This computer is learning to read your mind | DIY Neuroscience, a TED series

126,453 views ・ 2018-09-15

TED


Videoyu oynatmak için lütfen aşağıdaki İngilizce altyazılara çift tıklayınız.

00:00
Translator: Joseph Geni Reviewer: Krystian Aparta
0
0
7000
Çeviri: Can Boysan Gözden geçirme: Gözde Alpçetin
00:12
Greg Gage: Mind-reading. You've seen this in sci-fi movies:
1
12203
2859
Greg Gage: Zihin okuma.
Bilim kurgu filmlerinde düşüncelerimizi okuyabilen böyle makineleri gördünüz.
00:15
machines that can read our thoughts.
2
15086
1857
00:16
However, there are devices today
3
16967
1798
Yine de, beyinlerimizdeki elektriksel aktiviteyi
00:18
that can read the electrical activity from our brains.
4
18789
2524
okuyabilen cihazlar günümüzde bulunuyor.
00:21
We call this the EEG.
5
21337
1272
Bu cihaza EEG diyoruz.
00:23
Is there information contained in these brainwaves?
6
23695
2829
Bu beyin dalgaları bilgi içeriyor mu?
00:26
And if so, could we train a computer to read our thoughts?
7
26548
2813
Öyleyse, düşüncelerimizi okuyabilmesi için bir bilgisayarı eğitebilir miyiz?
00:29
My buddy Nathan has been working to hack the EEG
8
29385
2904
Arkadaşım Nathan, zihin okuma makinesi geliştirmek için
00:32
to build a mind-reading machine.
9
32313
1676
EEG cihazını kandırmaya çalışıyor.
00:34
[DIY Neuroscience]
10
34013
2457
[DIY Neuroscience]
00:36
So this is how the EEG works.
11
36939
1561
İşte EEG böyle çalışıyor.
00:38
Inside your head is a brain,
12
38524
1844
Kafanızın içindeki beyin,
00:40
and that brain is made out of billions of neurons.
13
40392
2558
milyarlarca nöron hücresinden oluşuyor.
00:42
Each of those neurons sends an electrical message to each other.
14
42974
3007
Bu nöronların her biri birbirine elektriksel mesaj gönderiyor.
Ufak mesajlar elektrik dalga üretmek için birleşebiliyor,
00:46
These small messages can combine to make an electrical wave
15
46005
2814
00:48
that we can detect on a monitor.
16
48843
1570
biz de bunu monitörlerle tespit edebiliyoruz.
00:50
Now traditionally, the EEG can tell us large-scale things,
17
50437
2724
Bilindiği gibi EEG büyük çaplı şeylerle ilgili bilgi verebiliyor,
00:53
for example if you're asleep or if you're alert.
18
53185
2350
örneğin uyuyakaldığınızı veya tetikte beklediğinizi.
00:55
But can it tell us anything else?
19
55559
1594
Peki başka bir şeyi gösterebilir mi?
00:57
Can it actually read our thoughts?
20
57177
1702
Gerçekten düşüncelerimizi okuyabilir mi?
00:58
We're going to test this,
21
58903
1219
Bunu test edeceğiz ve karmaşık düşüncelerle başlamayacağız.
01:00
and we're not going to start with some complex thoughts.
22
60146
2623
01:02
We're going to do something very simple.
23
62793
1977
Oldukça basit şeyler yapacağız.
Bir kişinin gördüğü şeyi,
01:04
Can we interpret what someone is seeing using only their brainwaves?
24
64794
3253
yalnızca onun beyin dalgalarını kullanarak yorumlayabilir miyiz?
01:08
Nathan's going to begin by placing electrodes on Christy's head.
25
68071
3000
Nathan işe Christy'nin kafasına elektrotlar yerleştirerek başlayacak.
01:11
Nathan: My life is tangled.
26
71095
1523
Hayatım karman çorman oldu.
01:12
(Laughter)
27
72642
1150
(Gülüşmeler)
01:14
GG: And then he's going to show her a bunch of pictures
28
74152
2584
GG: Daha sonra ona dört farklı kategoriden birkaç tane resim gösterecek.
01:16
from four different categories.
29
76760
1521
Nathan: Yüz, ev, manzara ve tuhaf resimler.
01:18
Nathan: Face, house, scenery and weird pictures.
30
78305
2654
01:20
GG: As we show Christy hundreds of these images,
31
80983
2498
GG: Christy'ye böyle yüzlerce resim gösterdiğimiz için
01:23
we are also capturing the electrical waves onto Nathan's computer.
32
83505
3543
ayrıca elektriksel dalgaları Nathan'ın bilgisayarında yakalıyoruz.
01:27
We want to see if we can detect any visual information about the photos
33
87072
3386
Beyin dalgalarındaki resimler hakkında
herhangi bir görsel bilgi tespit edebilmeyi görmek istiyoruz.
01:30
contained in the brainwaves,
34
90482
1352
01:31
so when we're done, we're going to see if the EEG
35
91858
2331
İşimiz bittiğinde Christy'nin ne tür bir resme baktığını
01:34
can tell us what kind of picture Christy is looking at,
36
94213
2598
EEG bize gösterebilecek mi göreceğiz,
01:36
and if it does, each category should trigger a different brain signal.
37
96835
3584
eğer gösterirse her kategori farklı bir beyin sinyalini tetiklemeli.
01:40
OK, so we collected all the raw EEG data,
38
100443
2628
Peki, tüm ham veriyi elde ettik,
01:43
and this is what we got.
39
103095
1150
elimizde olanlar bunlar.
01:45
It all looks pretty messy, so let's arrange them by picture.
40
105389
2938
Çok karmaşık görünüyor, onları resme göre düzenleyelim.
01:48
Now, still a bit too noisy to see any differences,
41
108826
2656
Herhangi bir farklılık görmek için hâlâ çok gürültülü
01:51
but if we average the EEG across all image types
42
111506
3040
fakat tüm resim türlerini sıralayarak
EEG'nin ortalamasını alırsak
01:54
by aligning them to when the image first appeared,
43
114570
2436
ilk resim belirdiğinde bu gürültüyü kaldırabiliriz
01:57
we can remove this noise,
44
117030
1617
01:58
and pretty soon, we can see some dominant patterns
45
118671
2334
ve kısa sürede her kategoride meydana gelen
bazı baskın modelleri görebiliriz.
02:01
emerge for each category.
46
121029
1564
02:02
Now the signals all still look pretty similar.
47
122617
2156
Hâlâ tüm sinyaller oldukça benzer görünüyor.
02:04
Let's take a closer look.
48
124797
1215
Biraz daha yakından bakalım.
02:06
About a hundred milliseconds after the image comes on,
49
126036
2525
Resim belirdiğinden yaklaşık yüz milisaniye sonra,
02:08
we see a positive bump in all four cases,
50
128585
2628
dört vakada da yükseliş görüyoruz,
02:11
and we call this the P100, and what we think that is
51
131237
2789
buna P100 diyoruz
ve bu kavramın bir objeyi fark ettiğinizde
02:14
is what happens in your brain when you recognize an object.
52
134050
3075
beyninizde oluşan şey olduğunu düşünüyoruz.
02:17
But damn, look at that signal for the face.
53
137149
2086
Hay aksi, yüzün şu sinyaline bakın.
02:19
It looks different than the others.
54
139259
1711
Diğerlerinden farklı görünüyor.
02:20
There's a negative dip about 170 milliseconds
55
140994
2890
Resim belirdikten sonra,
170 milisaniye bir azalma var.
02:23
after the image comes on.
56
143908
1540
02:25
What could be going on here?
57
145472
1750
Orada neler olabilir?
02:27
Research shows that our brain has a lot of neurons that are dedicated
58
147246
3240
Araştırma gösteriyor ki
beynimizin insan yüzlerini tanımaya atanmış pek çok nöronu var,
02:30
to recognizing human faces,
59
150510
1459
02:31
so this N170 spike could be all those neurons
60
151993
2844
bu yüzden N170’deki ani yükselişte,
bütün bu nöronlar aynı anda ve aynı konumda ateşlenmiş olabilir
02:34
firing at once in the same location,
61
154861
1985
02:36
and we can detect that in the EEG.
62
156870
1634
ve bunu EEG ile tespit edebiliyoruz.
02:39
So there are two takeaways here.
63
159083
1820
Yani, burada iki ana fikir var.
02:40
One, our eyes can't really detect the differences in patterns
64
160927
3085
İlki, gözlerimiz modellerdeki farklılıkları,
gürültünün ortalamasına ulaşmadan kesin olarak tespit edemez.
02:44
without averaging out the noise,
65
164036
1571
02:45
and two, even after removing the noise,
66
165631
2237
İkincisi, gürültüyü çıkardıktan sonra bile
02:47
our eyes can only pick up the signals associated with faces.
67
167892
3001
gözlerimiz sadece yüzlerle ilintili olan sinyalleri algılar.
02:50
So this is where we turn to machine learning.
68
170917
2268
Burası makine öğrenimine döndüğümüz yerdir.
02:53
Now, our eyes are not very good at picking up patterns in noisy data,
69
173209
3976
Gözlerimiz, gürültülü bir verideki modelleri algılamakta pek iyi değil
fakat makine öğrenimi algoritmaları bunu yapmak için tasarlanır.
02:57
but machine learning algorithms are designed to do just that,
70
177209
2946
03:00
so could we take a lot of pictures and a lot of data
71
180179
3201
Bu yüzden, Christy'nin gerçek zamanda neye baktığını yorumlayabilmek için
03:03
and feed it in and train a computer
72
183404
1790
birçok resim ile veriyi alıp
03:05
to be able to interpret what Christy is looking at in real time?
73
185218
3381
girişini yapıp bir bilgisayarı eğitebilir miyiz?
03:09
We're trying to code the information that's coming out of her EEG
74
189088
4117
Christy'ye bağlı EEG cihazından
gerçek zamanlı gelen bilgiyi kodlamaya çalışıyoruz
03:13
in real time
75
193229
1175
ve gözlerinin gerçekte neye baktığını tahmin etmeye çalışıyoruz.
03:14
and predict what it is that her eyes are looking at.
76
194428
2461
03:16
And if it works, what we should see
77
196913
1727
Eğer bu işe yararsa görmemiz gereken şey,
03:18
is every time that she gets a picture of scenery,
78
198664
2381
Christy'nin manzara resmini her gördüğünde
buranın manzara, manzara, manzara, manzara demesi.
03:21
it should say scenery, scenery, scenery, scenery.
79
201069
2286
03:23
A face -- face, face, face, face,
80
203379
1957
Bir yüz -- yüz, yüz, yüz, yüz.
03:25
but it's not quite working that way, is what we're discovering.
81
205360
3531
Fakat aslında böyle çalışmıyor, bu bizim keşfettiğimiz şey.
03:33
(Laughter)
82
213385
3548
(Gülüşmeler)
03:36
OK.
83
216957
1151
Tamam.
03:38
Director: So what's going on here? GG: We need a new career, I think.
84
218132
3382
Yönetmen: Nasıl gidiyor? GG: Sanırım bize yeni bir iş gerekecek.
03:41
(Laughter)
85
221538
1070
(Gülüşmeler)
03:42
OK, so that was a massive failure.
86
222632
2444
Peki, bu büyük bir başarısızlıktı.
03:45
But we're still curious: How far could we push this technology?
87
225100
3212
Fakat şunu hâlâ merak ediyoruz:
Bu teknolojiyi nereye kadar yürütebiliriz?
03:48
And we looked back at what we did.
88
228336
1640
Yaptığımız işe geri dönüp baktık.
03:50
We noticed that the data was coming into our computer very quickly,
89
230000
3143
Şunu fark ettik: Veri bilgisayarımıza çok hızlı geliyordu,
resimlerin ne zaman geleceğine dair bir zamanlama yoktu
03:53
without any timing of when the images came on,
90
233167
2241
03:55
and that's the equivalent of reading a very long sentence
91
235432
2876
ve bu sözcüklerin arasında boşluk olmayan
çok uzun bir cümleyi okumakla eşdeğer.
03:58
without spaces between the words.
92
238332
1605
03:59
It would be hard to read,
93
239961
1438
Bunu okumak zor olurdu
04:01
but once we add the spaces, individual words appear
94
241423
3713
fakat boşlukları eklediğimizde tekil sözcükler beliriyor
04:05
and it becomes a lot more understandable.
95
245160
2044
ve o zaman çok daha anlaşılır oluyor.
04:07
But what if we cheat a little bit?
96
247228
1847
Fakat ya biraz hile yaparsak?
04:09
By using a sensor, we can tell the computer when the image first appears.
97
249099
3537
Bir sensör kullanarak, ilk resmin ne zaman belireceğini bilgisayara gösterebiliriz.
04:12
That way, the brainwave stops being a continuous stream of information,
98
252660
3602
Böylece, beyin dalgaları kesintisiz bilgi dizisi üretmeyi durdurur
04:16
and instead becomes individual packets of meaning.
99
256286
2711
ve onun yerine, anlamlı tekil paketler oluşturur.
04:19
Also, we're going to cheat a little bit more,
100
259021
2368
Ayrıca kategorileri ikiyle sınırlayarak
04:21
by limiting the categories to two.
101
261413
1812
biraz daha hile yapacağız.
04:23
Let's see if we can do some real-time mind-reading.
102
263249
2383
Bakalım gerçek zamanlı zihin okuma yapabilecek miyiz?
04:25
In this new experiment,
103
265656
1235
Bu yeni deneyde,
04:26
we're going to constrict it a little bit more
104
266915
2097
biraz daha daraltacağız,
04:29
so that we know the onset of the image
105
269036
2252
böylece resmin ilk hamlesini öğrenip
04:31
and we're going to limit the categories to "face" or "scenery."
106
271312
3382
kategorileri "yüz" ve "manzara" olarak ikiyle sınırlandıracağız.
04:35
Nathan: Face. Correct.
107
275097
1511
Nathan: Yüz. Doğru.
04:37
Scenery. Correct.
108
277780
1351
Manzara. Doğru.
04:40
GG: So right now, every time the image comes on,
109
280251
2373
GG: Şimdiyse, resim her belirdiğinde
04:42
we're taking a picture of the onset of the image
110
282648
2266
resmin ilk hamlesinin fotoğrafını çekip
04:44
and decoding the EEG.
111
284938
1695
EEG cihazının kodunu çözüyoruz.
04:46
It's getting correct.
112
286657
1256
Doğru çıkıyor.
04:47
Nathan: Yes. Face. Correct.
113
287937
1579
Nathan: Evet. Yüz. Doğru.
04:49
GG: So there is information in the EEG signal, which is cool.
114
289540
2859
GG: EEG sinyalinde bilgi var, bu iyi.
04:52
We just had to align it to the onset of the image.
115
292423
2537
Bunu sadece resmin ilk hamlesiyle hizalamak zorundaydık.
04:55
Nathan: Scenery. Correct.
116
295307
1311
Nathan: Manzara. Doğru.
04:59
Face. Yeah.
117
299344
1150
Yüz. Evet.
05:00
GG: This means there is some information there,
118
300518
2288
GG: Bu, burada bir bilgi olması demek.
05:02
so if we know at what time the picture came on,
119
302830
2913
Resmin ne zaman belireceğini bilirsek
05:05
we can tell what type of picture it was,
120
305767
1999
o resmin ne tür bir resim olduğunu, tepkisel potansiyellere bakıp
05:07
possibly, at least on average, by looking at these evoked potentials.
121
307790
5096
en azından ortalama olarak muhtemelen söyleyebiliriz.
05:12
Nathan: Exactly.
122
312910
1325
Nathan: Kesinlikle.
05:14
GG: If you had told me at the beginning of this project this was possible,
123
314259
3521
GG: Bunun mümkün olduğunu
projenin başında bana söylemiş olsaydın
05:17
I would have said no way.
124
317804
1251
imkanı yok derdim.
Bunu yapabileceğimizi gerçekten düşünmemiştim.
05:19
I literally did not think we could do this.
125
319079
2000
Zihin okuma deneyimiz gerçekten işe yarıyor mu?
05:21
Did our mind-reading experiment really work?
126
321103
2066
05:23
Yes, but we had to do a lot of cheating.
127
323193
1975
Evet ama çok fazla hile yapmak zorundaydık.
05:25
It turns out you can find some interesting things in the EEG,
128
325192
2905
EEG cihazında bazı ilginç şeyler bulabileceğiniz ortaya çıkıyor.
05:28
for example if you're looking at someone's face,
129
328121
2290
Örneğin, siz birinin yüzüne bakarken
05:30
but it does have a lot of limitations.
130
330435
2157
birçok sınırlamanın olması.
05:32
Perhaps advances in machine learning will make huge strides,
131
332616
2946
Belki makine öğrenimindeki gelişmeler muazzam çözümler bulacak
05:35
and one day we will be able to decode what's going on in our thoughts.
132
335586
3390
ve bir gün, düşüncelerimizde neler olduğunun şifresini çözebileceğiz.
05:39
But for now, the next time a company says that they can harness your brainwaves
133
339000
4077
Fakat şu an için, bir firma, cihazları kumanda etmek amacıyla
beyin dalgalarınızı denetim altına alabileceklerini söylerse
05:43
to be able to control devices,
134
343101
1750
05:44
it is your right, it is your duty to be skeptical.
135
344875
3310
şüpheci yaklaşmak sizin hakkınız ve sorumluluğunuz.
Bu web sitesi hakkında

Bu site size İngilizce öğrenmek için yararlı olan YouTube videolarını tanıtacaktır. Dünyanın dört bir yanından birinci sınıf öğretmenler tarafından verilen İngilizce derslerini göreceksiniz. Videoyu oradan oynatmak için her video sayfasında görüntülenen İngilizce altyazılara çift tıklayın. Altyazılar video oynatımı ile senkronize olarak kayar. Herhangi bir yorumunuz veya isteğiniz varsa, lütfen bu iletişim formunu kullanarak bizimle iletişime geçin.

https://forms.gle/WvT1wiN1qDtmnspy7