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

Translator: Ngọc Hà LÊ Reviewer: Hồng Khánh Lê

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

Ngày xưa nếu bạn muốn máy tính thực hiện thao tác mới,

you would have to program it.

thì bạn phải lập trình nó trước.

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

Đối với những bạn ở đây chưa từng lập trình,

requires laying out in excruciating detail

việc này đòi hỏi phải lập sơ đồ chi tiết

every single step that you want the computer to do

từng bước một cho điều bạn muốn máy tính thực hiện

in order to achieve your goal.

để đạt được mục tiêu của bạn.

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

Nếu bạn muốn làm một việc mà chính bạn cũng không biết cách làm,

then this is going to be a great challenge.

thì đây sẽ là một thử thách khá lớn.

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

Đây là thử thách mà người đàn ông này, Arthur Samuel, gặp phải.

In 1956, he wanted to get this computer

Vào năm 1956, ông muốn chiếc máy tính này

to be able to beat him at checkers.

có thể đánh bại ông trong môn cờ tướng.

How can you write a program,

Làm sao mà bạn có thể viết ra chương trình

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

tỉ mỉ, chi tiết về cách chơi cờ tướng giỏi hơn chính bạn ?

So he came up with an idea:

Vậy là ông nảy ra một ý tưởng:

he had the computer play against itself thousands of times

ông để máy tính tự chơi lại hàng ngàn lần

and learn how to play checkers.

và tự học cách chơi cờ.

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

Và quả nhiên cách này hiệu quả, và thật sự, đến năm 1962,

this computer had beaten the Connecticut state champion.

chiếc máy này đã đánh bại quán quân bang Connecticut.

So Arthur Samuel was the father of machine learning,

Arthur Samuel là cha đẻ của lĩnh vực machine learning,

and I have a great debt to him,

và tôi rất biết ơn ông,

because I am a machine learning practitioner.

bởi tôi là một người làm trong ngành "máy biết học".

I was the president of Kaggle,

Tôi từng là Chủ tịch ở Kaggle

a community of over 200,000 machine learning practictioners.

một cộng đồng gồm hơn 200,000 chuyên gia về "máy biết học".

Kaggle puts up competitions

Kaggle tổ chức các cuộc thi

to try and get them to solve previously unsolved problems,

với thử thách là những vấn đề chưa có lời giải,

and it's been successful hundreds of times.

và họ đã thành công hàng trăm lần.

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

Với vị thế thuận lợi đó, tôi đã khám phá ra

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

rất nhiều thứ mà "máy biết học" có thể làm được trước đây, làm được bây giờ,

and what it could do in the future.

và những gì nó có thể làm trong tương lai.

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

Có lẽ sự thành công vang dội đầu tiên của "máy biết học" là Google

Google showed that it is possible to find information

Google cho ta thấy nó có thể tìm kiếm thông tin

by using a computer algorithm,

bằng cách sử dụng thuật toán,

and this algorithm is based on machine learning.

và thuật toán này dựa trên "máy biết học",

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

Kể từ đó, đã có rất nhiều thành công về mặt thương mại của "máy biết học".

Companies like Amazon and Netflix

Công ty như Amazon và Netflix

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

sử dụng "máy biết học"để gợi ý những sản phẩm bạn có thể muốn mua,

movies that you might like to watch.

các bộ phim bạn có thể muốn xem.

Sometimes, it's almost creepy.

Đôi khi nó làm ta rùng mình.

Companies like LinkedIn and Facebook

Các công ty như LinkedIn và Facebook

sometimes will tell you about who your friends might be

đôi khi sẽ nói cho bạn biết ai có thể là bạn bè của bạn

and you have no idea how it did it,

và bạn không hiểu nổi làm sao họ tìm ra,

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

và đó là vì họ dùng đến sức mạnh của "máy biết học".

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

Đây là thuật toán tự học cách xử lý từ cơ sở dữ liệu,

rather than being programmed by hand.

thay vì được lập trình sẵn trước đó.

This is also how IBM was successful

Đây cũng là cách IBM thành công

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

trong việc khiến cho Watson đánh bại hai nhà vô địch chương trình "Jeopardy",

answering incredibly subtle and complex questions like this one.

bằng cách trả lời những câu hỏi hóc búa và phức tạp như :

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

[Sư tử Nimrud bị mất tại bảo tàng quốc gia thành phố ...

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

Đây cũng là cơ sở cho những xe hơi tự lái đầu tiên.

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

Nếu chúng phân biệt được sự khác nhau giữa

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

cây xanh và người đi bộ, thì đó là việc rất quan trọng.

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

Chúng ta không biết cách viết những chương trình này,

but with machine learning, this is now possible.

nhưng với "máy biết học", điều đó trở thành có thể.

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

Và thực tế, loại xe này đã đi được cả triệu dặm

without any accidents on regular roads.

trên những con đường bình thường mà không gây tai nạn nào.

So we now know that computers can learn,

Bây giờ chúng ta biết máy tính có thể học được,

and computers can learn to do things

và chúng có thể học cách làm những việc

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

mà đôi khi chính chúng ta không biết cách làm,

or maybe can do them better than us.

hoặc có thể chúng làm tốt hơn ta.

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

Một trong những ví dụ ngoạn mục nhất về "máy biết học" tôi từng thấy

happened on a project that I ran at Kaggle

là dự án tôi tham gia ở Kaggle

where a team run by a guy called Geoffrey Hinton

nơi đó có một anh chàng điều khiển một nhóm, anh ta tên là Geofrey Hinton

from the University of Toronto

đến từ Đại học Toronto

won a competition for automatic drug discovery.

nhóm này thắng cuộc thi về chế tạo máy phát hiện ma túy.

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

Bây giờ, điều phi thường ở đây không phải là họ đánh bại

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

tất cả các giải thuật phát triển bới Merk hay các cộng đồng học thuật quốc tế khác

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

mà chính là họ không có thành viên nào chuyên về hóa, sinh hay khoa học đời sống,

and they did it in two weeks.

và họ đã tạo ra chiếc máy chỉ trong 2 tuần.

How did they do this?

Làm thế nào mà họ làm được?

They used an extraordinary algorithm called deep learning.

Họ dùng 1 siêu giải thuật gọi là deep learning: "học sâu".

So important was this that in fact the success was covered

Thành công này quan trọng đến mức đã được lên

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

trang bìa tờ New York Times vài tuần sau đó.

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

Đây là Geoffrey Hinton ở đây bên bìa trái.

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

"Học sâu" là một giải thuật lấy cảm hứng từ cách làm việc của não người,

and as a result it's an algorithm

và kết quả là giải thuật này

which has no theoretical limitations on what it can do.

về lý thuyết, không có giới hạn cho những gì nó có thể làm.

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

Bạn đưa vào càng nhiều dữ liệu và cho càng nhiều thời gian,

the better it gets.

thì nó càng làm tốt.

The New York Times also showed in this article

Trong bài báo này, Tờ New York Times cũng nói về

another extraordinary result of deep learning

một kết quả tuyệt vời khác của "học sâu"

which I'm going to show you now.

mà tôi sẽ cho các bạn xem bây giờ.

It shows that computers can listen and understand.

Đó là máy tính có thể nghe và hiểu.

(Video) Richard Rashid: Now, the last step

(Video) Richard Rashid: Bây giờ là bước cuối cùng

that I want to be able to take in this process

mà tôi muốn làm trong quá trình này

is to actually speak to you in Chinese.

là nói chuyện với các bạn bằng tiếng Trung.

Now the key thing there is,

Điểm mấu chốt đó là,

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

chúng tôi có thể lấy lượng lớn thông tin từ những người nói tiếng Trung

and produce a text-to-speech system

và tạo ra hệ thống chuyển văn bản thành giọng nói

that takes Chinese text and converts it into Chinese language,

nó giúp lấy văn bản tiếng Trung chuyển thành tiếng Trung,

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

và sau đó chúng tôi đã thực hiện khoảng 1 giờ để lấy giọng của chính tôi

and we've used that to modulate

từ đó chúng tôi đã điều chỉnh

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

hệ thống chuyển 'văn bản-lời nói' để cho ra được giọng nói giống tôi.

Again, the result's not perfect.

Lần nữa, kết quả không hoàn hảo.

There are in fact quite a few errors.

Thực tế vẫn còn một vài lỗi.

(In Chinese)

( tiếng Trung).

(Applause)

(vỗ tay)

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

Còn nhiều việc để làm trong lĩnh vực này.

(In Chinese)

( tiếng Trung)

(Applause)

( vỗ tay)

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

Jeremy Howard: đó là trong một hội thảo về "máy biết học" ở Trung Quốc.

It's not often, actually, at academic conferences

Thực ra ở hội thảo học thuật, các bạn

that you do hear spontaneous applause,

thường ít nghe tiếng vỗ tay tự phát,

although of course sometimes at TEDx conferences, feel free.

ngay cả ở các hội thảo của TEDx, hay vỗ tay thoải mái đi.

Everything you saw there was happening with deep learning.

Những điều bạn thấy đó đang diễn ra với "học sâu".

(Applause) Thank you.

( vỗ tay) Cảm ơn.

The transcription in English was deep learning.

Viết lại lời tiếng tiếng Anh bằng "học sâu".

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

Dịch sang tiếng Trung có văn bản ở trên bên phải, do "học sâu",

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

và xây dựng giọng nói cũng nhờ "học sâu".

So deep learning is this extraordinary thing.

"Học sâu" thật sự phi thường.

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

Nó là một giải thuật đơn giản mà có vẻ làm được hầu hết mọi thứ,

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

và tôi phát hiện trước đó một năm, nó còn học nhìn thấy.

In this obscure competition from Germany

Trong cuộc thi ở Đức,

called the German Traffic Sign Recognition Benchmark,

cuộc thi 'Nhận biết Tín hiệu Giao thông Benchmark',

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

"học sâu" nhận biết các tín hiệu giao thông,như cái này.

Not only could it recognize the traffic signs

Nó không chỉ nhận biết tín hiệu giao thông

better than any other algorithm,

tốt hơn bất kỳ giải thuật nào khác,

the leaderboard actually showed it was better than people,

mà còn làm tốt hơn cả con người,

about twice as good as people.

tốt hơn gấp đôi.

So by 2011, we had the first example

Năm 2011, chúng tôi có thử nghiệm đầu tiên

of computers that can see better than people.

cho thấy máy tính có thể nhìn tốt hơn con người.

Since that time, a lot has happened.

Từ đó, rất nhiều điều đã xảy ra.

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

Năm 2012, Google thông báo họ đã có một giải thuật "học sâu"

watch YouTube videos

xem được video trên YouTube

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

và lấy dữ liệu từ 16,000 máy tính trong một tháng,

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

và máy tính đã học một cách độc lập các khái niệm "người" và "mèo"

just by watching the videos.

chỉ bằng việc xem các videos.

This is much like the way that humans learn.

Cách này rất giống cách học của con người.

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

Không cần khái niệm có sẵn, ta học từ cái ta nhìn thấy,

but by learning for themselves what these things are.

ta có thể hiểu trực tiếp bản chất của sự vật đó.

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

Cũng trong năm 2012, Geoffrey Hinton,

won the very popular ImageNet competition,

chiến thắng cuộc thi ImageNet rất nổi tiếng,

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

vì đã tìm ra cách để xác định một trong số nửa triệu tấm ảnh

what they're pictures of.

được giao trước.

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

Từ 2014, chúng tôi đã giảm còn 6% tỉ lệ lỗi

in image recognition.

trong việc nhận diện hình ảnh.

This is better than people, again.

Với dạng việc này, máy cũng hơn con người.

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

Thật vậy, máy rất siêu trong lĩnh vực này,

and it is now being used in industry.

và đang được ứng dụng trong công nghiệp.

For example, Google announced last year

Ví dụ, năm ngoái Google thông báo

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

họ đã lập bản đồ mọi địa điểm ở Pháp trong 2 giờ,

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

và cách họ làm là nạp những hình ảnh đường phố

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

vào giải thuật "học sâu" để nhận diện và đọc số nhà.

Imagine how long it would have taken before:

Hãy tưởng tượng trước đây mất bao lâu:

dozens of people, many years.

vài chục người làm việc trong nhiều năm.

This is also happening in China.

Điều này cũng diễn ra ở Trung Quốc.

Baidu is kind of the Chinese Google, I guess,

Tôi thấy Baidu cũng là một dạng Google ở Trung Quốc,

and what you see here in the top left

và những gì bạn thấy ở trên bên góc trái

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

là một ví dụ về một bức ảnh tôi tải lên hệ thống "học sâu" của Baidu

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

và ở dưới bạn có thể thấy kết quả hệ thống xử lý bức ảnh

and found similar images.

và nó đã tìm ra những bức hình tương tự.

The similar images actually have similar backgrounds,

Những bức hình tương tự thực ra có nền tương tự,

similar directions of the faces,

hướng của khuôn mặt tương tự,

even some with their tongue out.

và cả một số hình có lưỡi thè ra.

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

Đây không phải là đối chiếu văn bản của trang web.

All I uploaded was an image.

Tôi chỉ upload một tấm ảnh.

So we now have computers which really understand what they see

Vậy chúng ta đang có những chiếc máy tính thực sự hiểu được những gì chúng nhìn thấy

and can therefore search databases

và có thể nhờ đó tìm dữ liệu

of hundreds of millions of images in real time.

của hàng trăm triệu tấm ảnh.

So what does it mean now that computers can see?

Điều đó có nghĩa là gì khi máy tính có thể nhìn thấy?

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

À, máy tính không chỉ có thể nhìn thấy.

In fact, deep learning has done more than that.

Thật ra, "học sâu" còn làm được nhiều hơn.

Complex, nuanced sentences like this one

Những câu phức tạp và đầy nét khác biệt tinh tế như câu này

are now understandable with deep learning algorithms.

giờ đã được hiểu bởi giải thuật "học sâu".

As you can see here,

Như các bạn thấy ở đây,

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

hệ thống nền Stanford này đang chiếu điểm đỏ ở trên

has figured out that this sentence is expressing negative sentiment.

đã tìm ra rằng câu này thể hiện tình cảm tiêu cực.

Deep learning now in fact is near human performance

"học sâu" thực sự đang gần giống như con người

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

trong việc hiểu chủ đề các câu và nội dung diễn đạt.

Also, deep learning has been used to read Chinese,

"học sâu" có thể đọc tiếng Trung,

again at about native Chinese speaker level.

giống như người nói tiếng Trung bản xứ.

This algorithm developed out of Switzerland

Giải thuật này phát triển ở Thụy Sĩ

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

bởi những người không biết tí gì tiếng Trung.

As I say, using deep learning

Như tôi đã nói, "học sâu"

is about the best system in the world for this,

là phương tiện tốt nhất trong lĩnh vực này,

even compared to native human understanding.

vì nó có thể hiểu thậm chí như người bản địa.

This is a system that we put together at my company

Đây là hệ thống chúng tôi trang bị ở công ty tôi,

which shows putting all this stuff together.

công ty tôi muốn sử dụng và kết hợp tất cả.

These are pictures which have no text attached,

Đây là những tấm hình không kèm theo dòng chữ nào,

and as I'm typing in here sentences,

vì tôi viết những câu vào chỗ này,

in real time it's understanding these pictures

nhờ đó nó hiểu những tấm hình này

and figuring out what they're about

và tìm ra chúng nói về cái gì

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

và tìm những tấm hình có ý tương tự với dòng chữ tôi đang viết.

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

Vậy các bạn thấy đó, nó thực sự hiểu được câu tôi viết

and actually understanding these pictures.

và thực sự hiểu những tấm hình này.

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

Tôi biết các bạn từng thấy điều tương tự trên Google,

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

khi bạn viết điều gì đó và chúng hiện lên các tấm ảnh,

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

nhưng thực sự những gì nó đang làm là tìm những trang web theo dòng chữ.

This is very different from actually understanding the images.

Điều này rất khác với việc thực việc hiểu những tấm ảnh.

This is something that computers have only been able to do

Đây là điều mà máy tính chỉ có thể làm

for the first time in the last few months.

lần đầu tiên cách đây vài tháng.

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

Chúng ta thấy máy tính không chỉ nhìn thấy được mà chúng còn đọc được,

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

và dĩ nhiên chúng tôi cho thấy chúng còn hiểu được những gì chúng nghe.

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

Có lẽ không còn ngạc nhiên khi tôi nói với các bạn chúng có thể viết.

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

Ở đây là những dòng văn bản tôi tạo ra bằng giải thuật "học sâu" hôm qua.

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

Và đây là những văn bản giải thuật ở Stanford tạo ra.

Each of these sentences was generated

Mỗi câu được tạo ra

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

bằng giải thuật "học sâu" nhằm mô tả những bức ảnh này.

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

Trước đây giải thuật này chưa bao giờ thấy một người đàn ông áo đen chơi ghita

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

Nhưng nó đã thấy đàn ông, và đã thấy màu đen,

it's seen a guitar before,

và nó cũng đã thấy đàn ghita,

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

rồi nó đã tự tạo ra chú thích của tấm ảnh này.

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

Máy vẫn chưa đạt đến mức như con người, nhưng cũng khá gần rồi.

In tests, humans prefer the computer-generated caption

Trong các thí nghiệm máy viết phụ đề cho hình, số phụ đề được người ta chọn

one out of four times.

chỉ ở tỉ lệ 1/4.

Now this system is now only two weeks old,

Nhưng hệ thống này giờ chỉ mới 2 tuần tuổi,

so probably within the next year,

nên có thể trong năm tới,

the computer algorithm will be well past human performance

giải thuật máy tính sẽ còn hơn cả con người

at the rate things are going.

và tỉ lệ được chọn sẽ cao hơn.

So computers can also write.

Máy tính cũng có thể viết.

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

Chúng tôi kết hợp tất cả lại và nó dẫn đến những cơ hội rất thú vị.

For example, in medicine,

Ví dụ, trong ngành y,

a team in Boston announced that they had discovered

một nhóm ở Boston thông báo họ đã tìm ra

dozens of new clinically relevant features

hàng chục tính năng lâm sàng mới

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

của các khối u để giúp các bác sĩ tiên đoán bệnh ung thư.

Very similarly, in Stanford,

Tương tự, ở Stanford,

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

một nhóm thông báo rằng, dựa vào các hình phóng đại của mô,

they've developed a machine learning-based system

họ phát triển hệ thống "máy biết học"

which in fact is better than human pathologists

còn tốt hơn cả các nhà nghiên cứu bệnh học

at predicting survival rates for cancer sufferers.

nhờ thế làm tăng khả năng sống sót của các bệnh nhân ung thư.

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

Trong cả hai trường hợp, không chỉ việc tiên đoán chính xác hơn,

but they generated new insightful science.

mà còn tạo ra ngành khoa học mới rất triển vọng.

In the radiology case,

Trong lĩnh vực X-quang,

they were new clinical indicators that humans can understand.

chúng là những chỉ số lâm sàng mới mà con người có thể hiểu.

In this pathology case,

Trong lĩnh vực bệnh học,

the computer system actually discovered that the cells around the cancer

hệ thống máy tính đã cho thấy rằng những tế bào xung quanh khối u

are as important as the cancer cells themselves

cũng quan trọng như chính tế bào ung thư

in making a diagnosis.

trong việc chẩn đoán bệnh.

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

Điều này ngược với những gì các nhà bệnh học được dạy trong nhiều thập kỷ qua.

In each of those two cases, they were systems developed

Trong mỗi trường hợp trên, chúng là các hệ thống được phát triển

by a combination of medical experts and machine learning experts,

bởi sự hợp tác của các chuyên gia y tế và các chuyên gia "máy biết học",

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

nhưng từ năm trước, chúng tôi đã tiến khá xa.

This is an example of identifying cancerous areas

Đây là một ví dụ về xác định khu vực ung thư

of human tissue under a microscope.

của mô người dưới kính hiển vi.

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

Hệ thống có thể xác định những khu vực chính xác hơn

or about as accurately, as human pathologists,

hoặc tương đương các nhà bệnh học,

but was built entirely with deep learning using no medical expertise

nhưng vì nó được xây dựng với "học sâu" không có chuyên gia ngành y

by people who have no background in the field.

nên những người không chuyên cũng có thể dùng.

Similarly, here, this neuron segmentation.

Ví dụ như việc phân đoạn nơ ron này.

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

Máy giúp chúng tôi phân đoạn nơ ron chính xác như các chuyên gia,

but this system was developed with deep learning

nhưng hệ thống này lại được thiết kế với "học sâu"

using people with no previous background in medicine.

bởi những người không có chuyên môn y khoa.

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

Còn tôi, cũng không có nền tảng về y khoa,

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

thế mà tôi dường như có đầy đủ năng lực để mở một công ty về ngành y,

which I did.

và tôi đã làm.

I was kind of terrified of doing it,

Tôi đã từng sợ trước khi bắt đầu,

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

nhưng lý thuyết cho thấy mọi người có thể

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

dùng những kỹ thuật phân tích dữ liệu để có được một nền y học hiệu quả.

And thankfully, the feedback has been fantastic,

Và may mắn là tôi nhận được những phản hồi rất tốt,

not just from the media but from the medical community,

không chỉ từ truyền thông mà còn từ giới y khoa,

who have been very supportive.

họ luôn ủng hộ.

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

Về lý thuyết, chúng tôi có thể lấy phần giữa của quy trình

and turn that into data analysis as much as possible,

và làm phân tích dữ liệu càng nhiều càng tốt,

leaving doctors to do what they're best at.

phần còn lại dành cho bác sĩ.

I want to give you an example.

Tôi muốn đưa ra một ví dụ.

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

Thông thường ta cần 15 phút để làm một xét nghiệm chẩn đoán

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

và tôi sẽ làm cho bạn xem

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

tôi nén nó thành 3 phút bằng cách cắt bớt bỏ một số phần.

Rather than showing you creating a medical diagnostic test,

Thay vì cho bạn xem quá trình một xét nghiệm chẩn đoán y học,

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

tôi sẽ cho các bạn xem một xét nghiệm chẩn đoán hình ảnh xe hơi,

because that's something we can all understand.

vì như thế sẽ dễ hiểu cho mọi người.

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

Chúng tôi bắt đầu với khoảng 1,5 triệu hình ảnh xe hơi,

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

tôi muốn tạo tiêu chuẩn để gom chúng lại vào góc

of the photo that's being taken.

của bức hình đang được chụp.

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

Những bức hình này không gắn nhãn trước, nên tôi phải bắt đầu từ số không.

With our deep learning algorithm,

Giải thuật "học sâu"

it can automatically identify areas of structure in these images.

có thể tự xác định vùng cấu trúc trong những bức ảnh này.

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

Rất thuận lợi, bây giờ con người và máy tính có thể làm việc cùng nhau.

So the human, as you can see here,

Như các bạn đang thấy đây, con người

is telling the computer about areas of interest

đang nói cho máy tính biết lĩnh vực cần quan tâm

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

mà họ muốn máy tính sử dụng để cải thiện giải thuật của nó.

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

Những hệ thống "học sâu" này thực ra là không gian 16,000 chiều,

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

bạn có thể thấy ở đây máy tính quay quanh không gian đó,

trying to find new areas of structure.

cố gắng tìm vùng mới của cấu trúc.

And when it does so successfully,

Và khi nó làm thành công,

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

người sử dụng máy có thể tìm thấy khu vực đáng quan tâm.

So here, the computer has successfully found areas,

Ở đây, máy tính đã tìm ra những vùng đó,

for example, angles.

ví dụ, các góc.

So as we go through this process,

Khi chúng tôi thực hiện,

we're gradually telling the computer more and more

chúng tôi lần lượt nói cho máy tính

about the kinds of structures we're looking for.

các loại mảng cấu trúc mà chúng tôi tìm kiếm.

You can imagine in a diagnostic test

Hãy liên tưởng xét nghiệm chuẩn đoán,

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

ví dụ, một chuyên gia bệnh học xác định những vùng của bệnh ,

or a radiologist indicating potentially troublesome nodules.

hoặc một bác sĩ X-quang cho thấy nốt sần có thể gây phiền phức,

And sometimes it can be difficult for the algorithm.

và đôi khi nó gây khó cho giải thuật.

In this case, it got kind of confused.

Trong trường hợp này, giải thuật hơi rối.

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

Phần trước và sau của xe rất giống nhau nên dễ nhầm.

So here we have to be a bit more careful,

Chúng tôi phải cẩn thận hơn,

manually selecting these fronts as opposed to the backs,

chọn bằng tay phần trước để thấy sự khác biệt với phần sau,

then telling the computer that this is a type of group

sau đó bảo với máy tính rằng đây là tiêu chuẩn nhận dạng nhóm

that we're interested in.

mà chúng tôi quan tâm.

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

Chúng tôi làm điều đó, thỉnh thoảng bỏ qua,

and then we train the machine learning algorithm

sau đó luyện tập giải thuật cho "máy biết học"

based on these couple of hundred things,

dựa trên hàng trăm lần như thế này,

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

chúng tôi hy vọng nó hoàn thiện hơn.

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

Các bạn thấy đó, nó đang bắt đầu làm mờ vài bức ảnh,

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

cho thấy rằng nó đã nhận ra cách để hiểu những hình đó.

We can then use this concept of similar images,

Chúng tôi có thể dùng khái niệm này cho các bức ảnh tương tự,

and using similar images, you can now see,

và dùng các bức ảnh tương tự, bạn thấy đó,

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

máy tính có thể tìm thấy phần trước của chiếc xe.

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

Lúc này, con người có thể nói cho máy tính

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

ok, đúng rồi, bạn đã làm rất tốt.

Sometimes, of course, even at this point

Nhưng đôi khi, đối với máy

it's still difficult to separate out groups.

việc tách các nhóm hình vẫn còn khó.

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

Ngay cả khi chúng tôi để nhiều thời gian cho máy tính xoay xở,

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

nhưng chúng tôi vẫn thấy phía trái và phía phải bức ảnh

are all mixed up together.

bị chọn nhầm lẫn.

So we can again give the computer some hints,

Để cho máy tính thêm vài gợi ý,

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

chúng tôi nói: ok, hãy thử và tìm một chi tiết

the left sides and the right sides as much as possible

khác biệt rõ ràng nhất giữa bên trái và bên phải

using this deep learning algorithm.

bằng giải thuật "học sâu" này.

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

Và với gợi ý đó, à, nó đã thành công.

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

Nó được giao nhiệm vụ tìm ra cách nhận ra các đối tượng này

that's separated out these together.

rồi tách rời chúng ra.

So you get the idea here.

Các bạn đã nắm được cách làm này.

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

Trong trường hợp này máy tính không thể thay con người,

but where they're working together.

nhưng cả hai làm việc chung với nhau.

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

Điều chúng tôi đang làm là thay thế những thứ mà trước đây cần một đội

of five or six people about seven years

5 hoặc 6 người làm trong 7 năm

and replacing it with something that takes 15 minutes

bằng một công việc trong 15 phút

for one person acting alone.

của một người.

So this process takes about four or five iterations.

Quá trình nhận ra và tách hình được lặp lại 4 hoặc 5 lần.

You can see we now have 62 percent

Các bạn thấy chúng tôi có 62%

of our 1.5 million images classified correctly.

trong số 1.5 triệu bức ảnh được phân loại chính xác.

And at this point, we can start to quite quickly

Và ở mức độ này, chúng tôi có thể bắt đầu với

grab whole big sections,

những nhóm lớn,

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

kiểm tra chúng để bảo đảm không còn lỗi.

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

Nơi nào có lỗi, chúng tôi sẽ cho máy tính biết.

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

Và dùng dạng quá trình này cho từng nhóm khác nhau,

we are now up to an 80 percent success rate

bây giờ, chúng tôi đạt đến 80% tỉ lệ thành công

in classifying the 1.5 million images.

trong việc phân loại 1.5 triệu tấm ảnh.

And at this point, it's just a case

Lúc này, với trường hợp

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

tìm thấy những tấm không được phân loại đúng,

and trying to understand why.

chúng tôi cố gắng tìm hiểu lý do.

And using that approach,

Và sử dụng cách tiếp cận trên,

by 15 minutes we get to 97 percent classification rates.

với 15 phút chúng tôi đạt tỉ lệ phân loại 97%.

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

Vậy kỹ thuật này có thể cho chúng ta chỉnh sửa một vấn đề lớn,

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

mà toàn bộ chuyên gia trên thế giới cũng không đủ số để làm.

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

Diễn đàn Kinh tế Thế giới nói rằng vào giữa thập kỷ 2010 và 2020

shortage of physicians in the developing world,

số lượng bác sĩ bị thiếu so với nhu cầu của thế giới,

and it would take about 300 years

và phải mất khoảng 300 năm

to train enough people to fix that problem.

để đào tạo đủ số nhân sự cho vấn đề này.

So imagine if we can help enhance their efficiency

Hãy tưởng tượng, liệu chúng ta có thể nâng hiệu năng của họ

using these deep learning approaches?

qua cách tiếp cận "học sâu"?

So I'm very excited about the opportunities.

Tôi rất thích việc tạo ra những cơ hội.

I'm also concerned about the problems.

Tôi cũng quan tâm đến các vấn đề khó cần giải quyết.

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

Vấn đề ở đây là ở mỗi khu vực màu xanh da trời trên bản đồ,

is somewhere where services are over 80 percent of employment.

ngành dịch vụ chiếm 80% nhân lực.

What are services?

Ngành dịch vụ gì vậy?

These are services.

Các dịch vụ trong bảng này.

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

Máy tính cũng vừa mới học được cách làm các dịch vụ này.

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

Vậy công việc của 80% nhân lực trong các nước phát triển

is stuff that computers have just learned how to do.

sẽ được máy tính học để làm thay.

What does that mean?

Điều đó có nghĩa là gì?

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

À, sẽ ổn thôi. Họ sẽ làm các công việc khác.

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

Ví dụ, sẽ có nhiều việc hơn cho các nhà khoa học dữ liệu.

Well, not really.

À cũng không hẳn.

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

Vì các nhà khoa học dữ liệu không cần nhiều thời gian nữa.

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

Ví dụ, bốn giải thuật này được xây dựng bởi cùng một người.

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

Các bạn nghĩ chuyện này đã xảy ra trước đây rồi,

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

trong quá khứ nhiều máy móc được làm ra và tiếp theo là

and they get replaced by new jobs,

và nhiều người đã phải chuyển sang việc mới,

what are these new jobs going to be?

nhưng việc mới của thời nay này sẽ là gì?

It's very hard for us to estimate this,

Thật khó để dự đoán được điều này,

because human performance grows at this gradual rate,

vì khả năng của con người thì chỉ tăng từng bước,

but we now have a system, deep learning,

nhưng với một hệ thống "học sâu",

that we know actually grows in capability exponentially.

chúng ta có khả năng phát triển rất nhanh.

And we're here.

Và chúng ta ở đây.

So currently, we see the things around us

Chúng ta thấy những thứ xung quanh

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

và chúng ta nói: "Ôi, máy tính vẫn ngốc lắm", lo gì ?

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

Nhưng trong 5 năm nữa, máy tính sẽ không còn như vậy.

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

Chúng ta cần suy nghĩ tới khả năng này ngay từ bây giờ.

We have seen this once before, of course.

Chúng ta thấy một lần như vậy trước đây rồi.

In the Industrial Revolution,

Trong cách mạng công nghiệp,

we saw a step change in capability thanks to engines.

chúng ta đã thấy những thay đổi nhờ các động cơ.

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

Mặc dù vậy, sau đó mọi thứ trở nên bình thường.

There was social disruption,

Đã có vài đảo lộn trong xã hội,

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

nhưng một khi động cơ được dùng để tạo ra những thuận lợi cho cuộc sống,

things really settled down.

thì mọi thứ đi vào ổn định.

The Machine Learning Revolution

Cuộc cách mạng "máy biết học"

is going to be very different from the Industrial Revolution,

sẽ rất khác với Cuộc cách mạng công nghiệp,

because the Machine Learning Revolution, it never settles down.

vì Cách mạng "máy biết học sẽ không bao giờ dừng lại.

The better computers get at intellectual activities,

Máy tính càng giỏi trong các hoạt động trí tuệ,

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

thì chúng tạo nên những máy tính càng thông minh hơn,

so this is going to be a kind of change

và đây chính là kiểu thay đổi

that the world has actually never experienced before,

mà thế giới chưa bao giờ trải qua,

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

những phán đoán trước đây của bạn có thể sẽ không chính xác.

This is already impacting us.

Điều này tác động lên chính chúng ta.

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

Trong 25 năm trước, khi năng suất thiết bị tăng,

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

thì năng suất lao động không tăng, mà thậm chí còn hơi giảm.

So I want us to start having this discussion now.

Tôi nghĩ chúng ta cần thảo luận về vấn đề này từ bây giờ.

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

Khi tôi nói với mọi người về tình hình này,

people can be quite dismissive.

họ thường tỏ vẻ coi thường.

Well, computers can't really think,

Đúng, máy tính không thể suy nghĩ,

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

chúng không có cảm xúc, không hiểu thơ ca,

we don't really understand how they work.

nhưng ta không lường trước được cách chúng làm việc.

So what?

Vậy chuyện gì đây?

Computers right now can do the things

Bây giờ, máy tính có thể làm

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

những việc mà con người cần cả đời để thực hiện,

so now's the time to start thinking

đây là thời điểm để chúng ta nghĩ tới

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

cách điều chỉnh cấu trúc xã hội và cấu trúc kinh tế

to be aware of this new reality.

để thận trọng với hiện thực mới này.

Thank you.

Xin cảm ơn.

(Applause)

(Tiếng vỗ tay)