De wonderbaarlijke en schrikwekkende implicaties van computers die kunnen leren | Jeremy Howard | TEDxBrussels
-
0:01 - 0:05Als je vroeger een computer
iets nieuws wilde laten doen, -
0:05 - 0:06moest je hem programmeren.
-
0:06 - 0:10Voor wie het nooit zelf heeft gedaan:
-
0:10 - 0:13programmeren vereist
dat je tot in het allerpijnlijkste detail -
0:13 - 0:17elke stap uitschrijft
van wat je wil dat de computer doet -
0:17 - 0:19om je doel te bereiken.
-
0:19 - 0:23Als je iets wil doen, waarvan je
zelf niet weet hoe je het moet doen, -
0:23 - 0:25dan is dit een grote uitdaging.
-
0:25 - 0:28Dat was de uitdaging
voor deze man, Arthur Samuel. -
0:28 - 0:32In 1956 wilde hij
deze computer zover krijgen -
0:32 - 0:35dat hij Samuel zelf kon verslaan
bij het dammen. -
0:35 - 0:37Hoe schrijf je een programma
-
0:37 - 0:40dat tot in het allerpijnlijkste detail,
beter is in dammen dan je zelf bent? -
0:40 - 0:42Hij kwam met een idee:
-
0:42 - 0:46hij liet de computer duizenden keren
tegen zichzelf spelen -
0:46 - 0:48en daarbij leren hoe te dammen.
-
0:48 - 0:52Het werkte en in 1962 versloeg
-
0:52 - 0:55deze computer de kampioen
van de staat Connecticut. -
0:55 - 0:59Zo werd Arthur Samuel
de vader van het ‘machinaal leren’. -
0:59 - 1:00Ik heb veel aan hem te danken,
-
1:00 - 1:03want ik doe aan machinaal leren.
-
1:03 - 1:04Ik was voorzitter van Kaggle,
-
1:04 - 1:08een gemeenschap van meer dan
200.000 machinaal-lerenbeoefenaars. -
1:08 - 1:10Kaggle organiseert wedstrijden
-
1:10 - 1:14om eerder onopgeloste problemen
op te lossen. -
1:14 - 1:17Dat lukte al honderden keren.
-
1:17 - 1:20Daardoor kon ik heel wat te weten komen
-
1:20 - 1:24over wat machinaal leren kon doen
in het verleden, vandaag, -
1:24 - 1:26en wat het zou kunnen doen in de toekomst.
-
1:26 - 1:31Misschien is Google het eerste grote
commerciële succes van machinaal leren. -
1:31 - 1:34Google liet zien dat het mogelijk is
om informatie te vinden -
1:34 - 1:36met een computeralgoritme.
-
1:36 - 1:38Dit algoritme is gebaseerd
op machinaal leren. -
1:38 - 1:42Sinds die tijd heeft machinaal leren
heel wat commerciële successen geboekt. -
1:42 - 1:45Bedrijven als Amazon en Netflix
gebruiken machinaal leren -
1:45 - 1:48om producten te suggereren
die je misschien wilt kopen, -
1:48 - 1:50of films om naar te kijken.
-
1:50 - 1:52Soms is het bijna griezelig.
-
1:52 - 1:53Bedrijven zoals LinkedIn en Facebook
-
1:53 - 1:56kunnen je soms vertellen
wie je vrienden zouden kunnen zijn -
1:56 - 1:59en je hebt geen idee
hoe dat in zijn werk ging. -
1:59 - 2:01Dat is de kracht van machinaal leren.
-
2:01 - 2:04Deze algoritmen hebben dit
uit gegevens geleerd te doen -
2:04 - 2:07in plaats van door manueel programmeren.
-
2:07 - 2:10Daarom ook kon Watson van IBM
-
2:10 - 2:13de twee wereldkampioenen
bij "Jeopardy" verslaan -
2:13 - 2:16door heel subtiele en complexe vragen
als deze te beantwoorden. -
2:16 - 2:20["O.a. de oude 'Leeuw van Nimrod' verdween
hier in 2003 uit het nationaal museum."] -
2:20 - 2:23Ook daarom kunnen we nu
de eerste zelfsturende auto's zien. -
2:23 - 2:27Het verschil zien tussen
een boom en een voetganger -
2:27 - 2:28is dan nogal belangrijk.
-
2:28 - 2:31We weten niet hoe we zulke programma's
handmatig moeten schrijven, -
2:31 - 2:34maar met machinaal leren kan het.
-
2:34 - 2:37Deze auto heeft er al meer
dan een miljoen kilometer opzitten -
2:37 - 2:40zonder ongevallen en op gewone wegen.
-
2:40 - 2:44We weten nu dat computers kunnen leren,
-
2:44 - 2:46en computers dingen kunnen leren doen
-
2:46 - 2:50waarvan we eigenlijk soms niet weten
hoe we ze zelf moeten doen, -
2:50 - 2:52of kunnen ze misschien beter doen dan wij.
-
2:52 - 2:54Een van de meest
verbazingwekkende voorbeelden -
2:54 - 2:56van machinaal leren die ik heb gezien,
-
2:56 - 2:59zag ik op een project
dat ik op Kaggle leidde. -
2:59 - 3:03Een team geleid door Geoffrey Hinton
van de Universiteit van Toronto -
3:03 - 3:07won een wedstrijd in het geautomatiseerd
ontdekken van geneesmiddelen. -
3:07 - 3:11Het was al buitengewoon
dat ze alle algoritmen van Merck -
3:11 - 3:13en de internationale
academische gemeenschap versloegen, -
3:13 - 3:16maar daarbij had niemand in het team
een achtergrond -
3:16 - 3:18in scheikunde, biologie
of levenswetenschappen, -
3:18 - 3:20en ze deden het in twee weken.
-
3:20 - 3:22Hoe deden ze het?
-
3:22 - 3:25Ze gebruikten een buitengewoon algoritme:
‘deep learning’. -
3:25 - 3:28Zo belangrijk was dat,
dat het een paar weken later -
3:28 - 3:31in The New York Times
als voorpagina-artikel verscheen. -
3:31 - 3:34Dit is Geoffrey Hinton hier links.
-
3:34 - 3:38Deep learning is een algoritme
geïnspireerd op het menselijk brein. -
3:38 - 3:40Daardoor is het een algoritme
-
3:40 - 3:44zonder theoretische beperkingen
op wat het kan doen. -
3:44 - 3:47Hoe meer gegevens
en rekentijd je het geeft, -
3:47 - 3:48hoe beter het wordt.
-
3:48 - 3:50De New York Times toonde
in dit artikel ook -
3:50 - 3:53een ander uitzonderlijk resultaat
van deep learning. -
3:53 - 3:56Ik ga het je nu laten zien.
-
3:56 - 4:01Het toont aan dat computers
kunnen luisteren en begrijpen. -
4:01 - 4:03(Video) Richard Rashid:
De laatste stap -
4:03 - 4:06die ik in dit proces wil kunnen zetten,
-
4:06 - 4:11is om je daadwerkelijk
in het Chinees aan te spreken. -
4:11 - 4:14Het belangrijkste is
-
4:14 - 4:19dat we een grote hoeveelheid informatie
van vele Chinese sprekers konden vergaren -
4:19 - 4:21en een tekst-naar-spraaksysteem produceren
-
4:21 - 4:26dat Chinese tekst
omzet naar Chinese spreektaal. -
4:26 - 4:30Daarna hebben we een paar uren
mijn eigen stem opgenomen -
4:30 - 4:34en ze gebruikt om het standaard
tekst-naar-spraak systeem te moduleren -
4:34 - 4:36zodat het zou klinken zoals ik.
-
4:36 - 4:39Het resultaat is niet perfect.
-
4:39 - 4:42Er zitten nogal wat fouten in.
-
4:42 - 4:44(In het Chinees)
-
4:44 - 4:47(Applaus)
-
4:49 - 4:53Er is nog veel werk te doen
op dit gebied. -
4:53 - 4:57(In het Chinees)
-
4:57 - 5:00(Applaus)
-
5:01 - 5:05Jeremy Howard: Dat was op een conferentie
over machinaal leren in China. -
5:05 - 5:07Op wetenschappelijke congressen
-
5:07 - 5:09hoor je niet vaak spontaan applaus,
-
5:09 - 5:13maar natuurlijk wel eens
bij TEDx conferenties, het mag. -
5:13 - 5:15Alles wat je zag,
gebeurde met deep learning. -
5:15 - 5:17(Applaus)
Dank je. -
5:17 - 5:19De transcriptie in het Engels
was deep learning. -
5:19 - 5:24Ook de vertaling naar Chinees en de tekst
in de rechterbovenhoek is deep learning. -
5:24 - 5:26De constructie van de stem,
weer deep learning. -
5:26 - 5:29Deep learning is buitengewoon.
-
5:29 - 5:32Een enkel algoritme
lijkt bijna alles te kunnen. -
5:32 - 5:35Een jaar eerder ontdekte ik
dat het systeem ook had leren zien. -
5:35 - 5:38Bij een minder bekende
wedstrijd in Duitsland, -
5:38 - 5:41de German Traffic Sign
Recognition Benchmark, -
5:41 - 5:44heeft deep learning verkeersborden
zoals deze leren herkennen. -
5:44 - 5:47Niet alleen kan het verkeersborden
beter dan enig ander algoritme herkennen, -
5:47 - 5:52het scorebord liet zien dat het ook
ongeveer twee keer beter was dan mensen. -
5:52 - 5:55In 2011 hadden we dus het eerste voorbeeld
-
5:55 - 5:57van computers die beter
kunnen zien dan mensen. -
5:57 - 5:59Sinds die tijd is er veel gebeurd.
-
5:59 - 6:03In 2012 kondigde Google aan
dat ze een deep learning-algoritme -
6:03 - 6:04YouTube-video’s lieten bekijken.
-
6:04 - 6:08Het verwerkte een maand lang
de gegevens op 16.000 computers, -
6:08 - 6:12en de computer leerde zelfstandig
over begrippen als mensen en katten -
6:12 - 6:14gewoon door naar de video's te kijken.
-
6:14 - 6:16Net als de manier waarop mensen leren.
-
6:16 - 6:19Mensen leren niet doordat hen
wordt verteld wat ze zien, -
6:19 - 6:22maar door zichzelf
deze dingen te leren. -
6:22 - 6:26Ook in 2012, won Geoffrey Hinton,
die we eerder zagen, -
6:26 - 6:29de zeer populaire ImageNet-wedstrijd,
-
6:29 - 6:33door te kijken naar anderhalf miljoen
afbeeldingen om erachter te komen -
6:33 - 6:34wat ze voorstelden.
-
6:34 - 6:38Vanaf 2014 zitten we op
een zes procent foutenpercentage -
6:38 - 6:39bij beeldherkenning.
-
6:39 - 6:41Dit is alweer beter dan mensen.
-
6:41 - 6:45Machines kunnen dit buitengewoon goed
-
6:45 - 6:47en het wordt nu gebruikt in de industrie.
-
6:47 - 6:50Vorig jaar kondigde
Google bijvoorbeeld aan -
6:50 - 6:55dat ze elke locatie in Frankrijk
in twee uur tijd in kaart hadden gebracht, -
6:55 - 6:58door Street View-beelden
-
6:58 - 7:02met een deep learning-algoritme te herkennen
en de huisnummers te lezen. -
7:02 - 7:05Stel je voor hoe lang het
anders zou hebben geduurd: -
7:05 - 7:08tientallen mensen, vele jaren.
-
7:08 - 7:10Dit gebeurt ook in China.
-
7:10 - 7:14Baidu is een soort Chinese Google,
denk ik, -
7:14 - 7:17en wat je hier ziet
in de linkerbovenhoek, -
7:17 - 7:19is een voorbeeld van een foto
die ik heb geüpload -
7:19 - 7:21naar Baidu’s deep learning-systeem.
-
7:21 - 7:25Daaronder kun je zien dat het systeem
heeft begrepen wat dat beeld is -
7:25 - 7:26en gelijkaardige beelden vond.
-
7:26 - 7:29De gelijkaardige beelden
hebben gelijkaardige achtergronden, -
7:29 - 7:31dezelfde richtingen van gezichten,
-
7:31 - 7:33sommige zelfs met hun tong uit.
-
7:33 - 7:36Dit is niet zomaar wat kijken
naar de tekst van een webpagina. -
7:36 - 7:38Alles wat ik uploadde, waren beelden.
-
7:38 - 7:41Dus hebben we nu computers
die echt begrijpen wat ze zien -
7:41 - 7:43en derhalve databases
-
7:43 - 7:46van honderden miljoenen beelden
in real time doorzoeken. -
7:46 - 7:50Wat betekent het nu
dat computers kunnen zien? -
7:50 - 7:52Computers kunnen niet alleen maar zien.
-
7:52 - 7:54Deep learning doet meer.
-
7:54 - 7:57Complexe, genuanceerde zinnen zoals deze
-
7:57 - 7:59zijn nu begrijpelijk
met deep learning-algoritmen. -
7:59 - 8:01Zoals je hier kunt zien,
-
8:01 - 8:03heeft dit systeem van Stanford
met de rode stip bovenaan -
8:03 - 8:07uitgeknobbeld dat deze zin
een negatief sentiment weergeeft. -
8:07 - 8:11Deep learning komt in de buurt
van menselijke prestaties -
8:11 - 8:16bij het begrijpen waar zinnen over gaan
en wat ze zeggen over die dingen. -
8:16 - 8:19Ook is deep learning gebruikt
om Chinees te lezen, -
8:19 - 8:22weer op ongeveer het niveau
van Chinese moedertaalsprekers. -
8:22 - 8:24Dit algoritme werd
in Zwitserland ontwikkeld -
8:24 - 8:27alweer door mensen die geen
Chinees spreken of begrijpen. -
8:27 - 8:29Zoals ik al zei, deep learning
-
8:29 - 8:32is zowat het beste systeem
ter wereld hiervoor, -
8:32 - 8:37zelfs in vergelijking
met autochtoon menselijk begrijpen. -
8:37 - 8:40Het is een systeem dat we
op mijn bedrijf hebben ontwikkeld -
8:40 - 8:42door dit allemaal te combineren.
-
8:42 - 8:44Dit zijn foto’s
zonder bijhorende tekst, -
8:44 - 8:47en terwijl ik hier zinnen typ,
-
8:47 - 8:50begrijpt het deze foto’s in real time,
-
8:50 - 8:51zoekt uit waarover ze gaan
-
8:51 - 8:54en vindt foto’s die lijken op
de tekst die ik schrijf. -
8:54 - 8:59Zoals jullie kunnen zien, begrijpt het
mijn zinnen en deze foto's echt. -
8:59 - 9:02Dit heb je vast al gezien op Google,
-
9:02 - 9:05waar je woorden kunt intypen
en het je afbeeldingen toont, -
9:05 - 9:08maar eigenlijk doorzoekt het
de webpagina op tekst. -
9:08 - 9:11Dat is heel wat anders dan
werkelijk begrijpen van de afbeeldingen. -
9:11 - 9:14Dit kunnen computers alleen nog maar
-
9:14 - 9:17sinds de laatste paar maanden.
-
9:17 - 9:21Computers kunnen dus niet alleen zien,
maar ook lezen, -
9:21 - 9:24en, zoals we hebben aangetoond,
ook begrijpen wat ze horen. -
9:24 - 9:29Misschien niet zo verwonderlijk
dat ik je vertel dat ze kunnen schrijven. -
9:29 - 9:33Deze tekst genereerde ik gisteren
met een deep learning-algoritme. -
9:33 - 9:37En hier een stukje tekst dat
een algoritme van Stanford genereerde. -
9:37 - 9:39Elk van deze zinnen werd gegenereerd
-
9:39 - 9:43door een deep learning-algoritme
om elk van deze foto's te beschrijven. -
9:43 - 9:48Dit algoritme had nog nooit een man
in een zwart shirt gitaar zien spelen. -
9:48 - 9:50Het had al apart een man, zwart
-
9:50 - 9:51en een gitaar gezien,
-
9:51 - 9:56maar genereerde onafhankelijk
de nieuwe beschrijving van dit beeld. -
9:56 - 9:58We zijn nog niet zover
als menselijke prestaties, -
9:58 - 9:59maar we komen in de buurt.
-
9:59 - 10:03Bij tests geven mensen
één op de vier keer de voorkeur -
10:03 - 10:05aan het bijschrift van de computer.
-
10:05 - 10:07Dit systeem is nog maar twee weken oud,
-
10:07 - 10:09dus waarschijnlijk
zal in de loop van volgend jaar, -
10:09 - 10:13het computer-algoritme
het beter doen dan mensen. -
10:13 - 10:16Computers kunnen dus ook schrijven.
-
10:16 - 10:20Dit alles tezamen leidt
tot zeer interessante mogelijkheden. -
10:20 - 10:23In de geneeskunde heeft
een team in Boston aangekondigd -
10:23 - 10:27tientallen nieuwe klinisch relevante
eigenschappen van tumoren -
10:27 - 10:31te hebben ontdekt, wat artsen helpt bij
het maken van prognoses voor kanker. -
10:32 - 10:35Ook in Stanford maakte een groep bekend
-
10:35 - 10:38dat ze, kijkend
naar weefsels onder vergroting, -
10:38 - 10:41een op machinaal-leren gebaseerd
systeem hebben ontwikkeld -
10:41 - 10:43dat beter was dan menselijke pathologen
-
10:43 - 10:48in het voorspellen van overlevingskansen
voor kankerpatiënten. -
10:48 - 10:51In beide gevallen werden niet alleen
de voorspellingen nauwkeuriger, -
10:51 - 10:53maar ze genereerden
nieuwe inzichtelijke wetenschap. -
10:53 - 10:54Bij de radiologie
-
10:54 - 10:58waren dat nieuwe klinische indicatoren
die mensen kunnen begrijpen. -
10:58 - 11:00Bij de pathologie
-
11:00 - 11:04ontdekte het computersysteem
dat de cellen rond de kanker -
11:04 - 11:08even belangrijk zijn
als de kankercellen zelf -
11:08 - 11:09bij het maken van een diagnose.
-
11:09 - 11:15Dit is het tegenovergestelde van wat
pathologen decennialang hadden geleerd. -
11:15 - 11:18In beide gevallen
werden systemen ontwikkeld -
11:18 - 11:22door een combinatie van medische experts
en machinaal-lerenexperts, -
11:22 - 11:24maar dat was vorig jaar,
nu staan we verder. -
11:24 - 11:28Dit is een voorbeeld van identificatie
van carcinomateuze gebieden -
11:28 - 11:30van menselijk weefsel
onder een microscoop. -
11:30 - 11:33Het systeem dat hier wordt getoond,
-
11:33 - 11:35kan deze doelgebieden
preciezer identificeren -
11:35 - 11:38of ongeveer net zo precies
als menselijke pathologen, maar werd -
11:38 - 11:41geheel ontwikkeld met deep learning
zonder medische expertise -
11:41 - 11:44door mensen zonder achtergrond
op dat gebied. -
11:45 - 11:47Evenzo bij deze neuronen-segmentatie.
-
11:47 - 11:49We kunnen nu neuronen ongeveer
-
11:49 - 11:51net zo nauwkeurig onderscheiden
als mensen het kunnen, -
11:51 - 11:54maar dit systeem
is ontwikkeld met deep learning -
11:54 - 11:57met mensen zonder eerdere
achtergrond in de geneeskunde. -
11:57 - 12:00Ikzelf, als iemand zonder eerdere
achtergrond in de geneeskunde, -
12:00 - 12:04lijk helemaal gekwalificeerd te zijn om
een nieuw medisch bedrijf op te starten, -
12:04 - 12:06wat ik dan ook deed.
-
12:06 - 12:08Ik was doodsbang om het te doen,
-
12:08 - 12:11maar de theorie leek te suggereren
dat het mogelijk moet zijn -
12:11 - 12:16om aan zeer bruikbare geneeskunde te doen
met deze data-analyse technieken. -
12:16 - 12:19Gelukkig is de feedback
fantastisch geweest. -
12:19 - 12:20Niet alleen van de media
-
12:20 - 12:23maar ook van de medische gemeenschap,
die zeer positief reageerde. -
12:23 - 12:27De theorie is dat wij het middelste deel
van het medische proces kunnen overnemen -
12:27 - 12:30en dat zoveel mogelijk
in gegevensanalyse omzetten -
12:30 - 12:33om artsen dat te laten doen
waarin ze uitblinken. -
12:33 - 12:35Ik geef een voorbeeld.
-
12:35 - 12:37Het kost ons nu ongeveer 15 minuten
-
12:37 - 12:40om een nieuwe medische diagnostische
test te genereren. -
12:40 - 12:42Ik toon het in real-time,
-
12:42 - 12:45maar comprimeerde het tot drie minuten
door wat weg te laten. -
12:45 - 12:49In plaats van het creëren van
een medisch-diagnostische test te tonen, -
12:49 - 12:52toon ik een diagnostische test
van afbeeldingen van auto's, -
12:52 - 12:54want dat begrijpen we allemaal.
-
12:54 - 12:57We beginnen hier met ongeveer
1,5 miljoen afbeeldingen van auto's, -
12:57 - 13:00en ik wil iets maken
dat hen kan sorteren -
13:00 - 13:03volgens de hoek
vanwaar de foto werd genomen. -
13:03 - 13:07Deze beelden zijn ongelabeld,
dus moet ik beginnen vanaf nul. -
13:07 - 13:08Met ons deep learning-algoritme
-
13:08 - 13:12kan het automatisch structuurdelen
identificeren in deze beelden. -
13:12 - 13:16Het leuke is dat mens en computer
nu kunnen samenwerken. -
13:16 - 13:18De mens zoals hier te zien,
-
13:18 - 13:21wijst de computer op aandachtsgebieden
-
13:21 - 13:25waarvan hij wil dat de computer ze
gebruikt om het algoritme te verbeteren. -
13:25 - 13:30Deze deep learning-systemen zijn in feite
in een 16.000-dimensionale ruimte. -
13:30 - 13:33Je kunt de computer dit
in die ruimte zien draaien, -
13:33 - 13:35om nieuwe structuurgebieden te vinden.
-
13:35 - 13:37Als dat lukt,
-
13:37 - 13:41kan de mens dan wijzen
op gebieden die interessant zijn. -
13:41 - 13:43Hier heeft de computer
goede gebieden gevonden, -
13:43 - 13:46bijvoorbeeld hoeken.
-
13:46 - 13:47Bij het doorlopen van dit proces,
-
13:47 - 13:50vertellen we de computer
geleidelijk aan meer en meer -
13:50 - 13:52over de soorten structuren
die we zoeken. -
13:52 - 13:55Je kunt je voorstellen
dat in een diagnostische test -
13:55 - 13:57een patholoog zieke gebieden
gaat identificeren -
13:57 - 14:02of een radioloog potentieel
gevaarlijke knobbeltjes aanwijst. -
14:02 - 14:05Soms wordt het moeilijk
voor het algoritme. -
14:05 - 14:06Hier raakte het in de war.
-
14:06 - 14:10De voor- en achterkanten van de auto's
worden door elkaar gehaald. -
14:10 - 14:11Dus moeten we hier wat preciezer zijn,
-
14:11 - 14:15voor- en achterkanten handmatig selecteren
-
14:15 - 14:16en de computer vertellen
-
14:16 - 14:22dat dit een soort groep is
waarin we geïnteresseerd zijn. -
14:22 - 14:24Dat doen we even,
we slaan even wat over, -
14:24 - 14:26en trainen daarmee
het machinaal-lerenalgoritme -
14:26 - 14:28op basis van die paar honderd dingen,
-
14:28 - 14:30en hopen dat het dan veel beter gaat.
-
14:30 - 14:34Jullie zien, hij begint nu
sommige van deze foto’s te vervagen, -
14:34 - 14:38en laat daarmee zien dat het
sommige ervan zelf begint te begrijpen. -
14:38 - 14:41We kunnen dan gebruik maken
van het concept van soortgelijke foto's, -
14:41 - 14:43daarmee kun je nu zien
-
14:43 - 14:47dat de computer in staat is om alleen
de voorkanten van auto’s te vinden. -
14:47 - 14:50Nu kan de mens de computer vertellen:
-
14:50 - 14:52“Oké, dat heb je goed gedaan.”
-
14:54 - 14:56Maar zelfs op dit punt
-
14:56 - 15:00is het soms nog steeds moeilijk
groepen te scheiden. -
15:00 - 15:03Zelfs na de computer
dit een tijdje te laten roteren, -
15:03 - 15:07zien we nog steeds dat foto’s
van de linker- en de rechterzijde -
15:07 - 15:08door elkaar worden gehaald.
-
15:08 - 15:11We kunnen dan de computer
weer enkele tips geven, -
15:11 - 15:13en zeggen dat hij een projectie
moet zoeken -
15:13 - 15:16die de linker- en rechterkant
zoveel mogelijk scheidt -
15:16 - 15:18door middel van
een deep learning-algoritme. -
15:18 - 15:21En met die hint –
ah, oké, het is gelukt. -
15:21 - 15:24Hij vond een manier
van denken over deze objecten -
15:24 - 15:26dat ze van elkaar scheidde.
-
15:26 - 15:29Je ziet het idee erachter.
-
15:29 - 15:37Hier werd de mens
niet vervangen door een computer, -
15:37 - 15:40maar ze werkten samen.
-
15:40 - 15:45Dit zou een team van vijf of zes personen
zeven jaar hebben gekost. -
15:45 - 15:48Dit duurt 15 minuten
-
15:48 - 15:50voor één enkele persoon.
-
15:50 - 15:54Dit proces neemt ongeveer
vier of vijf iteraties in beslag. -
15:54 - 15:56Je kunt zien dat we nu 62%
-
15:56 - 15:59van onze 1,5 miljoen beelden
correct hebben geclassificeerd. -
15:59 - 16:03Vanaf nu kunnen we vrij snel
heel grote secties aanpakken -
16:03 - 16:06en controleren of er
geen fouten werden gemaakt. -
16:06 - 16:10Waar fouten zijn,
kunnen we de computer daarop wijzen. -
16:10 - 16:13Met dit soort proces voor elk
van de verschillende groepen, -
16:13 - 16:15hebben we nu een 80% kans op succes
-
16:15 - 16:18bij het sorteren
van de 1,5 miljoen afbeeldingen. -
16:18 - 16:20Dan is het nog zaak
-
16:20 - 16:23het kleine aantal te vinden
dat niet correct werd ingedeeld -
16:23 - 16:26en proberen te begrijpen waarom.
-
16:26 - 16:28Met behulp van die aanpak
-
16:28 - 16:32krijgen we op 15 minuten
tot 97% juiste classificatie. -
16:32 - 16:37Dit soort techniek stelt ons in staat
een groot probleem op te lossen, -
16:37 - 16:40namelijk het gebrek
aan medische expertise in de wereld. -
16:40 - 16:43Het Wereld Economisch Forum zegt
dat er tussen de 10 en 20 keer -
16:43 - 16:46te weinig artsen zijn
in de derde wereld. -
16:46 - 16:48Het zou ongeveer 300 jaar duren
-
16:48 - 16:51om voldoende mensen op te leiden
om dat probleem op te lossen. -
16:51 - 16:54Stel dat we hun efficiëntie
kunnen verbeteren -
16:54 - 16:56met behulp van deep learning?
-
16:56 - 16:59Ik ben erg enthousiast
over de mogelijkheden. -
16:59 - 17:01Maar ik zie ook problemen.
-
17:01 - 17:04Het probleem hier is dat
elk gebied in het blauw op deze kaart -
17:04 - 17:09ergens is waar de dienstensector instaat
voor meer dan 80% van de werkgelegenheid. -
17:09 - 17:10Wat zijn diensten?
-
17:10 - 17:11Dit zijn diensten.
-
17:11 - 17:16Dit zijn ook exact die dingen
die computers net hebben leren doen. -
17:16 - 17:19Dus 80% van de werkgelegenheid
in de ontwikkelde wereld -
17:19 - 17:22zijn zaken die computers
net hebben leren doen. -
17:22 - 17:23Wat betekent dat?
-
17:23 - 17:25Het komt wel goed.
-
17:25 - 17:26Er komen wel andere banen.
-
17:26 - 17:29Bijvoorbeeld meer banen
voor datawetenschappers. -
17:29 - 17:33Nou, niet echt. Datawetenschappers
kunnen deze dingen heel snel ontwikkelen. -
17:33 - 17:36Zo werden deze vier algoritmes
alle ontwikkeld door dezelfde man. -
17:36 - 17:39Als je denkt: “Ach, het is allemaal
al eerder gebeurd, -
17:39 - 17:42we zagen wat er vroeger gebeurde
als er nieuwe dingen kwamen, -
17:42 - 17:44ze worden vervangen door nieuwe banen.”
-
17:44 - 17:46Maar wat zullen deze nieuwe banen zijn?
-
17:46 - 17:48Moeilijk in te schatten,
-
17:48 - 17:51omdat menselijk kunnen
met dit geleidelijke tempo groeit, -
17:51 - 17:54maar we hebben nu
een deep learning-systeem -
17:54 - 17:57dat eigenlijk exponentieel
in mogelijkheden toeneemt. -
17:57 - 17:58Hier zijn we.
-
17:58 - 18:00We kijken naar wat we hebben
-
18:00 - 18:03en zeggen: "Ach, computers zijn
nog steeds behoorlijk dom." Ja? -
18:03 - 18:07Maar in vijf jaar tijd zullen computers
buiten deze grafiek vallen. -
18:07 - 18:10Daar moeten we nu al beginnen
over na te denken. -
18:10 - 18:13Hebben we dit niet
al eerder zien gebeuren? -
18:13 - 18:14In de Industriële Revolutie
-
18:14 - 18:17deden we een grote stap
in mogelijkheden dankzij machines. -
18:18 - 18:20Maar na een tijdje vlakte het wat af.
-
18:20 - 18:23Er was maatschappelijke ontwrichting,
-
18:23 - 18:26maar zodra machines in alle situaties
voor energie gingen zorgen, -
18:26 - 18:28kalmeerde het weer.
-
18:28 - 18:30De Machinaal-Leren Revolutie
-
18:30 - 18:33zal heel wat anders zijn
dan de Industriële Revolutie, -
18:33 - 18:36omdat de Machinaal-Leren Revolutie
nooit gaat stoppen. -
18:36 - 18:39Hoe beter computers worden
in intellectuele activiteiten, -
18:39 - 18:43hoe meer ze betere computers kunnen bouwen
om intellectuele vermogens te verbeteren. -
18:43 - 18:45Dit gaat om een soort verandering
-
18:45 - 18:47die de wereld nog nooit
eerder heeft meegemaakt. -
18:47 - 18:51Je vorige idee van wat mogelijk is,
schiet tekort. -
18:51 - 18:53Dit beïnvloedt ons nu al.
-
18:53 - 18:56Terwijl in de afgelopen 25 jaar
de kapitaalproductiviteit toenam, -
18:56 - 19:01ging het voor de arbeidsproductiviteit
zelfs een beetje omlaag. -
19:01 - 19:04Ik zou deze discussie
nu willen opstarten. -
19:04 - 19:07Ik weet dat wanneer ik
mensen hierover vertel, -
19:07 - 19:09ze vaak heel afwijzend zijn:
-
19:09 - 19:11"Computers kunnen toch niet echt denken,
-
19:11 - 19:13voelen, poëzie begrijpen.
-
19:13 - 19:16We begrijpen niet echt hoe ze werken."
-
19:16 - 19:17Dus?
-
19:17 - 19:19Computers kunnen nu dingen doen
-
19:19 - 19:22waarvoor mensen al hun hele leven
betaald werden, -
19:22 - 19:24dus is het nu tijd om te gaan nadenken
-
19:24 - 19:28hoe we onze sociale
en economische structuren gaan aanpassen -
19:28 - 19:31en ons bewust worden
van deze nieuwe realiteit. -
19:31 - 19:31Bedankt.
-
19:31 - 19:32(Applaus)
- Title:
- De wonderbaarlijke en schrikwekkende implicaties van computers die kunnen leren | Jeremy Howard | TEDxBrussels
- Speaker:
- Jeremy Howard
- Description:
-
Wat gebeurt er als we een computer leren leren? Technoloog Jeremy Howard bespreekt enkele verrassende nieuwe ontwikkelingen over het snel evoluerende gebied van 'deep learning', een techniek die computers de mogelijkheid geeft om Chinees te leren, om objecten in foto's te herkennen of om mee te denken bij een medische diagnose. (Eén 'deep learning'-toepassing maakte zich het begrip 'katten' eigen door het bekijken van uren YouTube.) Word bijgepraat over een veld dat de manier waarop computers zich gedragen zal veranderen... waarschijnlijk sneller dan je denkt.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Peter van de Ven edited Dutch subtitles for The wonderful and terrifying implications of computers that can learn | ||
Valérie Boor approved Dutch subtitles for The wonderful and terrifying implications of computers that can learn | ||
Valérie Boor accepted Dutch subtitles for The wonderful and terrifying implications of computers that can learn | ||
Valérie Boor edited Dutch subtitles for The wonderful and terrifying implications of computers that can learn | ||
Valérie Boor edited Dutch subtitles for The wonderful and terrifying implications of computers that can learn | ||
Valérie Boor edited Dutch subtitles for The wonderful and terrifying implications of computers that can learn | ||
Rik Delaet edited Dutch subtitles for The wonderful and terrifying implications of computers that can learn | ||
Rik Delaet edited Dutch subtitles for The wonderful and terrifying implications of computers that can learn |