How we teach computers to understand pictures | Fei Fei Li

Fei-Fei Li: Resimleri anlamaları için bilgisayarları nasıl eğitiyoruz

Çeviri: Ömer Elveren Gözden geçirme: Ramazan Şen

Let me show you something.

Müsadenizle size bazı şeyler göstermek istiyorum.

(Video) Kız: Tamam, burada yatağın üzerinde oturan bir kedi var.

(Video) Girl: Okay, that's a cat sitting in a bed.

Çocuk fili okşuyor.

The boy is petting the elephant.

Those are people that are going on an airplane.

Buradaki insanlar uçağa gidiyorlar.

That's a big airplane.

Bu büyük bir uçak.

Fei-Fei Li: This is a three-year-old child

Fei-Fei Li: Üç yaşında küçük bir kız çocuğu

describing what she sees in a series of photos.

fotoğraflarda ne gördüğünü anlatıyor.

She might still have a lot to learn about this world,

Henüz, dünya hakkında öğrenmesi gereken çok şey var

but she's already an expert at one very important task:

fakat çok önemli bir alanda uzman olmuş bile:

to make sense of what she sees.

gördüklerini anlamlandırma.

Our society is more technologically advanced than ever.

Toplumumuz teknolojik olarak her zamankinden daha fazla ilerlemiş durumda.

We send people to the moon, we make phones that talk to us

İnsanları aya gönderiyoruz, bizimle konuşabilen ya da radyo kanallarını

or customize radio stations that can play only music we like.

sadece sevdiğimiz müzikleri çalması için düzenleyebilen telefonlar yapıyoruz.

Yet, our most advanced machines and computers

En gelişmiş makinelerimiz ve bilgisayarlarımız

still struggle at this task.

hâlâ bu özelliği elde etmeye çalışıyorlar.

So I'm here today to give you a progress report

Bugün, bilgisayar görme yetisi üzerine yapılan ileri düzeydeki

on the latest advances in our research in computer vision,

araştırmalarımızın işleyişi hakkında size bilgi vermek için buradayım.

one of the most frontier and potentially revolutionary

Bilgisayar biliminde, en önde ve devrim niteliğinde

technologies in computer science.

olan teknolojik gelişmelerden biri.

Yes, we have prototyped cars that can drive by themselves,

Evet, kendini sürebilen araçların prototiplerine sahibiz,

but without smart vision, they cannot really tell the difference

fakat akıllı görme yetisine sahip olmadan, üzerinden geçilebilecek buruşmuş bir

between a crumpled paper bag on the road, which can be run over,

kağıt torba ile sakınılması gereken aynı boyuttaki bir kaya

and a rock that size, which should be avoided.

arasındaki farkı söyleyebilmeleri mümkün değil.

We have made fabulous megapixel cameras,

Mükemmel çözünürlükte kameralar yapmamıza rağmen,

but we have not delivered sight to the blind.

görebilmelerini sağlayamamıştık.

Drones can fly over massive land,

İnsansız hava araçları koca bir araziyi uçabilirler,

but don't have enough vision technology

ama yağmur ormanlarındaki değişimleri izlememize yardımcı olabilecek

to help us to track the changes of the rainforests.

düzeyde yeterli bir görüş kabiliyetine sahip değiller.

Security cameras are everywhere,

Güvenlik kameraları her yerde,

but they do not alert us when a child is drowning in a swimming pool.

fakat bir çocuk havuzda boğuluyorken bizi uyaramıyorlar.

Photos and videos are becoming an integral part of global life.

Fotoğraf ve videolar gündelik hayatın bir parçası haline geliyorlar.

They're being generated at a pace that's far beyond what any human,

Herhangi bir insan veya bazı grupların görme umuduyla

or teams of humans, could hope to view,

hızlı bir şekilde çoğalıyorlar,

and you and I are contributing to that at this TED.

buradaki TED konuşmaları ile sizler ve ben de buna katkı sağlıyoruz.

Yet our most advanced software is still struggling at understanding

En iyi yazılımımız hala bu devasa içeriği

anlamaya ve yönetmeye çabalıyor.

and managing this enormous content.

So in other words, collectively as a society,

Başka bir anlamda, toplumun tamamı olarak

we're very much blind,

büyük bir görme kaybına sahibiz

because our smartest machines are still blind.

çünkü en iyi makinelerimiz hala göremiyorlar.

"Why is this so hard?" you may ask.

"Neden bu kadar zor ki bu?" diye soracaksınız.

Cameras can take pictures like this one

Kameralar burada da olduğu gibi fotoğraf çekebilirler,

by converting lights into a two-dimensional array of numbers

ışığın iki boyutlu sayı dizilerine çevrilmiş hali ile,

known as pixels,

ki bunlara pikseller diyoruz.

but these are just lifeless numbers.

Fakat burada sadece ölü sayılar bulunmakta.

They do not carry meaning in themselves.

Kendi içlerinde herhangi bir anlam taşımıyorlar.

Just like to hear is not the same as to listen,

Nasıl ki duymak ile dinlemek aynı anlama gelmiyorsa

to take pictures is not the same as to see,

fotoğraf çekmek ile görmek de aynı şeyi ifade etmiyor.

and by seeing, we really mean understanding.

Görmek derken ciddi manada "anlamayı" kastediyoruz.

In fact, it took Mother Nature 540 million years of hard work

Aslında, bu yetiye sahip olabilmemiz

tabiat ananın 540 milyon yılını aldı.

to do this task,

and much of that effort

Bu çabanın çoğu, beynin görsel

went into developing the visual processing apparatus of our brains,

işleme bölümünün gelişimine gitti

not the eyes themselves.

sadece gözlerin kendisine değil.

So vision begins with the eyes,

Yani görmek gözlerde başlıyor,

but it truly takes place in the brain.

ama asıl olarak beynin bir bölümünde anlam kazanıyor.

So for 15 years now, starting from my Ph.D. at Caltech

15 sene önce, Caltech'deki doktorama başladığımda

and then leading Stanford's Vision Lab,

ve sonra Stanford Görsel Laboratuvarını yönlendirdiğimde

I've been working with my mentors, collaborators and students

mentorlerim, iş ortaklarım ve öğrencilerimle birlikte

to teach computers to see.

bilgisayarlara görmeyi öğretmek için çalışıyorduk.

Our research field is called computer vision and machine learning.

Araştırma alanımız bilgisayar görme yetisi ve makine öğrenimi olarak anılıyordu.

It's part of the general field of artificial intelligence.

Yapay zeka bölümünün genel bir dalı olarak geçiyordu.

So ultimately, we want to teach the machines to see just like we do:

Nihayetinde, makinelere tıpkı bizim gibi görebilmelerini öğretmek istedik,

naming objects, identifying people, inferring 3D geometry of things,

nesnelerin isimlendirilmesi, insanların tanımlanması, 3B geometrileri tahmin

understanding relations, emotions, actions and intentions.

ilişkileri anlama, duygular, olaylar ve şiddet.

You and I weave together entire stories of people, places and things

Şu anda insanların, yerlerin ve eşyaların bütün hikayesini

the moment we lay our gaze on them.

gözler önüne serip beraber dokuyalım.

The first step towards this goal is to teach a computer to see objects,

Bu amaca doğru atılacak ilk adım bilgisayara gördüğü şeyleri öğretmek,

the building block of the visual world.

sanal dünyanın yapı taşı bu.

In its simplest terms, imagine this teaching process

Basit anlamda bu öğretme sürecini bi hayal edin,

as showing the computers some training images

bilgisayara belirli bir nesnenin ya da bir kedinin diyelim

of a particular object, let's say cats,

deneme amaçlı resimlerini göstermek gibi

and designing a model that learns from these training images.

ve bu resimlerden öğrenilmiş bir model tasarlamayı.

How hard can this be?

Bu ne kadar zor olabilir ki?

After all, a cat is just a collection of shapes and colors,

Sonuç olarak, bir kedi sadece şekillerin ve renklerin bir derlemesi

and this is what we did in the early days of object modeling.

ve bu ilk zamanlarda yaptığımız nesne modellemesi.

We'd tell the computer algorithm in a mathematical language

Algoritmasını sayısal bir dille bilgisayara öğretmemiz gerekiyordu

that a cat has a round face, a chubby body,

bu kedi yuvarak bir yüze, dolgun bir vücuda

two pointy ears, and a long tail,

iki noktada kulaklara ve uzun bir kuyruğa sahip

and that looked all fine.

her şey yolunda gibi.

But what about this cat?

Peki, ya bu kedi?

(Laughter)

(Gülüşmeler)

It's all curled up.

Hepsi iç içe.

Now you have to add another shape and viewpoint to the object model.

Bu nesne için için farklı bir şekil ve farklı bir bakış açısı eklemeniz gerek.

But what if cats are hidden?

Peki ya kediler gizlenirse?

What about these silly cats?

Bu absürd kedilere ne demeli?

Now you get my point.

Şimdi ne demek istediğimi anladınız.

Even something as simple as a household pet

Evdeki kedi gibi basit bir şey için bile

can present an infinite number of variations to the object model,

sonsuz çeşitlilikte nesne modellemesi yapmak mümkün

and that's just one object.

ve bu sadece bir nesne.

So about eight years ago,

Yaklaşık sekiz yıl önce,

a very simple and profound observation changed my thinking.

oldukça basit ama yoğun bir gözlem fikrimi değiştirdi.

No one tells a child how to see,

Hiç kimse bir çocuğa nasıl görebileceğini öğretmez,

especially in the early years.

özellikle de erken yaşlarda.

They learn this through real-world experiences and examples.

Gerçek dünya tecrübeleri ve örnekleriyle öğrenirler bunu.

If you consider a child's eyes

Bir çocuğun gözlerini düşünecek olursanız

as a pair of biological cameras,

sanki bir çift biyolojik kameraymış gibi,

they take one picture about every 200 milliseconds,

yaklaşık her 200 milisaniyede bir fotoğraf çekerler,

the average time an eye movement is made.

göz hareketinden oluşmuş ortalama bir zaman dilimi.

So by age three, a child would have seen hundreds of millions of pictures

Yani üç yaşında bir çocuk, gerçek hayatta yüz milyonlarca

of the real world.

fotoğraf görmüş olacak.

That's a lot of training examples.

Bu oldukça fazla deneme örneği.

So instead of focusing solely on better and better algorithms,

Sadece daha iyi algoritmalara odaklanmak yerine,

my insight was to give the algorithms the kind of training data

sezilerim algoritmalara bir tür eğitici veri vermek üzerineydi,

that a child was given through experiences

tıpkı bir çocuğa sayıca ve kalitece

in both quantity and quality.

deneyimleri yoluyla verilmiş gibi.

Once we know this,

Bunu anlayınca,

we knew we needed to collect a data set

bir tür veri havuzuna

that has far more images than we have ever had before,

sahip olduğumuz resimlerden daha fazla, hatta binlerce kat daha fazla

perhaps thousands of times more,

ihtiyacımız olduğunu biliyorduk.

and together with Professor Kai Li at Princeton University,

Princeton Üniversitesinden Prof. Kai Li ile birlikte

we launched the ImageNet project in 2007.

2007 senesinde ImageNet projesini başlattık.

Luckily, we didn't have to mount a camera on our head

Şanslıyız ki başımızın üzerine bir kamera alıp

and wait for many years.

yıllarca beklememize gerek kalmadı.

We went to the Internet,

İnternete başvurduk.

the biggest treasure trove of pictures that humans have ever created.

İnsanların oluşturduğu en büyük resim definesi.

We downloaded nearly a billion images

Yaklaşık bir milyar resim indirdik

and used crowdsourcing technology like the Amazon Mechanical Turk platform

ve crowdsourcing teknolojisini kullandık. Resimleri tanımlamada bize yardımcı olmada

to help us to label these images.

Amazon Mechanical Turk platformu gibi.

At its peak, ImageNet was one of the biggest employers

ImageNet, Amazon Mechanical Turk çalışanlarına işveren en büyük

of the Amazon Mechanical Turk workers:

kurumlardan biri oldu.

together, almost 50,000 workers

Dünya genelinde 167 ülkeden

from 167 countries around the world

neredeyse 50,000 çalışan

helped us to clean, sort and label

yaklaşık bir milyar resmi

eleyip, sınıflandırma ve tanımlamada bize yardımcı oldu.

nearly a billion candidate images.

That was how much effort it took

Bu çaba, erken gelişim dönemindeki

to capture even a fraction of the imagery

bir çocuğun algıladığı görüntülerin sadece belli bir bölümünü

a child's mind takes in in the early developmental years.

elde edebilmemiz içindi.

In hindsight, this idea of using big data

Nihayet, bilgisayar algoritmalarını eğitmek için

to train computer algorithms may seem obvious now,

big datanın kullanılması fikri şu anda mümkün hale geldi,

but back in 2007, it was not so obvious.

fakat 2007 senesine dönersek, bu mümkün değildi.

We were fairly alone on this journey for quite a while.

Bu yolculukta uzun bir süre tam anlamıyla kendi başımızaydık.

Some very friendly colleagues advised me to do something more useful for my tenure,

Samimi bazı arkadaşlarım kadrom için daha kullanışlı şeyler yapmamı tavsiye ettiler,

and we were constantly struggling for research funding.

ve aynı zamanda araştırma fonu oluşturmak için durmaksızın çabalıyorduk.

Once, I even joked to my graduate students

Hatta, master öğrencilerime ImageNet fonu

that I would just reopen my dry cleaner's shop to fund ImageNet.

için kuru temizleme mağazamı tekrar açma konusunda şaka yapıyordum.

After all, that's how I funded my college years.

Üniversite yıllarımda bu şekilde geçiniyordum.

So we carried on.

Sonra devam ettik.

In 2009, the ImageNet project delivered

2009 senesinde, ImageNet projesi

a database of 15 million images

her gün ingilizce kelimelerle 22,000

across 22,000 classes of objects and things

nesne ve eşya sınıfı ile

organized by everyday English words.

15 milyonluk bir resim veritabanına ulaştı.

In both quantity and quality,

Sayı ve kalite olarak,

this was an unprecedented scale.

emsalsiz bir ölçekti bu.

As an example, in the case of cats,

Örneğin, kedi kategorisinde,

we have more than 62,000 cats

görünüş ve poz

of all kinds of looks and poses

ile evcil ve yaban türlerinin tümüyle

and across all species of domestic and wild cats.

62 binden fazla kedi bulunmakta.

We were thrilled to have put together ImageNet,

Bunları ImageNet olarak toparladığımızdan heyecanlıydık

and we wanted the whole research world to benefit from it,

ve sonra bütün dünya araştırmalarında bunlardan faydalanılsın istedik,

so in the TED fashion, we opened up the entire data set

bu yüzden TED fashion'da bütün veri havuzumuzu

to the worldwide research community for free.

global araştırma topluluklarına ücretsiz bir şekilde açtık.

(Applause)

(Alkış)

Now that we have the data to nourish our computer brain,

Artık, bilgisayarımızın beynini besleyecek veriye sahibiz,

we're ready to come back to the algorithms themselves.

algoritmaların kendilerine dönecek kadar da hazırız.

As it turned out, the wealth of information provided by ImageNet

ImageNet projesinin sağladığı bilgi zenginliği, sonunda

was a perfect match to a particular class of machine learning algorithms

"evrişimli sinirsel ağ" olarak ifade edilen makine öğrenme algoritmalarının

called convolutional neural network,

özel bir sınıfıyla mükemmel bir şekilde eşleşmişti,

pioneered by Kunihiko Fukushima, Geoff Hinton, and Yann LeCun

öncülüğünü Kunihiko Fukushima, Geoff Hinton ve Yann LeCun'un yaptığı

back in the 1970s and '80s.

1970 ve 80'lerin öncesindeki bir alan.

Just like the brain consists of billions of highly connected neurons,

Beyinde meydana gelen milyarlarca yüksek bağlantılı sinirler gibi,

a basic operating unit in a neural network

sinir ağının basit bir çalışma birimine

is a neuron-like node.

"nöron benzeri" düğümü deniyor.

It takes input from other nodes

Başka düğümlerden girdi alıyorlar

and sends output to others.

ve diğer düğümlere gönderiyorlar.

Moreover, these hundreds of thousands or even millions of nodes

Dahası, bu yüzbinlerce hatta milyonlarca düğüm

are organized in hierarchical layers,

hiyerarşik tabakalarla düzenleniyorlar

also similar to the brain.

tıpkı beyin gibi.

In a typical neural network we use to train our object recognition model,

Normal bir sinir ağında nesne tanıma modelimizi eğitmek için,

it has 24 million nodes,

24 milyon düğüm,

140 million parameters,

140 milyon değişken,

and 15 billion connections.

ve 15 milyar bağlantı kullandık.

That's an enormous model.

Bu muazzam bir modeldi.

Powered by the massive data from ImageNet

ImageNet'den elde edilen büyük veri ile

and the modern CPUs and GPUs to train such a humongous model,

oldukça muazzam bir modeli eğitmek için kullanılan modern CPU ve GPU'lar sayesinde

the convolutional neural network

evrişimli sinirsel ağ

blossomed in a way that no one expected.

hiçbirimizin hayal edemeyeceği bir şekilde gelişti.

It became the winning architecture

Nesne tanımlamada etkileyeci yeni sonuçlar üretmek için

to generate exciting new results in object recognition.

başarılı bir mimari olmaya başladı.

This is a computer telling us

Bu bilgisayarın bize söylediği,

this picture contains a cat

bu fotoğrafta bir kedinin olduğu

and where the cat is.

ve kedinin nerede olduğu.

Of course there are more things than cats,

Elbette orada kedilerden daha fazlası var,

so here's a computer algorithm telling us

burada ise bilgisayar algoritmasının bize söylediği

the picture contains a boy and a teddy bear;

resimde bir çocuk ile oyuncak bir ayının;

a dog, a person, and a small kite in the background;

bir köpeğin, bir kişinin ve arkaplanda küçük bir uçurtmanın;

or a picture of very busy things

ya da çok karışık bir resimin

like a man, a skateboard, railings, a lampost, and so on.

bir adam, bir kaykay, korkuluklar, lamba direği v.b. gibi şeyler olduğu.

Sometimes, when the computer is not so confident about what it sees,

Bazen, bilgisayar ne gördüğü hakkında emin olamayınca

we have taught it to be smart enough

çok fazla düşünmek yerine yeterince

to give us a safe answer instead of committing too much,

mantıklı bir cevap vermesini öğrettik,

just like we would do,

tıpkı bizim yapacağımız gibi

but other times our computer algorithm is remarkable at telling us

fakat başka zamanlarda bilgisayar algoritmamız bize dikkate değer şeyler

what exactly the objects are,

tam olarak nesnelerin ne olduğunu

like the make, model, year of the cars.

marka, model ve üretim yılı gibi şeyleri söylüyor.

We applied this algorithm to millions of Google Street View images

Bu algoritmayı Google Sokak Görüntüleme ile yüzlerce Amerika şehrinden

across hundreds of American cities,

alınmış resimlere uyguladık

and we have learned something really interesting:

ve gerçekten ilginç şeyler öğrendik:

first, it confirmed our common wisdom

öncelikle, hepimizin bildiği gibi araç

that car prices correlate very well

fiyatlarının aile gelir düzeyiyle

with household incomes.

doğrudan ilişkili olduğunu teyit etti

But surprisingly, car prices also correlate well

fakat ilginçtir ki, araç fiyatları aynı zamanda

with crime rates in cities,

şehirdeki suç oranları

or voting patterns by zip codes.

ya da posta kodlarından oy verme alanları ile de bağlantılı.

So wait a minute. Is that it?

Peki biraz düşünün, bu oldu mu?

Has the computer already matched or even surpassed human capabilities?

Bilgisayar henüz insan kabiliyetlerine erişebildi mi hatta daha üstün geldi mi ?

Not so fast.

Hayır, o kadar hızlı değil.

So far, we have just taught the computer to see objects.

Şu ana dek, sadece bilgisayara nesneleri görmesini öğrettik.

This is like a small child learning to utter a few nouns.

Bu küçük bir çocuğun bir kaç kelime söylemesini öğrenmesi gibi bir sey.

It's an incredible accomplishment,

İnanılmaz bir başarıdır bu,

but it's only the first step.

fakat bu sadece ilk adımdır.

Soon, another developmental milestone will be hit,

Sonrasında, başka bir gelişimsel dönüm noktası açığa çıkar,

and children begin to communicate in sentences.

ve çocuk cümlelerle iletişim kurmaya başlar.

So instead of saying this is a cat in the picture,

Yani, "bu resimdeki bir kedidir" demek yerine

you already heard the little girl telling us this is a cat lying on a bed.

dinlediğiniz gibi küçük kız bize "bu yatağın üzerinde uzanan bir kedidir" diyor

So to teach a computer to see a picture and generate sentences,

Bilgisayarı resimleri görmek ve cümle kurmak için eğitmek,

the marriage between big data and machine learning algorithm

big data ile makine öğrenim algoritmasının beraberliği için

has to take another step.

bir adım daha atılmalı.

Now, the computer has to learn from both pictures

Şimdilik, bilgisayarın her resimden

as well as natural language sentences

insanlar tarafından oluşturulmuş kadar

generated by humans.

iyi cümleler öğrenmesi gerek.

Just like the brain integrates vision and language,

Beynin görsellik ve dili bütünleştirdiği gibi,

we developed a model that connects parts of visual things

biz de ufak görsel parçacıklar gibi görsel şeylerle

like visual snippets

cümlelerdeki kelime ve ifadeleri

with words and phrases in sentences.

birleştirecek bir model geliştirdik.

About four months ago,

Yaklaşık dört ay önce,

we finally tied all this together

sonunda bütün bunları bağladık

and produced one of the first computer vision models

ve bir fotoğrafı ilk kez gördüğünde

that is capable of generating a human-like sentence

bir insan gibi cümle kurabilme yeteneğine sahip

when it sees a picture for the first time.

ilk bilgisayar görme modelinden bir tane yaptık.

Now, I'm ready to show you what the computer says

Şu anda, bilgisayarın konuşmamızın başında

when it sees the picture

küçük kızın gördüğü resimleri gördüğünde

that the little girl saw at the beginning of this talk.

neler söylediğini size göstermeye hazırım.

(Video) Computer: A man is standing next to an elephant.

(Video) Bilgisayar: Bir adam filin yanında duruyor.

A large airplane sitting on top of an airport runway.

Geniş bir uçak, uçak pistinin üstünde oturuyor.

FFL: Of course, we're still working hard to improve our algorithms,

FFL: Tabii, hala sıkı bir şekilde algoritmamızı geliştirmek için çalışıyoruz

and it still has a lot to learn.

ve henüz öğreneceği çok sey var.

(Applause)

(Alkış)

And the computer still makes mistakes.

Bilgisayar henüz hatalar yapmakta.

(Video) Computer: A cat lying on a bed in a blanket.

Bilgisayar: Bir kedi battaniyenin içinde yatakta uzanıyor.

FFL: So of course, when it sees too many cats,

FFL: Tabii, oldukça fazla kedi gördüğünden

it thinks everything might look like a cat.

herşeyin kediye benzeyebileceğini düşünüyor.

(Video) Computer: A young boy is holding a baseball bat.

Bilgisayar: Genç erkek bir beysbol sopasını tutuyor.

(Laughter)

(Gülüşmeler)

FFL: Or, if it hasn't seen a toothbrush, it confuses it with a baseball bat.

FFL: Ya da, henüz bir diş fırçası görmemişse, beysbol sopasıyla karıştırıyor

(Video) Computer: A man riding a horse down a street next to a building.

Bilgisayar: Bir adam binanın kenarından atını sokak aşağı sürüyor.

(Laughter)

(Gülüşmeler)

FFL: We haven't taught Art 101 to the computers.

FFL: Henüz bilgisayarlara Sanat 101 dersini öğretmedik.

(Video) Computer: A zebra standing in a field of grass.

Bilgisayar: Bir zebra otlukların içinde duruyor.

FFL: And it hasn't learned to appreciate the stunning beauty of nature

FFL: Ve henüz doğanın büyüleci güzelliğini

like you and I do.

takdir etmeyi bizim gibi öğrenmedi.

So it has been a long journey.

Uzun bir yolculuktu.

To get from age zero to three was hard.

Sıfırdan üç yaşına getirmek oldukça zordu.

The real challenge is to go from three to 13 and far beyond.

Asıl zor olan üç yaşından on üç yaş ve daha ötesine götürebilmek.

Let me remind you with this picture of the boy and the cake again.

Size bu resmi tekrar hatırlatmak istiyorum, çocuk ve kekin olduğu.

So far, we have taught the computer to see objects

Şu ana dek, bilgisayara nesneleri görebilmesini

or even tell us a simple story when seeing a picture.

hatta gördüğü resimden küçük bir hikaye anlatmasını bile öğrettik.

(Video) Computer: A person sitting at a table with a cake.

Bilgisayar: Biri yaş pastanın olduğu masada oturuyor.

FFL: But there's so much more to this picture

FFL: Fakat bu resimde sadece bir kişi ve pastadan

than just a person and a cake.

daha fazlası var.

What the computer doesn't see is that this is a special Italian cake

Bilgisayarın göremediği şey, onun sadece Paskalya süresince

that's only served during Easter time.

servis edilen özel bir İtalyan pastası olduğu.

The boy is wearing his favorite t-shirt

Çocuk, babası tarafından Sidney gezisinden sonra kendisine hediye edilen

given to him as a gift by his father after a trip to Sydney,

en sevdiği tişörtünü giyiyor,

and you and I can all tell how happy he is

hepimiz onun nasıl mutlu olduğunu

and what's exactly on his mind at that moment.

ve şu anda kafasından geçenleri söyleyebiliriz.

This is my son Leo.

Bu benim oğlum Leo.

On my quest for visual intelligence,

Görsel zeka araştırmalarımda,

I think of Leo constantly

durmaksızın Leo'yu

and the future world he will live in.

ve içinde yaşayacağı geleceği düşünüyorum.

When machines can see,

Makineler görebildiğinde,

doctors and nurses will have extra pairs of tireless eyes

doktor ve hemşireler, tanı koymak ve hastalarla ilgilenmek için

to help them to diagnose and take care of patients.

ek olarak yorulmayan göz çiftlerine sahip olacaklar.

Cars will run smarter and safer on the road.

Arabalar yollarda daha güvenli daha akıllı bir şekilde gidecek.

Robots, not just humans,

Robotlar, sadece insanlar değil,

will help us to brave the disaster zones to save the trapped and wounded.

enkaz bölgelerinde tutsak ve yaralıları kurtarmada bizimle göğüs gerecekler.

We will discover new species, better materials,

Yeni tür, daha iyi malzemeler bulacak

and explore unseen frontiers with the help of the machines.

ve makinelerin yardımıyla, görünmeyen sınırları keşfedeceğiz.

Little by little, we're giving sight to the machines.

Azar azar, makinelere görme yetisini veriyoruz.

First, we teach them to see.

Önce, biz onlara görmeyi öğretiyoruz.

Then, they help us to see better.

Sonra, onlar daha iyi görebilmemiz için bize yardım ediyor.

For the first time, human eyes won't be the only ones

Öncelikle, dünyamızı keşfetmek ve düşünmek için gözlerimiz

pondering and exploring our world.

sadece insan gözleri olmayacak.

We will not only use the machines for their intelligence,

Makineleri sadece zekaları için kullanmıyor,

we will also collaborate with them in ways that we cannot even imagine.

aynı zamanda hayal bile edemeyeceğimiz bir şekilde onlarla iş birliği yapıyoruz.

This is my quest:

Benim araştırmam bu:

to give computers visual intelligence

bilgisayarlara görsel zekayı vermek

and to create a better future for Leo and for the world.

ve Leo için, dünya için daha iyi bir gelecek oluşturmak.

Thank you.

Teşekkürler.

(Applause)

(Alkış)