TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: Les conséquences à la fois merveilleuses et effrayantes des machines qui apprennent.
Filmed:
Readability: 4.5
2,532,971 views
Que se passe-t-il lorsque l'on apprend à un ordinateur à apprendre ?
Le technologue Jeremy Howard nous fait part des derniers développements dans le domaine, en plein essor, de l'apprentissage profond, une technique qui donne aux ordinateurs la capacité à apprendre le chinois, à reconnaître des objets sur une photo ou encore à faciliter un diagnostic médical (un outil d'apprentissage profond a été capable, après des heures de visionnage de vidéos sur YouTube, de s'enseigner à lui-même le concept de « chat »).
Mettez vos connaissances à jour dans un domaine qui va changer la façon dont les ordinateurs autour de vous se comportent... plus vite que vous ne le pensez.
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
Avant, si vous vouliez qu'un ordinateur
fasse quelque chose de nouveau,
fasse quelque chose de nouveau,
00:16
you would have to program it.
1
4893
1554
vous deviez le programmer.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
La programmation, pour ceux
d'entre vous qui n'en ont jamais fait,
d'entre vous qui n'en ont jamais fait,
00:21
requires laying out in excruciating detail
3
9858
3502
nécessite de décrire,
à un niveau de détail effrayant,
à un niveau de détail effrayant,
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
chaque étape que vous voulez
que l'ordinateur fasse
que l'ordinateur fasse
00:28
in order to achieve your goal.
5
16727
2362
pour atteindre votre but.
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
Mais si ce que vous voulez,
vous ne savez pas le faire vous-même,
vous ne savez pas le faire vous-même,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
la programmation devient un immense défi.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
C'est à ce défi que se confronta
cet homme, Arthur Samuel.
cet homme, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
En 1956, il voulut que cet ordinateur
00:44
to be able to beat him at checkers.
10
32208
2340
soit capable de le battre au jeu de dames.
00:46
How can you write a program,
11
34548
2040
Comment écrire un programme,
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
décrire, en d'effrayants détails, comment
être meilleur que vous aux dames ?
être meilleur que vous aux dames ?
00:52
So he came up with an idea:
13
40394
1722
Il eut une idée :
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
faire jouer l'ordinateur contre
lui-même des milliers de fois
lui-même des milliers de fois
00:57
and learn how to play checkers.
15
45840
2524
et lui faire apprendre à jouer aux dames.
Ça a si bien fonctionné que dès 1962
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
l'ordinateur avait battu
le champion du Connecticut.
le champion du Connecticut.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Arthur Samuel est le père
de la machine apprenante,
de la machine apprenante,
01:10
and I have a great debt to him,
19
58534
1717
et j'ai une grande dette envers lui,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
parce que je travaille dans ce secteur.
01:15
I was the president of Kaggle,
21
63014
1465
J'ai été président de Kaggle,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
une communauté de 200 000 praticiens
de l'apprentissage automatique.
de l'apprentissage automatique.
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle met en place des compétitions
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
pour les amener à résoudre
des problèmes jusque là non résolus,
des problèmes jusque là non résolus,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
et ça a été un succès
des centaines de fois.
des centaines de fois.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
De ce point de vue privilégié,
j'ai pu découvrir
j'ai pu découvrir
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
beaucoup sur ce que l'apprentissage
automatique pouvait et peut faire,
automatique pouvait et peut faire,
01:35
and what it could do in the future.
28
83890
2362
et sur ce qu'il pourra faire demain.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Le premier grand succès commercial,
c'est peut-être Google.
c'est peut-être Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Google a montré qu'il était possible
de trouver des informations
de trouver des informations
01:45
by using a computer algorithm,
31
93784
1752
en utilisant un algorithme,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
et cet algorithme est basé
sur l'apprentissage automatique.
sur l'apprentissage automatique.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
L'apprentissage automatique a depuis connu
beaucoup d'autres succès commerciaux
beaucoup d'autres succès commerciaux
01:54
Companies like Amazon and Netflix
34
102323
1837
Des sociétés comme Amazon ou 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
l'utilisent pour suggérer des produits
que vous pourriez vouloir acheter,
que vous pourriez vouloir acheter,
01:59
movies that you might like to watch.
36
107876
2020
des films que vous pourriez aimer voir.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Parfois, c'en est presque effrayant.
Des entreprises comme LinkedIn et Facebook
02:03
Companies like LinkedIn and Facebook
38
111703
1954
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
vous disent parfois qui
pourraient être vos amis
pourraient être vos amis
02:08
and you have no idea how it did it,
40
116251
1977
et vous ne savez pas comment elles font,
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
car elles utilisent le pouvoir
de l'apprentissage automatique.
de l'apprentissage automatique.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Ces algorithmes ont appris à le faire
à partir de données
à partir de données
02:16
rather than being programmed by hand.
43
124152
3247
plutôt que d'être programmés manuellement.
02:19
This is also how IBM was successful
44
127399
2478
De la même manière,
IBM a pu faire en sorte
IBM a pu faire en sorte
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
que Watson batte les champions du monde
de « Jeopardy »,
de « Jeopardy »,
en répondant à des questions
très difficiles comme :
très difficiles comme :
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
« Le "Lion de Nimrud" a disparu
en 2003 du musée de cette ville »
en 2003 du musée de cette ville »
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
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
C'est aussi pourquoi nous voyons
les premières voitures autonomes.
les premières voitures autonomes.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Être capable de faire
la différence entre, disons,
la différence entre, disons,
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
un arbre et un piéton,
est plutôt important.
est plutôt important.
Nous ne savons pas écrire
de tels programmes manuellement,
de tels programmes manuellement,
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
mais l'apprentissage automatique
rend la chose possible.
rend la chose possible.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Cette voiture a roulé
plus de 1,6 millions de km
plus de 1,6 millions de km
02:48
without any accidents on regular roads.
54
156680
3506
sur des routes ordinaires,
sans le moindre accident.
sans le moindre accident.
02:52
So we now know that computers can learn,
55
160196
3914
Nous savons maintenant que les ordinateurs
peuvent apprendre,
peuvent apprendre,
02:56
and computers can learn to do things
56
164110
1900
et apprendre à faire des choses
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
que nous ne savons pas
toujours faire nous-mêmes,
toujours faire nous-mêmes,
03:00
or maybe can do them better than us.
58
168848
2885
ou qu'ils peuvent peut-être
faire mieux que nous.
faire mieux que nous.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Un des cas les plus étonnants
d'apprentissage automatique que j'ai vu
d'apprentissage automatique que j'ai vu
03:07
happened on a project that I ran at Kaggle
60
175928
2392
s'est produit lors d'un projet de Kaggle,
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
où une équipe dirigée par Geoffrey Hinton,
03:13
from the University of Toronto
62
181911
1552
de l'Université de Toronto,
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
a gagné un concours de
découverte de la drogue.
découverte de la drogue.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Ce qui est extraordinaire n'est
pas juste qu'ils aient battu
pas juste qu'ils aient battu
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
tous les algorithmes de Merck ou de la
communauté universitaire internationale,
communauté universitaire internationale,
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
mais que personne de l'équipe n'ait de
formation en chimie ou biologie,
formation en chimie ou biologie,
et qu'ils l'aient fait en deux semaines.
03:30
and they did it in two weeks.
67
198061
2169
03:32
How did they do this?
68
200230
1381
Comment ont-ils fait ?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Avec un algorithme génial
appelé apprentissage profond.
appelé apprentissage profond.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Ça a été si important
que leur succès donna lieu
que leur succès donna lieu
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
à un article en une du New York Times
quelques semaines plus tard.
quelques semaines plus tard.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Il s'agit de Geoffrey Hinton,
là, à gauche, sur l'écran.
là, à gauche, sur l'écran.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
L'apprentissage profond s'inspire
du fonctionnement du cerveau :
du fonctionnement du cerveau :
03:50
and as a result it's an algorithm
74
218488
1812
c'est un algorithme qui n'a donc
aucune limite théorique.
aucune limite théorique.
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Plus vous lui donnez de données,
et de temps de calcul,
et de temps de calcul,
03:58
the better it gets.
77
226964
1312
plus il devient meilleur.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
Le New York Times montra
aussi dans son article
aussi dans son article
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
un autre résultat inouï
de l'apprentissage profond,
de l'apprentissage profond,
04:04
which I'm going to show you now.
80
232857
2712
que je vais maintenant vous montrer.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Il montre que les ordinateurs
sont capables d'écouter et comprendre.
sont capables d'écouter et comprendre.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Vidéo) Richard Rashid:
La dernière étape
La dernière étape
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
que je voudrais pouvoir atteindre,
04:18
is to actually speak to you in Chinese.
84
246246
4715
c'est de vous parler en chinois.
L'élément-clé ici, c'est
04:22
Now the key thing there is,
85
250961
2635
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
que nous avons pu collecter beaucoup
de données auprès de nombreux sinophones
de données auprès de nombreux sinophones
et produire un système de vocalisation
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
qui convertit du texte chinois
en parole chinoise,
en parole chinoise,
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
puis nous avons pris environ une heure
d'enregistrement de ma propre voix,
d'enregistrement de ma propre voix,
04:41
and we've used that to modulate
90
269929
1891
et nous l'avons utilisé pour moduler
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
le système de vocalisation,
afin que la voix ressemble à la mienne.
afin que la voix ressemble à la mienne.
04:48
Again, the result's not perfect.
92
276364
2540
Le résultat n'est pas parfait.
04:50
There are in fact quite a few errors.
93
278904
2648
Il y a un certain nombre d'erreurs.
04:53
(In Chinese)
94
281552
2484
(En chinois)
04:56
(Applause)
95
284036
3367
(Applaudissements)
05:01
There's much work to be done in this area.
96
289446
3576
Il y a encore beaucoup de travail à faire
05:05
(In Chinese)
97
293022
3645
(En chinois)
05:08
(Applause)
98
296667
3433
(Applaudissements)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
J. H. : C'était une conférence en
Chine sur l'apprentissage automatique.
Chine sur l'apprentissage automatique.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Il est rare,
lors de conférences universitaires,
lors de conférences universitaires,
d'entendre des applaudissements spontanés,
05:19
that you do hear spontaneous applause,
101
307114
1897
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
quoique cela arrive parfois aux
conférences TEDx. N'hésitez pas.
conférences TEDx. N'hésitez pas.
L'apprentissage profond était
derrière tout ça.
derrière tout ça.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
05:27
(Applause) Thank you.
104
315482
1525
(Applaudissements)
Merci.
Merci.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
La transcription en anglais,
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
la traduction en chinois
et la construction de la voix étaient
tous de l'apprentissage profond.
tous de l'apprentissage profond.
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
L'apprentissage profond est
cette chose extraordinaire.
cette chose extraordinaire.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
C'est un seul algorithme qui semble
pouvoir presque tout faire,
pouvoir presque tout faire,
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
et j'ai découvert qu'un an plus tôt,
il avait aussi appris à voir.
il avait aussi appris à voir.
05:47
In this obscure competition from Germany
111
335452
2176
Dans une obscure compétition en Allemagne,
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
le « Test de Reconnaissance
de Panneaux Routiers »,
de Panneaux Routiers »,
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
l'apprentissage profond a appris à
reconnaître des panneaux,
reconnaître des panneaux,
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
non seulement mieux
que tous les autres algorithmes,
que tous les autres algorithmes,
05:57
better than any other algorithm,
115
345712
1758
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
mais également mieux
que les humains -
que les humains -
06:02
about twice as good as people.
117
350189
1852
environ deux fois mieux :
06:04
So by 2011, we had the first example
118
352041
1996
dès 2011, nous avions un exemple
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
d'ordinateurs pouvant voir
mieux qu'un être humain.
mieux qu'un être humain.
06:09
Since that time, a lot has happened.
120
357442
2049
Depuis, beaucoup de choses
se sont passées.
se sont passées.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
En 2012, Google a annoncé qu'un
algorithme d'apprentissage profond,
algorithme d'apprentissage profond,
06:15
watch YouTube videos
122
363005
1415
regardant des vidéos YouTube
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
et analysant les données sur
16 000 ordinateurs pendant un mois,
16 000 ordinateurs pendant un mois,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
a pu apprendre, de lui-même, les concepts
de « chat » ou encore d'« être humain »,
de « chat » ou encore d'« être humain »,
06:24
just by watching the videos.
125
372218
1809
juste en regardant ces vidéos.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Les êtres humains apprennent
de la même manière :
de la même manière :
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
on n'apprend pas une chose
par explication,
par explication,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
mais on l'apprend par
les perceptions individuelles.
les perceptions individuelles.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
En 2012 également, Geoffrey Hinton,
dont nous avons déjà parlé,
dont nous avons déjà parlé,
06:37
won the very popular ImageNet competition,
130
385819
2858
a gagné le très réputé
concours « ImageNet »,
concours « 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
où il s'agit d'identifier,
au sein d'un million et demi d'images,
au sein d'un million et demi d'images,
06:44
what they're pictures of.
132
392818
1438
les images en question.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
En 2014, nous sommes tombés
à un taux d'erreur de 6%
à un taux d'erreur de 6%
06:49
in image recognition.
134
397789
1453
en reconnaissance visuelle.
06:51
This is better than people, again.
135
399242
2026
C'est, de nouveau,
mieux qu'un être humain.
mieux qu'un être humain.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Les machines font vraiment
ici un travail extraordinaire,
ici un travail extraordinaire,
06:57
and it is now being used in industry.
137
405037
2269
avec, désormais, des
applications industrielles.
applications industrielles.
06:59
For example, Google announced last year
138
407306
3042
Par exemple, Google a annoncé l'an dernier
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
qu'ils avaient cartographié l'ensemble
des lieux de France en deux heures,
des lieux de France en deux heures,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
en fournissant des images
de Street View
de Street View
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
à un algorithme d'apprentissage profond,
pour qu'il reconnaisse les numéros de rue.
pour qu'il reconnaisse les numéros de rue.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Imaginez le temps
qu'il aurait fallu avant :
qu'il aurait fallu avant :
07:16
dozens of people, many years.
143
424919
3355
des dizaines de personnes,
plusieurs années.
plusieurs années.
07:20
This is also happening in China.
144
428274
1911
C'est la même histoire en Chine.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu est, on peut dire,
une sorte de Google chinois.
une sorte de Google chinois.
07:26
and what you see here in the top left
146
434221
2283
Ce que vous voyez en haut à gauche,
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
est une photo que j'ai chargée sur le
système d'apprentissage profond de Baidu,
système d'apprentissage profond de 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
et, dessous, vous voyez que le système
a compris ce qui était sur la photo,
a compris ce qui était sur la photo,
07:36
and found similar images.
149
444247
2236
et trouvé des images similaires.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Les images similaires ont le
même arrière-plan,
même arrière-plan,
07:41
similar directions of the faces,
151
449219
1658
la tête dans le même sens,
07:42
even some with their tongue out.
152
450877
1788
certaines même avec la langue sortie.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Ce n'est pas une recherche
sur le texte d'une page web.
sur le texte d'une page web.
07:47
All I uploaded was an image.
154
455695
1412
Je n'ai chargé qu'une image.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Les ordinateurs peuvent donc désormais
vraiment comprendre ce qu'ils voient,
vraiment comprendre ce qu'ils voient,
07:53
and can therefore search databases
156
461128
1624
et consulter une base de données
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
de centaines de millions d'images
en temps réel.
en temps réel.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Quelles conséquences, maintenant que
les ordinateurs peuvent voir ?
les ordinateurs peuvent voir ?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Les machines ne savent pas seulement voir.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
L'apprentissage profond va plus loin.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Une phrase complexe et
nuancée comme celle-ci,
nuancée comme celle-ci,
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
est maintenant compréhensible
par ces algorithmes.
par ces algorithmes.
08:11
As you can see here,
163
479394
1303
Comme vous pouvez le voir,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
ce système de Stanford,
avec le point rouge en haut,
avec le point rouge en haut,
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
a compris que la phrase
comportait un jugement négatif.
comportait un jugement négatif.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
L'apprentissage profond est désormais
proche des performances humaines
proche des performances humaines
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
pour comprendre le sujet d'une phrase,
et le jugement qui y est exprimé.
et le jugement qui y est exprimé.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Il a aussi été utilisé
pour lire le chinois,
pour lire le chinois,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
à un niveau proche de
celui d'un locuteur natif.
celui d'un locuteur natif.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Cet algorithme a été développé en Suisse
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
par des personnes dont aucune ne parlait
ni ne comprenait le chinois.
ni ne comprenait le chinois.
08:39
As I say, using deep learning
172
507331
2051
Utiliser l'apprentissage profond
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
constitue le meilleur système
dans ce cas,
dans ce cas,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
même comparé
à la compréhension humaine.
à la compréhension humaine.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Il s'agit ici d'un système
mis en place dans mon entreprise,
mis en place dans mon entreprise,
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
qui regroupe tout ça.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Ce sont des images qui ne sont
pas liées à du texte,
pas liées à du texte,
08:56
and as I'm typing in here sentences,
178
524189
2352
et, alors que j'écris ici des phrases,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
en temps réel, le système comprend
les images,
les images,
09:01
and figuring out what they're about
180
529510
1679
identifie leur sujet,
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
et trouve des images correspondant au
texte que j'écris.
texte que j'écris.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Il comprend véritablement mes phrases,
09:09
and actually understanding these pictures.
183
537108
2224
et comprend véritablement ces images.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Je sais que vous voyez
ça sur Google,
ça sur Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
où l'on peut trouver des images
en tapant un texte,
en tapant un texte,
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
mais ce n'est qu'une recherche
dans le texte de la page web.
dans le texte de la page web.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
C'est très différent de comprendre
vraiment les images.
vraiment les images.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
C'est quelque chose que
les ordinateurs n'ont pu faire
les ordinateurs n'ont pu faire
09:25
for the first time in the last few months.
189
553843
3248
pour la première fois
que très récemment.
que très récemment.
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
Les ordinateurs peuvent donc
non seulement voir, mais aussi lire,
non seulement voir, mais aussi lire,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
et, bien sûr, nous avons montré qu'ils
peuvent comprendre ce qu'ils entendent.
peuvent comprendre ce qu'ils entendent.
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
Pas très surprenant si je vous
dis maintenant qu'ils peuvent écrire.
dis maintenant qu'ils peuvent écrire.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
A partir d'un algorithme d'apprentissage
profond, j'ai généré ce texte hier.
profond, j'ai généré ce texte hier.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Ici, ce sont des textes générés par un
algorithme de Stanford.
algorithme de Stanford.
09:49
Each of these sentences was generated
195
577096
1764
Chacune de ces phrases a été générée
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
par un algorithme d'apprentissage profond
décrivant l'image au-dessus.
décrivant l'image au-dessus.
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
Cet algorithme n'avait jamais vu un homme
habillé en noir jouant de la guitare.
habillé en noir jouant de la guitare.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Il avait vu déjà vu un homme,
déjà vu du noir,
déjà vu du noir,
10:01
it's seen a guitar before,
199
589801
1599
déjà vu une guitare,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
mais a généré de manière autonome
cette nouvelle description de cette photo.
cette nouvelle description de cette photo.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Nous n'atteignons pas encore
les performances humaines, mais presque.
les performances humaines, mais presque.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Dans les tests réalisés, les personnes
préfèrent la légende de l'ordinateur
préfèrent la légende de l'ordinateur
10:15
one out of four times.
203
603264
1527
une fois sur quatre.
10:16
Now this system is now only two weeks old,
204
604791
2064
Ce système n'a que deux semaines,
10:18
so probably within the next year,
205
606855
1846
et l'on peut supposer que d'ici un an,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
l'algorithme aurait surpassé
les performances humaines
les performances humaines
10:23
at the rate things are going.
207
611502
1862
- au rythme où ça va.
10:25
So computers can also write.
208
613364
3049
Les ordinateurs peuvent donc aussi écrire.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Si l'on rassemble tout ça, les
perspectives deviennent prometteuses.
perspectives deviennent prometteuses.
10:31
For example, in medicine,
210
619888
1492
Par exemple, en médecine,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
une équipe de Boston a annoncé
qu'elle avait découvert
qu'elle avait découvert
10:35
dozens of new clinically relevant features
212
623905
2949
des dizaines de nouveaux signes cliniques
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
de tumeurs, qui aident les docteurs
à diagnostiquer un cancer.
à diagnostiquer un cancer.
10:44
Very similarly, in Stanford,
214
632220
2296
De façon très proche, à Stanford,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
une équipe a annoncé qu'en
observant des tissus au microscope,
observant des tissus au microscope,
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
ils ont développé un système
de machine apprenante
de machine apprenante
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
qui est vraiment meilleur
qu'un pathologiste
qu'un pathologiste
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
pour prédire les taux de survie
de personnes atteintes de cancer.
de personnes atteintes de cancer.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
Dans ces deux cas, non seulement
les prévisions étaient meilleures,
les prévisions étaient meilleures,
11:02
but they generated new insightful science.
220
650764
2502
mais elles ont aussi permis
des découvertes majeures.
des découvertes majeures.
11:05
In the radiology case,
221
653276
1505
Dans l'exemple en radiologie,
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
de nouveaux signes cliniques
compréhensibles par l'homme.
compréhensibles par l'homme.
11:09
In this pathology case,
223
657876
1792
Dans l'exemple en pathologie,
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
le système informatique a découvert
que les cellules autour du cancer
que les cellules autour du cancer
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
étaient aussi importantes que les cellules
cancéreuses elles-mêmes
cancéreuses elles-mêmes
11:19
in making a diagnosis.
226
667508
1752
pour porter un diagnostic,
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
à rebours de ce qui a été enseigné
aux pathologistes pendant des décennies.
aux pathologistes pendant des décennies.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
Dans ces deux cas, les systèmes
ont été développés
ont été développés
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
en associant experts médicaux et
experts de l'apprentissage automatique,
experts de l'apprentissage automatique,
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
mais, depuis l'an dernier,
un nouveau cap a été franchi.
un nouveau cap a été franchi.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Il s'agit ici d'un exemple
d'identification de zones cancéreuses
d'identification de zones cancéreuses
11:39
of human tissue under a microscope.
232
687824
2530
d'un tissu humain au microscope.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Ce système peut identifier ces zones
avec plus de précisions,
avec plus de précisions,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
ou, du moins, avec autant de précision
qu'un pathologiste,
qu'un pathologiste,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
mais a été entièrement créé par
l'apprentissage profond créé
l'apprentissage profond créé
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
par des personnes n'ayant
pas de formation médicale.
pas de formation médicale.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
De même, pour cette
classification de neurones.
classification de neurones.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
On peut désormais classer les neurones
avec autant de précisions qu'un humain,
avec autant de précisions qu'un humain,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
et ce système a été créé
avec l'apprentissage profond,
avec l'apprentissage profond,
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
par des gens n'ayant pas de
connaissance médicale antérieure.
connaissance médicale antérieure.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Moi-même, sans connaissance
médicale antérieure,
médicale antérieure,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
je semble être pleinement qualifié
pour créer une entreprise dans la santé
pour créer une entreprise dans la santé
12:15
which I did.
243
723875
2146
- ce que j'ai fait.
12:18
I was kind of terrified of doing it,
244
726021
1740
J'étais terrifié à cette idée,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
mais, la théorie suggérait
qu'il devait être possible
qu'il devait être possible
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
d'être utile dans ce secteur en ne maniant
que ces moyens d'analyse de données.
que ces moyens d'analyse de données.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Et, heureusement, les retours
ont été fabuleux,
ont été fabuleux,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
ceux des médias,
mais aussi ceux du corps médical,
mais aussi ceux du corps médical,
12:32
who have been very supportive.
249
740978
2344
qui a été d'un grand soutien.
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
La théorie, c'est que l'on peut isoler
la partie centrale du processus médical,
la partie centrale du processus médical,
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
pour procéder, autant que possible,
à des analyses de données,
à des analyses de données,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
et laisser les médecins se consacrer
sur leurs forces.
sur leurs forces.
12:45
I want to give you an example.
253
753429
1602
Je veux vous donner un exemple.
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
Il nous faut désormais environ 15 minutes
pour faire un nouveau diagnostic médical,
pour faire un nouveau diagnostic médical,
12:51
and I'll show you that in real time now,
255
759975
1954
et je vais vous le montrer en temps réel,
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
même si je l'ai réduit à trois minutes
en supprimant certaines parties.
en supprimant certaines parties.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Plutôt que de vous montrer la création
d'un diagnostic médical,
d'un diagnostic médical,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
je vais vous montrer un diagnostic
d'images de voitures :
d'images de voitures :
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
c'est quelque chose que
tout le monde comprend.
tout le monde comprend.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Nous commençons avec environ
1,5 million d'images de voitures,
1,5 million d'images de voitures,
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
et ce que je veux, c'est les organiser
selon l'angle selon lequel
selon l'angle selon lequel
13:12
of the photo that's being taken.
262
780475
2223
la photo a été prise.
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
Ces images ne sont pas cataloguées :
je dois partir de zéro.
je dois partir de zéro.
13:18
With our deep learning algorithm,
264
786586
1865
Notre algorithme
d'apprentissage profond
d'apprentissage profond
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
permet d'identifier les structures
dans ces images.
dans ces images.
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
L'être humain et l'ordinateur peuvent
maintenant travailler ensemble.
maintenant travailler ensemble.
13:27
So the human, as you can see here,
267
795778
2178
L'être humain, comme vous le voyez ici,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
indique à la machine
les zones d'intérêt,
les zones d'intérêt,
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
celles à lesquelles il veut qu'elle
s'intéresse pour améliorer son algorithme.
s'intéresse pour améliorer son algorithme.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Les systèmes d'apprentissage profond sont
des espaces à 16 000 dimensions [sic],
des espaces à 16 000 dimensions [sic],
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
et vous pouvez voir ici l'ordinateur qui
pivote au sein de cet espace,
pivote au sein de cet espace,
13:45
trying to find new areas of structure.
272
813009
1992
pour trouver de nouvelles structures.
13:47
And when it does so successfully,
273
815001
1781
Quand il y arrive,
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
l'être humain peut ensuite lui signaler
les zones intéressantes.
les zones intéressantes.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Ici, l'ordinateur a pu trouver
une zone avec,
une zone avec,
13:55
for example, angles.
276
823208
2562
par exemple, des angles.
13:57
So as we go through this process,
277
825770
1606
Au fur et à mesure,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
nous en disons de plus en plus
à l'ordinateur
à l'ordinateur
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
sur le type de structures
que l'on recherche.
que l'on recherche.
14:04
You can imagine in a diagnostic test
280
832144
1772
Imaginez un diagnostic médical,
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
par exemple un pathologiste identifiant
des zones malades,
des zones malades,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
ou un radiologue montrant
des nodules potentiellement inquiétants.
des nodules potentiellement inquiétants.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Parfois, cela devient difficile
pour l'algorithme.
pour l'algorithme.
14:16
In this case, it got kind of confused.
284
844851
1964
Ici, il s'est un peu emmêlé les pinceaux.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
L'avant et l'arrière des voitures
sont mêlés.
sont mêlés.
14:21
So here we have to be a bit more careful,
286
849365
2072
Nous devons faire
un peu plus attention,
un peu plus attention,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
et dissocier manuellement les avants
des arrières,
des arrières,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
puis dire à l'ordinateur que
cette classification nous importe.
cette classification nous importe.
14:32
that we're interested in.
289
860175
1348
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Nous continuons comme ça,
et, un peu plus tard,
et, un peu plus tard,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
nous allons former l'algorithme
14:38
based on these couple of hundred things,
292
866446
1974
sur la base de ces classifications,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
et espérer qu'il s'est amélioré.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Comme vous le voyez, il a commencé à
estomper certaines photos,
estomper certaines photos,
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
montrant qu'il sait déjà comment
comprendre certaines d'entre elles.
comprendre certaines d'entre elles.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Nous pouvons ensuite utiliser ce
concept d'images similaires,
concept d'images similaires,
14:53
and using similar images, you can now see,
297
881128
2094
et, voir que, en s'en servant,
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
l'ordinateur est désormais capable de
trouver seulement les avants de voiture.
trouver seulement les avants de voiture.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
A ce stade, l'être humain
peut dire à l'ordinateur :
peut dire à l'ordinateur :
«Ok, tu t'en es bien sorti. »
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
Bien sûr, parfois, même à ce stade,
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
il est encore difficile
de faire des groupes.
de faire des groupes.
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
Ici, même après avoir laissé l'ordinateur
pivoter pendant un moment,
pivoter pendant un moment,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
les photos de voitures vues de droite
et celles vues de gauche sont
et celles vues de gauche sont
15:18
are all mixed up together.
305
906744
1478
encore toutes mêlées.
Nous lui donnons de nouveau
des indications,
des indications,
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
puis lui disons de chercher
une projection qui fait le tri
une projection qui fait le tri
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
entre les photos de droite et de gauche -
15:27
using this deep learning algorithm.
309
915945
2122
avec l'algorithme d'apprentissage profond.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Avec ces indications, nous avons réussi.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Il a trouvé une manière de considérer
ces objets qui en permet le tri.
ces objets qui en permet le tri.
15:35
that's separated out these together.
312
923891
2380
15:38
So you get the idea here.
313
926271
2438
Vous avez saisi l'idée.
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
Nous ne somme pas ici dans une
substitution de l'homme par la machine,
substitution de l'homme par la machine,
15:48
but where they're working together.
315
936906
2640
mais dans un travail conjoint.
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
Ce que nous faisons, c'est prendre
quelque chose qui mobilisait une équipe
quelque chose qui mobilisait une équipe
15:55
of five or six people about seven years
317
943096
2002
de cinq ou six personnes pendant sept ans
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
et y substituer quelque chose qui
prend 15 minutes à une seule personne.
prend 15 minutes à une seule personne.
15:59
for one person acting alone.
319
947703
2505
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Cette méthode nécessite quatre
ou cinq itérations,
ou cinq itérations,
16:06
You can see we now have 62 percent
321
954158
1859
et nous avons maintenant 62%
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
de nos 1,5 million d'images
classifiées correctement.
classifiées correctement.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
A ce stade, nous pouvons
commencer à prendre
commencer à prendre
16:13
grab whole big sections,
324
961448
1297
des parties entières,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
et vérifier rapidement
qu'il n'y a pas d'erreurs.
qu'il n'y a pas d'erreurs.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Quand il y a des erreurs, nous en
informons l'ordinateur,
informons l'ordinateur,
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
et, en utilisant cette méthode
pour tous les groupes,
pour tous les groupes,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
nous en arrivons à un
taux de réussite de 80%
taux de réussite de 80%
16:27
in classifying the 1.5 million images.
329
975148
2415
dans la classification de ces images.
16:29
And at this point, it's just a case
330
977563
2078
A partir de là, il s'agit juste
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
de trouver le petit nombre d'images
mal classées,
mal classées,
16:35
and trying to understand why.
332
983220
2888
et à essayer de comprendre pourquoi.
16:38
And using that approach,
333
986108
1743
Avec cette approche,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
en 15 minutes, nous parvenons à un
taux de classification de 97%.
taux de classification de 97%.
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
Ce type de méthode pourrait nous
permettre de régler un problème majeur :
permettre de régler un problème majeur :
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
le manque d'expertise médicale
dans le monde.
dans le monde.
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
Le Forum économique mondial estime
qu'il faudrait 10 à 20 fois plus
qu'il faudrait 10 à 20 fois plus
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
de médecins dans les pays
en voie de développement
en voie de développement
16:57
and it would take about 300 years
339
1005727
2113
et qu'il faudrait 300 ans
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
pour former suffisamment de personnes
et régler ce problème.
et régler ce problème.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Imaginez alors que nous puissions
accroître leur productivité
accroître leur productivité
17:05
using these deep learning approaches?
342
1013619
2839
avec ces méthodes d'apprentissage profond.
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Les opportunités m'enchantent.
17:10
I'm also concerned about the problems.
344
1018690
2589
Mais les dangers m’inquiètent.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Le problème, c'est que dans tous les pays
en bleu sur la carte,
en bleu sur la carte,
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
le secteur tertiaire représente
plus de 80% de l'emploi.
plus de 80% de l'emploi.
17:20
What are services?
347
1028172
1787
C'est quoi le secteur tertiaire ?
17:21
These are services.
348
1029959
1514
C'est ça.
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
Ce sont exactement ces choses que les
ordinateurs viennent d'apprendre à faire.
ordinateurs viennent d'apprendre à faire.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
80% des emplois dans les pays développés
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
consiste en ce qu'une machine
sait désormais faire.
sait désormais faire.
17:33
What does that mean?
352
1041963
1440
Qu'est-ce que cela veut dire ?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Tout ira bien.
D'autres emplois les remplaceront,
D'autres emplois les remplaceront,
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
par exemple, dans l'analyse de données.
17:40
Well, not really.
355
1048693
817
Pas vraiment.
Ce n'est pas long pour un analyste de
données de construire ça.
données de construire ça.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Par exemple, ces quatre algorithmes
sont tous de la même personne.
sont tous de la même personne.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Vous pensez peut-être
que c'est du déjà-vu,
que c'est du déjà-vu,
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
que nous connaissons les conséquences
de l'arrivée de nouvelles choses,
de l'arrivée de nouvelles choses,
17:54
and they get replaced by new jobs,
360
1062126
2252
de nouveaux emplois qui
remplacent les anciens.
remplacent les anciens.
17:56
what are these new jobs going to be?
361
1064378
2116
Que seront ces nouveaux emplois ?
17:58
It's very hard for us to estimate this,
362
1066494
1871
C'est très dur à estimer :
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
l'amélioration des performances
humaines est graduelle,
humaines est graduelle,
18:03
but we now have a system, deep learning,
364
1071104
2562
tandis que ce système,
l'apprentissage profond,
l'apprentissage profond,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
s'améliore de façon exponentielle.
18:08
And we're here.
366
1076893
1605
Et nous en sommes là.
18:10
So currently, we see the things around us
367
1078498
2061
En regardant autour de nous,
nous pensons :
nous pensons :
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
« Les machines sont
toujours idiotes ». Pas vrai ?
toujours idiotes ». Pas vrai ?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Mais d'ici cinq ans, elles seront
bien plus haut dans la courbe.
bien plus haut dans la courbe.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Nous devons commencer à penser
dès maintenant à ces capacités futures.
dès maintenant à ces capacités futures.
18:22
We have seen this once before, of course.
371
1090529
2050
Ce n'est pas la première fois, bien sûr.
18:24
In the Industrial Revolution,
372
1092579
1387
Les machines de la Révolution Industrielle
augmentèrent nos capacités.
augmentèrent nos capacités.
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
Mais, au bout d'un moment,
les choses se calmèrent.
les choses se calmèrent.
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
Il y eut des troubles sociaux, mais
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
une fois les machines utilisées
pour la plupart des cas utiles,
pour la plupart des cas utiles,
18:37
things really settled down.
377
1105946
2354
les choses s'apaisèrent.
18:40
The Machine Learning Revolution
378
1108300
1473
La Révolution des Machines Apprenantes
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
sera très différente
de la Révolution Industrielle,
de la Révolution Industrielle,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
parce que dans son cas, les choses
ne se calmeront pas.
ne se calmeront pas.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Plus les ordinateurs progressent
dans les activités cérébrales,
dans les activités cérébrales,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
plus ils peuvent créer de meilleurs
ordinateurs, et progresser encore.
ordinateurs, et progresser encore.
18:54
so this is going to be a kind of change
383
1122862
1908
Nous sommes devant un type d'évolution
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
que le monde n'a jamais
expérimentée auparavant :
expérimentée auparavant :
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
notre compréhension antérieure
des possibles n'est pas adaptée.
des possibles n'est pas adaptée.
19:02
This is already impacting us.
386
1130974
1780
Nous en subissons déjà les impacts.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Ces 25 dernières années, alors que
la productivité du capital augmentait,
la productivité du capital augmentait,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
la productivité du travail restait stable,
était même légèrement en baisse.
était même légèrement en baisse.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Je voudrais lancer
ce débat dès maintenant.
ce débat dès maintenant.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Je sais d'expérience que lorsque
je parle de ça aux gens,
je parle de ça aux gens,
19:19
people can be quite dismissive.
391
1147176
1490
ils peuvent être sceptiques.
19:20
Well, computers can't really think,
392
1148666
1673
Les machines ne peuvent pas penser,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
elles n'ont pas d'émotions,
ne comprennent pas la poésie.
ne comprennent pas la poésie.
19:25
we don't really understand how they work.
394
1153367
2521
Nous ne comprenons pas
comment elles fonctionnent.
comment elles fonctionnent.
19:27
So what?
395
1155888
1486
Et alors ?
19:29
Computers right now can do the things
396
1157374
1804
Elles peuvent dès maintenant faire
ce pour quoi les hommes sont payés.
ce pour quoi les hommes sont payés.
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
19:33
so now's the time to start thinking
398
1161897
1731
C'est le moment de commencer
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
à réfléchir à la façon d'ajuster nos
structures sociales et économiques,
structures sociales et économiques,
19:40
to be aware of this new reality.
400
1168015
1840
d'être au fait de cette nouvelle réalité.
19:41
Thank you.
401
1169855
1533
Merci.
(Applaudissements)
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