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