TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Τζέρεμι Χάουαρντ: Οι θαυμαστές και τρομακτικές επιπτώσεις των υπολογιστών που μαθαίνουν
Filmed:
Readability: 4.5
2,532,971 views
Τι συμβαίνει όταν διδάσκουμε σε έναν υπολογιστή πώς να μαθαίνει; Ο τεχνολόγος Τζέρεμι Χάουαρντ μοιράζεται μαζί μας μερικά εκπληκτικά νέα επιτεύγματα στον ταχύτατα αναπτυσσόμενο χώρο της βαθιάς μάθησης, μια τεχνική που δίνει στους υπολογιστές τη δυνατότητα να μαθαίνουν Κινέζικα, ή να αναγνωρίζουν αντικείμενα μέσα σε φωτογραφίες, ή να βοηθούν στη διαμόρφωση μιας ιατρικής διάγνωσης. (Ένα εργαλείο βαθιάς μάθησης, αφού παρακολούθησε για ώρες βίντεο στο YouTube, δίδαξε στον εαυτό του την έννοια «γάτα»). Βρεθείτε σ' έναν χώρο που θ' αλλάξει τον τρόπο συμπεριφοράς των υπολογιστών... νωρίτερα απ' όσο πιθανόν νομίζετε.
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
Ήταν σύνηθες, αν θέλατε
ένας υπολογιστής να κάνει κάτι νέο,
ένας υπολογιστής να κάνει κάτι νέο,
00:16
you would have to program it.
1
4893
1554
έπρεπε να τον προγραμματίσετε.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Ο προγραμματισμός βέβαια,
για όσους δεν έχετε ασχοληθεί,
για όσους δεν έχετε ασχοληθεί,
00:21
requires laying out in excruciating detail
3
9858
3502
απαιτεί να καταχωρήσεις
με εξωφρενική λεπτομέρεια
με εξωφρενική λεπτομέρεια
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
κάθε ξεχωριστό βήμα
που θέλετε να κάνει ο υπολογιστής
που θέλετε να κάνει ο υπολογιστής
00:28
in order to achieve your goal.
5
16727
2362
για να πετύχετε το σκοπό σας.
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
Και αν θέλετε να κάνετε κάτι
που δεν ξέρετε να το κάνετε ο ίδιος,
που δεν ξέρετε να το κάνετε ο ίδιος,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
αυτό είναι σοβαρό πρόβλημα.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Αυτό ήταν το πρόβλημα του Άρθουρ Σάμιουελ.
00:40
In 1956, he wanted to get this computer
9
28131
4077
Το 1956 ήθελε να κάνει αυτό τον υπολογιστή
00:44
to be able to beat him at checkers.
10
32208
2340
να μπορεί να τον νικάει στη ντάμα.
00:46
How can you write a program,
11
34548
2040
Πώς μπορείς να γράψεις πρόγραμμα,
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
να καταχωρήσεις με πλήρη λεπτομέρεια,
πώς να γίνει καλύτερος από σένα στη ντάμα;
πώς να γίνει καλύτερος από σένα στη ντάμα;
00:52
So he came up with an idea:
13
40394
1722
Έτσι είχε μια ιδέα:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
έβαλε τον υπολογιστή να παίξει
ενάντια στον εαυτό του χιλιάδες φορές
ενάντια στον εαυτό του χιλιάδες φορές
00:57
and learn how to play checkers.
15
45840
2524
και να μάθει να παίζει ντάμα.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Πραγματικά είχε αποτέλεσμα και έως το 1962
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
ο υπολογιστής είχε νικήσει
τον πρωταθλητή της πολιτείας Κονέκτικατ.
τον πρωταθλητή της πολιτείας Κονέκτικατ.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Έτσι ο Άρθουρ Σάμιουελ
ήταν ο πατέρας της μηχανικής μάθησης,
ήταν ο πατέρας της μηχανικής μάθησης,
01:10
and I have a great debt to him,
19
58534
1717
και του χρωστάω πολλά,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
επειδή ασχολούμαι με την εφαρμογή
της μηχανικής μάθησης.
της μηχανικής μάθησης.
01:15
I was the president of Kaggle,
21
63014
1465
Ήμουν πρόεδρος της Kaggle,
μια κοινότητα άνω των 200.000 ατόμων
που ασχολούνται με τη μηχανική μάθηση.
που ασχολούνται με τη μηχανική μάθηση.
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
01:19
Kaggle puts up competitions
23
67867
2058
Η Kaggle οργανώνει διαγωνισμούς
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
για τη λύση άλυτων προβλημάτων,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
και σημείωσε επιτυχίες εκατοντάδες φορές.
Από αυτή την πλεονεκτική θέση
μπόρεσα να ανακαλύψω πολλά
μπόρεσα να ανακαλύψω πολλά
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
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
σχετικά με το τι έκανε η μηχανική μάθηση
στο παρελθόν, τι μπορεί να κάνει σήμερα,
στο παρελθόν, τι μπορεί να κάνει σήμερα,
01:35
and what it could do in the future.
28
83890
2362
και τι θα μπορεί να κάνει στο μέλλον.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Ίσως η πρώτη εμπορικά μεγάλη επιτυχία
της μηχανικής μάθησης ήταν η Google.
της μηχανικής μάθησης ήταν η Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Η Google απέδειξε ότι ήταν δυνατόν
να βρεθούν πληροφορίες
να βρεθούν πληροφορίες
01:45
by using a computer algorithm,
31
93784
1752
με ένα αλγόριθμο υπολογιστή,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
και αυτός ο αλγόριθμος
βασίζεται στη μηχανική μάθηση.
βασίζεται στη μηχανική μάθηση.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Από τότε έχουν υπάρξει πολλές
εμπορικές επιτυχίες της μηχανικής μάθησης.
εμπορικές επιτυχίες της μηχανικής μάθησης.
01:54
Companies like Amazon and Netflix
34
102323
1837
Εταιρείες όπως η Amazon και η 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
χρησιμοποιούν τη μηχανική μάθηση
για να προτείνουν προϊόντα ν' αγοράσετε,
για να προτείνουν προϊόντα ν' αγοράσετε,
01:59
movies that you might like to watch.
36
107876
2020
ταινίες που θα θέλατε να δείτε.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Μερικές φορές γίνεται ανατριχιαστικό.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Εταιρείες όπως η LinkedIn και το Facebook
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
μερικές φορές σας λένε
ποιοι μπορεί να είναι φίλοι σας
ποιοι μπορεί να είναι φίλοι σας
02:08
and you have no idea how it did it,
40
116251
1977
και δεν έχετε ιδέα πώς τα κατάφεραν,
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
και το κάνουν με τη δύναμη
της μηχανικής μάθησης.
της μηχανικής μάθησης.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Αυτοί είναι αλγόριθμοι που έμαθαν
να το κάνουν από τα δεδομένα
να το κάνουν από τα δεδομένα
02:16
rather than being programmed by hand.
43
124152
3247
παρά από προγραμματισμό με το χέρι.
02:19
This is also how IBM was successful
44
127399
2478
Έτσι κατάφερε και η IBM
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
να νικήσει o Γουότσον τους δύο
παγκόσμιους πρωταθλητές του «Jeopardy»
παγκόσμιους πρωταθλητές του «Jeopardy»
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
απαντώντας απίστευτα πονηρές
και περίπλοκες ερωτήσεις όπως αυτή.
και περίπλοκες ερωτήσεις όπως αυτή.
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
[«Το "Λιοντάρι του Νεμρώδ" εξαφανίστηκε
από το μουσείο αυτής της πόλης το 2003»]
από το μουσείο αυτής της πόλης το 2003»]
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
Γι' αυτό έχουμε πλέον τα πρώτα αυτοκίνητα
που οδηγούν μόνα τους.
που οδηγούν μόνα τους.
Αν θέλεις να μπορείς
να δεις τη διαφορά, ας πούμε,
να δεις τη διαφορά, ας πούμε,
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
ανάμεσα σε ένα δένδρο και έναν πεζό,
αυτό είναι πολύ σημαντικό.
αυτό είναι πολύ σημαντικό.
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
Δεν ξέρουμε να γράφουμε
τέτοια προγράμματα με το χέρι,
τέτοια προγράμματα με το χέρι,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
αλλά με τη μηχανική μάθηση
αυτό είναι πλέον δυνατόν.
αυτό είναι πλέον δυνατόν.
Αυτό το αυτοκίνητο έχει οδηγήσει
πάνω από 1.600.000 χιλιόμετρα
πάνω από 1.600.000 χιλιόμετρα
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
02:48
without any accidents on regular roads.
54
156680
3506
σε κανονικό δρόμο χωρίς καθόλου ατυχήματα.
02:52
So we now know that computers can learn,
55
160196
3914
Έτσι ξέρουμε ότι οι υπολογιστές
μπορούν να μαθαίνουν,
μπορούν να μαθαίνουν,
02:56
and computers can learn to do things
56
164110
1900
και μπορούν να μάθουν να κάνουν πράγματα
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
που μερικές φορές
ούτε κι εμείς ξέρουμε να κάνουμε,
ούτε κι εμείς ξέρουμε να κάνουμε,
03:00
or maybe can do them better than us.
58
168848
2885
ή μπορούν να τα κάνουν καλύτερα από εμάς.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Ένα εκπληκτικό παράδειγμα
της μηχανικής μάθησης που έχω δει
της μηχανικής μάθησης που έχω δει
έγινε σε ένα πρόγραμμα
που έκανα στην Kaggle,
που έκανα στην Kaggle,
03:07
happened on a project that I ran at Kaggle
60
175928
2392
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
όπου μια ομάδα
υπό κάποιον ονόματι Τζέφρι Χίντον
υπό κάποιον ονόματι Τζέφρι Χίντον
03:13
from the University of Toronto
62
181911
1552
από το Πανεπιστήμιο του Τορόντο,
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
κέρδισε έναν διαγωνισμό
για αυτόματη ανακάλυψη φαρμάκου.
για αυτόματη ανακάλυψη φαρμάκου.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Αυτό όμως που είναι αξιοσημείωτο
δεν είναι ότι νίκησαν
δεν είναι ότι νίκησαν
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
όλους τους αλγόριθμους της Μέρκ
ή της διεθνούς ακαδημαϊκής κοινότητας,
ή της διεθνούς ακαδημαϊκής κοινότητας,
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
αλλά ότι κανείς στην ομάδα δεν είχε
γνώσεις χημείας, βιολογίας ή ιατρικής,
γνώσεις χημείας, βιολογίας ή ιατρικής,
03:30
and they did it in two weeks.
67
198061
2169
και τα κατάφεραν μέσα σε δύο εβδομάδες.
03:32
How did they do this?
68
200230
1381
Πώς τα κατάφεραν;
Χρησιμοποίησαν έναν ασυνήθιστο αλγόριθμο
που λέγεται βαθιά μάθηση.
που λέγεται βαθιά μάθηση.
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
Ήταν τόσο σημαντικό
που η επιτυχία καλύφθηκε
που η επιτυχία καλύφθηκε
σε πρωτοσέλιδο των Τάιμς της Νέας Υόρκης
μερικές εβδομάδες μετά.
μερικές εβδομάδες μετά.
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
Ο Τζέφρι Χίντον είναι εδώ αριστερά.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
Η βαθιά μάθηση είναι ένας αλγόριθμος
εμπνευσμένος από το ανθρώπινο μυαλό,
εμπνευσμένος από το ανθρώπινο μυαλό,
03:50
and as a result it's an algorithm
74
218488
1812
συνεπώς είναι ένας αλγόριθμος
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
που θεωρητικά δεν έχει όρια
στο τι μπορεί να κάνει.
στο τι μπορεί να κάνει.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Όσο περισσότερα δεδομένα
και χρόνο υπολογισμού του δίνεις,
και χρόνο υπολογισμού του δίνεις,
03:58
the better it gets.
77
226964
1312
τόσο καλύτερος γίνεται.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
Οι Τάιμς της Νέας Υόρκης
έδειξαν επίσης στο άρθρο
έδειξαν επίσης στο άρθρο
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
άλλο ένα ασυνήθιστο αποτέλεσμα
της βαθιάς μάθησης
της βαθιάς μάθησης
04:04
which I'm going to show you now.
80
232857
2712
που θα σας δείξω τώρα.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Δείχνει ότι οι υπολογιστές μπορούν
να ακούν και να καταλαβαίνουν.
να ακούν και να καταλαβαίνουν.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Βίντεο) Ρίτσαρντ Ράσιντ:
Τώρα το τελευταίο βήμα
Τώρα το τελευταίο βήμα
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
που θέλω να κάνω σε αυτή τη διαδικασία
04:18
is to actually speak to you in Chinese.
84
246246
4715
είναι να σας μιλήσω κανονικά στα Κινέζικα.
04:22
Now the key thing there is,
85
250961
2635
Το μυστικό εδώ είναι ότι,
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
μπορέσαμε να πάρουμε μεγάλη ποσότητα
πληροφοριών από ομιλητές της Κινεζικής
πληροφοριών από ομιλητές της Κινεζικής
και να φτιάξουμε ένα σύστημα
μετατροπής κειμένου σε ομιλία
μετατροπής κειμένου σε ομιλία
04:30
and produce a text-to-speech system
87
258598
2530
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
που μετατρέπει Κινέζικο λόγο
από γραπτό σε προφορικό,
από γραπτό σε προφορικό,
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
και μετά χρειαστήκαμε καμιά ώρα
με τη δική μου φωνή
με τη δική μου φωνή
04:41
and we've used that to modulate
90
269929
1891
για να μπορέσουμε να ρυθμίσουμε
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
το βασικό σύστημα μετατροπής λόγου
ώστε να ακούγεται σαν εμένα.
ώστε να ακούγεται σαν εμένα.
04:48
Again, the result's not perfect.
92
276364
2540
Και πάλι το αποτέλεσμα δεν ήταν τέλειο.
04:50
There are in fact quite a few errors.
93
278904
2648
Υπήρχαν μερικά λαθάκια.
04:53
(In Chinese)
94
281552
2484
(Στα Κινέζικα)
04:56
(Applause)
95
284036
3367
(Χειροκρότημα)
05:01
There's much work to be done in this area.
96
289446
3576
Χρειάζεται να γίνουν πολλά
σε αυτό τον τομέα.
σε αυτό τον τομέα.
05:05
(In Chinese)
97
293022
3645
(Στα Κινέζικα)
05:08
(Applause)
98
296667
3433
(Χειροκρότημα)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Τζέρεμι Χάουαρντ: Αυτό ήταν
σε συνέδριο μηχανικής μάθησης στην Κίνα.
σε συνέδριο μηχανικής μάθησης στην Κίνα.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Δεν συμβαίνει συχνά σε ακαδημαϊκά συνέδρια
05:19
that you do hear spontaneous applause,
101
307114
1897
να έχεις τόσο αυθόρμητες επευφημίες,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
αλλά μιας και είμαστε σε συνάντηση TED,
μην περιορίζεστε.
μην περιορίζεστε.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Όλα όσα είδατε εκεί
συνέβησαν με τη βαθιά μάθηση.
συνέβησαν με τη βαθιά μάθηση.
05:27
(Applause) Thank you.
104
315482
1525
(Χειροκρότημα)
Ευχαριστώ.
Ευχαριστώ.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
Η μεταγραφή στα Αγγλικά
έγινε από τη βαθιά μάθηση.
έγινε από τη βαθιά μάθηση.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
Η μετάφραση στα Κινέζικα,
το κείμενο πάνω δεξιά,
το κείμενο πάνω δεξιά,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
και η σύνθεση της φωνής
έγιναν από τη βαθιά μάθηση επίσης.
έγιναν από τη βαθιά μάθηση επίσης.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Η βαθιά μάθηση είναι κάτι ξεχωριστό.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Είναι ένας αλγόριθμος
που μοιάζει να μπορεί να κάνει τα πάντα,
που μοιάζει να μπορεί να κάνει τα πάντα,
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
και ανακάλυψα ότι πριν ένα χρόνο
είχε επίσης μάθει να βλέπει.
είχε επίσης μάθει να βλέπει.
05:47
In this obscure competition from Germany
111
335452
2176
Σε έναν δυσνόητο διαγωνισμό στη Γερμανία
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
σχετικά με την αναγνώριση οδικής σήμανσης,
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
η βαθιά μάθηση έμαθε να αναγνωρίζει
οδικά σήματα όπως αυτό.
οδικά σήματα όπως αυτό.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Όχι μόνο αναγνώριζε τα οδικά σήματα
05:57
better than any other algorithm,
115
345712
1758
καλύτερα από κάθε άλλο αλγόριθμο,
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
στον πίνακα αποτελεσμάτων
σημείωσε βαθμολογία
σημείωσε βαθμολογία
δύο φορές καλύτερη από τους ανθρώπους.
06:02
about twice as good as people.
117
350189
1852
06:04
So by 2011, we had the first example
118
352041
1996
Έτσι έως το 2011,
είχαμε το πρώτο παράδειγμα υπολογιστή
που μπορεί να δει καλύτερα από άνθρωπο.
που μπορεί να δει καλύτερα από άνθρωπο.
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
06:09
Since that time, a lot has happened.
120
357442
2049
Από τότε έγιναν πολλά.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
Το 2012 η Google ανακοίνωσε ότι
ο αλγόριθμος βαθιά μάθηση
ο αλγόριθμος βαθιά μάθηση
06:15
watch YouTube videos
122
363005
1415
έβλεπε βίντεο του YouTube
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
και διάβαζε δεδομένα
από 16.000 υπολογιστές για ένα μήνα,
από 16.000 υπολογιστές για ένα μήνα,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
και ο υπολογιστής έμαθε από μόνος του
έννοιες όπως «άνθρωπος και «γάτα»,
έννοιες όπως «άνθρωπος και «γάτα»,
06:24
just by watching the videos.
125
372218
1809
απλώς βλέποντας τα βίντεο.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Μοιάζει πολύ με τον τρόπο
που μαθαίνουν οι άνθρωποι.
που μαθαίνουν οι άνθρωποι.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Δεν μαθαίνουμε
όταν κάποιος μας λέει τι να δούμε,
όταν κάποιος μας λέει τι να δούμε,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
αλλά μαθαίνοντας από μόνοι μας
τι είναι αυτά τα πράγματα.
τι είναι αυτά τα πράγματα.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Επίσης το 2012 ο Τζέφρι Χίντον
που είδαμε νωρίτερα
που είδαμε νωρίτερα
06:37
won the very popular ImageNet competition,
130
385819
2858
κέρδισε στον δημοφιλή διαγωνισμό ImageNet,
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
προσπαθώντας να βρει
μέσα από 1,5 εκατομμύριο εικόνες
μέσα από 1,5 εκατομμύριο εικόνες
06:44
what they're pictures of.
132
392818
1438
τι απεικονίζουν.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
Από το 2014 έχουμε πέσει
στο 6% ποσοστό σφάλματος
στο 6% ποσοστό σφάλματος
06:49
in image recognition.
134
397789
1453
στην αναγνώριση εικόνας.
06:51
This is better than people, again.
135
399242
2026
Και πάλι καλύτερα από τον άνθρωπο.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Οι μηχανές τα καταφέρνουν πολύ καλά
σε αυτό τον τομέα,
σε αυτό τον τομέα,
06:57
and it is now being used in industry.
137
405037
2269
και πλέον χρησιμοποιείται στη βιομηχανία.
06:59
For example, Google announced last year
138
407306
3042
Για παράδειγμα, η Google ανακοίνωσε πέρυσι
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
ότι χαρτογράφησαν ολόκληρη
τη Γαλλία μέσα σε δύο ώρες,
τη Γαλλία μέσα σε δύο ώρες,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
και το έκαναν εισάγοντας φωτογραφίες
από την τεχνολογία Street View
από την τεχνολογία Street View
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
σε έναν αλγόριθμο βαθιάς μάθησης
ώστε να αναγνωρίζει την αρίθμηση των οδών.
ώστε να αναγνωρίζει την αρίθμηση των οδών.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Φανταστείτε πόσο θα έπαιρνε παλιότερα:
07:16
dozens of people, many years.
143
424919
3355
πλήθος ανθρώπων, πολλά χρόνια.
07:20
This is also happening in China.
144
428274
1911
Συμβαίνει επίσης στην Κίνα.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Η Baidu είναι θα λέγαμε
η αντίστοιχη Google της Κίνας
η αντίστοιχη Google της Κίνας
07:26
and what you see here in the top left
146
434221
2283
και εδώ πάνω αριστερά
βλέπετε ένα παράδειγμα
βλέπετε ένα παράδειγμα
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
από μια φωτογραφία που μεταφόρτωσα
στο σύστημα βαθιάς μάθησης της Baidu,
στο σύστημα βαθιάς μάθησης της Baidu,
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
και από κάτω βλέπετε ότι
το σύστημα αναγνώρισε τη φωτογραφία
το σύστημα αναγνώρισε τη φωτογραφία
07:36
and found similar images.
149
444247
2236
και βρήκε και παρόμοιες.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Οι παρόμοιες εικόνες έχουν παρόμοιο φόντο,
παρόμοιο προσανατολισμό των προσώπων,
07:41
similar directions of the faces,
151
449219
1658
07:42
even some with their tongue out.
152
450877
1788
μερικές ακόμα και με τη γλώσσα έξω.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Αυτό σαφώς δεν είναι
σαν να βλέπεις κείμενο σε ιστοσελίδα.
σαν να βλέπεις κείμενο σε ιστοσελίδα.
07:47
All I uploaded was an image.
154
455695
1412
Μόνο μια φωτογραφία ανέβασα.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Έχουμε λοιπόν υπολογιστές
που πράγματι καταλαβαίνουν τι βλέπουν
που πράγματι καταλαβαίνουν τι βλέπουν
και γι' αυτό μπορούν
να ερευνήσουν βάσεις δεδομένων
να ερευνήσουν βάσεις δεδομένων
07:53
and can therefore search databases
156
461128
1624
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
εκατοντάδων εκατομμυρίων εικόνων
σε πραγματικό χρόνο.
σε πραγματικό χρόνο.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Τι σημασία έχει ότι
οι υπολογιστές μπορούν να βλέπουν;
οι υπολογιστές μπορούν να βλέπουν;
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Λοιπόν, δεν είναι μόνο αυτό.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Η βαθιά μάθηση έκανε περισσότερα.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Περίπλοκες προτάσεις με λεπτές έννοιες,
όπως αυτή εδώ,
όπως αυτή εδώ,
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
μπορούν πλέον να κατανοηθούν
από τον αλγόριθμο.
από τον αλγόριθμο.
08:11
As you can see here,
163
479394
1303
Όπως βλέπετε εδώ,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
το σύστημα του Στάνφορντ
στην κόκκινη κουκκίδα στην κορυφή
στην κόκκινη κουκκίδα στην κορυφή
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
κατάλαβε ότι αυτή η πρόταση
εκφράζει αρνητικό συναίσθημα.
εκφράζει αρνητικό συναίσθημα.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Η βαθιά μάθηση όντως πλησιάζει
την ανθρώπινη επίδοση
την ανθρώπινη επίδοση
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
στο να καταλαβαίνουν το κεντρικό θέμα
και το γενικό περιεχόμενο μιας πρότασης.
και το γενικό περιεχόμενο μιας πρότασης.
Η βαθιά μάθηση χρησιμοποιήθηκε επίσης
για την ανάγνωση Κινέζικων
για την ανάγνωση Κινέζικων
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
και πάλι στο επίπεδο
του Κινέζου φυσικού ομιλητή.
του Κινέζου φυσικού ομιλητή.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Αυτός ο αλγόριθμος εξελίχθηκε
από ομάδα Ελβετών,
από ομάδα Ελβετών,
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
κανείς εκ των οποίων
δεν μιλούσε ή καταλάβαινε Κινέζικα.
δεν μιλούσε ή καταλάβαινε Κινέζικα.
08:39
As I say, using deep learning
172
507331
2051
Όπως είπα, η χρήση της βαθιάς μάθησης
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
είναι το καλύτερο σύστημα
στον κόσμο γι' αυτό,
στον κόσμο γι' αυτό,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
συγκρινόμενο ακόμα και
με την ανθρώπινη κατανόηση.
με την ανθρώπινη κατανόηση.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Είναι ένα σύστημα
που φτιάχνουμε στην εταιρεία μου
που φτιάχνουμε στην εταιρεία μου
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
που δείχνει πώς συντίθενται όλα τα μέρη.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Αυτές είναι εικόνες χωρίς κείμενο,
08:56
and as I'm typing in here sentences,
178
524189
2352
και καθώς πληκτρολογώ κείμενο,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
σε πραγματικό χρόνο
κατανοεί αυτές τις εικόνες,
κατανοεί αυτές τις εικόνες,
09:01
and figuring out what they're about
180
529510
1679
αντιλαμβάνεται το θέμα τους,
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
και βρίσκει παρόμοιες φωτογραφίες
με το κείμενο που γράφω.
με το κείμενο που γράφω.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Άρα ουσιαστικά
καταλαβαίνει τις προτάσεις μου
καταλαβαίνει τις προτάσεις μου
09:09
and actually understanding these pictures.
183
537108
2224
και καταλαβαίνει αυτές τις εικόνες.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Ξέρω ότι έχετε δει κάτι τέτοιο στη Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
όπου πληκτρολογείτε κάτι
και σας δείχνει εικόνες,
και σας δείχνει εικόνες,
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
αλλά στην πραγματικότητα
ψάχνει στην ιστοσελίδα για κείμενο.
ψάχνει στην ιστοσελίδα για κείμενο.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Αυτό είναι πολύ διαφορετικό
από το να κατανοείς τις εικόνες.
από το να κατανοείς τις εικόνες.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Αυτό το κατάφεραν οι υπολογιστές
09:25
for the first time in the last few months.
189
553843
3248
για πρώτη φορά πριν λίγους μήνες.
Έτσι οι υπολογιστές, όχι μόνο βλέπουν,
αλλά μπορούν και να διαβάσουν,
αλλά μπορούν και να διαβάσουν,
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
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
και φυσικά δείξαμε
ότι καταλαβαίνουν ό,τι ακούνε.
ότι καταλαβαίνουν ό,τι ακούνε.
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
Ίσως δεν σας εκπλήξει να σας πω
ότι μπορούν να γράφουν.
ότι μπορούν να γράφουν.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Εδώ είναι κείμενο που παρήγαγα χθες
με έναν αλγόριθμο βαθιάς μάθησης.
με έναν αλγόριθμο βαθιάς μάθησης.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Και αυτό είναι κείμενο που παρήγαγε
ένας αλγόριθμος του Στάνφορντ.
ένας αλγόριθμος του Στάνφορντ.
09:49
Each of these sentences was generated
195
577096
1764
Κάθε πρόταση δημιουργήθηκε
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
από έναν αλγόριθμο βαθιάς μάθησης
για να περιγράψει καθεμιά από τις εικόνες.
για να περιγράψει καθεμιά από τις εικόνες.
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
Ο αλγόριθμος δεν είχε ξαναδεί άνθρωπο
με μαύρο πουκάμισο να παίζει κιθάρα.
με μαύρο πουκάμισο να παίζει κιθάρα.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Είχε ξαναδεί άνθρωπο,
είχε ξαναδεί μαύρο,
είχε ξαναδεί μαύρο,
10:01
it's seen a guitar before,
199
589801
1599
είχε ξαναδεί κιθάρα,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
αλλά από μόνος του έφτιαξε
αυτή τη νέα περιγραφή για την εικόνα.
αυτή τη νέα περιγραφή για την εικόνα.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Εδώ δεν φτάσαμε την ανθρώπινη απόδοση
αλλά πλησιάζουμε.
αλλά πλησιάζουμε.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Στις δοκιμές, οι άνθρωποι προτιμούν
τις ετικέτες που φτιάχτηκαν από υπολογιστή
τις ετικέτες που φτιάχτηκαν από υπολογιστή
10:15
one out of four times.
203
603264
1527
μία στις τέσσερις φορές.
10:16
Now this system is now only two weeks old,
204
604791
2064
Αυτό το σύστημα είναι μόνο δύο εβδομάδων,
10:18
so probably within the next year,
205
606855
1846
άρα μάλλον εντός του επόμενου έτους,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
ο αλγόριθμος θα έχει ξεπεράσει
την ανθρώπινη επίδοση
την ανθρώπινη επίδοση
10:23
at the rate things are going.
207
611502
1862
με τους τρέχοντες ρυθμούς.
10:25
So computers can also write.
208
613364
3049
Άρα οι υπολογιστές μπορούν και να γράφουν.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Βάζοντάς τα όλα μαζί
οδεύουμε σε εκπληκτικές δυνατότητες.
οδεύουμε σε εκπληκτικές δυνατότητες.
10:31
For example, in medicine,
210
619888
1492
Για παράδειγμα, στην ιατρική,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
μια ομάδα στη Βοστόνη
ανακοίνωσε ότι ανακάλυψαν
ανακοίνωσε ότι ανακάλυψαν
10:35
dozens of new clinically relevant features
212
623905
2949
μεγάλο αριθμό νέων κλινικά σχετικών
χαρακτηριστικών όγκων
χαρακτηριστικών όγκων
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
που θα βοηθήσει τους γιατρούς
στην πρόγνωση του καρκίνου.
στην πρόγνωση του καρκίνου.
10:44
Very similarly, in Stanford,
214
632220
2296
Παρομοίως στο Στάνφορντ,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
μια ομάδα ανακοίνωσε ότι,
εξετάζοντας ιστούς σε μεγέθυνση,
εξετάζοντας ιστούς σε μεγέθυνση,
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
εξέλιξαν ένα σύστημα μηχανικής μάθησης
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
που είναι όντως καλύτερο
από τους ανθρώπους παθολόγους
από τους ανθρώπους παθολόγους
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
στην πρόβλεψη των ποσοστών επιβίωσης
των πασχόντων από καρκίνο.
των πασχόντων από καρκίνο.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
Και στις δύο περιπτώσεις,
όχι μόνο έκαναν ακριβέστερη πρόβλεψη,
όχι μόνο έκαναν ακριβέστερη πρόβλεψη,
11:02
but they generated new insightful science.
220
650764
2502
αλλά παρήγαγαν πιο διορατική γνώση.
Στην περίπτωση της ακτινολογίας,
11:05
In the radiology case,
221
653276
1505
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
υπήρξαν νέες κλινικές ενδείξεις
που οι άνθρωποι θα καταλάβουν.
που οι άνθρωποι θα καταλάβουν.
11:09
In this pathology case,
223
657876
1792
Σε αυτή την παθολογική περίπτωση,
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
το σύστημα στον υπολογιστή ανακάλυψε
ότι τα κύτταρα γύρω από τον όγκο
ότι τα κύτταρα γύρω από τον όγκο
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
είναι το ίδιο σημαντικά
όσο τα καρκινικά κύτταρα
όσο τα καρκινικά κύτταρα
11:19
in making a diagnosis.
226
667508
1752
για τη διάγνωση.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Αυτό είναι αντίθετο από όσα διδάσκονταν
οι παθολόγοι για δεκαετίες.
οι παθολόγοι για δεκαετίες.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
Σε καθεμιά από τις δύο περιπτώσεις,
ήταν συστήματα που αναπτύχθηκαν
ήταν συστήματα που αναπτύχθηκαν
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
από συνδυασμό ειδικών στην ιατρική
και ειδικών στη μηχανική μάθηση,
και ειδικών στη μηχανική μάθηση,
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
αλλά από πέρυσι,
το έχουμε ξεπεράσει και αυτό.
το έχουμε ξεπεράσει και αυτό.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Εδώ έχουμε παράδειγμα
εντοπισμού καρκινικής περιοχής
εντοπισμού καρκινικής περιοχής
11:39
of human tissue under a microscope.
232
687824
2530
σε ανθρώπινο ιστό κάτω από το μικροσκόπιο.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Το σύστημα μπορεί να εντοπίσει
αυτές τις περιοχές ακριβέστερα,
αυτές τις περιοχές ακριβέστερα,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
ή περίπου με την ίδια ακρίβεια
όσο οι παθολόγοι,
όσο οι παθολόγοι,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
αλλά έγινε εξολοκλήρου με τη βαθιά μάθηση,
χωρίς ιατρική τεχνογνωσία,
χωρίς ιατρική τεχνογνωσία,
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
από ανθρώπους χωρίς προϋπηρεσία
στον χώρο αυτό.
στον χώρο αυτό.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Παρόμοια εδώ, αυτή η κατάτμηση νευρώνα.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Μπορούμε πλέον να κατατμήσουμε νευρώνες
με την ίδια ακρίβεια όπως οι άνθρωποι,
με την ίδια ακρίβεια όπως οι άνθρωποι,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
αλλά με σύστημα που αναπτύχθηκε
με τη βαθιά μάθηση
με τη βαθιά μάθηση
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
και ανθρώπους που δεν είχαν
καμία σχέση με την ιατρική.
καμία σχέση με την ιατρική.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Συνεπώς εγώ ο ίδιος,
πλήρως άσχετος με την ιατρική,
πλήρως άσχετος με την ιατρική,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
φαίνεται να έχω όλα τα προσόντα
να φτιάξω μια ιατροφαρμακευτική εταιρεία,
να φτιάξω μια ιατροφαρμακευτική εταιρεία,
12:15
which I did.
243
723875
2146
πράγμα που έκανα.
12:18
I was kind of terrified of doing it,
244
726021
1740
Αρχικά φοβόμουν να το κάνω,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
αλλά θεωρητικά φαινόταν εφικτό
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
να φτιάξω χρήσιμα φάρμακα χρησιμοποιώντας
μόνο τεχνικές ανάλυσης δεδομένων.
μόνο τεχνικές ανάλυσης δεδομένων.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Ευτυχώς τα σχόλια ήταν άκρως ενθαρρυντικά.
όχι μόνο από τα μέσα
αλλά και από την ιατρική κοινότητα,
αλλά και από την ιατρική κοινότητα,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
12:32
who have been very supportive.
249
740978
2344
που με στήριξε πολύ.
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
Θεωρητικά μπορούμε να πάρουμε
την μέση φάση της ιατρικής διαδικασίας
την μέση φάση της ιατρικής διαδικασίας
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
και να αναλύσουμε τα δεδομένα της
στο μέγιστο δυνατό βαθμό,
στο μέγιστο δυνατό βαθμό,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
αφήνοντας τους γιατρούς να κάνουν
αυτό που ξέρουν καλύτερα.
αυτό που ξέρουν καλύτερα.
12:45
I want to give you an example.
253
753429
1602
Θα σας δώσω ένα παράδειγμα.
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
Τώρα μας παίρνει 15 λεπτά να βγάλουμε
ένα νέο διαγνωστικό τεστ
ένα νέο διαγνωστικό τεστ
12:51
and I'll show you that in real time now,
255
759975
1954
και θα το δείτε σε πραγματικό χρόνο,
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
αλλά το συμπίεσα σε τρία λεπτά
παραλείποντας κάποια κομμάτια.
παραλείποντας κάποια κομμάτια.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Αντί για τη δημιουργία
ενός ιατρικού διαγνωστικού τεστ,
ενός ιατρικού διαγνωστικού τεστ,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
θα σας δείξω ένα διαγνωστικό τεστ
από εικόνες αυτοκινήτων,
από εικόνες αυτοκινήτων,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
επειδή είναι κάτι που όλοι καταλαβαίνουμε.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Ξεκινάμε με περίπου 1,5 εκατομμύριο
εικόνες αυτοκινήτων
εικόνες αυτοκινήτων
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
και θέλω να φτιάξω κάτι που θα τις χωρίσει
13:12
of the photo that's being taken.
262
780475
2223
ανάλογα με τη γωνία λήψης της φωτογραφίας.
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
Οι εικόνες δεν έχουν καθόλου κείμενο,
έτσι αρχίζω από το μηδέν.
έτσι αρχίζω από το μηδέν.
13:18
With our deep learning algorithm,
264
786586
1865
Με τον αλγόριθμο βαθιάς γνώσης
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
μπορεί αυτόματα να εντοπίσει
περιοχές δομής μέσα στις εικόνες.
περιοχές δομής μέσα στις εικόνες.
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
Είναι καλό που άνθρωπος και υπολογιστής
μπορούν να συνεργαστούν.
μπορούν να συνεργαστούν.
13:27
So the human, as you can see here,
267
795778
2178
Ο άνθρωπος που βλέπετε εδώ
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
λέει στον υπολογιστή
για τις περιοχές ενδιαφέροντος
για τις περιοχές ενδιαφέροντος
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
που θέλει να χρησιμοποιήσει ο υπολογιστής
για να βελτιώσει τον αλγόριθμό του.
για να βελτιώσει τον αλγόριθμό του.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Τα συστήματα αυτά είναι
σε διάστημα 16.000 διαστάσεων,
σε διάστημα 16.000 διαστάσεων,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
έτσι βλέπετε τον υπολογιστή
να το περιστρέφει σε αυτό το διάστημα,
να το περιστρέφει σε αυτό το διάστημα,
13:45
trying to find new areas of structure.
272
813009
1992
προσπαθώντας να βρει νέες περιοχές δομής.
13:47
And when it does so successfully,
273
815001
1781
Και όταν το κάνει με επιτυχία,
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
τότε ο ανθρώπινος χειριστής μπορεί
να δείξει τις περιοχές ενδιαφέροντος.
να δείξει τις περιοχές ενδιαφέροντος.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Εδώ ο υπολογιστής βρήκε επιτυχώς περιοχές,
13:55
for example, angles.
276
823208
2562
για παράδειγμα, κάποιες γωνίες.
13:57
So as we go through this process,
277
825770
1606
Κατά τη διάρκεια της διαδικασίας,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
σταδιακά λέμε στον υπολογιστή
όλο και περισσότερα
όλο και περισσότερα
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
για το είδος των δομών που ψάχνουμε.
14:04
You can imagine in a diagnostic test
280
832144
1772
Φανταστείτε ότι στο διαγνωστικό τεστ
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
θα είναι ο παθολόγος που δείχνει
τις επικίνδυνες περιοχές,
τις επικίνδυνες περιοχές,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
ή ο ακτινολόγος να δείχνει
τους εν δυνάμει ανησυχητικούς όζους.
τους εν δυνάμει ανησυχητικούς όζους.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Μερικές φορές ο αλγόριθμος δυσκολεύεται.
14:16
In this case, it got kind of confused.
284
844851
1964
Εδώ έχει μπερδευτεί λίγο.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Τα μπρος και πίσω μέρη των αυτοκινήτων
έχουν μπλεχτεί.
έχουν μπλεχτεί.
14:21
So here we have to be a bit more careful,
286
849365
2072
Τότε πρέπει να προσέξουμε λίγο περισσότερο
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
επιλέγοντας χειροκίνητα αυτά τα μπρος
από εκείνα τα πίσω μέρη,
από εκείνα τα πίσω μέρη,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
και μετά λέγοντας στον υπολογιστή
ότι αυτά είναι ένα είδος ομάδας
ότι αυτά είναι ένα είδος ομάδας
14:32
that we're interested in.
289
860175
1348
που μας ενδιαφέρει.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Το κάνουμε για λίγο,
παραλείπουμε λίγο εδώ,
παραλείπουμε λίγο εδώ,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
και μετά εκπαιδεύουμε
τον αλγόριθμο βαθιά μάθηση
τον αλγόριθμο βαθιά μάθηση
14:38
based on these couple of hundred things,
292
866446
1974
με βάση αυτά τα διακόσια περίπου πράγματα,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
και ελπίζουμε ότι βελτιώθηκε.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Μπορείτε να δείτε ότι θολώνει
κάποια μέρη των εικόνων,
κάποια μέρη των εικόνων,
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
δείχνοντάς μας ότι ήδη καταλαβαίνει
πώς να αναγνωρίζει κάποια μέρη μόνος του.
πώς να αναγνωρίζει κάποια μέρη μόνος του.
Μπορούμε να χρησιμοποιήσουμε
το σχέδιο με τις παρόμοιες εικόνες,
το σχέδιο με τις παρόμοιες εικόνες,
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
14:53
and using similar images, you can now see,
297
881128
2094
και έτσι εδώ μπορείτε να δείτε
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
ο υπολογιστής τώρα μπορεί ολοκληρωτικά
να βρίσκει μόνο τα μπροστινά μέρη.
να βρίσκει μόνο τα μπροστινά μέρη.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Σε αυτό το σημείο ο άνθρωπος
μπορεί να λέει στον υπολογιστή,
μπορεί να λέει στον υπολογιστή,
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
εντάξει, μια χαρά τα πας.
Φυσικά κάποιες φορές,
ακόμα και σε αυτό το σημείο
ακόμα και σε αυτό το σημείο
15:05
Sometimes, of course, even at this point
301
893652
2185
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
είναι ακόμα δύσκολο
να διακρίνει τις ομάδες.
να διακρίνει τις ομάδες.
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
Εδώ, ακόμη και αφού ο υπολογιστής
το έχει περιστρέψει κάμποσο,
το έχει περιστρέψει κάμποσο,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
ακόμα οι εικόνες αριστερής
και δεξιάς πλευράς
και δεξιάς πλευράς
15:18
are all mixed up together.
305
906744
1478
είναι ανάμικτες.
Έτσι δίνουμε στον υπολογιστή
κάποιες οδηγίες,
κάποιες οδηγίες,
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
και του λέμε να βρει
μια προβολή που να διαχωρίζει
μια προβολή που να διαχωρίζει
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
κατά το δυνατόν
τις δεξιές από τις αριστερές πλευρές
τις δεξιές από τις αριστερές πλευρές
15:27
using this deep learning algorithm.
309
915945
2122
χρησιμοποιώντας
τον αλγόριθμο βαθιάς γνώσης.
τον αλγόριθμο βαθιάς γνώσης.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Με αυτή την οδηγία --
ωραία, είχε αποτέλεσμα.
ωραία, είχε αποτέλεσμα.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Κατάφερε να βρει τρόπο σκέψης
σχετικά με αυτά τα αντικείμενα
σχετικά με αυτά τα αντικείμενα
15:35
that's separated out these together.
312
923891
2380
ώστε να τα διαχωρίσει.
15:38
So you get the idea here.
313
926271
2438
Καταλαβαίνετε λοιπόν πώς γίνεται.
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
Αυτή δεν είναι περίπτωση που ο υπολογιστής
αντικαθιστά τον άνθρωπο,
αντικαθιστά τον άνθρωπο,
15:48
but where they're working together.
315
936906
2640
αλλά όπου συνεργάζονται.
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
Εδώ αντικαθιστούμε κάτι
που χρειαζόταν μια ομάδα
που χρειαζόταν μια ομάδα
15:55
of five or six people about seven years
317
943096
2002
πέντε ή έξι ατόμων για σχεδόν επτά χρόνια,
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
και το αντικαθιστούμε με κάτι
που χρειάζεται 15 λεπτά
που χρειάζεται 15 λεπτά
15:59
for one person acting alone.
319
947703
2505
για ένα άτομο που δουλεύει μόνο του.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Έτσι η διαδικασία αφαιρεί τέσσερις
ή πέντε επαναληπτικές φάσεις.
ή πέντε επαναληπτικές φάσεις.
16:06
You can see we now have 62 percent
321
954158
1859
Βλέπετε ότι τώρα έχουμε 62%
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
από 1,5 εκατομμύριο εικόνες
ορθά ταξινομημένες.
ορθά ταξινομημένες.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Και σε αυτό το σημείο,
μπορούμε αρκετά γρήγορα
μπορούμε αρκετά γρήγορα
16:13
grab whole big sections,
324
961448
1297
να μαρκάρουμε μεγάλα τμήματα,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
να τα τσεκάρουμε ώστε να μην έχουν λάθη.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Όπου υπάρχουν σφάλματα,
ενημερώνουμε τον υπολογιστή.
ενημερώνουμε τον υπολογιστή.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Και με αυτή τη διαδικασία για κάθε ομάδα,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
έχουμε φτάσει σε ένα ποσοστό επιτυχίας 80%
16:27
in classifying the 1.5 million images.
329
975148
2415
στην ταξινόμηση 1,5 εκατομμυρίου εικόνων.
16:29
And at this point, it's just a case
330
977563
2078
Είμαστε στη φάση όπου
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
παίρνουμε τις λίγες εικόνες
που δεν ταξινομήθηκαν σωστά
που δεν ταξινομήθηκαν σωστά
16:35
and trying to understand why.
332
983220
2888
και προσπαθούμε να βρούμε τον λόγο.
16:38
And using that approach,
333
986108
1743
Με αυτή την προσέγγιση,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
σε 15 λεπτά φτάνουμε
το 97% στον ρυθμό ταξινόμησης.
το 97% στον ρυθμό ταξινόμησης.
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
Αυτή η τεχνική θα βοηθήσει
να διορθώσουμε ένα σοβαρό πρόβλημα,
να διορθώσουμε ένα σοβαρό πρόβλημα,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
την ανεπάρκεια ειδικών
στην ιατρική σε όλο τον κόσμο.
στην ιατρική σε όλο τον κόσμο.
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
Το Παγκόσμιο Οικονομικό Φόρουμ λέει ότι
υπάρχει δεκαπλάσιο με εικοσαπλάσιο
έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο,
έλλειμμα ιατρών στον αναπτυσσόμενο κόσμο,
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
16:57
and it would take about 300 years
339
1005727
2113
και θα χρειαστούν 300 χρόνια
για να εκπαιδευθούν αρκετοί άνθρωποι
ώστε να λυθεί το πρόβλημα.
ώστε να λυθεί το πρόβλημα.
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Φαντάζεστε να μπορούσαμε
να ενισχύσουμε την απόδοσή τους
να ενισχύσουμε την απόδοσή τους
17:05
using these deep learning approaches?
342
1013619
2839
με την προσέγγιση της βαθιάς μάθησης;
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Είμαι ενθουσιασμένος
με αυτές τις προοπτικές.
με αυτές τις προοπτικές.
17:10
I'm also concerned about the problems.
344
1018690
2589
Ανησυχώ επίσης και για τα προβλήματα.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Το πρόβλημα εδώ είναι ότι
κάθε μπλε περιοχή στο χάρτη
κάθε μπλε περιοχή στο χάρτη
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
είναι μέρος όπου οι υπηρεσίες
είναι πάνω από το 80% της απασχόλησης.
είναι πάνω από το 80% της απασχόλησης.
17:20
What are services?
347
1028172
1787
Ποιες είναι οι υπηρεσίες;
17:21
These are services.
348
1029959
1514
Αυτές είναι οι υπηρεσίες.
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
Είναι αυτά ακριβώς τα πράγματα
που ο υπολογιστής μόλις έμαθε να κάνει.
που ο υπολογιστής μόλις έμαθε να κάνει.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Έτσι το 80% της παγκόσμιας απασχόλησης
στον αναπτυσσόμενο κόσμο
στον αναπτυσσόμενο κόσμο
είναι πράγματα που οι υπολογιστές
μόλις έμαθαν να κάνουν.
μόλις έμαθαν να κάνουν.
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
17:33
What does that mean?
352
1041963
1440
Τι σημαίνει αυτό;
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Κάτι θα γίνει.
Θα αντικατασταθούν από άλλες δουλειές.
Θα αντικατασταθούν από άλλες δουλειές.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Θα γίνουν περισσότερες θέσεις
για επιστήμονες δεδομένων.
για επιστήμονες δεδομένων.
17:40
Well, not really.
355
1048693
817
Όχι ακριβώς.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Δεν χρειάζονται πολύ χρόνο
να φτιάξουν κάτι τέτοιο.
να φτιάξουν κάτι τέτοιο.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Αυτούς τους τέσσερις αλγόριθμους
τους έφτιαξε το ίδιο άτομο.
τους έφτιαξε το ίδιο άτομο.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Αν σκεφτείτε, εντάξει,
το έχουμε ξαναδεί το έργο,
το έχουμε ξαναδεί το έργο,
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
είδαμε τα αποτελέσματα στο παρελθόν
όταν προέκυψαν νέες ανάγκες
όταν προέκυψαν νέες ανάγκες
17:54
and they get replaced by new jobs,
360
1062126
2252
και αντικαταστάθηκαν από νέα επαγγέλματα,
17:56
what are these new jobs going to be?
361
1064378
2116
ποια θα είναι τα νέα επαγγέλματα;
17:58
It's very hard for us to estimate this,
362
1066494
1871
Είναι πολύ δύσκολο να το εκτιμήσουμε
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
γιατί η ανθρώπινη απόδοση
αυξάνεται με σταδιακό ρυθμό,
αυξάνεται με σταδιακό ρυθμό,
18:03
but we now have a system, deep learning,
364
1071104
2562
αλλά τώρα έχουμε το σύστημα βαθιάς μάθησης
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
που αυξάνει την ικανότητά του
με ρυθμούς γεωμετρικής προόδου.
με ρυθμούς γεωμετρικής προόδου.
18:08
And we're here.
366
1076893
1605
Και είμαστε εδώ.
18:10
So currently, we see the things around us
367
1078498
2061
Προς το παρόν,
κοιτάμε γύρω μας και σκεφτόμαστε
κοιτάμε γύρω μας και σκεφτόμαστε
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
«Οι υπολογιστές είναι χαζά μηχανήματα».
Σωστά;
Σωστά;
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Σε πέντε χρόνια όμως, οι υπολογιστές
θα έχουν φύγει από τα όρια του πίνακα.
θα έχουν φύγει από τα όρια του πίνακα.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Θα πρέπει να αρχίσουμε να σκεφτόμαστε
αυτή την ικανότητα άμεσα.
αυτή την ικανότητα άμεσα.
Το έχουμε δει ακόμη μια φορά στο παρελθόν.
18:22
We have seen this once before, of course.
371
1090529
2050
18:24
In the Industrial Revolution,
372
1092579
1387
Στη Βιομηχανική Επανάσταση
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
είδαμε μια αλλαγή ρυθμού στην ικανότητα
χάρις στις μηχανές.
χάρις στις μηχανές.
Το θέμα είναι βέβαια, ότι μετά από λίγο
τα πράγματα ισοπεδώθηκαν.
τα πράγματα ισοπεδώθηκαν.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
18:32
There was social disruption,
375
1100805
1702
Υπήρξε κοινωνική διάσπαση,
αλλά εφόσον οι μηχανές χρησιμοποιήθηκαν
για την παραγωγή ενέργειας παντού
για την παραγωγή ενέργειας παντού
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
18:37
things really settled down.
377
1105946
2354
τα πράγματα έφτασαν σε μια σταθερότητα.
18:40
The Machine Learning Revolution
378
1108300
1473
Η Επανάσταση Μηχανικής Μάθησης
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
θα διαφέρει πολύ
από τη Βιομηχανική Επανάσταση
από τη Βιομηχανική Επανάσταση
επειδή η Μηχανική Μάθηση
ποτέ δεν φτάνει σε στάδιο σταθερότητας.
ποτέ δεν φτάνει σε στάδιο σταθερότητας.
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Όσο οι υπολογιστές βελτιώνονται
σε διανοητικές ικανότητες,
σε διανοητικές ικανότητες,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
θα φτιάξουν καλύτερους υπολογιστές
που θα βελτιωθούν διανοητικά περισσότερο,
που θα βελτιωθούν διανοητικά περισσότερο,
18:54
so this is going to be a kind of change
383
1122862
1908
έτσι θα είναι ένα είδος αλλαγής
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
που ο κόσμος δεν έχει ξαναζήσει,
έτσι η προηγούμενη αντίληψή σας
για το τι είναι δυνατόν είναι διαφορετική.
για το τι είναι δυνατόν είναι διαφορετική.
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
Ήδη μας επηρεάζει.
19:02
This is already impacting us.
386
1130974
1780
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Τα τελευταία 25 χρόνια, καθώς αυξανόταν
η παραγωγικότητα κεφαλαίου,
η παραγωγικότητα κεφαλαίου,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
η παραγωγικότητα εργασίας έμενε σταθερή,
ίσως και να μειωνόταν ελάχιστα.
ίσως και να μειωνόταν ελάχιστα.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Ας ξαναρχίσουμε αυτή τη συζήτηση τώρα.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Ξέρω ότι όταν κάνω συζήτηση
σχετικά με αυτή την κατάσταση,
σχετικά με αυτή την κατάσταση,
οι άνθρωποι γίνονται απαξιωτικοί.
19:19
people can be quite dismissive.
391
1147176
1490
19:20
Well, computers can't really think,
392
1148666
1673
Οι υπολογιστές δεν μπορούν να σκεφτούν,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
δεν νιώθουν,
δεν καταλαβαίνουν την ποίηση,
δεν καταλαβαίνουν την ποίηση,
εμείς δεν καταλαβαίνουμε πραγματικά
πώς αυτοί λειτουργούν.
πώς αυτοί λειτουργούν.
19:25
we don't really understand how they work.
394
1153367
2521
19:27
So what?
395
1155888
1486
Και λοιπόν;
19:29
Computers right now can do the things
396
1157374
1804
Οι υπολογιστές τώρα μπορούν να κάνουν
όσα οι άνθρωποι πληρώνονται για να κάνουν
όσα οι άνθρωποι πληρώνονται για να κάνουν
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
έτσι είναι καιρός να σκεφτούμε
19:33
so now's the time to start thinking
398
1161897
1731
πώς θα αναπροσαρμόσουμε
τις κοινωνικές και οικονομικές δομές
τις κοινωνικές και οικονομικές δομές
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
19:40
to be aware of this new reality.
400
1168015
1840
σε αυτή τη νέα πραγματικότητα.
19:41
Thank you.
401
1169855
1533
Ευχαριστώ.
(Χειροκρότημα)
19:43
(Applause)
402
1171388
802
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