ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy 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.

More profile about the speaker
Jeremy Howard | Speaker | TED.com
TEDxBrussels

Jeremy Howard: The wonderful and terrifying implications of computers that can learn

Jeremy Howard: Öğrenebilen bilgisayarların müthiş ve ürkütücü uygulamaları

Filmed:
2,532,971 views

Bilgisayara nasıl öğreneceğini öğretirsek ne olur? Teknoloji uzmanı Jeremy Howard; bilgisayarlara Çince öğrenme ya da resimlerdeki nesneleri tanıma ve ya tıbbi teşhisleri düşünmede yardım etme yeteneğini veren tekniğin yani derin öğrenmenin akıcı alanındaki şaşırtıcı bazı yeni gelişmeleri paylaşıyor. (Bir derin öğrenme aracı saatlerce YouTube izledikten sonra kendisine "Kedi" konseptini öğretti.) Düşündüğünüzden daha erken etrafınızdaki bilgisayarların davranışlarını değiştirecek alana kendinizi kaptırın .
- Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio

Double-click the English transcript below to play the video.

Eskiden bilgisayarınıza
00:12
It used to be that if you wanted
to get a computerbilgisayar to do something newyeni,
0
880
4013
yeni bir şeyler yaptırmak isteseniz
programlamanız gerekirdi.
00:16
you would have to programprogram it.
1
4893
1554
Şimdi, programlama; burada hiç yapmayanlar
00:18
Now, programmingprogramlama, for those of you here
that haven'tyok donetamam it yourselfkendin,
2
6447
3411
için söylüyorum, her adımı, her detayı
00:21
requiresgerektirir layingdöşeme out in excruciatingdayanılmaz bir detaildetay
3
9858
3502
bilgisayarın yapmasını istediğin
her şeyi amacına
00:25
everyher singletek stepadım that you want
the computerbilgisayar to do
4
13360
3367
ulaşman için tasarlaman gerekir.
00:28
in ordersipariş to achievebaşarmak your goalhedef.
5
16727
2362
Nasıl yapacağını bilmediğin bir şeyi
00:31
Now, if you want to do something
that you don't know how to do yourselfkendin,
6
19089
3496
yapmak istiyorsan bu çok zorlu olacak.
00:34
then this is going
to be a great challengemeydan okuma.
7
22585
2063
00:36
So this was the challengemeydan okuma facedyüzlü
by this man, ArthurArthur SamuelSamuel.
8
24648
3483
Arthur Samuel de bunu yaptı.
00:40
In 1956, he wanted to get this computerbilgisayar
9
28131
4077
1956'da bilgisayarının onu
damada yenebilmesini istiyordu.
00:44
to be ableyapabilmek to beatdövmek him at checkersDama.
10
32208
2340
00:46
How can you writeyazmak a programprogram,
11
34548
2040
Her detayıyla nasıl bir
program tasarlayarak
00:48
layyatırmak out in excruciatingdayanılmaz bir detaildetay,
how to be better than you at checkersDama?
12
36588
3806
damada senden daha iyi
olmasını sağlayabilirsin?
00:52
So he camegeldi up with an ideaFikir:
13
40394
1722
Bu soruna bir çözüm buldu:
00:54
he had the computerbilgisayar playoyun
againstkarşısında itselfkendisi thousandsbinlerce of timeszamanlar
14
42116
3724
Binlerce kez bilgisayarıyla dama oynayacak
00:57
and learnöğrenmek how to playoyun checkersDama.
15
45840
2524
ve böylece bilgisayara damayı öğrenecekti.
01:00
And indeedaslında it workedişlenmiş,
and in factgerçek, by 1962,
16
48364
3180
Bu işe yaradı ve 1962'de bilgisayar
01:03
this computerbilgisayar had beatendövülmüş
the ConnecticutConnecticut statebelirtmek, bildirmek championşampiyon.
17
51544
4017
Connecticut eyaleti şampiyonunu yendi.
01:07
So ArthurArthur SamuelSamuel was
the fatherbaba of machinemakine learningöğrenme,
18
55561
2973
Bu şekilde Arthur Samuel,
makine öğrenmenin
01:10
and I have a great debtborç to him,
19
58534
1717
fikir öncüsüydü ve ona borçluyum,
01:12
because I am a machinemakine
learningöğrenme practitioneruygulayıcı.
20
60251
2763
çünkü bir makine öğrenimi uygulayıcısıyım.
01:15
I was the presidentDevlet Başkanı of KaggleKaggle,
21
63014
1465
200 bini aşkın uygulayıcıyı
01:16
a communitytoplum of over 200,000
machinemakine learningöğrenme practictionerspractictioners.
22
64479
3388
biraraya getiren Kaggle'ın başkanıydım.
01:19
KaggleKaggle putskoyar up competitionsyarışmalar
23
67867
2058
Kaggle yarışmalar düzenleyip çözülememiş
01:21
to try and get them to solveçözmek
previouslyÖnceden unsolvedfaili meçhul problemssorunlar,
24
69925
3708
problemleri çözmeye çalışıyordu ve
01:25
and it's been successfulbaşarılı
hundredsyüzlerce of timeszamanlar.
25
73633
3837
yüzlerce kez başarılı oldular.
01:29
So from this vantageVantage pointpuan,
I was ableyapabilmek to find out
26
77470
2470
Bu açıdan bakıldığında, makine öğreniminin
01:31
a lot about what machinemakine learningöğrenme
can do in the pastgeçmiş, can do todaybugün,
27
79940
3950
geçmişte, günümüzde ve gelecekte planlanan
01:35
and what it could do in the futuregelecek.
28
83890
2362
çalışmaları hakkında çok şey öğrendim.
01:38
PerhapsBelki de the first bigbüyük successbaşarı of
machinemakine learningöğrenme commerciallyticari was GoogleGoogle.
29
86252
4423
Ticari anlamda belki de
makine öğreniminin
ilk başarısı Google'dır.
01:42
GoogleGoogle showedgösterdi that it is
possiblemümkün to find informationbilgi
30
90675
3109
Google bilgisayar algoritması ile
bilgilere erişmeyi mümkün kılar ve
01:45
by usingkullanma a computerbilgisayar algorithmalgoritma,
31
93784
1752
01:47
and this algorithmalgoritma is basedmerkezli
on machinemakine learningöğrenme.
32
95536
2901
bu algoritma makine öğrenimini temel alır.
01:50
SinceBeri that time, there have been manyçok
commercialticari successesbaşarılar of machinemakine learningöğrenme.
33
98437
3886
Bugüne kadar birçok ticari
olarak başarılı uygulaması oldu.
Amazon, Netflix gibi bir çok
01:54
CompaniesŞirketler like AmazonAmazon and NetflixNetflix
34
102323
1837
01:56
use machinemakine learningöğrenme to suggestönermek
productsÜrünler that you mightbelki like to buysatın almak,
35
104160
3716
başarılı şirket makine öğrenimini
ürünlerini ve filmlerini
01:59
moviesfilmler that you mightbelki like to watch.
36
107876
2020
satmak için kullanmışlardır.
02:01
SometimesBazen, it's almostneredeyse creepyürpertici.
37
109896
1807
Bu bazen ürkütücü olabilir.
02:03
CompaniesŞirketler like LinkedInLinkedIn and FacebookFacebook
38
111703
1954
LinkedIn ve Facebook gibi
şirketler bazen size
02:05
sometimesara sıra will tell you about
who your friendsarkadaşlar mightbelki be
39
113657
2594
tanıyor olabileceğiniz kişileri
gösterir ve siz
02:08
and you have no ideaFikir how it did it,
40
116251
1977
bunu nasıl yaptığını bilemezsiniz; işte
02:10
and this is because it's usingkullanma
the powergüç of machinemakine learningöğrenme.
41
118228
2967
bu makine öğreniminin eseridir.
02:13
These are algorithmsalgoritmalar that have
learnedbilgili how to do this from dataveri
42
121195
2957
Bu sistem, programlanmak yerine datadan
02:16
ratherdaha doğrusu than beingolmak programmedprogramlanmış by handel.
43
124152
3247
öğrenen algoritmalardan oluşur.
02:19
This is alsoAyrıca how IBMIBM was successfulbaşarılı
44
127399
2478
Bu IBM'in Watson ile Jeopardy yarışmasında
02:21
in gettingalma WatsonWatson to beatdövmek
the two worldDünya championsŞampiyonlar at "JeopardyTehlike,"
45
129877
3862
oldukça zor ve karışık soruları doğru
02:25
answeringcevap veren incrediblyinanılmaz subtleince
and complexkarmaşık questionssorular like this one.
46
133739
3225
cevaplayarak nasıl iki dünya şampiyonunu
02:28
["The ancienteski 'Lion' Aslan of Nimrud'Nimrud' wentgitti missingeksik
from this city'sşehrin nationalUlusal museummüze in 2003
(alonguzun bir with a lot of other stuffşey)"]
47
136964
2835
yenmeyi başardığını açıklar.
02:31
This is alsoAyrıca why we are now ableyapabilmek
to see the first self-drivingkendi kendine sürüş carsarabalar.
48
139799
3235
İnsansız arabalar da
bu sistem ile çalışır.
02:35
If you want to be ableyapabilmek to tell
the differencefark betweenarasında, say,
49
143034
2822
Yaya ile ağaç arasındaki farkı söylemek
02:37
a treeağaç and a pedestrianyaya,
well, that's prettygüzel importantönemli.
50
145856
2632
isterseniz buyrun, söyleyin bu çok önemli.
02:40
We don't know how to writeyazmak
those programsprogramlar by handel,
51
148488
2587
Bu programların elle nasıl yazıldığını
02:43
but with machinemakine learningöğrenme,
this is now possiblemümkün.
52
151075
2997
bilmiyoruz ama makine öğrenimi ile mümkün.
02:46
And in factgerçek, this cararaba has driventahrik
over a millionmilyon milesmil
53
154072
2608
Ve bu arabalar bir düz yolda
kaza yapmadan 1 milyon mili aştı.
02:48
withoutolmadan any accidentskazalar on regulardüzenli roadsyollar.
54
156680
3506
02:52
So we now know that computersbilgisayarlar can learnöğrenmek,
55
160196
3914
Böylece bilgisayarların,
öğrenebildiğini
ve bazen bizim yapmayı bilmediğimiz
02:56
and computersbilgisayarlar can learnöğrenmek to do things
56
164110
1900
şeyleri yapmayı öğrenebildiklerini
02:58
that we actuallyaslında sometimesara sıra
don't know how to do ourselveskendimizi,
57
166010
2838
veya bizden bunları bizden daha
03:00
or maybe can do them better than us.
58
168848
2885
iyi yapabileceklerini görüyoruz.
03:03
One of the mostçoğu amazingşaşırtıcı examplesörnekler
I've seengörüldü of machinemakine learningöğrenme
59
171733
4195
Makine öğreniminin en iyi örneklerini
Kaggle'da yürüttüğümüz bir projede gördüm:
03:07
happenedolmuş on a projectproje that I ranran at KaggleKaggle
60
175928
2392
Toronto Üniversitesi'nden Geoffrey Hinton
03:10
where a teamtakım runkoş by a guy
calleddenilen GeoffreyGeoffrey HintonHinton
61
178320
3591
03:13
from the UniversityÜniversitesi of TorontoToronto
62
181911
1552
ve ekibi otomatik uyuşturucu tespiti
03:15
wonwon a competitionyarışma for
automaticOtomatik drugilaç discoverykeşif.
63
183463
2677
alanında yarışmayı kazandı.
03:18
Now, what was extraordinaryolağanüstü here
is not just that they beatdövmek
64
186140
2847
Burada ilginç olansa;
Merck veya uluslararası akademik çevrenin
03:20
all of the algorithmsalgoritmalar developedgelişmiş by MerckMerck
or the internationalUluslararası academicakademik communitytoplum,
65
188987
4013
geliştirdiği bütün algoritmaları kimya
ve biyoloji gibi alanlarda geçmişi
03:25
but nobodykimse on the teamtakım had any backgroundarka fon
in chemistrykimya or biologyBiyoloji or life sciencesbilimler,
66
193000
5061
olmayan kişilerin algoritmayı
çözmeleri değil bunu
03:30
and they did it in two weekshaftalar.
67
198061
2169
2 haftada yapmış olmaları.
03:32
How did they do this?
68
200230
1381
Peki bunu nasıl başardılar?
03:34
They used an extraordinaryolağanüstü algorithmalgoritma
calleddenilen deepderin learningöğrenme.
69
202421
2921
Derin Öğrenme denilen olağanüstü
bir algoritma kullandılar.
03:37
So importantönemli was this that in factgerçek
the successbaşarı was coveredkapalı
70
205342
2949
Bu o kadar önemli bir başarıydı ki birkaç
03:40
in The NewYeni YorkYork TimesKez in a frontön pagesayfa
articlemakale a fewaz weekshaftalar latersonra.
71
208291
3121
hafta sonra New York Times'ın
kapağında yer aldı.
03:43
This is GeoffreyGeoffrey HintonHinton
here on the left-handsol sideyan.
72
211412
2735
Sol kenarda Geoffrey Hinton vardı.
03:46
DeepDerin learningöğrenme is an algorithmalgoritma
inspiredyaratıcı by how the humaninsan brainbeyin worksEserleri,
73
214147
4341
Derin Öğrenme, insan beyninin
çalışmasından
ilham alınarak
oluşturulmuş bir algoritmadır
03:50
and as a resultsonuç it's an algorithmalgoritma
74
218488
1812
ve kapasitesi konusunda
teorik kısıtlamalar içermez.
03:52
whichhangi has no theoreticalteorik limitationssınırlamaları
on what it can do.
75
220300
3841
Ona ne kadar çok veri ve zaman verirseniz
03:56
The more dataveri you give it and the more
computationhesaplama time you give it,
76
224141
2823
o kadar iyi sonuçlar
elde edersiniz.
03:58
the better it getsalır.
77
226964
1312
04:00
The NewYeni YorkYork TimesKez alsoAyrıca
showedgösterdi in this articlemakale
78
228276
2339
New York Times'ın haberinde derin öğrenme
04:02
anotherbir diğeri extraordinaryolağanüstü
resultsonuç of deepderin learningöğrenme
79
230615
2242
ile elde edilen
bir sonuç daha vardı;
04:04
whichhangi I'm going to showgöstermek you now.
80
232857
2712
onu da şimdi göstereceğim:
Sonuca göre:
04:07
It showsgösterileri that computersbilgisayarlar
can listen and understandanlama.
81
235569
4941
Bilgisayarlar dinleyebilir
ve anlayabilir.
04:12
(VideoVideo) RichardRichard RashidRashid: Now, the last stepadım
82
240510
2711
Richard Rashid:"Bu yöntemde
04:15
that I want to be ableyapabilmek
to take in this processsüreç
83
243221
3025
son aşamada gelebilmek
istediğim nokta
04:18
is to actuallyaslında speakkonuşmak to you in ChineseÇince.
84
246246
4715
sizinle Çince konuşmak.
04:22
Now the keyanahtar thing there is,
85
250961
2635
Olay şu ki;
bir çok Çinliden çok miktarda
04:25
we'vebiz ettik been ableyapabilmek to take a largegeniş amounttutar
of informationbilgi from manyçok ChineseÇince speakershoparlörler
86
253596
5002
bilgi alma imkanımız oldu
ve Çince bir metni alan ve
04:30
and produceüretmek a text-to-speechmetin okuma systemsistem
87
258598
2530
04:33
that takes ChineseÇince textMetin
and convertsdönüştürür it into ChineseÇince languagedil,
88
261128
4673
Çin diline çeviren yani yazıyı
konuşmaya dönüştüren
bir sistem oluşturduk.
04:37
and then we'vebiz ettik takenalınmış
an hoursaat or so of my ownkendi voiceses
89
265801
4128
Sonra konuşmamın bir saatlik kısmını aldık
04:41
and we'vebiz ettik used that to modulatemodüle
90
269929
1891
ve standart metni konuşma sistemine
04:43
the standardstandart text-to-speechmetin okuma systemsistem
so that it would soundses like me.
91
271820
4544
modüle ettik sonuç olarak
benim konuşmam gibi olmalıydı.
04:48
Again, the result'sSonuç not perfectmükemmel.
92
276364
2540
Sonuç mükemmel olmadı elbette.
04:50
There are in factgerçek quiteoldukça a fewaz errorshatalar.
93
278904
2648
Hatta bir çok hata vardı.
04:53
(In ChineseÇince)
94
281552
2484
(Çince)
04:56
(ApplauseAlkış)
95
284036
3367
(Alkışlar)
05:01
There's much work to be donetamam in this areaalan.
96
289446
3576
Bu alanda daha çok çalışılması gerekiyor.
05:05
(In ChineseÇince)
97
293022
3645
(Çince)
05:08
(ApplauseAlkış)
98
296667
3433
(Alkışlar)
05:13
JeremyJeremy HowardHoward: Well, that was at
a machinemakine learningöğrenme conferencekonferans in ChinaÇin.
99
301345
3399
Bu, Çinde makine öğrenimi konferansıydı.
05:16
It's not oftensık sık, actuallyaslında,
at academicakademik conferenceskonferanslar
100
304744
2370
Genelde akademik konferanslarda
05:19
that you do hearduymak spontaneousdoğal applausealkış,
101
307114
1897
spontane alkışlamalar olmaz ancak
05:21
althougholmasına rağmen of coursekurs sometimesara sıra
at TEDxTEDx conferenceskonferanslar, feel freeücretsiz.
102
309011
3676
TEDx konferanslarında rastlanabilir.
Burada gördüğünüz her şey
05:24
Everything you saw there
was happeningolay with deepderin learningöğrenme.
103
312687
2795
derin öğrenme ile gerçekleşiyor.
05:27
(ApplauseAlkış) Thank you.
104
315482
1525
(Alkışlar)
Teşekkürler.
05:29
The transcriptionTranskripsiyon in Englishİngilizce
was deepderin learningöğrenme.
105
317007
2282
İngilizce uyarlama derin
öğrenme ile yapıldı.
05:31
The translationçeviri to ChineseÇince and the textMetin
in the topüst right, deepderin learningöğrenme,
106
319289
3412
Çince çeviri ve sağ üstteki
metin derin öğrenmeyle,
05:34
and the constructioninşaat of the voiceses
was deepderin learningöğrenme as well.
107
322701
3307
ve yine sesin entegre edilmesi
de derin öğrenme ile yapıldı.
05:38
So deepderin learningöğrenme is
this extraordinaryolağanüstü thing.
108
326008
3234
Derin öğrenme alışılmışın dışında bir şey.
Tek bir algoritma
neredeyse
05:41
It's a singletek algorithmalgoritma that
can seemgörünmek to do almostneredeyse anything,
109
329242
3099
her şeyi yapabilecek gibi duruyor
05:44
and I discoveredkeşfedilen that a yearyıl earlierdaha erken,
it had alsoAyrıca learnedbilgili to see.
110
332341
3111
ve geçen sene öğrendim ki
görmeyi de öğrenmiş.
Almanya'da Alman Trafik
İşaretleri Karşılaştırması
05:47
In this obscurekaranlık competitionyarışma from GermanyAlmanya
111
335452
2176
05:49
calleddenilen the GermanAlmanca TrafficRating Signİşareti
RecognitionTanıma BenchmarkKıyaslama,
112
337628
2597
olarak adlandırılan yarışmada
05:52
deepderin learningöğrenme had learnedbilgili
to recognizetanımak traffictrafik signsişaretler like this one.
113
340225
3393
derin öğrenme bu gibi
işaretleri algılamayı öğrendi.
05:55
Not only could it
recognizetanımak the traffictrafik signsişaretler
114
343618
2094
Diğer algoritmalardan daha iyi algılamakla
05:57
better than any other algorithmalgoritma,
115
345712
1758
kalmayıp, yarışmanın
sıralamasına bakıldığında
05:59
the leaderboardLider Tablosu actuallyaslında showedgösterdi
it was better than people,
116
347470
2719
insanlardan da daha iyi tanıdı;
06:02
about twiceiki defa as good as people.
117
350189
1852
hatta iki katı daha fazla.
06:04
So by 2011, we had the first exampleörnek
118
352041
1996
2011 yılında, bilgisayarların insanlardan
06:06
of computersbilgisayarlar that can see
better than people.
119
354037
3405
daha iyi görebildiğini anladık.
06:09
SinceBeri that time, a lot has happenedolmuş.
120
357442
2049
O zamandan beri sayısız çalışma yapıldı.
06:11
In 2012, GoogleGoogle announcedaçıkladı that
they had a deepderin learningöğrenme algorithmalgoritma
121
359491
3514
2012'de Google; Youtube
videolarını izleyen
ve aylık 16.000 bilgisayardaki
veriyi sıkıştırabilen
06:15
watch YouTubeYouTube videosvideolar
122
363005
1415
06:16
and cruncheddarlığı the dataveri
on 16,000 computersbilgisayarlar for a monthay,
123
364420
3437
derin öğrenme algoritmaları
olduğunu açıkladı.
06:19
and the computerbilgisayar independentlybağımsız olarak learnedbilgili
about conceptskavramlar suchböyle as people and catskediler
124
367857
4361
Ayrıca bilgisayarlar
ayrı ayrı insan ve kedi
gibi konseptleri izleyerek öğrendi.
06:24
just by watchingseyretme the videosvideolar.
125
372218
1809
06:26
This is much like the way
that humansinsanlar learnöğrenmek.
126
374027
2352
Bu insanların öğrenmesine benziyor.
06:28
Humansİnsanlar don't learnöğrenmek
by beingolmak told what they see,
127
376379
2740
İnsanlar gördüklerinin
anlatılmasıyla değil
06:31
but by learningöğrenme for themselveskendilerini
what these things are.
128
379119
3331
kendileri başlarına öğrenirler.
06:34
AlsoAyrıca in 2012, GeoffreyGeoffrey HintonHinton,
who we saw earlierdaha erken,
129
382450
3369
Yine 2012'de az önce
gördüğümüz Geoffrey Hinton
06:37
wonwon the very popularpopüler ImageNetImageNet competitionyarışma,
130
385819
2858
1.5 milyon fotoğrafa
bakarak neyin fotoğrafları
06:40
looking to try to figureşekil out
from one and a halfyarım millionmilyon imagesGörüntüler
131
388677
4141
olduğunu çözmeye çalışarak
popüler olan ImageNet yarışmasını kazandı.
06:44
what they're picturesresimler of.
132
392818
1438
06:46
As of 2014, we're now down
to a sixaltı percentyüzde errorhata rateoran
133
394256
3533
2014 yılında görüntü tanımada
%6 lık hata payına düştük.
06:49
in imagegörüntü recognitiontanıma.
134
397789
1453
Bu da insanlardan daha iyi.
06:51
This is better than people, again.
135
399242
2026
06:53
So machinesmakineler really are doing
an extraordinarilyolağanüstü good job of this,
136
401268
3769
Makinalar gerçekten bu alanda
harika işler yapıyor
ve artık endüstride de kullanılıyor.
06:57
and it is now beingolmak used in industrysanayi.
137
405037
2269
Mesela Google, geçen yıl Fransa'daki
06:59
For exampleörnek, GoogleGoogle announcedaçıkladı last yearyıl
138
407306
3042
her bir konumu 2 saatte haritada
07:02
that they had mappedeşlenen everyher singletek
locationyer in FranceFransa in two hourssaatler,
139
410348
4585
işaretlediğini duyurdu ve
cadde numaralarını okumak ve tanımlamak
07:06
and the way they did it was
that they fedfederasyon streetsokak viewgörünüm imagesGörüntüler
140
414933
3447
için cadde görüntülerini
07:10
into a deepderin learningöğrenme algorithmalgoritma
to recognizetanımak and readokumak streetsokak numberssayılar.
141
418380
4319
bir derin öğrenme
algoritmasında kullandılar.
Bunun önceleri ne kadar sürdüğünü düşünün:
07:14
ImagineHayal how long
it would have takenalınmış before:
142
422699
2220
binlerce insan, bir çok yıl.
07:16
dozensonlarca of people, manyçok yearsyıl.
143
424919
3355
07:20
This is alsoAyrıca happeningolay in ChinaÇin.
144
428274
1911
Bu Çin'de de oldu.
Baidu bir çeşit Çin'in Google'ı, sanırım,
07:22
BaiduBaidu is kindtür of
the ChineseÇince GoogleGoogle, I guesstahmin,
145
430185
4036
07:26
and what you see here in the topüst left
146
434221
2283
sol üst köşede gördüğünüz Baidu'nun
07:28
is an exampleörnek of a pictureresim that I uploadedyüklenen
to Baidu'sBaidu deepderin learningöğrenme systemsistem,
147
436504
3974
derin öğrenme sistemine
yüklediğim görüntünün örneği
07:32
and underneathaltında you can see that the systemsistem
has understoodanladım what that pictureresim is
148
440478
3769
ve arkaplanda ise sistemin görüntüyü
tanımlayıp benzerlerini
bulduğunu görebilirsiniz.
07:36
and foundbulunan similarbenzer imagesGörüntüler.
149
444247
2236
07:38
The similarbenzer imagesGörüntüler actuallyaslında
have similarbenzer backgroundsarka,
150
446483
2736
Benzer resimler gerçekten de
benzer arka planlara,
benzer yüz açılarına sahip
07:41
similarbenzer directionstalimatlar of the facesyüzleri,
151
449219
1658
07:42
even some with theironların tonguedil out.
152
450877
1788
hatta bazılarında dilleri dışarıda.
07:44
This is not clearlyAçıkça looking
at the textMetin of a web pagesayfa.
153
452665
3030
Tam olarak web sayfasının
metnine bakmak gibi değil.
07:47
All I uploadedyüklenen was an imagegörüntü.
154
455695
1412
Tek yaptığım resim yüklemekti.
07:49
So we now have computersbilgisayarlar whichhangi
really understandanlama what they see
155
457107
4021
O halde gördüklerini anlayabilen ve
bu sayede gerçek zamanlı olarak yüz
07:53
and can thereforebu nedenle searcharama databasesveritabanları
156
461128
1624
milyonlarca görüntüyü veritabanlarında
07:54
of hundredsyüzlerce of millionsmilyonlarca
of imagesGörüntüler in realgerçek time.
157
462752
3554
arayabilen bilgisayarlar var.
07:58
So what does it mean
now that computersbilgisayarlar can see?
158
466306
3230
Peki bilgisayarların görmesi
ne anlama geliyor?
Sadece görebilmesini sağlamak değil
08:01
Well, it's not just
that computersbilgisayarlar can see.
159
469536
2017
aslında derin öğrenme
bundan daha fazlasını yaptı.
08:03
In factgerçek, deepderin learningöğrenme
has donetamam more than that.
160
471553
2069
08:05
ComplexKarmaşık, nuancednüanslı sentencescümleler like this one
161
473622
2948
Bu gibi karmaşık ve incelikli cümleler
08:08
are now understandableanlaşılabilir
with deepderin learningöğrenme algorithmsalgoritmalar.
162
476570
2824
artık derin öğrenme
algoritmalarıyla anlaşılabilir.
08:11
As you can see here,
163
479394
1303
Gördüğünüz üzere;
08:12
this Stanford-basedStanford tabanlı systemsistem
showinggösterme the redkırmızı dotnokta at the topüst
164
480697
2768
Stanford-tabanlı sistem, üstteki kırmızı
08:15
has figuredanladım out that this sentencecümle
is expressingifade eden negativenegatif sentimentduyguları.
165
483465
3919
noktanın negatif bir
his ifade ettiğini anlıyor.
08:19
DeepDerin learningöğrenme now in factgerçek
is nearyakın humaninsan performanceperformans
166
487384
3406
Derin öğrenme hatta
cümlelerin ne hakkında olduğunu
08:22
at understandinganlayış what sentencescümleler are about
and what it is sayingsöz about those things.
167
490802
5121
ve anlamlarını anlamada insan
performansına yaklaşmış durumda.
Aynı zamanda derin öğrenme Çin
08:27
AlsoAyrıca, deepderin learningöğrenme has
been used to readokumak ChineseÇince,
168
495923
2728
anadil seviyesinde Çince
okumada da kullanıldı.
08:30
again at about nativeyerli
ChineseÇince speakerkonuşmacı levelseviye.
169
498651
3156
08:33
This algorithmalgoritma developedgelişmiş
out of Switzerlandİsviçre
170
501807
2168
Bu algoritma Çince konuşamayan ve
08:35
by people, noneYok of whomkime speakkonuşmak
or understandanlama any ChineseÇince.
171
503975
3356
anlamayan insanlar
tarafından İsviçre'de geliştirildi.
08:39
As I say, usingkullanma deepderin learningöğrenme
172
507331
2051
Bahsettiğim gibi derin
öğrenme kullanma bu işte
08:41
is about the besten iyi systemsistem
in the worldDünya for this,
173
509382
2219
dünyadaki en iyi sistem yerel insanların
08:43
even comparedkarşılaştırıldığında to nativeyerli
humaninsan understandinganlayış.
174
511601
5117
anlama performansına göre bile.
08:48
This is a systemsistem that we
put togetherbirlikte at my companyşirket
175
516718
2964
Bu sistem şirketimde oluşturuldu
08:51
whichhangi showsgösterileri puttingkoyarak
all this stuffşey togetherbirlikte.
176
519682
2046
ve bu tarz şeyleri bir arada
toplamayı gösteriyor.
08:53
These are picturesresimler whichhangi
have no textMetin attachedekli,
177
521728
2461
Bu resimlere eklenmiş metin yok ve
08:56
and as I'm typingyazarak in here sentencescümleler,
178
524189
2352
ben buraya cümle yazarken gerçek
08:58
in realgerçek time it's understandinganlayış
these picturesresimler
179
526541
2969
zamanlı olarak resimleri algılıyor,
09:01
and figuringendam out what they're about
180
529510
1679
ne hakkında olduklarını çözüyor ve
09:03
and findingbulgu picturesresimler that are similarbenzer
to the textMetin that I'm writingyazı.
181
531189
3163
yazdığım metne benzer resimleri buluyor.
09:06
So you can see, it's actuallyaslında
understandinganlayış my sentencescümleler
182
534352
2756
Görüyorsunuz, bu aslında
cümlelerimi anlama
09:09
and actuallyaslında understandinganlayış these picturesresimler.
183
537108
2224
ve bu resimleri anlama.
09:11
I know that you've seengörüldü
something like this on GoogleGoogle,
184
539332
2559
Benzerini Google'da
gördüğünüzü düşünüyorum;
09:13
where you can typetip in things
and it will showgöstermek you picturesresimler,
185
541891
2775
bir şeyleri yazarken size
resimler gösterir ama
09:16
but actuallyaslında what it's doing is it's
searchingArama the webpageWeb sayfası for the textMetin.
186
544666
3424
asıl yaptığı web sayfalarında
yazdıklarınızı aramaktır.
09:20
This is very differentfarklı from actuallyaslında
understandinganlayış the imagesGörüntüler.
187
548090
3001
Bu aslında resimleri anlamaktan
oldukça farklı.
09:23
This is something that computersbilgisayarlar
have only been ableyapabilmek to do
188
551091
2752
Bu son bir kaç ayda ilk kez
09:25
for the first time in the last fewaz monthsay.
189
553843
3248
bilgisayarların yapabildiği bir şey.
09:29
So we can see now that computersbilgisayarlar
can not only see but they can alsoAyrıca readokumak,
190
557091
4091
O halde görüyoruz ki bilgisayarlar
görebilmekle kalmıyor aynı zamanda
09:33
and, of coursekurs, we'vebiz ettik showngösterilen that they
can understandanlama what they hearduymak.
191
561182
3765
okuyabiliyor ve zaten duyduklarını
anlayabildiklerini de göstermiştik.
09:36
PerhapsBelki de not surprisingşaşırtıcı now that
I'm going to tell you they can writeyazmak.
192
564947
3442
Belki yazabildiklerini söylesem
artık şaşırtıcı gelmez.
09:40
Here is some textMetin that I generatedoluşturulan
usingkullanma a deepderin learningöğrenme algorithmalgoritma yesterdaydün.
193
568389
4783
İşte burada dün derin
öğrenme algoritmasıyla
oluşturduğum metin.
09:45
And here is some textMetin that an algorithmalgoritma
out of StanfordStanford generatedoluşturulan.
194
573172
3924
Ve burada algoritma tarafından
geliştirilen metinler var.
09:49
EachHer of these sentencescümleler was generatedoluşturulan
195
577096
1764
Bu cümlelerin her biri
resimleri tanımlamak
09:50
by a deepderin learningöğrenme algorithmalgoritma
to describetanımlamak eachher of those picturesresimler.
196
578860
4249
için derin öğrenme
algoritmasıyla geliştirildi .
Algoritma daha önce siyah tişörtlü
09:55
This algorithmalgoritma before has never seengörüldü
a man in a blacksiyah shirtgömlek playingoynama a guitargitar.
197
583109
4472
gitar çalan birini hiç görmemişti.
Önceden adamı görmüştü, siyahi görmüştü,
09:59
It's seengörüldü a man before,
it's seengörüldü blacksiyah before,
198
587581
2220
10:01
it's seengörüldü a guitargitar before,
199
589801
1599
gitarı görmüştü ama bu resmin roman
10:03
but it has independentlybağımsız olarak generatedoluşturulan
this novelyeni descriptionaçıklama of this pictureresim.
200
591400
4294
tasvirini ayrı olarak yaptı.
10:07
We're still not quiteoldukça at humaninsan
performanceperformans here, but we're closekapat.
201
595694
3502
Hala tam olarak insan performansında
değiliz ama yakınız.
10:11
In teststestler, humansinsanlar prefertercih etmek
the computer-generatedbilgisayar tarafından oluşturulan captionresim yazısı
202
599196
4068
Testlerde 1/4 oranında
insanlar, bilgisayar
tarafından oluşturulan yazıları seçiyor.
10:15
one out of fourdört timeszamanlar.
203
603264
1527
Bu sistem şuan sadece 2 haftalık
10:16
Now this systemsistem is now only two weekshaftalar oldeski,
204
604791
2064
ama muhtemelen gelecek yıl içerisinde
10:18
so probablymuhtemelen withiniçinde the nextSonraki yearyıl,
205
606855
1846
10:20
the computerbilgisayar algorithmalgoritma will be
well pastgeçmiş humaninsan performanceperformans
206
608701
2801
bu oranlarda devam ederse
algoritma insan performansını
10:23
at the rateoran things are going.
207
611502
1862
hayli geçmiş olacak.
10:25
So computersbilgisayarlar can alsoAyrıca writeyazmak.
208
613364
3049
Yani bilgisayarlar yazabiliyor da.
10:28
So we put all this togetherbirlikte and it leadspotansiyel müşteriler
to very excitingheyecan verici opportunitiesfırsatlar.
209
616413
3475
Tüm bunları birleştirdik
ve durum heyecan verici fırsatlar yarattı.
10:31
For exampleörnek, in medicinetıp,
210
619888
1492
Örneğin; sağlık alanında
Boston'da bir takım,
10:33
a teamtakım in BostonBoston announcedaçıkladı
that they had discoveredkeşfedilen
211
621380
2525
doktorların kanser teşhisine yardımcı
10:35
dozensonlarca of newyeni clinicallyklinik olarak relevantuygun featuresÖzellikler
212
623905
2949
düzinelerce kliniksel
olarak ilişkili tümör
10:38
of tumorstümörler whichhangi help doctorsdoktorlar
make a prognosisprognoz of a cancerkanser.
213
626854
4266
özellikleri keşfettiklerini duyurdu.
Benzer olarak Stanford' da
10:44
Very similarlybenzer şekilde, in StanfordStanford,
214
632220
2296
büyüme altındaki dokulara bakan bir grup;
10:46
a groupgrup there announcedaçıkladı that,
looking at tissuesdokular underaltında magnificationbüyütme,
215
634516
3663
kanser hastalarının sağkalım
oranlarını ölçmede
10:50
they'veonlar ettik developedgelişmiş
a machinemakine learning-basedöğrenme tabanlı systemsistem
216
638179
2381
patoloji uzmanlarından daha iyi olan,
10:52
whichhangi in factgerçek is better
than humaninsan pathologistspatolog
217
640560
2582
makine öğrenmesine dayalı
bir sistem geliştirdi.
10:55
at predictingtahmin survivalhayatta kalma ratesoranları
for cancerkanser sufferersolanlar.
218
643142
4377
Bu iki durumda da tahminlerin daha
10:59
In bothher ikisi de of these casesvakalar, not only
were the predictionstahminler more accuratedoğru,
219
647519
3245
hatasız olmasının yanı sıra kavrama
11:02
but they generatedoluşturulan newyeni insightfulanlayışlı scienceBilim.
220
650764
2502
açısından güçlü yeni
bir bilim geliştirdiler.
11:05
In the radiologyRadyoloji casedurum,
221
653276
1505
Radyoloji vakasındakiler insanların
11:06
they were newyeni clinicalklinik indicatorsgöstergeler
that humansinsanlar can understandanlama.
222
654781
3095
anlayabileceği yeni
kliniksel indikatörlerdi.
11:09
In this pathologypatoloji casedurum,
223
657876
1792
Patoloji vakasında ise bilgisayar,
11:11
the computerbilgisayar systemsistem actuallyaslında discoveredkeşfedilen
that the cellshücreler around the cancerkanser
224
659668
4500
tanı yapılırken kanser
etrafındaki hücrelerin kanser
hücreleri kadar önemli olduğunu keşfetti.
11:16
are as importantönemli as
the cancerkanser cellshücreler themselveskendilerini
225
664168
3340
11:19
in makingyapma a diagnosisTanı.
226
667508
1752
11:21
This is the oppositekarşısında of what pathologistspatolog
had been taughtöğretilen for decadeson yıllar.
227
669260
5361
Bu patoloji uzmanlarına onlarca
yıldır öğretilenlerin tam tersi.
11:26
In eachher of those two casesvakalar,
they were systemssistemler developedgelişmiş
228
674621
3292
Bu iki vakada da tıp uzmanları ve
makine öğrenmesi uzmanlarının
11:29
by a combinationkombinasyon of medicaltıbbi expertsuzmanlar
and machinemakine learningöğrenme expertsuzmanlar,
229
677913
3621
birleşip geliştirdiği bir sistemdi
11:33
but as of last yearyıl,
we're now beyondötesinde that too.
230
681534
2741
ancak geçen yıl bunu da geçtik.
11:36
This is an exampleörnek of
identifyingtanımlama cancerouskanserli areasalanlar
231
684275
3549
Bu örnek mikroskop altındaki insan
dokusunun kanserli bölgelerini
tanımlamak üzerine.
11:39
of humaninsan tissuedoku underaltında a microscopemikroskop.
232
687824
2530
11:42
The systemsistem beingolmak showngösterilen here
can identifybelirlemek those areasalanlar more accuratelytam olarak,
233
690354
4613
Burada gösterilen sistem bu alanları daha
isabetli olarak belirleyebiliyor,
11:46
or about as accuratelytam olarak,
as humaninsan pathologistspatolog,
234
694967
2775
ya da en az patoloji uzmanı kadar
11:49
but was builtinşa edilmiş entirelyBaştan sona with deepderin learningöğrenme
usingkullanma no medicaltıbbi expertiseUzmanlık
235
697742
3392
ama tümüyle derin öğrenme kullanılarak ve
herhangi bir tıp geçmişi olmayan
11:53
by people who have
no backgroundarka fon in the fieldalan.
236
701134
2526
insanlar tarafından geliştirildi.
Benzer olarak nöron segmentasyonu da.
11:56
SimilarlyBenzer şekilde, here, this neuronnöron segmentationsegmantasyon.
237
704730
2555
11:59
We can now segmentbölüm neuronsnöronlar
about as accuratelytam olarak as humansinsanlar can,
238
707285
3668
Şu an nöronları insanlar kadar
isabetli segmentleyebiliyoruz
ki bu sistem derin öğrenme
12:02
but this systemsistem was developedgelişmiş
with deepderin learningöğrenme
239
710953
2717
kullanılarak hiç bir tıbbi geçmişi
12:05
usingkullanma people with no previousönceki
backgroundarka fon in medicinetıp.
240
713670
3251
olmayan kişiler tarafından geliştirildi.
12:08
So myselfkendim, as somebodybirisi with
no previousönceki backgroundarka fon in medicinetıp,
241
716921
3227
Aynı şekilde ben de, hiç bir tıbbi geçmişim
olmadığı halde medikal alanında
12:12
I seemgörünmek to be entirelyBaştan sona well qualifiednitelikli
to startbaşlama a newyeni medicaltıbbi companyşirket,
242
720148
3727
yeni bir şirket açabilirim ki açtım da.
12:15
whichhangi I did.
243
723875
2146
Şirketi açma konusunda
biraz korkmuştum ama
12:18
I was kindtür of terrifieddehşete of doing it,
244
726021
1740
12:19
but the theoryteori seemedgibiydi to suggestönermek
that it oughtgerektiğini to be possiblemümkün
245
727761
2889
teoride bu veri analiz
tekniklerini kullanarak
12:22
to do very usefulişe yarar medicinetıp
usingkullanma just these dataveri analyticanalitik techniquesteknikleri.
246
730650
5492
yararlı ilaçlar yapmak mümkün görünüyordu.
Neyse ki geri dönüşler harikaydı
12:28
And thankfullyneyse ki, the feedbackgeri bildirim
has been fantasticfantastik,
247
736142
2480
sadece medya değil tıp çevresinde de
12:30
not just from the mediamedya
but from the medicaltıbbi communitytoplum,
248
738622
2356
ki aynı zamanda çok da destekleyicilerdi.
12:32
who have been very supportivedestekleyici.
249
740978
2344
Teoride, medikal sürecin
orta bölümünü alıp
12:35
The theoryteori is that we can take
the middleorta partBölüm of the medicaltıbbi processsüreç
250
743322
4149
mümkün olduğunca veri analizine çevirerek
12:39
and turndönüş that into dataveri analysisanaliz
as much as possiblemümkün,
251
747471
2893
doktorları en iyi oldukları
alana yoğunlaştırabiliriz.
12:42
leavingayrılma doctorsdoktorlar to do
what they're besten iyi at.
252
750364
3065
Bir örnek vermek istiyorum.
12:45
I want to give you an exampleörnek.
253
753429
1602
Yeni bir tıbbi teşhis testini
12:47
It now takes us about 15 minutesdakika
to generateüretmek a newyeni medicaltıbbi diagnosticArıza tespit testÖlçek
254
755031
4944
üretmek 15 dakikamızı alır
12:51
and I'll showgöstermek you that in realgerçek time now,
255
759975
1954
ve gerçek zamanlı olarak da göstereceğim
12:53
but I've compressedsıkıştırılmış it down to
threeüç minutesdakika by cuttingkesim some piecesparçalar out.
256
761929
3487
ama bazı parçalarını keserek
süreci 3 dakikaya indirdim.
12:57
RatherDaha doğrusu than showinggösterme you
creatingoluşturma a medicaltıbbi diagnosticArıza tespit testÖlçek,
257
765416
3061
Tıbbi teşhis testini oluşturmayı
göstermek yerine
13:00
I'm going to showgöstermek you
a diagnosticArıza tespit testÖlçek of cararaba imagesGörüntüler,
258
768477
3369
daha anlaşılır olduğu için
araba görüntülerini tanımlama
testini göstereceğim.
13:03
because that's something
we can all understandanlama.
259
771846
2222
Yaklaşık 1.5 milyon araba
resmiyle başlıyoruz ve
13:06
So here we're startingbaşlangıç with
about 1.5 millionmilyon cararaba imagesGörüntüler,
260
774068
3201
çekildikleri açılara göre onları
13:09
and I want to createyaratmak something
that can splitBölünmüş them into the angleaçı
261
777269
3206
ayırabilecek bir şey yaratmak istiyorum.
13:12
of the photoFotoğraf that's beingolmak takenalınmış.
262
780475
2223
Bütün resimler etiketsiz bu yüzden
13:14
So these imagesGörüntüler are entirelyBaştan sona unlabeledetiketlenmemiş,
so I have to startbaşlama from scratchçizik.
263
782698
3888
sıfırdan başlamak zorundayım.
13:18
With our deepderin learningöğrenme algorithmalgoritma,
264
786586
1865
Derin öğrenme algoritmamızla resimlerdeki
13:20
it can automaticallyotomatik olarak identifybelirlemek
areasalanlar of structureyapı in these imagesGörüntüler.
265
788451
3707
yapıların alanlarını otomatik
olarak algılayabilir.
13:24
So the niceGüzel thing is that the humaninsan
and the computerbilgisayar can now work togetherbirlikte.
266
792158
3620
Güzel olan, şu andan itibaren
insan ile bilgisayar
artık ortak çalışabilir.
13:27
So the humaninsan, as you can see here,
267
795778
2178
Gördüğünüz gibi insan burada bilgisayara;
13:29
is tellingsöylüyorum the computerbilgisayar
about areasalanlar of interestfaiz
268
797956
2675
daha sonra deneyip, algoritmasını
13:32
whichhangi it wants the computerbilgisayar then
to try and use to improveiyileştirmek its algorithmalgoritma.
269
800631
4650
geliştirmede kullanması için
ilgi alanlarını söylüyor.
Bu derin öğrenme sistemleri
13:37
Now, these deepderin learningöğrenme systemssistemler actuallyaslında
are in 16,000-dimensional-boyutlu spaceuzay,
270
805281
4296
aslında 16.000 boyutlu uzay
ve gördüğünüz gibi
bilgisayar burada
13:41
so you can see here the computerbilgisayar
rotatingdöndürme this throughvasitasiyla that spaceuzay,
271
809577
3432
uzay boyunca döndürüp yeni yapı
13:45
tryingçalışıyor to find newyeni areasalanlar of structureyapı.
272
813009
1992
alanları bulmaya çalışıyor.
13:47
And when it does so successfullybaşarılı olarak,
273
815001
1781
Başarıyla yapınca da daha sonra bunu süren
13:48
the humaninsan who is drivingsürme it can then
pointpuan out the areasalanlar that are interestingilginç.
274
816782
4004
kişi ilgi çekici olan alanları gösteriyor.
13:52
So here, the computerbilgisayar has
successfullybaşarılı olarak foundbulunan areasalanlar,
275
820786
2422
Ve burada bilgisayar başarılı
bir şekilde alanları buldu.
13:55
for exampleörnek, anglesaçılar.
276
823208
2562
Örneğin: Açılar.
13:57
So as we go throughvasitasiyla this processsüreç,
277
825770
1606
Bu süreç devam ederken,
13:59
we're graduallykademeli olarak tellingsöylüyorum
the computerbilgisayar more and more
278
827376
2340
bilgisayara aradığımız yapı türlerini
14:01
about the kindsçeşit of structuresyapıları
we're looking for.
279
829716
2428
adım adım söylüyoruz.
Teşhis testinde pataloji uzmanının
14:04
You can imaginehayal etmek in a diagnosticArıza tespit testÖlçek
280
832144
1772
14:05
this would be a pathologistpatolog identifyingtanımlama
areasalanlar of pathosispathosis, for exampleörnek,
281
833916
3350
patoz alanlarını tanımlaması
gibi düşünebilirsin
14:09
or a radiologistradyolog indicatingbelirten
potentiallypotansiyel troublesomezahmetli nodulesnodüller.
282
837266
5026
ya da örneğin radyolojistin sıkıntı
yaratabilecek nodülleri göstermesi gibi.
Bazen algoritma için sıkıntılı olabilir.
14:14
And sometimesara sıra it can be
difficultzor for the algorithmalgoritma.
283
842292
2559
14:16
In this casedurum, it got kindtür of confusedŞaşkın.
284
844851
1964
Bu vaka da biraz kafası karışmış.
14:18
The frontscepheler and the backsyedekler
of the carsarabalar are all mixedkarışık up.
285
846815
2550
Arabaların önleri ve
arkaları karmakarışık.
14:21
So here we have to be a bitbit more carefuldikkatli,
286
849365
2072
Burada biraz daha dikkatli olmalıyız,
14:23
manuallyel ile selectingSeçme these frontscepheler
as opposedkarşıt to the backsyedekler,
287
851437
3232
arkalara karşılık önleri elle seçmekte ve
daha sonra bunun ilgilendiğimiz tipte
14:26
then tellingsöylüyorum the computerbilgisayar
that this is a typetip of groupgrup
288
854669
5506
bir grup olduğunu söylemekte.
14:32
that we're interestedilgili in.
289
860175
1348
14:33
So we do that for a while,
we skipatlamak over a little bitbit,
290
861523
2677
Bunu biraz yapıyoruz,
biraz atlıyoruz bunu,
sonra makine öğrenmesi algoritmasını
14:36
and then we traintren the
machinemakine learningöğrenme algorithmalgoritma
291
864200
2246
bu yüzlerce kadar olan
14:38
basedmerkezli on these coupleçift of hundredyüz things,
292
866446
1974
şeylere dayanarak eğitiyoruz
14:40
and we hopeumut that it's gottenkazanılmış a lot better.
293
868420
2025
ve daha iyi olmasını ümit ediyoruz.
14:42
You can see, it's now startedbaşladı to fadekarartmak
some of these picturesresimler out,
294
870445
3073
Bazı resimlerin solmaya
başladığını görebilirsiniz
14:45
showinggösterme us that it alreadyzaten is recognizingtanıyan
how to understandanlama some of these itselfkendisi.
295
873518
4708
ve bize bazılarını kendisinin önceden
nasıl anlaması gerektiğini
farkettiğini gösteriyor.
14:50
We can then use this conceptkavram
of similarbenzer imagesGörüntüler,
296
878226
2902
Bu benzer resimler
konseptini kullanabiliriz
14:53
and usingkullanma similarbenzer imagesGörüntüler, you can now see,
297
881128
2094
ve benzer resimleri
kullanarak bilgisayarın
14:55
the computerbilgisayar at this pointpuan is ableyapabilmek to
entirelyBaştan sona find just the frontscepheler of carsarabalar.
298
883222
4019
bu noktada arabaların sadece
önlerini bulabildiğini görebilirsiniz.
14:59
So at this pointpuan, the humaninsan
can tell the computerbilgisayar,
299
887241
2948
Bu aşamada bilgisayar insana:
"Tamam, peki, iyi iş çıkardın." diyebilir.
15:02
okay, yes, you've donetamam
a good job of that.
300
890189
2293
Bazen, elbette, bu noktada bile
15:05
SometimesBazen, of coursekurs, even at this pointpuan
301
893652
2185
grupların arasından seçmek zor.
15:07
it's still difficultzor
to separateayrı out groupsgruplar.
302
895837
3674
Bu durumda, bilgisayarın
biraz çevirmesine izin
15:11
In this casedurum, even after we let the
computerbilgisayar try to rotatedöndürmek this for a while,
303
899511
3884
verdikten sonra bile sağ ve sol taraftaki
15:15
we still find that the left sidestaraf
and the right sidestaraf picturesresimler
304
903399
3345
resimlerin karmakarışık
olarak bulabiliriz.
15:18
are all mixedkarışık up togetherbirlikte.
305
906744
1478
Yine bilgisayara bir takım
ipuçları verebiliriz,
15:20
So we can again give
the computerbilgisayar some hintsİpuçları,
306
908222
2140
15:22
and we say, okay, try and find
a projectionprojeksiyon that separatesayıran out
307
910362
2976
ve diyebiliriz ki :"Tamam, derin
öğrenme algoritmasını
15:25
the left sidestaraf and the right sidestaraf
as much as possiblemümkün
308
913338
2607
kullanarak sağ ve sol tarafları mümkün
olduğunca ayırabilecek
bir projeksiyon bulmaya çalış. "
15:27
usingkullanma this deepderin learningöğrenme algorithmalgoritma.
309
915945
2122
15:30
And givingvererek it that hintipucu --
ahAh, okay, it's been successfulbaşarılı.
310
918067
2942
Ve ipucunu verince başarılı oldu.
Objeleri birbirinden
ayırabilmek için gereken
15:33
It's managedyönetilen to find a way
of thinkingdüşünme about these objectsnesneleri
311
921009
2882
düşünme şeklini birlikte bulabildiler.
15:35
that's separatedayrıldı out these togetherbirlikte.
312
923891
2380
Yani buradaki fikri anladınız.
15:38
So you get the ideaFikir here.
313
926271
2438
15:40
This is a casedurum not where the humaninsan
is beingolmak replaceddeğiştirilir by a computerbilgisayar,
314
928709
8197
Buradaki durum; insanın
yerine bilgisayarın geçmesi
değil birlikte çalışmaları.
15:48
but where they're workingçalışma togetherbirlikte.
315
936906
2640
Burada yaptığımız ise; 6 ya da 7 kişilik
15:51
What we're doing here is we're replacingyerine
something that used to take a teamtakım
316
939546
3550
bir takımın yaklaşık 7
senede yapacağı bir şeyi,
15:55
of fivebeş or sixaltı people about sevenYedi yearsyıl
317
943096
2002
bir kişinin yaklaşık 15 dakikada
15:57
and replacingyerine it with something
that takes 15 minutesdakika
318
945098
2605
yapacağı bir şeyle değiştirmek.
15:59
for one personkişi actingoyunculuk aloneyalnız.
319
947703
2505
Bu süreç yaklaşık 4 ya da
5 yineleme içeriyor.
16:02
So this processsüreç takes about
fourdört or fivebeş iterationsyineleme.
320
950208
3950
Gördüğünüz gibi şuan 1.5 milyon resmimizin
16:06
You can see we now have 62 percentyüzde
321
954158
1859
16:08
of our 1.5 millionmilyon imagesGörüntüler
classifiedgizli bilgi correctlydoğru şekilde.
322
956017
2959
%62 si doğru bir şekilde sınıflandırıldı.
Gelinen noktada, oldukça kolay bir şekilde
16:10
And at this pointpuan, we
can startbaşlama to quiteoldukça quicklyhızlı bir şekilde
323
958976
2472
büyük bölümleri alıp hata olmadığına
16:13
grabkapmak wholebütün bigbüyük sectionsbölümler,
324
961448
1297
16:14
checkKontrol throughvasitasiyla them to make sure
that there's no mistakeshatalar.
325
962745
2919
emin olmak için kontrol edebiliriz.
Hata olan yerlerde ise
bilgisayara bildirebiliriz.
16:17
Where there are mistakeshatalar, we can
let the computerbilgisayar know about them.
326
965664
3952
Her farklı grup için bu tür
bir süreç kullanarak
16:21
And usingkullanma this kindtür of processsüreç
for eachher of the differentfarklı groupsgruplar,
327
969616
3045
1.5 milyon görüntüyü sınıflandırmada
16:24
we are now up to
an 80 percentyüzde successbaşarı rateoran
328
972661
2487
%80 başarı yüzdesine çıktık.
16:27
in classifyingsınıflandırma the 1.5 millionmilyon imagesGörüntüler.
329
975148
2415
16:29
And at this pointpuan, it's just a casedurum
330
977563
2078
Bu noktada konu sadece
doğru sınıflandırılmamış olan
16:31
of findingbulgu the smallküçük numbernumara
that aren'tdeğil classifiedgizli bilgi correctlydoğru şekilde,
331
979641
3579
küçük numarayı bulmak ve
sebebini anlamaya çalışmak üzerine.
16:35
and tryingçalışıyor to understandanlama why.
332
983220
2888
Bu yaklaşımı kullanarak; 15 dakikada
16:38
And usingkullanma that approachyaklaşım,
333
986108
1743
16:39
by 15 minutesdakika we get
to 97 percentyüzde classificationsınıflandırma ratesoranları.
334
987851
4121
%97' lik sınıflandırma oranına ulaştık.
Bu tarz bir teknik bize çok önemli
16:43
So this kindtür of techniqueteknik
could allowizin vermek us to fixdüzeltmek a majormajör problemsorun,
335
991972
4600
bir problemi çözmeye izin verebilir;
dünyada tıbbi uzmanlığın
olmadığı yerlerde.
16:48
whichhangi is that there's a lackeksiklik
of medicaltıbbi expertiseUzmanlık in the worldDünya.
336
996578
3036
Dünya Ekonomik Forumu'na göre;
16:51
The WorldDünya EconomicEkonomik ForumForum saysdiyor
that there's betweenarasında a 10x and a 20x
337
999614
3489
gelişen dünyada doktor
kıtlığı 10 ile 20 katı
16:55
shortagesıkıntısı of physicianshekimler
in the developinggelişen worldDünya,
338
1003103
2624
arasında ve 300 yıl alacaktır bu problemi
16:57
and it would take about 300 yearsyıl
339
1005727
2113
çözmek için yeterli insan yetiştirmek.
16:59
to traintren enoughyeterli people
to fixdüzeltmek that problemsorun.
340
1007840
2894
Düşünün ki derin öğrenme
yaklaşımını kullanarak
17:02
So imaginehayal etmek if we can help
enhanceartırmak theironların efficiencyverim
341
1010734
2885
verimliliklerini artırmaya
yardım edebilsek?
17:05
usingkullanma these deepderin learningöğrenme approachesyaklaşımlar?
342
1013619
2839
17:08
So I'm very excitedheyecanlı
about the opportunitiesfırsatlar.
343
1016458
2232
Fırsatlar konusunda oldukça heycanlıyım.
17:10
I'm alsoAyrıca concernedilgili about the problemssorunlar.
344
1018690
2589
Aynı zamanda
problemlerle de ilgileniyorum.
17:13
The problemsorun here is that
everyher areaalan in bluemavi on this mapharita
345
1021279
3124
Buradaki problem ise; haritadaki
her mavi alanda servisler
17:16
is somewherebir yerde where servicesHizmetler
are over 80 percentyüzde of employment.
346
1024403
3769
istihdamın %80 den fazla.
Servisler nedir?
17:20
What are servicesHizmetler?
347
1028172
1787
İşte servisler.
17:21
These are servicesHizmetler.
348
1029959
1514
Bunlar aynı zamanda bilgisayarın
17:23
These are alsoAyrıca the exactkesin things that
computersbilgisayarlar have just learnedbilgili how to do.
349
1031473
4154
yapılma şeklini öğrendiği şeyler.
Yani gelişen dünyadaki
istihdamın %80 'inin
17:27
So 80 percentyüzde of the world'sDünyanın en employment
in the developedgelişmiş worldDünya
350
1035627
3804
yaptığı şeyler aynı zamanda bilgisayarın
17:31
is stuffşey that computersbilgisayarlar
have just learnedbilgili how to do.
351
1039431
2532
nasıl yapılacağını öğrendiği şeyler.
17:33
What does that mean?
352
1041963
1440
Bu ne anlama geliyor?
Tamam, bir şey olmayacak.
17:35
Well, it'llolacak be fine.
They'llOnlar olacak be replaceddeğiştirilir by other jobsMeslekler.
353
1043403
2583
Başka işlerle yer değiştirilcekler.
17:37
For exampleörnek, there will be
more jobsMeslekler for dataveri scientistsBilim adamları.
354
1045986
2707
Örneğin; Veri bilimciler
için daha fazla iş olacak.
17:40
Well, not really.
355
1048693
817
Aslında öyle değil.
17:41
It doesn't take dataveri scientistsBilim adamları
very long to buildinşa etmek these things.
356
1049510
3118
Veri bilimcilerin bunları yapmaları
çok zamanlarını almaz.
17:44
For exampleörnek, these fourdört algorithmsalgoritmalar
were all builtinşa edilmiş by the sameaynı guy.
357
1052628
3252
Örneğin; bu 4 algoritma da aynı
adam tarafından geliştirildi.
17:47
So if you think, oh,
it's all happenedolmuş before,
358
1055880
2438
Yani eğer; daha önceden de olmuştu,
17:50
we'vebiz ettik seengörüldü the resultsSonuçlar in the pastgeçmiş
of when newyeni things come alonguzun bir
359
1058318
3808
yeni işlerin gelip yer değiştirdiği
zamanların sonuçlarını gördük.
17:54
and they get replaceddeğiştirilir by newyeni jobsMeslekler,
360
1062126
2252
Bu yeni işlere ne olacak?
17:56
what are these newyeni jobsMeslekler going to be?
361
1064378
2116
Bunu kestirmek bizim için oldukça zor
17:58
It's very hardzor for us to estimatetahmin this,
362
1066494
1871
çünkü insan performansı
bu şekilde kademeli olarak
18:00
because humaninsan performanceperformans
growsbüyür at this gradualkademeli rateoran,
363
1068365
2739
artıyor ama artık biz bir sisteme,
derin öğrenmeye
18:03
but we now have a systemsistem, deepderin learningöğrenme,
364
1071104
2562
sahibiz yani katlanarak
büyüme kapasitesine
18:05
that we know actuallyaslında growsbüyür
in capabilitykabiliyet exponentiallykatlanarak.
365
1073666
3227
sahip olduğunu biliyoruz.
18:08
And we're here.
366
1076893
1605
Ve burdayız.
18:10
So currentlyşu anda, we see the things around us
367
1078498
2061
Şu anda, etrafımızdaki
şeyleri görüyoruz ve:
18:12
and we say, "Oh, computersbilgisayarlar
are still prettygüzel dumbdilsiz." Right?
368
1080559
2676
"Bilgisayarlar hala aptal." değil mi?
Ama 5 yıllık süre içinde bilgisayarlar
18:15
But in fivebeş years'yıl time,
computersbilgisayarlar will be off this chartgrafik.
369
1083235
3429
bu çizelgenin dışında olacak.
18:18
So we need to be startingbaşlangıç to think
about this capabilitykabiliyet right now.
370
1086664
3865
Yani bu kabiliyeti hemen
düşünmeye başlamalıyız.
Bunu daha önceden görmüştük, elbette.
18:22
We have seengörüldü this oncebir Zamanlar before, of coursekurs.
371
1090529
2050
Sanayi devriminde, motorlar sayesinde
18:24
In the IndustrialEndüstriyel RevolutionDevrim,
372
1092579
1387
18:25
we saw a stepadım changedeğişiklik
in capabilitykabiliyet thanksTeşekkürler to enginesmotorlar.
373
1093966
2851
kapasitede kademe atlamayı gördük.
Mesele şu ki, yine de bir süre sonra
18:29
The thing is, thoughgerçi,
that after a while, things flattenedbasık out.
374
1097667
3138
işler düzeliyor.
Sosyal bozulma vardı ama bir kez
18:32
There was socialsosyal disruptionbozulma,
375
1100805
1702
18:34
but oncebir Zamanlar enginesmotorlar were used
to generateüretmek powergüç in all the situationsdurumlar,
376
1102507
3439
motorlar güç üretmek için kullanıldı
ve tüm durumlar, her şey düzene oturdu.
18:37
things really settledyerleşik down.
377
1105946
2354
Makine Öğrenmesi Devrimi
Sanayi devriminden
18:40
The MachineMakine LearningÖğrenme RevolutionDevrim
378
1108300
1473
18:41
is going to be very differentfarklı
from the IndustrialEndüstriyel RevolutionDevrim,
379
1109773
2909
çok daha farklı olacak çünkü
18:44
because the MachineMakine LearningÖğrenme RevolutionDevrim,
it never settlesyerleşir down.
380
1112682
2950
Makine Öğrenmesi Devrimi
asla durulmayacak.
Bilgisayarlar entelektüel
aktiviteler de iyiye gittikçe,
18:47
The better computersbilgisayarlar get
at intellectualentellektüel activitiesfaaliyetler,
381
1115632
2982
entelektüel kapasitede daha
18:50
the more they can buildinşa etmek better computersbilgisayarlar
to be better at intellectualentellektüel capabilitiesyetenekleri,
382
1118614
4248
iyi olan bilgisayarlar üretilecek.
Yani bu dünyanın daha önce tanık olmadığı
18:54
so this is going to be a kindtür of changedeğişiklik
383
1122862
1908
18:56
that the worldDünya has actuallyaslında
never experienceddeneyimli before,
384
1124770
2478
türde bir değişim olacak bu yüzden
18:59
so your previousönceki understandinganlayış
of what's possiblemümkün is differentfarklı.
385
1127248
3306
neyin mümkün olduğu konusunda ki
önceki anlayışınız farklı.
19:02
This is alreadyzaten impactingetkileyen us.
386
1130974
1780
Şimdiden bizi etkiliyor.
19:04
In the last 25 yearsyıl,
as capitalBaşkent productivityverimlilik has increasedartmış,
387
1132754
3630
Son 25 yılda, kapital üretim arttıkça
işçi verimliliği sabitti
hatta biraz inişteydi.
19:08
laboremek productivityverimlilik has been flatdüz,
in factgerçek even a little bitbit down.
388
1136400
4188
Bu yüzden bu konuyu tartışmaya
19:13
So I want us to startbaşlama
havingsahip olan this discussiontartışma now.
389
1141408
2741
başlamamızı istiyorum.
19:16
I know that when I oftensık sık tell people
about this situationdurum,
390
1144149
3027
İnsanlara bu durum hakkında çoğu kez
bahsettiğimde, insanlar
oldukça ilgisiz olabiliyor.
19:19
people can be quiteoldukça dismissiveküçümseyen.
391
1147176
1490
19:20
Well, computersbilgisayarlar can't really think,
392
1148666
1673
Bilgisayarlar gerçek anlamda düşünemez,
19:22
they don't emoteEmote,
they don't understandanlama poetryşiir,
393
1150339
3028
duygusal davranmaz, şiirden anlamaz,
19:25
we don't really understandanlama how they work.
394
1153367
2521
nasıl çalıştıklarını tam
olarak anlamıyoruz.
19:27
So what?
395
1155888
1486
Ne fark eder?
Bilgisayarlar şu an
insanların ücret alarak
19:29
ComputersBilgisayarlar right now can do the things
396
1157374
1804
19:31
that humansinsanlar spendharcamak mostçoğu
of theironların time beingolmak paidödenmiş to do,
397
1159178
2719
zamanlarının çoğunu
harcadıkları şeyleri yapabiliyor.
19:33
so now'sŞimdi the time to startbaşlama thinkingdüşünme
398
1161897
1731
O zaman sosyal ve ekonomik
yapımızı nasıl uyduracağımızı
19:35
about how we're going to adjustayarlamak our
socialsosyal structuresyapıları and economicekonomik structuresyapıları
399
1163628
4387
düşünmeye başlamamızın
ve bu yeni gerçekliğin
19:40
to be awarefarkında of this newyeni realitygerçeklik.
400
1168015
1840
farkında olmamızın tam zamanı.
19:41
Thank you.
401
1169855
1533
Teşekkürler.
19:43
(ApplauseAlkış)
402
1171388
802
(Alkışlar)
Translated by Pinar Sadioglu
Reviewed by Sancak Gülgen

▲Back to top

ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy 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.

More profile about the speaker
Jeremy Howard | Speaker | TED.com