Οι θαυμαστές και τρομακτικές επιπτώσεις των υπολογιστών που μαθαίνουν | Τζέρεμι Χάουαρντ | TEDxBrussels
-
0:10 - 0:13Ήταν σύνηθες, αν θέλατε
ένας υπολογιστής να κάνει κάτι νέο, -
0:13 - 0:15θα έπρεπε να τον προγραμματίσετε.
-
0:15 - 0:18Ο προγραμματισμός βέβαια,
για όσους δεν έχετε ασχοληθεί, -
0:18 - 0:22απαιτεί να καταχωρήσετε
με εξωφρενική λεπτομέρεια -
0:22 - 0:25κάθε ξεχωριστό βήμα
που θέλετε να κάνει ο υπολογιστής -
0:25 - 0:27για να πετύχετε το σκοπό σας.
-
0:27 - 0:31Και αν θέλετε να κάνετε κάτι
που δεν ξέρετε να το κάνετε ο ίδιος, -
0:31 - 0:33αυτό είναι σοβαρό πρόβλημα.
-
0:33 - 0:37Αυτό ήταν το πρόβλημα του Άρθουρ Σάμιουελ.
-
0:37 - 0:43Το 1956 ήθελε να κάνει αυτό τον υπολογιστή
να μπορεί να τον νικάει στη ντάμα. -
0:43 - 0:45Πώς μπορείς να γράψεις πρόγραμμα,
-
0:45 - 0:49να καταχωρήσεις με πλήρη λεπτομέρεια,
πώς να γίνει καλύτερος από σένα στη ντάμα; -
0:49 - 0:51Έτσι είχε μια ιδέα:
-
0:51 - 0:54έβαλε τον υπολογιστή να παίξει
ενάντια στον εαυτό του χιλιάδες φορές -
0:54 - 0:57για να μάθει να παίζει ντάμα.
-
0:57 - 1:00Πραγματικά είχε αποτέλεσμα και έως το 1962
-
1:00 - 1:03ο υπολογιστής είχε νικήσει
τον πρωταθλητή της πολιτείας Κονέκτικατ. -
1:03 - 1:07Έτσι ο Άρθουρ Σάμιουελ
ήταν ο πατέρας της μηχανικής μάθησης, -
1:07 - 1:08και του χρωστάω πολλά,
-
1:08 - 1:11επειδή ασχολούμαι με την εφαρμογή
της μηχανικής μάθησης. -
1:11 - 1:13Ήμουν πρόεδρος της Κάγκλ,
-
1:13 - 1:16μια κοινότητα άνω των 200.000 ατόμων
που ασχολούνται με τη μηχανική μάθηση. -
1:16 - 1:18Η Κάγκλ οργανώνει διαγωνισμούς
-
1:18 - 1:22για τη λύση άλυτων προβλημάτων,
-
1:22 - 1:25και σημείωσε επιτυχίες εκατοντάδες φορές.
-
1:25 - 1:28Από αυτή την πλεονεκτική θέση
μπόρεσα να ανακαλύψω πολλά -
1:28 - 1:32σχετικά με το τι η μηχανική μάθηση έκανε
στο παρελθόν, τι μπορεί να κάνει σήμερα, -
1:32 - 1:34και τι θα μπορεί να κάνει στο μέλλον.
-
1:34 - 1:37Ίσως η πρώτη εμπορικά μεγάλη επιτυχία
-
1:37 - 1:39της μηχανικής μάθησης να ήταν η Google.
-
1:39 - 1:42Η Google απέδειξε ότι ήταν δυνατό
να βρεθούν πληροφορίες -
1:42 - 1:44με έναν αλγόριθμο υπολογιστή,
-
1:44 - 1:47και αυτός ο αλγόριθμος
βασίζεται στη μηχανική μάθηση. -
1:47 - 1:51Από τότε έχουν υπάρξει πολλές
εμπορικές επιτυχίες της μηχανικής μάθησης. -
1:51 - 1:53Εταιρείες όπως η Άμαζον και η Νέτφλιξ
-
1:53 - 1:56χρησιμοποιούν τη μηχανική μάθηση
για να προτείνουν προϊόντα ν' αγοράσετε, -
1:56 - 1:58ταινίες που θα θέλατε να δείτε.
-
1:58 - 2:00Μερικές φορές γίνεται ανατριχιαστικό.
-
2:00 - 2:02Εταιρείες όπως η LinkedIn κι το Facebook
-
2:02 - 2:04μερικές φορές σας λένε
ποιοι μπορεί να είναι φίλοι σας -
2:04 - 2:06και δεν έχετε ιδέα πώς τα κατάφεραν,
-
2:06 - 2:09και το κάνουν με τη δύναμη
της μηχανικής μάθησης. -
2:09 - 2:13Αυτοί είναι αλγόριθμοι που έμαθαν
να το κάνουν από δεδομένα -
2:13 - 2:15παρά από προγραμματισμό με το χέρι.
-
2:16 - 2:18Έτσι κατάφερε και η IBM
-
2:18 - 2:22να κάνει τον Γουότσον να νικήσει τους δύο
παγκόσμιους πρωταθλητές του "Τζόπαρντι" -
2:22 - 2:25απαντώντας απίστευτα πονηρές
και περίπλοκες ερωτήσεις όπως αυτή. -
2:25 - 2:28[«Το 'Λιοντάρι του Νεμρώδ' εξαφανίστηκε
από το μουσείο της πόλης το 2003»] -
2:28 - 2:32Γι' αυτό έχουμε πλέον τα πρώτα αυτοκίνητα
που οδηγούν μόνα τους. -
2:32 - 2:34Αν θέλεις να μπορείς να δεις
τη διαφορά, ας πούμε, -
2:34 - 2:37ανάμεσα σε ένα δένδρο και έναν πεζό,
αυτό είναι πολύ σημαντικό. -
2:37 - 2:40Δεν ξέρουμε να γράφουμε
τέτοια προγράμματα με το χέρι, -
2:40 - 2:42αλλά με τη μηχανική μάθηση
αυτό είναι πλέον δυνατόν. -
2:42 - 2:46Αυτό το αυτοκίνητο έχει οδηγήσει
πάνω από 1.600.000 χιλιόμετρα -
2:46 - 2:48σε κανονικό δρόμο χωρίς καθόλου ατυχήματα.
-
2:49 - 2:52Έτσι ξέρουμε ότι οι υπολογιστές
μπορούν να μαθαίνουν, -
2:52 - 2:55και μπορούν να μάθουν να κάνουν πράγματα
-
2:55 - 2:57που μερικές φορές
ούτε κι εμείς ξέρουμε να κάνουμε, -
2:57 - 2:59ή μπορούν να τα κάνουν καλύτερα από εμάς.
-
3:00 - 3:04Ένα εκπληκτικό παράδειγμα που έχω δει
της μηχανικής μάθησης -
3:04 - 3:07έγινε σε ένα πρόγραμμα
που έκανα στην Κάγκλ, -
3:07 - 3:10όπου μια ομάδα
υπό κάποιον ονόματι Τζέφρι Χίντον -
3:10 - 3:12από το Πανεπιστήμιο του Τορόντο,
-
3:12 - 3:15κέρδισε ένα διαγωνισμό
για αυτόματη ανακάλυψη φαρμάκου. -
3:15 - 3:17Αυτό όμως που είναι αξιοσημείωτο
δεν είναι ότι νίκησαν -
3:17 - 3:21όλους τους αλγόριθμους της Μέρκ
ή της διεθνούς ακαδημαϊκής κοινότητας, -
3:21 - 3:26αλλά ότι κανείς στην ομάδα δεν είχε
γνώσεις χημείας, βιολογίας ή ιατρικής, -
3:26 - 3:28και τα κατάφεραν σε δύο εβδομάδες.
-
3:29 - 3:31Πώς τα κατάφεραν;
-
3:31 - 3:34Χρησιμοποίησαν έναν ασυνήθιστο αλγόριθμο
που λέγεται Βαθιά Μάθηση. -
3:34 - 3:37Ήταν τόσο σημαντικό
που η επιτυχία καλύφθηκε -
3:37 - 3:40σε πρωτοσέλιδο των Τάιμς της Νέας Υόρκης
μερικές εβδομάδες μετά. -
3:40 - 3:42Ο Τζέφρι Χίντον είναι εδώ αριστερά.
-
3:42 - 3:46Η βαθιά γνώση είναι αλγόριθμος
εμπνευσμένος από το ανθρώπινο μυαλό, -
3:46 - 3:48συνεπώς είναι ένας αλγόριθμος
-
3:48 - 3:52που θεωρητικά δεν έχει όρια
στο τι μπορεί να κάνει. -
3:52 - 3:55Όσο περισσότερα δεδομένα
και χρόνο υπολογισμού του δίνεις, -
3:55 - 3:57τόσο καλύτερος γίνεται.
-
3:57 - 3:59Οι Τάιμς της Νέας Υόρκης
έδειξαν επίσης στο άρθρο -
3:59 - 4:02άλλο ένα ασυνήθιστο αποτέλεσμα
της βαθιάς μάθησης -
4:02 - 4:03που θα σας δείξω τώρα.
-
4:04 - 4:08Δείχνει ότι οι υπολογιστές μπορούν
να ακούν και να καταλαβαίνουν. -
4:09 - 4:11(Βίντεο) Ρίτσαρντ Ράσιντ:
Τώρα το τελευταίο βήμα -
4:11 - 4:14που θέλω να κάνω σε αυτή τη διαδικασία
-
4:14 - 4:17είναι να σας μιλήσω κανονικά στα Κινέζικα.
-
4:20 - 4:22Το μυστικό εδώ είναι ότι,
-
4:22 - 4:27μπορέσαμε να πάρουμε μεγάλη ποσότητα
πληροφοριών από ομιλητές της Κινεζικής -
4:27 - 4:30και να φτιάξουμε ένα σύστημα
μετατροπής κειμένου σε ομιλία -
4:30 - 4:34που μετατρέπει Κινέζικο λόγο
από γραπτό σε προφορικό, -
4:35 - 4:38και μετά χρειαστήκαμε καμιά ώρα
με τη δική μου φωνή -
4:38 - 4:41για να μπορέσουμε να ρυθμίσουμε
-
4:41 - 4:44το βασικό σύστημα μετατροπής λόγου
ώστε να ακούγεται σαν εμένα. -
4:45 - 4:48Και πάλι το αποτέλεσμα δεν ήταν τέλειο.
-
4:48 - 4:51Υπήρχαν μερικά λαθάκια.
-
4:51 - 4:53(Στα Κινέζικα)
-
4:53 - 4:55(Χειροκρότημα)
-
4:58 - 5:00Χρειάζεται να γίνουν πολλά
σε αυτό τον τομέα. -
5:01 - 5:05(Στα Κινέζικα)
-
5:05 - 5:07(Χειροκρότημα)
-
5:10 - 5:14Τζέρεμι Χάουαρντ: Αυτό ήταν
σε συνέδριο μηχανικής μάθησης στην Κίνα. -
5:14 - 5:17Δεν συμβαίνει συχνά σε ακαδημαϊκά συνέδρια
-
5:17 - 5:19να έχεις τόσο αυθόρμητες επευφημίες,
-
5:19 - 5:22αλλά μιας και είμαστε σε συνάντηση TED,
μην περιορίζεστε. -
5:22 - 5:25Όλα όσα είδατε εκεί
συνέβησαν με τη βαθιά μάθηση. -
5:25 - 5:27(Χειροκρότημα)
Ευχαριστώ. -
5:27 - 5:29Η μεταγραφή στα Αγγλικά
έγινε με τη βαθιά μάθηση. -
5:29 - 5:32Η μετάφραση στα Κινέζικα,
το κείμενο πάνω δεξιά, -
5:32 - 5:36και η σύνθεση της φωνής
έγιναν από τη βαθιά μάθηση επίσης. -
5:36 - 5:39Η βαθιά μάθηση είναι κάτι ξεχωριστό.
-
5:39 - 5:42Είναι ένας αλγόριθμος
που μοιάζει να μπορεί να κάνει τα πάντα, -
5:42 - 5:45και ανακάλυψα ότι πριν ένα χρόνο
είχε επίσης μάθει να βλέπει. -
5:45 - 5:47Σε έναν δυσνόητο διαγωνισμό στη Γερμανία
-
5:47 - 5:49σχετικά με την αναγνώριση οδικής σήμανσης,
-
5:49 - 5:53η βαθιά μάθηση έμαθε να αναγνωρίζει
οδικά σήματα όπως αυτό. -
5:53 - 5:55Όχι μόνο αναγνώριζε τα οδικά σήματα
-
5:55 - 5:57καλύτερα από κάθε άλλο αλγόριθμο,
-
5:57 - 5:59στον πίνακα αποτελεσμάτων
σημείωσε βαθμολογία -
5:59 - 6:01δύο φορές καλύτερη από τους ανθρώπους.
-
6:01 - 6:03Έτσι έως το 2011,
-
6:03 - 6:07είχαμε το πρώτο παράδειγμα υπολογιστή
που μπορεί να δει καλύτερα από άνθρωπο. -
6:07 - 6:09Από τότε έγιναν πολλά.
-
6:09 - 6:12Το 2012 η Google ανακοίνωσε ότι
ο αλγόριθμος βαθιά μάθηση -
6:12 - 6:14έβλεπε βίντεο του Γιούτιουμπ
-
6:14 - 6:17και διάβαζε δεδομένα
από 16.000 υπολογιστές για ένα μήνα, -
6:17 - 6:22και ο υπολογιστής έμαθε από μόνος του
έννοιες όπως «άνθρωπος και «γάτα», -
6:22 - 6:24απλά βλέποντας τα βίντεο.
-
6:24 - 6:26Μοιάζει πολύ με τον τρόπο
που μαθαίνουν οι άνθρωποι. -
6:26 - 6:29Δεν μαθαίνουμε όταν κάποιος
μας λέει τι να δούμε, -
6:29 - 6:32αλλά μαθαίνοντας από μόνοι μας
τι είναι αυτά τα πράγματα. -
6:32 - 6:35Επίσης το 2012 ο Τζέφρι Χίντον
που είδαμε νωρίτερα -
6:35 - 6:38κέρδισε στον δημοφιλή διαγωνισμό ImageNet,
-
6:38 - 6:42προσπαθώντας να βρει
μέσα από 1,5 εκατομμύριο εικόνες -
6:42 - 6:44τι απεικονίζουν.
-
6:44 - 6:47Από το 2014 έχουμε πέσει
στο 6% ποσοστό σφάλματος -
6:47 - 6:49στην αναγνώριση εικόνας.
-
6:49 - 6:51Και πάλι καλύτερα από τον άνθρωπο.
-
6:51 - 6:54Οι μηχανές τα καταφέρνουν πολύ καλά
σε αυτό τον τομέα, -
6:54 - 6:57και πλέον χρησιμοποιείται στη βιομηχανία.
-
6:57 - 7:00Για παράδειγμα, η Google
ανακοίνωσε πέρσι -
7:00 - 7:04ότι κατέγραψαν κάθε μία τοποθεσία
στη Γαλλία μέσα σε δύο ώρες, -
7:04 - 7:08και το έκαναν εισάγοντας φωτογραφίες
από την τεχνολογία Street View -
7:08 - 7:12στον αλγόριθμο βαθιά μάθηση
ώστε να αναγνωρίζει την αρίθμηση των οδών. -
7:12 - 7:14Φανταστείτε πόσο θα έπαιρνε παλιότερα:
-
7:14 - 7:18πλήθος ανθρώπων, πολλά χρόνια.
-
7:18 - 7:20Συμβαίνει επίσης στην Κίνα.
-
7:20 - 7:24Η Baidu είναι θα λέγαμε
η αντίστοιχη Google της Κίνας -
7:24 - 7:26και εδώ πάνω αριστερά
βλέπετε παράδειγμα -
7:26 - 7:30από φωτογραφία που μεταφόρτωσα
στο σύστημα βαθιά μάθηση της Baidu, -
7:30 - 7:34και από κάτω βλέπετε ότι
το σύστημα αναγνώρισε τη φωτογραφία -
7:34 - 7:36και βρήκε και παρόμοιες.
-
7:36 - 7:39Οι παρόμοιες εικόνες έχουν παρόμοιο φόντο,
-
7:39 - 7:42παρόμοιο προσανατολισμό των προσώπων,
μερικές ακόμα και με τη γλώσσα έξω. -
7:42 - 7:45Αυτό σαφώς δεν είναι
σαν να βλέπεις κείμενο σε ιστοσελίδα. -
7:45 - 7:47Μόνο μια φωτογραφία ανέβασα.
-
7:47 - 7:50Έχουμε λοιπόν υπολογιστές
που πράγματι καταλαβαίνουν τι βλέπουν -
7:50 - 7:53και γι' αυτό μπορούν
να ερευνήσουν βάσεις δεδομένων -
7:53 - 7:56εκατοντάδων εκατομμυρίων εικόνων
σε πραγματικό χρόνο. -
7:56 - 7:59Τι σημασία έχει ότι
οι υπολογιστές μπορούν να βλέπουν; -
7:59 - 8:01Λοιπόν, δεν είναι μόνο αυτό.
-
8:01 - 8:03Η βαθιά μάθηση έκανε περισσότερα.
-
8:03 - 8:06Περίπλοκες προτάσεις με λεπτές έννοιες,
όπως αυτή εδώ, -
8:06 - 8:09μπορούν πλέον να κατανοηθούν
από τον αλγόριθμο. -
8:09 - 8:10Όπως βλέπετε εδώ,
-
8:10 - 8:13το σύστημα του Στάνφορντ
στην κόκκινη κουκκίδα στην κορυφή -
8:13 - 8:17κατάλαβε ότι αυτή η πρόταση
εκφράζει αρνητικό συναίσθημα. -
8:17 - 8:20Η βαθιά μάθηση όντως πλησιάζει
την ανθρώπινη επίδοση -
8:20 - 8:25στο να καταλαβαίνουν το κεντρικό θέμα
και το γενικό περιεχόμενο μιας πρότασης. -
8:25 - 8:28Η βαθιά μάθηση χρησιμοποιήθηκε επίσης
για την ανάγνωση Κινέζικων -
8:28 - 8:31και πάλι στο επίπεδο
του Κινέζου φυσικού ομιλητή. -
8:31 - 8:34Αυτός ο αλγόριθμος εξελίχθηκε
από ομάδα Ελβετών, -
8:34 - 8:37κανείς εκ των οποίων
δεν μιλούσε ή καταλάβαινε κινέζικα. -
8:37 - 8:39Όπως είπα, η χρήση της βαθιάς μάθησης
-
8:39 - 8:41είναι το καλύτερο σύστημα στον κόσμο
γι' αυτό, -
8:41 - 8:45συγκρινόμενο ακόμα και
με την ανθρώπινη κατανόηση. -
8:46 - 8:49Είναι ένα σύστημα
που φτιάχνουμε στην εταιρεία μου -
8:49 - 8:51που δείχνει πώς συντίθενται όλα τα μέρη.
-
8:51 - 8:54Αυτές είναι εικόνες χωρίς κείμενο,
-
8:54 - 8:56και καθώς πληκτρολογώ κείμενο,
-
8:56 - 8:59σε πραγματικό χρόνο
κατανοεί αυτές τις εικόνες, -
8:59 - 9:01αντιλαμβάνεται το θέμα τους,
-
9:01 - 9:04και βρίσκει παρόμοιες φωτογραφίες
με το κείμενο που γράφω. -
9:04 - 9:06Άρα ουσιαστικά
καταλαβαίνει τις προτάσεις μου -
9:06 - 9:09και καταλαβαίνει αυτές τις εικόνες.
-
9:09 - 9:11Ξέρω ότι έχετε δει κάτι τέτοιο στη Google,
-
9:11 - 9:14όπου πληκτρολογείτε κάτι
και σας δείχνει εικόνες, -
9:14 - 9:18αλλά στην πραγματικότητα
ψάχνει στην ιστοσελίδα για κείμενο. -
9:18 - 9:20Αυτό είναι πολύ διαφορετικό
από το να κατανοείς τις εικόνες. -
9:20 - 9:23Αυτό το κατάφεραν οι υπολογιστές
-
9:23 - 9:25για πρώτη φορά πριν λίγους μήνες.
-
9:27 - 9:31Έτσι οι υπολογιστές, όχι μόνο βλέπουν,
αλλά μπορούν και να διαβάσουν, -
9:31 - 9:34και φυσικά δείξαμε
ότι καταλαβαίνουν ό,τι ακούνε. -
9:34 - 9:38Ίσως δεν σας εκπλήξει να σας πω
ότι μπορούν να γράφουν. -
9:38 - 9:42Εδώ είναι κείμενο που παρήγαγα χθες
με τον αλγόριθμο βαθιά μάθηση. -
9:43 - 9:47Και αυτό είναι κείμενο που παρήγαγε
ένας αλγόριθμος του Στάνφορντ. -
9:47 - 9:48Κάθε πρόταση δημιουργήθηκε
-
9:48 - 9:53από έναν αλγόριθμο βαθιά μάθηση
για να περιγράψει καθεμιά από τις εικόνες. -
9:53 - 9:57Ο αλγόριθμος δεν είχε ξαναδεί άνθρωπο
με μαύρο πουκάμισο να παίζει κιθάρα. -
9:57 - 9:59Είχε ξαναδεί άνθρωπο,
είχε ξαναδεί μαύρο, -
9:59 - 10:01είχε ξαναδεί κιθάρα,
-
10:01 - 10:05αλλά από μόνος του έφτιαξε
αυτή τη νέα περιγραφή για την εικόνα. -
10:05 - 10:09Εδώ δεν φτάσαμε την ανθρώπινη απόδοση
αλλά πλησιάζουμε. -
10:09 - 10:13Στις δοκιμές οι άνθρωποι προτιμούν
τις ετικέτες που φτιάχτηκαν από υπολογιστή -
10:13 - 10:14μια στις τέσσερις φορές.
-
10:14 - 10:16Αυτό το σύστημα είναι μόνο δύο εβδομάδων,
-
10:16 - 10:18άρα μάλλον εντός του επόμενου έτους
-
10:18 - 10:21ο αλγόριθμος θα έχει ξεπεράσει
την ανθρώπινη επίδοση -
10:21 - 10:23με τους τρέχοντες ρυθμούς.
-
10:23 - 10:26Άρα οι υπολογιστές μπορούν και να γράφουν.
-
10:26 - 10:29Βάζοντάς τα όλα μαζί
οδεύουμε σε εκπληκτικές δυνατότητες. -
10:29 - 10:31Για παράδειγμα, στην ιατρική,
-
10:31 - 10:33μια ομάδα στη Βοστόνη ανακοίνωσε
ότι ανακάλυψαν -
10:33 - 10:36μεγάλο αριθμό νέων κλινικά χαρακτηριστικών
σχετικά με όγκους -
10:36 - 10:41που θα βοηθήσει τους γιατρούς
στην πρόγνωση του καρκίνου. -
10:42 - 10:44Παρομοίως στο Στάνφορντ,
-
10:44 - 10:48μια ομάδα ανακοίνωσε ότι,
εξετάζοντας ιστούς σε μεγέθυνση, -
10:48 - 10:50εξέλιξαν ένα σύστημα μηχανικής μάθησης
-
10:50 - 10:53που είναι όντως καλύτερο
από τους ανθρώπους παθολόγους -
10:53 - 10:56στην πρόβλεψη των ποσοστών επιβίωσης
των πασχόντων από καρκίνο. -
10:57 - 11:00Και στις δύο περιπτώσεις,
όχι μόνο έκαναν ακριβέστερη πρόβλεψη, -
11:00 - 11:03αλλά παρήγαγαν πιο διορατική γνώση.
-
11:03 - 11:04Στην περίπτωση της ακτινολογίας,
-
11:04 - 11:07υπήρξαν νέες κλινικές ενδείξεις
που οι άνθρωποι θα καταλάβουν. -
11:07 - 11:09Σε αυτή την παθολογική περίπτωση,
-
11:09 - 11:14το σύστημα στον υπολογιστή ανακάλυψε
ότι τα κύτταρα γύρω από τον όγκο -
11:14 - 11:17είναι το ίδιο σημαντικά
όσο τα καρκινικά κύτταρα -
11:17 - 11:19για τη διάγνωση.
-
11:19 - 11:23Αυτό είναι αντίθετο από όσα διδάσκονταν
οι παθολόγοι για δεκαετίες. -
11:24 - 11:27Σε καθεμιά από τις δύο περιπτώσεις,
ήταν συστήματα που αναπτύχθηκαν -
11:27 - 11:31από συνδυασμό ειδικών στην ιατρική
και ειδικών στη μηχανική μάθηση, -
11:31 - 11:34αλλά από πέρυσι,
το έχουμε ξεπεράσει και αυτό. -
11:34 - 11:37Εδώ έχουμε παράδειγμα
εντοπισμού καρκινικής περιοχής -
11:37 - 11:40σε ανθρώπινο ιστό κάτω από το μικροσκόπιο.
-
11:40 - 11:44Το σύστημα μπορεί να εντοπίσει
αυτές τις περιοχές ακριβέστερα, -
11:44 - 11:47ή περίπου με την ίδια ακρίβεια
όσο οι παθολόγοι, -
11:47 - 11:51αλλά έγινε εξολοκλήρου με τη βαθιά μάθηση,
χωρίς ιατρική τεχνογνωσία, -
11:51 - 11:53από ανθρώπους χωρίς προϋπηρεσία
στον χώρο αυτό. -
11:54 - 11:57Παρόμοια εδώ, αυτή η κατάτμηση νευρώνα.
-
11:57 - 12:00Μπορούμε πλέον να κατατμήσουμε νευρώνα
με την ίδια ακρίβεια όπως οι άνθρωποι, -
12:00 - 12:03αλλά με σύστημα που αναπτύχθηκε
με τη βαθιά μάθηση -
12:03 - 12:06και ανθρώπους που δεν είχαν
καμία σχέση με την ιατρική. -
12:06 - 12:10Συνεπώς εγώ ο ίδιος,
πλήρως άσχετος με την ιατρική, -
12:10 - 12:13φαίνεται να έχω όλα τα προσόντα
να φτιάξω μια ιατροφαρμακευτική εταιρεία, -
12:13 - 12:16πράγμα που έκανα.
-
12:16 - 12:17Αρχικά φοβόμουν να το κάνω,
-
12:17 - 12:20αλλά θεωρητικά φαινόταν εφικτό
-
12:20 - 12:26να φτιάξω χρήσιμα φάρμακα χρησιμοποιώντας
μόνο τεχνικές ανάλυσης δεδομένων. -
12:26 - 12:28Ευτυχώς τα σχόλια ήταν άκρως ενθαρρυντικά.
-
12:28 - 12:31όχι μόνο από τα μέσα
αλλά και από την ιατρική κοινότητα, -
12:31 - 12:32που με στήριξε πολύ.
-
12:33 - 12:37Θεωρητικά μπορούμε να πάρουμε
την μέση φάση της ιατρικής διαδικασίας -
12:37 - 12:40και να αναλύσουμε τα δεδομένα της
στο μέγιστο δυνατό βαθμό, -
12:40 - 12:43αφήνοντας τους γιατρούς να κάνουν
αυτό που ξέρουν καλύτερα. -
12:43 - 12:44Θα σας δώσω ένα παράδειγμα.
-
12:44 - 12:49Τώρα μας παίρνει 15 λεπτά να βγάλουμε
ένα νέο διαγνωστικό τεστ -
12:49 - 12:51και θα το δείτε σε πραγματικό χρόνο,
-
12:51 - 12:53αλλά το συμπίεσα σε τρία λεπτά
-
12:53 - 12:55παραλείποντας κάποια κομμάτια.
-
12:55 - 12:58Αντί για τη δημιουργία
ενός ιατρικού διαγνωστικού τεστ, -
12:58 - 13:01θα σας δείξω ένα διαγνωστικό τεστ
από εικόνες αυτοκινήτων, -
13:01 - 13:04επειδή είναι κάτι που όλοι καταλαβαίνουμε.
-
13:04 - 13:07Ξεκινάμε με περίπου 1,5 εκατομμύριο
εικόνες αυτοκινήτων -
13:07 - 13:09και θέλω να φτιάξω κάτι που θα τις χωρίσει
-
13:09 - 13:12ανάλογα με τη γωνία λήψης της φωτογραφίας.
-
13:12 - 13:16Οι εικόνες δεν έχουν καθόλου κείμενο,
έτσι αρχίζω από το μηδέν. -
13:16 - 13:18Με τον αλγόριθμο βαθιά γνώση
-
13:18 - 13:22μπορεί αυτόματα να εντοπίσει
περιοχές δομής μέσα στις εικόνες. -
13:22 - 13:25Είναι καλό που άνθρωπος και υπολογιστής
μπορούν να συνεργαστούν. -
13:25 - 13:27Ο άνθρωπος που βλέπετε εδώ
-
13:27 - 13:30λέει στον υπολογιστή
για τις περιοχές ενδιαφέροντος -
13:30 - 13:35που θέλει να χρησιμοποιήσει ο υπολογιστής
για να βελτιώσει τον αλγόριθμό του. -
13:35 - 13:39Τα συστήματα αυτά είναι
σε διάστημα 16.000 διαστάσεων, -
13:39 - 13:43έτσι βλέπετε τον υπολογιστή
να το περιστρέφει σε αυτό το διάστημα, -
13:43 - 13:45προσπαθώντας να βρει νέες περιοχές δομής.
-
13:45 - 13:46Και όταν το κάνει με επιτυχία,
-
13:46 - 13:50τότε ο ανθρώπινος χειριστής μπορεί
να δείξει τις περιοχές ενδιαφέροντος. -
13:50 - 13:53Εδώ ο υπολογιστής βρήκε επιτυχώς περιοχές,
-
13:53 - 13:55για παράδειγμα, κάποιες γωνίες.
-
13:55 - 13:57Κατά τη διάρκεια της διαδικασίας,
-
13:57 - 13:59σταδιακά λέμε στον υπολογιστή
όλο και περισσότερα -
13:59 - 14:02για το είδος των δομών που ψάχνουμε.
-
14:02 - 14:03Φανταστείτε ότι στο διαγνωστικό τεστ
-
14:03 - 14:07θα είναι ο παθολόγος που δείχνει
τις επικίνδυνες περιοχές, -
14:07 - 14:12ή ο ακτινολόγος να δείχνει
τους εν δυνάμει ανησυχητικούς όζους. -
14:12 - 14:14Μερικές φορές ο αλγόριθμος δυσκολεύεται.
-
14:14 - 14:16Εδώ έχει μπερδευτεί λίγο.
-
14:16 - 14:19Τα μπρος και πίσω μέρη των αυτοκινήτων
έχουν μπλεχτεί. -
14:19 - 14:21Τότε πρέπει να προσέξουμε λίγο περισσότερο
-
14:21 - 14:24επιλέγοντας χειροκίνητα αυτά τα μπρος
από εκείνα τα πίσω μέρη, -
14:24 - 14:30και μετά λέγοντας στον υπολογιστή
ότι αυτά είναι ένα είδος ομάδας -
14:30 - 14:31που μας ενδιαφέρει.
-
14:31 - 14:34Το κάνουμε για λίγο,
παραλείπουμε λίγο εδώ, -
14:34 - 14:36και μετά εκπαιδεύουμε
τον αλγόριθμο βαθιά μάθηση -
14:36 - 14:38με βάση αυτά τα διακόσια περίπου πράγματα,
-
14:38 - 14:40και ελπίζουμε ότι βελτιώθηκε.
-
14:40 - 14:43Μπορείτε να δείτε ότι θολώνει
κάποια μέρη των εικόνων, -
14:43 - 14:48δείχνοντάς μας ότι ήδη καταλαβαίνει
πώς να αναγνωρίζει κάποια μέρη μόνος του. -
14:48 - 14:51Μπορούμε να χρησιμοποιήσουμε
το σχέδιο με τις παρόμοιες εικόνες, -
14:51 - 14:53και έτσι εδώ μπορείτε να δείτε
-
14:53 - 14:57ο υπολογιστής τώρα μπορεί ολοκληρωτικά
να βρίσκει μόνο τα μπροστινά μέρη. -
14:57 - 15:00Σε αυτό το σημείο ο άνθρωπος
μπορεί να λέει στον υπολογιστή, -
15:00 - 15:02εντάξει, μια χαρά τα πας.
-
15:03 - 15:06Φυσικά κάποιες φορές,
ακόμα και σε αυτό το σημείο -
15:06 - 15:08είναι ακόμα δύσκολο
να διακρίνει τις ομάδες. -
15:09 - 15:11Εδώ, ακόμη και αφού ο υπολογιστής
-
15:11 - 15:13το έχει περιστρέψει κάμποσο,
-
15:13 - 15:16ακόμα οι εικόνες αριστερής
και δεξιάς πλευράς -
15:16 - 15:18είναι ανάμικτες.
-
15:18 - 15:20Έτσι δίνουμε στον υπολογιστή
κάποιες οδηγίες, -
15:20 - 15:23και του λέμε να βρει
μια προβολή που να διαχωρίζει -
15:23 - 15:25κατά το δυνατόν
τις δεξιές από τις αριστερές πλευρές -
15:25 - 15:28χρησιμοποιώντας τον αλγόριθμο βαθιά γνώση.
-
15:28 - 15:30Με αυτή την οδηγία --
ωραία, είχε αποτέλεσμα. -
15:30 - 15:33Κατάφερε να βρει τρόπο σκέψης
σχετικά με αυτά τα αντικείμενα -
15:33 - 15:35ώστε να τα διαχωρίσει.
-
15:36 - 15:38Καταλαβαίνετε λοιπόν πώς γίνεται.
-
15:39 - 15:46Αυτή δεν είναι περίπτωση που ο υπολογιστής
αντικαθιστά τον άνθρωπο, -
15:46 - 15:49αλλά όπου συνεργάζονται.
-
15:49 - 15:52Εδώ αντικαθιστούμε κάτι
που χρειαζόταν μια ομάδα -
15:52 - 15:55πέντε ή έξι ατόμων για σχεδόν επτά χρόνια,
-
15:55 - 15:57και το αντικαθιστούμε με κάτι
που χρειάζεται 15 λεπτά -
15:57 - 16:00για ένα άτομο που δουλεύει μόνο του.
-
16:00 - 16:03Έτσι η διαδικασία αφαιρεί τέσσερις
ή πέντε επαναληπτικές φάσεις. -
16:03 - 16:06Βλέπετε ότι τώρα έχουμε 62%
-
16:06 - 16:08από 1,5 εκατομμύριο εικόνες
ορθά ταξινομημένες. -
16:08 - 16:11Και σε αυτό το σημείο,
μπορούμε αρκετά γρήγορα -
16:11 - 16:12να μαρκάρουμε μεγάλα τμήματα,
-
16:12 - 16:15να τα τσεκάρουμε να μην έχουν λάθη.
-
16:15 - 16:19Όπου υπάρχουν σφάλματα,
ενημερώνουμε τον υπολογιστή. -
16:19 - 16:22Και με αυτή τη διαδικασία για κάθε ομάδα,
-
16:22 - 16:25έχουμε φτάσει 80% ποσοστό επιτυχίας
-
16:25 - 16:27στην ταξινόμηση 1,5 εκατομμυρίου εικόνων.
-
16:27 - 16:29Είμαστε στη φάση όπου
-
16:29 - 16:33παίρνουμε τις λίγες εικόνες
που δεν ταξινομήθηκαν σωστά -
16:33 - 16:36και προσπαθούμε να βρούμε το λόγο.
-
16:36 - 16:37Με αυτή την προσέγγιση,
-
16:37 - 16:41σε 15 λεπτά
φτάνουμε το 97% στο ρυθμό ταξινόμησης. -
16:41 - 16:46Αυτή η τεχνική θα βοηθήσει να διορθώσουμε
ένα σοβαρό πρόβλημα, -
16:46 - 16:49την ανεπάρκεια ειδικών στην ιατρική
σε όλο τον κόσμο. -
16:49 - 16:51Το Παγκόσμιο Οικονομικό Φόρουμ λέει ότι
-
16:51 - 16:55υπάρχει δεκαπλάσιο με εικοσαπλάσιο
έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο, -
16:55 - 16:57και θα χρειαστούν 300 χρόνια
-
16:57 - 17:00για να εκπαιδευθούν αρκετοί άνθρωποι
ώστε να λυθεί το πρόβλημα. -
17:00 - 17:03Φαντάζεστε να μπορούσαμε
να ενισχύσουμε την απόδοσή τους -
17:03 - 17:06με την προσέγγιση της βαθιάς μάθησης;
-
17:06 - 17:08Είμαι ενθουσιασμένος
με αυτές τις προοπτικές. -
17:08 - 17:11Ανησυχώ επίσης και για τα προβλήματα.
-
17:11 - 17:14Το πρόβλημα εδώ είναι ότι
κάθε μπλε περιοχή στο χάρτη -
17:14 - 17:18είναι μέρος όπου οι υπηρεσίες
είναι πάνω από το 80% της απασχόλησης. -
17:18 - 17:19Ποιες είναι οι υπηρεσίες;
-
17:19 - 17:21Αυτές είναι οι υπηρεσίες.
-
17:21 - 17:23Είναι αυτά ακριβώς τα πράγματα
-
17:23 - 17:26που ο υπολογιστής μόλις έμαθε να κάνει.
-
17:26 - 17:29Έτσι το 80% της παγκόσμιας απασχόλησης
στον αναπτυσσόμενο κόσμο -
17:29 - 17:31είναι πράγματα που οι υπολογιστές
μόλις έμαθαν να κάνουν. -
17:31 - 17:33Τι σημαίνει αυτό;
-
17:33 - 17:35Κάτι θα γίνει.
Θα αντικατασταθούν από άλλες δουλειές. -
17:35 - 17:38Θα γίνουν περισσότερες θέσεις
για επιστήμονες δεδομένων. -
17:38 - 17:39Όχι ακριβώς.
-
17:39 - 17:42Δεν χρειάζονται πολύ χρόνο
να φτιάξουν κάτι τέτοιο. -
17:42 - 17:45Αυτούς τους τέσσερις αλγόριθμους
τους έφτιαξε το ίδιο άτομο. -
17:45 - 17:48Αν σκεφτείτε, εντάξει,
το έχουμε ξαναδεί το έργο, -
17:48 - 17:52είδαμε τα αποτελέσματα στο παρελθόν
όταν προέκυψαν νέες ανάγκες -
17:52 - 17:54και αντικαταστάθηκαν από νέα επαγγέλματα,
-
17:54 - 17:56ποια θα είναι τα νέα επαγγέλματα;
-
17:56 - 17:58Είναι πολύ δύσκολο να το εκτιμήσουμε
-
17:58 - 18:01γιατί η ανθρώπινη απόδοση
αυξάνεται με σταδιακό ρυθμό, -
18:01 - 18:03αλλά τώρα έχουμε το σύστημα βαθιά μάθηση
-
18:03 - 18:06που αυξάνει την ικανότητά του
με ρυθμούς γεωμετρικής προόδου. -
18:06 - 18:08Και είμαστε εδώ.
-
18:08 - 18:10Προς το παρόν,
κοιτάμε γύρω μας και σκεφτόμαστε -
18:10 - 18:12«Οι υπολογιστές είναι χαζά μηχανήματα».
Σωστά; -
18:12 - 18:16Σε πέντε χρόνια όμως, οι υπολογιστές
θα έχουν φύγει από τα όρια του πίνακα. -
18:16 - 18:20Θα πρέπει να αρχίσουμε να σκεφτόμαστε
αυτή την ικανότητα άμεσα. -
18:20 - 18:22Το έχουμε δει ακόμη μια φορά στο παρελθόν.
-
18:22 - 18:23Στη Βιομηχανική Επανάσταση
-
18:23 - 18:26είδαμε μια αλλαγή ρυθμού στην ικανότητα
χάρις στις μηχανές. -
18:27 - 18:30Το θέμα είναι βέβαια, ότι μετά από λίγο
τα πράγματα ισοπεδώθηκαν. -
18:30 - 18:32Υπήρξε κοινωνική διάσπαση,
-
18:32 - 18:35αλλά εφόσον οι μηχανές χρησιμοποιήθηκαν
για την παραγωγή ενέργειας παντού -
18:35 - 18:38τα πράγματα έφτασαν σε μια σταθερότητα.
-
18:38 - 18:39Η Επανάσταση Μηχανικής Μάθησης
-
18:39 - 18:42θα διαφέρει πολύ
από τη Βιομηχανική Επανάσταση -
18:42 - 18:45επειδή η η Μηχανική Μάθηση
ποτέ δεν φτάνει σε στάδιο σταθερότητας. -
18:45 - 18:48Όσο οι υπολογιστές βελτιώνονται
σε διανοητικές ικανότητες, -
18:48 - 18:52θα φτιάξουν καλύτερους υπολογιστές
που θα βελτιωθούν διανοητικά περισσότερο, -
18:52 - 18:54έτσι θα είναι ένα είδος αλλαγής
-
18:54 - 18:57που ο κόσμος δεν έχει ξαναζήσει,
-
18:57 - 19:00ώστε η προηγούμενη αντίληψή σας
για το εφικτό θα είναι διαφορετική. -
19:00 - 19:02Ήδη μας επηρεάζει.
-
19:02 - 19:06Τα τελευταία 25 χρόνια, καθώς αυξανόταν
η παραγωγικότητα κεφαλαίου, -
19:06 - 19:10η παραγωγικότητα εργασίας έμενε σταθερή,
ίσως και να μειωνόταν ελάχιστα. -
19:11 - 19:14Ας ξαναρχίσουμε αυτή τη συζήτηση τώρα.
-
19:14 - 19:17Ξέρω ότι όταν κάνω συζήτηση
σχετικά με αυτή την κατάσταση, -
19:17 - 19:18οι άνθρωποι γίνονται απορριπτικοί.
-
19:18 - 19:20Οι υπολογιστές δεν μπορούν να σκεφτούν,
-
19:20 - 19:23δεν νιώθουν,
δεν καταλαβαίνουν την ποίηση, -
19:23 - 19:25εμείς δεν καταλαβαίνουμε πραγματικά
πώς αυτοί λειτουργούν. -
19:25 - 19:27Και λοιπόν;
-
19:27 - 19:29Οι υπολογιστές τώρα κάνουν
-
19:29 - 19:31όσα οι άνθρωποι πληρώνονται για να κάνουν
-
19:31 - 19:33έτσι είναι καιρός να σκεφτούμε
-
19:33 - 19:37πώς θα αναπροσαρμόσουμε τις κοινωνικές
και οικονομικές δομές -
19:37 - 19:39σε αυτή τη νέα πραγματικότητα.
-
19:39 - 19:41Ευχαριστώ.
-
19:41 - 19:42(Χειροκρότημα)
- Title:
- Οι θαυμαστές και τρομακτικές επιπτώσεις των υπολογιστών που μαθαίνουν | Τζέρεμι Χάουαρντ | TEDxBrussels
- Description:
-
Αυτή η ομιλία έγινε σε μια τοπική εκδήλωση TEDx, μια παραγωγή ανεξάρτητη από τα Συνέδρια TED.
Τι συμβαίνει όταν διδάσκουμε σε έναν υπολογιστή πώς να μαθαίνει; Ο τεχνολόγος Τζέρεμι Χάουαρντ μοιράζεται μαζί μας μερικά εκπληκτικά νέα επιτεύγματα στον ταχύτατα αναπτυσσόμενο χώρο της βαθιάς μάθησης, μια τεχνική που δίνει στους υπολογιστές τη δυνατότητα να μαθαίνουν Κινέζικα, ή να αναγνωρίζουν αντικείμενα μέσα σε φωτογραφίες, ή να βοηθούν στη διαμόρφωση μιας ιατρικής διάγνωσης. (Ένα εργαλείο βαθιάς μάθησης, αφού παρακολούθησε για ώρες βίντεο στο YouTube, δίδαξε στον εαυτό του την έννοια «γάτα»). Βρεθείτε σ' έναν χώρο που θ' αλλάξει τον τρόπο συμπεριφοράς των υπολογιστών... νωρίτερα απ' όσο πιθανόν νομίζετε. - Video Language:
- English
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 19:47