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

Çeviri: pinar sadi Gözden geçirme: Sancak Gülgen

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

Eskiden bilgisayarınıza

yeni bir şeyler yaptırmak isteseniz

you would have to program it.

programlamanız gerekirdi.

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

Şimdi, programlama; burada hiç yapmayanlar

için söylüyorum, her adımı, her detayı

requires laying out in excruciating detail

bilgisayarın yapmasını istediğin her şeyi amacına

every single step that you want the computer to do

ulaşman için tasarlaman gerekir.

in order to achieve your goal.

Nasıl yapacağını bilmediğin bir şeyi

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

yapmak istiyorsan bu çok zorlu olacak.

then this is going to be a great challenge.

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

Arthur Samuel de bunu yaptı.

In 1956, he wanted to get this computer

1956'da bilgisayarının onu

damada yenebilmesini istiyordu.

to be able to beat him at checkers.

How can you write a program,

Her detayıyla nasıl bir program tasarlayarak

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

damada senden daha iyi olmasını sağlayabilirsin?

So he came up with an idea:

Bu soruna bir çözüm buldu:

he had the computer play against itself thousands of times

Binlerce kez bilgisayarıyla dama oynayacak

and learn how to play checkers.

ve böylece bilgisayara damayı öğrenecekti.

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

Bu işe yaradı ve 1962'de bilgisayar

this computer had beaten the Connecticut state champion.

Connecticut eyaleti şampiyonunu yendi.

So Arthur Samuel was the father of machine learning,

Bu şekilde Arthur Samuel, makine öğrenmenin

and I have a great debt to him,

fikir öncüsüydü ve ona borçluyum,

because I am a machine learning practitioner.

çünkü bir makine öğrenimi uygulayıcısıyım.

I was the president of Kaggle,

200 bini aşkın uygulayıcıyı

a community of over 200,000 machine learning practictioners.

biraraya getiren Kaggle'ın başkanıydım.

Kaggle puts up competitions

Kaggle yarışmalar düzenleyip çözülememiş

to try and get them to solve previously unsolved problems,

problemleri çözmeye çalışıyordu ve

and it's been successful hundreds of times.

yüzlerce kez başarılı oldular.

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

Bu açıdan bakıldığında, makine öğreniminin

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

geçmişte, günümüzde ve gelecekte planlanan

and what it could do in the future.

çalışmaları hakkında çok şey öğrendim.

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

Ticari anlamda belki de

makine öğreniminin

ilk başarısı Google'dır.

Google showed that it is possible to find information

Google bilgisayar algoritması ile

by using a computer algorithm,

bilgilere erişmeyi mümkün kılar ve

and this algorithm is based on machine learning.

bu algoritma makine öğrenimini temel alır.

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

Bugüne kadar birçok ticari olarak başarılı uygulaması oldu.

Companies like Amazon and Netflix

Amazon, Netflix gibi bir çok

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

başarılı şirket makine öğrenimini

ürünlerini ve filmlerini

movies that you might like to watch.

satmak için kullanmışlardır.

Sometimes, it's almost creepy.

Bu bazen ürkütücü olabilir.

Companies like LinkedIn and Facebook

LinkedIn ve Facebook gibi şirketler bazen size

sometimes will tell you about who your friends might be

tanıyor olabileceğiniz kişileri gösterir ve siz

and you have no idea how it did it,

bunu nasıl yaptığını bilemezsiniz; işte

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

bu makine öğreniminin eseridir.

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

Bu sistem, programlanmak yerine datadan

rather than being programmed by hand.

öğrenen algoritmalardan oluşur.

This is also how IBM was successful

Bu IBM'in Watson ile Jeopardy yarışmasında

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

oldukça zor ve karışık soruları doğru

answering incredibly subtle and complex questions like this one.

cevaplayarak nasıl iki dünya şampiyonunu

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

yenmeyi başardığını açıklar.

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

İnsansız arabalar da bu sistem ile çalışır.

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

Yaya ile ağaç arasındaki farkı söylemek

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

isterseniz buyrun, söyleyin bu çok önemli.

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

Bu programların elle nasıl yazıldığını

but with machine learning, this is now possible.

bilmiyoruz ama makine öğrenimi ile mümkün.

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

Ve bu arabalar bir düz yolda

without any accidents on regular roads.

kaza yapmadan 1 milyon mili aştı.

So we now know that computers can learn,

Böylece bilgisayarların, öğrenebildiğini

ve bazen bizim yapmayı bilmediğimiz

and computers can learn to do things

şeyleri yapmayı öğrenebildiklerini

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

veya bizden bunları bizden daha

or maybe can do them better than us.

iyi yapabileceklerini görüyoruz.

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

Makine öğreniminin en iyi örneklerini

Kaggle'da yürüttüğümüz bir projede gördüm:

happened on a project that I ran at Kaggle

Toronto Üniversitesi'nden Geoffrey Hinton

where a team run by a guy called Geoffrey Hinton

from the University of Toronto

ve ekibi otomatik uyuşturucu tespiti

won a competition for automatic drug discovery.

alanında yarışmayı kazandı.

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

Burada ilginç olansa;

Merck veya uluslararası akademik çevrenin

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

geliştirdiği bütün algoritmaları kimya

ve biyoloji gibi alanlarda geçmişi

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

olmayan kişilerin algoritmayı çözmeleri değil bunu

and they did it in two weeks.

2 haftada yapmış olmaları.

How did they do this?

Peki bunu nasıl başardılar?

They used an extraordinary algorithm called deep learning.

Derin Öğrenme denilen olağanüstü bir algoritma kullandılar.

So important was this that in fact the success was covered

Bu o kadar önemli bir başarıydı ki birkaç

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

hafta sonra New York Times'ın kapağında yer aldı.

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

Sol kenarda Geoffrey Hinton vardı.

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

Derin Öğrenme, insan beyninin çalışmasından

ilham alınarak oluşturulmuş bir algoritmadır

and as a result it's an algorithm

ve kapasitesi konusunda teorik kısıtlamalar içermez.

which has no theoretical limitations on what it can do.

Ona ne kadar çok veri ve zaman verirseniz

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

the better it gets.

o kadar iyi sonuçlar elde edersiniz.

The New York Times also showed in this article

New York Times'ın haberinde derin öğrenme

another extraordinary result of deep learning

ile elde edilen

bir sonuç daha vardı;

which I'm going to show you now.

onu da şimdi göstereceğim:

Sonuca göre:

It shows that computers can listen and understand.

Bilgisayarlar dinleyebilir

ve anlayabilir.

(Video) Richard Rashid: Now, the last step

Richard Rashid:"Bu yöntemde

that I want to be able to take in this process

son aşamada gelebilmek

istediğim nokta

is to actually speak to you in Chinese.

sizinle Çince konuşmak.

Now the key thing there is,

Olay şu ki;

bir çok Çinliden çok miktarda

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

bilgi alma imkanımız oldu

and produce a text-to-speech system

ve Çince bir metni alan ve

that takes Chinese text and converts it into Chinese language,

Çin diline çeviren yani yazıyı

konuşmaya dönüştüren bir sistem oluşturduk.

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

Sonra konuşmamın bir saatlik kısmını aldık

and we've used that to modulate

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

ve standart metni konuşma sistemine

modüle ettik sonuç olarak

benim konuşmam gibi olmalıydı.

Again, the result's not perfect.

Sonuç mükemmel olmadı elbette.

There are in fact quite a few errors.

Hatta bir çok hata vardı.

(In Chinese)

(Çince)

(Applause)

(Alkışlar)

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

Bu alanda daha çok çalışılması gerekiyor.

(In Chinese)

(Çince)

(Applause)

(Alkışlar)

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

Bu, Çinde makine öğrenimi konferansıydı.

It's not often, actually, at academic conferences

Genelde akademik konferanslarda

that you do hear spontaneous applause,

spontane alkışlamalar olmaz ancak

although of course sometimes at TEDx conferences, feel free.

TEDx konferanslarında rastlanabilir.

Everything you saw there was happening with deep learning.

Burada gördüğünüz her şey

derin öğrenme ile gerçekleşiyor.

(Applause) Thank you.

(Alkışlar) Teşekkürler.

The transcription in English was deep learning.

İngilizce uyarlama derin öğrenme ile yapıldı.

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

Çince çeviri ve sağ üstteki metin derin öğrenmeyle,

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

ve yine sesin entegre edilmesi de derin öğrenme ile yapıldı.

So deep learning is this extraordinary thing.

Derin öğrenme alışılmışın dışında bir şey.

Tek bir algoritma neredeyse

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

her şeyi yapabilecek gibi duruyor

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

ve geçen sene öğrendim ki görmeyi de öğrenmiş.

In this obscure competition from Germany

Almanya'da Alman Trafik İşaretleri Karşılaştırması

called the German Traffic Sign Recognition Benchmark,

olarak adlandırılan yarışmada

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

derin öğrenme bu gibi işaretleri algılamayı öğrendi.

Not only could it recognize the traffic signs

Diğer algoritmalardan daha iyi algılamakla

better than any other algorithm,

kalmayıp, yarışmanın sıralamasına bakıldığında

the leaderboard actually showed it was better than people,

insanlardan da daha iyi tanıdı;

about twice as good as people.

hatta iki katı daha fazla.

So by 2011, we had the first example

2011 yılında, bilgisayarların insanlardan

of computers that can see better than people.

daha iyi görebildiğini anladık.

Since that time, a lot has happened.

O zamandan beri sayısız çalışma yapıldı.

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

2012'de Google; Youtube videolarını izleyen

ve aylık 16.000 bilgisayardaki veriyi sıkıştırabilen

watch YouTube videos

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

derin öğrenme algoritmaları olduğunu açıkladı.

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

Ayrıca bilgisayarlar ayrı ayrı insan ve kedi

gibi konseptleri izleyerek öğrendi.

just by watching the videos.

This is much like the way that humans learn.

Bu insanların öğrenmesine benziyor.

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

İnsanlar gördüklerinin anlatılmasıyla değil

but by learning for themselves what these things are.

kendileri başlarına öğrenirler.

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

Yine 2012'de az önce gördüğümüz Geoffrey Hinton

won the very popular ImageNet competition,

1.5 milyon fotoğrafa bakarak neyin fotoğrafları

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

olduğunu çözmeye çalışarak

what they're pictures of.

popüler olan ImageNet yarışmasını kazandı.

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

2014 yılında görüntü tanımada

in image recognition.

%6 lık hata payına düştük.

Bu da insanlardan daha iyi.

This is better than people, again.

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

Makinalar gerçekten bu alanda harika işler yapıyor

ve artık endüstride de kullanılıyor.

and it is now being used in industry.

For example, Google announced last year

Mesela Google, geçen yıl Fransa'daki

her bir konumu 2 saatte haritada

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

işaretlediğini duyurdu ve

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

cadde numaralarını okumak ve tanımlamak

için cadde görüntülerini

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

bir derin öğrenme algoritmasında kullandılar.

Imagine how long it would have taken before:

Bunun önceleri ne kadar sürdüğünü düşünün:

dozens of people, many years.

binlerce insan, bir çok yıl.

This is also happening in China.

Bu Çin'de de oldu.

Baidu is kind of the Chinese Google, I guess,

Baidu bir çeşit Çin'in Google'ı, sanırım,

and what you see here in the top left

sol üst köşede gördüğünüz Baidu'nun

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

derin öğrenme sistemine

yüklediğim görüntünün örneği

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

ve arkaplanda ise sistemin görüntüyü

tanımlayıp benzerlerini bulduğunu görebilirsiniz.

and found similar images.

The similar images actually have similar backgrounds,

Benzer resimler gerçekten de benzer arka planlara,

similar directions of the faces,

benzer yüz açılarına sahip

even some with their tongue out.

hatta bazılarında dilleri dışarıda.

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

Tam olarak web sayfasının metnine bakmak gibi değil.

All I uploaded was an image.

Tek yaptığım resim yüklemekti.

So we now have computers which really understand what they see

O halde gördüklerini anlayabilen ve

bu sayede gerçek zamanlı olarak yüz

and can therefore search databases

of hundreds of millions of images in real time.

milyonlarca görüntüyü veritabanlarında

arayabilen bilgisayarlar var.

So what does it mean now that computers can see?

Peki bilgisayarların görmesi ne anlama geliyor?

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

Sadece görebilmesini sağlamak değil

In fact, deep learning has done more than that.

aslında derin öğrenme bundan daha fazlasını yaptı.

Complex, nuanced sentences like this one

Bu gibi karmaşık ve incelikli cümleler

are now understandable with deep learning algorithms.

artık derin öğrenme algoritmalarıyla anlaşılabilir.

As you can see here,

Gördüğünüz üzere;

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

Stanford-tabanlı sistem, üstteki kırmızı

has figured out that this sentence is expressing negative sentiment.

noktanın negatif bir his ifade ettiğini anlıyor.

Deep learning now in fact is near human performance

Derin öğrenme hatta

cümlelerin ne hakkında olduğunu

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

ve anlamlarını anlamada insan

performansına yaklaşmış durumda.

Also, deep learning has been used to read Chinese,

Aynı zamanda derin öğrenme Çin

again at about native Chinese speaker level.

anadil seviyesinde Çince okumada da kullanıldı.

This algorithm developed out of Switzerland

Bu algoritma Çince konuşamayan ve

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

anlamayan insanlar tarafından İsviçre'de geliştirildi.

As I say, using deep learning

Bahsettiğim gibi derin öğrenme kullanma bu işte

is about the best system in the world for this,

dünyadaki en iyi sistem yerel insanların

even compared to native human understanding.

anlama performansına göre bile.

This is a system that we put together at my company

Bu sistem şirketimde oluşturuldu

which shows putting all this stuff together.

ve bu tarz şeyleri bir arada toplamayı gösteriyor.

These are pictures which have no text attached,

Bu resimlere eklenmiş metin yok ve

and as I'm typing in here sentences,

ben buraya cümle yazarken gerçek

in real time it's understanding these pictures

zamanlı olarak resimleri algılıyor,

and figuring out what they're about

ne hakkında olduklarını çözüyor ve

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

yazdığım metne benzer resimleri buluyor.

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

Görüyorsunuz, bu aslında cümlelerimi anlama

and actually understanding these pictures.

ve bu resimleri anlama.

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

Benzerini Google'da gördüğünüzü düşünüyorum;

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

bir şeyleri yazarken size resimler gösterir ama

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

asıl yaptığı web sayfalarında yazdıklarınızı aramaktır.

This is very different from actually understanding the images.

Bu aslında resimleri anlamaktan oldukça farklı.

This is something that computers have only been able to do

Bu son bir kaç ayda ilk kez

for the first time in the last few months.

bilgisayarların yapabildiği bir şey.

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

O halde görüyoruz ki bilgisayarlar

görebilmekle kalmıyor aynı zamanda

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

okuyabiliyor ve zaten duyduklarını

anlayabildiklerini de göstermiştik.

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

Belki yazabildiklerini söylesem

artık şaşırtıcı gelmez.

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

İşte burada dün derin öğrenme algoritmasıyla

oluşturduğum metin.

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

Ve burada algoritma tarafından geliştirilen metinler var.

Each of these sentences was generated

Bu cümlelerin her biri resimleri tanımlamak

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

için derin öğrenme algoritmasıyla geliştirildi .

Algoritma daha önce siyah tişörtlü

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

gitar çalan birini hiç görmemişti.

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

Önceden adamı görmüştü, siyahi görmüştü,

it's seen a guitar before,

gitarı görmüştü ama bu resmin roman

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

tasvirini ayrı olarak yaptı.

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

Hala tam olarak insan performansında

değiliz ama yakınız.

In tests, humans prefer the computer-generated caption

Testlerde 1/4 oranında insanlar, bilgisayar

tarafından oluşturulan yazıları seçiyor.

one out of four times.

Now this system is now only two weeks old,

Bu sistem şuan sadece 2 haftalık

so probably within the next year,

ama muhtemelen gelecek yıl içerisinde

the computer algorithm will be well past human performance

bu oranlarda devam ederse

algoritma insan performansını

at the rate things are going.

hayli geçmiş olacak.

So computers can also write.

Yani bilgisayarlar yazabiliyor da.

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

Tüm bunları birleştirdik

ve durum heyecan verici fırsatlar yarattı.

For example, in medicine,

Örneğin; sağlık alanında Boston'da bir takım,

a team in Boston announced that they had discovered

dozens of new clinically relevant features

doktorların kanser teşhisine yardımcı

düzinelerce kliniksel olarak ilişkili tümör

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

özellikleri keşfettiklerini duyurdu.

Benzer olarak Stanford' da

Very similarly, in Stanford,

büyüme altındaki dokulara bakan bir grup;

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

kanser hastalarının sağkalım oranlarını ölçmede

they've developed a machine learning-based system

which in fact is better than human pathologists

patoloji uzmanlarından daha iyi olan,

makine öğrenmesine dayalı bir sistem geliştirdi.

at predicting survival rates for cancer sufferers.

Bu iki durumda da tahminlerin daha

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

hatasız olmasının yanı sıra kavrama

but they generated new insightful science.

açısından güçlü yeni bir bilim geliştirdiler.

In the radiology case,

Radyoloji vakasındakiler insanların

they were new clinical indicators that humans can understand.

anlayabileceği yeni kliniksel indikatörlerdi.

In this pathology case,

Patoloji vakasında ise bilgisayar,

the computer system actually discovered that the cells around the cancer

tanı yapılırken kanser etrafındaki hücrelerin kanser

hücreleri kadar önemli olduğunu keşfetti.

are as important as the cancer cells themselves

in making a diagnosis.

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

Bu patoloji uzmanlarına onlarca

yıldır öğretilenlerin tam tersi.

In each of those two cases, they were systems developed

Bu iki vakada da tıp uzmanları ve

by a combination of medical experts and machine learning experts,

makine öğrenmesi uzmanlarının

birleşip geliştirdiği bir sistemdi

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

ancak geçen yıl bunu da geçtik.

This is an example of identifying cancerous areas

Bu örnek mikroskop altındaki insan

dokusunun kanserli bölgelerini tanımlamak üzerine.

of human tissue under a microscope.

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

Burada gösterilen sistem bu alanları daha

isabetli olarak belirleyebiliyor,

or about as accurately, as human pathologists,

ya da en az patoloji uzmanı kadar

but was built entirely with deep learning using no medical expertise

ama tümüyle derin öğrenme kullanılarak ve

herhangi bir tıp geçmişi olmayan

by people who have no background in the field.

insanlar tarafından geliştirildi.

Similarly, here, this neuron segmentation.

Benzer olarak nöron segmentasyonu da.

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

Şu an nöronları insanlar kadar

isabetli segmentleyebiliyoruz

but this system was developed with deep learning

ki bu sistem derin öğrenme

kullanılarak hiç bir tıbbi geçmişi

using people with no previous background in medicine.

olmayan kişiler tarafından geliştirildi.

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

Aynı şekilde ben de, hiç bir tıbbi geçmişim

olmadığı halde medikal alanında

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

yeni bir şirket açabilirim ki açtım da.

which I did.

Şirketi açma konusunda biraz korkmuştum ama

I was kind of terrified of doing it,

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

teoride bu veri analiz tekniklerini kullanarak

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

yararlı ilaçlar yapmak mümkün görünüyordu.

Neyse ki geri dönüşler harikaydı

And thankfully, the feedback has been fantastic,

sadece medya değil tıp çevresinde de

not just from the media but from the medical community,

who have been very supportive.

ki aynı zamanda çok da destekleyicilerdi.

Teoride, medikal sürecin orta bölümünü alıp

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

mümkün olduğunca veri analizine çevirerek

and turn that into data analysis as much as possible,

doktorları en iyi oldukları alana yoğunlaştırabiliriz.

leaving doctors to do what they're best at.

I want to give you an example.

Bir örnek vermek istiyorum.

Yeni bir tıbbi teşhis testini

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

üretmek 15 dakikamızı alır

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

ve gerçek zamanlı olarak da göstereceğim

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

ama bazı parçalarını keserek

süreci 3 dakikaya indirdim.

Rather than showing you creating a medical diagnostic test,

Tıbbi teşhis testini oluşturmayı göstermek yerine

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

daha anlaşılır olduğu için

araba görüntülerini tanımlama testini göstereceğim.

because that's something we can all understand.

Yaklaşık 1.5 milyon araba resmiyle başlıyoruz ve

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

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

çekildikleri açılara göre onları

ayırabilecek bir şey yaratmak istiyorum.

of the photo that's being taken.

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

Bütün resimler etiketsiz bu yüzden

sıfırdan başlamak zorundayım.

With our deep learning algorithm,

Derin öğrenme algoritmamızla resimlerdeki

it can automatically identify areas of structure in these images.

yapıların alanlarını otomatik olarak algılayabilir.

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

Güzel olan, şu andan itibaren

insan ile bilgisayar artık ortak çalışabilir.

So the human, as you can see here,

Gördüğünüz gibi insan burada bilgisayara;

is telling the computer about areas of interest

daha sonra deneyip, algoritmasını

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

geliştirmede kullanması için

ilgi alanlarını söylüyor.

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

Bu derin öğrenme sistemleri

aslında 16.000 boyutlu uzay

ve gördüğünüz gibi bilgisayar burada

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

uzay boyunca döndürüp yeni yapı

trying to find new areas of structure.

alanları bulmaya çalışıyor.

And when it does so successfully,

Başarıyla yapınca da daha sonra bunu süren

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

kişi ilgi çekici olan alanları gösteriyor.

So here, the computer has successfully found areas,

Ve burada bilgisayar başarılı bir şekilde alanları buldu.

for example, angles.

Örneğin: Açılar.

So as we go through this process,

Bu süreç devam ederken,

we're gradually telling the computer more and more

bilgisayara aradığımız yapı türlerini

about the kinds of structures we're looking for.

adım adım söylüyoruz.

Teşhis testinde pataloji uzmanının

You can imagine in a diagnostic test

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

patoz alanlarını tanımlaması gibi düşünebilirsin

or a radiologist indicating potentially troublesome nodules.

ya da örneğin radyolojistin sıkıntı

yaratabilecek nodülleri göstermesi gibi.

And sometimes it can be difficult for the algorithm.

Bazen algoritma için sıkıntılı olabilir.

In this case, it got kind of confused.

Bu vaka da biraz kafası karışmış.

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

Arabaların önleri ve arkaları karmakarışık.

So here we have to be a bit more careful,

Burada biraz daha dikkatli olmalıyız,

manually selecting these fronts as opposed to the backs,

arkalara karşılık önleri elle seçmekte ve

then telling the computer that this is a type of group

daha sonra bunun ilgilendiğimiz tipte

bir grup olduğunu söylemekte.

that we're interested in.

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

Bunu biraz yapıyoruz, biraz atlıyoruz bunu,

sonra makine öğrenmesi algoritmasını

and then we train the machine learning algorithm

based on these couple of hundred things,

bu yüzlerce kadar olan

şeylere dayanarak eğitiyoruz

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

ve daha iyi olmasını ümit ediyoruz.

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

Bazı resimlerin solmaya başladığını görebilirsiniz

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

ve bize bazılarını kendisinin önceden

nasıl anlaması gerektiğini farkettiğini gösteriyor.

We can then use this concept of similar images,

Bu benzer resimler konseptini kullanabiliriz

and using similar images, you can now see,

ve benzer resimleri kullanarak bilgisayarın

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

bu noktada arabaların sadece

önlerini bulabildiğini görebilirsiniz.

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

Bu aşamada bilgisayar insana:

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

"Tamam, peki, iyi iş çıkardın." diyebilir.

Bazen, elbette, bu noktada bile

Sometimes, of course, even at this point

it's still difficult to separate out groups.

grupların arasından seçmek zor.

Bu durumda, bilgisayarın biraz çevirmesine izin

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

verdikten sonra bile sağ ve sol taraftaki

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

resimlerin karmakarışık olarak bulabiliriz.

are all mixed up together.

Yine bilgisayara bir takım ipuçları verebiliriz,

So we can again give the computer some hints,

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

ve diyebiliriz ki :"Tamam, derin öğrenme algoritmasını

the left sides and the right sides as much as possible

kullanarak sağ ve sol tarafları mümkün

using this deep learning algorithm.

olduğunca ayırabilecek bir projeksiyon bulmaya çalış. "

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

Ve ipucunu verince başarılı oldu.

Objeleri birbirinden ayırabilmek için gereken

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

that's separated out these together.

düşünme şeklini birlikte bulabildiler.

So you get the idea here.

Yani buradaki fikri anladınız.

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

Buradaki durum; insanın yerine bilgisayarın geçmesi

but where they're working together.

değil birlikte çalışmaları.

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

Burada yaptığımız ise; 6 ya da 7 kişilik

bir takımın yaklaşık 7 senede yapacağı bir şeyi,

of five or six people about seven years

and replacing it with something that takes 15 minutes

bir kişinin yaklaşık 15 dakikada

for one person acting alone.

yapacağı bir şeyle değiştirmek.

Bu süreç yaklaşık 4 ya da 5 yineleme içeriyor.

So this process takes about four or five iterations.

Gördüğünüz gibi şuan 1.5 milyon resmimizin

You can see we now have 62 percent

of our 1.5 million images classified correctly.

%62 si doğru bir şekilde sınıflandırıldı.

And at this point, we can start to quite quickly

Gelinen noktada, oldukça kolay bir şekilde

büyük bölümleri alıp hata olmadığına

grab whole big sections,

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

emin olmak için kontrol edebiliriz.

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

Hata olan yerlerde ise bilgisayara bildirebiliriz.

Her farklı grup için bu tür bir süreç kullanarak

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

we are now up to an 80 percent success rate

1.5 milyon görüntüyü sınıflandırmada

%80 başarı yüzdesine çıktık.

in classifying the 1.5 million images.

And at this point, it's just a case

Bu noktada konu sadece

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

doğru sınıflandırılmamış olan

küçük numarayı bulmak ve

and trying to understand why.

sebebini anlamaya çalışmak üzerine.

Bu yaklaşımı kullanarak; 15 dakikada

And using that approach,

by 15 minutes we get to 97 percent classification rates.

%97' lik sınıflandırma oranına ulaştık.

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

Bu tarz bir teknik bize çok önemli

bir problemi çözmeye izin verebilir;

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

dünyada tıbbi uzmanlığın olmadığı yerlerde.

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

Dünya Ekonomik Forumu'na göre;

gelişen dünyada doktor kıtlığı 10 ile 20 katı

shortage of physicians in the developing world,

arasında ve 300 yıl alacaktır bu problemi

and it would take about 300 years

to train enough people to fix that problem.

çözmek için yeterli insan yetiştirmek.

So imagine if we can help enhance their efficiency

Düşünün ki derin öğrenme yaklaşımını kullanarak

using these deep learning approaches?

verimliliklerini artırmaya yardım edebilsek?

So I'm very excited about the opportunities.

Fırsatlar konusunda oldukça heycanlıyım.

I'm also concerned about the problems.

Aynı zamanda problemlerle de ilgileniyorum.

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

Buradaki problem ise; haritadaki

her mavi alanda servisler

is somewhere where services are over 80 percent of employment.

istihdamın %80 den fazla.

Servisler nedir?

What are services?

These are services.

İşte servisler.

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

Bunlar aynı zamanda bilgisayarın

yapılma şeklini öğrendiği şeyler.

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

Yani gelişen dünyadaki istihdamın %80 'inin

yaptığı şeyler aynı zamanda bilgisayarın

is stuff that computers have just learned how to do.

nasıl yapılacağını öğrendiği şeyler.

What does that mean?

Bu ne anlama geliyor? Tamam, bir şey olmayacak.

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

Başka işlerle yer değiştirilcekler.

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

Örneğin; Veri bilimciler için daha fazla iş olacak.

Well, not really.

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

Aslında öyle değil.

Veri bilimcilerin bunları yapmaları

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

çok zamanlarını almaz.

Örneğin; bu 4 algoritma da aynı

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

adam tarafından geliştirildi.

Yani eğer; daha önceden de olmuştu,

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

yeni işlerin gelip yer değiştirdiği

zamanların sonuçlarını gördük.

and they get replaced by new jobs,

Bu yeni işlere ne olacak?

what are these new jobs going to be?

Bunu kestirmek bizim için oldukça zor

It's very hard for us to estimate this,

because human performance grows at this gradual rate,

çünkü insan performansı bu şekilde kademeli olarak

but we now have a system, deep learning,

artıyor ama artık biz bir sisteme, derin öğrenmeye

that we know actually grows in capability exponentially.

sahibiz yani katlanarak büyüme kapasitesine

sahip olduğunu biliyoruz.

And we're here.

Ve burdayız.

So currently, we see the things around us

Şu anda, etrafımızdaki şeyleri görüyoruz ve:

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

"Bilgisayarlar hala aptal." değil mi?

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

Ama 5 yıllık süre içinde bilgisayarlar

bu çizelgenin dışında olacak.

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

Yani bu kabiliyeti hemen düşünmeye başlamalıyız.

We have seen this once before, of course.

Bunu daha önceden görmüştük, elbette.

In the Industrial Revolution,

Sanayi devriminde, motorlar sayesinde

we saw a step change in capability thanks to engines.

kapasitede kademe atlamayı gördük.

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

Mesele şu ki, yine de bir süre sonra

işler düzeliyor.

There was social disruption,

Sosyal bozulma vardı ama bir kez

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

motorlar güç üretmek için kullanıldı

ve tüm durumlar, her şey düzene oturdu.

things really settled down.

The Machine Learning Revolution

Makine Öğrenmesi Devrimi Sanayi devriminden

is going to be very different from the Industrial Revolution,

çok daha farklı olacak çünkü

because the Machine Learning Revolution, it never settles down.

Makine Öğrenmesi Devrimi asla durulmayacak.

The better computers get at intellectual activities,

Bilgisayarlar entelektüel aktiviteler de iyiye gittikçe,

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

entelektüel kapasitede daha

iyi olan bilgisayarlar üretilecek.

so this is going to be a kind of change

Yani bu dünyanın daha önce tanık olmadığı

that the world has actually never experienced before,

türde bir değişim olacak bu yüzden

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

neyin mümkün olduğu konusunda ki

önceki anlayışınız farklı.

This is already impacting us.

Şimdiden bizi etkiliyor.

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

Son 25 yılda, kapital üretim arttıkça

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

işçi verimliliği sabitti hatta biraz inişteydi.

So I want us to start having this discussion now.

Bu yüzden bu konuyu tartışmaya

başlamamızı istiyorum.

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

İnsanlara bu durum hakkında çoğu kez

bahsettiğimde, insanlar oldukça ilgisiz olabiliyor.

people can be quite dismissive.

Well, computers can't really think,

Bilgisayarlar gerçek anlamda düşünemez,

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

duygusal davranmaz, şiirden anlamaz,

we don't really understand how they work.

nasıl çalıştıklarını tam olarak anlamıyoruz.

So what?

Ne fark eder?

Computers right now can do the things

Bilgisayarlar şu an insanların ücret alarak

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

zamanlarının çoğunu harcadıkları şeyleri yapabiliyor.

so now's the time to start thinking

O zaman sosyal ve ekonomik yapımızı nasıl uyduracağımızı

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

düşünmeye başlamamızın ve bu yeni gerçekliğin

to be aware of this new reality.

farkında olmamızın tam zamanı.

Thank you.

Teşekkürler.

(Applause)

(Alkışlar)