ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives.

Why you should listen

Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."

Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.

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

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

Jeremy Howard: A tanuló számítógépek viselkedésének csodálatos és hátborzongató következményei

Filmed:
2,532,971 views

Mi történik, ha megtanítjuk a számítógépnek, hogyan tanuljon? Jeremy Howard technológiai szakember a mély tanulás gyorsan fejlődő területén született néhány meglepő új eredményről beszél; olyan technikáról, amely képessé teszi a számítógépeket, hogy kínaiul tanuljanak, vagy fényképekről tárgyakat ismerjenek föl, vagy, átgondolják az orvosi diagnózist. (Az egyik mély tanulási eszköz a YouTube néhány órai figyelése alapján megtanította magának a "macska" fogalmát.) Tartsunk lépést azzal a tudományterülettel, amely meg fogja változtatni a számítógépek viselkedését... hamarabb, mint gondolnánk.
- Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio

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

Valaha, ha azt akartuk, hogy
a számítógép
00:12
It used to be that if you wanted
to get a computerszámítógép to do something newúj,
0
880
4013
csináljon meg valamit, előtte
be kellett rá programoznunk.
00:16
you would have to programprogram it.
1
4893
1554
00:18
Now, programmingprogramozás, for those of you here
that haven'tnincs doneKész it yourselfsaját magad,
2
6447
3411
Azoknak, akik sohasem programoztak:
a programozás
00:21
requiresigényel layingmegállapításáról szóló out in excruciatingkínzó detailRészlet
3
9858
3502
annyit tesz, hogy célunk érdekében
aprólékosan, lépésenként
00:25
everyminden singleegyetlen steplépés that you want
the computerszámítógép to do
4
13360
3367
részletesen közölni kell a géppel,
00:28
in ordersorrend to achieveelér your goalcél.
5
16727
2362
mikor mit csináljon.
00:31
Now, if you want to do something
that you don't know how to do yourselfsaját magad,
6
19089
3496
De ha olyat akarunk tenni,
amiről mi sem tudjuk, miként kell,
00:34
then this is going
to be a great challengekihívás.
7
22585
2063
az ám az igazi kunszt!
00:36
So this was the challengekihívás facedszembe
by this man, ArthurArthur SamuelSámuel.
8
24648
3483
Ilyen feladattal találkozott
Arthur Samuel.
00:40
In 1956, he wanted to get this computerszámítógép
9
28131
4077
1956-ban szerette volna,
ha a számítógép legyőzi dámajátékban.
00:44
to be ableképes to beatüt him at checkersdáma.
10
32208
2340
00:46
How can you writeír a programprogram,
11
34548
2040
Hogy lehet megírni egy programot
00:48
layvilági out in excruciatingkínzó detailRészlet,
how to be better than you at checkersdáma?
12
36588
3806
minden apró részletében,
hogy a számítógép győzzön?
00:52
So he camejött up with an ideaötlet:
13
40394
1722
Támadt egy ötlete:
00:54
he had the computerszámítógép playjáték
againstellen itselfmaga thousandsTöbb ezer of timesalkalommal
14
42116
3724
A gépet önmaga ellen játszatta
több ezerszer,
00:57
and learntanul how to playjáték checkersdáma.
15
45840
2524
hogy a gép tanulja, hogyan kell játszani.
01:00
And indeedvalóban it workeddolgozott,
and in facttény, by 1962,
16
48364
3180
A dolog sikerült, és 1962-re
01:03
this computerszámítógép had beatenlegyőzött
the ConnecticutConnecticut stateállapot championbajnok.
17
51544
4017
a számítógép legyőzte
Connecticut állam bajnokát.
01:07
So ArthurArthur SamuelSámuel was
the fatherapa of machinegép learningtanulás,
18
55561
2973
Úgyhogy Samuelt a gépi
tanulás atyjának nevezhetjük.
01:10
and I have a great debtadósság to him,
19
58534
1717
Le vagyok kötelezve neki,
01:12
because I am a machinegép
learningtanulás practitionergyakorló orvos.
20
60251
2763
mert gépi tanulással foglalkozom.
01:15
I was the presidentelnök of KaggleKaggle,
21
63014
1465
A Kaggle elnöke voltam, a közösségé,
01:16
a communityközösség of over 200,000
machinegép learningtanulás practictionerspractictioners.
22
64479
3388
ahol 200.000-nél többen foglalkoznak
gépi tanulással.
01:19
KaggleKaggle putshelyezi up competitionsversenyek
23
67867
2058
A Kaggle versenyeket
szervez nekik,
01:21
to try and get them to solvemegfejt
previouslykorábban unsolvedmegoldatlan problemsproblémák,
24
69925
3708
hogy oldjanak meg eddig
megoldatlan problémákat,
01:25
and it's been successfulsikeres
hundredsszáz of timesalkalommal.
25
73633
3837
s ezek több száz alkalommal
bizonyultak sikeresnek.
01:29
So from this vantageVantage pointpont,
I was ableképes to find out
26
77470
2470
Ebből a pozícióból
rá tudtam jönni sok mindenre:
01:31
a lot about what machinegép learningtanulás
can do in the pastmúlt, can do todayMa,
27
79940
3950
mire volt képes a gépi tanulás
a múltban, mire a jelenben
01:35
and what it could do in the futurejövő.
28
83890
2362
és mit fog tudni a jövőben.
01:38
PerhapsTalán the first bignagy successsiker of
machinegép learningtanulás commerciallykereskedelemben was GoogleGoogle.
29
86252
4423
Valószínűleg az első üzleti siker a
gépi tanulásban a Google volt.
01:42
GoogleGoogle showedkimutatta, that it is
possiblelehetséges to find informationinformáció
30
90675
3109
A Google bizonyította, hogy lehet
gépi algoritmus alapján
01:45
by usinghasználva a computerszámítógép algorithmalgoritmus,
31
93784
1752
adatokhoz jutni, és
01:47
and this algorithmalgoritmus is basedszékhelyű
on machinegép learningtanulás.
32
95536
2901
ez az algoritmus
gépi tanuláson alapul.
01:50
SinceÓta that time, there have been manysok
commercialkereskedelmi successessikerek of machinegép learningtanulás.
33
98437
3886
Azóta sok, gépi tanuláson alapuló
üzleti sikertörténetet ismerünk.
Olyan cégek, mint az Amazon
és a Netflix a gépi tanulás módszerével
01:54
CompaniesVállalatok like AmazonAmazon and NetflixNetflix
34
102323
1837
01:56
use machinegép learningtanulás to suggestjavasol
productsTermékek that you mightesetleg like to buyVásárol,
35
104160
3716
ajánlják termékeiket megvételre
01:59
moviesfilmek that you mightesetleg like to watch.
36
107876
2020
illetve filmjeiket megnézésre.
02:01
SometimesNéha, it's almostmajdnem creepyhátborzongató.
37
109896
1807
Néha ez, mondhatni, elég ijesztő.
02:03
CompaniesVállalatok like LinkedInLinkedIn and FacebookFacebook
38
111703
1954
Mások, mint a LinkedIn és a Facebook
02:05
sometimesnéha will tell you about
who your friendsbarátok mightesetleg be
39
113657
2594
néha megmondják, kik lehetnének
a barátaink,
02:08
and you have no ideaötlet how it did it,
40
116251
1977
és fogalmunk sincs, hogy csinálják.
02:10
and this is because it's usinghasználva
the powererő of machinegép learningtanulás.
41
118228
2967
A gépi tanulásban rejlő
lehetőségeket használják.
02:13
These are algorithmsalgoritmusok that have
learnedtanult how to do this from dataadat
42
121195
2957
Ezek az algoritmusok sokkal inkább
az adatokból tanulnak,
02:16
ratherInkább than beinglény programmedprogramozott by handkéz.
43
124152
3247
semmint a kézzel írt programokból.
02:19
This is alsois how IBMIBM was successfulsikeres
44
127399
2478
Így lett sikeres az IBM is: Watson
nevű gépe legyőzte
02:21
in gettingszerzés WatsonWatson to beatüt
the two worldvilág championsBajnokok at "JeopardyVeszélyben,"
45
129877
3862
a "Jeopardy" kvízműsor
két világbajnokát,
02:25
answeringüzenetrögzítő incrediblyhihetetlenül subtleapró
and complexösszetett questionskérdések like this one.
46
133739
3225
mert válaszolt körmönfont
és bonyolult kérdésekre; pl.
[Ennek a városnak a múzeumából tűnt el
az ókori Nimród oroszlánja 2003-ban]
02:28
["The ancientősi 'Lion"Lion of Nimrud'Nimrud " wentment missinghiányzó
from this city'sváros nationalnemzeti museummúzeum in 2003
(alongmentén with a lot of other stuffdolog)"]
47
136964
2835
02:31
This is alsois why we are now ableképes
to see the first self-drivingönálló vezetés carsautók.
48
139799
3235
Így jelentek meg az első,
vezető nélküli autók.
02:35
If you want to be ableképes to tell
the differencekülönbség betweenközött, say,
49
143034
2822
Elég fontos, hogy
meg tudjuk mondani, mi a különbség,
02:37
a treefa and a pedestriangyalogos,
well, that's prettyszép importantfontos.
50
145856
2632
mondjuk, egy fa és egy gyalogos között.
Nem tudjuk, hogyan kell manuálisan
megírni a programokat,
02:40
We don't know how to writeír
those programsprogramok by handkéz,
51
148488
2587
02:43
but with machinegép learningtanulás,
this is now possiblelehetséges.
52
151075
2997
de gépi tanulással erre
most megvan a lehetőség.
02:46
And in facttény, this carautó has drivenhajtott
over a millionmillió milesmérföld
53
154072
2608
Tény, hogy ez a kocsi már
több millió kilométert tett meg
02:48
withoutnélkül any accidentsbalesetek on regularszabályos roadsutak.
54
156680
3506
baleset nélkül átlagos utakon.
02:52
So we now know that computersszámítógépek can learntanul,
55
160196
3914
Tudjuk tehát, hogy a számítógépek
tudnak tanulni, és képesek megtanulni,
02:56
and computersszámítógépek can learntanul to do things
56
164110
1900
hogyan végezzenek el feladatokat,
02:58
that we actuallytulajdonképpen sometimesnéha
don't know how to do ourselvesminket,
57
166010
2838
amelyeknél néha mi magunk
tanácstalanok vagyunk,
03:00
or maybe can do them better than us.
58
168848
2885
vagy talán ügyesebben végzik el nálunk.
03:03
One of the mosta legtöbb amazingelképesztő examplespéldák
I've seenlátott of machinegép learningtanulás
59
171733
4195
A gépi tanulás egyik legpompásabb
példáját
egy általam irányított Kaggle-
projektnél tapasztaltam,
03:07
happenedtörtént on a projectprogram that I ranfutott at KaggleKaggle
60
175928
2392
03:10
where a teamcsapat runfuss by a guy
calledhívott GeoffreyGeoffrey HintonHinton
61
178320
3591
ahol a Torontói Egyetem csoportja,
amelyet Geoffrey Hinton vezetett,
megnyert
03:13
from the UniversityEgyetem of TorontoToronto
62
181911
1552
03:15
wonnyerte a competitionverseny for
automaticautomatikus drugdrog discoveryfelfedezés.
63
183463
2677
egy automatizált
gyógyszer-kifejlesztési versenyt.
03:18
Now, what was extraordinaryrendkívüli here
is not just that they beatüt
64
186140
2847
Nemcsak az volt rendhagyó,
hogy legyőzték a Merck
03:20
all of the algorithmsalgoritmusok developedfejlett by MerckA Merck
or the internationalnemzetközi academicakadémiai communityközösség,
65
188987
4013
és más nemzetközi tudóscsoportok
algoritmusait,
03:25
but nobodysenki on the teamcsapat had any backgroundháttér
in chemistrykémia or biologybiológia or life sciencestudományok,
66
193000
5061
hanem hogy egyikük sem volt járatos
a kémiában, a biológiában
vagy az élettudományokban, s
mindezt két hét alatt!
03:30
and they did it in two weekshetes.
67
198061
2169
03:32
How did they do this?
68
200230
1381
Hogy sikerült nekik?
03:34
They used an extraordinaryrendkívüli algorithmalgoritmus
calledhívott deepmély learningtanulás.
69
202421
2921
Rendhagyó algoritmust
alkalmaztak, az ú.n. mély tanulást.
03:37
So importantfontos was this that in facttény
the successsiker was coveredfedett
70
205342
2949
Annyira fontos eredmény volt ez,
hogy a The New York Times
03:40
in The NewÚj YorkYork TimesAlkalommal in a frontelülső pageoldal
articlecikk a fewkevés weekshetes latera későbbiekben.
71
208291
3121
címoldalon tudósított róla pár hét múlva.
03:43
This is GeoffreyGeoffrey HintonHinton
here on the left-handbal kéz sideoldal.
72
211412
2735
Balra látható Geoffrey Hinton.
03:46
DeepMély learningtanulás is an algorithmalgoritmus
inspiredihletett by how the humanemberi brainagy worksművek,
73
214147
4341
A mély tanulás olyan algoritmus,
amelyet az emberi agy működése ihletett.
Az algoritmusnak nincs
elméleti korlátja
03:50
and as a resulteredmény it's an algorithmalgoritmus
74
218488
1812
03:52
whichmelyik has no theoreticalelméleti limitationskorlátozások
on what it can do.
75
220300
3841
abból a szempontból, hogy
mi mindenre lehet képes.
Minél több adatot és gépidőt
adunk neki,
03:56
The more dataadat you give it and the more
computationszámítás time you give it,
76
224141
2823
annál jobbak lesznek az eredmények.
03:58
the better it getsjelentkeznek.
77
226964
1312
04:00
The NewÚj YorkYork TimesAlkalommal alsois
showedkimutatta, in this articlecikk
78
228276
2339
A The New York Times írt cikkében
a mély tanulás
04:02
anotheregy másik extraordinaryrendkívüli
resulteredmény of deepmély learningtanulás
79
230615
2242
egy másik rendkívüli eredményéről is,
04:04
whichmelyik I'm going to showelőadás you now.
80
232857
2712
amelyről rögtön szólni fogok.
04:07
It showsműsorok that computersszámítógépek
can listen and understandmegért.
81
235569
4941
Ez azt mutatja, hogy a számítógépek
képesek hangot érzékelni és értelmezni.
04:12
(VideoVideóinak) RichardRichard RashidRashid: Now, the last steplépés
82
240510
2711
(Video) Richard Rashid:
Az utolsó lépés, s ezt szeretném,
04:15
that I want to be ableképes
to take in this processfolyamat
83
243221
3025
hogy hozzá tudjam tenni a folyamathoz:
04:18
is to actuallytulajdonképpen speakbeszél to you in Chinesekínai.
84
246246
4715
kínaiul beszélni önökhöz.
04:22
Now the keykulcs thing there is,
85
250961
2635
Ennek kulcsa, hogy képesek voltunk
04:25
we'vevoltunk been ableképes to take a largenagy amountösszeg
of informationinformáció from manysok Chinesekínai speakershangszórók
86
253596
5002
nagy mennyiségű információt
átvenni sok kínai beszédjéből,
04:30
and producegyárt a text-to-speechszöveg-beszéd átalakítás systemrendszer
87
258598
2530
létrehozni egy "szövegből beszédet"
rendszert, amely
04:33
that takes Chinesekínai textszöveg
and convertsátalakítja it into Chinesekínai languagenyelv,
88
261128
4673
a kínai szöveget átalakítja
kínai beszéddé.
04:37
and then we'vevoltunk takentett
an houróra or so of my ownsaját voicehang
89
265801
4128
Azután az én hangmintámból felvettünk
egy órányit,
04:41
and we'vevoltunk used that to modulatemodulálják
90
269929
1891
s ezzel moduláltuk a szokásos
04:43
the standardalapértelmezett text-to-speechszöveg-beszéd átalakítás systemrendszer
so that it would soundhang like me.
91
271820
4544
"szövegből beszédet" rendszert,
amely aztán az én hangomon szólalt meg.
04:48
Again, the result'seredmény not perfecttökéletes.
92
276364
2540
Az eredmény nem tökéletes.
04:50
There are in facttény quiteegészen a fewkevés errorshibák.
93
278904
2648
Tény, hogy elég sok a hiba.
04:53
(In Chinesekínai)
94
281552
2484
(kínaiul)
04:56
(ApplauseTaps)
95
284036
3367
(taps)
05:01
There's much work to be doneKész in this areaterület.
96
289446
3576
Elég sok feladat van még ezen a területen.
05:05
(In Chinesekínai)
97
293022
3645
(kínaiul)
05:08
(ApplauseTaps)
98
296667
3433
(taps)
05:13
JeremyJeremy HowardHoward: Well, that was at
a machinegép learningtanulás conferencekonferencia in ChinaKína.
99
301345
3399
Howard: Ez egy gépi tanulási
konferencián történt, Kínában.
05:16
It's not oftengyakran, actuallytulajdonképpen,
at academicakadémiai conferenceskonferenciák
100
304744
2370
Valóban ritka, hogy egy
tudományos tanácskozáson
05:19
that you do hearhall spontaneousspontán applausetaps,
101
307114
1897
spontán tapsot hall az ember,
05:21
althoughhabár of coursetanfolyam sometimesnéha
at TEDxTEDx conferenceskonferenciák, feel freeingyenes.
102
309011
3676
bár néha TEDx konferenciákon igen.
Amit itt láttak, mind a mély tanulással
kapcsolatos.
05:24
Everything you saw there
was happeningesemény with deepmély learningtanulás.
103
312687
2795
05:27
(ApplauseTaps) Thank you.
104
315482
1525
(taps) Köszönöm.
05:29
The transcriptionátírás in Englishangol
was deepmély learningtanulás.
105
317007
2282
A fonetikus átírás angolra
mély tanulás volt.
05:31
The translationfordítás to Chinesekínai and the textszöveg
in the topfelső right, deepmély learningtanulás,
106
319289
3412
A kínaira fordítás és a szöveg
a jobb fölső sarokban szintén,
05:34
and the constructionépítés of the voicehang
was deepmély learningtanulás as well.
107
322701
3307
és a hangképzés úgyszintén
mély tanulás volt.
05:38
So deepmély learningtanulás is
this extraordinaryrendkívüli thing.
108
326008
3234
Úgy hogy a mély tanulás különleges dolog.
05:41
It's a singleegyetlen algorithmalgoritmus that
can seemlátszik to do almostmajdnem anything,
109
329242
3099
Egyszerű algoritmus, de úgy látszik,
majdnem mindenre alkalmas,
05:44
and I discoveredfelfedezett that a yearév earlierkorábban,
it had alsois learnedtanult to see.
110
332341
3111
erre tavaly jöttem rá.
Látni is megtanult már.
05:47
In this obscurehomályos competitionverseny from GermanyNémetország
111
335452
2176
Egy kevéssé ismert német versenyen,
05:49
calledhívott the Germannémet TrafficForgalom SignJel
RecognitionFelismerés BenchmarkViszonyítási alap,
112
337628
2597
amely a közlekedési jelzések
felismerésére irányul,
05:52
deepmély learningtanulás had learnedtanult
to recognizeelismerik trafficforgalom signsjelek like this one.
113
340225
3393
a mély tanulás megtanulta fölismerni
a közlekedési jelzéseket.
05:55
Not only could it
recognizeelismerik the trafficforgalom signsjelek
114
343618
2094
Nemcsak jobban ismeri föl
őket,
05:57
better than any other algorithmalgoritmus,
115
345712
1758
mint bármely más algoritmus,
05:59
the leaderboardranglista actuallytulajdonképpen showedkimutatta,
it was better than people,
116
347470
2719
az eredményjelző kimutatta,
hogy az embernél is jobban,
06:02
about twicekétszer as good as people.
117
350189
1852
kb. kétszer jobban mint az ember.
06:04
So by 2011, we had the first examplepélda
118
352041
1996
2011-re megvolt az első példány az
06:06
of computersszámítógépek that can see
better than people.
119
354037
3405
embernél is jobban látó
számítógépből.
06:09
SinceÓta that time, a lot has happenedtörtént.
120
357442
2049
Azóta sok minden történt.
06:11
In 2012, GoogleGoogle announcedbejelentett that
they had a deepmély learningtanulás algorithmalgoritmus
121
359491
3514
2012-ben a Google közölte,
hogy van egy mély tanuló algoritmusuk,
amely figyeli a YouTube videókat, és
06:15
watch YouTubeYouTube-on videosvideók
122
363005
1415
06:16
and crunchedlapok száma the dataadat
on 16,000 computersszámítógépek for a monthhónap,
123
364420
3437
egy hónap alatt átrágta magát
16.000 gép adatain,
06:19
and the computerszámítógép independentlyönállóan learnedtanult
about conceptsfogalmak suchilyen as people and catsmacskák
124
367857
4361
és a gép önállóan megtanult olyan
fogalmakat mint "ember", vagy
"macska", csupán csak a videókat figyelve.
06:24
just by watchingnézni the videosvideók.
125
372218
1809
06:26
This is much like the way
that humansemberek learntanul.
126
374027
2352
Az emberek nagyon hasonlóan tanulnak.
Az emberek nem úgy tanulnak,
hogy megmondják nekik, mit látnak,
06:28
HumansEmberek don't learntanul
by beinglény told what they see,
127
376379
2740
06:31
but by learningtanulás for themselvesmaguk
what these things are.
128
379119
3331
hanem maguknak tanítják meg,
mik ezek a dolgok.
06:34
AlsoIs in 2012, GeoffreyGeoffrey HintonHinton,
who we saw earlierkorábban,
129
382450
3369
2012-ben az említett Geoffrey Hinton
06:37
wonnyerte the very popularnépszerű ImageNetImageNet competitionverseny,
130
385819
2858
megnyert egy nagyon népszerű
ImageNet versenyt, ahol
06:40
looking to try to figureábra out
from one and a halffél millionmillió imagesképek
131
388677
4141
másfél millió képről kellett
06:44
what they're picturesképek of.
132
392818
1438
eldönteni, melyik mit ábrázol.
06:46
As of 2014, we're now down
to a sixhat percentszázalék errorhiba ratearány
133
394256
3533
2014-re elértük a képfelismerésben
06:49
in imagekép recognitionelismerés.
134
397789
1453
a 6%-os hibaszintet.
06:51
This is better than people, again.
135
399242
2026
Ez megint az emberekénél jobb eredmény.
06:53
So machinesgépek really are doing
an extraordinarilyrendkívüli módon good jobmunka of this,
136
401268
3769
Tehát a gépek ebben rendkívül
jó munkát végeznek, és
06:57
and it is now beinglény used in industryipar.
137
405037
2269
az eredményeket ma
az iparban is hasznosítják.
06:59
For examplepélda, GoogleGoogle announcedbejelentett last yearév
138
407306
3042
Például a Google tavaly bejelentette,
07:02
that they had mappedrendelve everyminden singleegyetlen
locationelhelyezkedés in FranceFranciaország in two hoursórák,
139
410348
4585
hogy két óra alatt feltérképezte
egész Franciaországot,
07:06
and the way they did it was
that they fedmegetetett streetutca viewKilátás imagesképek
140
414933
3447
mindezt úgy, hogy betáplálták
az utcai látképeket egy
07:10
into a deepmély learningtanulás algorithmalgoritmus
to recognizeelismerik and readolvas streetutca numbersszám.
141
418380
4319
mélyen tanuló algoritmusba,
az fölismerte és beolvasta
07:14
ImagineKépzeld el how long
it would have takentett before:
142
422699
2220
a házszámokat.
Korábban meddig tartott volna!
07:16
dozensTöbb tucat of people, manysok yearsévek.
143
424919
3355
Tucatnyi ember, több év.
07:20
This is alsois happeningesemény in ChinaKína.
144
428274
1911
Ez történik most Kínában is.
07:22
BaiduBaidu is kindkedves of
the Chinesekínai GoogleGoogle, I guessTaláld ki,
145
430185
4036
A Baidu olyasmi, mint egy kínai Google,
07:26
and what you see here in the topfelső left
146
434221
2283
és a bal fölső sarokban látható
egy kép, amelyet
07:28
is an examplepélda of a picturekép that I uploadedfeltöltve
to Baidu'sBaidu deepmély learningtanulás systemrendszer,
147
436504
3974
feltöltöttem a Baidu mély tanuló
rendszerébe,
07:32
and underneathalul you can see that the systemrendszer
has understoodmegértett what that picturekép is
148
440478
3769
alatta pedig látják, hogy a rendszer
megértette, mi ez a kép,
07:36
and foundtalál similarhasonló imagesképek.
149
444247
2236
és talált hasonló képeket.
07:38
The similarhasonló imagesképek actuallytulajdonképpen
have similarhasonló backgroundsháttérrel,
150
446483
2736
A hasonló képnek egyébként
hasonló a háttere,
07:41
similarhasonló directionsirányok of the facesarcok,
151
449219
1658
az állatok pofája egyfelé fordul,
07:42
even some with theirazok tonguenyelv out.
152
450877
1788
némelyik még a nyelvét is kiölti.
07:44
This is not clearlytisztán looking
at the textszöveg of a webháló pageoldal.
153
452665
3030
Ez nem ugyanaz,
mint egy szöveg a weboldalon.
Mindössze egy képet töltöttem föl.
07:47
All I uploadedfeltöltve was an imagekép.
154
455695
1412
07:49
So we now have computersszámítógépek whichmelyik
really understandmegért what they see
155
457107
4021
Tehát a mai számítógépeink
tényleg értik, amit látnak,
07:53
and can thereforeebből adódóan searchKeresés databasesadatbázisok
156
461128
1624
és százmilliónyi képet tartalmazó
07:54
of hundredsszáz of millionsTöbb millió
of imagesképek in realigazi time.
157
462752
3554
adatbázist nézhetnek át valós időben.
07:58
So what does it mean
now that computersszámítógépek can see?
158
466306
3230
De mit jelent az, hogy
a számítógépek látnak?
08:01
Well, it's not just
that computersszámítógépek can see.
159
469536
2017
Nos, nemcsak, hogy látnak.
08:03
In facttény, deepmély learningtanulás
has doneKész more than that.
160
471553
2069
Valójában a mély tanulás
ennél többet ért el.
08:05
ComplexKomplex, nuancedárnyalt sentencesmondatok like this one
161
473622
2948
Az összetett, finoman árnyalt
mondatok mint ez,
08:08
are now understandableérthető
with deepmély learningtanulás algorithmsalgoritmusok.
162
476570
2824
mély tanuló algoritmusokkal
ma már érthetők.
A felül látható piros pöttyel
08:11
As you can see here,
163
479394
1303
08:12
this Stanford-basedStanford-alapú systemrendszer
showingkiállítás the redpiros dotpont at the topfelső
164
480697
2768
ez a stanfordi rendszer jelzi,
08:15
has figuredmintás out that this sentencemondat
is expressingkifejező negativenegatív sentimenthangulat.
165
483465
3919
hogy ez a mondat
negatív érzelmet fejez ki.
08:19
DeepMély learningtanulás now in facttény
is nearközel humanemberi performanceteljesítmény
166
487384
3406
A mély tanulás ma már tényleg
megközelíti az emberi teljesítményt abban,
08:22
at understandingmegértés what sentencesmondatok are about
and what it is sayingmondás about those things.
167
490802
5121
miről szól a mondat, és
mit állít ezekről a dolgokról.
08:27
AlsoIs, deepmély learningtanulás has
been used to readolvas Chinesekínai,
168
495923
2728
A mély tanulás révén olvasunk kínaiul,
08:30
again at about nativeanyanyelvi
Chinesekínai speakerhangszóró levelszint.
169
498651
3156
kb. egy született kínai szintjén.
08:33
This algorithmalgoritmus developedfejlett
out of SwitzerlandSvájc
170
501807
2168
Ez az algoritmus svájci,
s akik kifejlesztették,
08:35
by people, noneegyik sem of whomkit speakbeszél
or understandmegért any Chinesekínai.
171
503975
3356
nem beszélnek, és nem értenek kínaiul.
08:39
As I say, usinghasználva deepmély learningtanulás
172
507331
2051
A mély tanulás alkalmazása
08:41
is about the bestlegjobb systemrendszer
in the worldvilág for this,
173
509382
2219
erre talán a világ legjobb rendszere,
08:43
even comparedahhoz képest to nativeanyanyelvi
humanemberi understandingmegértés.
174
511601
5117
akár összevetve a természetes
emberi megértéssel.
08:48
This is a systemrendszer that we
put togetheregyütt at my companyvállalat
175
516718
2964
Ezt a rendszert raktuk össze
a cégemnél, mely
08:51
whichmelyik showsműsorok puttingelhelyezés
all this stuffdolog togetheregyütt.
176
519682
2046
megmutatja, hogyan kell ezeket összerakni.
08:53
These are picturesképek whichmelyik
have no textszöveg attachedcsatolt,
177
521728
2461
Ezekhez a képekhez nem társul szöveg,
08:56
and as I'm typinggépelés in here sentencesmondatok,
178
524189
2352
és ahogy mondatokat írok be ide,
08:58
in realigazi time it's understandingmegértés
these picturesképek
179
526541
2969
ez valós időben megérti ezeket a képeket, és
09:01
and figuringösszeadás out what they're about
180
529510
1679
kitalálja, miről szólnak, és
09:03
and findinglelet picturesképek that are similarhasonló
to the textszöveg that I'm writingírás.
181
531189
3163
talál a beírt szöveghez hasonló képeket.
09:06
So you can see, it's actuallytulajdonképpen
understandingmegértés my sentencesmondatok
182
534352
2756
Ez azt jelenti, hogy valójában
érti a mondataimat,
09:09
and actuallytulajdonképpen understandingmegértés these picturesképek.
183
537108
2224
és valójában érti a képeket.
09:11
I know that you've seenlátott
something like this on GoogleGoogle,
184
539332
2559
Tudom, hogy hasonlót
már láttak a Google-on,
09:13
where you can typetípus in things
and it will showelőadás you picturesképek,
185
541891
2775
ahol beírják a szavakat,
és megjelennek a képek,
09:16
but actuallytulajdonképpen what it's doing is it's
searchingkutató the webpageWeboldal for the textszöveg.
186
544666
3424
de az úgy működik, hogy a gép
a weboldalon szöveget keres.
09:20
This is very differentkülönböző from actuallytulajdonképpen
understandingmegértés the imagesképek.
187
548090
3001
Az teljesen más, mint
képeket fölismerni.
09:23
This is something that computersszámítógépek
have only been ableképes to do
188
551091
2752
Ilyesmit számítógépek csak
az utóbbi hónapokban
09:25
for the first time in the last fewkevés monthshónap.
189
553843
3248
voltak képesek első ízben megcsinálni.
09:29
So we can see now that computersszámítógépek
can not only see but they can alsois readolvas,
190
557091
4091
A számítógépek nemcsak
látnak, hanem olvasnak is,
09:33
and, of coursetanfolyam, we'vevoltunk shownLátható that they
can understandmegért what they hearhall.
191
561182
3765
megmutattuk:
értik is, amit hallanak.
09:36
PerhapsTalán not surprisingmeglepő now that
I'm going to tell you they can writeír.
192
564947
3442
Talán nem meglepő, ha elmondom,
hogy írni is tudnak.
09:40
Here is some textszöveg that I generatedgenerált
usinghasználva a deepmély learningtanulás algorithmalgoritmus yesterdaytegnap.
193
568389
4783
Itt egy szöveg, amelyet tegnap egy
mély tanuló algoritmussal írattam.
09:45
And here is some textszöveg that an algorithmalgoritmus
out of StanfordStanford generatedgenerált.
194
573172
3924
Itt egy szöveg,
melyet a stanfordi algoritmus írt.
Minden mondatot mély tanuló algoritmus
09:49
EachMinden of these sentencesmondatok was generatedgenerált
195
577096
1764
09:50
by a deepmély learningtanulás algorithmalgoritmus
to describeleírni eachminden egyes of those picturesképek.
196
578860
4249
állított elő a képek leírása céljából.
09:55
This algorithmalgoritmus before has never seenlátott
a man in a blackfekete shirting playingjátszik a guitargitár.
197
583109
4472
Az algoritmus korábban soha nem látott
fekete inges, gitározó embert.
09:59
It's seenlátott a man before,
it's seenlátott blackfekete before,
198
587581
2220
Látott korábban embert,
látott fekete színt,
10:01
it's seenlátott a guitargitár before,
199
589801
1599
látott korábban gitárt,
10:03
but it has independentlyönállóan generatedgenerált
this novelregény descriptionleírás of this picturekép.
200
591400
4294
de önállóan állította elő
a kép új leírását.
10:07
We're still not quiteegészen at humanemberi
performanceteljesítmény here, but we're closeBezárás.
201
595694
3502
Ez még nem üti meg az
emberi teljesítmény szintjét, de közelíti.
10:11
In teststesztek, humansemberek preferjobban szeret
the computer-generatedszámítógép által generált captionfelirat
202
599196
4068
A tesztekben az esetek negyedében
jobban tetszik az embernek
a számítógép-generálta képaláírás.
10:15
one out of fournégy timesalkalommal.
203
603264
1527
10:16
Now this systemrendszer is now only two weekshetes oldrégi,
204
604791
2064
Nos, ez a rendszer csupán kéthetes,
10:18
so probablyvalószínűleg withinbelül the nextkövetkező yearév,
205
606855
1846
tehát valószínűleg egy éven belül
10:20
the computerszámítógép algorithmalgoritmus will be
well pastmúlt humanemberi performanceteljesítmény
206
608701
2801
a számítógépes algoritmus
10:23
at the ratearány things are going.
207
611502
1862
felülmúlja az emberi teljesítményt.
10:25
So computersszámítógépek can alsois writeír.
208
613364
3049
Tehát a számítógép írni is tud.
10:28
So we put all this togetheregyütt and it leadsvezet
to very excitingizgalmas opportunitieslehetőségek.
209
616413
3475
Ha mindent összerakunk,
ez izgalmas lehetőségekhez vezet.
10:31
For examplepélda, in medicinegyógyszer,
210
619888
1492
Például a gyógyításban,
10:33
a teamcsapat in BostonBoston announcedbejelentett
that they had discoveredfelfedezett
211
621380
2525
egy bostoni csoport bejelentette,
hogy felfedeztek
10:35
dozensTöbb tucat of newúj clinicallyklinikailag relevantide vonatkozó featuresjellemzők
212
623905
2949
több tucat klinikailag fontos
daganat-jellemzőt,
10:38
of tumorstumorok whichmelyik help doctorsorvosok
make a prognosisprognózis of a cancerrák.
213
626854
4266
amelyek segítenek az orvosoknak
a rák előrejelzésében.
10:44
Very similarlyhasonlóképpen, in StanfordStanford,
214
632220
2296
Hasonlóképpen, Stanfordban
10:46
a groupcsoport there announcedbejelentett that,
looking at tissuesszövetek underalatt magnificationNagyítás,
215
634516
3663
bejelentették, hogy kifejlesztettek
egy gépi tanuló rendszert,
10:50
they'veők már developedfejlett
a machinegép learning-basedtanulás-alapú systemrendszer
216
638179
2381
amely a szöveteket nagyításban vizsgálva
10:52
whichmelyik in facttény is better
than humanemberi pathologistspatológusok
217
640560
2582
a rákosok túlélési esélyeinek
előrejelzésében
10:55
at predictingelőrejelzésére survivaltúlélés ratesárak
for cancerrák sufferersszenvedők.
218
643142
4377
tényleg jobban teljesít,
mint a patológusok.
10:59
In bothmindkét of these casesesetek, not only
were the predictionselőrejelzések more accuratepontos,
219
647519
3245
Mindkét esetben az előrejelzések
nemcsak pontosabbak voltak,
11:02
but they generatedgenerált newúj insightfuléleslátó sciencetudomány.
220
650764
2502
hanem új tudományos eredményt hoztak.
11:05
In the radiologyradiológia caseügy,
221
653276
1505
A radiológia esetében
11:06
they were newúj clinicalklinikai indicatorsmutatók
that humansemberek can understandmegért.
222
654781
3095
ezek új klinikai mutatók, amelyeket
az ember képes értelmezni.
11:09
In this pathologypatológia caseügy,
223
657876
1792
A patológiai esetben
11:11
the computerszámítógép systemrendszer actuallytulajdonképpen discoveredfelfedezett
that the cellssejteket around the cancerrák
224
659668
4500
a számítógépes rendszer végeredményben
felfedezte, hogy
11:16
are as importantfontos as
the cancerrák cellssejteket themselvesmaguk
225
664168
3340
a rák körüli sejtek a diagnózis
fölállításában
ugyanolyan fontosak, mint maguk
a rákos sejtek.
11:19
in makinggyártás a diagnosisdiagnózis.
226
667508
1752
11:21
This is the oppositeszemben of what pathologistspatológusok
had been taughttanított for decadesévtizedekben.
227
669260
5361
A patológusoknak évtizedeken át
pont az ellenkezőjét tanították.
11:26
In eachminden egyes of those two casesesetek,
they were systemsrendszerek developedfejlett
228
674621
3292
Mindkét esetben ezek olyan
rendszerek, melyeket
11:29
by a combinationkombináció of medicalorvosi expertsszakértők
and machinegép learningtanulás expertsszakértők,
229
677913
3621
az orvos és a gépi tanulás
szakértők együtt
11:33
but as of last yearév,
we're now beyondtúl that too.
230
681534
2741
fejlesztettek ki. Tavaly óta
ezt is túlhaladtuk.
11:36
This is an examplepélda of
identifyingazonosítása cancerousrákos areasnak
231
684275
3549
Itt egy példa arra, ahogyan
mikroszkóp alatt azonosítják
11:39
of humanemberi tissueszövet underalatt a microscopeMikroszkóp.
232
687824
2530
az emberi szövet rákos területét.
11:42
The systemrendszer beinglény shownLátható here
can identifyazonosítani those areasnak more accuratelypontosan,
233
690354
4613
A bemutatott rendszer pontosabban vagy kb.
ugyanolyan pontossággal tudja azonosítani
11:46
or about as accuratelypontosan,
as humanemberi pathologistspatológusok,
234
694967
2775
azokat a területeket, mint egy patológus.
11:49
but was builtépült entirelyteljesen with deepmély learningtanulás
usinghasználva no medicalorvosi expertiseszakvélemény
235
697742
3392
Mély tanulással alakították ki
a rendszert, orvosi szakértelem nélkül,
11:53
by people who have
no backgroundháttér in the fieldmező.
236
701134
2526
olyanok, akiknek nincs semmi hátterük
a témában.
Azután itt van az idegsejtek
szelvényezése. Már majdnem
11:56
SimilarlyHasonlóképpen, here, this neuronidegsejt segmentationszegmentáció.
237
704730
2555
11:59
We can now segmentszegmens neuronsneuronok
about as accuratelypontosan as humansemberek can,
238
707285
3668
olyan precízen tudjuk szelvényezni
az idegsejteket, mint az emberek,
12:02
but this systemrendszer was developedfejlett
with deepmély learningtanulás
239
710953
2717
és a rendszert mély tanulással
azok alakították ki,
12:05
usinghasználva people with no previouselőző
backgroundháttér in medicinegyógyszer.
240
713670
3251
akiknek nem volt előzetes
orvosi tapasztalatuk.
12:08
So myselfmagamat, as somebodyvalaki with
no previouselőző backgroundháttér in medicinegyógyszer,
241
716921
3227
Úgy éreztem, hogy
orvosi háttér nélkül is
12:12
I seemlátszik to be entirelyteljesen well qualifiedminősített
to startRajt a newúj medicalorvosi companyvállalat,
242
720148
3727
eléggé képzett vagyok, hogy
orvosi céget alapítsak.
12:15
whichmelyik I did.
243
723875
2146
Meg is tettem.
Kissé féltem tőle,
de az elmélet azt sugallta,
12:18
I was kindkedves of terrifiedrémült of doing it,
244
726021
1740
12:19
but the theoryelmélet seemedÚgy tűnt to suggestjavasol
that it oughtkellene to be possiblelehetséges
245
727761
2889
hogy hasznára válhatnánk a gyógyításnak
12:22
to do very usefulhasznos medicinegyógyszer
usinghasználva just these dataadat analyticanalitikus techniquestechnikák.
246
730650
5492
csupán ilyen adatelemző módszerek
alkalmazásával.
12:28
And thankfullyhálásan, the feedbackVisszacsatolás
has been fantasticfantasztikus,
247
736142
2480
Hálás vagyok a fantasztikus fogadtatásért,
12:30
not just from the mediamédia
but from the medicalorvosi communityközösség,
248
738622
2356
nemcsak a média, hanem
az orvosi közösség részéről is,
12:32
who have been very supportivetámogató.
249
740978
2344
akik nagyon támogattak.
12:35
The theoryelmélet is that we can take
the middleközépső partrész of the medicalorvosi processfolyamat
250
743322
4149
Az elmélet szerint a gyógyítás
folyamatában a középső részt lecseréljük
12:39
and turnfordulat that into dataadat analysiselemzés
as much as possiblelehetséges,
251
747471
2893
adatelemzésre lehetőség szerint, és
azt hagyjuk az orvosokra,
12:42
leavingkilépő doctorsorvosok to do
what they're bestlegjobb at.
252
750364
3065
amihez legjobban értenek.
12:45
I want to give you an examplepélda.
253
753429
1602
Mondok rá példát. Ma 15 perc
12:47
It now takes us about 15 minutespercek
to generategenerál a newúj medicalorvosi diagnosticdiagnosztikai testteszt
254
755031
4944
egy új diagnosztikai teszt kidolgozása.
12:51
and I'll showelőadás you that in realigazi time now,
255
759975
1954
Megmutatom ezt önöknek valós
időben, de én három percbe
12:53
but I've compressedtömörített it down to
threehárom minutespercek by cuttingvágás some piecesdarabok out.
256
761929
3487
sűrítettem be, mert elhagytam
egyes elemeit.
12:57
RatherInkább than showingkiállítás you
creatinglétrehozása a medicalorvosi diagnosticdiagnosztikai testteszt,
257
765416
3061
Ahelyett, hogy megmutatnám, hogy
készül egy diagnosztikai teszt,
13:00
I'm going to showelőadás you
a diagnosticdiagnosztikai testteszt of carautó imagesképek,
258
768477
3369
lássuk inkább autót ábrázoló képek
diagnosztikai tesztjét,
13:03
because that's something
we can all understandmegért.
259
771846
2222
mert azt mindenki érteni fogja.
13:06
So here we're startingkiindulási with
about 1.5 millionmillió carautó imagesképek,
260
774068
3201
Kb. másfél millió, autót
ábrázoló képpel kezdünk,
13:09
and I want to createteremt something
that can splithasított them into the angleszög
261
777269
3206
és szeretnék létrehozni valamit,
ami aszerint rendezi őket,
13:12
of the photofénykép that's beinglény takentett.
262
780475
2223
hogy milyen szögből készült a felvétel.
13:14
So these imagesképek are entirelyteljesen unlabeledcímke nélküli,
so I have to startRajt from scratchkarcolás.
263
782698
3888
A képek címkézetlenek, ezért
az alapoktól kell kezdenem.
13:18
With our deepmély learningtanulás algorithmalgoritmus,
264
786586
1865
Mély tanuló algoritmusunkkal
13:20
it can automaticallyautomatikusan identifyazonosítani
areasnak of structureszerkezet in these imagesképek.
265
788451
3707
azonosítani lehet
az egyes részekhez tartozó területeket.
13:24
So the niceszép thing is that the humanemberi
and the computerszámítógép can now work togetheregyütt.
266
792158
3620
Az ember és a gép pompásan
együtt tud működni.
13:27
So the humanemberi, as you can see here,
267
795778
2178
Az ember, ahogy itt látható,
13:29
is tellingsokatmondó the computerszámítógép
about areasnak of interestérdeklődés
268
797956
2675
megmondja a gépnek, mely
területek érdeklik,
13:32
whichmelyik it wants the computerszámítógép then
to try and use to improvejavul its algorithmalgoritmus.
269
800631
4650
melyeken szeretné, hogy próbáljon
javítani a gép az algoritmusa szerint.
13:37
Now, these deepmély learningtanulás systemsrendszerek actuallytulajdonképpen
are in 16,000-dimensional-dimenziós spacehely,
270
805281
4296
Ezek a mély tanuló rendszerek egy
16.000-dimenziós térben vannak,
13:41
so you can see here the computerszámítógép
rotatingforgatható this throughkeresztül that spacehely,
271
809577
3432
látják, ahogy a gép ezt pörgeti
azon a téren keresztül,
13:45
tryingmegpróbálja to find newúj areasnak of structureszerkezet.
272
813009
1992
és próbál új területeket találni.
Amint eredményt ér el,
az őt irányító ember
13:47
And when it does so successfullysikeresen,
273
815001
1781
13:48
the humanemberi who is drivingvezetés it can then
pointpont out the areasnak that are interestingérdekes.
274
816782
4004
megjelölheti az érdekes területeket.
13:52
So here, the computerszámítógép has
successfullysikeresen foundtalál areasnak,
275
820786
2422
A gépnek sikerült területeket találnia,
13:55
for examplepélda, anglesszögek.
276
823208
2562
például sarkokat.
13:57
So as we go throughkeresztül this processfolyamat,
277
825770
1606
Ahogy végigvisszük a folyamatot,
13:59
we're graduallyfokozatosan tellingsokatmondó
the computerszámítógép more and more
278
827376
2340
fokozatosan egyre többet közlünk
a géppel arról,
14:01
about the kindsféle of structuresszerkezetek
we're looking for.
279
829716
2428
miféle struktúrát keresünk.
Képzeljenek el egy diagnosztikai tesztben
14:04
You can imagineKépzeld el in a diagnosticdiagnosztikai testteszt
280
832144
1772
14:05
this would be a pathologistpatológus identifyingazonosítása
areasnak of pathosispathosis, for examplepélda,
281
833916
3350
egy patológust, amint meghatározza
a patologikus részeket,
14:09
or a radiologistradiológus indicatingjelezve
potentiallypotenciálisan troublesomefáradságos nodulescsomók.
282
837266
5026
vagy egy radiológust,
amint kimutatja a gócokat.
14:14
And sometimesnéha it can be
difficultnehéz for the algorithmalgoritmus.
283
842292
2559
Néha nehéz az algoritmus számára.
14:16
In this caseügy, it got kindkedves of confusedzavaros.
284
844851
1964
Most egy kissé összezavarodott.
14:18
The frontsfronton and the backshátán
of the carsautók are all mixedvegyes up.
285
846815
2550
Összekeveri a kocsik elejét a hátuljával.
14:21
So here we have to be a bitbit more carefulóvatos,
286
849365
2072
Egy kicsit jobban kell vigyáznunk, és
14:23
manuallymanuálisan selectingkiválasztása these frontsfronton
as opposedellentétes to the backshátán,
287
851437
3232
nekünk kell előbb különválogatnunk
a kocsik elejét és a hátulját,
14:26
then tellingsokatmondó the computerszámítógép
that this is a typetípus of groupcsoport
288
854669
5506
azután megmondjuk a gépnek,
hogy ez a csoport érdekes
nekünk.
14:32
that we're interestedérdekelt in.
289
860175
1348
14:33
So we do that for a while,
we skipÁtugrani over a little bitbit,
290
861523
2677
Ez eltart egy ideig, ugrunk egyet,
14:36
and then we trainvonat the
machinegép learningtanulás algorithmalgoritmus
291
864200
2246
és okítjuk a párszáz dologra támaszkodó
14:38
basedszékhelyű on these couplepárosít of hundredszáz things,
292
866446
1974
gépi tanuló algoritmust,
14:40
and we hoperemény that it's gottenütött a lot better.
293
868420
2025
és reméljük, hogy erősen följavul.
14:42
You can see, it's now startedindult to fadeáttűnés
some of these picturesképek out,
294
870445
3073
Látják, kezd elhalványulni egy néhány kép,
14:45
showingkiállítás us that it alreadymár is recognizingfelismerés
how to understandmegért some of these itselfmaga.
295
873518
4708
tehát már felismeri, ezek hogyan értendők.
14:50
We can then use this conceptkoncepció
of similarhasonló imagesképek,
296
878226
2902
Majd alkalmazhatjuk ezt az elvet
hasonló képekre,
14:53
and usinghasználva similarhasonló imagesképek, you can now see,
297
881128
2094
és a hasonló képeknél, látják,
14:55
the computerszámítógép at this pointpont is ableképes to
entirelyteljesen find just the frontsfronton of carsautók.
298
883222
4019
már képes a kocsiknak az elejét
hibátlanul megtalálni.
14:59
So at this pointpont, the humanemberi
can tell the computerszámítógép,
299
887241
2948
Itt az ember mondhatja a gépnek:
15:02
okay, yes, you've doneKész
a good jobmunka of that.
300
890189
2293
OK, jó munkát végeztél.
15:05
SometimesNéha, of coursetanfolyam, even at this pointpont
301
893652
2185
Persze, néha még itt is
15:07
it's still difficultnehéz
to separatekülönálló out groupscsoportok.
302
895837
3674
bonyolult szétválasztani a csoportokat,
15:11
In this caseügy, even after we let the
computerszámítógép try to rotateforog this for a while,
303
899511
3884
esetünkben, bár hagytuk a
gépet egy ideig pörögni,
15:15
we still find that the left sidesfél
and the right sidesfél picturesképek
304
903399
3345
mégis találunk összekeveredve
15:18
are all mixedvegyes up togetheregyütt.
305
906744
1478
jobb és bal oldalas képeket.
15:20
So we can again give
the computerszámítógép some hintsTippek,
306
908222
2140
Adhatunk további útbaigazításokat
a gépnek,
15:22
and we say, okay, try and find
a projectionvetítés that separateselkülöníti a out
307
910362
2976
mondhatjuk, hogy próbálkozz, és találj
olyan szempontot, ami
15:25
the left sidesfél and the right sidesfél
as much as possiblelehetséges
308
913338
2607
minél jobban szétválogatja
a jobb és bal oldalakat
15:27
usinghasználva this deepmély learningtanulás algorithmalgoritmus.
309
915945
2122
mély tanuló algoritmussal.
15:30
And givingígy it that hintcélzás --
ahah, okay, it's been successfulsikeres.
310
918067
2942
S lám, a tanácsunk --
OK, sikeres volt.
15:33
It's managedsikerült to find a way
of thinkinggondolkodás about these objectstárgyak
311
921009
2882
Sikerült olyan szempontok szerint
vizsgálni a tárgyakat,
15:35
that's separatedelválasztott out these togetheregyütt.
312
923891
2380
amelyek alkalmasak szétválogatásukra.
15:38
So you get the ideaötlet here.
313
926271
2438
S eszünkbe jut egy gondolat.
15:40
This is a caseügy not where the humanemberi
is beinglény replacedhelyébe by a computerszámítógép,
314
928709
8197
Esetünkben a gép
nem helyettesíti az embert,
15:48
but where they're workingdolgozó togetheregyütt.
315
936906
2640
hanem együtt munkálkodnak.
15:51
What we're doing here is we're replacingcseréje
something that used to take a teamcsapat
316
939546
3550
Ami egy 5-6 fős csoportnak
15:55
of fiveöt or sixhat people about sevenhét yearsévek
317
943096
2002
kb. hét évébe tellett volna korábban,
15:57
and replacingcseréje it with something
that takes 15 minutespercek
318
945098
2605
azt ezzel az eszközzel
15 perc alatt
15:59
for one personszemély actingható aloneegyedül.
319
947703
2505
egyetlen személy elvégezi egyedül.
16:02
So this processfolyamat takes about
fournégy or fiveöt iterationslépésszám.
320
950208
3950
Ez a folyamat 4-5 közelítő lépésből áll.
16:06
You can see we now have 62 percentszázalék
321
954158
1859
Látják, hogy a gép a másfél millió kép
16:08
of our 1.5 millionmillió imagesképek
classifiedminősített correctlyhelyesen.
322
956017
2959
62%-át helyesen osztályozta.
16:10
And at this pointpont, we
can startRajt to quiteegészen quicklygyorsan
323
958976
2472
Most kezdhetjük gyorsan
16:13
grabMegragad wholeegész bignagy sectionsszakaszok,
324
961448
1297
nagy vonalakban
16:14
checkjelölje be throughkeresztül them to make sure
that there's no mistakeshibák.
325
962745
2919
átnézni, nincs-e hiba valahol.
16:17
Where there are mistakeshibák, we can
let the computerszámítógép know about them.
326
965664
3952
Ahol hiba van, közölhetjük a géppel.
16:21
And usinghasználva this kindkedves of processfolyamat
for eachminden egyes of the differentkülönböző groupscsoportok,
327
969616
3045
Minden elkülönített csoportra alkalmazva
valami ilyen eljárást
16:24
we are now up to
an 80 percentszázalék successsiker ratearány
328
972661
2487
most a 80%-os helyességi aránynál tartunk
16:27
in classifyingosztályozás the 1.5 millionmillió imagesképek.
329
975148
2415
a másfél millió kép osztályozásakor.
16:29
And at this pointpont, it's just a caseügy
330
977563
2078
Most még találunk egynéhány
16:31
of findinglelet the smallkicsi numberszám
that aren'tnem classifiedminősített correctlyhelyesen,
331
979641
3579
eltévedt képet,
16:35
and tryingmegpróbálja to understandmegért why.
332
983220
2888
és megpróbáljuk megérteni,
mi ennek az oka.
16:38
And usinghasználva that approachmegközelítés,
333
986108
1743
Ugyanazzal a módszerrel
16:39
by 15 minutespercek we get
to 97 percentszázalék classificationosztályozás ratesárak.
334
987851
4121
15 perc alatt 97%-os helyességi arányt
érünk el.
16:43
So this kindkedves of techniquetechnika
could allowlehetővé teszi us to fixerősít a majorJelentősebb problemprobléma,
335
991972
4600
Az ilyen technika lehetővé tenné, hogy
kezelni tudjunk egy jelentős problémát,
16:48
whichmelyik is that there's a lackhiány
of medicalorvosi expertiseszakvélemény in the worldvilág.
336
996578
3036
azt, hogy hiány van orvosi szakértelemből
a világban.
16:51
The WorldVilág EconomicGazdasági ForumFórum saysmondja
that there's betweenközött a 10x and a 20x
337
999614
3489
A Világgazdasági Fórumon elhangzott,
16:55
shortagehiány of physiciansorvosok
in the developingfejlesztés worldvilág,
338
1003103
2624
hogy a fejlődő országokban
10-20-szoros az orvoshiány,
16:57
and it would take about 300 yearsévek
339
1005727
2113
és mintegy 300 évbe telne,
16:59
to trainvonat enoughelég people
to fixerősít that problemprobléma.
340
1007840
2894
hogy a gond megoldására elég
orvost képezzenek ki.
Képzeljék csak el, milyen jó lenne,
ha a mély tanulás módszerével
17:02
So imagineKépzeld el if we can help
enhancefokozza theirazok efficiencyhatékonyság
341
1010734
2885
17:05
usinghasználva these deepmély learningtanulás approachesmegközelít?
342
1013619
2839
növelhetnénk az orvosok hatékonyságát?
17:08
So I'm very excitedizgatott
about the opportunitieslehetőségek.
343
1016458
2232
Egészen fölvillanyoznak a lehetőségek.
17:10
I'm alsois concernedaz érintett about the problemsproblémák.
344
1018690
2589
Engem is aggaszt ez a gond.
17:13
The problemprobléma here is that
everyminden areaterület in bluekék on this maptérkép
345
1021279
3124
Az a probléma, hogy
a kékkel jelölt területek ott vannak,
ahol a szolgáltatások aránya
80% fölötti a foglalkoztatottságban.
17:16
is somewherevalahol where servicesszolgáltatások
are over 80 percentszázalék of employmentfoglalkoztatás.
346
1024403
3769
Mik is kellenek a szolgáltatásokhoz?
17:20
What are servicesszolgáltatások?
347
1028172
1787
[Írás-olvasás, Beszéd-figyelem],
[Szemlélet, Tudás összegzése]
17:21
These are servicesszolgáltatások.
348
1029959
1514
17:23
These are alsois the exactpontos things that
computersszámítógépek have just learnedtanult how to do.
349
1031473
4154
Pont e dolgokkal épp most tanult meg
a gép bánni.
17:27
So 80 percentszázalék of the world'svilág employmentfoglalkoztatás
in the developedfejlett worldvilág
350
1035627
3804
Tehát a fejlett világ dolgozóinak
80%-a olyan munkát végez,
17:31
is stuffdolog that computersszámítógépek
have just learnedtanult how to do.
351
1039431
2532
amire épp most vált képessé a számítógép.
17:33
What does that mean?
352
1041963
1440
Mit jelent ez?
Minden rendben lesz.
A régiek helyett új állások keletkeznek.
17:35
Well, it'llez lesz be fine.
They'llThey'll be replacedhelyébe by other jobsmunkahelyek.
353
1043403
2583
17:37
For examplepélda, there will be
more jobsmunkahelyek for dataadat scientiststudósok.
354
1045986
2707
Például több állás lesz az
adattudósok számára.
17:40
Well, not really.
355
1048693
817
Nem igazán.
17:41
It doesn't take dataadat scientiststudósok
very long to buildépít these things.
356
1049510
3118
Nem tart soká a számukra
kifejleszteni ezeket a dolgokat.
17:44
For examplepélda, these fournégy algorithmsalgoritmusok
were all builtépült by the sameazonos guy.
357
1052628
3252
Például, e négy algoritmust
ugyanaz a fickó hozta létre.
17:47
So if you think, oh,
it's all happenedtörtént before,
358
1055880
2438
Ha azt hiszik: ó, régen is megtörtént,
17:50
we'vevoltunk seenlátott the resultstalálatok in the pastmúlt
of when newúj things come alongmentén
359
1058318
3808
láttunk már ilyet, hogy új dolgok jönnek,
17:54
and they get replacedhelyébe by newúj jobsmunkahelyek,
360
1062126
2252
és a régieket új állások váltják föl,
17:56
what are these newúj jobsmunkahelyek going to be?
361
1064378
2116
no de milyenek lesznek az új állások?
17:58
It's very hardkemény for us to estimatebecslés this,
362
1066494
1871
Nagyon nehezen tudjuk megítélni,
18:00
because humanemberi performanceteljesítmény
growsnövekszik at this gradualfokozatos ratearány,
363
1068365
2739
mert az emberi teljesítmény
fokozatosan nő,
18:03
but we now have a systemrendszer, deepmély learningtanulás,
364
1071104
2562
de most itt van a mély tanulás rendszere,
18:05
that we know actuallytulajdonképpen growsnövekszik
in capabilityképesség exponentiallyexponenciálisan.
365
1073666
3227
tudjuk róla, hogy a teljesítménye
rohamosan nő.
18:08
And we're here.
366
1076893
1605
Itt tartunk.
Mostanában a dolgok láttán
sokan azt mondják:
18:10
So currentlyjelenleg, we see the things around us
367
1078498
2061
18:12
and we say, "Oh, computersszámítógépek
are still prettyszép dumbnéma." Right?
368
1080559
2676
"Ó, a számítógépek még mindig elég
ostobák." Igaz?
18:15
But in fiveöt years'évek' time,
computersszámítógépek will be off this chartdiagram.
369
1083235
3429
De öt éven belül a helyzet megváltozik.
18:18
So we need to be startingkiindulási to think
about this capabilityképesség right now.
370
1086664
3865
Már most el kell kezdenünk
gondolkozni a gépek képességeiről.
18:22
We have seenlátott this onceegyszer before, of coursetanfolyam.
371
1090529
2050
Ilyet már tapasztaltunk,
18:24
In the IndustrialIpari RevolutionForradalom,
372
1092579
1387
az ipari forradalom idején,
18:25
we saw a steplépés changeváltozás
in capabilityképesség thanksKösz to enginesmotorok.
373
1093966
2851
ahogy a gépek megjelenésével
lépést kellett váltani.
18:29
The thing is, thoughbár,
that after a while, things flattenedlapított out.
374
1097667
3138
De egy idő után a dolgok elsimultak,
18:32
There was socialtársadalmi disruptionzavar,
375
1100805
1702
Megzavarta a társadalmat,
18:34
but onceegyszer enginesmotorok were used
to generategenerál powererő in all the situationshelyzetek,
376
1102507
3439
de amikor energiatermelésre
már mindenütt gépeket használtak,
18:37
things really settledállandó down.
377
1105946
2354
a dolgok lecsillapodtak.
18:40
The MachineGép LearningTanulás RevolutionForradalom
378
1108300
1473
A "gépi tanulás forradalma"
18:41
is going to be very differentkülönböző
from the IndustrialIpari RevolutionForradalom,
379
1109773
2909
egészen más lesz, mint az
ipari forradalom,
18:44
because the MachineGép LearningTanulás RevolutionForradalom,
it never settlesrendezi down.
380
1112682
2950
mert a "gépi tanulás forradalma"
soha nem csillapodik le.
Minél többet tudnak a számítógépek,
18:47
The better computersszámítógépek get
at intellectualszellemi activitiestevékenységek,
381
1115632
2982
18:50
the more they can buildépít better computersszámítógépek
to be better at intellectualszellemi capabilitiesképességek,
382
1118614
4248
annál jobb képességű
számítógépeket tudnak megépíteni,
18:54
so this is going to be a kindkedves of changeváltozás
383
1122862
1908
ez olyan váltás lesz, amit a világ eddig
18:56
that the worldvilág has actuallytulajdonképpen
never experiencedtapasztalt before,
384
1124770
2478
még soha nem tapasztalt, ezért
korábbi fogalmaik arról,
18:59
so your previouselőző understandingmegértés
of what's possiblelehetséges is differentkülönböző.
385
1127248
3306
hogy mi a lehetséges,
teljesen megváltoznak.
19:02
This is alreadymár impactingbefolyásolják a us.
386
1130974
1780
Mindez már hatással van ránk.
19:04
In the last 25 yearsévek,
as capitalfőváros productivitytermelékenység has increasedmegnövekedett,
387
1132754
3630
Az utóbbi 25 évben a tőke
termelékenysége nőtt,
19:08
labormunkaerő productivitytermelékenység has been flatlakás,
in facttény even a little bitbit down.
388
1136400
4188
a munka termelékenysége maradt,
sőt, valamit csökkent is.
19:13
So I want us to startRajt
havingamelynek this discussionvita now.
389
1141408
2741
Szeretném, ha már elkezdenénk
ezt az eszmecserét.
19:16
I know that when I oftengyakran tell people
about this situationhelyzet,
390
1144149
3027
Amikor a jelen helyzetről
beszélgetek emberekkel,
19:19
people can be quiteegészen dismissiveelutasító.
391
1147176
1490
gyakran teljesen elutasítók.
19:20
Well, computersszámítógépek can't really think,
392
1148666
1673
Jó, a számítógépek valójában
nem tudnak gondolkodni,
19:22
they don't emoteemote,
they don't understandmegért poetryköltészet,
393
1150339
3028
nem fejeznek ki érzelmeket,
nem értik a költészetet,
19:25
we don't really understandmegért how they work.
394
1153367
2521
mi igazából nem értjük,
hogyan működnek.
19:27
So what?
395
1155888
1486
Na és?
19:29
ComputersSzámítógépek right now can do the things
396
1157374
1804
A számítógépek már most
meg tudnak tenni dolgokat,
19:31
that humansemberek spendtölt mosta legtöbb
of theirazok time beinglény paidfizetett to do,
397
1159178
2719
amelyek az emberek munkaidejének
nagy részét kitöltik.
19:33
so now'smost the time to startRajt thinkinggondolkodás
398
1161897
1731
Ideje elkezdeni a gondolkodást:
19:35
about how we're going to adjustbeállítani our
socialtársadalmi structuresszerkezetek and economicgazdasági structuresszerkezetek
399
1163628
4387
hogyan igazítsuk át a társadalom
és a gazdaság szerkezetét
19:40
to be awaretudatában van of this newúj realityvalóság.
400
1168015
1840
az új realitások fényében.
19:41
Thank you.
401
1169855
1533
Köszönöm
19:43
(ApplauseTaps)
402
1171388
802
(taps)
Translated by Peter Pallós
Reviewed by Maria Ruzsane Cseresnyes

▲Back to top

ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives.

Why you should listen

Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."

Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.

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

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee