Hogyan tanulnak a számítógépek alkotókészséget
-
0:01 - 0:04A Google-nál a gépi intelligenciával
foglalkozó részleget vezetem. -
0:04 - 0:08Ez a mérnöki terület számítógépeket
és készülékeket tesz alkalmassá arra, -
0:08 - 0:11hogy az emberi agyéhoz hasonló
tevékenységet végezzenek. -
0:11 - 0:15Ez sarkall bennünket arra,
hogy az aggyal -
0:15 - 0:16és az idegtudománnyal foglalkozzunk,
-
0:16 - 0:20különösen azzal, amiben agyunk egyelőre
-
0:20 - 0:24jócskán fölülmúlja a számítógépet.
-
0:25 - 0:29Történetileg az egyik ilyen terület
az érzékelés folyamata, -
0:29 - 0:32amelyben a környezetünkben lévő dolgok
-
0:32 - 0:33– hangok és képek –
-
0:34 - 0:36agyunkban fogalommá alakulnak.
-
0:36 - 0:39Tudatunk számára ez nélkülözhetetlen,
-
0:39 - 0:41de igen hasznos a számítógépeknek is.
-
0:42 - 0:45A gépi érzékelés algoritmusai
– csoportunk ezen dolgozik – -
0:45 - 0:49teszik az önök Google Photoson
lévő fotóit kereshetővé annak alapján, -
0:49 - 0:50hogy mi látható rajtuk.
-
0:52 - 0:55Az érzékelés másik oldala
az alkotókészség: -
0:55 - 0:58az elképzelések valóra váltása.
-
0:58 - 1:03A gépi érzékeléssel végzett munkánk
2015-ben váratlanul -
1:03 - 1:07hozzákapcsolódott a gépi alkotókészséghez
-
1:07 - 1:08és a gépi művészethez.
-
1:09 - 1:12Az hiszem, Michelangelo
nagyon is beleérzett -
1:12 - 1:16az érzékelés és az alkotókészség
közötti kettős viszonyba. -
1:16 - 1:18Van egy híres mondása:
-
1:18 - 1:21"Minden kőtömb szobrot rejt a belsejében,
-
1:22 - 1:25és a szobrász dolga, hogy kiszabadítsa."
-
1:26 - 1:29Azt hiszem, Michelangelo ezen azt értette,
-
1:29 - 1:32hogy érzékelés útján alkotunk,
-
1:32 - 1:35és az érzékelés nem más,
mint a képzelet folyamata -
1:36 - 1:38és az alkotókészség terméke.
-
1:39 - 1:43A gondolkodás, az érzékelés
és a képzelet irányítója -
1:43 - 1:44természetesen az agy.
-
1:45 - 1:48Egy történeti áttekintéssel
szeretném kezdeni, -
1:48 - 1:50hogy mit tudunk az agyunkról.
-
1:50 - 1:53Mert eltérően a szívtől és a belektől,
-
1:53 - 1:56ránézésre nem sokat mondhatunk az agyról,
-
1:56 - 1:58ha csupán szabad szemmel nézzük.
-
1:58 - 2:00Az agyat vizsgáló első anatómusok
-
2:00 - 2:04a felszíni képleteknek
furcsa neveket adtak, -
2:04 - 2:07pl. a hippokampusz csikóhalat jelent.
-
2:07 - 2:09Persze a nevek nem sokat
árulnak el arról, -
2:09 - 2:12hogy mi zajlik belül.
-
2:13 - 2:16Az első, aki valóban sokat tett azért,
-
2:16 - 2:18hogy megtudjuk, mi történik az agyban,
-
2:18 - 2:22Santiago Ramón y Cajal,
a nagy spanyol ideganatómus volt -
2:22 - 2:24a 19. században.
-
2:24 - 2:28Mikroszkópot használt,
és különleges eljárást alkalmazott, -
2:28 - 2:32amellyel szelektíven tudta
megfesteni az egyes idegsejteket, -
2:32 - 2:34jó kontrasztot érve el a megjelenítésben,
-
2:34 - 2:37hogy alaktanuk érthetőbb legyen.
-
2:38 - 2:41Ilyesféle képeket készített
az idegsejtekről -
2:41 - 2:42a 19. században:
-
2:42 - 2:44Ezt egy madár agyáról készült.
-
2:44 - 2:47Látják, milyen hihetetlenül
változatosak a különféle sejtek; -
2:47 - 2:51ekkor még maga
a sejtelmélet is vadonatúj volt. -
2:51 - 2:52Ezek a képletek,
-
2:52 - 2:54ezek a dendritnyúlványok a sejteken,
-
2:54 - 2:57ezek az ágacskák, amelyek igen
messze ki tudnak nyúlni, -
2:57 - 2:58akkoriban újdonságnak számítottak.
-
2:59 - 3:02Vezetékekre emlékeztetnek.
-
3:02 - 3:05Ez a 19. században némelyeknek
kézenfekvőnek tűnt: -
3:05 - 3:10éppen folyamatban volt a vezetékek
és a villamosság forradalma. -
3:10 - 3:11De több vonatkozásban
-
3:11 - 3:14Ramón y Cajal mikroanatómiai rajzai,
-
3:15 - 3:17mint ez is, fölülmúlhatatlanok.
-
3:17 - 3:19Még most, egy bő évszázaddal később is
-
3:19 - 3:22csak törekszünk bevégezni
a Cajal által megkezdett munkát. -
3:22 - 3:25Ezek a nyers adatok itt partnereinktől,
-
3:25 - 3:28a Max Planck Idegtudományi
Intézetből származnak. -
3:28 - 3:30Partnereink képet készítettek
-
3:30 - 3:34az agyszövet pirinyó részeiről.
-
3:34 - 3:38Az itt látható minta
összességében is csupán 1 mm³, -
3:38 - 3:40én pedig ennek is
csak egy pici részét mutatom. -
3:40 - 3:43A bal oldali vonás kb. 1 mikron.
-
3:43 - 3:45Az itt látható képletek a mitokondriumok,
-
3:45 - 3:47ezek baktériumméretűek.
-
3:47 - 3:49Ezek pedig a nagyon parányi szövetdarab
-
3:49 - 3:52folytatólagos metszetei.
-
3:52 - 3:55Csak összevetésül:
-
3:55 - 3:58egy átlagos hajszál átmérője
kb. 100 mikron. -
3:58 - 4:01Ami szemünk előtt van,
az sokkal-sokkal kisebb, -
4:01 - 4:02mint a hajszál vastagsága.
-
4:02 - 4:06Ha ezeknek az elektronmikroszkópos
metszeteknek a sorozatából -
4:06 - 4:113D-ben rekonstruáljuk az idegsejteket,
valami ilyet kapunk. -
4:11 - 4:14Ezek jellegükben hasonlítanak
Ramón y Cajal képeire. -
4:14 - 4:16Csak pár idegsejt van megvilágítva,
-
4:16 - 4:19különben nem látnánk semmit,
-
4:19 - 4:20olyan zsúfolt lenne a kép
-
4:20 - 4:21az egy-egy idegsejtet
-
4:21 - 4:24a többivel összekötő vezetékgubanctól.
-
4:25 - 4:28Ramón y Cajal egy kissé megelőzte korát;
-
4:28 - 4:31az agy megértésének folyamata
csak lassan haladt -
4:31 - 4:33a következő évtizedek során.
-
4:33 - 4:36Tudtuk, hogy az idegsejtek az
elektromosságot használják, -
4:36 - 4:39és a II. világháború idejére
technológiánk elég fejlett volt ahhoz, -
4:39 - 4:42hogy élő idegsejteken valódi
kísérleteket végezzünk -
4:42 - 4:44villamos árammal,
hogy működésüket megértsük. -
4:45 - 4:49Ugyanebben az időben találták föl -
az agy működését alapul véve - -
4:49 - 4:52a számítógépet, avagy
az "értelmes szerkezetet", -
4:52 - 4:55
ahogy Alan Turing, -
4:55 - 4:57a számítástechnika egyik atyja nevezte,
-
4:58 - 5:02Warren McCulloch és Walter Pitts
megvizsgálta -
5:02 - 5:04Cajalnak a látókéregről készített,
-
5:04 - 5:05itt látható rajzát.
-
5:06 - 5:10Ez az agykéreg dolgozza föl
a szemünkből érkező képeket. -
5:10 - 5:14Számukra ez olyan volt,
mint egy kapcsolási rajz. -
5:14 - 5:18Sok részlet McCulloch
és Pitts kapcsolási rajzán -
5:18 - 5:20nem teljesen pontos.
-
5:20 - 5:21De az alapelv,
-
5:21 - 5:25hogy a látókéreg úgy működik,
mint számítási egységek sorozata, -
5:25 - 5:28amelyek egymásnak adják
tovább az információt, -
5:28 - 5:29alapvetően helyes.
-
5:29 - 5:32Beszéljünk egy kicsit arról,
-
5:32 - 5:36hogy mit kéne csinálnia egy képi
információt földolgozó modellnek. -
5:36 - 5:39Az érzékelés fő feladata,
-
5:39 - 5:43hogy rögzítse az ilyen képet,
és jelentse ki: -
5:43 - 5:44"ez egy madár",
-
5:44 - 5:47ami agyunknak gyerekjáték.
-
5:47 - 5:51De mindannyiuknak tudnunk kell,
hogy a számítógép számára ez -
5:51 - 5:54néhány éve megoldhatatlan feladat volt.
-
5:54 - 5:56A klasszikus számítási paradigma alapján
-
5:56 - 5:58ez nem egykönnyen megoldható feladat.
-
5:59 - 6:02Ami a pixelek között történik,
-
6:02 - 6:06a madár képe és a "madár" szó között,
lényegében annyi, -
6:06 - 6:08hogy az idegsejtek egy halmaza
-
6:08 - 6:10összekapcsolódott egy ideghálózatban,
-
6:10 - 6:11ahogy itt fölvázolom.
-
6:11 - 6:15Ez lehet egy élő sejtekből álló
neuronhálózat a látókéregben, -
6:15 - 6:17vagy annak egy számítógépe modellje,
-
6:17 - 6:19aminek elkészítésére ma már
kezdünk képesek lenni. -
6:20 - 6:22Megmutatom, hogy néz ez ki.
-
6:22 - 6:26A képpontok fölfoghatók
az idegsejtek első rétegeként, -
6:26 - 6:28és valóban így működik ez a szemben;
-
6:28 - 6:29ezek a recehártyán lévő idegsejtek.
-
6:29 - 6:31Aztán továbbadják a következő rétegnek,
-
6:31 - 6:34egyik a másiknak, egymás után,
mindegyik a következőnek, -
6:34 - 6:38ezek mind különböző súllyal szereplő
szinapszissal vannak összekötve. -
6:38 - 6:39A hálózat viselkedését
-
6:39 - 6:42a szinapszisok erőssége jellemzi.
-
6:42 - 6:46Ezek írják le a hálózat
számítási tulajdonságait. -
6:46 - 6:47A végeredmény
-
6:47 - 6:50egy idegsejt, vagy sejtek kis csoportja,
-
6:50 - 6:52amelyek fölvillannak,
és azt mondják: madár. -
6:52 - 6:55Ezt a három dolgot mutatom meg:
-
6:55 - 7:00a bemeneti képpontokat,
az ideghálózat szinapszisait, -
7:00 - 7:01és a madarat, a kimenetet,
-
7:01 - 7:04Három változó, az x, w és y segítségével.
-
7:05 - 7:07Talán milliónyi x,
-
7:07 - 7:09milliónyi képpont van ezen a képen.
-
7:09 - 7:11Milliárdnyi vagy billiónyi w létezik,
-
7:11 - 7:14ami az ideghálózatban lévő
szinapszisok súlyát jellemzi. -
7:14 - 7:16Az y-ok - a hálózati kimenetek - száma
-
7:16 - 7:18viszont egy elég kis szám.
-
7:18 - 7:20A "madár" csak öt betű, ugye?
-
7:21 - 7:25Tegyünk úgy, mintha ez
az egyszerű képlet létezne: -
7:25 - 7:27x "*" w = y
-
7:27 - 7:29Idézőjelbe tettem a szorzásjelet,
-
7:29 - 7:31mert persze ott egy sor
-
7:31 - 7:34nagyon bonyolult matematikai művelet áll.
-
7:35 - 7:36Ez egy egyenlet.
-
7:36 - 7:38Három változója van.
-
7:38 - 7:41Tudjuk, hogy ha van egy egyenletünk,
-
7:41 - 7:45megoldhatjuk az egyik változóra,
ha ismerjük a másik kettőt. -
7:45 - 7:49A levezetés problémája,
-
7:49 - 7:51azaz hogy kiderítsük,
hogy a madár képe egy madáré, -
7:51 - 7:53így foglalható össze:
-
7:53 - 7:56az y az ismeretlen, w és x ismert.
-
7:56 - 7:59Ismerjük az ideghálózatot
és a képpontokat. -
7:59 - 8:02Látható, hogy a feladat
viszonylag egyszerű. -
8:02 - 8:04Összeszorozzuk a kettőt
a hárommal, és kész. -
8:05 - 8:07Mutatok egy mesterséges ideghálózatot,
-
8:07 - 8:10amit mostanában építettünk,
és ami pontosan ezt csinálja. -
8:10 - 8:12Valós időben működik mobilon,
-
8:13 - 8:16és az már önmagában is csodálatos,
-
8:16 - 8:19hogy a mobiltelefonok másodpercenként
milliárdnyi vagy billiónyi -
8:19 - 8:21műveletre képesek.
-
8:21 - 8:22Előttünk egy telefon,
-
8:22 - 8:26amely folyamatosan madárképeket pörget,
-
8:26 - 8:29és nemcsak azt mondja,
hogy: "Igen, ez madár", -
8:29 - 8:32hanem a hálózat segítségével
a madárfajt is fölismeri. -
8:33 - 8:35A képen
-
8:35 - 8:39x és w ismert, y az ismeretlen.
-
8:39 - 8:41Átsiklok a legbonyolultabb
részeken, nevezetesen: -
8:41 - 8:45hogy a pokolba számoljuk ki w-t,
-
8:45 - 8:47és hogyan képes erre az agy?
-
8:47 - 8:49Hogyan hozhatunk létre ilyen modellt?
-
8:49 - 8:53Tehát ez tanulási folyamat:
megoldás keresése w-re. -
8:53 - 8:55Ha ezt egy egyszerű egyenletre tesszük,
-
8:55 - 8:57ahol az ismeretleneket számnak tekintjük,
-
8:57 - 9:00akkor pontosan tudjuk,
miként kell a 6 = 2 * w -t megoldani., -
9:00 - 9:03mindkét oldalt 2-vel kell osztani.
-
9:04 - 9:06A bökkenő ezzel az operátorral van.
-
9:07 - 9:08Osztás...
-
9:08 - 9:11Azért osztást alkalmaztunk,
mert ez a szorzás inverze, -
9:11 - 9:13de ahogy már mondtam,
-
9:13 - 9:15itt nem igazi szorzásról van szó.
-
9:15 - 9:18Ez itt egy igen kacifántos,
nemlineáris művelet; -
9:18 - 9:20és nincs inverze.
-
9:20 - 9:23Rá kell jönnünk, milyen módszerrel
oldható meg az egyenlet -
9:23 - 9:25osztási művelet nélkül.
-
9:25 - 9:28A módszer elég egyszerű.
-
9:28 - 9:30Alkalmazzunk egy kis algebrai trükköt,
-
9:30 - 9:33és vigyük át a 6-ost
az egyenlet jobb oldalára. -
9:33 - 9:35A szorzás továbbra is megvan.
-
9:36 - 9:39A nullát meg tekintsük a hiba mértékének.
-
9:39 - 9:42Azaz, ha w-re helyesen
oldjuk meg az egyenletet, -
9:42 - 9:43a hiba nulla lesz.
-
9:43 - 9:45Ha a megoldás nem teljesen helyes,
-
9:45 - 9:47a hiba nullánál nagyobb lesz.
-
9:47 - 9:51Most a hiba minimalizálása végett
próbálgatnunk kell, -
9:51 - 9:53ebben pedig a számítógép igen jó.
-
9:53 - 9:55Kiinduló becslésnek ezt vettük:
-
9:55 - 9:56mi a helyzet, ha w = 0?
-
9:56 - 9:57Akkor a hiba 6-tal egyenlő.
-
9:57 - 9:59És ha w = 1? Akkor a hiba 4.
-
9:59 - 10:01Akkor a gép játszhatja
a Marco Polo-játékot, -
10:01 - 10:04és a hibát nullához közelítheti.
-
10:04 - 10:07Így w fokozatos közelítéseit kapjuk.
-
10:07 - 10:11Általában nem kapunk pontos eredményt,
de tucatnyi lépés után -
10:11 - 10:15w = 2,999-et kapunk,
ami elég jó közelítés. -
10:16 - 10:18Ez tanulási folyamat.
-
10:18 - 10:21Ne feledjük, hogy az történt,
-
10:21 - 10:25hogy vettünk egy csomó
ismert x-et és ismert y-t, -
10:25 - 10:29és iterációs úton kerestünk
w-re egy megoldást. -
10:29 - 10:32Pontosan ilyen módszerrel
tanulunk mi magunk is. -
10:32 - 10:35Kisbabakorunkban sok képet látunk,
-
10:35 - 10:37és valaki azt mondja:
"Ez madár, ez nem madár." -
10:38 - 10:40Idővel iteráció révén
-
10:40 - 10:43megoldjuk w-re, megtaláljuk
az idegi kapcsolatokat. -
10:43 - 10:48Most az y kiszámolásához
ismert az x és a w; -
10:48 - 10:49ez a mindennapi, gyors érzékelés.
-
10:49 - 10:51Megoldást találni w-re,
-
10:51 - 10:53ez tanulás, ami jóval nehezebb,
-
10:53 - 10:55mert a hibát minimalizálni kell,
-
10:55 - 10:57sok gyakorlópélda segítségével.
-
10:57 - 11:00Alex Mordvintsev kollégánk kb. egy éve
elhatározta, hogy kipróbálja, -
11:00 - 11:04mi van, ha x-re
próbálunk megoldást keresni -
11:04 - 11:06w és y ismeretében.
-
11:06 - 11:07Másként fogalmazva,
-
11:07 - 11:09tudjuk, hogy ez egy madár,
-
11:09 - 11:12és ideghálózatunk már
be van tanítva madarakra, -
11:12 - 11:14de milyen is egy madár képe?
-
11:15 - 11:20Kiderül, hogy ez is működik, ha ugyanazt
a hibaminimalizáló eljárást alkalmazzuk -
11:20 - 11:24a madarak fölismerésére
betanított hálózatra, -
11:24 - 11:27és az eredménye egy kép,
-
11:30 - 11:32amelyen madarak láthatók.
-
11:33 - 11:37Ezt a képet a madarak
fölismerésére betanított -
11:37 - 11:38neurális hálózat
hozta létre egyszerűen úgy, -
11:38 - 11:42hogy x-re, nem pedig y-ra
kerestük a megoldást -
11:42 - 11:43közelítő eljárással.
-
11:44 - 11:46Ez pedig egy másik érdekes példa.
-
11:46 - 11:49Ezt egyik kollégánk, Mike Tyka csinálta,
-
11:49 - 11:51és az állatok fölvonulásának nevezte el.
-
11:51 - 11:54Engem William Kentridge
műalkotásaira emlékeztet: -
11:54 - 11:57vázlatokat készít, kitörli őket,
-
11:57 - 11:58vázlatokat készít, kitörli,
-
11:58 - 12:00és így készít filmet.
-
12:00 - 12:01Ebben az esetben Mike
-
12:01 - 12:04y-t futtatja végig különféle állatokon,
-
12:04 - 12:06egy állatok fölismerésére
-
12:06 - 12:09és megkülönböztetésére
tervezett hálózaton. -
12:09 - 12:12Így ilyen furcsán, Escher-szerűen
tűnik át egyik állat a másikba. -
12:14 - 12:19Itt Mike és Alex megpróbált
az összes y alapján -
12:19 - 12:22egyetlen kétdimenziós képet létrehozni,
-
12:22 - 12:25a hálózat által felismert
valamennyi tárgyat -
12:25 - 12:27a síkba leképezve.
-
12:27 - 12:29Efféle szintézist elvégezve,
-
12:29 - 12:31a teljes felületet használva,
-
12:31 - 12:34y variálásával ilyesféle
leképezést készítünk: -
12:34 - 12:37a vizuális megjelenítését mindannak,
amit a hálózat felismer. -
12:37 - 12:40Minden állat itt van;
ez itt az armadillo, azaz a tatu. -
12:41 - 12:43Ugyanez megtehető
másfajta hálózatokkal is. -
12:43 - 12:46Ezt a hálózatot
arcfölismerésre hozták létre, -
12:46 - 12:49hogy képes legyen arcokat
megkülönböztetni egymástól. -
12:49 - 12:52Itt az y jelentése: "én",
-
12:52 - 12:53az én arcom paraméterei.
-
12:53 - 12:55Amikor ez megoldást keres x-re,
-
12:55 - 12:58az eredmény az én idétlen, kubista,
-
12:58 - 13:02szürreális és pszichedelikus képem,
-
13:02 - 13:04egyidejűleg különböző nézőpontokból.
-
13:04 - 13:07Az egyidejű különböző nézőpontok indoka:
-
13:07 - 13:10a hálózatot úgy tervezték,
hogy megszabaduljon a félreértésektől, -
13:10 - 13:13amelyek az arc eltérő helyzeteiből
-
13:13 - 13:16vagy az eltérő megvilágításból adódhatnak.
-
13:16 - 13:18Ha ilyen rekonstrukciót végzünk,
-
13:18 - 13:21és nem használunk támpontul
valamilyen képet -
13:21 - 13:22vagy statisztikát,
-
13:22 - 13:26akkor a különféle nézőpontok
valami káosza keletkezik, -
13:26 - 13:27mert félreérthető.
-
13:28 - 13:32Ez az eredmény, ha Alex támpontul
tulajdon arcát használja -
13:32 - 13:35az optimalizálás folyamán
az én arcom rekonstruálásához. -
13:36 - 13:39Láthatóan nem tökéletes.
-
13:39 - 13:41Még sok a teendőnk
-
13:41 - 13:43a folyamat optimalizálásában.
-
13:43 - 13:46De a kapott arc már kivehetőbb,
-
13:46 - 13:48ha a támpontul az én arcom szolgált.
-
13:49 - 13:51Nem szükséges
-
13:51 - 13:53nulláról kezdenünk.
-
13:53 - 13:54Ha x-et keressük,
-
13:54 - 13:58kezdhetjük egy másik képhez
tartozó x-szel, -
13:58 - 14:00ahogy ezen a kis bemutatón is látható.
-
14:00 - 14:05E hálózat különféle tárgyak -
pl. állatok, ember alkotta struktúrák - -
14:05 - 14:08
osztályba sorolására készült. -
14:08 - 14:10Itt egyszerűen felhők képével kezdünk,
-
14:10 - 14:12és ahogy optimalizálunk,
-
14:12 - 14:17a hálózat eldönti,
hogy mit lát bele a felhőkbe. -
14:17 - 14:19Minél tovább nézzük,
-
14:19 - 14:22annál több dolgot látunk beléjük.
-
14:23 - 14:26Használhatjuk az arcfölismerő hálózatot,
hogy arcokat lássunk bele, -
14:26 - 14:28és eléggé észbontó dolgokhoz jutunk.
-
14:28 - 14:29(Nevetés)
-
14:30 - 14:33Mike végzett egy másik kísérletet:
-
14:33 - 14:37vette ezt a felhős képet,
-
14:37 - 14:41értelmeztette, zoomolt, értelmeztette,
zoomolt, értelmeztette, zoomolt... -
14:41 - 14:42Ily módon
-
14:42 - 14:45szerintem a hálózatnak amolyan
disszociatív fugaállapotához jutunk, -
14:46 - 14:49vagy valamiféle szabad asszociációkhoz,
-
14:49 - 14:51amelyben a hálózat saját farkába harap.
-
14:51 - 14:55Mindegyik kép láttán az jár az eszünkben,
-
14:55 - 14:57hogy vajon mit látok majd a következőn,
-
14:57 - 14:59és a következőn, és a következőn.
-
14:59 - 15:02Ezt nyilvánosan először Seattle-ben
-
15:02 - 15:08egy Felsőoktatás c. előadáson mutattam be,
-
15:08 - 15:10rögtön a marihuána legalizálása után.
-
15:10 - 15:13(Nevetés)
-
15:15 - 15:17Azzal a megjegyzéssel zárnám gyorsan,
-
15:17 - 15:21hogy a technológia lehetőségei
beláthatatlanok. -
15:21 - 15:25Csupán vizuális példákat hoztam föl,
mert ezek nagyon mutatósak. -
15:25 - 15:27Nemcsak képi technológia létezik.
-
15:27 - 15:29Művész munkatársunk, Ross Goodwin,
-
15:29 - 15:33kísérleteihez fényképezőgépet használ,
amely készít egy fölvételt, -
15:33 - 15:37majd a hátizsákjában lévő számítógép
-
15:37 - 15:39e fénykép tartalmából
ihletet merítve verset ír. -
15:39 - 15:42E költői neurális hálózatot
a 20.századi költészet -
15:42 - 15:44egy terjedelmes gyűjteménye
alapján hozták létre. -
15:44 - 15:46Szerintem az így készült versek
-
15:46 - 15:48nem is olyan rosszak.
-
15:48 - 15:49(Nevetés)
-
15:49 - 15:50Végezetül,
-
15:50 - 15:53ami Michelangelót illeti,
-
15:53 - 15:54úgy vélem, igaza volt:
-
15:54 - 15:57az észlelés és az alkotókészség
szorosan összefügg. -
15:58 - 16:00Amiket láttunk, azok olyan
neurális hálózatok, -
16:00 - 16:03amelyeket arra tanítottak,
hogy megkülönböztessenek -
16:03 - 16:05és fölismerjenek különböző tárgyakat,
-
16:05 - 16:08és amelyek fordított irányú működésre,
generálásra is képesek. -
16:08 - 16:10Nemcsak azért gondolom ezt,
-
16:10 - 16:12mert Michelangelo tényleg látta
-
16:12 - 16:15a szobrot a kőtömb belsejében,
-
16:15 - 16:18hanem mert bármely teremtmény,
lény, Földön kívüli, -
16:18 - 16:22amely ilyen észlelésre képes,
-
16:22 - 16:23képes alkotni is,
-
16:23 - 16:27mert ezek mindkét esetben
pontosan ugyanazon műveletek. -
16:27 - 16:31Azt hiszem, hogy az észlelés
és az alkotás semmi esetre sem -
16:31 - 16:33korlátozódik az emberre.
-
16:33 - 16:36Kezdenek megjelenni olyan számítógépes
modellek, amelyek képesek ugyanerre. -
16:36 - 16:40Ez nem meglepő, hiszen az agy is
egy sajátságos számítógép. -
16:40 - 16:42Végül, az informatika
-
16:42 - 16:46a mesterséges értelem létrehozására
tett kísérletként indult. -
16:46 - 16:48Jórészt azt modellezte le,
-
16:48 - 16:51hogy miként tehetjük a gépeket okossá.
-
16:52 - 16:54Most kezdjük lassacskán beváltani
-
16:54 - 16:56az útkeresők bizonyos ígéreteit:
-
16:56 - 16:58Turingét, Neumann Jánosét,
-
16:59 - 17:00McCullochét és Pittsét.
-
17:01 - 17:04Azt hiszem, az informatika
nem korlátozódik a könyvelésre, -
17:05 - 17:07a Candy Crush játékra vagy ilyesmikre.
-
17:07 - 17:10A kezdetektől fogva agyunk
alapján modelleztük. -
17:10 - 17:12Hozzájárul agyunk jobb megértéséhez,
-
17:12 - 17:14és képességei kiterjesztéséhez.
-
17:15 - 17:16Köszönöm szépen.
-
17:16 - 17:21(Taps)
- Title:
- Hogyan tanulnak a számítógépek alkotókészséget
- Speaker:
- Blaise Agüera y Arcas
- Description:
-
A művészet és az alkotókészség újabb határmezsgyéjén járunk, ez pedig nem emberi jellegű. Blaise Agüera y Arcas, a Google vezető kutatója a gépi észlelésre és elosztott tanulásra szolgáló mély neurális hálózatokkal foglalkozik. Lebilincselő előadásában bemutatja, hogy a neurális hálózatok miként tanulják meg képek fölismerését és az ellenkező irányú folyamatot: létrehozásukat. Az eredmény: látványos, hallucinációs kollázsok, sőt, versek is, amelyek dacolnak a műfaji osztályba sorolással. "Az észlelés és az alkotókészség szorosan összefügg" – mondja Agüera y Arcas. "Bármely teremtmény, lény, Földön kívüli, amely észlelésre képes, képes alkotásra is",
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 17:34
Csaba Lóki edited Hungarian subtitles for How we're teaching computers to be creative | ||
Csaba Lóki edited Hungarian subtitles for How we're teaching computers to be creative | ||
Csaba Lóki edited Hungarian subtitles for How we're teaching computers to be creative | ||
Csaba Lóki edited Hungarian subtitles for How we're teaching computers to be creative | ||
Csaba Lóki edited Hungarian subtitles for How we're teaching computers to be creative | ||
Csaba Lóki edited Hungarian subtitles for How we're teaching computers to be creative | ||
Csaba Lóki edited Hungarian subtitles for How we're teaching computers to be creative | ||
Csaba Lóki edited Hungarian subtitles for How we're teaching computers to be creative |