0:00:09.627,0:00:13.424
Раньше, если вы хотели,[br]чтобы компьютер сделал что-то новое,

0:00:13.424,0:00:15.256
вам нужно было это запрограммировать.

0:00:15.256,0:00:18.542
Для тех из вас, кто никогда с этим[br]не сталкивался: программирование

0:00:18.566,0:00:21.645
требует мучительного определения[br]мельчайших деталей,

0:00:21.645,0:00:25.234
каждого действия, которое[br]компьютер должен выполнить,

0:00:25.234,0:00:27.481
чтобы добиться желаемого результата.

0:00:27.481,0:00:31.126
Но запрограммировать что-то,[br]чего вы сами не умеете, —

0:00:31.126,0:00:33.132
это очень сложная задача.

0:00:33.132,0:00:36.682
С такой сложной задачей столкнулся[br]этот человек, Артур Самуэль.

0:00:36.682,0:00:42.775
В 1956 году он захотел, чтобы компьютер[br]смог обыграть его в шашки.

0:00:42.775,0:00:44.532
Как написать программу,

0:00:44.532,0:00:48.820
точную до мельчайших деталей,[br]чтобы выиграть в шашки?

0:00:48.820,0:00:50.527
И ему пришла в голову мысль:

0:00:50.527,0:00:54.370
пусть компьютер сыграет[br]сам с собой тысячи раз

0:00:54.370,0:00:56.826
и так научится играть в шашки.

0:00:56.826,0:00:59.774
И это действительно сработало,[br]и в 1962 году

0:00:59.774,0:01:02.707
этот компьютер обыграл[br]чемпиона Коннектикута.

0:01:03.416,0:01:06.859
Артур Самуэль стал основоположником[br]машинного обучения.

0:01:06.859,0:01:08.441
Я в большом долгу перед ним,

0:01:08.441,0:01:11.279
потому что я работаю[br]в области машинного обучения.

0:01:11.279,0:01:13.014
Я был президентом фирмы Kaggle,

0:01:13.014,0:01:16.162
объединяющей 200 000 людей,[br]применяющих машинное обучение.

0:01:16.162,0:01:18.447
Kaggle проводит соревнования

0:01:18.447,0:01:21.893
по решению ещё нерешённых проблем,

0:01:22.071,0:01:24.732
и участники успешно решают их сотнями.

0:01:25.727,0:01:28.118
У меня была отличная возможность[br]узнать многое

0:01:28.118,0:01:32.169
о возможностях машинного обучения[br]в прошлом, настоящем

0:01:32.169,0:01:34.367
и будущем.

0:01:34.367,0:01:36.605
Возможно, первым большим[br]коммерческим успехом

0:01:36.605,0:01:39.209
машинного обучения стал Google.

0:01:39.209,0:01:41.835
В Google доказали,[br]что можно находить информацию

0:01:41.835,0:01:44.131
с помощью компьютерного алгоритма,

0:01:44.131,0:01:46.945
и этот алгоритм был построен[br]на машинном обучении.

0:01:46.945,0:01:50.661
С тех пор машинное обучение неоднократно[br]применялось с коммерческим успехом.

0:01:50.661,0:01:52.676
Компании Amazon и Netflix используют

0:01:52.676,0:01:55.901
машинное обучение, определяя,[br]какие товары вы захотите купить

0:01:55.901,0:01:58.147
и какие фильмы посмотреть.

0:01:58.147,0:02:00.091
Иногда это даже пугает.

0:02:00.091,0:02:01.915
Сети, такие как LinkedIn и Facebook,

0:02:01.915,0:02:04.490
иногда предлагают вам в друзья людей,

0:02:04.490,0:02:06.361
а вы не понимаете, как их нашли.

0:02:06.361,0:02:09.410
А это было сделано[br]с помощью машинного обучения.

0:02:09.410,0:02:12.619
Их алгоритмы обучаются на основе данных,

0:02:12.619,0:02:15.386
а не на основе того,[br]как их запрограммировал человек.

0:02:15.860,0:02:18.444
Это также объясняет успех IBM:[br]программа Watson

0:02:18.444,0:02:21.286
обыграла двух чемпионов мира [br]в «Своей игре»,

0:02:21.311,0:02:24.438
ответив на невероятно коварные[br]и сложные вопросы вроде этого:

0:02:24.463,0:02:28.123
[В 2003 году «лев Нимруда» исчез[br]из национального музея этого города]

0:02:28.153,0:02:31.704
Благодаря этим методам у нас[br]есть первые беспилотные автомобили.

0:02:31.734,0:02:33.916
Здесь достаточно важно, например,

0:02:33.946,0:02:37.258
отличать дерево от пешехода.

0:02:37.268,0:02:39.895
Мы не знаем, как создать такой алгоритм,

0:02:39.925,0:02:42.522
но можем решить эту задачу[br]с помощью машинного обучения.

0:02:42.542,0:02:46.180
И этот автомобиль в самом деле[br]проехал больше 1,5 млн километров,

0:02:46.180,0:02:48.543
ни разу не попав в аварию на трассе.

0:02:48.823,0:02:52.390
Итак, мы знаем,[br]что компьютеры могут обучаться

0:02:52.390,0:02:54.550
и могут учиться делать то,

0:02:54.550,0:02:57.305
что на самом деле мы и сами[br]не знаем, как делать —

0:02:57.305,0:03:00.062
или могут делать это лучше нас.

0:03:00.062,0:03:04.332
С одним из самых невероятных результатов[br]машинного обучения

0:03:04.332,0:03:06.863
я столкнулся, когда работал в Kaggle:

0:03:06.863,0:03:10.631
команда, которую возглавил Джеффри Хинтон

0:03:10.631,0:03:12.146
из Университета Торонто,

0:03:12.146,0:03:14.598
стала лучшей в автоматическом поиске[br]новых лекарств.

0:03:14.598,0:03:17.453
Невероятным было не только то,[br]что их алгоритм оказался лучше

0:03:17.453,0:03:21.979
всех алгоритмов, разработанных Merck[br]или международным научным сообществом, —

0:03:21.979,0:03:26.996
ни у кого из команды не было образования[br]в области химии, биологии или медицины,

0:03:26.996,0:03:28.800
и на всё у них ушло две недели.

0:03:28.800,0:03:31.003
Как им это удалось?

0:03:31.003,0:03:34.008
Благодаря уникальному алгоритму[br]глубокого обучения.

0:03:34.008,0:03:37.072
Это настолько важно, что про их успех

0:03:37.072,0:03:40.109
спустя пару недель сообщила[br]на первой полосе New York Times.

0:03:40.109,0:03:42.727
Слева — Джеффри Хинтон.

0:03:42.727,0:03:46.738
В основе глубокого обучения —[br]принципы работы человеческого мозга,

0:03:46.738,0:03:48.709
и поэтому этот алгоритм

0:03:48.709,0:03:52.108
теоретически имеет[br]неограниченные возможности.

0:03:52.108,0:03:55.509
Чем больше данных на входе[br]и чем больше времени на их обработку,

0:03:55.509,0:03:56.716
тем лучше результат.

0:03:56.752,0:03:59.421
В этой же статье New York Times[br]был упомянут ещё один

0:03:59.421,0:04:01.674
удивительный результат глубокого обучения,

0:04:01.674,0:04:03.928
который я вам сейчас покажу.

0:04:03.928,0:04:07.872
Он демонстрирует то,[br]что компьютеры могут слышать и понимать.

0:04:08.654,0:04:11.018
(Видео) Ричард Рашид: Наконец,

0:04:11.018,0:04:13.993
последнее, что я хочу сделать, —

0:04:13.993,0:04:17.334
это поговорить с вами по-китайски.

0:04:19.394,0:04:21.910
Суть в том,

0:04:21.910,0:04:26.531
что мы сформировали массив записей[br]носителей китайского языка

0:04:26.531,0:04:29.641
и построили систему[br]перевода текста в речь,

0:04:29.641,0:04:34.002
которая получает текст на китайском[br]и переводит его в речь.

0:04:35.428,0:04:38.732
Потом мы записáли примерно час[br]звучания моего голоса

0:04:38.732,0:04:40.758
и использовали его

0:04:40.758,0:04:44.504
в обычной системе перевода текста в речь.

0:04:45.188,0:04:47.726
Повторяю, результат не идеален.

0:04:47.726,0:04:50.554
Там есть несколько ошибок.

0:04:50.554,0:04:52.880
(Говорит по-китайски)

0:04:52.880,0:04:56.573
(Аплодисменты)

0:04:57.969,0:05:00.990
Нам предстоит ещё много работы.

0:05:01.449,0:05:04.893
(Говорит по-китайски)

0:05:04.893,0:05:08.420
(Аплодисменты)

0:05:10.462,0:05:14.244
Джереми Говард: Это было на конференции[br]по машинному обучению в Китае.

0:05:14.244,0:05:16.614
На самом деле,[br]на научных конференциях редко

0:05:16.614,0:05:18.511
внезапно аплодируют,

0:05:18.511,0:05:22.187
в отличие от TEDx, так что не стесняйтесь.

0:05:22.187,0:05:24.982
Всё, что вы видели, было построено[br]на глубоком обучении.

0:05:24.982,0:05:26.507
(Аплодисменты) Спасибо.

0:05:26.507,0:05:28.789
Английские субтитры —[br]это глубокое обучение.

0:05:28.789,0:05:31.751
Перевод на китайский[br]и текст справа вверху — тоже,

0:05:31.751,0:05:35.108
и конструирование голоса — снова оно.

0:05:35.508,0:05:38.742
Глубокое обучение — невероятная вещь.

0:05:38.742,0:05:41.841
Один-единственный алгоритм,[br]который, похоже, может всё,

0:05:41.841,0:05:44.952
и ещё годом раньше я обнаружил,[br]что он также научился видеть.

0:05:44.952,0:05:47.128
В этом малоизвестном[br]соревновании в Германии,

0:05:47.128,0:05:49.555
«Немецкий идеал распознавания[br]дорожных знаков»,

0:05:49.555,0:05:53.118
глубокое обучение использовалось[br]для распознавания вот таких знаков.

0:05:53.118,0:05:55.214
Мало того, что результаты распознавания

0:05:55.238,0:05:56.970
лучше, чем у других алгоритмов;

0:05:56.970,0:05:59.689
в таблице результатов видно,[br]что они лучше человеческих

0:05:59.689,0:06:01.541
примерно в два раза.

0:06:01.541,0:06:03.537
Итак, к 2011 году у нас был

0:06:03.537,0:06:06.942
первый компьютер,[br]который видел лучше людей.

0:06:06.942,0:06:08.991
С тех пор произошло многое.

0:06:08.991,0:06:12.505
В 2012 Google объявил,[br]что их алгоритм глубокого обучения

0:06:12.505,0:06:13.920
использовал видео на YouTube.

0:06:13.920,0:06:17.357
Данные обрабатывались[br]на 16 000 процессоров в течение месяца,

0:06:17.357,0:06:21.718
и компьютер Google самостоятельно [br]определил, что такое люди и кошки,

0:06:21.718,0:06:23.527
на основе только видеоматериалов.

0:06:23.527,0:06:25.879
Это очень похоже на то, как учатся люди.

0:06:25.879,0:06:28.619
Им не говорят, что они видят,

0:06:28.619,0:06:31.950
люди сами разбираются в том, что видят.

0:06:31.950,0:06:35.319
В том же 2012 Джеффри Хинтон,[br]которого вы уже видели,

0:06:35.319,0:06:38.177
выиграл очень известное[br]соревнование ImageNet,

0:06:38.177,0:06:42.318
в котором было необходимо понять,[br]что изображено

0:06:42.318,0:06:43.756
на 1,5 млн картинок.

0:06:43.756,0:06:47.289
К 2014 году уровень ошибок [br]при распознавании образов

0:06:47.289,0:06:48.742
упал до 6%.

0:06:48.742,0:06:50.768
И опять же, это лучше, чем у людей.

0:06:50.768,0:06:54.537
Компьютеры действительно[br]необычайно хороши в этом,

0:06:54.537,0:06:56.806
и сейчас это применяется[br]в коммерческих целях.

0:06:56.806,0:06:59.848
Так, в прошлом году Google объявил,

0:06:59.848,0:07:04.433
что они могут локализовать любую точку[br]во Франции за два часа:

0:07:04.433,0:07:07.880
они загружают фотографии улиц

0:07:07.880,0:07:12.199
на вход алгоритма глубокого обучения,[br]чтобы распознать и прочитать адресá.

0:07:12.199,0:07:14.419
Сколько времени ушло бы на это раньше!

0:07:14.419,0:07:17.774
Понадобились бы десятки людей и много лет.

0:07:17.774,0:07:19.685
То же самое происходит в Китае.

0:07:19.685,0:07:23.721
Baidu — это что-то вроде[br]китайского Google,

0:07:23.721,0:07:26.004
и сверху слева вы видите

0:07:26.004,0:07:29.978
картинку, которую я загрузил[br]в алгоритм глубокого обучения Baidu,

0:07:29.978,0:07:33.747
а под ней — то, как система распознала,[br]что находится на картинке,

0:07:33.747,0:07:35.983
и нашла похожие.

0:07:35.983,0:07:38.719
Похожие изображения имеют близкий фон,

0:07:38.719,0:07:42.165
на них похожие выражения морд,[br]на некоторых даже так же высунут язык.

0:07:42.165,0:07:45.195
Это не просто поиск текста[br]на веб-странице.

0:07:45.195,0:07:46.607
Я загрузил только картинку.

0:07:46.607,0:07:50.628
Итак, теперь наши компьютеры [br]действительно понимают, что они видят,

0:07:50.628,0:07:52.252
и могут искать изображения в базах

0:07:52.252,0:07:55.806
среди сотен миллионов картинок —[br]в режиме реального времени.

0:07:55.806,0:07:59.036
Значит ли это,[br]что компьютеры могут видеть?

0:07:59.036,0:08:01.053
Это не просто возможность видеть.

0:08:01.053,0:08:03.244
Глубокое обучение — это намного больше.

0:08:03.268,0:08:06.070
Сложные предложения со множеством[br]смысловых оттенков

0:08:06.070,0:08:08.894
теперь понятны благодаря[br]алгоритмам глубокого обучения.

0:08:08.894,0:08:10.197
Как вы видите,

0:08:10.197,0:08:12.965
эта стэнфордская система[br]отмечает красными точками сверху,

0:08:12.965,0:08:16.884
что предложение выражает[br]отрицательные эмоции.

0:08:16.884,0:08:20.290
Результаты глубокого обучения[br]близки к человеческим

0:08:20.302,0:08:24.853
по распознаванию того,[br]что и о чём сказано.

0:08:25.423,0:08:28.151
Глубокое обучение использовалось[br]для чтения на китайском,

0:08:28.151,0:08:31.307
и результат был на уровне [br]человека — носителя китайского.

0:08:31.307,0:08:33.475
Этот алгоритм был разработан в Швейцарии

0:08:33.475,0:08:36.831
людьми, ни один из которых[br]не говорит по-китайски.

0:08:36.831,0:08:38.881
Как я и сказал, глубокое обучение —

0:08:38.881,0:08:41.101
это оптимальный способ[br]решения для таких задач,

0:08:41.101,0:08:45.562
даже по сравнению[br]с человеческим восприятием.

0:08:46.218,0:08:49.182
Система, которую создали[br]в моей компании,

0:08:49.182,0:08:51.230
занимается всем, о чём я рассказал.

0:08:51.254,0:08:53.689
Это картинки без сопроводительного текста,

0:08:53.689,0:08:56.041
и здесь я набираю предложения.

0:08:56.041,0:08:59.010
В режиме реального времени[br]картинки распознаются,

0:08:59.010,0:09:00.689
определяется их смысл,

0:09:00.689,0:09:03.852
и ищутся изображения,[br]соответствующих введённому мной тексту.

0:09:03.852,0:09:06.608
Итак, вы видите, что предложения

0:09:06.608,0:09:08.832
и картинки действительно распознаются.

0:09:08.832,0:09:11.391
Я знаю, что вы видели[br]нечто похожее в Google,

0:09:11.391,0:09:14.166
когда вы набираете запрос,[br]по которому вам выдают картинки,

0:09:14.166,0:09:17.590
но в действительности там ищется[br]нужный текст на веб-странице.

0:09:17.590,0:09:20.591
Распознавание образов —[br]это принципиально иное.

0:09:20.591,0:09:23.343
Распознавание стало доступно[br]компьютерным алгоритмам

0:09:23.343,0:09:26.121
впервые совсем недавно.

0:09:26.591,0:09:30.682
Итак, компьютеры теперь могут[br]не только видеть, но и читать,

0:09:30.682,0:09:34.447
и, как мы уже показали,[br]понимать, что они слышат.

0:09:34.447,0:09:37.889
Так что я буду последователен и скажу,[br]что они умеют писать.

0:09:37.889,0:09:42.672
Вот текст, который я сгенерировал вчера[br]с помощью алгоритма глубокого обучения.

0:09:42.672,0:09:46.596
А вот текст, сгенерированный[br]с помощью стэнфордского алгоритма.

0:09:46.596,0:09:48.360
Каждая из этих фраз составлена

0:09:48.360,0:09:52.609
алгоритмом глубокого обучения[br]для описания этих картинок.

0:09:52.609,0:09:57.081
Алгоритм ещё не встречал понятия мужчины[br]в чёрной рубашке, играющего на гитаре.

0:09:57.081,0:09:59.301
Но ему известны понятия

0:09:59.301,0:10:00.900
человека, чёрного, гитары,

0:10:00.900,0:10:05.194
и алгоритм независимо формулирует[br]связное описание этого изображения.

0:10:05.194,0:10:08.696
Мы всё ещё не дотягиваем до уровня[br]человека, но мы уже близки.

0:10:08.696,0:10:12.764
При испытаниях люди выбирают[br]описания, данные компьютером,

0:10:12.764,0:10:14.291
в одном случае из четырёх.

0:10:14.291,0:10:16.355
Этой системе всего две недели от роду,

0:10:16.355,0:10:18.201
и, скорее всего, в следующем году

0:10:18.201,0:10:21.002
алгоритм даст результаты[br]намного лучше человеческих,

0:10:21.002,0:10:22.864
если развитие пойдёт такими темпами.

0:10:22.864,0:10:25.913
Итак, компьютеры могут и писать тоже.

0:10:25.913,0:10:29.388
Складываем всё вместе,[br]и нам открываются невероятные возможности.

0:10:29.388,0:10:30.880
Например, в медицине.

0:10:30.880,0:10:33.405
Команда из Бостона открыла

0:10:33.405,0:10:36.354
десятки новых клинических[br]особенностей опухолей;

0:10:36.354,0:10:40.596
это поможет врачам диагностировать рак.

0:10:41.720,0:10:44.016
Точно так же в Стэнфорде

0:10:44.016,0:10:47.679
группа, проанализировав опухоли[br]под увеличением,

0:10:47.679,0:10:50.060
создала систему[br]на основе машинного обучения,

0:10:50.060,0:10:52.642
которая лучше, чем патологоанатомы-люди,

0:10:52.642,0:10:56.225
предсказывала исход заболевания[br]у онкобольных.

0:10:56.829,0:11:00.264
В обоих случаях алгоритмы давали[br]не только более точный результат,

0:11:00.264,0:11:02.766
но и новые неожиданные открытия.

0:11:02.776,0:11:04.281
В случае с радиологией

0:11:04.281,0:11:07.376
это были новые клинические показатели,[br]понятные для людей.

0:11:07.376,0:11:09.168
В случае с опухолями

0:11:09.168,0:11:13.668
алгоритм обнаружил,[br]что клетки вокруг опухоли

0:11:13.668,0:11:17.008
так же важны, как и сами раковые клетки,

0:11:17.008,0:11:18.760
для постановки диагноза.

0:11:18.760,0:11:24.121
Это противоречит всему,[br]чему патологоанатомов учили десятилетиями.

0:11:24.121,0:11:27.413
В разработке обеих систем

0:11:27.413,0:11:31.034
участвовали как эксперты-врачи,[br]так и специалисты по машинному обучению,

0:11:31.034,0:11:33.775
но в прошлом году мы смогли преодолеть[br]и это ограничение.

0:11:33.775,0:11:37.324
Это пример определения поражённых раком

0:11:37.324,0:11:39.854
человеческих тканей под микроскопом.

0:11:39.854,0:11:44.467
Система, которую я показываю,[br]может определить их точнее,

0:11:44.467,0:11:47.242
или так же точно, как и патологоанатом,

0:11:47.242,0:11:50.634
но она построена только на методах[br]глубокого обучения без участия врачей

0:11:50.634,0:11:53.160
людьми, не имеющими[br]никакого отношения к медицине.

0:11:54.230,0:11:56.785
Или вот сегментация нейронов.

0:11:56.785,0:12:00.453
Теперь мы можем сегментировать нейроны[br]так же аккуратно, как и вручную,

0:12:00.453,0:12:03.170
но эта система построена[br]на глубоком обучении

0:12:03.170,0:12:06.421
людьми, не имеющими[br]медицинских знаний или опыта.

0:12:06.421,0:12:09.648
Поэтому я, как человек,[br]никогда не занимавшийся медициной,

0:12:09.648,0:12:13.375
оказался отличным кандидатом на роль[br]основателя новой медицинской компании,

0:12:13.375,0:12:14.831
им я и стал.

0:12:15.521,0:12:17.261
Я порядком трýсил,

0:12:17.261,0:12:20.150
но в теории, существует[br]реальная возможность

0:12:20.150,0:12:25.642
создать очень полезные препараты,[br]используя лишь алгоритмы анализа данных.

0:12:25.642,0:12:28.122
И, к счастью, отзывы были[br]невероятно хорошими,

0:12:28.122,0:12:30.694
не только в СМИ, но[br]и от медицинского сообщества,

0:12:30.718,0:12:32.822
где горячо поддержали мою идею.

0:12:32.822,0:12:36.971
Идея заключается в том, что мы можем[br]взять промежуточный этап лечения

0:12:36.971,0:12:39.864
и максимально применить к нему[br]наши методы анализа данных,

0:12:39.864,0:12:42.929
позволив врачам заниматься тем,[br]что у них получается лучше всего.

0:12:42.929,0:12:44.531
Приведу пример.

0:12:44.531,0:12:49.475
На составление нового диагностического[br]теста у нас уходит 15 минут,

0:12:49.475,0:12:51.429
я покажу его в режиме реального времени,

0:12:51.429,0:12:53.611
но сокращу процесс до трёх минут,

0:12:53.611,0:12:55.793
вырезав отдельные фрагменты.

0:12:55.793,0:12:58.555
И вместо создания медицинского теста

0:12:58.579,0:13:01.346
я покажу тестирование изображений машин,

0:13:01.346,0:13:03.568
потому что оно будет понятнее всем.

0:13:03.568,0:13:06.769
Итак, начнём с 1,5 млн[br]изображений машин,

0:13:06.769,0:13:09.975
и я хочу придумать, как их разбить[br]на группы в зависимости от угла,

0:13:09.975,0:13:12.198
с которого они сфотографированы.

0:13:12.198,0:13:16.086
Все эти изображения не имели меток,[br]поэтому мне придётся начинать с нуля.

0:13:16.086,0:13:17.951
Наш алгоритм глубокого обучения

0:13:17.951,0:13:21.658
автоматически распознаёт отдельные[br]компоненты на этих изображениях.

0:13:21.658,0:13:25.278
Хорошо то, что человек и компьютер[br]могут решать задачу вместе.

0:13:25.278,0:13:27.456
Человек, как вы видите,

0:13:27.456,0:13:30.131
задаёт компьютеру исследуемую область,

0:13:30.131,0:13:34.781
на основе которой компьютер должен[br]усовершенствовать свой алгоритм.

0:13:34.781,0:13:39.077
Эта система глубокого обучения работает[br]в 16 000-мерном пространстве,

0:13:39.077,0:13:42.509
компьютер вращает в нём данные,

0:13:42.509,0:13:44.501
чтобы обнаружить новые структуры.

0:13:44.501,0:13:46.282
А когда он их найдёт,

0:13:46.282,0:13:50.286
человек, управляющий процессом,[br]укажет на те, что его интересуют.

0:13:50.286,0:13:52.708
Итак, компьютер успешно[br]обнаружил признаки,

0:13:52.708,0:13:55.270
например, ракурс.

0:13:55.270,0:13:56.876
В ходе исследования

0:13:56.876,0:13:59.216
мы постепенно уточняем,

0:13:59.216,0:14:01.644
что именно мы ищем.

0:14:01.644,0:14:03.416
Представьте диагностический тест,

0:14:03.416,0:14:06.766
благодаря которому врач[br]определяет границы патологии

0:14:06.766,0:14:11.792
или радиолог — потенциально[br]опасные образования.

0:14:11.792,0:14:14.351
Иногда это оказывается[br]слишком сложно для алгоритма.

0:14:14.351,0:14:16.315
Он не находит решения.

0:14:16.315,0:14:18.865
Капоты и багажники машин идут вперемешку.

0:14:18.865,0:14:20.937
Поэтому нам надо быть немного аккуратнее,

0:14:20.937,0:14:24.169
вручную разделив их,

0:14:24.169,0:14:29.675
а затем задав компьютеру тип изображений,

0:14:29.675,0:14:31.023
которые нам нужны.

0:14:31.023,0:14:33.700
Процесс длится какое-то время,[br]промотаем немного вперёд,

0:14:33.700,0:14:35.946
а потом мы обучаем наш алгоритм

0:14:35.946,0:14:37.920
на основе нескольких сотен объектов,

0:14:37.920,0:14:39.945
надеясь, что он станет[br]намного эффективнее.

0:14:39.945,0:14:43.018
Видите, некоторые[br]из этих картинок поблёкли —

0:14:43.018,0:14:47.726
это означает, что теперь компьютер[br]распознал их самостоятельно.

0:14:47.726,0:14:50.628
Теперь мы можем использовать[br]этот принцип похожих изображений.

0:14:50.628,0:14:52.722
Как видите, используя эти изображения,

0:14:52.722,0:14:56.741
теперь компьютер может самостоятельно[br]находить только фотографии машин спереди.

0:14:56.741,0:14:59.689
Теперь человек может сказать компьютеру:

0:14:59.689,0:15:01.982
«Отлично, ты молодец».

0:15:03.152,0:15:05.337
Иногда, конечно, даже на этом этапе

0:15:05.337,0:15:09.011
всё еще сложно выделить группы.

0:15:09.011,0:15:11.422
В этом случае затем мы позволяем

0:15:11.422,0:15:13.833
компьютеру покрутить его.

0:15:13.833,0:15:16.244
Снимки машин справа и слева всё ещё

0:15:16.244,0:15:17.722
идут вперемешку.

0:15:17.722,0:15:19.862
И мы снова даём компьютеру подсказки,

0:15:19.862,0:15:22.838
чтобы он нашёл плоскость,

0:15:22.838,0:15:25.445
разделяющую изображения [br]справа и слева предельно точно

0:15:25.445,0:15:27.567
на основе алгоритма глубокого обучения.

0:15:27.567,0:15:30.509
И с этими подсказками — а, отлично,[br]решение было найдено.

0:15:30.509,0:15:33.391
Компьютеру удалось найти способ[br]выделить эти объекты

0:15:33.391,0:15:35.771
среди всех остальных.

0:15:35.771,0:15:38.209
Это суть метода.

0:15:38.209,0:15:44.388
Компьютер не заменяет человека,

0:15:46.406,0:15:49.046
здесь они работают вместе.

0:15:49.046,0:15:51.986
То, на что команда

0:15:51.986,0:15:54.598
из 5–6 человек потратила бы около 7 лет,

0:15:54.598,0:15:57.203
мы заменяем 15-минутной процедурой,

0:15:57.203,0:15:59.708
которую выполняет только один человек.

0:15:59.708,0:16:03.658
Этот процесс выполняется за 4–5 итераций.

0:16:03.658,0:16:05.517
Как видите, теперь 62%

0:16:05.517,0:16:08.476
наших 1,5 млн изображений[br]классифицированы верно.

0:16:08.476,0:16:10.948
Теперь мы сможем быстро выделять

0:16:10.948,0:16:12.245
отдельные большие блоки

0:16:12.245,0:16:15.164
и просматривать их, чтобы убедиться,[br]что в них нет ошибок.

0:16:15.164,0:16:19.116
Если возникают ошибки,[br]мы указываем на них компьютеру.

0:16:19.116,0:16:22.161
Применяя эту процедуру[br]к разным группам по отдельности,

0:16:22.161,0:16:24.648
сейчас мы получаем[br]около 80% верных результатов

0:16:24.648,0:16:27.063
при классификации[br]1,5 млн изображений.

0:16:27.063,0:16:29.141
Сейчас задача состоит только в том,

0:16:29.141,0:16:32.720
чтобы найти то небольшое количество[br]неверно распознанных изображений

0:16:32.720,0:16:35.608
и понять, почему это произошло.

0:16:35.608,0:16:37.351
Применяя этот подход,

0:16:37.351,0:16:41.472
за 15 минут мы получаем[br]результат, верный на 97%.

0:16:41.472,0:16:46.072
Эта процедура может справиться[br]с одной из важнейших проблем —

0:16:46.078,0:16:49.114
нехваткой медицинских работников в мире.

0:16:49.114,0:16:52.603
По данным, озвученным на Мировом[br]экономическом форуме, нужно в 10–20 раз

0:16:52.603,0:16:55.227
больше терапевтов в развивающихся странах,

0:16:55.227,0:16:57.340
и понадобится около 300 лет,

0:16:57.340,0:17:00.234
чтобы обучить нужное количество людей.

0:17:00.234,0:17:03.119
А теперь представьте,[br]что мы повысим их эффективность,

0:17:03.119,0:17:05.958
используя глубокое обучение.

0:17:05.958,0:17:08.190
Меня очень вдохновляют[br]появившиеся возможности.

0:17:08.190,0:17:10.779
Но одновременно беспокоят и проблемы.

0:17:10.779,0:17:13.903
Проблема в том, что во всех странах,[br]отмеченных на карте синим,

0:17:13.903,0:17:17.672
80% рабочих мест приходится[br]на сферу услуг.

0:17:17.672,0:17:19.459
Каких услуг?

0:17:19.459,0:17:20.973
Вот эти услуги.

0:17:20.973,0:17:23.291
И это именно то,

0:17:23.291,0:17:25.626
что компьютеры только что[br]научились делать.

0:17:25.626,0:17:28.931
И если 80% людей в развитых странах

0:17:28.931,0:17:31.463
занимаются тем, что теперь[br]может делать компьютер,

0:17:31.463,0:17:32.903
то что это значит?

0:17:32.903,0:17:35.486
Всё будет в порядке.[br]Появится другая работа.

0:17:35.486,0:17:38.193
Например, будет больше работы[br]для аналитиков данных.

0:17:38.193,0:17:39.010
Не совсем так.

0:17:39.010,0:17:41.748
Решение этих задач не займёт[br]у аналитиков много времени.

0:17:41.748,0:17:45.380
Например, эти четыре алгоритма[br]создал один и тот же человек.

0:17:45.380,0:17:47.818
Если вам кажется,[br]что это всё уже было,

0:17:47.818,0:17:51.626
в прошлом мы видели,[br]что когда приходят новые технологии,

0:17:51.626,0:17:53.878
новые профессии заменяют старые,

0:17:53.878,0:17:55.994
то какими будут эти новые профессии?

0:17:55.994,0:17:57.865
Нам очень сложно оценить это сейчас,

0:17:57.865,0:18:00.604
ведь производительность труда [br]растёт постепенно,

0:18:00.604,0:18:03.166
но теперь есть система,[br]глубокое обучение,

0:18:03.166,0:18:06.393
и мы знаем, что его возможности[br]растут по экспоненте.

0:18:06.393,0:18:07.998
Итак,

0:18:07.998,0:18:10.059
пока что мы оглядываемся по сторонам:

0:18:10.059,0:18:12.735
«Но компьютеры всё ещё[br]достаточно примитивны», верно?

0:18:12.735,0:18:16.164
Но через пять лет их возможности выйдут[br]за границу этого графика.

0:18:16.164,0:18:20.029
Поэтому нам необходимо начать обдумывать[br]этот аспект прямо сейчас.

0:18:20.029,0:18:22.079
Разумеется, мы однажды уже видели такое.

0:18:22.079,0:18:23.466
Промышленная революция,

0:18:23.466,0:18:26.317
благодаря двигателям, дала[br]качественный скачок производства.

0:18:27.167,0:18:30.305
Однако тогда, спустя какое-то время,[br]мощности перестали расти.

0:18:30.305,0:18:32.007
Был социальный взрыв,

0:18:32.007,0:18:35.446
но когда двигатели стали применяться[br]в промышленности повсеместно,

0:18:35.446,0:18:37.800
было достигнуто равновесие.

0:18:37.800,0:18:39.277
Революция машинного обучения

0:18:39.301,0:18:42.182
будет отличаться[br]от промышленной революции,

0:18:42.182,0:18:45.135
потому что революция[br]машинного обучения непрерывна.

0:18:45.159,0:18:48.114
Чем дальше компьютеры[br]совершенствуются интеллектуально,

0:18:48.114,0:18:52.362
тем более интеллектуально[br]совершенные компьютеры они создают,

0:18:52.362,0:18:54.270
и это станет таким изменением,

0:18:54.270,0:18:56.748
с каким наш мир[br]никогда раньше не сталкивался,

0:18:56.748,0:19:00.054
и ваши прошлые представления[br]о возможном изменятся.

0:19:00.474,0:19:02.254
Это уже влияет на нас.

0:19:02.254,0:19:05.884
В течение последней четверти века[br]производительность капитала росла,

0:19:05.900,0:19:10.088
в то время как производительность труда[br]оставалась прежней или немного снижалась.

0:19:10.908,0:19:13.649
Я хочу, чтобы мы начали обсуждать всё это.

0:19:13.649,0:19:16.676
Когда я рассказываю всё это людям,

0:19:16.676,0:19:18.166
они реагируют скептически:

0:19:18.166,0:19:19.839
мол, компьютеры не могут думать,

0:19:19.839,0:19:22.867
переживать, воспринимать стихи,

0:19:22.867,0:19:25.388
мы не понимаем по-настоящему,[br]как они работают.

0:19:25.388,0:19:26.574
И что?

0:19:26.574,0:19:28.678
Уже компьютеры делают то, на что люди

0:19:28.678,0:19:31.397
тратят бóльшую часть[br]своего оплачиваемого времени,

0:19:31.397,0:19:35.203
так что теперь пора думать о том,[br]как мы будем менять

0:19:35.203,0:19:37.299
наши социальные,[br]экономические структуры,

0:19:37.323,0:19:39.355
чтобы быть готовыми[br]к новой реальности.

0:19:39.355,0:19:40.888
Спасибо.

0:19:40.888,0:19:42.938
(Аплодисменты)