Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: A tanuló számítógépek viselkedésének csodálatos és hátborzongató következményei
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Double-click the English transcript below to play the video.
a számítógép
to get a computer to do something new,
be kellett rá programoznunk.
that haven't done it yourself,
a programozás
aprólékosan, lépésenként
the computer to do
that you don't know how to do yourself,
amiről mi sem tudjuk, miként kell,
to be a great challenge.
by this man, Arthur Samuel.
Arthur Samuel.
how to be better than you at checkers?
hogy a számítógép győzzön?
against itself thousands of times
több ezerszer,
and in fact, by 1962,
the Connecticut state champion.
Connecticut állam bajnokát.
the father of machine learning,
tanulás atyjának nevezhetjük.
learning practitioner.
machine learning practictioners.
gépi tanulással.
szervez nekik,
previously unsolved problems,
megoldatlan problémákat,
hundreds of times.
bizonyultak sikeresnek.
I was able to find out
rá tudtam jönni sok mindenre:
can do in the past, can do today,
a múltban, mire a jelenben
machine learning commercially was Google.
gépi tanulásban a Google volt.
possible to find information
gépi algoritmus alapján
on machine learning.
gépi tanuláson alapul.
commercial successes of machine learning.
üzleti sikertörténetet ismerünk.
és a Netflix a gépi tanulás módszerével
products that you might like to buy,
who your friends might be
a barátaink,
the power of machine learning.
lehetőségeket használják.
learned how to do this from data
az adatokból tanulnak,
nevű gépe legyőzte
the two world champions at "Jeopardy,"
két világbajnokát,
and complex questions like this one.
és bonyolult kérdésekre; pl.
az ókori Nimród oroszlánja 2003-ban]
from this city's national museum in 2003
(along with a lot of other stuff)"]
to see the first self-driving cars.
vezető nélküli autók.
the difference between, say,
meg tudjuk mondani, mi a különbség,
well, that's pretty important.
megírni a programokat,
those programs by hand,
this is now possible.
most megvan a lehetőség.
over a million miles
több millió kilométert tett meg
tudnak tanulni, és képesek megtanulni,
don't know how to do ourselves,
tanácstalanok vagyunk,
I've seen of machine learning
példáját
projektnél tapasztaltam,
called Geoffrey Hinton
megnyert
automatic drug discovery.
gyógyszer-kifejlesztési versenyt.
is not just that they beat
hogy legyőzték a Merck
or the international academic community,
algoritmusait,
in chemistry or biology or life sciences,
a kémiában, a biológiában
mindezt két hét alatt!
called deep learning.
alkalmaztak, az ú.n. mély tanulást.
the success was covered
hogy a The New York Times
article a few weeks later.
here on the left-hand side.
inspired by how the human brain works,
amelyet az emberi agy működése ihletett.
elméleti korlátja
on what it can do.
mi mindenre lehet képes.
adunk neki,
computation time you give it,
showed in this article
a mély tanulás
result of deep learning
can listen and understand.
képesek hangot érzékelni és értelmezni.
Az utolsó lépés, s ezt szeretném,
to take in this process
of information from many Chinese speakers
átvenni sok kínai beszédjéből,
rendszert, amely
and converts it into Chinese language,
kínai beszéddé.
an hour or so of my own voice
egy órányit,
so that it would sound like me.
amely aztán az én hangomon szólalt meg.
a machine learning conference in China.
konferencián történt, Kínában.
at academic conferences
tudományos tanácskozáson
at TEDx conferences, feel free.
kapcsolatos.
was happening with deep learning.
was deep learning.
mély tanulás volt.
in the top right, deep learning,
a jobb fölső sarokban szintén,
was deep learning as well.
mély tanulás volt.
this extraordinary thing.
can seem to do almost anything,
majdnem mindenre alkalmas,
it had also learned to see.
Látni is megtanult már.
Recognition Benchmark,
felismerésére irányul,
to recognize traffic signs like this one.
a közlekedési jelzéseket.
recognize the traffic signs
őket,
it was better than people,
hogy az embernél is jobban,
better than people.
számítógépből.
they had a deep learning algorithm
hogy van egy mély tanuló algoritmusuk,
on 16,000 computers for a month,
16.000 gép adatain,
about concepts such as people and cats
fogalmakat mint "ember", vagy
that humans learn.
hogy megmondják nekik, mit látnak,
by being told what they see,
what these things are.
mik ezek a dolgok.
who we saw earlier,
ImageNet versenyt, ahol
from one and a half million images
to a six percent error rate
an extraordinarily good job of this,
jó munkát végeznek, és
az iparban is hasznosítják.
location in France in two hours,
egész Franciaországot,
that they fed street view images
az utcai látképeket egy
to recognize and read street numbers.
az fölismerte és beolvasta
it would have taken before:
Korábban meddig tartott volna!
the Chinese Google, I guess,
egy kép, amelyet
to Baidu's deep learning system,
rendszerébe,
has understood what that picture is
megértette, mi ez a kép,
have similar backgrounds,
hasonló a háttere,
at the text of a web page.
mint egy szöveg a weboldalon.
really understand what they see
tényleg értik, amit látnak,
of images in real time.
now that computers can see?
a számítógépek látnak?
that computers can see.
has done more than that.
ennél többet ért el.
mondatok mint ez,
with deep learning algorithms.
ma már érthetők.
showing the red dot at the top
is expressing negative sentiment.
negatív érzelmet fejez ki.
is near human performance
megközelíti az emberi teljesítményt abban,
and what it is saying about those things.
mit állít ezekről a dolgokról.
been used to read Chinese,
Chinese speaker level.
out of Switzerland
s akik kifejlesztették,
or understand any Chinese.
in the world for this,
human understanding.
emberi megértéssel.
put together at my company
a cégemnél, mely
all this stuff together.
have no text attached,
these pictures
to the text that I'm writing.
understanding my sentences
érti a mondataimat,
something like this on Google,
már láttak a Google-on,
and it will show you pictures,
és megjelennek a képek,
searching the webpage for the text.
a weboldalon szöveget keres.
understanding the images.
képeket fölismerni.
have only been able to do
az utóbbi hónapokban
can not only see but they can also read,
látnak, hanem olvasnak is,
can understand what they hear.
értik is, amit hallanak.
I'm going to tell you they can write.
hogy írni is tudnak.
using a deep learning algorithm yesterday.
mély tanuló algoritmussal írattam.
out of Stanford generated.
melyet a stanfordi algoritmus írt.
to describe each of those pictures.
a man in a black shirt playing a guitar.
fekete inges, gitározó embert.
it's seen black before,
látott fekete színt,
this novel description of this picture.
a kép új leírását.
performance here, but we're close.
emberi teljesítmény szintjét, de közelíti.
the computer-generated caption
jobban tetszik az embernek
well past human performance
to very exciting opportunities.
ez izgalmas lehetőségekhez vezet.
that they had discovered
hogy felfedeztek
daganat-jellemzőt,
make a prognosis of a cancer.
a rák előrejelzésében.
looking at tissues under magnification,
egy gépi tanuló rendszert,
a machine learning-based system
than human pathologists
előrejelzésében
for cancer sufferers.
mint a patológusok.
were the predictions more accurate,
nemcsak pontosabbak voltak,
that humans can understand.
az ember képes értelmezni.
that the cells around the cancer
felfedezte, hogy
the cancer cells themselves
fölállításában
a rákos sejtek.
had been taught for decades.
pont az ellenkezőjét tanították.
they were systems developed
rendszerek, melyeket
and machine learning experts,
szakértők együtt
we're now beyond that too.
ezt is túlhaladtuk.
identifying cancerous areas
mikroszkóp alatt azonosítják
can identify those areas more accurately,
ugyanolyan pontossággal tudja azonosítani
as human pathologists,
using no medical expertise
a rendszert, orvosi szakértelem nélkül,
no background in the field.
a témában.
szelvényezése. Már majdnem
about as accurately as humans can,
az idegsejteket, mint az emberek,
with deep learning
azok alakították ki,
background in medicine.
orvosi tapasztalatuk.
no previous background in medicine,
orvosi háttér nélkül is
to start a new medical company,
orvosi céget alapítsak.
de az elmélet azt sugallta,
that it ought to be possible
using just these data analytic techniques.
alkalmazásával.
has been fantastic,
but from the medical community,
az orvosi közösség részéről is,
the middle part of the medical process
folyamatában a középső részt lecseréljük
as much as possible,
azt hagyjuk az orvosokra,
what they're best at.
to generate a new medical diagnostic test
időben, de én három percbe
three minutes by cutting some pieces out.
egyes elemeit.
creating a medical diagnostic test,
készül egy diagnosztikai teszt,
a diagnostic test of car images,
diagnosztikai tesztjét,
we can all understand.
about 1.5 million car images,
ábrázoló képpel kezdünk,
that can split them into the angle
ami aszerint rendezi őket,
so I have to start from scratch.
az alapoktól kell kezdenem.
areas of structure in these images.
az egyes részekhez tartozó területeket.
and the computer can now work together.
együtt tud működni.
about areas of interest
területek érdeklik,
to try and use to improve its algorithm.
javítani a gép az algoritmusa szerint.
are in 16,000-dimensional space,
16.000-dimenziós térben vannak,
rotating this through that space,
azon a téren keresztül,
az őt irányító ember
point out the areas that are interesting.
successfully found areas,
the computer more and more
a géppel arról,
we're looking for.
areas of pathosis, for example,
a patologikus részeket,
potentially troublesome nodules.
amint kimutatja a gócokat.
difficult for the algorithm.
of the cars are all mixed up.
as opposed to the backs,
a kocsik elejét és a hátulját,
that this is a type of group
nekünk.
we skip over a little bit,
machine learning algorithm
some of these pictures out,
how to understand some of these itself.
of similar images,
hasonló képekre,
entirely find just the fronts of cars.
hibátlanul megtalálni.
can tell the computer,
a good job of that.
to separate out groups.
computer try to rotate this for a while,
gépet egy ideig pörögni,
and the right sides pictures
the computer some hints,
a gépnek,
a projection that separates out
olyan szempontot, ami
as much as possible
a jobb és bal oldalakat
ah, okay, it's been successful.
OK, sikeres volt.
of thinking about these objects
vizsgálni a tárgyakat,
is being replaced by a computer,
nem helyettesíti az embert,
something that used to take a team
that takes 15 minutes
15 perc alatt
four or five iterations.
classified correctly.
can start to quite quickly
that there's no mistakes.
let the computer know about them.
for each of the different groups,
valami ilyen eljárást
an 80 percent success rate
that aren't classified correctly,
mi ennek az oka.
to 97 percent classification rates.
érünk el.
could allow us to fix a major problem,
kezelni tudjunk egy jelentős problémát,
of medical expertise in the world.
a világban.
that there's between a 10x and a 20x
in the developing world,
10-20-szoros az orvoshiány,
to fix that problem.
orvost képezzenek ki.
ha a mély tanulás módszerével
enhance their efficiency
about the opportunities.
every area in blue on this map
a kékkel jelölt területek ott vannak,
80% fölötti a foglalkoztatottságban.
are over 80 percent of employment.
[Szemlélet, Tudás összegzése]
computers have just learned how to do.
a gép bánni.
in the developed world
80%-a olyan munkát végez,
have just learned how to do.
A régiek helyett új állások keletkeznek.
They'll be replaced by other jobs.
more jobs for data scientists.
adattudósok számára.
very long to build these things.
kifejleszteni ezeket a dolgokat.
were all built by the same guy.
ugyanaz a fickó hozta létre.
it's all happened before,
of when new things come along
grows at this gradual rate,
fokozatosan nő,
in capability exponentially.
rohamosan nő.
sokan azt mondják:
are still pretty dumb." Right?
ostobák." Igaz?
computers will be off this chart.
about this capability right now.
gondolkozni a gépek képességeiről.
in capability thanks to engines.
lépést kellett váltani.
that after a while, things flattened out.
to generate power in all the situations,
már mindenütt gépeket használtak,
from the Industrial Revolution,
ipari forradalom,
it never settles down.
soha nem csillapodik le.
at intellectual activities,
to be better at intellectual capabilities,
számítógépeket tudnak megépíteni,
never experienced before,
korábbi fogalmaik arról,
of what's possible is different.
teljesen megváltoznak.
as capital productivity has increased,
termelékenysége nőtt,
in fact even a little bit down.
sőt, valamit csökkent is.
having this discussion now.
ezt az eszmecserét.
about this situation,
beszélgetek emberekkel,
nem tudnak gondolkodni,
they don't understand poetry,
nem értik a költészetet,
hogyan működnek.
meg tudnak tenni dolgokat,
of their time being paid to do,
nagy részét kitöltik.
social structures and economic structures
és a gazdaság szerkezetét
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