep learning

แต่ระบบนี้พัฒนาขึ้น ด้วยการเรียนรู้ลึก

using people with no previous background in medicine.

โดยคนที่ไม่มีพื้นฐานด้านการแพทย์

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

ดังนั้นผมเอง ผู้ไม่มีพื้นฐานด้านการแพทย์

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

ก็เหมือนมีคุณสมบัติพร้อม ที่จะเริ่มบริษัท

which I did.

ทางการแพทย์ใหม่ขึ้นมา ซึ่งผมก็ได้ทำแล้ว

I was kind of terrified of doing it,

ผมรู้สึกหวาดหวั่นบ้างที่จะทำ

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

แต่ตามทฤษฎีแล้ว ดูจะแนะว่า น่าจะเป็นไปได้

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

ที่จะทำการแพทย์ที่มีประโยชน์มาก โดยใช้แค่ เทคนิควิเคราะห์ข้อมูลนี้

And thankfully, the feedback has been fantastic,

not just from the media but from the medical community,

จากทั้งสื่อและกลุ่มทางการแพทย์

who have been very supportive.

ที่ให้การสนับสนุนมาอย่างมาก

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

ทฤษฎีคือ เราสามารถเอาส่วนกลาง ของกระบวนการทางแพทย์

and turn that into data analysis as much as possible,

กลับมันเป็นวิเคราะห์ข้อมูล มากเท่าที่ทำได้

leaving doctors to do what they're best at.

ทิ้งให้แพทย์ทำ ในสิ่งที่เขาทำได้ดีที่สุด

I want to give you an example.

ผมอยากจะยกตัวอย่างหนึ่ง ปัจจุบัน

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

เราใช้เพียง 15 นาที เพื่อ สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่

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

ผมจะแสดงให้ดูตามเวลาจริง แต่ผม

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

บีบมันลงเหลือสามนาที โดยตัดบางชิ้นออกไป

Rather than showing you creating a medical diagnostic test,

แทนที่จะแสดง การสร้างการทดสอบวินิจฉัยโรค

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

ผมจะแสดง การทดสอบการวินิจฉัยภาพรถแทน

because that's something we can all understand.

เพราะว่า มันเป็นสิ่งที่เราทุกคนเข้าใจได้

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

ตรงนี้ เราจึงจะเริ่มด้วยภาพรถ 1.5 ล้านคัน

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

และผมอยากจะสร้างอะไรบางอย่าง ที่จะแยกมันออก

of the photo that's being taken.

เป็นมุมมองของภาพที่ถ่าย ภาพพวกนี้

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

ไม่ได้มีป้ายบอกเลย ผมจึงต้องเริ่มจากไม่มีอะไร

With our deep learning algorithm,

แต่ด้วยวิธีการคอมพ์การเรียนรู้ลึกของเรา

it can automatically identify areas of structure in these images.

มันจะระบุพื้นที่โครงสร้างในภาพได้อัตโนมัติ

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

ส่วนดีคือ คนและคอมพ์ทำงานด้วยกันได้

So the human, as you can see here,

มนุษย์ อย่างที่เห็นตรงนี้ จะบอกคอมพ์ถึง

is telling the computer about areas of interest

พื้นที่ที่น่าสนใจ ที่ต้องการให้คอมพ์

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

พยายามใช้ เพื่อจะได้ปรับปรุงวิธีการของมัน

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

ระบบการเรียนรู้ลึกนี้ แท้จริงอยู่ในปริภูมิ

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

16000 มิติ จึงเห็นคอมพ์หมุนไปตาม

trying to find new areas of structure.

ปริภูมินั้น พยายามหาพื้นที่โครงสร้างใหม่

And when it does so successfully,

เมื่อมันทำได้สำเร็จตามนั้น แล้วคนที่

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

ขับมันอยู่ ก็จะชี้พื้นที่ที่น่าสนใจ

So here, the computer has successfully found areas,

ตรงนี้ คอมพ์พบพื้นที่ได้สำเร็จ

for example, angles.

ตัวอย่างเช่น มุมมองต่าง ๆ

So as we go through this process,

ดังนั้น ขณะที่เราผ่านกระบวนการนี้

we're gradually telling the computer more and more

เราก็ค่อยๆบอกคอมพ์เพิ่มขึ้นเรื่อยๆ

about the kinds of structures we're looking for.

เกี่ยวกับแบบโครงสร้าง ที่เราต้องการค้นหา

You can imagine in a diagnostic test

คุณคงจินตนาการได้ เช่น การทดสอบวินิจฉัย

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

ก็จะเป็นพยาธิแพทย์ ที่จะระบุบริเวณผิดปกติ

or a radiologist indicating potentially troublesome nodules.

หรือรังสีแพทย์ ชี้บอกตุ่มที่น่าจะเป็นปัญหา

And sometimes it can be difficult for the algorithm.

บางที ก็ยากเหมือนกันสำหรับวิธีทางคอมพ์นี้

In this case, it got kind of confused.

ในกรณีนี้ มันคล้ายกับจะสับสน

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

ด้านหน้าและด้านหลังของรถนั้น ปนเปกันไปหมด

So here we have to be a bit more careful,

ตรงนี้ เราจึงต้องระวังมากขึ้นอีกหน่อย

manually selecting these fronts as opposed to the backs,

ใช้มือเลือก ส่วนใดเป็นหน้า ส่วนใดเป็นหลัง

then telling the computer that this is a type of group

แล้วบอกคอมพ์นั้นว่า นี่เป็นแบบของกลุ่ม

that we're interested in.

ที่เราสนใจอยู่

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

เราต้องทำอย่างนี้ไปเรื่อย ๆ แต่เราจะข้ามไป

and then we train the machine learning algorithm

แล้วเราก็จะฝึกเครื่องเรียนรู้

based on these couple of hundred things,

อาศัยสิ่งของจำนวนมากมายเหล่านี้

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

เราหวังว่า มันดีขึ้นมากแล้ว คุณจะเห็นได้

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

ตอนนี้ มันได้เริ่มทำให้บางภาพค่อยๆหายไป

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

มันรู้จำวิธีเข้าใจเรื่องนี้ด้วยตัวเองบ้างแล้ว

We can then use this concept of similar images,

แล้วเราจึงใช้ความรู้เรื่องภาพเหมือนนี้

and using similar images, you can now see,

และการใช้ภาพเหมือนนั้น ตอนนี้จะเห็นได้

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

ณ.จุดนี้คอมพ์ สามารถหารถส่วนหน้าทั้งหมด

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

ดังนั้น ที่จุดนี้ คนจะบอกคอมพ์นั้นได้ว่า

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

ตกลง ใช่แล้ว เธอทำงานเรื่องนี้ได้ดีแล้ว

Sometimes, of course, even at this point

บางครั้ง แน่นอนครับ แม้กระทั่ง ที่จุดนี้

it's still difficult to separate out groups.

ก็ยังคงยาก ที่จะแยกออกมาเป็นกลุ่มๆ

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

กรณีนี้ แม้หลังจากให้คอมพ์หมุนไปสักครู่

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

เราก็ยังคงพบว่า ด้านซ้ายและขวาของภาพ

are all mixed up together.

ก็ปนเปกันไปหมด

So we can again give the computer some hints,

ดังนั้นเราจึงให้คำแนะนำแก่คอมพ์อีก

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

เราบอกว่า ใช่ พยายามหาการฉายภาพ ที่จะแยก

the left sides and the right sides as much as possible

ด้านซ้าย/ขวาออกจากกัน ให้มากเท่าที่จะทำได้

using this deep learning algorithm.

โดยใช้วิธีการเรียนรู้ลึกทางคอมพ์

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

เมื่อให้คำแนะนำนั้นแล้ว ก็ประสบความสำเร็จ

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

มันก็หาวิธีคิด เกี่ยวกับวัตถุพวกนี้ได้

that's separated out these together.

นั่นคือ วิธีแยกสิ่งเหล่านี้

So you get the idea here.

คุณคงจะพอเข้าใจเรื่องนี้

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

เรื่องนี้ ไม่ใช่มนุษย์ถูกแทนที่ด้วยคอมพ์

but where they're working together.

แต่เป็นเรื่องที่ พวกเขาทำงานอยู่ด้วยกัน

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

สิ่งที่เราทำจะใช้แทนสิ่งที่เคยใช้ทีมงาน

of five or six people about seven years

ห้าหรือหกคน นานประมาณเจ็ดปี

and replacing it with something that takes 15 minutes

แล้วเอาสิ่งที่ทำได้ใน 15 นาที มาแทน

for one person acting alone.

โดยมีคนหนึ่งคน ปฏิบัติงานคนเดียว

So this process takes about four or five iterations.

กระบวนการนี้ ใช้การวนซํ้าราว 4 - 5 ครั้ง

You can see we now have 62 percent

คุณเห็นได้ว่า ตอนนี้เราได้ 62% ของภาพ

of our 1.5 million images classified correctly.

1.5 ล้านภาพ แยกประเภทแล้วอย่างถูกต้อง

And at this point, we can start to quite quickly

ณ. จุดนี้ เราเริ่มจะคว้ามาได้อย่างรวดเร็ว

grab whole big sections,

ที่เป็นส่วนใหญ่ๆทั้งหมด

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

ตรวจเช็คตลอด เพื่อให้แน่ใจว่าไม่มีอะไรผิด

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

หากมี เราก็ให้คอมพ์รู้ข้อผิดพลาดเหล่านั้น

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

การใช้กระบวนการนี้ ในแต่ละกลุ่มที่ต่างกัน

we are now up to an 80 percent success rate

ปัจจุบันนี้ เรามีอัตราความสำเร็จ ถึง 80%

in classifying the 1.5 million images.

ในการแยกประเภทภาพ 1.5 ล้านภาพนั้น

And at this point, it's just a case

ณ. จุดนี้ เหลือแต่งานที่ต้องหา

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

ภาพจำนวนเล็กน้อย ที่ถูกแบ่งประเภทผิด

and trying to understand why.

และต้องพยายามเข้าใจว่า เป็นเพราะเหตุใด

And using that approach,

และการใช้วิธีดังกล่าวนั้น

by 15 minutes we get to 97 percent classification rates.

เพียง 15 นาที เราก็ได้อัตราการแบ่งถึง 97% ถูกต้อง

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

เทคนิคแบบนี้ จะช่วยแก้ไขปัญหาสำคัญ

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

คือ การขาดผู้เชี่ยวชาญทางการแพทย์ในโลก

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

การประชุมเศรษฐกิจโลก บอกว่า มีการขาดแพทย์

shortage of physicians in the developing world,

อยู่ระหว่าง 10 และ 20 เท่า ในโลกกำลังพัฒนา

and it would take about 300 years

และจะใช้เวลาราว 300 ปี

to train enough people to fix that problem.

เพื่อฝึกคนให้ได้พอ ที่จะแก้ปัญหานั้น

So imagine if we can help enhance their efficiency

คิดดู ถ้าเราช่วยเพิ่มประสิทธิภาพพวกเขาได้

using these deep learning approaches?

โดยใช้วิธีการเรียนรู้ลึกเหล่านี้

So I'm very excited about the opportunities.

ผมจึงตื่นเต้นมาก เกี่ยวกับโอกาสเหล่านี้

I'm also concerned about the problems.

แต่ผมก็ยังห่วงใยในปัญหาที่จะตามมาด้วย

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

ปัญหาตรงนี้คือ ทุกบริเวณสีนํ้าเงินบนแผนที่

is somewhere where services are over 80 percent of employment.

เป็นการจ้างงานแบบบริการถึง 80%

What are services?

แล้วยอาชีพบริการคืออะไร

These are services.

เหล่านี้คืองานบริการ เป็นสิ่งที่

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

ตรงเผงกับสิ่งที่คอมพ์เพิ่งจะเรียนรู้วิธีทำ

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

ดังนั้น 80% ของการจ้างงานในโลกที่พัฒนาแล้ว

is stuff that computers have just learned how to do.

จึงเป็นสิ่งที่คอมพ์ เพิ่งจะเรียนรู้วิธีทำ

What does that mean?

อะไรจะเกิดขึ้น

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

ผลจะโอเค คือจะมีงานอื่น ๆ เกิดขึ้นมาแทน

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

จะมีงานสำหรับนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้น

Well, not really.

แต่...ก็ไม่เชิง

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

พวกเขาไม่ต้องใช้เวลานานนัก ทำงานเหล่านี้

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

เช่น วิธีคอมพ์ 4 วิธีนี้ สร้างได้โดยคนๆเดียว

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

แต่ถ้าคิดว่า ทั้งหมดก็เคยเกิดขึ้นมาก่อนนี่

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

เราได้เห็นผลจากอดีต เมื่อเกิดสิ่งใหม่ๆมา

and they get replaced by new jobs,

คือเกิดงานใหม่ๆ มาแทนงานเก่า

what are these new jobs going to be?

แล้วงานใหม่ๆเหล่านี้ จะเป็นงานอะไร

It's very hard for us to estimate this,

มันยากมากที่เราจะประมาณการณ์เรื่องนี้ได้

because human performance grows at this gradual rate,

เพราะการทำงานของคน โตได้ในอัตราทีละน้อยนี้

but we now have a system, deep learning,

แต่ปัจจุบันเรามีระบบ คือการเรียนรู้ลึก

that we know actually grows in capability exponentially.

ซึ่งจริง ๆ สมรรถภาพโตได้อย่างมากและรวดเร็ว

And we're here.

และตอนนี้เราอยู่ที่จุดนั้นแล้ว

So currently, we see the things around us

ดังนั้น ปัจจุบัน เราจึงเห็นสิ่งรอบๆตัวเรา

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

และก็บอกว่า "คอมพ์ยังคงทึ่ม" ใช่มั๊ยครับ

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

แต่ในเวลา 5 ปี คอมพ์จะออกนอกแผนภูมินี้ไป

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

เราจึงจำเป็นต้องเริ่มคิดถึงสมรรถภาพ ของคอมพ์ เสียแต่เดี๋ยวนี้

We have seen this once before, of course.

เราได้เห็นมาก่อนครั้งหนึ่งแล้ว

In the Industrial Revolution,

ในการปฏิวัติอุตสาหกรรม

we saw a step change in capability thanks to engines.

เห็นการเปลี่ยนไปขั้นหนึ่ง ในเรื่องสมรรถภาพ

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

เครื่องยนต์ แต่ไม่นานก็รักษาระดับได้

There was social disruption,

ถึงมีการแตกแยกทางสังคม

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

แต่เมื่อใช้เครื่องยนต์เพื่อสร้างพลังงาน

things really settled down.

ในทุกสถานการณ์ ความยุ่งยากก็สงบลง

The Machine Learning Revolution

ส่วนการปฏิวัติเพราะการเรียนรู้ของเครื่อง

is going to be very different from the Industrial Revolution,

จะต่างไปจาก การปฏิวัติอุตสาหกรรมอย่างมาก

because the Machine Learning Revolution, it never settles down.

เพราะปฏิวัติการเรียนรู้ของเครื่อง จะไม่

The better computers get at intellectual activities,

ปักหลักกับที่ ยิ่งคอมพ์ทำงานชาญฉลาดขึ้น

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

มันก็ยิ่งสร้างคอมพ์ที่สมรรภภาพฉลาดยิ่งขึ้น

so this is going to be a kind of change

เรื่องนี้ จึงจะเป็นการเปลี่ยนแปลงชนิดที่

that the world has actually never experienced before,

แท้จริงแล้ว โลกไม่เคยประสบมาก่อน ดังนั้น

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

ความเข้าใจก่อนๆในเรื่องที่เป็นไปได้ จึงต่างไป

This is already impacting us.

เรื่องนี้กำลังส่งผลกระทบกับเราแล้ว

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

25 ปีที่ผ่านมา ขณะที่ประสิทธิภาพการลงทุน ได้เพิ่มขึ้น

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

ประสิทธิภาพทางแรงงานกลับราบเรียบ กระทั่งตํ่าลงเล็กน้อย

So I want us to start having this discussion now.

ผมจึงอยากให้เรา มาเริ่มอภิปรายเรื่องนี้กัน

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

ผมรู้ เมื่อผมบอกคนบ่อยๆ เรื่องสถานการณ์นี้

people can be quite dismissive.

ผู้คนก็จะไม่ค่อยยอมรับฟัง

Well, computers can't really think,

จริงอยู่ คอมพ์คิดไม่เป็น

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

คอมพ์ไม่แสดงอารมณ์ มันไม่เข้าใจกวีนิพนธ์

we don't really understand how they work.

จริงๆแล้ว เราไม่เข้าใจว่า มันทำงานอย่างไร

So what?

แล้วยังไงครับ?

Computers right now can do the things

คอมพ์ปัจจุบันนี้ สามารถทำสิ่งที่

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

มีการจ้างมนุษย์ให้ใช้เวลาส่วนมากทำ

so now's the time to start thinking

ขณะนี้ จึงถึงเวลาแล้ว ที่จะเริ่มคิด

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

วิธีที่เราจะปรับโครงสร้างสังคมและเศรษฐกิจ

to be aware of this new reality.

โดยคำนึงถึง ความเป็นจริงใหม่นี้

Thank you.

ขอบคุณครับ

(Applause)

(เสียงปรบมือ)