0:00:00.880,0:00:04.893
Ngày xưa nếu bạn muốn máy tính[br]thực hiện thao tác mới,

0:00:04.893,0:00:06.447
thì bạn phải lập trình nó trước.

0:00:06.447,0:00:09.858
Đối với những bạn ở đây[br]chưa từng lập trình,

0:00:09.858,0:00:13.360
việc này đòi hỏi phải lập sơ đồ chi tiết

0:00:13.360,0:00:16.727
từng bước một cho điều[br]bạn muốn máy tính thực hiện

0:00:16.727,0:00:19.089
để đạt được mục tiêu của bạn.

0:00:19.089,0:00:22.585
Nếu bạn muốn làm một việc mà chính bạn[br]cũng không biết cách làm,

0:00:22.585,0:00:24.648
thì đây sẽ là một thử thách khá lớn.

0:00:24.648,0:00:28.131
Đây là thử thách mà người đàn ông này, [br]Arthur Samuel, gặp phải.

0:00:28.131,0:00:32.208
Vào năm 1956, ông muốn chiếc máy tính này

0:00:32.208,0:00:34.548
có thể đánh bại ông trong môn cờ tướng.

0:00:34.548,0:00:36.588
Làm sao mà bạn có thể viết ra chương trình

0:00:36.588,0:00:40.394
tỉ mỉ, chi tiết về cách chơi [br]cờ tướng giỏi hơn chính bạn ?

0:00:40.394,0:00:42.116
Vậy là ông nảy ra một ý tưởng:

0:00:42.116,0:00:45.840
ông để máy tính tự chơi lại hàng ngàn lần

0:00:45.840,0:00:48.364
và tự học cách chơi cờ.

0:00:48.364,0:00:51.544
Và quả nhiên cách này hiệu quả,[br]và thật sự, đến năm 1962,

0:00:51.544,0:00:55.561
chiếc máy này đã đánh bại [br]quán quân bang Connecticut.

0:00:55.561,0:00:58.534
Arthur Samuel là cha đẻ của [br]lĩnh vực machine learning,

0:00:58.534,0:01:00.251
và tôi rất biết ơn ông,

0:01:00.251,0:01:03.014
bởi tôi là một người làm trong [br]ngành "máy biết học".

0:01:03.014,0:01:04.479
Tôi từng là Chủ tịch ở Kaggle

0:01:04.479,0:01:07.867
một cộng đồng gồm hơn 200,000 [br]chuyên gia về "máy biết học".

0:01:07.867,0:01:09.925
Kaggle tổ chức các cuộc thi

0:01:09.925,0:01:13.633
với thử thách là [br]những vấn đề chưa có lời giải,

0:01:13.633,0:01:17.470
và họ đã thành công hàng trăm lần.

0:01:17.470,0:01:19.940
Với vị thế thuận lợi đó, [br]tôi đã khám phá ra

0:01:19.940,0:01:23.890
rất nhiều thứ mà "máy biết học" có thể [br]làm được trước đây, làm được bây giờ,

0:01:23.890,0:01:26.252
và những gì nó có thể làm trong tương lai.

0:01:26.252,0:01:30.675
Có lẽ sự thành công vang dội đầu tiên [br]của "máy biết học" là Google

0:01:30.675,0:01:33.784
Google cho ta thấy nó có thể [br]tìm kiếm thông tin

0:01:33.784,0:01:35.536
bằng cách sử dụng thuật toán,

0:01:35.536,0:01:38.437
và thuật toán này dựa trên[br]"máy biết học",

0:01:38.437,0:01:42.323
Kể từ đó, đã có rất nhiều thành công[br]về mặt thương mại của "máy biết học".

0:01:42.323,0:01:44.160
Công ty như Amazon và Netflix

0:01:44.160,0:01:47.876
sử dụng "máy biết học"để gợi ý [br]những sản phẩm bạn có thể muốn mua,

0:01:47.876,0:01:49.896
các bộ phim bạn có thể muốn xem.

0:01:49.896,0:01:51.703
Đôi khi nó làm ta [br]rùng mình.

0:01:51.703,0:01:53.657
Các công ty như LinkedIn và Facebook

0:01:53.657,0:01:56.251
đôi khi sẽ nói cho bạn biết ai có thể[br]là bạn bè của bạn

0:01:56.251,0:01:58.228
và bạn không hiểu nổi làm sao họ tìm ra,

0:01:58.228,0:02:01.195
và đó là vì họ dùng đến sức mạnh của[br]"máy biết học".

0:02:01.195,0:02:04.152
Đây là thuật toán tự học cách xử lý[br]từ cơ sở dữ liệu,

0:02:04.152,0:02:07.399
thay vì được lập trình sẵn trước đó.

0:02:07.399,0:02:09.877
Đây cũng là cách IBM thành công

0:02:09.877,0:02:13.739
trong việc khiến cho Watson đánh bại [br]hai nhà vô địch chương trình "Jeopardy",

0:02:13.739,0:02:16.964
bằng cách trả lời những câu hỏi hóc [br]búa và phức tạp như :

0:02:16.964,0:02:19.799
[Sư tử Nimrud bị mất tại bảo tàng [br]quốc gia thành phố ...

0:02:19.799,0:02:23.034
Đây cũng là cơ sở cho[br]những xe hơi tự lái đầu tiên.

0:02:23.034,0:02:25.856
Nếu chúng phân biệt [br]được sự khác nhau giữa

0:02:25.856,0:02:28.488
cây xanh và người đi bộ,[br]thì đó là việc rất quan trọng.

0:02:28.488,0:02:31.075
Chúng ta không biết cách viết [br]những chương trình này,

0:02:31.075,0:02:34.072
nhưng với "máy biết học", điều đó[br]trở thành có thể.

0:02:34.072,0:02:36.680
Và thực tế, loại xe này đã đi được [br]cả triệu dặm

0:02:36.680,0:02:40.186
trên những con đường bình thường [br]mà không gây tai nạn nào.

0:02:40.196,0:02:44.110
Bây giờ chúng ta biết máy tính[br]có thể học được,

0:02:44.110,0:02:46.010
và chúng có thể học[br]cách làm những việc

0:02:46.010,0:02:48.848
mà đôi khi chính chúng ta [br]không biết cách làm,

0:02:48.848,0:02:51.733
hoặc có thể chúng làm tốt hơn ta.

0:02:51.733,0:02:55.928
Một trong những ví dụ ngoạn mục nhất[br]về "máy biết học" tôi từng thấy

0:02:55.928,0:02:58.320
là dự án tôi tham gia ở Kaggle

0:02:58.320,0:03:01.911
nơi đó có một anh chàng điều khiển [br]một nhóm, anh ta tên là Geofrey Hinton

0:03:01.911,0:03:03.463
đến từ Đại học Toronto

0:03:03.463,0:03:06.140
nhóm này thắng cuộc thi về[br]chế tạo máy phát hiện ma túy.

0:03:06.140,0:03:08.987
Bây giờ, điều phi thường ở đây [br]không phải là họ đánh bại

0:03:08.987,0:03:13.000
tất cả các giải thuật phát triển bới Merk[br]hay các cộng đồng học thuật quốc tế khác

0:03:13.000,0:03:18.061
mà chính là họ không có thành viên nào [br]chuyên về hóa, sinh hay khoa học đời sống,

0:03:18.061,0:03:20.230
và họ đã tạo ra chiếc máy [br]chỉ trong 2 tuần.

0:03:20.230,0:03:21.611
Làm thế nào mà họ làm được?

0:03:22.421,0:03:25.342
Họ dùng 1 siêu giải thuật[br]gọi là deep learning: "học sâu".

0:03:25.342,0:03:28.291
Thành công này quan trọng [br]đến mức đã được lên

0:03:28.291,0:03:31.412
trang bìa tờ New York Times[br]vài tuần sau đó.

0:03:31.412,0:03:34.147
Đây là Geoffrey Hinton ở đây bên bìa trái.

0:03:34.147,0:03:38.488
"Học sâu" là một giải thuật lấy [br]cảm hứng từ cách làm việc của não người,

0:03:38.488,0:03:40.300
và kết quả là giải thuật này

0:03:40.300,0:03:44.141
về lý thuyết, không có giới hạn cho [br]những gì nó có thể làm.

0:03:44.141,0:03:46.964
Bạn đưa vào càng nhiều dữ liệu và[br]cho càng nhiều thời gian,

0:03:46.964,0:03:48.276
thì nó càng làm tốt.

0:03:48.276,0:03:50.615
Trong bài báo này, Tờ New York Times[br]cũng nói về

0:03:50.615,0:03:52.857
một kết quả tuyệt vời khác [br]của "học sâu"

0:03:52.857,0:03:55.569
mà tôi sẽ cho các bạn xem bây giờ.

0:03:55.569,0:04:00.510
Đó là máy tính có thể nghe và hiểu.

0:04:00.510,0:04:03.221
(Video) Richard Rashid: [br]Bây giờ là bước cuối cùng

0:04:03.221,0:04:06.246
mà tôi muốn làm trong quá trình này

0:04:06.246,0:04:10.961
là nói chuyện với các bạn bằng [br]tiếng Trung.

0:04:10.961,0:04:13.596
Điểm mấu chốt đó là,

0:04:13.596,0:04:18.598
chúng tôi có thể lấy lượng lớn[br]thông tin từ những người nói tiếng Trung

0:04:18.598,0:04:21.128
và tạo ra hệ thống chuyển văn bản [br]thành giọng nói

0:04:21.128,0:04:25.801
nó giúp lấy văn bản tiếng Trung chuyển [br]thành tiếng Trung,

0:04:25.801,0:04:29.929
và sau đó chúng tôi đã thực hiện khoảng [br]1 giờ để lấy giọng của chính tôi

0:04:29.929,0:04:31.820
từ đó chúng tôi đã điều chỉnh

0:04:31.820,0:04:36.364
hệ thống chuyển 'văn bản-lời nói'[br]để cho ra được giọng nói giống tôi.

0:04:36.364,0:04:38.904
Lần nữa, kết quả không hoàn hảo.

0:04:38.904,0:04:41.552
Thực tế vẫn còn một vài lỗi.

0:04:41.552,0:04:44.036
( tiếng Trung).

0:04:44.036,0:04:47.403
(vỗ tay)

0:04:49.446,0:04:53.022
Còn nhiều việc để làm trong lĩnh vực này.

0:04:53.022,0:04:56.667
( tiếng Trung)

0:04:56.667,0:05:00.100
( vỗ tay)

0:05:01.345,0:05:04.744
Jeremy Howard: đó là trong một hội thảo[br]về "máy biết học" ở Trung Quốc.

0:05:04.744,0:05:07.114
Thực ra ở hội thảo học thuật, các bạn

0:05:07.114,0:05:09.011
thường ít nghe tiếng vỗ tay tự phát,

0:05:09.011,0:05:12.687
ngay cả ở các hội thảo của TEDx,[br]hay vỗ tay thoải mái đi.

0:05:12.687,0:05:15.482
Những điều bạn thấy đó[br]đang diễn ra với "học sâu".

0:05:15.482,0:05:17.007
( vỗ tay) Cảm ơn.

0:05:17.007,0:05:19.289
Viết lại lời tiếng tiếng Anh[br]bằng "học sâu".

0:05:19.289,0:05:22.701
Dịch sang tiếng Trung có văn bản[br]ở trên bên phải, do "học sâu",

0:05:22.701,0:05:26.008
và xây dựng giọng nói cũng nhờ [br]"học sâu".

0:05:26.008,0:05:29.242
"Học sâu" thật sự phi thường.

0:05:29.242,0:05:32.341
Nó là một giải thuật đơn giản mà có vẻ [br]làm được hầu hết mọi thứ,

0:05:32.341,0:05:35.452
và tôi phát hiện trước đó một năm,[br]nó còn học nhìn thấy.

0:05:35.452,0:05:37.628
Trong cuộc thi ở Đức,

0:05:37.628,0:05:40.225
cuộc thi 'Nhận biết Tín hiệu[br]Giao thông Benchmark',

0:05:40.225,0:05:43.618
"học sâu" nhận biết các [br]tín hiệu giao thông,như cái này.

0:05:43.618,0:05:45.712
Nó không chỉ nhận biết tín hiệu giao thông

0:05:45.712,0:05:47.470
tốt hơn bất kỳ giải thuật nào khác,

0:05:47.470,0:05:50.189
mà còn làm tốt hơn cả con người,

0:05:50.189,0:05:52.041
tốt hơn gấp đôi.

0:05:52.041,0:05:54.037
Năm 2011, chúng tôi có thử nghiệm đầu tiên

0:05:54.037,0:05:57.442
cho thấy máy tính có thể nhìn[br]tốt hơn con người.

0:05:57.442,0:05:59.491
Từ đó, rất nhiều điều đã xảy ra.

0:05:59.491,0:06:03.005
Năm 2012, Google thông báo họ đã có một[br]giải thuật "học sâu"

0:06:03.005,0:06:04.420
xem được video trên YouTube

0:06:04.420,0:06:07.857
và lấy dữ liệu từ 16,000 máy tính trong[br]một tháng,

0:06:07.857,0:06:12.218
và máy tính đã học một cách độc lập[br]các khái niệm "người" và "mèo"

0:06:12.218,0:06:14.027
chỉ bằng việc xem các videos.

0:06:14.027,0:06:16.379
Cách này rất giống[br]cách học của con người.

0:06:16.379,0:06:19.119
Không cần khái niệm có sẵn,[br]ta học từ cái ta nhìn thấy,

0:06:19.119,0:06:22.450
ta có thể hiểu trực tiếp[br]bản chất của sự vật đó.

0:06:22.450,0:06:25.819
Cũng trong năm 2012, Geoffrey Hinton,[br]

0:06:25.819,0:06:28.677
chiến thắng cuộc thi[br]ImageNet rất nổi tiếng,

0:06:28.677,0:06:32.818
vì đã tìm ra cách để xác định [br]một trong số nửa triệu tấm ảnh

0:06:32.818,0:06:34.256
được giao trước.

0:06:34.256,0:06:37.789
Từ 2014, chúng tôi đã giảm[br]còn 6% tỉ lệ lỗi

0:06:37.789,0:06:39.242
trong việc nhận diện hình ảnh.

0:06:39.242,0:06:41.268
Với dạng việc này, [br]máy cũng hơn con người.

0:06:41.268,0:06:45.037
Thật vậy, máy rất siêu trong lĩnh vực này,

0:06:45.037,0:06:47.306
và đang được ứng dụng trong công nghiệp.

0:06:47.306,0:06:50.348
Ví dụ, năm ngoái Google thông báo

0:06:50.348,0:06:54.933
họ đã lập bản đồ mọi địa điểm ở Pháp [br]trong 2 giờ,

0:06:54.933,0:06:58.380
và cách họ làm là nạp những hình ảnh [br]đường phố

0:06:58.380,0:07:02.699
vào giải thuật "học sâu" để nhận diện[br]và đọc số nhà.

0:07:02.699,0:07:04.919
Hãy tưởng tượng trước đây [br]mất bao lâu:

0:07:04.919,0:07:08.274
vài chục người làm việc trong nhiều năm.

0:07:08.274,0:07:10.185
Điều này cũng diễn ra ở Trung Quốc.

0:07:10.185,0:07:14.221
Tôi thấy Baidu cũng là một dạng [br]Google ở Trung Quốc,

0:07:14.221,0:07:16.504
và những gì bạn thấy ở trên bên góc trái

0:07:16.504,0:07:20.478
là một ví dụ về một bức ảnh tôi tải lên [br]hệ thống "học sâu" của Baidu

0:07:20.478,0:07:24.247
và ở dưới bạn có thể thấy kết quả [br]hệ thống xử lý bức ảnh

0:07:24.247,0:07:26.483
và nó đã tìm ra những bức hình tương tự.

0:07:26.483,0:07:29.219
Những bức hình tương tự thực ra có [br]nền tương tự,

0:07:29.219,0:07:30.877
hướng của khuôn mặt tương tự,

0:07:30.877,0:07:32.665
và cả một số hình có lưỡi thè ra.

0:07:32.665,0:07:35.695
Đây không phải là đối chiếu văn bản [br]của trang web.

0:07:35.695,0:07:37.107
Tôi chỉ upload một tấm ảnh.

0:07:37.107,0:07:41.128
Vậy chúng ta đang có những chiếc máy tính[br]thực sự hiểu được những gì chúng nhìn thấy

0:07:41.128,0:07:42.752
và có thể nhờ đó tìm dữ liệu

0:07:42.752,0:07:46.306
của hàng trăm triệu tấm ảnh.

0:07:46.306,0:07:49.536
Điều đó có nghĩa là gì khi máy tính [br]có thể nhìn thấy?

0:07:49.536,0:07:51.553
À, máy tính không chỉ có thể[br]nhìn thấy.

0:07:51.553,0:07:53.622
Thật ra, "học sâu"[br]còn làm được nhiều hơn.

0:07:53.622,0:07:56.570
Những câu phức tạp và đầy [br]nét khác biệt tinh tế như câu này

0:07:56.570,0:07:59.394
giờ đã được hiểu bởi giải thuật "học sâu".

0:07:59.394,0:08:00.697
Như các bạn thấy ở đây,[br]

0:08:00.697,0:08:03.465
hệ thống nền Stanford này đang chiếu điểm[br]đỏ ở trên

0:08:03.465,0:08:07.384
đã tìm ra rằng câu này thể hiện tình cảm[br]tiêu cực.

0:08:07.384,0:08:10.790
"học sâu" thực sự đang gần giống như[br]con người

0:08:10.802,0:08:15.923
trong việc hiểu chủ đề các câu [br]và nội dung diễn đạt.

0:08:15.923,0:08:18.651
"học sâu" có thể đọc tiếng Trung,

0:08:18.651,0:08:21.807
giống như người nói tiếng Trung bản xứ.

0:08:21.807,0:08:23.975
Giải thuật này phát triển ở Thụy Sĩ

0:08:23.975,0:08:27.331
bởi những người không [br]biết tí gì tiếng Trung.

0:08:27.331,0:08:29.382
Như tôi đã nói, "học sâu"

0:08:29.382,0:08:31.601
là phương tiện tốt nhất [br]trong lĩnh vực này,

0:08:31.601,0:08:36.718
vì nó có thể hiểu [br]thậm chí như người bản địa.

0:08:36.718,0:08:39.682
Đây là hệ thống chúng tôi trang bị[br]ở công ty tôi,

0:08:39.682,0:08:41.728
công ty tôi muốn sử dụng [br]và kết hợp tất cả.

0:08:41.728,0:08:44.189
Đây là những tấm hình không kèm theo[br]dòng chữ nào,

0:08:44.189,0:08:46.541
vì tôi viết những câu vào chỗ này,

0:08:46.541,0:08:49.510
nhờ đó nó hiểu những tấm hình này

0:08:49.510,0:08:51.189
và tìm ra chúng nói về cái gì

0:08:51.189,0:08:54.352
và tìm những tấm hình có ý [br]tương tự với dòng chữ tôi đang viết.

0:08:54.352,0:08:57.108
Vậy các bạn thấy đó, nó thực sự hiểu[br]được câu tôi viết

0:08:57.108,0:08:59.332
và thực sự hiểu những tấm hình này.

0:08:59.332,0:09:01.891
Tôi biết các bạn từng thấy điều tương tự[br]trên Google,

0:09:01.891,0:09:04.666
khi bạn viết điều gì đó và chúng hiện[br]lên các tấm ảnh,

0:09:04.666,0:09:08.090
nhưng thực sự những gì nó đang làm là [br]tìm những trang web theo dòng chữ.

0:09:08.090,0:09:11.091
Điều này rất khác với việc thực việc hiểu[br]những tấm ảnh.

0:09:11.091,0:09:13.843
Đây là điều mà máy tính chỉ có thể làm

0:09:13.843,0:09:17.091
lần đầu tiên cách đây vài tháng.

0:09:17.091,0:09:21.182
Chúng ta thấy máy tính không chỉ [br]nhìn thấy được mà chúng còn đọc được,

0:09:21.182,0:09:24.947
và dĩ nhiên chúng tôi cho thấy chúng còn[br]hiểu được những gì chúng nghe.

0:09:24.947,0:09:28.389
Có lẽ không còn ngạc nhiên khi tôi nói [br]với các bạn chúng có thể viết.

0:09:28.389,0:09:33.172
Ở đây là những dòng văn bản tôi tạo ra[br]bằng giải thuật "học sâu" hôm qua.

0:09:33.172,0:09:37.096
Và đây là những văn bản giải thuật ở [br]Stanford tạo ra.

0:09:37.096,0:09:38.860
Mỗi câu được tạo ra

0:09:38.860,0:09:43.109
bằng giải thuật "học sâu" nhằm mô tả[br]những bức ảnh này.

0:09:43.109,0:09:47.581
Trước đây giải thuật này chưa bao giờ[br]thấy một người đàn ông áo đen chơi ghita

0:09:47.581,0:09:49.801
Nhưng nó đã thấy đàn ông,[br]và đã thấy màu đen,

0:09:49.801,0:09:51.400
và nó cũng đã thấy đàn ghita,

0:09:51.400,0:09:55.694
rồi nó đã tự tạo ra [br]chú thích của tấm ảnh này.

0:09:55.694,0:09:59.196
Máy vẫn chưa đạt đến mức như [br]con người, nhưng cũng khá gần rồi.

0:09:59.196,0:10:03.264
Trong các thí nghiệm máy viết phụ đề[br]cho hình, số phụ đề được người ta chọn

0:10:03.264,0:10:04.791
chỉ ở tỉ lệ 1/4.

0:10:04.791,0:10:06.855
Nhưng hệ thống này giờ [br]chỉ mới 2 tuần tuổi,

0:10:06.855,0:10:08.701
nên có thể trong năm tới,

0:10:08.701,0:10:11.502
giải thuật máy tính sẽ còn[br]hơn cả con người

0:10:11.502,0:10:13.364
và tỉ lệ được chọn sẽ cao hơn.

0:10:13.364,0:10:16.413
Máy tính cũng có thể viết.

0:10:16.413,0:10:19.888
Chúng tôi kết hợp tất cả lại và nó [br]dẫn đến những cơ hội rất thú vị.

0:10:19.888,0:10:21.380
Ví dụ, trong ngành y,

0:10:21.380,0:10:23.905
một nhóm ở Boston thông báo họ đã tìm ra

0:10:23.905,0:10:26.854
hàng chục tính năng lâm sàng mới

0:10:26.854,0:10:31.120
của các khối u để giúp các[br]bác sĩ tiên đoán bệnh ung thư.

0:10:32.220,0:10:34.516
Tương tự, ở Stanford,

0:10:34.516,0:10:38.179
một nhóm thông báo rằng, dựa vào [br]các hình phóng đại của mô,

0:10:38.179,0:10:40.560
họ phát triển hệ thống "máy biết học"

0:10:40.560,0:10:43.142
còn tốt hơn cả các nhà nghiên cứu bệnh học

0:10:43.142,0:10:47.519
nhờ thế làm tăng khả năng sống sót[br]của các bệnh nhân ung thư.

0:10:47.519,0:10:50.764
Trong cả hai trường hợp, không chỉ việc [br]tiên đoán chính xác hơn,

0:10:50.764,0:10:53.266
mà còn tạo ra ngành [br]khoa học mới rất triển vọng.

0:10:53.276,0:10:54.781
Trong lĩnh vực X-quang,

0:10:54.781,0:10:57.876
chúng là những chỉ số lâm sàng[br]mới mà con người có thể hiểu.

0:10:57.876,0:10:59.668
Trong lĩnh vực bệnh học,

0:10:59.668,0:11:04.168
hệ thống máy tính đã cho thấy rằng [br]những tế bào xung quanh khối u

0:11:04.168,0:11:07.508
cũng quan trọng như chính tế bào ung thư

0:11:07.508,0:11:09.260
trong việc chẩn đoán bệnh.

0:11:09.260,0:11:14.621
Điều này ngược với những gì các nhà [br]bệnh học được dạy trong nhiều thập kỷ qua.

0:11:14.621,0:11:17.913
Trong mỗi trường hợp trên,[br]chúng là các hệ thống được phát triển

0:11:17.913,0:11:21.534
bởi sự hợp tác của các chuyên gia y tế[br]và các chuyên gia "máy biết học",

0:11:21.534,0:11:24.275
nhưng từ năm trước,[br]chúng tôi đã tiến khá xa.

0:11:24.275,0:11:27.824
Đây là một ví dụ về xác định khu vực [br]ung thư

0:11:27.824,0:11:30.354
của mô người dưới kính hiển vi.

0:11:30.354,0:11:34.967
Hệ thống có thể xác định những [br]khu vực chính xác hơn

0:11:34.967,0:11:37.742
hoặc tương đương các nhà bệnh học,

0:11:37.742,0:11:41.134
nhưng vì nó được xây dựng với [br]"học sâu" không có chuyên gia ngành y

0:11:41.134,0:11:43.660
nên những người không chuyên [br]cũng có thể dùng.

0:11:44.730,0:11:47.285
Ví dụ như việc phân đoạn nơ ron này.

0:11:47.285,0:11:50.953
Máy giúp chúng tôi phân đoạn nơ ron [br]chính xác như các chuyên gia,

0:11:50.953,0:11:53.670
nhưng hệ thống này lại được thiết kế với[br]"học sâu"

0:11:53.670,0:11:56.921
bởi những người không có [br]chuyên môn y khoa.

0:11:56.921,0:12:00.148
Còn tôi, cũng không có nền tảng về y khoa,

0:12:00.148,0:12:03.875
thế mà tôi dường như có đầy đủ năng lực [br]để mở một công ty về ngành y,

0:12:03.875,0:12:06.021
và tôi đã làm.

0:12:06.021,0:12:07.761
Tôi đã từng sợ trước khi bắt đầu,

0:12:07.761,0:12:10.650
nhưng lý thuyết cho thấy mọi người có thể

0:12:10.650,0:12:16.142
dùng những kỹ thuật phân tích dữ liệu [br]để có được một nền y học hiệu quả.

0:12:16.142,0:12:18.622
Và may mắn là tôi nhận được [br]những phản hồi rất tốt,

0:12:18.622,0:12:20.978
không chỉ từ truyền thông [br]mà còn từ giới y khoa,

0:12:20.978,0:12:23.322
họ luôn ủng hộ.

0:12:23.322,0:12:27.471
Về lý thuyết, chúng tôi có thể lấy phần [br]giữa của quy trình

0:12:27.471,0:12:30.364
và làm phân tích dữ liệu [br]càng nhiều càng tốt,

0:12:30.364,0:12:33.429
phần còn lại dành cho bác sĩ.

0:12:33.429,0:12:35.031
Tôi muốn đưa ra một ví dụ.

0:12:35.031,0:12:39.975
Thông thường ta cần 15 phút [br]để làm một xét nghiệm chẩn đoán

0:12:39.975,0:12:41.929
và tôi sẽ làm cho bạn xem

0:12:41.929,0:12:45.416
tôi nén nó thành 3 phút [br]bằng cách cắt bớt bỏ một số phần.

0:12:45.416,0:12:48.477
Thay vì cho bạn xem quá trình [br]một xét nghiệm chẩn đoán y học,

0:12:48.477,0:12:51.846
tôi sẽ cho các bạn xem một xét nghiệm[br]chẩn đoán hình ảnh xe hơi,

0:12:51.846,0:12:54.068
vì như thế sẽ dễ hiểu cho mọi người.

0:12:54.068,0:12:57.269
Chúng tôi bắt đầu với khoảng 1,5 triệu [br]hình ảnh xe hơi,

0:12:57.269,0:13:00.475
tôi muốn tạo tiêu chuẩn để [br]gom chúng lại vào góc

0:13:00.475,0:13:02.698
của bức hình đang được chụp.

0:13:02.698,0:13:06.586
Những bức hình này không gắn nhãn trước,[br]nên tôi phải bắt đầu từ số không.

0:13:06.586,0:13:08.451
Giải thuật "học sâu"

0:13:08.451,0:13:12.158
có thể tự xác định [br]vùng cấu trúc trong những bức ảnh này.

0:13:12.158,0:13:15.778
Rất thuận lợi, bây giờ con người [br]và máy tính có thể làm việc cùng nhau.

0:13:15.778,0:13:17.956
Như các bạn đang thấy đây, con người

0:13:17.956,0:13:20.631
đang nói cho máy tính biết [br]lĩnh vực cần quan tâm

0:13:20.631,0:13:25.281
mà họ muốn máy tính sử dụng để [br]cải thiện giải thuật của nó.

0:13:25.281,0:13:29.577
Những hệ thống "học sâu" này thực ra là[br]không gian 16,000 chiều,

0:13:29.577,0:13:33.009
bạn có thể thấy ở đây máy tính quay[br]quanh không gian đó,

0:13:33.009,0:13:35.001
cố gắng tìm vùng mới của cấu trúc.

0:13:35.001,0:13:36.782
Và khi nó làm thành công,

0:13:36.782,0:13:40.786
người sử dụng máy có thể tìm thấy[br]khu vực đáng quan tâm.

0:13:40.786,0:13:43.208
Ở đây, máy tính đã tìm ra những vùng đó,

0:13:43.208,0:13:45.770
ví dụ, các góc.

0:13:45.770,0:13:47.376
Khi chúng tôi thực hiện,

0:13:47.376,0:13:49.716
chúng tôi lần lượt nói cho máy tính

0:13:49.716,0:13:52.144
các loại mảng cấu trúc [br]mà chúng tôi tìm kiếm.

0:13:52.144,0:13:53.916
Hãy liên tưởng xét nghiệm chuẩn đoán,

0:13:53.916,0:13:57.266
ví dụ, một chuyên gia bệnh học [br]xác định những vùng của bệnh ,

0:13:57.266,0:14:02.292
hoặc một bác sĩ X-quang cho thấy nốt sần[br]có thể gây phiền phức,

0:14:02.292,0:14:04.851
và đôi khi nó gây khó cho giải thuật.

0:14:04.851,0:14:06.815
Trong trường hợp này, giải thuật hơi rối.

0:14:06.815,0:14:09.365
Phần trước và sau của xe rất[br]giống nhau nên dễ nhầm.

0:14:09.365,0:14:11.437
Chúng tôi phải cẩn thận hơn,

0:14:11.437,0:14:14.669
chọn bằng tay phần trước để thấy [br]sự khác biệt với phần sau,

0:14:14.669,0:14:20.175
sau đó bảo với máy tính rằng đây là[br]tiêu chuẩn nhận dạng nhóm

0:14:20.175,0:14:21.523
mà chúng tôi quan tâm.

0:14:21.523,0:14:24.200
Chúng tôi làm điều đó,[br]thỉnh thoảng bỏ qua,

0:14:24.200,0:14:26.446
sau đó luyện tập giải thuật [br]cho "máy biết học"

0:14:26.446,0:14:28.420
dựa trên hàng trăm lần như thế này,

0:14:28.420,0:14:30.445
chúng tôi hy vọng nó hoàn thiện hơn.

0:14:30.445,0:14:33.518
Các bạn thấy đó, nó đang bắt đầu làm mờ[br]vài bức ảnh,

0:14:33.518,0:14:38.226
cho thấy rằng nó đã nhận ra cách [br]để hiểu những hình đó.

0:14:38.226,0:14:41.128
Chúng tôi có thể dùng khái niệm này cho[br]các bức ảnh tương tự,

0:14:41.128,0:14:43.222
và dùng các bức ảnh tương tự, bạn thấy đó,

0:14:43.222,0:14:47.241
máy tính có thể tìm thấy[br]phần trước của chiếc xe.

0:14:47.241,0:14:50.189
Lúc này, con người có thể nói cho máy tính

0:14:50.189,0:14:52.482
ok, đúng rồi, bạn đã làm rất tốt.

0:14:53.652,0:14:55.837
Nhưng đôi khi, đối với máy

0:14:55.837,0:14:59.511
việc tách các nhóm hình vẫn còn khó.

0:14:59.511,0:15:03.395
Ngay cả khi chúng tôi để nhiều thời gian [br]cho máy tính xoay xở,

0:15:03.399,0:15:06.744
nhưng chúng tôi vẫn thấy phía trái [br]và phía phải bức ảnh

0:15:06.744,0:15:08.222
bị chọn nhầm lẫn.

0:15:08.222,0:15:10.362
Để cho máy tính thêm vài gợi ý,

0:15:10.362,0:15:13.338
chúng tôi nói: ok, hãy thử và tìm [br]một chi tiết

0:15:13.338,0:15:15.945
khác biệt rõ ràng nhất[br]giữa bên trái và bên phải

0:15:15.945,0:15:18.067
bằng giải thuật "học sâu" này.

0:15:18.067,0:15:21.009
Và với gợi ý đó, à, nó đã thành công.

0:15:21.009,0:15:23.891
Nó được giao nhiệm vụ tìm ra cách[br]nhận ra các đối tượng này

0:15:23.891,0:15:26.271
rồi tách rời chúng ra.

0:15:26.271,0:15:28.709
Các bạn đã nắm được cách làm này.

0:15:28.709,0:15:36.906
Trong trường hợp này máy tính [br]không thể thay con người,

0:15:36.906,0:15:39.546
nhưng cả hai làm việc chung với nhau.

0:15:39.546,0:15:43.096
Điều chúng tôi đang làm là thay thế [br]những thứ mà trước đây cần một đội

0:15:43.096,0:15:45.098
5 hoặc 6 người làm trong 7 năm

0:15:45.098,0:15:47.703
bằng một công việc trong 15 phút

0:15:47.703,0:15:50.208
của một người.

0:15:50.208,0:15:54.158
Quá trình nhận ra và tách hình [br]được lặp lại 4 hoặc 5 lần.

0:15:54.158,0:15:56.017
Các bạn thấy chúng tôi có 62%

0:15:56.017,0:15:58.976
trong số 1.5 triệu bức ảnh [br]được phân loại chính xác.

0:15:58.976,0:16:01.448
Và ở mức độ này, chúng tôi có thể[br]bắt đầu với

0:16:01.448,0:16:02.745
những nhóm lớn,

0:16:02.745,0:16:05.664
kiểm tra chúng để bảo đảm không còn lỗi.

0:16:05.664,0:16:09.616
Nơi nào có lỗi, chúng tôi sẽ cho[br]máy tính biết.

0:16:09.616,0:16:12.661
Và dùng dạng quá trình này cho từng nhóm[br]khác nhau,

0:16:12.661,0:16:15.148
bây giờ, chúng tôi đạt đến 80% tỉ lệ [br]thành công

0:16:15.148,0:16:17.563
trong việc phân loại 1.5 triệu tấm ảnh.

0:16:17.563,0:16:19.641
Lúc này, với trường hợp

0:16:19.641,0:16:23.220
tìm thấy những tấm [br]không được phân loại đúng,

0:16:23.220,0:16:26.108
chúng tôi cố gắng tìm hiểu lý do.

0:16:26.108,0:16:27.851
Và sử dụng cách tiếp cận trên,

0:16:27.851,0:16:31.972
với 15 phút chúng tôi đạt tỉ lệ phân loại[br]97%.

0:16:31.972,0:16:36.572
Vậy kỹ thuật này có thể cho chúng ta[br]chỉnh sửa một vấn đề lớn,

0:16:36.578,0:16:39.614
mà toàn bộ chuyên gia trên [br]thế giới cũng không đủ số để làm.

0:16:39.614,0:16:43.103
Diễn đàn Kinh tế Thế giới nói rằng [br]vào giữa thập kỷ 2010 và 2020

0:16:43.103,0:16:45.727
số lượng bác sĩ bị thiếu [br]so với nhu cầu của thế giới,

0:16:45.727,0:16:47.840
và phải mất khoảng 300 năm

0:16:47.840,0:16:50.734
để đào tạo đủ số nhân sự cho vấn đề này.

0:16:50.734,0:16:53.619
Hãy tưởng tượng, liệu chúng ta có thể [br]nâng hiệu năng của họ

0:16:53.619,0:16:56.458
qua cách tiếp cận "học sâu"?

0:16:56.458,0:16:58.690
Tôi rất thích việc tạo ra những cơ hội.

0:16:58.690,0:17:01.279
Tôi cũng quan tâm đến [br]các vấn đề khó cần giải quyết.

0:17:01.279,0:17:04.403
Vấn đề ở đây là ở mỗi khu vực [br]màu xanh da trời trên bản đồ,

0:17:04.403,0:17:08.172
ngành dịch vụ chiếm 80% nhân lực.

0:17:08.172,0:17:09.959
Ngành dịch vụ gì vậy?

0:17:09.959,0:17:11.473
Các dịch vụ trong bảng này.

0:17:11.473,0:17:15.627
Máy tính cũng vừa mới học [br]được cách làm các dịch vụ này.

0:17:15.627,0:17:19.431
Vậy công việc của 80% nhân lực [br]trong các nước phát triển

0:17:19.431,0:17:21.963
sẽ được máy tính học để làm thay.

0:17:21.963,0:17:23.403
Điều đó có nghĩa là gì?

0:17:23.403,0:17:25.986
À, sẽ ổn thôi.[br]Họ sẽ làm các công việc khác.

0:17:25.986,0:17:28.693
Ví dụ, sẽ có nhiều việc hơn cho[br]các nhà khoa học dữ liệu.

0:17:28.693,0:17:29.510
À cũng không hẳn.

0:17:29.510,0:17:32.628
Vì các nhà khoa học dữ liệu [br]không cần nhiều thời gian nữa.

0:17:32.628,0:17:35.880
Ví dụ, bốn giải thuật này được xây dựng[br]bởi cùng một người.

0:17:35.880,0:17:38.318
Các bạn nghĩ chuyện này [br]đã xảy ra trước đây rồi,

0:17:38.318,0:17:42.126
trong quá khứ nhiều máy móc [br]được làm ra và tiếp theo là

0:17:42.126,0:17:44.378
và nhiều người đã phải [br]chuyển sang việc mới,

0:17:44.378,0:17:46.494
nhưng việc mới của thời nay này sẽ là gì?

0:17:46.494,0:17:48.365
Thật khó để dự đoán được điều này,

0:17:48.365,0:17:51.104
vì khả năng của con người [br]thì chỉ tăng từng bước,

0:17:51.104,0:17:53.666
nhưng với một hệ thống "học sâu",

0:17:53.666,0:17:56.893
chúng ta có khả năng phát triển rất nhanh.

0:17:56.893,0:17:58.498
Và chúng ta ở đây.

0:17:58.498,0:18:00.559
Chúng ta thấy những thứ xung quanh

0:18:00.559,0:18:03.235
và chúng ta nói: "Ôi, máy tính[br]vẫn ngốc lắm", lo gì ?

0:18:03.235,0:18:06.664
Nhưng trong 5 năm nữa, máy tính[br]sẽ không còn như vậy.

0:18:06.664,0:18:10.529
Chúng ta cần suy nghĩ tới [br]khả năng này ngay từ bây giờ.

0:18:10.529,0:18:12.579
Chúng ta thấy một lần[br]như vậy trước đây rồi.

0:18:12.579,0:18:13.966
Trong cách mạng công nghiệp,

0:18:13.966,0:18:16.817
chúng ta đã thấy những thay đổi [br]nhờ các động cơ.

0:18:17.667,0:18:20.805
Mặc dù vậy, sau đó mọi thứ[br]trở nên bình thường.

0:18:20.805,0:18:22.507
Đã có vài đảo lộn trong xã hội,

0:18:22.507,0:18:25.946
nhưng một khi động cơ được dùng [br]để tạo ra những thuận lợi cho cuộc sống,

0:18:25.946,0:18:28.300
thì mọi thứ đi vào ổn định.

0:18:28.300,0:18:29.773
Cuộc cách mạng "máy biết học"

0:18:29.773,0:18:32.682
sẽ rất khác với [br]Cuộc cách mạng công nghiệp,

0:18:32.682,0:18:35.632
vì Cách mạng "máy biết học sẽ[br]không bao giờ dừng lại.

0:18:35.632,0:18:38.614
Máy tính càng giỏi [br]trong các hoạt động trí tuệ,

0:18:38.614,0:18:42.862
thì chúng tạo nên những [br]máy tính càng thông minh hơn,

0:18:42.862,0:18:44.770
và đây chính là kiểu thay đổi

0:18:44.770,0:18:47.248
mà thế giới chưa bao giờ trải qua,

0:18:47.248,0:18:50.554
những phán đoán trước đây của bạn [br]có thể sẽ không chính xác.

0:18:50.974,0:18:52.754
Điều này tác động lên chính chúng ta.

0:18:52.754,0:18:56.384
Trong 25 năm trước, khi năng suất[br]thiết bị tăng,

0:18:56.400,0:19:00.588
thì năng suất lao động không tăng, [br]mà thậm chí còn hơi giảm.

0:19:01.408,0:19:04.149
Tôi nghĩ chúng ta cần[br]thảo luận về vấn đề này từ bây giờ.

0:19:04.149,0:19:07.176
Khi tôi nói với mọi người [br]về tình hình này,

0:19:07.176,0:19:08.666
họ thường tỏ vẻ coi thường.

0:19:08.666,0:19:10.339
Đúng, máy tính không thể suy nghĩ,

0:19:10.339,0:19:13.367
chúng không có cảm xúc, không hiểu thơ ca,

0:19:13.367,0:19:15.888
nhưng ta không lường [br]trước được cách chúng làm việc.

0:19:15.888,0:19:17.374
Vậy chuyện gì đây?

0:19:17.374,0:19:19.178
Bây giờ, máy tính có thể làm

0:19:19.178,0:19:21.897
những việc mà con người [br]cần cả đời để thực hiện,

0:19:21.897,0:19:23.628
đây là thời điểm để[br]chúng ta nghĩ tới

0:19:23.628,0:19:28.015
cách điều chỉnh cấu trúc xã hội[br]và cấu trúc kinh tế

0:19:28.015,0:19:29.855
để thận trọng với hiện thực mới này.

0:19:29.855,0:19:31.388
Xin cảm ơn.

0:19:31.388,0:19:32.190
(Tiếng vỗ tay)