Si po i mësojmë kompjuterat të kuptojnë imazhet
-
0:02 - 0:06Më lejoni t'ju tregoj dicka.
-
0:06 - 0:10(Video) Vajza: Kjo është një
mace e ulur në krevat. -
0:10 - 0:14Djali po përkëdhel elefantin.
-
0:14 - 0:19Janë njerëz që po shkojnë drejt
një aeroplani. -
0:19 - 0:21Eshtë një aeroplan i madh.
-
0:21 - 0:24Fei-Fei Li: Ky është një fëmijë
tre-vjeçar -
0:24 - 0:27duke përshkruar atë që sheh
në një seri fotosh. -
0:27 - 0:30Ajo mund të ketë ende shumë
për të mësuar rreth botës, -
0:30 - 0:35por ajo është tashmë mjeshtre
në një detyrë shumë të rëndësishme: -
0:35 - 0:38të kuptojë se çfarë po sheh.
-
0:38 - 0:42Shoqëria jonë është më shumë se kurrë e
avancuar teknologjikisht. -
0:42 - 0:46Ne dërgojmë njerëz në hënë,
i bëjmë telefonat të komunikojnë me ne -
0:46 - 0:51apo i përshtasim stacionet e radios
të luajnë muzikën që na pëlqen. -
0:51 - 0:55Prapë, makinat dhe kompjuterët tanë
më të avancuar -
0:55 - 0:58e kanë të vështirë këtë punë.
-
0:58 - 1:01Jam sot këtu t'ju jap
një raport të ecurisë -
1:01 - 1:05mbi zhvillimet më të fundit
në kërkimet tona në vizionin kompjuterik, -
1:05 - 1:10një nga teknologjitë më të reja
dhe potencialisht revolucionare -
1:10 - 1:13në shkencat kompjuterike.
-
1:13 - 1:17Po, kemi krijuar prototipe të makinave
që vetë-drejtohen -
1:17 - 1:21por pa një vizion inteligjent,
ato nuk mund ta gjejnë ndryshimin -
1:21 - 1:25midis një qese letre të zhubrosur
në rrugë, mbi të cilën mund të kalosh, -
1:25 - 1:29dhe një guri po të të njejtave përmasa,
i cili duhet shmangur. -
1:29 - 1:33Ne kemi krijuar kamera
me rezolucion të lartë, -
1:33 - 1:36por nuk i kemi dhënë shikim të verbërve.
-
1:36 - 1:40Avionët e telekomanduar fluturojnë gjatë
dhe mbi hapsira masive toke, -
1:40 - 1:42por teknologjia vizive
nuk është e mjaftueshme -
1:42 - 1:45për të monitoruar ndryshimet
e pyjeve tropikale. -
1:45 - 1:48Kamerat e sigurisë janë kudo,
-
1:48 - 1:53por nuk na lajmërojnë kur një fëmijë
është duke u mbytur në pishinë. -
1:54 - 2:00Fotot dhe videot po bëhen një pjesë
e pandashme e jetës globale. -
2:00 - 2:04Ata po gjenerohen me një ritëm aq të
shpejtë, sa është e pamundur që -
2:04 - 2:07një individ, apo një grup individësh
t'i shohë të gjitha, -
2:07 - 2:11dhe unë bashkë me ju po kontribojmë
për këtë qëllim në TED. -
2:11 - 2:16Megjithatë, programet tona më të avancuara
e kanë të vështirë ta kuptojnë -
2:16 - 2:20dhe menaxhojnë këtë sasi kaq të madhe
informacioni. -
2:20 - 2:25Pra, me fjalë të tjera,
bashkarisht si shoqëri, -
2:25 - 2:27ne jemi disi të verbër,
-
2:27 - 2:30pasi makinat tona më inteligjente
janë akoma të verbra. -
2:32 - 2:34"Pse është kaq e vështirë?"
do të pyesnit ju. -
2:34 - 2:37Kamerat mund të kapin foto si kjo këtu
-
2:37 - 2:41duke i shndërruar dritat në
një matricë numrash -
2:41 - 2:43të njohura si piksela,
-
2:43 - 2:45por këto janë thjesht numra pa jetë.
-
2:45 - 2:48Nuk mbartin ndonjë kuptim në vetvete.
-
2:48 - 2:52Njësoj si të dëgjuarit nuk është njësoj
si ta kuptosh atë që dëgjon, -
2:52 - 2:57ashtu dhe të kapësh foto nuk është
njësoj si të shohësh, -
2:57 - 3:00dhe me shikimin, ne nënkuptojmë
dhe të kuptuarin e asaj që shohim. -
3:01 - 3:07Në fakt, Nënës Natyrë iu deshën
540 milionë vjet -
3:07 - 3:09për ta bërë këtë gjë,
-
3:09 - 3:11dhe pjesa më e madhe e mundit
-
3:11 - 3:17shkoi për zhvillimin e aparatit të
përpunimit vizual në trurin tonë, -
3:17 - 3:19e jo vetëm për sytë.
-
3:19 - 3:22Pra shikimi fillon me sytë,
-
3:22 - 3:26por në të vërtetë zhvillohet në tru.
-
3:26 - 3:31Kështu për 15 vjet, duke filluar me
doktoraturën në Caltech -
3:31 - 3:34dhe më pas në krye të Vision Lab
në Stanford, -
3:34 - 3:39kam punuar me mentorët, bashkëpunuesit
dhe studentët e mi -
3:39 - 3:42për t'i mësuar kompjuterat të shohin.
-
3:43 - 3:46Fusha jonë kërkimore quhet
computer vision dhe machine learning. -
3:46 - 3:50Është pjesë e fushës së përgjithshme të
inteligjencës artificiale. -
3:51 - 3:56Përfundimisht, ne duam t'i bëjmë
kompjuterat të shohin ashtu si vetë ne: -
3:56 - 4:02të emërtojnë objekte, të identifikojnë
njerëz, t'i shohin gjërat me 3 dimensione, -
4:02 - 4:08të kuptojnë marrdhëniet, emocionet,
veprimet dhe qëllimet. -
4:08 - 4:14Ne thurim së bashku histori të tëra
mbi njerëz, vende dhe sende -
4:14 - 4:16momentin e parë kur i hedhim një vështrim.
-
4:17 - 4:23Hapi i parë drejt këtij qëllimi është
t'i mësojmë kompjuterat të shohin objekte, -
4:23 - 4:26baza për ndërtimin e botës vizuale.
-
4:26 - 4:30Në kushtet më të thjeshta,
imagjinojeni këtë proces -
4:30 - 4:33si t'i tregosh kompjuterave
disa imazhe të një objekti të caktuar -
4:33 - 4:37për shembull, imazhe te maceve,
-
4:37 - 4:41dhe të ndërtosh një model që trajnohet
dhe mëson nga këto imazhe. -
4:41 - 4:43Sa e vështirë mund të jetë?
-
4:43 - 4:47Në fund të fundit, një mace është thjesht
një grumbull formash dhe ngjyrash, -
4:47 - 4:52dhe me këtë mendim ecëm në ditët e hershme
të modelimit të objekteve. -
4:52 - 4:55Ne do të përdornim matematikën
për t'i treguar algoritmit kompjuterik -
4:55 - 4:59se një mace ka fytyrë të rrumbullakët,
një trup topolak, -
4:59 - 5:01dy veshë me majë, dhe një bisht të gjatë,
-
5:01 - 5:02dhe çdo gjë dukej mirë.
-
5:03 - 5:05Po a do të funksiononte me këtë mace?
-
5:05 - 5:06(Të qeshura)
-
5:06 - 5:08Është komplet e ngatërruar.
-
5:08 - 5:12Në këtë rast duhet t'i shtojmë një formë
dhe këndvështrim tjetër modelit të objektit. -
5:12 - 5:14Po nëqoftëse macet janë të fshehura?
-
5:15 - 5:17Po këto mace qesharake?
(Të qeshura) -
5:19 - 5:22Tani besoj se e kuptoni ku e kam fjalën.
-
5:22 - 5:25Edhe diçka kaq e thjeshtë
sa një kafshë shtëpiake -
5:25 - 5:29përfaqësohet nga variacione të panumërta
për të krijuar modelin e objektit, -
5:29 - 5:32dhe ky është vetëm një rast.
-
5:33 - 5:35Pra rreth tetë vjet më parë,
-
5:35 - 5:40një vrojtim mjaft i thjeshtë dhe i thellë
ndryshoi mënyrën time të të menduarit. -
5:41 - 5:44Një fëmije askush nuk i mëson si të shohë,
-
5:44 - 5:46veçanërisht në vitet e para të jetës.
-
5:46 - 5:51Ato mësojnë përmes eksperiencave
dhe shembujve. -
5:51 - 5:54Nëse i mendojmë sytë e një fëmije
-
5:54 - 5:57si aparate fotografike biologjike,
-
5:57 - 6:01ato kapin një foto çdo 200 millisekonda,
-
6:01 - 6:04që është shpejtësia mesatare e
lëvizjes së syrit. -
6:04 - 6:10Kështu deri në moshën tre-vjeçare,
një fëmijë ka parë qindra miliona foto -
6:10 - 6:11të botës reale.
-
6:11 - 6:14Këto janë shumë shembuj trajnues.
-
6:14 - 6:20Pra, në vënd që të fokusohemi vetëm te
përmirësimi i algoritmave, -
6:20 - 6:26ideja ime ishte t'i ushqenim dhe trajnonim
algoritmat me atë tip të dhënash -
6:26 - 6:29që një fëmijë merr përmes eksperiences
-
6:29 - 6:33në cilësi dhe sasi.
-
6:33 - 6:35Me këtë ide,
-
6:35 - 6:38e dinim se na duhej të mblidhnim
një grup të dhënash -
6:38 - 6:42që përmban shumë më tepër imazhe
seç mund të kemi patur ndonjëherë, -
6:42 - 6:45ndoshta njëmijë herë më shumë,
-
6:45 - 6:49dhe së bashku me Profesorin
Kai Li të Universitetit Princeton, -
6:49 - 6:54ne nisëm projektin ImageNet në 2007.
-
6:54 - 6:57Për fat të mirë, nuk na u desh të montonim
një aparat fotografik në kokë -
6:57 - 6:59dhe të prisnim për shumë vite.
-
6:59 - 7:01Ne iu drejtuam internetit,
-
7:01 - 7:05thesari më i madh i fotove
që njerëzit kanë krijuar ndonjëherë. -
7:05 - 7:08Shkarkuam rreth një bilion imazhe
-
7:08 - 7:14dhe përdorëm crowdsourcing, teknologjinë
e kontributit të përbashkët online -
7:14 - 7:16si platformën Amazon Mechanical Turk, për
të na ndihmuar në etiketimin e imazheve. -
7:16 - 7:21Në majat e veta, ImageNet ishte një nga
punëdhënësit më të mëdhenj -
7:21 - 7:24të punonjësve të Amazon Mechanical Turk:
-
7:24 - 7:28së bashku, gati 50,000 punonjës
-
7:28 - 7:32nga 167 shtete nga e gjithë bota
-
7:32 - 7:36na ndihmuan të përzgjidhnim,
të klasifikonim dhe të etiketonim -
7:36 - 7:40rreth nje bilion imazhe potenciale.
-
7:41 - 7:43Kjo ishte puna që u desh
-
7:43 - 7:47për kapjen e çdo fraksioni të
shëmbëlltyrës -
7:47 - 7:51që mendja e një fëmije regjistron
në vitet e para të zhvillimit -
7:52 - 7:56Në retrospektivë, ideja e përdorimit
të "big data" -
7:56 - 8:01për trajnimin e algoritmave kompjuterikë
mund të duket e qartë tani, -
8:01 - 8:05por vite më parë, në 2007,
nuk ishte kaq e qartë. -
8:05 - 8:09Ne ishim vërtet vetëm në këtë rrugëtim
për mjaft kohë. -
8:09 - 8:14Disa kolegë të mitë, miqësisht më
këshilluan të bëja diçka më të vlefshme, -
8:14 - 8:18dhe vazhdimisht luftonim
për financimin e kërkimeve. -
8:18 - 8:20Njëherë madje, unë bëra shaka
me studentët e diplomuar -
8:20 - 8:24se do të hapja sërish dyqanin tim të
pastrimit kimik për të financuar ImageNet. -
8:24 - 8:29Në fund të fundit, ashtu arrita
të financoj dhe studimet e mia. -
8:29 - 8:31Pra ne vazhduam.
-
8:31 - 8:35Në 2009-n, projekti ImageNet paraqiti
-
8:35 - 8:39një databazë me 15 milion imazhe
-
8:39 - 8:44të klasifikuara në 22,000 klasa
objektesh dhe gjërash -
8:44 - 8:47të organizuara sipas fjalëve të përdorura
në Anglishten e përditshme. -
8:47 - 8:50Si në cilësi, ashtu dhe në sasi,
-
8:50 - 8:53kjo ishte një arritje e paparë.
-
8:53 - 8:56Si shembull, në rastin e maceve,
-
8:56 - 8:59kemi më shumë se 62,000 mace
-
8:59 - 9:03të të gjitha pamjeve, pozicioneve
-
9:03 - 9:08dhe llojeve të maceve shtëpiake
apo të egra. -
9:08 - 9:12Ne ishim të ngazëllyer
nga puna e bërë me ImageNet, -
9:12 - 9:16dhe donim që e gjithë bota kërkimore
të përfitonte nga rezultatet, -
9:16 - 9:20kështu në një mënyrë të ngjashme me TED,
ne ia ofruam të dhënat falas -
9:20 - 9:23komunitetit kërkimor në të gjithë botën.
-
9:25 - 9:29(Duartrokitje)
-
9:29 - 9:34Tani që i kemi të dhënat
për të ushqyer trurin e kompjuterit, -
9:34 - 9:38jemi gati t'i rikthehemi algoritmeve.
-
9:38 - 9:43Rezultoi se, pasuria informative e ofruar
nga ImageNet -
9:43 - 9:48përkonte në mënyrë të përkryer me një
kategori të veçantë algoritmesh -
9:48 - 9:50të machine learning, që quhen
convolutional neural network, -
9:50 - 9:55të aplikuar fillimisht nga Kunihiko
Fukushima, Geoff Hinton, dhe Yann LeCun -
9:55 - 9:59ne vitet '70 dhe '80.
-
9:59 - 10:05Ashtu si truri që përbëhet nga miliarda
neurone të lidhura ngushtë, -
10:05 - 10:08njësia baze operative e një rrjeti
neuronesh (neural network) -
10:08 - 10:11është një nyje e ngjashme me neuronin.
-
10:11 - 10:13Ajo merr të dhëna nga nyjet e tjera
-
10:13 - 10:16dhe i dërgon rezultatin e përpunimit
të tjerave. -
10:16 - 10:21Për më tepër, këto qindra mijra
madje edhe miliona nyje -
10:21 - 10:24janë të organizuara në shtresa hierarkike,
-
10:24 - 10:27gjithashtu të ngjashme me trurin.
-
10:27 - 10:31Në një rrjet tipik neuronesh për të
trajnuar modelin për njohjen e objekteve, -
10:31 - 10:35ndodhen 24 milion nyje,
-
10:35 - 10:38140 milion parametra,
-
10:38 - 10:41dhe 15 miliardë lidhje.
-
10:41 - 10:43Ky është një model gjigand.
-
10:43 - 10:47Falë të dhënave masive ofruar nga ImageNet
-
10:47 - 10:52dhe CPU-të dhe GPU-të moderne
për trajnimin e nje modeli kaq të madh, -
10:52 - 10:55rrjeti konvolucional i neuroneve
(convolutional neural network) -
10:55 - 10:58lulëzoi në një mënyrë që askush se priste.
-
10:58 - 11:01U kthye në një arkitekturë fitimtare
-
11:01 - 11:06për gjenerimin e rezultateve të reja
në identifikimin e objekteve. -
11:06 - 11:09Ky është një kompjuter duke na treguar
-
11:09 - 11:11se ky imazh përmban një mace
-
11:11 - 11:13dhe vendin ku macja ndodhet.
-
11:13 - 11:15Sigurisht ekzistojnë dhe gjëra të tjera
përvec maceve, -
11:15 - 11:18pra ja një algoritëm komjuterik
duke na treguar -
11:18 - 11:21se imazhi përmban nje djalë
dhe një arush teddy; -
11:21 - 11:25një qen, një person, dhe një balonë
të vogël në sfond; -
11:25 - 11:28apo një imazh shumë i ngarkuar me objekte
-
11:28 - 11:33si një burrë, një skateboard,
kangjella, e kështu me rradhë. -
11:33 - 11:38Ndonjëherë, kur kompjuteri nuk është
mjaft i sigurt për atë që sheh, -
11:39 - 11:42ne e kemi mësuar të tregohet i zgjuar
-
11:42 - 11:46e të na jap nje përgjigje të vagët por
më të sigurt, në vend që t'ia fusë kot -
11:46 - 11:48sic bëjmë ne,
-
11:48 - 11:53por në raste të tjera, algoritmi ynë është
i jashtëzakonshëm kur na tregon -
11:53 - 11:55saktësisht se me cilin objekt
kemi të bëjmë, -
11:55 - 11:59si përbërjen, modelin, vitin e prodhimit
të makinave. -
11:59 - 12:04Ne e aplikuam këtë algoritëm në miliona
imazhe të Google Street View -
12:04 - 12:07të qindra qyteteve amerikane,
-
12:07 - 12:10dhe mësuam dicka shumë interesante:
-
12:10 - 12:14së pari, konfirmoi atë qe na
thotë dhe logjika -
12:14 - 12:17cmimet e makinave janë
në përpjestim të drejtë -
12:17 - 12:19me të ardhurat familjare.
-
12:19 - 12:24Por per cudi, ato lidhen
-
12:24 - 12:26dhe me shkallën e krimit në qytete,
-
12:27 - 12:31apo mënyrën e votimit
sipas kodeve postare. -
12:32 - 12:34Prit një minutë. Kaq ishte?
-
12:34 - 12:39Arriti kompjuteri tashmë në të njejtin
nivel madje dhe më lart se njeriu? -
12:39 - 12:42Jo kaq shpejt.
-
12:42 - 12:46Deri tani, i kemi mësuar kompjuterit
të shohë objekte. -
12:46 - 12:51Si të jetë një fëmijë i vogël
duke mësuar ca emra. -
12:51 - 12:54është një arritje e pabesueshme,
-
12:54 - 12:56por është vetëm hapi i parë.
-
12:56 - 13:00Së shpejti do të hidhet një hap
tjetër i madh zhvillimi, -
13:00 - 13:03dhe fëmijët do të fillojnë të flasin
me fjali. -
13:03 - 13:08Kështu në vënd që të thonë
se këtu në foto është një mace, -
13:08 - 13:13ju e dëgjuat tashmë vajzën e vogël duke na
treguar se macja është shtrirë në krevat. -
13:13 - 13:18Pra, për t'i mësuar kompjuterit
të shohë një foto dhe të gjenerojë fjali, -
13:18 - 13:22bashkimi i ngushtë mes të dhënave
dhe algoritmit -
13:22 - 13:25duhet të hedhë një hap tjetër.
-
13:25 - 13:29Tani, kompjuteri duhet të mësojë
edhe nga imazhet -
13:29 - 13:32edhe nga gjuha natyrore
-
13:32 - 13:35e folur nga njerëzit.
-
13:35 - 13:39Ashtu sic truri integron
shikimin me gjuhën, -
13:39 - 13:44ne zhvilluam një model
që lidh pjesë vizuale të objekteve -
13:44 - 13:46si copëza vizuale
-
13:46 - 13:50me fjalë dhe shprehje në fjali.
-
13:50 - 13:53Rreth katër muaj më parë,
-
13:53 - 13:56më në fund i bashkuam të gjitha
-
13:56 - 13:59dhe prodhuam një nga modelet e para
të vizionit kompjuterik -
13:59 - 14:03që bën të mundur gjenerimin e fjalive
të ngjashme me ato që thonë njerëzit -
14:03 - 14:07kur shohin një foto për herë të parë.
-
14:07 - 14:12Tani, jam gati t'ju tregoj
se cfare thotë kompjuteri -
14:12 - 14:14kur sheh të njëjtën foto
-
14:14 - 14:17që vajza e vogël po shihte
në fillim të kësaj bisede. -
14:20 - 14:23(Video) Kompjuteri: Një njeri po qëndron
pranë një elefanti. -
14:24 - 14:28Një avjon i madh duke qëndruar
në një pistë aeroporti. -
14:29 - 14:33FFL: Patjeter, ne po punojmë ende fort
për përmirësimin e algoritmave tanë, -
14:33 - 14:36dhe kemi ende shumë për t'i mësuar.
-
14:36 - 14:38(Duartrokitje)
-
14:40 - 14:43Dhe kompjuteri prapë bën gabime.
-
14:43 - 14:46(Video) Kompjuteri: Një mace e shtrirë
në një krevat në një batanije. -
14:46 - 14:49FFL: Sigurisht, kur sheh kaq shumë mace,
-
14:49 - 14:52mendon pastaj që cdo gjë
mund të duket si mace. -
14:53 - 14:56(Video) Kompjuteri: Një djalë i vogël
duke mbajtur një shkop bejzbolli. -
14:56 - 14:58(Të qeshura)
-
14:58 - 15:03FFL: Nëse s'ka parë kurrë furcë dhëmbësh,
e ngatërron atë me një shkop bejzbolli -
15:03 - 15:07(Video) Kompjuteri: Një burrë hipur
mbi kalë në një rrugë pranë një ndërtese. -
15:07 - 15:09(Të qeshura)
-
15:09 - 15:12FFL: Ende nuk i kemi mësuar art
kompjuterave. -
15:14 - 15:17(Video) Kompjuteri: Një zebra duke
qëndruar në një fushë me bar -
15:17 - 15:20FFL: Dhe ende nuk ka mësuar të çmojë
bukurinë mahnitëse të natyrës -
15:20 - 15:22ashtu siç bëjmë ne.
-
15:22 - 15:25Pra ka qenë një udhëtim i gjatë.
-
15:25 - 15:30Ishte mjaft vështirë të shkonim
nga mosha zero në tre. -
15:30 - 15:35Sfida e vërtetë është të shkojmë
nga tre në 13 e më tej. -
15:35 - 15:39Më lini t'ju risjell këtë foto
të djalit me tortën. -
15:39 - 15:44Deri tani, ne i kemi mësuar kompjuterave
të shohin sende -
15:44 - 15:48madje dhe të na tregojnë histori
të thjeshta duke parë një foto. -
15:48 - 15:52(Video) Kompjuteri: Nje person i ulur
pranë tavolinës me një tortë. -
15:52 - 15:54FFL: Por ka shumë më tepër në këtë foto
-
15:54 - 15:56sesa thjesht një person dhe një tortë.
-
15:56 - 16:01Kompjuteri nuk mund të shohë
se kjo është një tortë e vecantë italiane -
16:01 - 16:04që shërbehet vetëm në kohën e Pashkëve.
-
16:04 - 16:07Djali ka veshur bluzën e tij të preferuar
-
16:07 - 16:11të cilën ia ka dhuruar i ati,
pas një udhëtimi ne Sidney, -
16:11 - 16:15dhe ne mund ta shohim
se sa i lumtur është ai -
16:15 - 16:18dhe cfarë i kalon nëpër mend
në ato momente. -
16:19 - 16:22Ky është im bir, Leo.
-
16:22 - 16:25Në kërkimin tim për inteligjencë vizuale,
-
16:25 - 16:27mendoj për Leon vazhdimisht
-
16:27 - 16:30dhe për botën e së ardhmes
ku ai do të jetojë. -
16:30 - 16:32Kur një makineri do të mund të shohë,
-
16:32 - 16:37doktorët dhe infermjerët do të kenë
një palë sy të palodhur shtesë -
16:37 - 16:41për t'i ndihmuar të përcaktojnë diagnoza
dhe të kujdesen për pacientët. -
16:41 - 16:45Makinat do të vozitin në mënyrë
më inteligjente dhe më të sigurtë -
16:45 - 16:48Robotët, jo vetëm njerëzit,
-
16:48 - 16:53do të na ndihmojnë të deportojmë në zonat
e fatkeqësive, të shpëtojmë të plagosurit -
16:54 - 16:58Ne do të zbulojmë specie të reja,
materiale më të mira, -
16:58 - 17:02dhe do të eksplorojmë kufij të padukshëm
me ndihmën e kompjuterave -
17:03 - 17:07Dalë ngadalë, po i japim kompjuterit
aftësinë për të parë. -
17:07 - 17:10Në fillim i mësojmë të shohin.
-
17:10 - 17:13Më pas, ata na ndihmojnë ne të shohim
më mirë. -
17:13 - 17:17Për herë të parë, sytë njerëzorë,
nuk do të jenë të vetmit -
17:17 - 17:20që do të shohin dhe eksplorojnë botën.
-
17:20 - 17:23Nuk do t'i përdorim kompjuterat
vetëm për inteligjencën, -
17:23 - 17:30por do të bashkëpunojmë me to
në mënyra që as nuk mund t'i imagjinojmë. -
17:30 - 17:32Ky është qëllimi im:
-
17:32 - 17:34t'i japim kompjuterave
inteligjencë vizuale -
17:34 - 17:40dhe të krijojmë një të ardhme më të mirë
për Leon dhe botën. -
17:40 - 17:41Faleminderit.
-
17:41 - 17:45(Duartrokitje)
- Title:
- Si po i mësojmë kompjuterat të kuptojnë imazhet
- Speaker:
- Fei-Fei Li
- Description:
-
Kur një vajzë e vogël sheh një foto, ajo mund të identifikojë elementë të thjeshtë: "macja", "libri", "karrigia". Tani, kompjuterat po zhvillohen mjaftueshëm që dhe ata të bëjnë të njejtën gjë. Çfarë vjen më pas? Në një fjalim drithërues, ekspertja në vizionin komjuterik (computer vision), Fei-Fei Li përshkruan punën e bërë -- duke përfshirë një databazë prej 15 milion fotosh që skuadra e saj ndërtoi për të "edukuar" kompjuterat të kuptojnë imazhet -- dhe çfarë premton e ardhmja.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:58
Helena Bedalli approved Albanian subtitles for How we're teaching computers to understand pictures | ||
Helena Bedalli accepted Albanian subtitles for How we're teaching computers to understand pictures | ||
Helena Bedalli edited Albanian subtitles for How we're teaching computers to understand pictures | ||
Helena Bedalli edited Albanian subtitles for How we're teaching computers to understand pictures | ||
Helena Bedalli edited Albanian subtitles for How we're teaching computers to understand pictures | ||
Dimitra Papageorgiou edited Albanian subtitles for How we're teaching computers to understand pictures | ||
Dimitra Papageorgiou edited Albanian subtitles for How we're teaching computers to understand pictures | ||
Helena Bedalli edited Albanian subtitles for How we're teaching computers to understand pictures |