What AI is -- and isn't | Sebastian Thrun and Chris Anderson

Çeviri: Ramazan Şen Gözden geçirme: Figen Ergürbüz

Chris Anderson: Help us understand what machine learning is,

Chris Anderson: Makine öğrenimini anlamamıza yardımcı ol

because that seems to be the key driver

çünkü yapay zekâ etrafında dönüp duran

of so much of the excitement and also of the concern

heyecanın ve ilginin çoğunun

temel etkeni bu gibi gözüküyor.

around artificial intelligence.

Makine öğrenimi nasıl çalışır?

How does machine learning work?

Sebastian Thrun: So, artificial intelligence and machine learning

Sebastian Thrun: Yapay zekâ ve makine öğrenimi, ortalama

is about 60 years old

60 yıllık şeyler

and has not had a great day in its past until recently.

ve yakın zamana kadar, geçmişte güzel günler geçirmediler.

And the reason is that today,

Bunun nedeni günümüzde

we have reached a scale of computing and datasets

makineleri zeki hale getirmek için gerekli olan hesaplama ve

that was necessary to make machines smart.

veri seti ölçeğine ulaşmış olmamız.

So here's how it works.

İşler şu şekilde yürüyor.

If you program a computer today, say, your phone,

Bugün diyelim ki telefonunuzu programlayacak olsanız,

then you hire software engineers

yazılım mühendislerini işe alırsınız

that write a very, very long kitchen recipe,

ve onlar da şunun gibi çok uzun bir tarif yazmaya başlarlar:

like, "If the water is too hot, turn down the temperature.

"Eğer su çok sıcaksa, ısıyı düşür.

If it's too cold, turn up the temperature."

Eğer çok soğuksa, ısıyı yükselt."

The recipes are not just 10 lines long.

Bu tarifler 10 satır uzunluğunda değildir.

They are millions of lines long.

Milyonlarca satır uzunluğundadır.

A modern cell phone has 12 million lines of code.

Modern bir cep telefonunun 12 milyon kod satırı vardır.

A browser has five million lines of code.

İnternet tarayıcısında beş milyon satır kod var.

And each bug in this recipe can cause your computer to crash.

Ve bu tarifteki her bir hata bilgisayarın çökmesine neden olabilir.

That's why a software engineer makes so much money.

O yüzden bir yazılım mühendisi çok para kazanır.

The new thing now is that computers can find their own rules.

Yeni olan şey bilgisayarların kendi kurallarını bulabiliyor olması.

So instead of an expert deciphering, step by step,

Yani bir uzmanın adım adım şifre çözmesi,

a rule for every contingency,

her olasılık için bir kural koyması yerine,

what you do now is you give the computer examples

artık bilgisayara örnekler veriyorsunuz

and have it infer its own rules.

ve o da kendi kurallarını çıkartıyor.

A really good example is AlphaGo, which recently was won by Google.

Yakın zamanda Google'nin kazandığı AlphaGo çok iyi bir örnek.

Normally, in game playing, you would really write down all the rules,

Normalde, oyun oynamada, tüm kuralları oturup yazardınız

but in AlphaGo's case,

ama AlphaGo konusunda,

the system looked over a million games

sistem bir milyon oyunu inceledi

and was able to infer its own rules

ve kendi kurallarını üreterek

and then beat the world's residing Go champion.

Go dünya şampiyonunu yendi.

That is exciting, because it relieves the software engineer

Bu heyecan verici bir şey çünkü böylece yazılım mühendisi

of the need of being super smart,

çok zeki olması gerektiği düşünmüyor

and pushes the burden towards the data.

ve yükü veriye yüklüyor.

As I said, the inflection point where this has become really possible --

Dediğim gibi, bunun mümkün olduğu bükülme noktası --

very embarrassing, my thesis was about machine learning.

çok utanç verici, tezim makine öğrenimi hakkındaydı.

It was completely insignificant, don't read it,

Ehemmiyetsiz bir şey, okumayın

çünkü bu 20 yıl önceydi

because it was 20 years ago

ve o zamanlar, bilgisayarlar hamamböceği beyni kadar büyüktü.

and back then, the computers were as big as a cockroach brain.

Şimdi ise bir tür özelleştirilmiş insan düşüncesini

Now they are powerful enough to really emulate

kind of specialized human thinking.

taklit edecek kadar güçlüler.

And then the computers take advantage of the fact

Ve bilgisayarlar insanlardan çok daha fazla veriye

that they can look at much more data than people can.

bakabiliyor olmalarından yararlanıyorlar.

So I'd say AlphaGo looked at more than a million games.

AlphaGo'nun bir milyondan fazla oyunu incelediğini söyleyeyim.

No human expert can ever study a million games.

Hiçbir uzman bir milyon oyuna çalışamaz.

Google has looked at over a hundred billion web pages.

Google bir milyardan fazla web sayfasını inceledi.

No person can ever study a hundred billion web pages.

Hiçbir insan bir milyar web sayfasını inceleyemez.

So as a result, the computer can find rules

Sonuç olarak, bilgisayarlar insanların bile bulamayacağı

that even people can't find.

kuralları bulabilirler.

CA: So instead of looking ahead to, "If he does that, I will do that,"

CA: Yani "O şunu yaparsa, ben de şöyle yapacağım." yerine

it's more saying, "Here is what looks like a winning pattern,

daha çok: "İşte bu işe yarar bir hamleye benziyor."

here is what looks like a winning pattern."

gibi bir inceleme yapıyor.

ST: Yeah. I mean, think about how you raise children.

ST: Yani, çocukları nasıl yetiştirdiğinizi düşünün.

İlk 18 yıl, çocuğa her olasılık için bir kural vererek özgür bırakayım da

You don't spend the first 18 years giving kids a rule for every contingency

and set them free and they have this big program.

o da bu büyük programla yaşasın demezsiniz.

Tökezlerler, düşerler, kalkarlar, yanağa veya popoya şaplak yerler

They stumble, fall, get up, they get slapped or spanked,

and they have a positive experience, a good grade in school,

ve olumlu bir deneyim yaşar, okulda iyi notlar alır

and they figure it out on their own.

ve olayları kendileri hallederler.

That's happening with computers now,

Şimdi bilgisayarlarla da olan bu.

which makes computer programming so much easier all of a sudden.

Böylece bilgisayar programlama birden çok daha kolay bir hâl aldı.

Now we don't have to think anymore. We just give them lots of data.

Artık düşünmemiz gerekmiyor. Sadece onlara yığınla veri veriyoruz.

CA: And so, this has been key to the spectacular improvement

CA: Ve bu, sürücüsüz araçların gücündeki olağanüstü gelişimde

in power of self-driving cars.

kilit rol oynuyor.

I think you gave me an example.

Bana bir örnek vermiştin.

Can you explain what's happening here?

Burada ne olduğunu açıklayabilir misin?

ST: This is a drive of a self-driving car

ST: Bu, Udacity'de gerçekleşen

that we happened to have at Udacity

sürücüsüz aracın sürüşü ve yakın zamanda

and recently made into a spin-off called Voyage.

Voyage adında bir alt şirkete dönüştü.

We have used this thing called deep learning

Derin öğrenme denen şeyi bir aracın sürüşünü

to train a car to drive itself,

geliştirmesi için kullandık.

and this is driving from Mountain View, California,

Bu araç yağmurlu bir günde, Mountain View, Kaliforniya'dan çıkarak

to San Francisco

on El Camino Real on a rainy day,

El Camino Real yolu üzerinden

San Francisco'ya gidiyor.

with bicyclists and pedestrians and 133 traffic lights.

Yolda bisikletli, yaya ve 133 trafik lambası bulunuyor.

And the novel thing here is,

Ve burada ilginç olan şey,

many, many moons ago, I started the Google self-driving car team.

çok uzun zaman önce, Google sürücüsüz araç takımını kurdum.

And back in the day, I hired the world's best software engineers

Ve o zaman, dünyanın en iyi kurallarını bulmak için

dünyanın en iyi yazılım mühendislerini işe aldım.

to find the world's best rules.

This is just trained.

Bu eğitimli bir araç.

We drive this road 20 times,

Bu yolu 20 kez turladık,

we put all this data into the computer brain,

tüm veriyi bilgisayarın beynine koyduk

and after a few hours of processing,

ve birkaç saatlik işlemden sonra

it comes up with behavior that often surpasses human agility.

çoğu zaman insan kıvraklığını aşan davranışlar ortaya koydu.

So it's become really easy to program it.

Onu programlamak çok kolay oldu.

This is 100 percent autonomous, about 33 miles, an hour and a half.

Yüzde 100 otonom olarak yaklaşık 50 kilometre, bir buçuk saat yol aldı.

CA: So, explain it -- on the big part of this program on the left,

CA: Açıklar mısın, soldaki bu programın büyük kısmında

you're seeing basically what the computer sees as trucks and cars

bilgisayar kamyon ve arabalar yerine

and those dots overtaking it and so forth.

bu noktaların onu solladığını görüyor.

ST: On the right side, you see the camera image, which is the main input here,

ST: Sağ tarafta, ana bilgi olan kamera görüntüsünü görüyorsunuz

ve bunu şeritleri, diğer araçları, trafik ışıklarını bulmada kullanılıyor.

and it's used to find lanes, other cars, traffic lights.

The vehicle has a radar to do distance estimation.

Araçta uzaklık tahmini için bir radar bulunuyor.

This is very commonly used in these kind of systems.

Bu tür sistemlerde çok sık kullanılıyor.

On the left side you see a laser diagram,

Sol tarafta lazer grafiği görüyorsunuz,

where you see obstacles like trees and so on depicted by the laser.

orada ise lazerin tarif ettiği ağaç gibi engelleri görüyorsunuz.

But almost all the interesting work is centering on the camera image now.

Fakat çoğu ilginç iş kamera görüntüsünde toplanıyor.

We're really shifting over from precision sensors like radars and lasers

Radar ve lazer gibi hassas algılayıcılardan

çok ucuz, normal algılayıcılara geçiş yapıyoruz.

into very cheap, commoditized sensors.

Bir kameranın maliyeti sekiz dolardan daha az.

A camera costs less than eight dollars.

CA: And that green dot on the left thing, what is that?

CA: Ve soldaki o yeşil nokta nedir?

Is that anything meaningful?

Anlamlı bir şey mi?

ST: This is a look-ahead point for your adaptive cruise control,

ST: Bu, uyarlanabilir seyir kontrolünüz için bir ileri bakış noktasıdır

so it helps us understand how to regulate velocity

ve önünüzdeki arabaların ne kadar uzakta olduğuna bağlı olarak

based on how far the cars in front of you are.

hızı ayarlamamıza yardımcı olur.

CA: And so, you've also got an example, I think,

CA: Öğrenme kısmının nasıl olduğu ile alakalı da

of how the actual learning part takes place.

bir örneğin vardır diye düşünüyorum.

Belki bunu da görebiliriz. Bundan bahset.

Maybe we can see that. Talk about this.

ST: This is an example where we posed a challenge to Udacity students

ST: Bu, Udacity'nin Nanodegree sürücüsüz araç programında

to take what we call a self-driving car Nanodegree.

öğrencileri zorlamak için yaptığımız bir örnek.

We gave them this dataset

Onlara veri setini verdik ve:

and said "Hey, can you guys figure out how to steer this car?"

"Hey, bu arabayı nasıl idare edeceğinizi bulabilir misiniz?" dedik.

And if you look at the images,

Görüntüye bakacak olursanız,

it's, even for humans, quite impossible to get the steering right.

insanlar için bile direksiyon hâkimiyetini halletmek oldukça imkânsız.

And we ran a competition and said, "It's a deep learning competition,

Bir yarışma düzenledik ve

"Bu bir derin öğrenme yarışması, Yapay Zekâ yarışması." dedik

AI competition,"

and we gave the students 48 hours.

ve öğrencilere 48 saat verdik.

So if you are a software house like Google or Facebook,

Eğer Google ve Facebook gibi bir yazılım evi iseniz,

something like this costs you at least six months of work.

bunun gibi bir şey en azından altı haftalık bir iş demektir.

So we figured 48 hours is great.

Bu nedenle 48 saatin harika olduğunu düşündük.

And within 48 hours, we got about 100 submissions from students,

Ve 48 saat içinde, öğrencilerden yaklaşık 100 bildirim aldık

and the top four got it perfectly right.

ve en iyi dört bunu mükemmel şekilde halletti.

It drives better than I could drive on this imagery,

Bu araç, derin öğrenmeyi kullanarak benim gidebileceğimden

using deep learning.

daha iyi gidiyor.

And again, it's the same methodology.

Ve tekrar ediyorum, bu aynı yöntem.

It's this magical thing.

Bu büyülü bir şey.

When you give enough data to a computer now,

Artık bir bilgisayara yeterli veri

and give enough time to comprehend the data,

ve veriyi kavraması için yeterli süre verirseniz

it finds its own rules.

kendi kurallarını bulur.

CA: And so that has led to the development of powerful applications

CA: Ve bu tüm alanlarda güçlü uygulamaların

in all sorts of areas.

gelişmesine neden oldu.

You were talking to me the other day about cancer.

Geçen gün benimle kanser hakkında konuşuyordun.

Can I show this video?

Videoyu gösterebilir miyim?

ST: Yeah, absolutely, please. CA: This is cool.

ST: Evet, lütfen. CA: Harika.

ST: This is kind of an insight into what's happening

ST: Tamamen farklı bir alanda neler olduğunu göstermesi açısından

in a completely different domain.

güzel bir örnek.

This is augmenting, or competing --

Bunun güçlendirdiği veya rekabet ettiği kişiler

it's in the eye of the beholder --

- nasıl ifade etmek isterseniz -

with people who are being paid 400,000 dollars a year,

yılda 400 bin dolar ödenen insanlar olan

dermatologists,

cildiye uzmanları,

highly trained specialists.

yüksek eğitimli uzmanlar.

It takes more than a decade of training to be a good dermatologist.

İyi bir cildiye uzmanı olmak için 10 yıldan fazla deneyim gerekir.

What you see here is the machine learning version of it.

Burada gördüğünüz şey bunun makine öğrenimi versiyonu.

It's called a neural network.

Buna sinir ağı deniyor.

Sinir ağları makine öğrenimi algoritmaları için kullanılan teknik terimdir.

"Neural networks" is the technical term for these machine learning algorithms.

They've been around since the 1980s.

1980'lerden beri varlar.

This one was invented in 1988 by a Facebook Fellow called Yann LeCun,

Bu, 1988'de Facebook kurucularından olan Yann LeCun tarafından bulundu

and it propagates data stages

ve bunun yaptığı şey insan beyni olarak düşünebileceğiniz şey aracılığıyla

through what you could think of as the human brain.

veri aşamalarını üretmektir.

It's not quite the same thing, but it emulates the same thing.

Pek aynı şey sayılmaz ama aynı şeyi taklit eder.

It goes stage after stage.

Aşama aşama ilerler.

In the very first stage, it takes the visual input and extracts edges

İlk aşamada, görsel girdiyi alır ve kenarları,

and rods and dots.

çizgi ve noktaları çıkarır.

And the next one becomes more complicated edges

Ve bir sonraki küçük yarımay gibi

and shapes like little half-moons.

daha karmaşık kenarlar ve şekillerdir.

And eventually, it's able to build really complicated concepts.

Ve sonuç olarak çok karmaşık kavramlar inşa edebilir.

Andrew Ng has been able to show

Andrew Ng bunun

that it's able to find cat faces and dog faces

çok büyük miktardaki resimlerden kedi ve köpek yüzlerini

in vast amounts of images.

bulabildiğini gösterebildi.

What my student team at Stanford has shown is that

Stanford'daki öğrenci takımım,

if you train it on 129,000 images of skin conditions,

tümör ve ur içeren 129 bin resimle

including melanoma and carcinomas,

sistemi eğittiğinizde

you can do as good a job

en iyi cildiye uzmanları kadar

as the best human dermatologists.

iyi bir iş çıkarabileceğinizi gösterdi.

And to convince ourselves that this is the case,

Durumun böyle olduğuna kendimizi ikna etmek için

we captured an independent dataset that we presented to our network

ağımıza ve 25 kurul sertifikalı, Stanford düzeyinde

and to 25 board-certified Stanford-level dermatologists,

cildiye uzmanına sunduğumuz bağımsız bir veri kümesi topladık

and compared those.

ve onları karşılaştırdık.

And in most cases,

Ve çoğu durumda,

they were either on par or above the performance classification accuracy

insan cildiye uzmanlarıyla ya eşit ya da daha üstün

sınıflandırma doğruluğu gösterdiler.

of human dermatologists.

CA: You were telling me an anecdote.

CA: Bana bir olay anlatıyordun.

I think about this image right here.

Sanırım bu resimle ilgiliydi.

What happened here?

Orada ne oldu?

ST: This was last Thursday. That's a moving piece.

ST: Bu geçen Perşembeydi. Dokunaklı bir olay.

What we've shown before and we published in "Nature" earlier this year

Burada gösterdiğimiz ve "Nature" dergisinde yayınladığımız şeylerdeki fikir

was this idea that we show dermatologists images

cildiye uzmanlarına ve bilgisayarımıza

resimler göstermek

and our computer program images,

and count how often they're right.

ve ne kadar doğru yaprıklarını saymaktı.

But all these images are past images.

Fakat tüm bu resimler eski resimler.

They've all been biopsied to make sure we had the correct classification.

Doğru sınıflandırma yaptığımızdan emin olmak için hepsine biyopsi yapıldı.

This one wasn't.

Buna yapılmadı.

This one was actually done at Stanford by one of our collaborators.

Bu aslında Stanford'daki iş arkadaşımız tarafından yapıldı.

The story goes that our collaborator,

Anlatılana göre,

dünya çapında ünlü, en iyi üç kişiden biri olan cildiye uzmanı arkadaşımız

who is a world-famous dermatologist, one of the three best, apparently,

looked at this mole and said, "This is not skin cancer."

bu lekeye bakmış ve "Bu cilt kanseri değil." demiş.

And then he had a second moment, where he said,

Ve sonra tekrar düşünmüş ve

"Bir de uygulama ile kontrol edelim." demiş.

"Well, let me just check with the app."

Telefonunu çıkarmış, tabiri caizse

So he took out his iPhone and ran our piece of software,

our "pocket dermatologist," so to speak,

bizim "cep cildiye uzmanı"mızı açmış

and the iPhone said: cancer.

ve telefon kanser demiş.

It said melanoma.

Tümör olduğunu söylemiş.

And then he was confused.

Doktorun kafası karışmış.

And he decided, "OK, maybe I trust the iPhone a little bit more than myself,"

"Pekâlâ, belki de telefona kendimden fazla güveniyorum." demiş

and he sent it out to the lab to get it biopsied.

ve örneği biyopsi için laboratuvara göndermiş.

And it came up as an aggressive melanoma.

Ve sonuç kötü huylu tümör çıkmış.

So I think this might be the first time that we actually found,

Bence derin öğrenmeyi

in the practice of using deep learning,

sahada uygulayarak ilk defa,

an actual person whose melanoma would have gone unclassified,

derin öğrenme olmasaydı tümörü tespit edilememiş olacak

had it not been for deep learning.

gerçek bir kişi bulmuş olduk.

CA: I mean, that's incredible.

CA: Bu inanılmaz bir şey.

(Applause)

(Alkışlar)

It feels like there'd be an instant demand for an app like this right now,

Şu anda bunun gibi bir uygulama için anlık bir talep olabilir gibi geliyor,

that you might freak out a lot of people.

birçok insanı korkutabilirsiniz.

Are you thinking of doing this, making an app that allows self-checking?

Otomatik kontrol sağlayacak bir uygulama yapmayı düşünüyor musunuz?

ST: E-posta kutum kanser uygulamalarıyla dolup taşıyor,

ST: So my in-box is flooded about cancer apps,

with heartbreaking stories of people.

çok üzücü hikâyeler var.

I mean, some people have had 10, 15, 20 melanomas removed,

Yani, kimisinin 10, 15, 20 tümörü alınmış

and are scared that one might be overlooked, like this one,

ve bunun gibi, gözden kaçmasından korkuyorlar

and also, about, I don't know,

ve bundan başka

uçan arabalar ve bugünlerde konuşmacı araştırmaları var.

flying cars and speaker inquiries these days, I guess.

My take is, we need more testing.

Bana göre daha çok teste ihtiyacımız var.

I want to be very careful.

Çok dikkatli olmak istiyorum.

It's very easy to give a flashy result and impress a TED audience.

Göz alıcı sonuçlar verip TED izleyicisini etkilemek çok kolaydır.

It's much harder to put something out that's ethical.

Etik olan bir şey ortaya koymak çok daha zordur.

And if people were to use the app

Ve eğer insanlar

bu uygulamayı kullansa ve yanlış yaptıklarını düşünerek

and choose not to consult the assistance of a doctor

because we get it wrong,

bir doktora danışmamayı seçerse

I would feel really bad about it.

kendimi çok kötü hissederim.

So we're currently doing clinical tests,

Şu anda, klinik testler yapıyoruz

and if these clinical tests commence and our data holds up,

ve eğer bu klinik testler başlar ve verilerimiz dayanırsa

we might be able at some point to take this kind of technology

bir noktada bu teknolojiyi alıp

and take it out of the Stanford clinic

Stanford kliniklerinden dışarıya taşıyarak

and bring it to the entire world,

ve bunu tüm dünyaya,

Stanford doktorlarının hiç ayak basmadığı yerlere götürebiliriz.

places where Stanford doctors never, ever set foot.

CA: And do I hear this right,

CA: Doğru mu duyuyorum,

that it seemed like what you were saying,

söylediğin şey kulağa şöyle geliyor.

because you are working with this army of Udacity students,

Udacity öğrenci ordusuyla çalışarak

that in a way, you're applying a different form of machine learning

bir bakıma bir şirkette yer alabilecek farklı bir tür

than might take place in a company,

makine öğrenimi uyguluyorsun,

which is you're combining machine learning with a form of crowd wisdom.

makine öğrenimini bir tür kitle aklıyla birleştiriyorsun.

Are you saying that sometimes you think that could actually outperform

Bunun çok büyük bir şirketin bile yapabildiklerinden daha iyisini

what a company can do, even a vast company?

yapabileceğini mi söylüyorsun?

ST: Artık aklımı başımdan alan olaylar olduğuna inanıyorum

ST: I believe there's now instances that blow my mind,

and I'm still trying to understand.

ve hâlâ anlamaya çalışıyorum.

What Chris is referring to is these competitions that we run.

Chris yaptığımız bu yarışmalara atıfta bulunuyor.

We turn them around in 48 hours,

Onlara 48 saat verdik

and we've been able to build a self-driving car

ve ara caddeler üzerinden

that can drive from Mountain View to San Francisco on surface streets.

Mountain View'den San Francisco'ya gidebilen sürücüsüz bir araç yapabildik.

It's not quite on par with Google after seven years of Google work,

Yedi yıllık bir Google çalışmasından sonra pek Google'la eşit durumda değil

but it's getting there.

ama oraya gidiyor.

And it took us only two engineers and three months to do this.

Ve bunu yapmamız iki mühendisle üç ay sürdü.

And the reason is, we have an army of students

Ve bunun sebebi de, yarışmalarda yer alan

who participate in competitions.

bir öğrenci ordumuzun olmasıdır.

We're not the only ones who use crowdsourcing.

Kitle kaynağı kullanan sadece biz değiliz.

Uber and Didi use crowdsource for driving.

Uber ve Didi sürüş için kitle kaynağı kullanıyor.

Airbnb uses crowdsourcing for hotels.

Airbnb oteller için kitle kaynağı kullanıyor.

There's now many examples where people do bug-finding crowdsourcing

Hata bulma veya protein katlanması gibi

or protein folding, of all things, in crowdsourcing.

kitle kaynağın kullanıldığı pek çok örnek mevcut.

But we've been able to build this car in three months,

Fakat biz bu arabayı üç ay içinde geliştirdik,

so I am actually rethinking

o yüzden şirketleri nasıl organize ettiğimiz üzerinde

how we organize corporations.

yeniden düşünüyorum.

We have a staff of 9,000 people who are never hired,

Asla kovmadığım, asla işe almadığım 9.000 kişiden oluşan

that I never fire.

bir ekibimiz var.

Birden ortaya çıkıp çalışmaya başladılar ve haberim bile yoktu.

They show up to work and I don't even know.

Then they submit to me maybe 9,000 answers.

Ve bana 9.000 cevap ibraz ettiler.

I'm not obliged to use any of those.

Bunların herhangi birini kullanmak zorunda değildim.

I end up -- I pay only the winners,

Sonunda sadece kazananlara öderim,

so I'm actually very cheapskate here, which is maybe not the best thing to do.

aslında burada çok beleşçiyim, ki belki bu yapılacak en iyi şey değildi.

But they consider it part of their education, too, which is nice.

Onlar bunu eğitimlerinin bir parçası olarak görüyorlar ki bu çok güzel.

But these students have been able to produce amazing deep learning results.

Fakat bu öğrenciler müthiş derin öğrenme sonuçları üretmeyi başardılar.

So yeah, the synthesis of great people and great machine learning is amazing.

Yani evet, harika insanların ve harika makine öğrenimi birleşimi muhteşem.

CA: Gary Kasparov ilk gün

CA: I mean, Gary Kasparov said on the first day [of TED2017]

that the winners of chess, surprisingly, turned out to be two amateur chess players

satrancı kazananların, şaşırtıcı şekilde, üç vasat-üstü bilgisayar programı olan

with three mediocre-ish, mediocre-to-good, computer programs,

iki amatör satranç oyuncusu olduğu söyledi.

that could outperform one grand master with one great chess player,

Böyle bir şeyle büyük bir ustadan üstün gelinebilir.

like it was all part of the process.

Sanki hepsi sürecin bir parçasıydı.

And it almost seems like you're talking about a much richer version

Ve neredeyse aynı fikrin daha zengin bir sürümünden

of that same idea.

bahsediyorsun gibi.

ST: Yeah, I mean, as you followed the fantastic panels yesterday morning,

ST: Evet, yani, dün sabah harika panellerden takip ettiğin gibi,

Yapay Zekâ (AI) hakkında robot hükümdarlar ve insan tepkisi başlığıyla

two sessions about AI,

robotic overlords and the human response,

iki oturum gerçekleşti.

many, many great things were said.

Çok, çok harika şeyler söylendi.

But one of the concerns is that we sometimes confuse

Fakat endişelerden biri bazen AI ile asıl yapılan şeyleri

what's actually been done with AI with this kind of overlord threat,

bu tür insana hükmetme tehdidi ile karıştırmamız.

where your AI develops consciousness, right?

Yapay zekânın bilinç geliştirmesi, değil mi?

The last thing I want is for my AI to have consciousness.

En son isteyeceğim şey yapay zekâmın bilinç sahibi olmasıdır.

I don't want to come into my kitchen

Mutfağıma geldiğimde

and have the refrigerator fall in love with the dishwasher

buzdolabının bulaşık makinesine aşık olmuş hâlde görmek

ve nazik olmadığım için yiyeceklerin artık sıcak olacağını

and tell me, because I wasn't nice enough,

my food is now warm.

söylemesini istemem.

I wouldn't buy these products, and I don't want them.

Bu ürünleri satın almak istemem, onları istemem.

But the truth is, for me,

Ama benim için hakikat şudur;

AI has always been an augmentation of people.

AI daima insana bir takviye olmuştur.

It's been an augmentation of us,

Bizi daha güçlü yapmak için

to make us stronger.

bir takviyedir.

And I think Kasparov was exactly correct.

Ve bence Kasparov kesinlikle haklıydı.

It's been the combination of human smarts and machine smarts

Bizi güçlü kılan şey insan ve makine zekâsının

that make us stronger.

birleşimi olmuştur.

The theme of machines making us stronger is as old as machines are.

Makinelerin bizi güçlendirmesi fikri makineler kadar eskidir.

The agricultural revolution took place because it made steam engines

Tarım devriminin gerçekleşme nedeni buhar makinelerinin

and farming equipment that couldn't farm by itself,

ve tarım aletlerinin kendi kendine tarım yapamamasıydı

ki bu bizi devreden çıkarmadı, bizi daha güçlü kıldı.

that never replaced us; it made us stronger.

And I believe this new wave of AI will make us much, much stronger

Ve inanıyorum ki bu yeni AI dalgası bizi insan ırkı olarak

as a human race.

çok daha güçlü kılacaktır.

CA: We'll come on to that a bit more,

CA: Buna biraz daha deyineceğiz

but just to continue with the scary part of this for some people,

fakat konunun bazı insanlar için korkutucu olan kısmına devam edelim.

like, what feels like it gets scary for people is when you have

İnsanları korkutan şey şu:

Bir bilgisayar kendi kodunu yazabildiğinde,

a computer that can, one, rewrite its own code,

so, it can create multiple copies of itself,

kendi kopyalarını yaratabilir,

farklı kod sürümleri deneyebilir,

try a bunch of different code versions,

muhtemelen de bunu gelişigüzel yapar

possibly even at random,

and then check them out and see if a goal is achieved and improved.

ve bir hedefe ulaşıldığını ve gelişimini kontrol edebilir.

So, say the goal is to do better on an intelligence test.

Diyelim ki, hedef zekâ testinden daha iyi yapmak.

You know, a computer that's moderately good at that,

Bu işte kısmen iyi olan bir bilgisayarla

bunun milyonlarca çeşidini deneyebilirsin.

you could try a million versions of that.

You might find one that was better,

Daha iyi olan bir tane bulursun

and then, you know, repeat.

ve sonra bunu tekrar edersin.

And so the concern is that you get some sort of runaway effect

Buradaki endişe kontrolden çıkması.

where everything is fine on Thursday evening,

Perşembe gecesi her şey yerindedir

and you come back into the lab on Friday morning,

ama Cuma sabahı laboratuvara gelirsiniz

and because of the speed of computers and so forth,

ve bilgisayarların hızlı olması nedeniyle

things have gone crazy, and suddenly --

işler çığırından çıkmıştır ve birden --

ST: I would say this is a possibility,

ST: Bunun bir ihtimal olduğunu söyleyebilirim

but it's a very remote possibility.

ama çok uzak bir ihtimal.

So let me just translate what I heard you say.

Dediğinden ne anladığımı tercüme etmeme müsaade et.

In the AlphaGo case, we had exactly this thing:

AlphaGo durumunda, kesinlikle şöyle bir durum var:

the computer would play the game against itself

bilgisayar oyunu kendisi oynar

ve yeni kurallar öğrenir.

and then learn new rules.

And what machine learning is is a rewriting of the rules.

Makine öğrenimi ise kuralların tekrar yazılmasıdır.

It's the rewriting of code.

Kodun yeniden yazımıdır.

But I think there was absolutely no concern

Fakat AlpaGo'nun dünyayı ele geçirmesi gibi

that AlphaGo would take over the world.

bir endişenin olduğunu kesinlikle düşünmüyorum.

It can't even play chess.

Satranç bile oynayamaz.

CA: No, no, no, but now, these are all very single-domain things.

CA: Evet ama bunların hepsi tek etki alanı olan şeyler.

But it's possible to imagine.

Ama bunu hayal etmek mümkün.

Yani, üniversite giriş sınavını geçen

I mean, we just saw a computer that seemed nearly capable

of passing a university entrance test,

bir bilgisayar gördük.

that can kind of -- it can't read and understand in the sense that we can,

Bizim gibi okuyup anlayamayabiliyor

but it can certainly absorb all the text

ama tüm metni kesinlikle kavrıyor

and maybe see increased patterns of meaning.

ve belki anlamın ileri kalıplarını görüyor.

Isn't there a chance that, as this broadens out,

Peki bu genişledikçe farklı şekilde

there could be a different kind of runaway effect?

kontrolden çıkma şansı yok mu?

ST: That's where I draw the line, honestly.

ST: Açıkcası, orada bir sınır koyuyorum.

And the chance exists -- I don't want to downplay it --

İhtimal var, bunu önemsiz göstermek istemiyorum

but I think it's remote, and it's not the thing that's on my mind these days,

fakat uzak olduğunu düşünüyorum ve bu günlerde aklımda olan bir şey değil,

çünkü büyük devrim başka bir şey.

because I think the big revolution is something else.

Günümüze kadar yapay zekâda başarılı olan her şey

Everything successful in AI to the present date

has been extremely specialized,

son derece özelleşmişti

and it's been thriving on a single idea,

ve tek bir fikir üzerinde büyüyordu

which is massive amounts of data.

ki o da muazzam miktarda veridir.

The reason AlphaGo works so well is because of massive numbers of Go plays,

AlphaGO'nun çok iyi çalışmasının nedeni muazzam sayıda Go oyunudur

and AlphaGo can't drive a car or fly a plane.

ve AlphaGo bir araba veya uçak kullanamaz.

The Google self-driving car or the Udacity self-driving car

Google'ın sürücüsüz aracı veya Udacity sürücüsüz aracı

thrives on massive amounts of data, and it can't do anything else.

muazzam miktarda veriyle gelişiyor ve başka bir şey yapamıyor.

Bir motosikleti bile kontrol edemez.

It can't even control a motorcycle.

It's a very specific, domain-specific function,

Çok belirli, alana özel işlev

and the same is true for our cancer app.

ve aynısı kanser uygulamamız için de geçerli.

There has been almost no progress on this thing called "general AI,"

"Genel AI" denen şeyle ilgili neredeyse hiçbir gelişme olmadı,

where you go to an AI and say, "Hey, invent for me special relativity

yani gidip şunu diyemezsiniz:

"Hey, benim için özel izafiyet veya sicim teorisi icat et."

or string theory."

It's totally in the infancy.

Henüz emekleme evresinde.

The reason I want to emphasize this,

Bunu vurguluyorum çünkü

I see the concerns, and I want to acknowledge them.

endişeleri görüyorum ve onları anlıyorum.

But if I were to think about one thing,

Fakat eğer bir şeyi düşünecek olursam,

I would ask myself the question, "What if we can take anything repetitive

kendime şu soruyu sorarım: "Tekrarlayan bir şeyi alıp

and make ourselves 100 times as efficient?"

kendimizi 100 kat daha verimli yapsak nasıl olur?"

It so turns out, 300 years ago, we all worked in agriculture

300 yıl önce hepimiz tarımla uğraşıyorduk

ve çiftçilik yapıyorduk ve hep aynı şeyleri yapıyorduk.

and did farming and did repetitive things.

Today, 75 percent of us work in offices

Bugün, %75'imiz ofiste çalışıyor

and do repetitive things.

ve hep aynı işi yapıyor.

We've become spreadsheet monkeys.

Hesap çizelgesi maymunları haline geldik.

And not just low-end labor.

Alt sınıf işçiler de değil,

We've become dermatologists doing repetitive things,

aynı şeyleri yapan cildiye uzmanları,

lawyers doing repetitive things.

aynı şeyleri yapan avukatlar olduk.

I think we are at the brink of being able to take an AI,

Bence kendimize bir yapay zekâ alabiliyor olmanın eşiğindeyiz.

look over our shoulders,

Diken üstüne olacağız ama

and they make us maybe 10 or 50 times as effective in these repetitive things.

bizi bu tekrarlı işlerde 10-50 kat daha etkili yapacaklar.

That's what is on my mind.

Benim aklımdaki şey bu.

CA: That sounds super exciting.

CA: Bu kulağa oldukça heyecan verici geliyor.

The process of getting there seems a little terrifying to some people,

İşin bu noktalara gelmesi bazı insanlar için korkutucu görünüyor

çünkü bir bilgisayar tekrarlı işleri cildiye uzmanından

because once a computer can do this repetitive thing

much better than the dermatologist

çok daha iyi yapabildiğinde

or than the driver, especially, is the thing that's talked about

- veya bir şoförden, şu anda

özellikle de bu konu konuşuluyor -

so much now,

suddenly millions of jobs go,

milyonlarca iş alanı yok olacak

and, you know, the country's in revolution

ve mümkün olan şeylerin muhteşem yönlerine erişmeden

before we ever get to the more glorious aspects of what's possible.

ülkemiz devrim içerisine girecek.

ST: Yeah, and that's an issue, and it's a big issue,

ST: Evet, bu bir mesele ve büyük bir mesele

and it was pointed out yesterday morning by several guest speakers.

ve bu, dün sabah birkaç misafir konuşmacı tarafından dile getirildi.

Now, prior to me showing up onstage,

Ben sahneye çıkmadan önce,

I confessed I'm a positive, optimistic person,

olumlu, iyimser bir insan olduğumu itiraf ettim,

so let me give you an optimistic pitch,

o yüzden size iyimser bir tablo çizeyim.

which is, think of yourself back 300 years ago.

Kendinizi 300 yıl önce düşünün.

Europe just survived 140 years of continuous war,

Avrupa henüz 140 yıl süren savaştan çıkmış,

none of you could read or write,

hiçbiriniz okuyor veya yazmıyorsunuz,

there were no jobs that you hold today,

bugün sahip olduğunuz işlerin hiçbiri yok;

like investment banker or software engineer or TV anchor.

yatırım bankeri veya yazılım mühendisi veya televizyon sunucusu.

We would all be in the fields and farming.

Hepimiz tarlalarda tarım yapıyor olurduk.

Now here comes little Sebastian with a little steam engine in his pocket,

Şimdi Küçük Sebastian cebinde küçük bir buharlı motorla gelir

saying, "Hey guys, look at this.

ve şöyle der: "Millet, şuna bakın.

Bu sizi 100 kat güçlü kılacak, başka şeyler de yapabileceksiniz."

It's going to make you 100 times as strong, so you can do something else."

And then back in the day, there was no real stage,

Ve o zamanlar gerçek bir sahne yoktur,

but Chris and I hang out with the cows in the stable,

ama Chris ve ben ahırda ineklerle takılıyoruzdur

ve bana şöyle der: "Çok endişeleniyorum,

and he says, "I'm really concerned about it,

çünkü her gün inekleri sağıyorum. Ya bunu benim yerime makineler yaparsa?"

because I milk my cow every day, and what if the machine does this for me?"

The reason why I mention this is,

Bunu şu yüzden söylüyorum;

we're always good in acknowledging past progress and the benefit of it,

geçmiş gelişmeleri ve faydalarını kabul etme konusunda her zaman iyiyizdir,

like our iPhones or our planes or electricity or medical supply.

iPhone'larınız veya uçaklarımız veya elektrik, tıbbi malzeme gibi.

We all love to live to 80, which was impossible 300 years ago.

Hepimiz 80 yaşına kadar yaşamak isteriz, ki bu 300 yıl önce imkânsızdı.

But we kind of don't apply the same rules to the future.

Fakat aynı kuralları gelecek için uygulamıyoruz gibi.

So if I look at my own job as a CEO,

Yani eğer bir CEO olarak kendi işime bakarsam,

I would say 90 percent of my work is repetitive,

işimin %90'ı aynı şeyler,

I don't enjoy it,

bu eğlenceli değil,

I spend about four hours per day on stupid, repetitive email.

günde dört saatimi aptal, aynı e-postalarla harcıyorum.

And I'm burning to have something that helps me get rid of this.

Ve bu işten beni kurtaracak bir şeyler için yanıp tutuşuyorum.

Why?

Neden?

Because I believe all of us are insanely creative;

Çünkü hepimizin acayip yaratıcı olduğumuzu düşünüyorum;

I think the TED community more than anybody else.

TED topluluğunu başka her şeyden çok düşünüyorum.

But even blue-collar workers; I think you can go to your hotel maid

Fakat mavi yakalı işçiler olarak; bence otel görevlisi ile oturup

and have a drink with him or her,

onunla bir şeyler içseniz

and an hour later, you find a creative idea.

bir saat sonra yaratıcı bir fikir bulabilirsiniz.

What this will empower is to turn this creativity into action.

Bu yaratıcılığı eyleme dönüştürmeyi güçlendirecektir.

Like, what if you could build Google in a day?

Mesela, Google'ı bir günde inşa edebilseydiniz nasıl olurdu?

What if you could sit over beer and invent the next Snapchat,

Bir muhabbet üzerindeyken Snapchat'i icat etseniz,

whatever it is,

veya her ne ise

and tomorrow morning it's up and running?

ve ertesi sabah çalışmaya hazır olsa?

And that is not science fiction.

Bu bilim kurgu da değil.

What's going to happen is,

Olacak olan şey

we are already in history.

zaten tarihte yaşandı.

We've unleashed this amazing creativity

Bu muhteşem yaratıcılığın zincirlerini kırdık

by de-slaving us from farming

ve bunu kendimizi çiftçilikten

and later, of course, from factory work

ve sonrasında da, tabii ki fabrika işlerinden kurtararak yaptık

and have invented so many things.

ve bir çok şey icat ettik.

It's going to be even better, in my opinion.

Bence çok daha iyi bile olacaktır.

And there's going to be great side effects.

Ve büyük yan etkileri olacaktır.

One of the side effects will be

Yan etkilerden birisi

that things like food and medical supply and education and shelter

gıda, tıbbi malzeme, eğitim, barınma

and transportation

ve ulaşım gibi şeylerin

will all become much more affordable to all of us,

sadece zenginler için değil hepimiz için

not just the rich people.

daha az maliyetli olacak olmasıdır.

CA: Hmm.

CA: Hımm.

So when Martin Ford argued, you know, that this time it's different

Martin Ford bu sefer işlerin farklı olduğunu tartışırken,

because the intelligence that we've used in the past

geçmişte yeni yollar bulmak için

to find new ways to be

kullandığımız zekâ

will be matched at the same pace

bu şeyleri devralan bilgisayarlar tarafından

by computers taking over those things,

aynı hızda karşılanacağını söylüyor.

what I hear you saying is that, not completely,

Sen ise insan yaratıcılığı nedeniyle

because of human creativity.

tam olarak böyle olmayacağını söylüyorsun.

Do you think that that's fundamentally different from the kind of creativity

Sence bu, bilgisayarların yapabildiği yaratıcılıktan

that computers can do?

temel olarak farklı mı?

ST: So, that's my firm belief as an AI person --

ST: Bir yapay zekâ insanı olarak benim inancım bu.

that I haven't seen any real progress on creativity

Yaratıcılık üzerine gerçek bir ilerleme

ve ezber bozan düşünme görmedim.

and out-of-the-box thinking.

What I see right now -- and this is really important for people to realize,

Şu an bunu görüyorum ve insanların bunun farkına varması çok önemli,

çünkü "yapay zekâ" kelimeleri çok tehdit edici.

because the word "artificial intelligence" is so threatening,

and then we have Steve Spielberg tossing a movie in,

Sonra Steve Spielberg ortaya bir film atıyor,

ve birden bilgisayar bizim efendimiz oluyor

where all of a sudden the computer is our overlord,

but it's really a technology.

ama bu gerçek bir teknoloji.

Tekrarlayan işleri yapmamıza yardım eden bir teknoloji.

It's a technology that helps us do repetitive things.

And the progress has been entirely on the repetitive end.

Ve ilerleme, tamamen tekrarlayan işlerde.

It's been in legal document discovery.

Yasal belge incelenmesi,

It's been contract drafting.

sözleşme taslağı hazırlanması,

It's been screening X-rays of your chest.

göğüs röntgeninizin izlenmesi.

And these things are so specialized,

Bu işler o kadar özelleştirilmiş ki,

I don't see the big threat of humanity.

insanlık için büyük bir tehdit görmüyorum.

In fact, we as people --

Aslında, insanlar olarak --

I mean, let's face it: we've become superhuman.

Yani, bununla yüzleşelim: İnsanüstü bir hâl aldık.

We've made us superhuman.

Kendimizi insanüstüleştirdik.

We can swim across the Atlantic in 11 hours.

Atlantik'i 11 saatte geçebiliyoruz.

We can take a device out of our pocket

Cebimizdeki bir aygıtla,

and shout all the way to Australia,

Avustralya'ya seslenebiliyoruz

and in real time, have that person shouting back to us.

ve aynı anda karşıdaki kişi de bize karşılık verebiliyor.

That's physically not possible. We're breaking the rules of physics.

Bu fiziksel olarak mümkün değil. Fizik kurallarını çiğniyoruz.

When this is said and done, we're going to remember everything

Tüm bunlardan sonra, söylediğimiz ve gördüğümüz

we've ever said and seen,

her şeyi hatırlayacağız,

her kişiyi hatırlayacaksınız,

you'll remember every person,

which is good for me in my early stages of Alzheimer's.

ki Alzheimer'in ilk aşamasında olan benim için güzel bir şey.

Sorry, what was I saying? I forgot.

Pardon, ne demiştim? Unuttum.

CA: (Laughs)

CA: (Gülüşmeler)

ST: We will probably have an IQ of 1,000 or more.

ST: Muhtemelen 1.000 veya daha fazla IQ'ya sahip olacağız.

There will be no more spelling classes for our kids,

Artık çocuklarımız için heceleme derslerine gerek kalmayacak

because there's no spelling issue anymore.

çünkü heceleme sorunu kalmayacak.

There's no math issue anymore.

Matematik bir sorun olmaktan çıkacak.

And I think what really will happen is that we can be super creative.

Ve süper yaratıcı olacağımızı düşünüyorum.

And we are. We are creative.

Öyleyiz de, yaratıcıyız.

That's our secret weapon.

Bu bizim gizli silahımız.

CA: So the jobs that are getting lost,

CA: İş alanları kayboluyor,

in a way, even though it's going to be painful,

sancılı olacak olmasına rağmen

humans are capable of more than those jobs.

insanlar bu işlerin çok daha fazlasına muktedir.

This is the dream.

Hayalimiz bu.

The dream is that humans can rise to just a new level of empowerment

Hayalimiz, insanların yeni bir güç ve keşif seviyesine

and discovery.

yükselebilmesi.

That's the dream.

Hayal bu.

ST: And think about this:

ST: Bir de şunu düşün:

if you look at the history of humanity,

insanlık tarihine bakarsan,

that might be whatever -- 60-100,000 years old, give or take --

aşağı yukarı 60-100.000 yıl öncesine bakarsak,

almost everything that you cherish in terms of invention,

keşif, teknoloji ve inşa ettiğimiz şeyler açısından el üstünde tuttuğumuz

of technology, of things we've built,

neredeyse her şey

has been invented in the last 150 years.

son 150 yıl içinde icat edildi.

If you toss in the book and the wheel, it's a little bit older.

Kitap, tekerlek veya baltayı söyleyecek olursanız

Or the axe.

onlar biraz daha yaşlı.

Fakat telefonunuz, ayakkabılarınız,

But your phone, your sneakers,

these chairs, modern manufacturing, penicillin --

bu sandalyeler, modern üretim, penisilin --

the things we cherish.

el üstünde tuttuğumuz şeyler.

Now, that to me means

Bu benim için sonraki 150 yılın

the next 150 years will find more things.

çok daha fazla şey bulacağı anlamına geliyor.

In fact, the pace of invention has gone up, not gone down, in my opinion.

Esasında, bana göre icadın temposu yükseldi, yavaşlamadı.

I believe only one percent of interesting things have been invented yet. Right?

Ben ilginç şeylerin henüz %1'inin icat edildiğine inanıyorum.

Kanseri tedavi edemedik.

We haven't cured cancer.

Uçan arabalarımız yok -- henüz. Umarım, bu değişir.

We don't have flying cars -- yet. Hopefully, I'll change this.

That used to be an example people laughed about. (Laughs)

Bir zamanlar insanlar bu örneğe gülerdi. (Gülüşmeler)

Komik, değil mi? Uçan arabalar üzerinde gizlice çalışmak.

It's funny, isn't it? Working secretly on flying cars.

We don't live twice as long yet. OK?

İki katı uzun yaşamıyoruz.

We don't have this magic implant in our brain

Beynimizde bize istediğimiz bilgiyi veren

that gives us the information we want.

büyülü bir şey yok.

Dehşete kapılabilirsiniz,

And you might be appalled by it,

but I promise you, once you have it, you'll love it.

ama sizi temin ederim, bir kere sahip olduğunuzda, seveceksiniz.

I hope you will.

Umarım öyle olur.

It's a bit scary, I know.

Biraz korkutucu, biliyorum.

There are so many things we haven't invented yet

İcat edeceğimiz

çok şey olduğunu düşünüyorum.

that I think we'll invent.

Yer çekimi kalkanlarımız yok.

We have no gravity shields.

Kendimizi başka bir noktaya ışınlayamıyoruz.

We can't beam ourselves from one location to another.

Bu gülünç bir şey,

fakat yaklaşık 200 yıl önce,

That sounds ridiculous,

but about 200 years ago,

experts were of the opinion that flight wouldn't exist,

uzmanlar uçuşun mümkün olmayacağı görüşündeydiler,

even 120 years ago,

hatta 120 yıl önce.

and if you moved faster than you could run,

Ve koşmanızdan daha hızlı hareket ettiğinizde

anında öleceğinize inanılırmış.

you would instantly die.

So who says we are correct today that you can't beam a person

Buradan Mars'a insan ışınlayamama konusunda

from here to Mars?

haklı olduğumuzu söyler?

CA: Sebastian, thank you so much

CA: Sebastian, son derece ilham verici vizyonun

for your incredibly inspiring vision and your brilliance.

ve dehan için çok teşekkür ederim.

Thank you, Sebastian Thrun.

Teşekkürler, Sebastian Thrun.

That was fantastic. (Applause)

Bu muazzamdı. (Alkışlar)