TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: Die wundervollen und erschreckenden Folgen lernender Computer
Filmed:
Readability: 4.5
2,532,971 views
Was passiert, wenn wir einem Computer beibringen, wie man lernt? Der Technologe Jeremy Howard zeigt einige überraschende neue Entwicklungen im rasant wachsenden Feld des Deep Learning, einer Technik, die Computern beibringt, Chinesisch zu lernen, Objekte auf Fotos zu erkennen oder bei einer medizinischen Diagnose zu helfen. (Ein Deep-Learning-Tool hat sich nach Stunden von YouTube-Videos das Konzept "Katzen" selbst beigebracht.) Lassen Sie sich mitreißen von einem Gebiet, das das Verhalten der Computer um Sie herum ändern wird ... wahrscheinlich früher, als Sie denken.
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Double-click the English transcript below to play the video.
00:12
It used to be that if you wanted
to get a computer to do something new,
to get a computer to do something new,
0
880
4013
Wenn man früher wollte,
dass ein Computer etwas Neues tat,
dass ein Computer etwas Neues tat,
00:16
you would have to program it.
1
4893
1554
musste man ihn programmieren.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Für alle, die es noch nie
selbst probiert haben:
selbst probiert haben:
00:21
requires laying out in excruciating detail
3
9858
3502
Beim Programmieren
muss man bis ins kleinste Detail
muss man bis ins kleinste Detail
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
jeden einzelnen Schritt definieren,
den der Computer erledigen soll,
den der Computer erledigen soll,
00:28
in order to achieve your goal.
5
16727
2362
um sein Ziel zu erreichen.
00:31
Now, if you want to do something
that you don't know how to do yourself,
that you don't know how to do yourself,
6
19089
3496
Will man also etwas tun,
was man selbst noch nicht kann,
was man selbst noch nicht kann,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
dann wird das eine große Herausforderung.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Dieser Herausforderung stellte sich
dieser Mann, Arthur Samuel.
dieser Mann, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
1956 wollte er diesem Computer beibringen,
00:44
to be able to beat him at checkers.
10
32208
2340
ihn im Spiel Dame zu schlagen.
00:46
How can you write a program,
11
34548
2040
Wie kann man ein Programm schreiben
00:48
lay out in excruciating detail,
how to be better than you at checkers?
how to be better than you at checkers?
12
36588
3806
und bis ins kleinste Detail definieren,
wie man sich selbst in Dame übertrifft?
wie man sich selbst in Dame übertrifft?
00:52
So he came up with an idea:
13
40394
1722
Also hatte er eine Idee:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
Er ließ den Computer tausende Male
gegen sich selbst spielen,
gegen sich selbst spielen,
00:57
and learn how to play checkers.
15
45840
2524
sodass er Dame spielen lernte.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Das funktionierte wirklich, und schon 1962
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
besiegte dieser Computer
den Landesmeister von Connecticut.
den Landesmeister von Connecticut.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Arthur Samuel war also
der Urvater des Maschinellen Lernens
der Urvater des Maschinellen Lernens
01:10
and I have a great debt to him,
19
58534
1717
und ich schulde ihm viel,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
denn ich bin ein Fachmann
im Maschinellen Lernen.
im Maschinellen Lernen.
01:15
I was the president of Kaggle,
21
63014
1465
Ich war Präsident von Kaggle,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
einer Plattform von über 200 000
Fachleuten für Maschinelles Lernen.
Fachleuten für Maschinelles Lernen.
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle veranstaltet Wettbewerbe,
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
bei denen bisher ungelöste Probleme
gelöst werden sollen,
gelöst werden sollen,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
und das war schon
hunderte Male erfolgreich.
hunderte Male erfolgreich.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Aus dieser Warte habe
ich viel darüber gelernt,
ich viel darüber gelernt,
01:31
a lot about what machine learning
can do in the past, can do today,
can do in the past, can do today,
27
79940
3950
was Maschinelles Lernen
früher konnte, was es heute kann
früher konnte, was es heute kann
01:35
and what it could do in the future.
28
83890
2362
und was es zukünftig vollbringen könnte.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Der vielleicht erste kommerzielle Erfolg
im Maschinellen Lernen war Google.
im Maschinellen Lernen war Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Google hat bewiesen,
dass man Informationen
dass man Informationen
über einen Computeralgorithmus
finden kann,
finden kann,
01:45
by using a computer algorithm,
31
93784
1752
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
der auf Maschinellem Lernen basiert.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Seitdem gab es viele kommerzielle Erfolge
im Maschinellen Lernen.
im Maschinellen Lernen.
01:54
Companies like Amazon and Netflix
34
102323
1837
Firmen wie Amazon oder Netflix
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
nutzen Maschinelles Lernen
für Kaufempfehlungen
für Kaufempfehlungen
01:59
movies that you might like to watch.
36
107876
2020
oder Filmvorschläge.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Manchmal ist das beinahe gruselig.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Firmen wie LinkedIn oder Facebook
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
schlagen Ihnen manchmal neue Freunde vor
02:08
and you have no idea how it did it,
40
116251
1977
und Sie haben keine Ahnung, wie das geht,
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
und genau das ist die Macht
des Maschinellen Lernens.
des Maschinellen Lernens.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Diese Algorithmen haben
anhand vorhandener Daten gelernt,
anhand vorhandener Daten gelernt,
02:16
rather than being programmed by hand.
43
124152
3247
anstatt von Hand programmiert zu werden.
02:19
This is also how IBM was successful
44
127399
2478
So konnte auch IBM Watson dazu bringen,
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
die zwei Weltmeister
der Quizshow "Jeopardy" zu schlagen,
der Quizshow "Jeopardy" zu schlagen,
wo man knifflige, komplexe Fragen
beantworten musste, z. B.:
beantworten musste, z. B.:
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
["2003 verschwand u. a.
der antike 'Löwe von Nimrud'
der antike 'Löwe von Nimrud'
02:28
["The ancient 'Lion of Nimrud' went missing
from this city's national museum in 2003
(along with a lot of other stuff)"]
from this city's national museum in 2003
(along with a lot of other stuff)"]
47
136964
2835
aus dem Museum dieser Stadt."]
02:31
This is also why we are now able
to see the first self-driving cars.
to see the first self-driving cars.
48
139799
3235
Daher gibt es nun
erste selbstfahrende Autos.
erste selbstfahrende Autos.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Will man den Unterschied
etwa zwischen Baum und
Fußgänger erkennen, ist das wichtig.
Fußgänger erkennen, ist das wichtig.
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Wir wissen nicht, wie man
solche Programme schreibt,
solche Programme schreibt,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
aber durch Maschinelles Lernen
ist das jetzt möglich.
ist das jetzt möglich.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Dieses Auto ist schon über 1 Mio. km
02:48
without any accidents on regular roads.
54
156680
3506
ohne den kleinsten Unfall
auf normalen Straßen gefahren.
auf normalen Straßen gefahren.
02:52
So we now know that computers can learn,
55
160196
3914
Wir wissen also,
dass Computer lernen können
dass Computer lernen können
02:56
and computers can learn to do things
56
164110
1900
und dass sie auch Dinge lernen können,
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
von denen wir nicht wissen,
wie sie funktionieren,
wie sie funktionieren,
03:00
or maybe can do them better than us.
58
168848
2885
und manchmal sogar besser als wir.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Eines der faszinierendsten Beispiele
für Maschinelles Lernen
für Maschinelles Lernen
03:07
happened on a project that I ran at Kaggle
60
175928
2392
habe ich bei einem meiner
Kaggle-Projekte gesehen,
Kaggle-Projekte gesehen,
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
als ein Team unter der Leitung
von Geoffrey Hinton
von Geoffrey Hinton
03:13
from the University of Toronto
62
181911
1552
von der Universität Toronto
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
den Wettstreit für automatische
Drogenerkennung gewann.
Drogenerkennung gewann.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Außergewöhnlich war
daran nicht nur ihr Sieg
daran nicht nur ihr Sieg
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
gegen all die Algorithmen von Merck
und der internationalen akademischen Welt,
und der internationalen akademischen Welt,
03:25
but nobody on the team had any background
in chemistry or biology or life sciences,
in chemistry or biology or life sciences,
66
193000
5061
sondern, dass das Team kein Vorwissen
zu Chemie oder Biowissenschaften hatte
zu Chemie oder Biowissenschaften hatte
03:30
and they did it in two weeks.
67
198061
2169
und nur zwei Wochen brauchte.
03:32
How did they do this?
68
200230
1381
Wie haben sie das gemacht?
Sie nutzten einen besonderen
Algorithmus namens Deep Learning.
Algorithmus namens Deep Learning.
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Ihr Erfolg war so bedeutend,
dass er wenig später auf der Titelseite
der NY Times erschien.
der NY Times erschien.
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Hier auf der linken Seite
sehen Sie Geoffrey Hinton.
sehen Sie Geoffrey Hinton.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
Deep Learning basiert auf der Funktion
des menschlichen Gehirns
des menschlichen Gehirns
03:50
and as a result it's an algorithm
74
218488
1812
und deswegen ist es ein Algorithmus,
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
dessen Funktion theoretisch
keine Grenzen gesetzt sind.
keine Grenzen gesetzt sind.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Je mehr Daten und Rechenzeit man hat,
03:58
the better it gets.
77
226964
1312
desto besser wird er.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
Die New York Times zeigte in ihrem Artikel
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
noch ein Resultat des Deep Learning,
04:04
which I'm going to show you now.
80
232857
2712
das ich Ihnen jetzt vorstellen will.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Es beweist, dass Computer
zuhören und verstehen können.
zuhören und verstehen können.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
Richard Rashid (Video):
Als letzten Schritt in diesem Prozess
Als letzten Schritt in diesem Prozess
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
04:18
is to actually speak to you in Chinese.
84
246246
4715
werde ich Chinesisch mit Ihnen sprechen.
04:22
Now the key thing there is,
85
250961
2635
Als wichtigsten Schritt haben wir
04:25
we've been able to take a large amount
of information from many Chinese speakers
of information from many Chinese speakers
86
253596
5002
anhand großer Informationsmengen
von vielen Chinesisch-Sprechern
von vielen Chinesisch-Sprechern
04:30
and produce a text-to-speech system
87
258598
2530
ein Text-zu-Sprache-System gebaut,
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
das chinesischen Text
in chinesche Sprache umwandelt,
in chinesche Sprache umwandelt,
04:37
and then we've taken
an hour or so of my own voice
an hour or so of my own voice
89
265801
4128
und dann haben wir eine etwa einstündige
Aufnahme meiner Stimme benutzt,
Aufnahme meiner Stimme benutzt,
04:41
and we've used that to modulate
90
269929
1891
um das Text-zu-Sprache-System
so zu ändern, dass es wie ich klingt.
so zu ändern, dass es wie ich klingt.
04:43
the standard text-to-speech system
so that it would sound like me.
so that it would sound like me.
91
271820
4544
04:48
Again, the result's not perfect.
92
276364
2540
Wieder ist das Ergebnis nicht perfekt.
04:50
There are in fact quite a few errors.
93
278904
2648
Eigentlich hat es sogar
ganz schön viele Fehler.
ganz schön viele Fehler.
04:53
(In Chinese)
94
281552
2484
(Auf Chinesisch)
04:56
(Applause)
95
284036
3367
(Applaus)
05:01
There's much work to be done in this area.
96
289446
3576
In diesem Bereich ist noch viel zu tun.
05:05
(In Chinese)
97
293022
3645
(Chinesisch)
05:08
(Applause)
98
296667
3433
(Applaus)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Jeremy Howard: Das war eine Konferenz
zu Maschinellem Lernen in China.
zu Maschinellem Lernen in China.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Übrigens hört man
bei akademischen Konferenzen
bei akademischen Konferenzen
05:19
that you do hear spontaneous applause,
101
307114
1897
nur ganz selten Zwischenapplaus,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
obwohl das bei TEDx-Konferenzen
durchaus erwünscht sein kann.
durchaus erwünscht sein kann.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Was Sie eben gesehen haben,
basiert auf Deep Learning.
basiert auf Deep Learning.
05:27
(Applause) Thank you.
104
315482
1525
(Applaus) Danke!
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
Die englische Transkription
war Deep Learning.
war Deep Learning.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
Die Übersetzung ins Chinesische und
der Text rechts oben – Deep Learning
der Text rechts oben – Deep Learning
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
und die Modellierung der Stimme
-- ebenfalls Deep Learning.
-- ebenfalls Deep Learning.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Deep Learning ist also
eine außergewöhnliche Sache.
eine außergewöhnliche Sache.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Es ist ein einziger Algorithmus,
der scheinbar fast alles kann
der scheinbar fast alles kann
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
und ich fand heraus, dass er
ein Jahr zuvor sehen gelernt hatte.
ein Jahr zuvor sehen gelernt hatte.
05:47
In this obscure competition from Germany
111
335452
2176
Bei einem obskuren Wettbewerb
der Ruhr-Universität Bochum
der Ruhr-Universität Bochum
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
zum Erkennen von Verkehrszeichen
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
hat Deep Learning gelernt,
Verkehrszeichen wie dieses zu erkennen.
Verkehrszeichen wie dieses zu erkennen.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Er konnte Verkehrszeichen nicht nur
besser als andere Algorithmen erkennen;
05:57
better than any other algorithm,
115
345712
1758
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
die Rangliste zeigte,
dass er sogar Menschen übertraf
dass er sogar Menschen übertraf
06:02
about twice as good as people.
117
350189
1852
und zwar um das Doppelte.
06:04
So by 2011, we had the first example
118
352041
1996
2011 gab es also das erste Beispiel
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
für Computer, die besser
sehen können als Menschen.
sehen können als Menschen.
06:09
Since that time, a lot has happened.
120
357442
2049
Seitdem ist viel passiert.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
2012 gab Google bekannt,
dass sie einen Deep-Learning-Algorithmus
dass sie einen Deep-Learning-Algorithmus
06:15
watch YouTube videos
122
363005
1415
Youtube Videos schauen ließen
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
und die Daten auf 16 000 Computern
einen Monat lang berechnen ließen
einen Monat lang berechnen ließen
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
und dass der Computer allein
Konzepte wie Menschen oder Katzen
Konzepte wie Menschen oder Katzen
einzig durch das Betrachten
von Videos erkannt hat.
von Videos erkannt hat.
06:24
just by watching the videos.
125
372218
1809
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Menschen lernen sehr ähnlich.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Sie lernen nicht, indem man
ihnen sagt, was sie sehen,
ihnen sagt, was sie sehen,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
sondern sie lernen selbst,
was diese Dinge sind.
was diese Dinge sind.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Übrigens hat 2012 Geoffrey Hinton,
den wir vorher gesehen haben,
den wir vorher gesehen haben,
06:37
won the very popular ImageNet competition,
130
385819
2858
den beliebten ImageNet-Wettbewerb
mit seinem Versuch gewonnen,
mit seinem Versuch gewonnen,
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
auf 1,5 Mio. Bildern
die Motive zu erkennen.
die Motive zu erkennen.
06:44
what they're pictures of.
132
392818
1438
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
2014 sind wir mittlerweile
nur noch bei einer 6%igen Fehlerrate
nur noch bei einer 6%igen Fehlerrate
06:49
in image recognition.
134
397789
1453
bei der Bilderkennung.
06:51
This is better than people, again.
135
399242
2026
Das ist wiederum besser als Menschen.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Maschinen sind dabei
also außergewöhnlich gut
also außergewöhnlich gut
06:57
and it is now being used in industry.
137
405037
2269
und das wird nun auch
in der Wirtschaft genutzt.
in der Wirtschaft genutzt.
06:59
For example, Google announced last year
138
407306
3042
Zum Beispiel hat Google
letztes Jahr bekanntgegeben,
letztes Jahr bekanntgegeben,
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
dass sie jeden Ort Frankreichs
in nur 2 Stunden kartografiert hätten,
in nur 2 Stunden kartografiert hätten,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
indem sie Street-View-Bilder in einen
Deep-Learning-Algorithmus einspeisten,
Deep-Learning-Algorithmus einspeisten,
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
der dann Hausnummern
erkennen und lesen konnte.
erkennen und lesen konnte.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Davor hätte es dutzende Leute
und viele Jahre gebraucht.
und viele Jahre gebraucht.
07:16
dozens of people, many years.
143
424919
3355
07:20
This is also happening in China.
144
428274
1911
Dasselbe passiert in China.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu ist sowas wie
das chinesische Google,
das chinesische Google,
07:26
and what you see here in the top left
146
434221
2283
und was Sie hier oben links sehen,
07:28
is an example of a picture that I uploaded
to Baidu's deep learning system,
to Baidu's deep learning system,
147
436504
3974
ist z. B. ein Bild, das ich in Baidus
Deep-Learning-System hochgeladen habe.
Deep-Learning-System hochgeladen habe.
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
Darunter sehen Sie,
dass das System das Bild verstanden
dass das System das Bild verstanden
07:36
and found similar images.
149
444247
2236
und ähnliche Bilder gefunden hat.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Die ähnlichen Bilder haben
ähnliche Hintergründe,
ähnliche Hintergründe,
07:41
similar directions of the faces,
151
449219
1658
ähnliche Gesichts-Ausrichtung,
07:42
even some with their tongue out.
152
450877
1788
manche sogar die rausgestreckte Zunge.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Das System schaut eindeutig nicht
auf den Text einer Website.
auf den Text einer Website.
07:47
All I uploaded was an image.
154
455695
1412
Es hatte nur ein Bild.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Also haben wir jetzt Computer,
die wirklich verstehen, was sie sehen,
die wirklich verstehen, was sie sehen,
07:53
and can therefore search databases
156
461128
1624
und daher Datenbanken
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
mit vielen Millionen Bildern
in Echtzeit durchsuchen können.
in Echtzeit durchsuchen können.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Aber was bedeutet es nun,
dass Computer sehen können?
dass Computer sehen können?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Tja, es ist nicht nur so, dass sie sehen.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Genau genommen kann
Deep Leaning noch mehr.
Deep Leaning noch mehr.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Komplexe, differenzierte Sätze wie dieser
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
können nun mit Deep-Learning-Algorithmen
verstanden werden.
verstanden werden.
08:11
As you can see here,
163
479394
1303
Wie Sie hier sehen können,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
zeigt dieses System aus Stanford
mit dem roten Punkt oben,
mit dem roten Punkt oben,
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
dass es die negative Botschaft
des Satzes erkannt hat.
des Satzes erkannt hat.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Deep Learning ist jetzt
fast so gut wie Menschen
fast so gut wie Menschen
08:22
at understanding what sentences are about
and what it is saying about those things.
and what it is saying about those things.
167
490802
5121
im Verstehen, worum es in Sätzen
geht und was gesagt wird.
geht und was gesagt wird.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Deep Learning wird auch genutzt,
um Chinesisch zu lesen
um Chinesisch zu lesen
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
wieder fast auf Muttersprachler-Niveau.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Der Algorithmus dafür
stammt von Leuten aus der Schweiz,
stammt von Leuten aus der Schweiz,
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
die allesamt kein Chinesisch
sprechen oder verstehen.
sprechen oder verstehen.
08:39
As I say, using deep learning
172
507331
2051
Wie ich schon sagte: Deep Learning
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
ist so ziemlich das beste
System der Welt dafür,
System der Welt dafür,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
sogar im Vergleich mit
dem Wissen von Muttersprachlern.
dem Wissen von Muttersprachlern.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Dieses System haben wir
in meiner Firma entworfen,
in meiner Firma entworfen,
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
das all diesen Kram zusammenfügt.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Das sind Bilder ohne angehängten Text
08:56
and as I'm typing in here sentences,
178
524189
2352
und während ich diese Sätze hier eintippe,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
versteht das System die Bilder in Echtzeit
09:01
and figuring out what they're about
180
529510
1679
und erkennt, was sie zeigen,
09:03
and finding pictures that are similar
to the text that I'm writing.
to the text that I'm writing.
181
531189
3163
und findet ähnliche Bilder
zu dem eingetippten Text.
zu dem eingetippten Text.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Sie sehen also,
es versteht wirklich meine Sätze
es versteht wirklich meine Sätze
09:09
and actually understanding these pictures.
183
537108
2224
und ebenso diese Bilder.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Ich weiß, dass Sie
sowas Ähnliches von Google kennen,
sowas Ähnliches von Google kennen,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
wo man Text eingeben kann
und einem Bilder gezeigt werden,
und einem Bilder gezeigt werden,
09:16
but actually what it's doing is it's
searching the webpage for the text.
searching the webpage for the text.
186
544666
3424
aber da wird nur die Website
nach dem Text durchsucht.
nach dem Text durchsucht.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Das ist ein großer Unterschied dazu,
die Bilder zu verstehen.
die Bilder zu verstehen.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Letzteres haben Computer erst
09:25
for the first time in the last few months.
189
553843
3248
vor ein paar Monaten gelernt.
09:29
So we can see now that computers
can not only see but they can also read,
can not only see but they can also read,
190
557091
4091
Wir haben gesehen, dass Computer nicht
nur sehen, sondern auch lesen können.
nur sehen, sondern auch lesen können.
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
Wir haben natürlich auch gesehen,
dass sie verstehen, was sie hören.
dass sie verstehen, was sie hören.
09:36
Perhaps not surprising now that
I'm going to tell you they can write.
I'm going to tell you they can write.
192
564947
3442
Vielleicht sind Sie nicht überrascht,
dass sie auch schreiben können.
dass sie auch schreiben können.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Diesen Text habe ich gestern mit einem
Deep-Learning-Algorithmus erzeugt.
Deep-Learning-Algorithmus erzeugt.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Diesen Text hier hat
ein Algorithmus aus Stanford erzeugt.
ein Algorithmus aus Stanford erzeugt.
09:49
Each of these sentences was generated
195
577096
1764
Jeder dieser Sätze wurde mit
einem Deep-Learning-Algorithmus erzeugt,
einem Deep-Learning-Algorithmus erzeugt,
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
um das jeweilige Bild zu beschreiben.
09:55
This algorithm before has never seen
a man in a black shirt playing a guitar.
a man in a black shirt playing a guitar.
197
583109
4472
Vorher hat der Algorithmus nie einen Mann
im schwarzen Hemd Gitarre spielen sehen.
im schwarzen Hemd Gitarre spielen sehen.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Er hat einen Mann, die Farbe Schwarz,
10:01
it's seen a guitar before,
199
589801
1599
und eine Gitarre gesehen,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
aber er hat selbstständig
diese neue Bildbeschreibung erstellt.
diese neue Bildbeschreibung erstellt.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Menschliche Leistung ist das
noch nicht, aber nah dran.
noch nicht, aber nah dran.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
In Tests bevorzugen Menschen
die computer-generierte Bildbeschreibung
die computer-generierte Bildbeschreibung
10:15
one out of four times.
203
603264
1527
nur eines von vier Malen.
10:16
Now this system is now only two weeks old,
204
604791
2064
Aber das System ist jetzt
erst 2 Wochen alt,
erst 2 Wochen alt,
10:18
so probably within the next year,
205
606855
1846
sodass wahrscheinlich im nächsten Jahr
der Computeralgorithmus
die menschliche Leistung übertrifft,
die menschliche Leistung übertrifft,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
10:23
at the rate things are going.
207
611502
1862
so schnell wie die Dinge gerade gehen.
10:25
So computers can also write.
208
613364
3049
Computer können also auch schreiben.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Wenn wir das alles kombinieren,
kriegen wir sehr spannenden Möglichkeiten.
kriegen wir sehr spannenden Möglichkeiten.
10:31
For example, in medicine,
210
619888
1492
In der Medizin, zum Beispiel,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
hat ein Team aus Boston verkündet,
10:35
dozens of new clinically relevant features
212
623905
2949
dass es Dutzende
neue klinisch relevante Merkmale
neue klinisch relevante Merkmale
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
von Tumoren entdeckt hätte,
die Ärzten bei der Krebsprognose helfen.
die Ärzten bei der Krebsprognose helfen.
10:44
Very similarly, in Stanford,
214
632220
2296
Ähnlich hat in Stanford
eine Gruppe bekanntgegeben,
eine Gruppe bekanntgegeben,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
dass sie für die Gewebeanalyse
in vergrößerter Aufnahme
in vergrößerter Aufnahme
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
ein Maschinelles Lernsystem
entwickelt haben,
entwickelt haben,
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
das menschliche Pathologen
tatsächlich dabei übertrifft,
tatsächlich dabei übertrifft,
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
die Überlebenschancen von
Krebspatienten vorherzusagen.
Krebspatienten vorherzusagen.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
In beiden Fällen waren
die Vorhersagen nicht nur genauer,
die Vorhersagen nicht nur genauer,
sie förderten auch neue
wissenschaftliche Erkenntnisse.
wissenschaftliche Erkenntnisse.
11:02
but they generated new insightful science.
220
650764
2502
11:05
In the radiology case,
221
653276
1505
Im Fall der Radiologie
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
waren es neue klinische Indikatoren,
die Menschen verstehen.
die Menschen verstehen.
11:09
In this pathology case,
223
657876
1792
Im Fall der Pathologie
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
hat das Computersystem herausgefunden,
dass die Zellen rund um den Krebs
dass die Zellen rund um den Krebs
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
genauso wichtig sind
wie die Krebszellen selbst
wie die Krebszellen selbst
11:19
in making a diagnosis.
226
667508
1752
beim Erstellen der Diagnose.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Das ist das Gegenteil davon, was man
Pathologen jahrzehntelang beibrachte.
Pathologen jahrzehntelang beibrachte.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
In beiden Fällen wurden die Systeme
gemeinsam von Experten der Medizin
und des Maschinellen Lernens entwickelt,
und des Maschinellen Lernens entwickelt,
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
aber seit letztem Jahr haben
wir auch das überwunden.
wir auch das überwunden.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Das hier ist ein Beispiel,
wie man krebsgeschädigte Bereiche
wie man krebsgeschädigte Bereiche
menschlichen Gewebes
unter dem Mikroskop erkennt.
unter dem Mikroskop erkennt.
11:39
of human tissue under a microscope.
232
687824
2530
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Das hier gezeigte System
erkennt solche Bereiche genauer,
erkennt solche Bereiche genauer,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
oder etwa gleich genau,
wie menschliche Pathologen,
wie menschliche Pathologen,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
aber es wurde allein mit Deep Learning,
ohne medizinisches Wissen,
ohne medizinisches Wissen,
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
von Leuten ohne Ausbildung
in diesem Feld entwickelt.
in diesem Feld entwickelt.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Ähnlich ist es bei dieser
Neuronen-Segmentierung.
Neuronen-Segmentierung.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Neuronen können jetzt damit etwa so genau
wie durch Menschen segmentieren werden,
wie durch Menschen segmentieren werden,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
aber dieses System wurde
mit Deep Learning
mit Deep Learning
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
von Leuten ohne
medizinisches Vorwissen entwickelt.
medizinisches Vorwissen entwickelt.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Sogar ich, als jemand
ohne medizinische Ausbildung,
ohne medizinische Ausbildung,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
scheine nun genug für die Gründung
eines medizinisches Unternehmens zu wissen
eines medizinisches Unternehmens zu wissen
12:15
which I did.
243
723875
2146
-- und das habe ich auch.
12:18
I was kind of terrified of doing it,
244
726021
1740
Ich hatte irgendwie Angst davor,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
aber theoretisch
schien es möglich zu sein,
schien es möglich zu sein,
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
in der Medizin sehr nützliche Dinge allein
mit solchen Datenanalysen zu bewirken.
mit solchen Datenanalysen zu bewirken.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Glücklicherweise war
das Feedback fantastisch,
das Feedback fantastisch,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
sowohl von den Medien
als auch von Medizinern,
als auch von Medizinern,
12:32
who have been very supportive.
249
740978
2344
die mich sehr unterstützt haben.
12:35
The theory is that we can take
the middle part of the medical process
the middle part of the medical process
250
743322
4149
Theoretisch können wir den Mittelteil
des medizinischen Vorgangs
des medizinischen Vorgangs
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
so viel wie möglich
der Datenanalyse überlassen,
der Datenanalyse überlassen,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
sodass Ärzte nur noch tun müssen,
was sie am besten können.
was sie am besten können.
Ich will Ihnen ein Beispiel geben.
12:45
I want to give you an example.
253
753429
1602
12:47
It now takes us about 15 minutes
to generate a new medical diagnostic test
to generate a new medical diagnostic test
254
755031
4944
Aktuell brauchen wir 15 Minuten, um einen
neuen medizinischen Diagnosetest zu bauen.
neuen medizinischen Diagnosetest zu bauen.
Das zeige ich Ihnen jetzt in Echtzeit,
12:51
and I'll show you that in real time now,
255
759975
1954
12:53
but I've compressed it down to
three minutes by cutting some pieces out.
three minutes by cutting some pieces out.
256
761929
3487
aber ich habe es durch Zusammenschneiden
auf 3 Minuten gekürzt.
auf 3 Minuten gekürzt.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Anstatt Ihnen das Erstellen eines
medizinischen Tests zu zeigen,
medizinischen Tests zu zeigen,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
zeige ich Ihnen einen
Diagnosetest für Autobilder,
Diagnosetest für Autobilder,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
denn das verstehen wir alle.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Hier fangen wir mit ungefähr
1,5 Mio. Autobildern an,
1,5 Mio. Autobildern an,
13:09
and I want to create something
that can split them into the angle
that can split them into the angle
261
777269
3206
und ich möchte etwas bauen,
das sie nach dem Winkel sortiert,
das sie nach dem Winkel sortiert,
13:12
of the photo that's being taken.
262
780475
2223
in dem das Foto gemacht wurde.
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
so I have to start from scratch.
263
782698
3888
Diese Bilder sind jetzt noch
nicht benannt, ich fange bei Null an.
nicht benannt, ich fange bei Null an.
13:18
With our deep learning algorithm,
264
786586
1865
Unser Deep-Learning-Algorithmus
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
erkennt automatisch
Strukturflächen auf den Bildern.
Strukturflächen auf den Bildern.
13:24
So the nice thing is that the human
and the computer can now work together.
and the computer can now work together.
266
792158
3620
Das Schöne ist, dass Mensch und Computer
jetzt zusammenarbeiten können.
jetzt zusammenarbeiten können.
13:27
So the human, as you can see here,
267
795778
2178
Wie Sie hier sehen,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
gibt der Mensch dem Computer
Zielbereiche vor,
Zielbereiche vor,
13:32
which it wants the computer then
to try and use to improve its algorithm.
to try and use to improve its algorithm.
269
800631
4650
womit der Computer dann versuchen soll,
seinem Algorithmus zu verbessern.
seinem Algorithmus zu verbessern.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Eigentlich sind diese Deep-Learning-
Systeme im 16 000-dimensionalen Raum,
Systeme im 16 000-dimensionalen Raum,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
hier können Sie den Computer
das durch den Raum
das durch den Raum
auf der Suche nach neuen
Strukturflächen rotieren sehen.
Strukturflächen rotieren sehen.
13:45
trying to find new areas of structure.
272
813009
1992
13:47
And when it does so successfully,
273
815001
1781
Wenn er dabei Erfolg hat,
13:48
the human who is driving it can then
point out the areas that are interesting.
point out the areas that are interesting.
274
816782
4004
kann der menschliche Betreiber
dann die interessanten Bereiche festlegen.
dann die interessanten Bereiche festlegen.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Hier hat der Computer Bereiche gefunden,
13:55
for example, angles.
276
823208
2562
zum Beispiel Winkel.
13:57
So as we go through this process,
277
825770
1606
Im Verlauf des Prozesses
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
sagen wir dem Computer immer mehr
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
über die gesuchten Strukturen.
14:04
You can imagine in a diagnostic test
280
832144
1772
Bei einem Diagnose-Test zum Beispiel
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
würde das dem Pathologen helfen,
kranke Bereiche zu identifizieren,
kranke Bereiche zu identifizieren,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
oder dem Radiologen bei
potentiell gefährlichen Knoten.
potentiell gefährlichen Knoten.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Manchmal wird es
schwer für den Algorithmus.
schwer für den Algorithmus.
14:16
In this case, it got kind of confused.
284
844851
1964
In diesem Fall war er etwas verwirrt.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Die Vorder- und Rückseiten
der Autos sind vermischt.
der Autos sind vermischt.
14:21
So here we have to be a bit more careful,
286
849365
2072
Wir müssen hier also sorgfältiger sein,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
und die Vorderseiten manuell
von den Rückseiten trennen,
von den Rückseiten trennen,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
um dann dem Computer zu sagen,
dass das Teil einer Gruppe ist,
dass das Teil einer Gruppe ist,
14:32
that we're interested in.
289
860175
1348
die uns interessiert.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Das machen wir für eine Weile,
wir springen ein wenig weiter,
wir springen ein wenig weiter,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
und dann trainieren wir den Algorithmus,
14:38
based on these couple of hundred things,
292
866446
1974
basierend auf diesen paar hundert Sachen,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
und hoffen, dass er besser geworden ist.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Wie Sie sehen, lässt er
einige dieser Bilder jetzt verblassen
einige dieser Bilder jetzt verblassen
14:45
showing us that it already is recognizing
how to understand some of these itself.
how to understand some of these itself.
295
873518
4708
und zeigt uns, dass er schon jetzt
ein wenig selbst erkennt.
ein wenig selbst erkennt.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Wir können das Konzept
der ähnlichen Bilder nutzen
der ähnlichen Bilder nutzen
14:53
and using similar images, you can now see,
297
881128
2094
und dabei sehen Sie,
14:55
the computer at this point is able to
entirely find just the fronts of cars.
entirely find just the fronts of cars.
298
883222
4019
dass der Computer jetzt in der Lage ist,
nur die Vorderseiten der Autos zu finden.
nur die Vorderseiten der Autos zu finden.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Also kann der Mensch dem
Computer an diesem Punkt sagen,
Computer an diesem Punkt sagen,
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
okay, du hast gute Arbeit geleistet.
15:05
Sometimes, of course, even at this point
301
893652
2185
Natürlich ist es manchmal
selbst hier schwer,
selbst hier schwer,
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
die einzelnen Gruppen zu unterscheiden.
15:11
In this case, even after we let the
computer try to rotate this for a while,
computer try to rotate this for a while,
303
899511
3884
Selbst nachdem der Computer
die Bilder eine Weile rotiert hat,
die Bilder eine Weile rotiert hat,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
sind die rechten und linken Seiten
der Bilder immer noch
der Bilder immer noch
15:18
are all mixed up together.
305
906744
1478
komplett durcheinander.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Wieder können wir dem
Computer Hinweise geben
Computer Hinweise geben
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
und sagen, okay, jetzt
versuch mal einen Weg,
versuch mal einen Weg,
der die rechte und linke Seite
so gut wie möglich
so gut wie möglich
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
15:27
using this deep learning algorithm.
309
915945
2122
mit dem Deep-Learning-Algorithmus trennt.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Und mit diesem Hinweis --
ah, okay, jetzt hat er Erfolg.
ah, okay, jetzt hat er Erfolg.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Er hat einen Weg gefunden,
diese Objekte so sehen,
diese Objekte so sehen,
15:35
that's separated out these together.
312
923891
2380
der diese hier aussortiert hat.
15:38
So you get the idea here.
313
926271
2438
Sie haben jetzt einen Eindruck davon.
15:40
This is a case not where the human
is being replaced by a computer,
is being replaced by a computer,
314
928709
8197
Das ist kein Fall, wo der Mensch
von einem Computer ersetzt wird,
von einem Computer ersetzt wird,
15:48
but where they're working together.
315
936906
2640
sondern sie arbeiten zusammen.
15:51
What we're doing here is we're replacing
something that used to take a team
something that used to take a team
316
939546
3550
Wir ersetzen hier etwas, wofür man
früher ein Team von fünf oder sechs Leuten
früher ein Team von fünf oder sechs Leuten
15:55
of five or six people about seven years
317
943096
2002
7 Jahre beschäftigt hat,
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
durch etwas, das 15 Minuten
15:59
for one person acting alone.
319
947703
2505
für eine einzige Person braucht.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Dieser Vorgang braucht ungefähr
vier oder fünf Durchgänge.
vier oder fünf Durchgänge.
16:06
You can see we now have 62 percent
321
954158
1859
Wie Sie sehen, sind wir nun bei 62 %
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
korrekt klassifizierten Bildern
aus 1,5 Millionen.
aus 1,5 Millionen.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
An dieser Stelle können
wir anfangen, sehr schnell
wir anfangen, sehr schnell
16:13
grab whole big sections,
324
961448
1297
große Bereiche zu erfassen,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
und sie auf Fehler zu überprüfen.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Wenn es Fehler gibt, lassen wir
das den Computer wissen.
das den Computer wissen.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Indem wir diesen Vorgang auf jede
der einzelnen Gruppen anwenden,
der einzelnen Gruppen anwenden,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
sind wir jetzt bei
einer 80%igen Erfolgsrate
einer 80%igen Erfolgsrate
16:27
in classifying the 1.5 million images.
329
975148
2415
beim Klassifizieren der 1,5 Mio. Bilder.
16:29
And at this point, it's just a case
330
977563
2078
An diesem Punkt müssen wir nur noch
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
die kleine Zahl der
falsch klassifizierten Bilder finden
falsch klassifizierten Bilder finden
16:35
and trying to understand why.
332
983220
2888
und versuchen, die Ursache zu verstehen.
16:38
And using that approach,
333
986108
1743
Wenden wir das an,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
sind wir nach 15 Minuten
bei einer Erfolgsquote von 97 %.
bei einer Erfolgsquote von 97 %.
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
Also könnten wir mit dieser Technik
ein großes Problem beheben,
ein großes Problem beheben,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
nämlich, das Fehlen medizinischen
Fachwissens in der Welt.
Fachwissens in der Welt.
16:51
The World Economic Forum says
that there's between a 10x and a 20x
that there's between a 10x and a 20x
337
999614
3489
Laut Weltwirtschaftsforum gibt es
zwischen 10x und 20x
zwischen 10x und 20x
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
zu wenige Ärzte in Entwicklungsländern
16:57
and it would take about 300 years
339
1005727
2113
und es würde etwa 300 Jahre dauern,
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
genug Leute auszubilden,
um das Problem zu beheben.
um das Problem zu beheben.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Können Sie sich vorstellen,
dass wir ihre Effizienz
dass wir ihre Effizienz
17:05
using these deep learning approaches?
342
1013619
2839
mit diesen Deep-Learning-Ansätzen
steigern können?
steigern können?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Ich bin ganz begeistert
von den Möglichkeiten.
von den Möglichkeiten.
17:10
I'm also concerned about the problems.
344
1018690
2589
Ich mache mir auch
Sorgen über die Probleme.
Sorgen über die Probleme.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Das Problem hierbei ist,
in jedem blauen Bereich auf der Karte
in jedem blauen Bereich auf der Karte
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
machen Dienstleistungen
über 80 % der Beschäftigung aus.
über 80 % der Beschäftigung aus.
17:20
What are services?
347
1028172
1787
Was sind Dienstleistungen?
17:21
These are services.
348
1029959
1514
Das sind Dienstleistungen.
17:23
These are also the exact things that
computers have just learned how to do.
computers have just learned how to do.
349
1031473
4154
Das sind außerdem genau die Dinge,
die Computer gerade gelernt haben.
die Computer gerade gelernt haben.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Also sind 80 % der Beschäftigung
der entwickelten Welt Dinge,
der entwickelten Welt Dinge,
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
die Computer gerade gelernt haben.
17:33
What does that mean?
352
1041963
1440
Was bedeutet das?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Naja, es wird alles gut.
Andere Jobs ersetzen diese.
Andere Jobs ersetzen diese.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Zum Beispiel wird es
mehr Jobs für Informatiker geben.
mehr Jobs für Informatiker geben.
17:40
Well, not really.
355
1048693
817
Nun, nicht ganz.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Informatiker brauchen nicht lange,
diese Dinge zu bauen.
diese Dinge zu bauen.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Zum Beispiel wurden diese 4
Algorithmen vom selben Typen gebaut.
Algorithmen vom selben Typen gebaut.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Wenn Sie also denken, oh,
das ist alles nicht neu,
das ist alles nicht neu,
17:50
we've seen the results in the past
of when new things come along
of when new things come along
359
1058318
3808
wir haben in der Vergangenheit gesehen,
wenn etwas Neues kommt,
wenn etwas Neues kommt,
17:54
and they get replaced by new jobs,
360
1062126
2252
werden sie durch neue Jobs ersetzt,
17:56
what are these new jobs going to be?
361
1064378
2116
was also sind diese neuen Jobs?
17:58
It's very hard for us to estimate this,
362
1066494
1871
Das ist sehr schwer einzuschätzen,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
weil menschliche Leistung
schrittweise wächst,
schrittweise wächst,
18:03
but we now have a system, deep learning,
364
1071104
2562
aber wir haben jetzt ein System,
Deep Learning,
Deep Learning,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
das seine Leistung
nachweislich exponentiell steigert.
nachweislich exponentiell steigert.
18:08
And we're here.
366
1076893
1605
Und da sind wir.
18:10
So currently, we see the things around us
367
1078498
2061
Zurzeit sehen wir die Dinge um uns herum
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
und sagen "Computer sind
immer noch ziemlich dumm." Oder?
immer noch ziemlich dumm." Oder?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Aber in fünf Jahren werden Computer
nicht mehr Teil dieser Tabelle sein.
nicht mehr Teil dieser Tabelle sein.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Wir müssen also schon jetzt anfangen,
über diese Leistung nachzudenken.
über diese Leistung nachzudenken.
18:22
We have seen this once before, of course.
371
1090529
2050
Wir haben das natürlich schon mal gesehen.
18:24
In the Industrial Revolution,
372
1092579
1387
Die Industrielle Revolution
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
bewirkte einen Evolutionssprung
der Leistung durch Motoren.
der Leistung durch Motoren.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Aber nach einer Weile
beruhigten sich die Dinge.
beruhigten sich die Dinge.
18:32
There was social disruption,
375
1100805
1702
Es gab soziale Umbrüche,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
aber sobald die Motoren damals
zur Energiegewinnung genutzt wurden,
zur Energiegewinnung genutzt wurden,
18:37
things really settled down.
377
1105946
2354
beruhigten sich die Dinge.
18:40
The Machine Learning Revolution
378
1108300
1473
Die Revolution des Maschinellen Lernens
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
wird ganz anders
als die Industrielle Revolution,
als die Industrielle Revolution,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
weil die Revolution nie zu Ende ist.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Je besser Computer
bei intellektuellen Aktivitäten werden,
bei intellektuellen Aktivitäten werden,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
desto bessere Computer können sie bauen,
die intellektuell noch
leistungsfähiger sind,
leistungsfähiger sind,
18:54
so this is going to be a kind of change
383
1122862
1908
also wird das eine Art Wandel,
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
den die Welt nie zuvor gesehen hat,
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
sodass sich Ihr Verständnis
des Möglichen ändert.
des Möglichen ändert.
19:02
This is already impacting us.
386
1130974
1780
Das beeinflusst uns schon jetzt.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
In den letzten 25 Jahren ist
die Produktivität des Kapitals gestiegen,
die Produktivität des Kapitals gestiegen,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
aber die Produktivität der Arbeit
blieb gleich und sank sogar ein bisschen.
blieb gleich und sank sogar ein bisschen.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Deswegen will ich, dass wir
diese Diskussion jetzt führen.
diese Diskussion jetzt führen.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Wenn ich Leuten
von dieser Situation erzähle,
von dieser Situation erzähle,
19:19
people can be quite dismissive.
391
1147176
1490
sind sie oft sehr abschätzig.
19:20
Well, computers can't really think,
392
1148666
1673
Computer denken nicht wirklich,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
sie fühlen nichts,
sie verstehen Lyrik nicht,
sie verstehen Lyrik nicht,
19:25
we don't really understand how they work.
394
1153367
2521
wir verstehen nicht wirklich,
wie sie funktionieren.
wie sie funktionieren.
19:27
So what?
395
1155888
1486
Ja, und?
19:29
Computers right now can do the things
396
1157374
1804
Computer können jetzt Dinge tun,
für die Menschen ihre meiste Zeit
gegen Bezahlung aufwenden.
gegen Bezahlung aufwenden.
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
19:33
so now's the time to start thinking
398
1161897
1731
Wir sollten also jetzt überlegen,
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
wie wir unsere sozialen und
wirtschaftlichen Strukturen anpassen,
wirtschaftlichen Strukturen anpassen,
19:40
to be aware of this new reality.
400
1168015
1840
um diese neue Realität zu erkennen.
19:41
Thank you.
401
1169855
1533
Danke.
19:43
(Applause)
402
1171388
802
(Applaus)
ABOUT THE SPEAKER
Jeremy Howard - Data scientistJeremy Howard imagines how advanced machine learning can improve our lives.
Why you should listen
Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."
Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.
Jeremy Howard | Speaker | TED.com