0:00:02.366,0:00:05.387
Müsadenizle size bazı şeyler göstermek[br]istiyorum.

0:00:05.728,0:00:09.700
(Video) Kız: Tamam, burada yatağın üzerinde[br]oturan bir kedi var.

0:00:09.910,0:00:13.350
Çocuk fili okşuyor.

0:00:14.300,0:00:18.174
Buradaki insanlar uçağa gidiyorlar.

0:00:18.364,0:00:20.274
Bu büyük bir uçak.

0:00:21.054,0:00:23.480
Fei-Fei Li: Üç yaşında[br]küçük bir kız çocuğu

0:00:23.480,0:00:26.959
fotoğraflarda ne gördüğünü[br]anlatıyor.

0:00:27.349,0:00:30.194
Henüz, dünya hakkında öğrenmesi[br]gereken çok şey var

0:00:30.194,0:00:34.743
fakat çok önemli bir alanda[br]uzman olmuş bile:

0:00:34.743,0:00:37.589
gördüklerini anlamlandırma.

0:00:38.089,0:00:42.455
Toplumumuz teknolojik olarak her[br]zamankinden daha fazla ilerlemiş durumda.

0:00:42.455,0:00:46.084
İnsanları aya gönderiyoruz, bizimle[br]konuşabilen ya da radyo kanallarını

0:00:46.084,0:00:51.030
sadece sevdiğimiz müzikleri çalması[br]için düzenleyebilen telefonlar yapıyoruz.

0:00:51.030,0:00:55.085
En gelişmiş makinelerimiz [br]ve bilgisayarlarımız

0:00:55.085,0:00:57.988
hâlâ bu özelliği elde etmeye çalışıyorlar.

0:00:57.988,0:01:01.447
Bugün, bilgisayar görme yetisi üzerine[br]yapılan ileri düzeydeki

0:01:01.447,0:01:05.494
araştırmalarımızın işleyişi hakkında size[br]bilgi vermek için buradayım.

0:01:05.494,0:01:09.655
Bilgisayar biliminde, en önde ve devrim niteliğinde

0:01:09.655,0:01:12.861
olan teknolojik gelişmelerden biri.

0:01:12.861,0:01:17.412
Evet, kendini sürebilen araçların[br]prototiplerine sahibiz,

0:01:17.412,0:01:21.265
fakat akıllı görme yetisine sahip olmadan,[br]üzerinden geçilebilecek buruşmuş bir

0:01:21.265,0:01:25.235
kağıt torba ile sakınılması gereken aynı[br]boyuttaki bir kaya

0:01:25.235,0:01:28.575
arasındaki farkı söyleyebilmeleri[br]mümkün değil.

0:01:29.415,0:01:32.805
Mükemmel çözünürlükte kameralar[br]yapmamıza rağmen,

0:01:32.805,0:01:35.940
görebilmelerini sağlayamamıştık.

0:01:36.420,0:01:39.725
İnsansız hava araçları koca bir araziyi[br]uçabilirler,

0:01:39.725,0:01:41.859
ama yağmur ormanlarındaki değişimleri[br]izlememize yardımcı olabilecek

0:01:41.859,0:01:45.320
düzeyde yeterli bir görüş kabiliyetine [br]sahip değiller.

0:01:45.320,0:01:48.270
Güvenlik kameraları her yerde,

0:01:48.270,0:01:53.337
fakat bir çocuk havuzda boğuluyorken [br]bizi uyaramıyorlar.

0:01:54.167,0:01:59.502
Fotoğraf ve videolar gündelik hayatın[br]bir parçası haline geliyorlar.

0:01:59.762,0:02:03.849
Herhangi bir insan veya bazı [br]grupların görme umuduyla

0:02:03.849,0:02:06.632
hızlı bir şekilde çoğalıyorlar,

0:02:06.632,0:02:10.553
buradaki TED konuşmaları ile[br]sizler ve ben de buna katkı sağlıyoruz.

0:02:10.773,0:02:13.745
En iyi yazılımımız hala bu devasa içeriği

0:02:14.915,0:02:18.661
anlamaya ve yönetmeye çabalıyor.

0:02:19.661,0:02:24.023
Başka bir anlamda,[br]toplumun tamamı olarak

0:02:24.543,0:02:26.529
büyük bir görme kaybına sahibiz

0:02:26.679,0:02:30.066
çünkü en iyi makinelerimiz hala[br]göremiyorlar.

0:02:31.526,0:02:34.452
"Neden bu kadar zor ki bu?"[br]diye soracaksınız.

0:02:34.452,0:02:37.145
Kameralar burada da olduğu gibi[br]fotoğraf çekebilirler,

0:02:37.145,0:02:41.139
ışığın iki boyutlu sayı dizilerine[br]çevrilmiş hali ile,

0:02:41.139,0:02:42.789
ki bunlara pikseller diyoruz.

0:02:42.789,0:02:45.040
Fakat burada sadece ölü sayılar[br]bulunmakta.

0:02:45.040,0:02:48.151
Kendi içlerinde herhangi bir anlam[br]taşımıyorlar.

0:02:48.151,0:02:52.494
Nasıl ki duymak ile dinlemek aynı [br]anlama gelmiyorsa

0:02:52.494,0:02:56.534
fotoğraf çekmek ile görmek de[br]aynı şeyi ifade etmiyor.

0:02:56.974,0:03:00.043
Görmek derken ciddi manada "anlamayı"[br]kastediyoruz.

0:03:01.293,0:03:04.710
Aslında, bu yetiye sahip olabilmemiz

0:03:05.200,0:03:08.943
tabiat ananın 540 milyon yılını aldı.

0:03:09.443,0:03:11.324
Bu çabanın çoğu, beynin görsel

0:03:11.444,0:03:16.595
işleme bölümünün gelişimine gitti

0:03:16.595,0:03:19.242
sadece gözlerin kendisine değil.

0:03:19.242,0:03:21.989
Yani görmek gözlerde başlıyor,

0:03:21.989,0:03:25.507
ama asıl olarak beynin bir bölümünde[br]anlam kazanıyor.

0:03:26.287,0:03:31.347
15 sene önce, Caltech'deki doktorama[br]başladığımda

0:03:31.347,0:03:34.273
ve sonra Stanford Görsel Laboratuvarını[br]yönlendirdiğimde

0:03:34.273,0:03:38.669
mentorlerim, iş ortaklarım ve[br]öğrencilerimle birlikte

0:03:38.669,0:03:41.558
bilgisayarlara görmeyi öğretmek için[br]çalışıyorduk.

0:03:42.138,0:03:45.932
Araştırma alanımız bilgisayar görme yetisi[br]ve makine öğrenimi olarak anılıyordu.

0:03:45.952,0:03:49.830
Yapay zeka bölümünün genel bir dalı[br]olarak geçiyordu.

0:03:51.000,0:03:56.493
Nihayetinde, makinelere tıpkı bizim gibi[br]görebilmelerini öğretmek istedik,

0:03:56.493,0:04:01.880
nesnelerin isimlendirilmesi, insanların[br]tanımlanması, 3B geometrileri tahmin

0:04:01.880,0:04:07.568
ilişkileri anlama, duygular, olaylar[br]ve şiddet.

0:04:07.568,0:04:13.721
Şu anda insanların, yerlerin ve[br]eşyaların bütün hikayesini

0:04:13.721,0:04:16.265
gözler önüne serip beraber dokuyalım.

0:04:16.955,0:04:22.538
Bu amaca doğru atılacak ilk adım[br]bilgisayara gördüğü şeyleri öğretmek,

0:04:22.538,0:04:25.906
sanal dünyanın yapı taşı bu.

0:04:25.906,0:04:30.340
Basit anlamda bu öğretme[br]sürecini bi hayal edin,

0:04:30.340,0:04:33.335
bilgisayara belirli bir nesnenin[br]ya da bir kedinin diyelim

0:04:33.335,0:04:36.656
deneme amaçlı resimlerini göstermek[br]gibi

0:04:36.656,0:04:41.393
ve bu resimlerden öğrenilmiş bir model[br]tasarlamayı.

0:04:41.393,0:04:43.437
Bu ne kadar zor olabilir ki?

0:04:43.437,0:04:47.489
Sonuç olarak, bir kedi sadece[br]şekillerin ve renklerin bir derlemesi

0:04:47.489,0:04:51.575
ve bu ilk zamanlarda yaptığımız[br]nesne modellemesi.

0:04:51.575,0:04:55.197
Algoritmasını sayısal bir dille[br]bilgisayara öğretmemiz gerekiyordu

0:04:55.197,0:04:58.540
bu kedi yuvarak bir yüze, [br]dolgun bir vücuda

0:04:58.540,0:05:00.839
iki noktada kulaklara ve uzun bir kuyruğa[br]sahip

0:05:00.839,0:05:02.249
her şey yolunda gibi.

0:05:02.859,0:05:04.972
Peki, ya bu kedi?

0:05:04.972,0:05:06.063
(Gülüşmeler)

0:05:06.063,0:05:07.689
Hepsi iç içe.

0:05:07.689,0:05:12.408
Bu nesne için için farklı bir şekil[br]ve farklı bir bakış açısı eklemeniz gerek.

0:05:12.408,0:05:14.123
Peki ya kediler gizlenirse?

0:05:15.143,0:05:17.362
Bu absürd kedilere ne demeli?

0:05:19.112,0:05:21.529
Şimdi ne demek istediğimi anladınız.

0:05:21.529,0:05:24.896
Evdeki kedi gibi basit bir şey için bile

0:05:24.896,0:05:29.400
sonsuz çeşitlilikte nesne modellemesi[br]yapmak mümkün

0:05:29.400,0:05:31.633
ve bu sadece bir nesne.

0:05:32.573,0:05:35.065
Yaklaşık sekiz yıl önce,

0:05:35.065,0:05:40.095
oldukça basit ama yoğun bir gözlem[br]fikrimi değiştirdi.

0:05:41.425,0:05:44.110
Hiç kimse bir çocuğa nasıl görebileceğini[br]öğretmez,

0:05:44.110,0:05:46.371
özellikle de erken yaşlarda.

0:05:46.371,0:05:51.371
Gerçek dünya tecrübeleri ve örnekleriyle[br]öğrenirler bunu.

0:05:51.371,0:05:54.111
Bir çocuğun gözlerini düşünecek olursanız

0:05:54.111,0:05:56.665
sanki bir çift biyolojik kameraymış gibi,

0:05:56.665,0:06:00.845
yaklaşık her 200 milisaniyede[br]bir fotoğraf çekerler,

0:06:00.845,0:06:03.979
göz hareketinden oluşmuş ortalama[br]bir zaman dilimi.

0:06:03.979,0:06:09.529
Yani üç yaşında bir çocuk, gerçek hayatta[br]yüz milyonlarca

0:06:09.529,0:06:11.363
fotoğraf görmüş olacak.

0:06:11.363,0:06:13.643
Bu oldukça fazla deneme örneği.

0:06:14.383,0:06:20.372
Sadece daha iyi algoritmalara[br]odaklanmak yerine,

0:06:20.372,0:06:25.644
sezilerim algoritmalara bir tür[br]eğitici veri vermek üzerineydi,

0:06:25.644,0:06:28.963
tıpkı bir çocuğa sayıca ve kalitece

0:06:28.963,0:06:32.841
deneyimleri yoluyla verilmiş gibi.

0:06:32.841,0:06:34.699
Bunu anlayınca,

0:06:34.699,0:06:37.670
bir tür veri havuzuna

0:06:37.670,0:06:42.129
sahip olduğumuz resimlerden daha[br]fazla, hatta binlerce kat daha fazla

0:06:42.129,0:06:44.706
ihtiyacımız olduğunu biliyorduk.

0:06:44.706,0:06:48.817
Princeton Üniversitesinden Prof. Kai Li[br]ile birlikte

0:06:48.817,0:06:53.569
2007 senesinde ImageNet projesini[br]başlattık.

0:06:53.569,0:06:57.407
Şanslıyız ki başımızın üzerine bir[br]kamera alıp

0:06:57.407,0:06:59.171
yıllarca beklememize gerek kalmadı.

0:06:59.171,0:07:00.634
İnternete başvurduk.

0:07:00.634,0:07:05.070
İnsanların oluşturduğu en büyük[br]resim definesi.

0:07:05.070,0:07:08.111
Yaklaşık bir milyar resim indirdik

0:07:08.111,0:07:13.991
ve crowdsourcing teknolojisini kullandık.[br]Resimleri tanımlamada bize yardımcı olmada

0:07:13.991,0:07:16.330
Amazon Mechanical Turk platformu gibi.

0:07:16.330,0:07:21.230
ImageNet, Amazon Mechanical Turk[br]çalışanlarına işveren en büyük

0:07:21.230,0:07:24.226
kurumlardan biri oldu.

0:07:24.226,0:07:28.080
Dünya genelinde 167 ülkeden

0:07:28.080,0:07:32.120
neredeyse 50,000 çalışan

0:07:32.120,0:07:35.257
yaklaşık bir milyar resmi

0:07:35.537,0:07:39.642
eleyip, sınıflandırma ve tanımlamada bize[br]yardımcı oldu.

0:07:40.612,0:07:43.265
Bu çaba, erken gelişim dönemindeki

0:07:43.265,0:07:47.165
bir çocuğun algıladığı görüntülerin[br]sadece belli bir bölümünü

0:07:47.165,0:07:51.336
elde edebilmemiz içindi.

0:07:52.148,0:07:56.050
Nihayet, bilgisayar algoritmalarını[br]eğitmek için

0:07:56.050,0:08:00.600
big datanın kullanılması fikri[br]şu anda mümkün hale geldi,

0:08:00.600,0:08:04.710
fakat 2007 senesine dönersek,[br]bu mümkün değildi.

0:08:04.710,0:08:08.588
Bu yolculukta uzun bir süre tam[br]anlamıyla kendi başımızaydık.

0:08:08.588,0:08:13.591
Samimi bazı arkadaşlarım kadrom için daha[br]kullanışlı şeyler yapmamı tavsiye ettiler,

0:08:13.591,0:08:17.933
ve aynı zamanda araştırma fonu oluşturmak[br]için durmaksızın çabalıyorduk.

0:08:17.933,0:08:20.418
Hatta, master öğrencilerime ImageNet fonu

0:08:20.418,0:08:24.481
için kuru temizleme mağazamı tekrar açma[br]konusunda şaka yapıyordum.

0:08:24.481,0:08:29.242
Üniversite yıllarımda bu şekilde[br]geçiniyordum.

0:08:29.242,0:08:31.098
Sonra devam ettik.

0:08:31.098,0:08:34.813
2009 senesinde, ImageNet projesi

0:08:34.813,0:08:38.855
her gün ingilizce kelimelerle 22,000

0:08:38.855,0:08:43.660
nesne ve eşya sınıfı ile

0:08:43.660,0:08:46.980
15 milyonluk bir resim veritabanına[br]ulaştı.

0:08:46.980,0:08:49.906
Sayı ve kalite olarak,

0:08:49.906,0:08:52.878
emsalsiz bir ölçekti bu.

0:08:52.878,0:08:56.339
Örneğin, kedi kategorisinde,

0:08:56.339,0:08:59.148
görünüş ve poz

0:08:59.148,0:09:03.258
ile evcil ve yaban türlerinin tümüyle

0:09:03.258,0:09:08.481
62 binden fazla kedi bulunmakta.

0:09:08.481,0:09:11.825
Bunları ImageNet olarak toparladığımızdan[br]heyecanlıydık

0:09:11.825,0:09:15.563
ve sonra bütün dünya araştırmalarında[br]bunlardan faydalanılsın istedik,

0:09:15.563,0:09:19.604
bu yüzden TED fashion'da bütün veri[br]havuzumuzu

0:09:19.604,0:09:23.196
global araştırma topluluklarına ücretsiz[br]bir şekilde açtık.

0:09:24.636,0:09:28.636
(Alkış)

0:09:29.416,0:09:33.954
Artık, bilgisayarımızın beynini besleyecek[br]veriye sahibiz,

0:09:33.954,0:09:37.691
algoritmaların kendilerine[br]dönecek kadar da hazırız.

0:09:37.691,0:09:42.869
ImageNet projesinin sağladığı[br]bilgi zenginliği, sonunda

0:09:42.869,0:09:47.675
"evrişimli sinirsel ağ" olarak ifade[br]edilen makine öğrenme algoritmalarının

0:09:47.675,0:09:50.090
özel bir sınıfıyla mükemmel bir şekilde[br]eşleşmişti,

0:09:50.090,0:09:55.338
öncülüğünü Kunihiko Fukushima,[br]Geoff Hinton ve Yann LeCun'un yaptığı

0:09:55.338,0:09:58.983
1970 ve 80'lerin öncesindeki bir alan.

0:09:58.983,0:10:04.602
Beyinde meydana gelen milyarlarca[br]yüksek bağlantılı sinirler gibi,

0:10:04.602,0:10:08.456
sinir ağının basit bir çalışma birimine

0:10:08.456,0:10:10.871
"nöron benzeri" düğümü deniyor.

0:10:10.871,0:10:13.425
Başka düğümlerden girdi alıyorlar

0:10:13.425,0:10:16.143
ve diğer düğümlere gönderiyorlar.

0:10:16.143,0:10:20.856
Dahası, bu yüzbinlerce hatta milyonlarca[br]düğüm

0:10:20.856,0:10:24.083
hiyerarşik tabakalarla düzenleniyorlar

0:10:24.083,0:10:26.637
tıpkı beyin gibi.

0:10:26.637,0:10:31.420
Normal bir sinir ağında nesne tanıma[br]modelimizi eğitmek için,

0:10:31.420,0:10:34.601
24 milyon düğüm,

0:10:34.601,0:10:37.898
140 milyon değişken,

0:10:37.898,0:10:40.661
ve 15 milyar bağlantı kullandık.

0:10:40.661,0:10:43.076
Bu muazzam bir modeldi.

0:10:43.076,0:10:46.977
ImageNet'den elde edilen büyük veri ile

0:10:46.977,0:10:52.410
oldukça muazzam bir modeli eğitmek için[br]kullanılan modern CPU ve GPU'lar sayesinde

0:10:52.410,0:10:54.779
evrişimli sinirsel ağ

0:10:54.779,0:10:58.215
hiçbirimizin hayal edemeyeceği bir şekilde[br]gelişti.

0:10:58.215,0:11:01.493
Nesne tanımlamada etkileyeci[br]yeni sonuçlar üretmek için

0:11:01.493,0:11:06.063
başarılı bir mimari olmaya başladı.

0:11:06.063,0:11:08.873
Bu bilgisayarın bize söylediği,

0:11:08.873,0:11:11.173
bu fotoğrafta bir kedinin olduğu

0:11:11.173,0:11:13.076
ve kedinin nerede olduğu.

0:11:13.076,0:11:15.188
Elbette orada kedilerden daha fazlası var,

0:11:15.188,0:11:17.626
burada ise bilgisayar algoritmasının[br]bize söylediği

0:11:17.626,0:11:20.900
resimde bir çocuk ile oyuncak bir ayının;

0:11:20.900,0:11:25.266
bir köpeğin, bir kişinin ve arkaplanda[br]küçük bir uçurtmanın;

0:11:25.266,0:11:28.401
ya da çok karışık bir resimin

0:11:28.401,0:11:33.045
bir adam, bir kaykay, korkuluklar, lamba[br]direği v.b. gibi şeyler olduğu.

0:11:33.045,0:11:38.338
Bazen, bilgisayar ne gördüğü hakkında emin[br]olamayınca

0:11:39.488,0:11:42.434
çok fazla düşünmek yerine yeterince

0:11:42.504,0:11:45.652
mantıklı bir cevap vermesini öğrettik,

0:11:45.652,0:11:48.463
tıpkı bizim yapacağımız gibi

0:11:48.463,0:11:53.129
fakat başka zamanlarda bilgisayar[br]algoritmamız bize dikkate değer şeyler

0:11:53.129,0:11:55.382
tam olarak nesnelerin ne olduğunu

0:11:55.382,0:11:58.818
marka, model ve üretim yılı gibi şeyleri[br]söylüyor.

0:11:58.818,0:12:04.204
Bu algoritmayı Google Sokak Görüntüleme[br]ile yüzlerce Amerika şehrinden

0:12:04.204,0:12:07.339
alınmış resimlere uyguladık

0:12:07.339,0:12:10.265
ve gerçekten ilginç şeyler öğrendik:

0:12:10.265,0:12:13.585
öncelikle, hepimizin bildiği gibi araç

0:12:13.585,0:12:16.875
fiyatlarının aile gelir düzeyiyle

0:12:16.875,0:12:19.220
doğrudan ilişkili olduğunu teyit etti

0:12:19.220,0:12:23.747
fakat ilginçtir ki, araç fiyatları aynı[br]zamanda

0:12:23.747,0:12:26.047
şehirdeki suç oranları

0:12:27.007,0:12:30.970
ya da posta kodlarından oy verme alanları[br]ile de bağlantılı.

0:12:32.060,0:12:34.266
Peki biraz düşünün, bu oldu mu?

0:12:34.266,0:12:39.419
Bilgisayar henüz insan kabiliyetlerine[br]erişebildi mi hatta daha üstün geldi mi ?

0:12:39.419,0:12:41.557
Hayır, o kadar hızlı değil.

0:12:41.557,0:12:46.480
Şu ana dek, sadece bilgisayara nesneleri[br]görmesini öğrettik.

0:12:46.480,0:12:51.124
Bu küçük bir çocuğun bir kaç kelime[br]söylemesini öğrenmesi gibi bir sey.

0:12:51.124,0:12:53.794
İnanılmaz bir başarıdır bu,

0:12:53.794,0:12:56.254
fakat bu sadece ilk adımdır.

0:12:56.254,0:13:00.016
Sonrasında, başka bir gelişimsel dönüm[br]noktası açığa çıkar,

0:13:00.016,0:13:03.477
ve çocuk cümlelerle iletişim kurmaya[br]başlar.

0:13:03.477,0:13:07.701
Yani, "bu resimdeki bir kedidir"[br]demek yerine

0:13:07.701,0:13:12.903
dinlediğiniz gibi küçük kız bize "bu[br]yatağın üzerinde uzanan bir kedidir" diyor

0:13:12.903,0:13:18.498
Bilgisayarı resimleri görmek ve cümle[br]kurmak için eğitmek,

0:13:18.498,0:13:22.446
big data ile makine öğrenim algoritmasının[br]beraberliği için

0:13:22.446,0:13:24.721
bir adım daha atılmalı.

0:13:24.721,0:13:28.877
Şimdilik, bilgisayarın her resimden

0:13:28.877,0:13:31.733
insanlar tarafından oluşturulmuş kadar

0:13:31.733,0:13:35.055
iyi cümleler öğrenmesi gerek.

0:13:35.055,0:13:38.908
Beynin görsellik ve dili bütünleştirdiği[br]gibi,

0:13:38.908,0:13:44.109
biz de ufak görsel parçacıklar[br]gibi görsel şeylerle

0:13:44.189,0:13:46.483
cümlelerdeki kelime ve ifadeleri

0:13:46.553,0:13:49.936
birleştirecek bir model geliştirdik.

0:13:50.216,0:13:52.979
Yaklaşık dört ay önce,

0:13:52.979,0:13:55.626
sonunda bütün bunları bağladık

0:13:55.626,0:13:59.410
ve bir fotoğrafı ilk kez gördüğünde

0:13:59.410,0:14:03.404
bir insan gibi cümle kurabilme[br]yeteneğine sahip

0:14:03.404,0:14:06.910
ilk bilgisayar görme modelinden[br]bir tane yaptık.

0:14:06.910,0:14:11.554
Şu anda, bilgisayarın konuşmamızın başında

0:14:11.554,0:14:13.529
küçük kızın gördüğü resimleri gördüğünde

0:14:13.529,0:14:17.359
neler söylediğini size göstermeye hazırım.

0:14:19.519,0:14:22.863
(Video) Bilgisayar:[br]Bir adam filin yanında duruyor.

0:14:24.393,0:14:28.027
Geniş bir uçak, uçak pistinin üstünde[br]oturuyor.

0:14:29.057,0:14:33.269
FFL: Tabii, hala sıkı bir şekilde[br]algoritmamızı geliştirmek için çalışıyoruz

0:14:33.269,0:14:35.865
ve henüz öğreneceği çok sey var.

0:14:35.865,0:14:38.156
(Alkış)

0:14:39.556,0:14:42.877
Bilgisayar henüz hatalar yapmakta.

0:14:42.877,0:14:46.268
Bilgisayar: Bir kedi battaniyenin içinde[br]yatakta uzanıyor.

0:14:46.268,0:14:48.821
FFL: Tabii, oldukça fazla kedi[br]gördüğünden

0:14:48.821,0:14:51.747
herşeyin kediye benzeyebileceğini[br]düşünüyor.

0:14:53.317,0:14:56.181
Bilgisayar: Genç erkek bir beysbol[br]sopasını tutuyor.

0:14:56.181,0:14:57.946
(Gülüşmeler)

0:14:57.946,0:15:02.529
FFL: Ya da, henüz bir diş fırçası[br]görmemişse, beysbol sopasıyla karıştırıyor

0:15:03.309,0:15:06.743
Bilgisayar: Bir adam binanın kenarından[br]atını sokak aşağı sürüyor.

0:15:06.743,0:15:08.766
(Gülüşmeler)

0:15:08.766,0:15:12.318
FFL: Henüz bilgisayarlara Sanat 101[br]dersini öğretmedik.

0:15:13.768,0:15:16.652
Bilgisayar: Bir zebra otlukların içinde[br]duruyor.

0:15:16.652,0:15:20.019
FFL: Ve henüz doğanın büyüleci güzelliğini

0:15:20.019,0:15:22.457
takdir etmeyi bizim gibi öğrenmedi.

0:15:22.457,0:15:25.289
Uzun bir yolculuktu.

0:15:25.289,0:15:29.515
Sıfırdan üç yaşına getirmek oldukça zordu.

0:15:29.515,0:15:35.111
Asıl zor olan üç yaşından on üç yaş ve[br]daha ötesine götürebilmek.

0:15:35.111,0:15:39.476
Size bu resmi tekrar hatırlatmak istiyorum,[br]çocuk ve kekin olduğu.

0:15:39.476,0:15:43.540
Şu ana dek, bilgisayara nesneleri[br]görebilmesini

0:15:43.540,0:15:47.998
hatta gördüğü resimden küçük bir hikaye[br]anlatmasını bile öğrettik.

0:15:47.998,0:15:51.574
Bilgisayar: Biri yaş pastanın olduğu[br]masada oturuyor.

0:15:51.574,0:15:54.554
FFL: Fakat bu resimde sadece bir kişi ve[br]pastadan

0:15:54.554,0:15:56.474
daha fazlası var.

0:15:56.474,0:16:00.941
Bilgisayarın göremediği şey,[br]onun sadece Paskalya süresince

0:16:00.941,0:16:04.158
servis edilen özel bir İtalyan pastası[br]olduğu.

0:16:04.158,0:16:08.003
Çocuk, babası tarafından Sidney gezisinden[br]sonra kendisine hediye edilen

0:16:08.003,0:16:11.333
en sevdiği tişörtünü giyiyor,

0:16:11.333,0:16:15.141
hepimiz onun nasıl mutlu olduğunu

0:16:15.141,0:16:18.344
ve şu anda kafasından geçenleri[br]söyleyebiliriz.

0:16:19.214,0:16:22.339
Bu benim oğlum Leo.

0:16:22.339,0:16:24.963
Görsel zeka araştırmalarımda,

0:16:24.963,0:16:27.354
durmaksızın Leo'yu

0:16:27.354,0:16:30.257
ve içinde yaşayacağı geleceği düşünüyorum.

0:16:30.257,0:16:32.278
Makineler görebildiğinde,

0:16:32.278,0:16:36.990
doktor ve hemşireler, tanı koymak ve[br]hastalarla ilgilenmek için

0:16:36.990,0:16:41.082
ek olarak yorulmayan[br]göz çiftlerine sahip olacaklar.

0:16:41.082,0:16:45.465
Arabalar yollarda daha güvenli[br]daha akıllı bir şekilde gidecek.

0:16:45.465,0:16:48.159
Robotlar, sadece insanlar değil,

0:16:48.159,0:16:53.008
enkaz bölgelerinde tutsak ve yaralıları[br]kurtarmada bizimle göğüs gerecekler.

0:16:53.798,0:16:57.594
Yeni tür, daha iyi malzemeler bulacak

0:16:57.594,0:17:02.103
ve makinelerin yardımıyla, görünmeyen[br]sınırları keşfedeceğiz.

0:17:03.113,0:17:07.280
Azar azar, makinelere görme yetisini[br]veriyoruz.

0:17:07.280,0:17:10.078
Önce, biz onlara görmeyi öğretiyoruz.

0:17:10.078,0:17:12.841
Sonra, onlar daha iyi görebilmemiz için[br]bize yardım ediyor.

0:17:12.841,0:17:17.006
Öncelikle, dünyamızı keşfetmek[br]ve düşünmek için gözlerimiz

0:17:17.006,0:17:19.940
sadece insan gözleri olmayacak.

0:17:19.940,0:17:23.400
Makineleri sadece zekaları için[br]kullanmıyor,

0:17:23.400,0:17:29.579
aynı zamanda hayal bile edemeyeceğimiz bir[br]şekilde onlarla iş birliği yapıyoruz.

0:17:29.579,0:17:31.740
Benim araştırmam bu:

0:17:31.740,0:17:34.452
bilgisayarlara görsel zekayı vermek

0:17:34.452,0:17:39.583
ve Leo için, dünya için daha iyi bir[br]gelecek oluşturmak.

0:17:39.583,0:17:41.394
Teşekkürler.

0:17:41.394,0:17:45.179
(Alkış)