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

Перекладач: Tetiana Abrosimova Утверджено: Hanna Leliv

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

Колись, щоб комп'ютер для вас щось зробив,

you would have to program it.

його потрібно було спочатку запрограмувати.

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

Тим з присутніх, хто ніколи сам не програмував, я поясню, що для цього

requires laying out in excruciating detail

доводиться до найменших подробиць описувати

every single step that you want the computer to do

кожну-кожнісіньку комп'ютерну команду,

in order to achieve your goal.

щоб досягнути своєї мети.

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

А якщо ви не знаєте, як і що потрібно виконати,

then this is going to be a great challenge.

завдання стає величезним викликом.

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

Перед таким викликом опинився Артур Семюел.

In 1956, he wanted to get this computer

В 1956 році він хотів налаштувати комп'ютер таким чином,

to be able to beat him at checkers.

щоб той виграв у нього в шашки.

How can you write a program,

Як можна вручну написати програму,

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

яка дозволить грати краще за тебе в шашки?

So he came up with an idea:

Нарешті, він здогадався:

he had the computer play against itself thousands of times

він налаштував комп'ютер грати проти самого себе тисячі разів

and learn how to play checkers.

і таким чином навчив його грати в шашки.

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

І це насправді спрацювало, бо до 1962 року

this computer had beaten the Connecticut state champion.

цей комп'ютер вже переграв чемпіона штату Конектикут.

So Arthur Samuel was the father of machine learning,

Так Артур Семюел започаткував комп'ютерне навчання,

and I have a great debt to him,

і я вдячний йому за це,

because I am a machine learning practitioner.

адже я - експерт з комп'ютерного навчання.

I was the president of Kaggle,

Я був президентом спільноти Kaggle,

a community of over 200,000 machine learning practictioners.

в якій більше 200 тисяч експертів з комп'ютерного навчання.

Kaggle puts up competitions

Kaggle влаштовує змагання

to try and get them to solve previously unsolved problems,

з розв'язання задач, які раніше не було розв'язано.

and it's been successful hundreds of times.

Сотні змагань завершилися блискуче.

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

Ось в такому сприятливому середовищі

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

я дізнався, що комп'ютерне навчання могло для нас зробити в минулому,

and what it could do in the future.

а також зараз і в майбутньому.

Напевно, Google - найбільший комерційний успіх комп'ютерного навчання.

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

Google showed that it is possible to find information

Google показав, що можна використовувати

by using a computer algorithm,

алгоритм на основі комп'ютерного навчання

and this algorithm is based on machine learning.

для пошуку інформації.

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

З того часу комп'ютерне навчання мало великий комерційний успіх.

Companies like Amazon and Netflix

Компанії Amazon і Netflix використовують комп'ютерне навчання

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

для маркетингу товарів, що можуть вам сподобатись,

movies that you might like to watch.

і фільмів, які ви захочете подивитись.

Sometimes, it's almost creepy.

Інколи від того стає моторошно.

Companies like LinkedIn and Facebook

Такі компанії як LinkedIn та Facebook

sometimes will tell you about who your friends might be

показують хто, можливо, є вашим другом,

and you have no idea how it did it,

а ви й не здогадуєтесь, як це налаштовано.

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

Вони використовують можливості комп'ютерного навчання.

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

Це алгоритми, які навчились опрацьовувати дані,

rather than being programmed by hand.

а не були запрограмовані вручну.

This is also how IBM was successful

Саме тому IBM вдалося за допомогою комп'ютера Watson

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

перемогти двох світових лідерів у грі "Jeopardy",

відповівши на складні питання, як-от:

answering incredibly subtle and complex questions like this one.

"В 2003 році старовинна пластина "Лев з Німруду" зникла

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

з національного музею цього міста (разом з іншими експонатами)".

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

Завдяки саме цій технології ми маємо самокеровані автівки.

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

Доволі важливо, скажімо, відрізняти дерево від пішохода.

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

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

Ми не знаємо, як написати таку програму,

but with machine learning, this is now possible.

але завдяки комп'ютерному навчанню тепер це можливо.

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

Власне кажучи, це авто проїхало понад мільйон миль

without any accidents on regular roads.

звичайними дорогами і без жодної аварії.

So we now know that computers can learn,

Тепер ми знаємо, що комп'ютери здатні вчитися,

and computers can learn to do things

а також вони здатні навчитися робити речі,

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

яких ми не вміємо робити,

or maybe can do them better than us.

або вони зроблять їх краще за нас.

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

Чудовим прикладом комп'ютерного навчання

happened on a project that I ran at Kaggle

був проект Kaggle під моїм керівництвом,

where a team run by a guy called Geoffrey Hinton

на якому група Geoffrey Hinton

from the University of Toronto

з університету Торонто

won a competition for automatic drug discovery.

перемогла в змаганні з автоматичного підбору ліків.

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

Незвичайним було не тільки те, що вони обійшли

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

компанію Merck і міжнародну академічну спільноту в розробці алгоритму,

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

а й те, що жоден з членів команди не мав освіти з хімії, біології чи медичних наук,

and they did it in two weeks.

а виконали вони це завдання за два тижні.

How did they do this?

Як їм це вдалось?

They used an extraordinary algorithm called deep learning.

Вони використали надзвичайний алгоритм глибинного навчання.

So important was this that in fact the success was covered

Ця подія була настільки важливою, що про її успіх написали

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

на першій сторінці New York Times кілька тижнів потому.

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

Ось на фото зліва Джеффрі Гінтон.

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

Алгоритм глибинного навчання створено

як аналог функції людського мозку

and as a result it's an algorithm

which has no theoretical limitations on what it can do.

і тому, теоритично, він не має обмежень у роботі.

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

Що більше даних і часу обчислення ви додаєте, то кращим він стає.

the better it gets.

Інша надзвичайна особливість алгоритму глибинного навчання

The New York Times also showed in this article

another extraordinary result of deep learning

була висвітлена у статті з New York Times,

which I'm going to show you now.

і я вам її зараз продемонструю.

It shows that computers can listen and understand.

Йдеться про здатність комп'ютерів слухати і розуміти.

(Video) Richard Rashid: Now, the last step

(Відео) Річард Рашід: "Я завершу цей огляд,

that I want to be able to take in this process

звернувшись до вас китайською мовою.

is to actually speak to you in Chinese.

Суть в тому, що я використав велику кількість даних

Now the key thing there is,

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

різних мовців китайською

і конвертував китайський текст на мовлення

and produce a text-to-speech system

за допомогою системи конвертації.

that takes Chinese text and converts it into Chinese language,

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

Далі ми використали годину мого власного звучання

and we've used that to modulate

для моделювання звичайної системи перетворення тексту

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

в моє мовлення.

Again, the result's not perfect.

Повторюсь: результат не є ідеальним.

There are in fact quite a few errors.

Насправді, там є декілька помилок.

(In Chinese)

(Говорить китайською)

(Applause)

(Оплески)

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

Ще багато потрібно зробити в цьому напрямку".

(In Chinese)

(Говорить китайською)

(Applause)

(Оплески)

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

Джеремі Говард: Це було на конференції з комп'ютерного навчання в Китаї.

It's not often, actually, at academic conferences

Взагалі, не часто можна розраховувати на бурхливі оплески

that you do hear spontaneous applause,

під час наукової конференції,

although of course sometimes at TEDx conferences, feel free.

а ось на конференціях TEDx все може бути, тож - не соромтесь.

Everything you saw there was happening with deep learning.

Все, що ви тут побачили, відбулось з застосуванням глибинного навчання.

(Applause) Thank you.

(Оплески) Дякую.

The transcription in English was deep learning.

Транскрипція англійською - це глибинне навчання.

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

Переклад китайською і текст у верхньому правому кутку - глибинне навчання,

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

і відновлення голосу - також глибинне навчання.

So deep learning is this extraordinary thing.

Глибинне навчання - це надзвичайний алгоритм.

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

Здається, цей єдиний алгоритм здатен зробити майже все.

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

І я дізнався, що на рік раніше він також навчився бачити.

In this obscure competition from Germany

В німецькому змаганні з розпізнавання дорожних знаків -

called the German Traffic Sign Recognition Benchmark,

German Traffic Sign Recognition Benchmark -

алгоритм глибинного навчання розпізнавав такі дорожні знаки, як цей.

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

Not only could it recognize the traffic signs

Він не тільки навчився розпізнавати знаки краще за інші алгоритми,

better than any other algorithm,

the leaderboard actually showed it was better than people,

але й зробив це вдвічі краще за людей, як засвідчив рейтинг переможців.

about twice as good as people.

Так до 2011 року ми вже мали перший комп'ютер,

So by 2011, we had the first example

of computers that can see better than people.

який міг бачити краще за людей.

Since that time, a lot has happened.

Багато змінилося з того часу.

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

В 2012 році Google анонсував про те, що алгоритм

глибинного навчання мав переглянути відео в YouTube

watch YouTube videos

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

і опрацювати дані 16 000 комп'ютерів протягом місяця.

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

Комп'ютер, переглядаючи відео, вивчив концепції "люди" і "коти".

just by watching the videos.

This is much like the way that humans learn.

Майже так само вчаться люди.

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

Люди вчаться не з того, що їм кажуть, начебто вони бачать,

but by learning for themselves what these things are.

але розуміючи, що ті речі означають.

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

Також в 2012 році Джеффрі Гінтон, якого ми бачили раніше,

won the very popular ImageNet competition,

переміг у відомому змаганні ImageNet,

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

вирахувавши, що зображено на 1,5 мільйонах фотографій.

what they're pictures of.

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

На 2014 рік ми досягли 6% частоти помилок

in image recognition.

в розпізнаванні зображень.

This is better than people, again.

Це краще за людські результати.

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

Комп'ютери справді добре вправляються з такими завданнями,

and it is now being used in industry.

і це вже використовують у виробництві.

For example, Google announced last year

Наприклад, Google оголосив торік,

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

що вони позначили на карті кожен клаптик Франції за дві години.

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

А зробили вони це так.

Вони завантажили зображення вулиць в алгоритм глибинного навчання,

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

щоб розпізнати і прочитати номери будинків.

Imagine how long it would have taken before:

Тільки уявіть, скільки часу знадобилось би раніше:

dozens of people, many years.

десятки людей, багато років.

This is also happening in China.

Подібне відбувається в Китаї.

Baidu is kind of the Chinese Google, I guess,

Baidu - найбільша пошукова система в Китаї,

and what you see here in the top left

і те, що ви бачите в верхньому лівому кутку,

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

є прикладом фото, яке я завантажив у систему глибинного навчання Baidu.

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

Нижче ви побачите, як система розпізнала фото

and found similar images.

і знайшла подібні йому.

The similar images actually have similar backgrounds,

Підібрані фото мають подібний фон,

similar directions of the faces,

подібний ракурс голови,

even some with their tongue out.

деякі навіть з висунутим язичком.

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

Зрозуміло, пошук відбувся не за текстом веб-сторінки.

All I uploaded was an image.

Я завантажив тільки фотографію.

So we now have computers which really understand what they see

Тепер ми маємо комп'ютери, які дійсно розуміють, що вони бачать,

and can therefore search databases

і тому можуть в реальному часі

of hundreds of millions of images in real time.

вести пошук по базах сотень мільйонів зображень.

So what does it mean now that computers can see?

Що ж означає ця здатність комп'ютерів бачити?

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

Вони не тільки бачать.

In fact, deep learning has done more than that.

Насправді, алгоритм глибинного навчання може більше.

Complex, nuanced sentences like this one

Тепер алгоритм глибинного навчання розуміє

are now understandable with deep learning algorithms.

складні речення з нюансами, як ось це.

As you can see here,

Бачите, відповідно до

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

Стенфордської символьної системи,

has figured out that this sentence is expressing negative sentiment.

червона крапка зверху означає,

що тут виражено негативний сантимент.

Deep learning now in fact is near human performance

Алгоритм глибинного навчання вже наближається до людського розуміння,

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

про які речі йдеться в реченні і що саме про них.

Also, deep learning has been used to read Chinese,

Також алгоритм глибинного навчання було використано

again at about native Chinese speaker level.

для читання китайською майже на рівні носія китайської мови.

This algorithm developed out of Switzerland

Цей алгоритм розробляли в Швейцарії люди,

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

які не розуміють і не говорять китайською.

As I say, using deep learning

Як вже було сказано, система глибинного навчання

is about the best system in the world for this,

є найкращою в світі для таких цілей,

even compared to native human understanding.

навіть у порівнянні з носієм мови.

This is a system that we put together at my company

Всі ці функції моя компанія зібрала в єдину систему.

which shows putting all this stuff together.

These are pictures which have no text attached,

Ось малюнки без тексту.

and as I'm typing in here sentences,

Я ввожу сюди речення,

in real time it's understanding these pictures

система одночасно розпізнає, що зображено на цих малюнках,

and figuring out what they're about

а потім шукає малюнки,

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

які відповідають введеному тексту.

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

Отже, ви бачите, що система насправді розпізнає мої речення

and actually understanding these pictures.

і також розпізнає ці малюнки.

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

Я знаю - щось подібне вже є у Google,

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

де ви вводите текст, і він знайде вам відповідний малюнок,

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

але насправді буде знайдено веб-сторінку відповідно до тексту.

This is very different from actually understanding the images.

Розпізнавання зображення - це зовсім інша справа.

This is something that computers have only been able to do

Лише кілька місяців тому комп'ютерові вдалося зробити це вперше.

for the first time in the last few months.

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

Тепер ми переконались, що комп'ютери навчились не тільки бачити, а й читати,

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

а також, як було показано, вони розпізнають те, що чують.

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

Можливо, я вас вже не здивую, коли я скажу, що вони вміють і писати.

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

Ось текст, який я вчора згенерував, з алгоритмом глибинного навчання.

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

А ось текст, що було згенеровано Стенфордською системою.

Кожне з цих речень було створено за допомогою

Each of these sentences was generated

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

алгоритму глибинного навчання для опису цих малюнків.

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

Цей алгоритм ніколи раніше не бачив

чоловіка в чорній сорочці з гітарою в руках.

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

Він бачив раніше чоловіка, він бачив раніше чорний колір,

it's seen a guitar before,

він бачив раніше гітару,

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

але цей новий опис малюнка він створив самостійно.

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

Поки ми ще не досягли рівня людських можливостей, але ми дуже близько.

In tests, humans prefer the computer-generated caption

Тестування показало, що кожна четверта людина

обирала згенерований комп'ютером варіант.

one out of four times.

Now this system is now only two weeks old,

Ця система існує тільки два тижні,

so probably within the next year,

тож за таких темпів протягом наступного року

the computer algorithm will be well past human performance

комп'ютерний алгоритм перевершить людські можливості.

at the rate things are going.

So computers can also write.

Отже, комп'ютери можуть також писати.

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

Якщо складемо все до купи, то матимемо дуже цікаві перспективи.

For example, in medicine,

Наприклад, в медицині:

a team in Boston announced that they had discovered

бостонська команда оголосила, що вони відкрили

dozens of new clinically relevant features

десятки нових важливих клінічних характеристик пухлин,

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

які допоможуть лікарям прогнозувати розвиток раку.

Very similarly, in Stanford,

Так само, група в Стенфорді оголосила

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

про розроблену на основі огляду тканин під збільшенням

they've developed a machine learning-based system

which in fact is better than human pathologists

систему комп'ютерного навчання, яка

at predicting survival rates for cancer sufferers.

визначає шанси на виживання хворих на рак краще за патологів.

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

Завдяки цим двом розробкам не тільки прогнози стали точнішими,

but they generated new insightful science.

а й було започатковано нову інформативну науку.

In the radiology case,

В першому випадку це були нові, зрозумілі радіологам клінічні індикатори.

they were new clinical indicators that humans can understand.

У випадку патології, комп'ютерна система фактично

In this pathology case,

the computer system actually discovered that the cells around the cancer

винайшла, що оточення ракових клітин так само важливе

are as important as the cancer cells themselves

при визначенні діагнозу, як і самі ракові клітини.

in making a diagnosis.

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

Це спростовує інформацію, якої навчали патологів роками.

In each of those two cases, they were systems developed

В розробці систем брали участь медичні експерти

by a combination of medical experts and machine learning experts,

та фахівці з комп'ютерного навчання,

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

але з минулого року ми пішли ще далі.

This is an example of identifying cancerous areas

Це приклад виявлених за допомогою мікроскопа

of human tissue under a microscope.

ракових областей тканини людського тіла.

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

Ця система може виявити

такі області точніше, або так само точно,

or about as accurately, as human pathologists,

but was built entirely with deep learning using no medical expertise

як патологи, але створена вона виключно за допомогою

глибинного навчання, без медичної експертизи,

by people who have no background in the field.

людьми без спеціальних знань в цій області.

Similarly, here, this neuron segmentation.

Ось приклад нейронного поділу.

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

Тепер ми можемо поділяти нейрони так само точно, як людина,

but this system was developed with deep learning

але систему було розроблено за допомогою глибинного навчання

using people with no previous background in medicine.

людьми, що не мали базових знань в медицині.

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

Я не маю базових знать в медицині, проте

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

виявляюсь достатньо кваліфікованим, щоб

започаткувати нову медичну компанію,

which I did.

що я і зробив.

I was kind of terrified of doing it,

Мене жахала така ідея, але в теорії

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

здавалось цілком можливим виконувати важливу медичну роботу,

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

використовуючи тільки ці техніки аналізу даних.

And thankfully, the feedback has been fantastic,

На щастя, відгуки були фантастичні

not just from the media but from the medical community,

не тільки в медіа, а й серед прихильної медичної спільноти.

who have been very supportive.

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

Теоритично ми можемо всебічно аналізувати дані

and turn that into data analysis as much as possible,

проміжного етапу медичного процесу,

leaving doctors to do what they're best at.

а лікарям залишити їх роботу.

I want to give you an example.

Я наведу приклад.

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

Щоб згенерувати новий медичний діагностичний тест,

нам потрібно 15 хвилин.

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

Я продемонструю це прямо зараз,

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

тільки я видалив деякі частини, щоб скоротити його до трьох хвилин.

Rather than showing you creating a medical diagnostic test,

Замість створення медичного клінічного тесту,

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

я покажу вам тест діагностики зображень автівок,

because that's something we can all understand.

щоб усім було зрозуміло.

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

Отже, ми починаємо

з приблизно 1,5 мільйонів зображень автівок.

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

Я хочу створити інструмент для сортування

їх відповідно до кута фотозйомки.

of the photo that's being taken.

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

Жодна фотографія не позначена,

тож я почну з нуля.

За допомогою алгоритму глибинного навчання,

With our deep learning algorithm,

it can automatically identify areas of structure in these images.

можна автоматично визначити

елементи конструкції на цих зображеннях.

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

Добре в цьому те, що людина може працювати разом

з комп'ютером.

So the human, as you can see here,

Людина, як ви бачите,

is telling the computer about areas of interest

показує комп'ютеру

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

стосовно якої частини

комп'ютер буде

вдосконалювати алгоритм.

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

Ці системи глибинного навчання працюють в

16-тисяч вимірному просторі,

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

тож ви бачите, як комп'ютер обертає фото в просторі,

намагаючись знайти нові елементи структури.

trying to find new areas of structure.

And when it does so successfully,

Коли це йому вдасться,

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

людина, яка керує ним, зможе вибрати потрібні елементи.

So here, the computer has successfully found areas,

Ось комп'ютер вдало знайшов елементи, наприклад, кути.

for example, angles.

So as we go through this process,

Поступово, керуючи процесом,

we're gradually telling the computer more and more

ми даємо комп'ютеру знати, які саме

about the kinds of structures we're looking for.

структури ми шукаємо.

Уявіть, якби патолог під час діагностичного тесту

You can imagine in a diagnostic test

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

ідентифікував області патології,

or a radiologist indicating potentially troublesome nodules.

або якби радіолог ідентифікував

потенційно небезпечні вузлики.

And sometimes it can be difficult for the algorithm.

Іноді алгоритм не справляється.

In this case, it got kind of confused.

В такому разі він стає дещо безпорадний.

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

Передні та задні частини автівок перемішані.

So here we have to be a bit more careful,

manually selecting these fronts as opposed to the backs,

Тепер слід уважно вручну

then telling the computer that this is a type of group

виділити тільки фронтальні,

щоб зорієнтувати комп'ютер на саме

цей тип групування, який нас цікавить.

that we're interested in.

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

Ми це робимо деякий час,

я перескочу трохи,

and then we train the machine learning algorithm

потім ми тренуємо алгоритм глибинного навчання

based on these couple of hundred things,

на основі кількох сотень деталей

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

і сподіваємось, що він навчився.

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

Бачите, він почав прибирати

деякі з малюнків,

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

показуючи цим, що він вже розрізняє,

як це робити самостійно.

We can then use this concept of similar images,

Тепер можна використати концепцію подібних зображень.

and using similar images, you can now see,

І ви бачите, що комп'ютер тепер

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

здатен знайти тільки передні частини машин.

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

Отже, можна визнати, що комп'ютер вправно виконав завдання.

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

Sometimes, of course, even at this point

Іноді буває так, що й після цього складно відсортувати групи.

it's still difficult to separate out groups.

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

В такому випадку після деякого часу

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

обертання зображень,

лівосторонні і правосторонні все ще перемішані.

are all mixed up together.

So we can again give the computer some hints,

Тоді ми знову підказуємо комп'ютеру

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

і командуємо йому знайти

the left sides and the right sides as much as possible

за допомогою алгоритму глибинного навчання

using this deep learning algorithm.

проекцію, яка відсортує лівосторонні від правосторонніх.

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

І після такої підказки - ага, ок, цей процес завершено.

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

Йому вдалось відсортувати ці об'єкти.

that's separated out these together.

So you get the idea here.

В чому ідея?

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

Йдеться не про заміщення людини комп'ютером, а про співпрацю.

but where they're working together.

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

Те, що могла зробити команда з 5-6 людей

of five or six people about seven years

за майже 7 років, одна людина зробить

and replacing it with something that takes 15 minutes

самостійно за 15 хвилин.

for one person acting alone.

So this process takes about four or five iterations.

Для такого процесу потрібно 4 або 5 повторювань.

Бачите, 62 відсотки з 1,5 мільйонів зображень

You can see we now have 62 percent

of our 1.5 million images classified correctly.

відсортовано правильно.

And at this point, we can start to quite quickly

Тепер можна доволі швидко перевіряти великі масиви

grab whole big sections,

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

на присутність там помилок.

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

Якщо такі знайдуться, вкажемо комп'ютерові на них.

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

Застосувавши той самий процес

we are now up to an 80 percent success rate

для кожної окремої групи,

матимемо результат: 80 % з 1,5 мільйона зображень успішно класифіковано.

in classifying the 1.5 million images.

And at this point, it's just a case

Залишиться тільки

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

знайти невелику кількість хибно класифікованих об'єктів

and trying to understand why.

і розібратись з ними.

Завдяки цьому підходові, ми за 15 хвилин

And using that approach,

by 15 minutes we get to 97 percent classification rates.

досягли 97 % рівня класифікування.

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

Такі прийоми дають нам змогу побороти

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

величезний брак медичної експертизи в світі.

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

Згідно з даними Світового економічного форуму,

країнам, що розвиваються, в 10-20 разів бракує терапевтів,

shortage of physicians in the developing world,

and it would take about 300 years

і знадобиться 300 років, аби навчити достатньо людей,

to train enough people to fix that problem.

які могли б компенсувати цей брак.

So imagine if we can help enhance their efficiency

Уявіть, наскільки ми можемо покращити результати їхньої діяльності

using these deep learning approaches?

завдяки підходу глибинного навчання.

So I'm very excited about the opportunities.

Мене дуже надихають такі перспективи.

I'm also concerned about the problems.

Водночас, я стурбований проблемами.

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

Кожна територія на мапі, зафарбована синім кольором, є місцем,

is somewhere where services are over 80 percent of employment.

де 80 % зайнятості припадає на послуги.

What are services?

Які послуги?

These are services.

Ось ці.

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

Такі, що комп'ютери тільки навчилися виконувати.

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

Отже, 80 % зайнятості розвинених країн -

is stuff that computers have just learned how to do.

це робота, яку комп'ютери щойно навчились виконувати.

What does that mean?

До чого я веду?

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

Авжеж, все буде добре.

Їм знайдуть іншу роботу.

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

Наприклад, буде більше спеціалістів з обробки даних.

Well, not really.

Не зовсім так.

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

Спеціаліст з обробки даних швидко створює такі речі.

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

Наприклад, ці чотири алгоритми написав один хлопець.

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

Ви можете аргументувати, що все це вже проходили раніше,

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

і коли речі змінювались, з'являлись нові робочі місця.

and they get replaced by new jobs,

what are these new jobs going to be?

А якими вони будуть?

It's very hard for us to estimate this,

Важко сказати, тому що

because human performance grows at this gradual rate,

людська діяльність покращується поступово,

but we now have a system, deep learning,

а система глибинного навчання -

that we know actually grows in capability exponentially.

в геометричній прогресії.

And we're here.

Зараз ми тут.

Поки що ми оцінюємо ситуацію і кажемо: "Комп'ютерам далеко

So currently, we see the things around us

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

до людського розуму". Правда?

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

Але за п'ять років комп'ютери перевершать свої показники.

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

Тож нам слід вже зараз починати думати про потенціал.

We have seen this once before, of course.

Звісно, історія вже знала такі часи.

In the Industrial Revolution,

Під час індустріальної революції

we saw a step change in capability thanks to engines.

потужності збільшилися завдяки двигунам.

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

Справа в тому, що речі не змінювались з того часу.

There was social disruption,

Існувало соціальне розшарування.

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

Але після впровадження потужностей двигунів

things really settled down.

в усі сфери життя, воно зменшилось.

The Machine Learning Revolution

Революція комп'ютерного навчання

is going to be very different from the Industrial Revolution,

відрізняється від індустріальної.

because the Machine Learning Revolution, it never settles down.

Тому що революція комп'ютерного навчання ніколи не зупиниться.

The better computers get at intellectual activities,

Що кращою стане інтелектуальна діяльність комп'ютерів,

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

то більше інших комп'ютерів з

so this is going to be a kind of change

кращими потужностями вони створять.

that the world has actually never experienced before,

Світ ще ніколи не відчував змін такого масштабу.

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

Ваші уявлення про обмеженість можливостей змінено.

This is already impacting us.

Ці зміни вже впливають на нас.

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

За останні 25 років зріс кругообіг капіталу,

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

а продуктивність праці була сталою, навіть трохи зменшилась.

So I want us to start having this discussion now.

Тож, я заохочую нас до обговорення вже зараз.

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

Знаю, що люди часто нехтують цим питанням,

people can be quite dismissive.

коли я до них звертаюсь.

Well, computers can't really think,

Комп'ютери не можуть розвивати думок,

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

не мають емоцій, не розуміють поезію, ми не тямимо до кінця, як вони працюють.

we don't really understand how they work.

So what?

То що з того?

Computers right now can do the things

Комп'ютери вже виконують речі, якими

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

люди заробляють собі на життя.

so now's the time to start thinking

Тож нам варто подумати, як змінити наші соціальну

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

і економічну структури, враховуючи нову реальність.

to be aware of this new reality.

Thank you.

Дякую.

(Оплески)

(Applause)