TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: De wonderbaarlijke en schrikwekkende implicaties van computers die kunnen leren | Jeremy Howard | TEDxBrussels
Filmed:
Readability: 4.5
2,532,971 views
Wat gebeurt er als we een computer leren leren? Technoloog Jeremy Howard bespreekt enkele verrassende nieuwe ontwikkelingen over het snel evoluerende gebied van 'deep learning', een techniek die computers de mogelijkheid geeft om Chinees te leren, om objecten in foto's te herkennen of om mee te denken bij een medische diagnose. (Eén 'deep learning'-toepassing maakte zich het begrip 'katten' eigen door het bekijken van uren YouTube.) Word bijgepraat over een veld dat de manier waarop computers zich gedragen zal veranderen... waarschijnlijk sneller dan je denkt.
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
Als je vroeger een computer
iets nieuws wilde laten doen,
iets nieuws wilde laten doen,
00:16
you would have to program it.
1
4893
1554
moest je hem programmeren.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Voor wie het nooit zelf heeft gedaan:
00:21
requires laying out in excruciating detail
3
9858
3502
programmeren vereist
dat je tot in het allerpijnlijkste detail
dat je tot in het allerpijnlijkste detail
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
elke stap uitschrijft
van wat je wil dat de computer doet
van wat je wil dat de computer doet
00:28
in order to achieve your goal.
5
16727
2362
om je doel te bereiken.
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
Als je iets wil doen, waarvan je
zelf niet weet hoe je het moet doen,
zelf niet weet hoe je het moet doen,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
dan is dit een grote uitdaging.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Dat was de uitdaging
voor deze man, Arthur Samuel.
voor deze man, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
In 1956 wilde hij
deze computer zover krijgen
deze computer zover krijgen
00:44
to be able to beat him at checkers.
10
32208
2340
dat hij Samuel zelf kon verslaan
bij het dammen.
bij het dammen.
00:46
How can you write a program,
11
34548
2040
Hoe schrijf je een programma
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
dat tot in het allerpijnlijkste detail,
beter is in dammen dan je zelf bent?
beter is in dammen dan je zelf bent?
00:52
So he came up with an idea:
13
40394
1722
Hij kwam met een idee:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
hij liet de computer duizenden keren
tegen zichzelf spelen
tegen zichzelf spelen
00:57
and learn how to play checkers.
15
45840
2524
en daarbij leren hoe te dammen.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Het werkte en in 1962 versloeg
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
deze computer de kampioen
van de staat Connecticut.
van de staat Connecticut.
Zo werd Arthur Samuel
de vader van het ‘machinaal leren’.
de vader van het ‘machinaal leren’.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
01:10
and I have a great debt to him,
19
58534
1717
Ik heb veel aan hem te danken,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
want ik doe aan machinaal leren.
01:15
I was the president of Kaggle,
21
63014
1465
Ik was voorzitter van Kaggle,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
een gemeenschap van meer dan
200.000 machinaal-lerenbeoefenaars.
200.000 machinaal-lerenbeoefenaars.
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle organiseert wedstrijden
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
om eerder onopgeloste problemen
op te lossen.
op te lossen.
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
Dat lukte al honderden keren.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Daardoor kon ik heel wat te weten komen
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
over wat machinaal leren kon doen
in het verleden, vandaag,
in het verleden, vandaag,
01:35
and what it could do in the future.
28
83890
2362
en wat het zou kunnen doen in de toekomst.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Misschien is Google het eerste grote
commerciële succes van machinaal leren.
commerciële succes van machinaal leren.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Google liet zien dat het mogelijk is
om informatie te vinden
om informatie te vinden
01:45
by using a computer algorithm,
31
93784
1752
met een computeralgoritme.
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
Dit algoritme is gebaseerd
op machinaal leren.
op machinaal leren.
Sinds die tijd heeft machinaal leren
heel wat commerciële successen geboekt.
heel wat commerciële successen geboekt.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Bedrijven als Amazon en Netflix
gebruiken machinaal leren
gebruiken machinaal leren
01:54
Companies like Amazon and Netflix
34
102323
1837
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
om producten te suggereren
die je misschien wilt kopen,
die je misschien wilt kopen,
01:59
movies that you might like to watch.
36
107876
2020
of films om naar te kijken.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Soms is het bijna griezelig.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Bedrijven zoals LinkedIn en Facebook
kunnen je soms vertellen
wie je vrienden zouden kunnen zijn
wie je vrienden zouden kunnen zijn
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
02:08
and you have no idea how it did it,
40
116251
1977
en je hebt geen idee
hoe dat in zijn werk ging.
hoe dat in zijn werk ging.
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
Dat is de kracht van machinaal leren.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Deze algoritmen hebben dit
uit gegevens geleerd te doen
uit gegevens geleerd te doen
02:16
rather than being programmed by hand.
43
124152
3247
in plaats van door manueel programmeren.
02:19
This is also how IBM was successful
44
127399
2478
Daarom ook kon Watson van IBM
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
de twee wereldkampioenen
bij "Jeopardy" verslaan
bij "Jeopardy" verslaan
door heel subtiele en complexe vragen
als deze te beantwoorden.
als deze te beantwoorden.
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
["O.a. de oude 'Leeuw van Nimrod' verdween
hier in 2003 uit het nationaal museum."]
hier in 2003 uit het nationaal museum."]
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
Ook daarom kunnen we nu
de eerste zelfsturende auto's zien.
de eerste zelfsturende auto's zien.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Het verschil zien tussen
een boom en een voetganger
een boom en een voetganger
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
is dan nogal belangrijk.
We weten niet hoe we zulke programma's
handmatig moeten schrijven,
handmatig moeten schrijven,
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
maar met machinaal leren kan het.
Deze auto heeft er al meer
dan een miljoen kilometer opzitten
dan een miljoen kilometer opzitten
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
02:48
without any accidents on regular roads.
54
156680
3506
zonder ongevallen en op gewone wegen.
02:52
So we now know that computers can learn,
55
160196
3914
We weten nu dat computers kunnen leren,
02:56
and computers can learn to do things
56
164110
1900
en computers dingen kunnen leren doen
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
waarvan we eigenlijk soms niet weten
hoe we ze zelf moeten doen,
hoe we ze zelf moeten doen,
03:00
or maybe can do them better than us.
58
168848
2885
of kunnen ze misschien beter doen dan wij.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Een van de meest
verbazingwekkende voorbeelden
verbazingwekkende voorbeelden
van machinaal leren die ik heb gezien,
03:07
happened on a project that I ran at Kaggle
60
175928
2392
zag ik op een project
dat ik op Kaggle leidde.
dat ik op Kaggle leidde.
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
Een team geleid door Geoffrey Hinton
van de Universiteit van Toronto
van de Universiteit van Toronto
03:13
from the University of Toronto
62
181911
1552
won een wedstrijd in het geautomatiseerd
ontdekken van geneesmiddelen.
ontdekken van geneesmiddelen.
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Het was al buitengewoon
dat ze alle algoritmen van Merck
dat ze alle algoritmen van Merck
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
en de internationale
academische gemeenschap versloegen,
academische gemeenschap versloegen,
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
maar daarbij had niemand in het team
een achtergrond
een achtergrond
in scheikunde, biologie
of levenswetenschappen,
of levenswetenschappen,
en ze deden het in twee weken.
03:30
and they did it in two weeks.
67
198061
2169
03:32
How did they do this?
68
200230
1381
Hoe deden ze het?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Ze gebruikten een buitengewoon algoritme:
‘deep learning’.
‘deep learning’.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Zo belangrijk was dat,
dat het een paar weken later
dat het een paar weken later
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
in The New York Times
als voorpagina-artikel verscheen.
als voorpagina-artikel verscheen.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Dit is Geoffrey Hinton hier links.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
Deep learning is een algoritme
geïnspireerd op het menselijk brein.
geïnspireerd op het menselijk brein.
03:50
and as a result it's an algorithm
74
218488
1812
Daardoor is het een algoritme
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
zonder theoretische beperkingen
op wat het kan doen.
op wat het kan doen.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Hoe meer gegevens
en rekentijd je het geeft,
en rekentijd je het geeft,
03:58
the better it gets.
77
226964
1312
hoe beter het wordt.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
De New York Times toonde
in dit artikel ook
in dit artikel ook
een ander uitzonderlijk resultaat
van deep learning.
van deep learning.
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
04:04
which I'm going to show you now.
80
232857
2712
Ik ga het je nu laten zien.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Het toont aan dat computers
kunnen luisteren en begrijpen.
kunnen luisteren en begrijpen.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Video) Richard Rashid:
De laatste stap
De laatste stap
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
die ik in dit proces wil kunnen zetten,
04:18
is to actually speak to you in Chinese.
84
246246
4715
is om je daadwerkelijk
in het Chinees aan te spreken.
in het Chinees aan te spreken.
04:22
Now the key thing there is,
85
250961
2635
Het belangrijkste is
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
dat we een grote hoeveelheid informatie
van vele Chinese sprekers konden vergaren
van vele Chinese sprekers konden vergaren
04:30
and produce a text-to-speech system
87
258598
2530
en een tekst-naar-spraaksysteem produceren
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
dat Chinese tekst
omzet naar Chinese spreektaal.
omzet naar Chinese spreektaal.
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
Daarna hebben we een paar uren
mijn eigen stem opgenomen
mijn eigen stem opgenomen
04:41
and we've used that to modulate
90
269929
1891
en ze gebruikt om het standaard
tekst-naar-spraak systeem te moduleren
tekst-naar-spraak systeem te moduleren
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
zodat het zou klinken zoals ik.
04:48
Again, the result's not perfect.
92
276364
2540
Het resultaat is niet perfect.
04:50
There are in fact quite a few errors.
93
278904
2648
Er zitten nogal wat fouten in.
04:53
(In Chinese)
94
281552
2484
(In het Chinees)
04:56
(Applause)
95
284036
3367
(Applaus)
05:01
There's much work to be done in this area.
96
289446
3576
Er is nog veel werk te doen
op dit gebied.
op dit gebied.
05:05
(In Chinese)
97
293022
3645
(In het Chinees)
05:08
(Applause)
98
296667
3433
(Applaus)
Jeremy Howard: Dat was op een conferentie
over machinaal leren in China.
over machinaal leren in China.
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Op wetenschappelijke congressen
05:19
that you do hear spontaneous applause,
101
307114
1897
hoor je niet vaak spontaan applaus,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
maar natuurlijk wel eens
bij TEDx conferenties, het mag.
bij TEDx conferenties, het mag.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Alles wat je zag,
gebeurde met deep learning.
gebeurde met deep learning.
05:27
(Applause) Thank you.
104
315482
1525
(Applaus)
Dank je.
Dank je.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
De transcriptie in het Engels
was deep learning.
was deep learning.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
Ook de vertaling naar Chinees en de tekst
in de rechterbovenhoek is deep learning.
in de rechterbovenhoek is deep learning.
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
De constructie van de stem,
weer deep learning.
weer deep learning.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Deep learning is buitengewoon.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Een enkel algoritme
lijkt bijna alles te kunnen.
lijkt bijna alles te kunnen.
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
Een jaar eerder ontdekte ik
dat het systeem ook had leren zien.
dat het systeem ook had leren zien.
Bij een minder bekende
wedstrijd in Duitsland,
wedstrijd in Duitsland,
05:47
In this obscure competition from Germany
111
335452
2176
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
de German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
heeft deep learning verkeersborden
zoals deze leren herkennen.
zoals deze leren herkennen.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Niet alleen kan het verkeersborden
beter dan enig ander algoritme herkennen,
beter dan enig ander algoritme herkennen,
05:57
better than any other algorithm,
115
345712
1758
het scorebord liet zien dat het ook
ongeveer twee keer beter was dan mensen.
ongeveer twee keer beter was dan mensen.
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
06:02
about twice as good as people.
117
350189
1852
In 2011 hadden we dus het eerste voorbeeld
06:04
So by 2011, we had the first example
118
352041
1996
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
van computers die beter
kunnen zien dan mensen.
kunnen zien dan mensen.
06:09
Since that time, a lot has happened.
120
357442
2049
Sinds die tijd is er veel gebeurd.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
In 2012 kondigde Google aan
dat ze een deep learning-algoritme
dat ze een deep learning-algoritme
YouTube-video’s lieten bekijken.
06:15
watch YouTube videos
122
363005
1415
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
Het verwerkte een maand lang
de gegevens op 16.000 computers,
de gegevens op 16.000 computers,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
en de computer leerde zelfstandig
over begrippen als mensen en katten
over begrippen als mensen en katten
gewoon door naar de video's te kijken.
06:24
just by watching the videos.
125
372218
1809
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Net als de manier waarop mensen leren.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Mensen leren niet doordat hen
wordt verteld wat ze zien,
wordt verteld wat ze zien,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
maar door zichzelf
deze dingen te leren.
deze dingen te leren.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Ook in 2012, won Geoffrey Hinton,
die we eerder zagen,
die we eerder zagen,
06:37
won the very popular ImageNet competition,
130
385819
2858
de zeer populaire ImageNet-wedstrijd,
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
door te kijken naar anderhalf miljoen
afbeeldingen om erachter te komen
afbeeldingen om erachter te komen
06:44
what they're pictures of.
132
392818
1438
wat ze voorstelden.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
Vanaf 2014 zitten we op
een zes procent foutenpercentage
een zes procent foutenpercentage
06:49
in image recognition.
134
397789
1453
bij beeldherkenning.
06:51
This is better than people, again.
135
399242
2026
Dit is alweer beter dan mensen.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Machines kunnen dit buitengewoon goed
06:57
and it is now being used in industry.
137
405037
2269
en het wordt nu gebruikt in de industrie.
06:59
For example, Google announced last year
138
407306
3042
Vorig jaar kondigde
Google bijvoorbeeld aan
Google bijvoorbeeld aan
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
dat ze elke locatie in Frankrijk
in twee uur tijd in kaart hadden gebracht,
in twee uur tijd in kaart hadden gebracht,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
door Street View-beelden
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
met een deep learning-algoritme te herkennen
en de huisnummers te lezen.
en de huisnummers te lezen.
Stel je voor hoe lang het
anders zou hebben geduurd:
anders zou hebben geduurd:
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
07:16
dozens of people, many years.
143
424919
3355
tientallen mensen, vele jaren.
07:20
This is also happening in China.
144
428274
1911
Dit gebeurt ook in China.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu is een soort Chinese Google,
denk ik,
denk ik,
07:26
and what you see here in the top left
146
434221
2283
en wat je hier ziet
in de linkerbovenhoek,
in de linkerbovenhoek,
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
is een voorbeeld van een foto
die ik heb geüpload
die ik heb geüpload
naar Baidu’s deep learning-systeem.
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
Daaronder kun je zien dat het systeem
heeft begrepen wat dat beeld is
heeft begrepen wat dat beeld is
07:36
and found similar images.
149
444247
2236
en gelijkaardige beelden vond.
De gelijkaardige beelden
hebben gelijkaardige achtergronden,
hebben gelijkaardige achtergronden,
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
07:41
similar directions of the faces,
151
449219
1658
dezelfde richtingen van gezichten,
07:42
even some with their tongue out.
152
450877
1788
sommige zelfs met hun tong uit.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Dit is niet zomaar wat kijken
naar de tekst van een webpagina.
naar de tekst van een webpagina.
07:47
All I uploaded was an image.
154
455695
1412
Alles wat ik uploadde, waren beelden.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Dus hebben we nu computers
die echt begrijpen wat ze zien
die echt begrijpen wat ze zien
07:53
and can therefore search databases
156
461128
1624
en derhalve databases
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
van honderden miljoenen beelden
in real time doorzoeken.
in real time doorzoeken.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Wat betekent het nu
dat computers kunnen zien?
dat computers kunnen zien?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Computers kunnen niet alleen maar zien.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Deep learning doet meer.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Complexe, genuanceerde zinnen zoals deze
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
zijn nu begrijpelijk
met deep learning-algoritmen.
met deep learning-algoritmen.
08:11
As you can see here,
163
479394
1303
Zoals je hier kunt zien,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
heeft dit systeem van Stanford
met de rode stip bovenaan
met de rode stip bovenaan
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
uitgeknobbeld dat deze zin
een negatief sentiment weergeeft.
een negatief sentiment weergeeft.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Deep learning komt in de buurt
van menselijke prestaties
van menselijke prestaties
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
bij het begrijpen waar zinnen over gaan
en wat ze zeggen over die dingen.
en wat ze zeggen over die dingen.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Ook is deep learning gebruikt
om Chinees te lezen,
om Chinees te lezen,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
weer op ongeveer het niveau
van Chinese moedertaalsprekers.
van Chinese moedertaalsprekers.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Dit algoritme werd
in Zwitserland ontwikkeld
in Zwitserland ontwikkeld
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
alweer door mensen die geen
Chinees spreken of begrijpen.
Chinees spreken of begrijpen.
08:39
As I say, using deep learning
172
507331
2051
Zoals ik al zei, deep learning
is zowat het beste systeem
ter wereld hiervoor,
ter wereld hiervoor,
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
zelfs in vergelijking
met autochtoon menselijk begrijpen.
met autochtoon menselijk begrijpen.
Het is een systeem dat we
op mijn bedrijf hebben ontwikkeld
op mijn bedrijf hebben ontwikkeld
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
door dit allemaal te combineren.
Dit zijn foto’s
zonder bijhorende tekst,
zonder bijhorende tekst,
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
en terwijl ik hier zinnen typ,
08:56
and as I'm typing in here sentences,
178
524189
2352
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
begrijpt het deze foto’s in real time,
09:01
and figuring out what they're about
180
529510
1679
zoekt uit waarover ze gaan
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
en vindt foto’s die lijken op
de tekst die ik schrijf.
de tekst die ik schrijf.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Zoals jullie kunnen zien, begrijpt het
mijn zinnen en deze foto's echt.
mijn zinnen en deze foto's echt.
09:09
and actually understanding these pictures.
183
537108
2224
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Dit heb je vast al gezien op Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
waar je woorden kunt intypen
en het je afbeeldingen toont,
en het je afbeeldingen toont,
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
maar eigenlijk doorzoekt het
de webpagina op tekst.
de webpagina op tekst.
Dat is heel wat anders dan
werkelijk begrijpen van de afbeeldingen.
werkelijk begrijpen van de afbeeldingen.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Dit kunnen computers alleen nog maar
09:25
for the first time in the last few months.
189
553843
3248
sinds de laatste paar maanden.
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
Computers kunnen dus niet alleen zien,
maar ook lezen,
maar ook lezen,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
en, zoals we hebben aangetoond,
ook begrijpen wat ze horen.
ook begrijpen wat ze horen.
Misschien niet zo verwonderlijk
dat ik je vertel dat ze kunnen schrijven.
dat ik je vertel dat ze kunnen schrijven.
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
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Deze tekst genereerde ik gisteren
met een deep learning-algoritme.
met een deep learning-algoritme.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
En hier een stukje tekst dat
een algoritme van Stanford genereerde.
een algoritme van Stanford genereerde.
09:49
Each of these sentences was generated
195
577096
1764
Elk van deze zinnen werd gegenereerd
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
door een deep learning-algoritme
om elk van deze foto's te beschrijven.
om elk van deze foto's te beschrijven.
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
Dit algoritme had nog nooit een man
in een zwart shirt gitaar zien spelen.
in een zwart shirt gitaar zien spelen.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Het had al apart een man, zwart
10:01
it's seen a guitar before,
199
589801
1599
en een gitaar gezien,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
maar genereerde onafhankelijk
de nieuwe beschrijving van dit beeld.
de nieuwe beschrijving van dit beeld.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
We zijn nog niet zover
als menselijke prestaties,
als menselijke prestaties,
maar we komen in de buurt.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Bij tests geven mensen
één op de vier keer de voorkeur
één op de vier keer de voorkeur
aan het bijschrift van de computer.
10:15
one out of four times.
203
603264
1527
10:16
Now this system is now only two weeks old,
204
604791
2064
Dit systeem is nog maar twee weken oud,
10:18
so probably within the next year,
205
606855
1846
dus waarschijnlijk
zal in de loop van volgend jaar,
zal in de loop van volgend jaar,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
het computer-algoritme
het beter doen dan mensen.
het beter doen dan mensen.
10:23
at the rate things are going.
207
611502
1862
10:25
So computers can also write.
208
613364
3049
Computers kunnen dus ook schrijven.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Dit alles tezamen leidt
tot zeer interessante mogelijkheden.
tot zeer interessante mogelijkheden.
10:31
For example, in medicine,
210
619888
1492
In de geneeskunde heeft
een team in Boston aangekondigd
een team in Boston aangekondigd
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
tientallen nieuwe klinisch relevante
eigenschappen van tumoren
eigenschappen van tumoren
10:35
dozens of new clinically relevant features
212
623905
2949
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
te hebben ontdekt, wat artsen helpt bij
het maken van prognoses voor kanker.
het maken van prognoses voor kanker.
Ook in Stanford maakte een groep bekend
10:44
Very similarly, in Stanford,
214
632220
2296
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
dat ze, kijkend
naar weefsels onder vergroting,
naar weefsels onder vergroting,
een op machinaal-leren gebaseerd
systeem hebben ontwikkeld
systeem hebben ontwikkeld
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
dat beter was dan menselijke pathologen
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
in het voorspellen van overlevingskansen
voor kankerpatiënten.
voor kankerpatiënten.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
In beide gevallen werden niet alleen
de voorspellingen nauwkeuriger,
de voorspellingen nauwkeuriger,
11:02
but they generated new insightful science.
220
650764
2502
maar ze genereerden
nieuwe inzichtelijke wetenschap.
nieuwe inzichtelijke wetenschap.
11:05
In the radiology case,
221
653276
1505
Bij de radiologie
waren dat nieuwe klinische indicatoren
die mensen kunnen begrijpen.
die mensen kunnen begrijpen.
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
11:09
In this pathology case,
223
657876
1792
Bij de pathologie
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
ontdekte het computersysteem
dat de cellen rond de kanker
dat de cellen rond de kanker
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
even belangrijk zijn
als de kankercellen zelf
als de kankercellen zelf
11:19
in making a diagnosis.
226
667508
1752
bij het maken van een diagnose.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Dit is het tegenovergestelde van wat
pathologen decennialang hadden geleerd.
pathologen decennialang hadden geleerd.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
In beide gevallen
werden systemen ontwikkeld
werden systemen ontwikkeld
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
door een combinatie van medische experts
en machinaal-lerenexperts,
en machinaal-lerenexperts,
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
maar dat was vorig jaar,
nu staan we verder.
nu staan we verder.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Dit is een voorbeeld van identificatie
van carcinomateuze gebieden
van carcinomateuze gebieden
11:39
of human tissue under a microscope.
232
687824
2530
van menselijk weefsel
onder een microscoop.
onder een microscoop.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Het systeem dat hier wordt getoond,
kan deze doelgebieden
preciezer identificeren
preciezer identificeren
of ongeveer net zo precies
als menselijke pathologen, maar werd
als menselijke pathologen, maar werd
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
geheel ontwikkeld met deep learning
zonder medische expertise
zonder medische expertise
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
door mensen zonder achtergrond
op dat gebied.
op dat gebied.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Evenzo bij deze neuronen-segmentatie.
We kunnen nu neuronen ongeveer
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
net zo nauwkeurig onderscheiden
als mensen het kunnen,
als mensen het kunnen,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
maar dit systeem
is ontwikkeld met deep learning
is ontwikkeld met deep learning
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
met mensen zonder eerdere
achtergrond in de geneeskunde.
achtergrond in de geneeskunde.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Ikzelf, als iemand zonder eerdere
achtergrond in de geneeskunde,
achtergrond in de geneeskunde,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
lijk helemaal gekwalificeerd te zijn om
een nieuw medisch bedrijf op te starten,
een nieuw medisch bedrijf op te starten,
12:15
which I did.
243
723875
2146
wat ik dan ook deed.
Ik was doodsbang om het te doen,
12:18
I was kind of terrified of doing it,
244
726021
1740
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
maar de theorie leek te suggereren
dat het mogelijk moet zijn
dat het mogelijk moet zijn
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
om aan zeer bruikbare geneeskunde te doen
met deze data-analyse technieken.
met deze data-analyse technieken.
Gelukkig is de feedback
fantastisch geweest.
fantastisch geweest.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
Niet alleen van de media
maar ook van de medische gemeenschap,
die zeer positief reageerde.
die zeer positief reageerde.
12:32
who have been very supportive.
249
740978
2344
De theorie is dat wij het middelste deel
van het medische proces kunnen overnemen
van het medische proces kunnen overnemen
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
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
en dat zoveel mogelijk
in gegevensanalyse omzetten
in gegevensanalyse omzetten
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
om artsen dat te laten doen
waarin ze uitblinken.
waarin ze uitblinken.
12:45
I want to give you an example.
253
753429
1602
Ik geef een voorbeeld.
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
Het kost ons nu ongeveer 15 minuten
om een nieuwe medische diagnostische
test te genereren.
test te genereren.
Ik toon het in real-time,
12:51
and I'll show you that in real time now,
255
759975
1954
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
maar comprimeerde het tot drie minuten
door wat weg te laten.
door wat weg te laten.
In plaats van het creëren van
een medisch-diagnostische test te tonen,
een medisch-diagnostische test te tonen,
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
toon ik een diagnostische test
van afbeeldingen van auto's,
van afbeeldingen van auto's,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
want dat begrijpen we allemaal.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
We beginnen hier met ongeveer
1,5 miljoen afbeeldingen van auto's,
1,5 miljoen afbeeldingen van auto's,
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
en ik wil iets maken
dat hen kan sorteren
dat hen kan sorteren
13:12
of the photo that's being taken.
262
780475
2223
volgens de hoek
vanwaar de foto werd genomen.
vanwaar de foto werd genomen.
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
Deze beelden zijn ongelabeld,
dus moet ik beginnen vanaf nul.
dus moet ik beginnen vanaf nul.
13:18
With our deep learning algorithm,
264
786586
1865
Met ons deep learning-algoritme
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
kan het automatisch structuurdelen
identificeren in deze beelden.
identificeren in deze beelden.
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
Het leuke is dat mens en computer
nu kunnen samenwerken.
nu kunnen samenwerken.
13:27
So the human, as you can see here,
267
795778
2178
De mens zoals hier te zien,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
wijst de computer op aandachtsgebieden
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
waarvan hij wil dat de computer ze
gebruikt om het algoritme te verbeteren.
gebruikt om het algoritme te verbeteren.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Deze deep learning-systemen zijn in feite
in een 16.000-dimensionale ruimte.
in een 16.000-dimensionale ruimte.
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
Je kunt de computer dit
in die ruimte zien draaien,
in die ruimte zien draaien,
13:45
trying to find new areas of structure.
272
813009
1992
om nieuwe structuurgebieden te vinden.
13:47
And when it does so successfully,
273
815001
1781
Als dat lukt,
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
kan de mens dan wijzen
op gebieden die interessant zijn.
op gebieden die interessant zijn.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Hier heeft de computer
goede gebieden gevonden,
goede gebieden gevonden,
13:55
for example, angles.
276
823208
2562
bijvoorbeeld hoeken.
13:57
So as we go through this process,
277
825770
1606
Bij het doorlopen van dit proces,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
vertellen we de computer
geleidelijk aan meer en meer
geleidelijk aan meer en meer
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
over de soorten structuren
die we zoeken.
die we zoeken.
14:04
You can imagine in a diagnostic test
280
832144
1772
Je kunt je voorstellen
dat in een diagnostische test
dat in een diagnostische test
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
een patholoog zieke gebieden
gaat identificeren
gaat identificeren
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
of een radioloog potentieel
gevaarlijke knobbeltjes aanwijst.
gevaarlijke knobbeltjes aanwijst.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Soms wordt het moeilijk
voor het algoritme.
voor het algoritme.
14:16
In this case, it got kind of confused.
284
844851
1964
Hier raakte het in de war.
De voor- en achterkanten van de auto's
worden door elkaar gehaald.
worden door elkaar gehaald.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
14:21
So here we have to be a bit more careful,
286
849365
2072
Dus moeten we hier wat preciezer zijn,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
voor- en achterkanten handmatig selecteren
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
en de computer vertellen
dat dit een soort groep is
waarin we geïnteresseerd zijn.
waarin we geïnteresseerd zijn.
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
Dat doen we even,
we slaan even wat over,
we slaan even wat over,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
en trainen daarmee
het machinaal-lerenalgoritme
het machinaal-lerenalgoritme
14:38
based on these couple of hundred things,
292
866446
1974
op basis van die paar honderd dingen,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
en hopen dat het dan veel beter gaat.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Jullie zien, hij begint nu
sommige van deze foto’s te vervagen,
sommige van deze foto’s te vervagen,
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
en laat daarmee zien dat het
sommige ervan zelf begint te begrijpen.
sommige ervan zelf begint te begrijpen.
We kunnen dan gebruik maken
van het concept van soortgelijke foto's,
van het concept van soortgelijke foto's,
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
14:53
and using similar images, you can now see,
297
881128
2094
daarmee kun je nu zien
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
dat de computer in staat is om alleen
de voorkanten van auto’s te vinden.
de voorkanten van auto’s te vinden.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Nu kan de mens de computer vertellen:
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
“Oké, dat heb je goed gedaan.”
15:05
Sometimes, of course, even at this point
301
893652
2185
Maar zelfs op dit punt
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
is het soms nog steeds moeilijk
groepen te scheiden.
groepen te scheiden.
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
Zelfs na de computer
dit een tijdje te laten roteren,
dit een tijdje te laten roteren,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
zien we nog steeds dat foto’s
van de linker- en de rechterzijde
van de linker- en de rechterzijde
15:18
are all mixed up together.
305
906744
1478
door elkaar worden gehaald.
We kunnen dan de computer
weer enkele tips geven,
weer enkele tips geven,
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
en zeggen dat hij een projectie
moet zoeken
moet zoeken
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
die de linker- en rechterkant
zoveel mogelijk scheidt
zoveel mogelijk scheidt
15:27
using this deep learning algorithm.
309
915945
2122
door middel van
een deep learning-algoritme.
een deep learning-algoritme.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
En met die hint –
ah, oké, het is gelukt.
ah, oké, het is gelukt.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Hij vond een manier
van denken over deze objecten
van denken over deze objecten
15:35
that's separated out these together.
312
923891
2380
dat ze van elkaar scheidde.
15:38
So you get the idea here.
313
926271
2438
Je ziet het idee erachter.
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
Hier werd de mens
niet vervangen door een computer,
niet vervangen door een computer,
15:48
but where they're working together.
315
936906
2640
maar ze werkten samen.
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
Dit zou een team van vijf of zes personen
zeven jaar hebben gekost.
zeven jaar hebben gekost.
15:55
of five or six people about seven years
317
943096
2002
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
Dit duurt 15 minuten
15:59
for one person acting alone.
319
947703
2505
voor één enkele persoon.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Dit proces neemt ongeveer
vier of vijf iteraties in beslag.
vier of vijf iteraties in beslag.
16:06
You can see we now have 62 percent
321
954158
1859
Je kunt zien dat we nu 62%
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
van onze 1,5 miljoen beelden
correct hebben geclassificeerd.
correct hebben geclassificeerd.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Vanaf nu kunnen we vrij snel
heel grote secties aanpakken
heel grote secties aanpakken
16:13
grab whole big sections,
324
961448
1297
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
en controleren of er
geen fouten werden gemaakt.
geen fouten werden gemaakt.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Waar fouten zijn,
kunnen we de computer daarop wijzen.
kunnen we de computer daarop wijzen.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Met dit soort proces voor elk
van de verschillende groepen,
van de verschillende groepen,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
hebben we nu een 80% kans op succes
16:27
in classifying the 1.5 million images.
329
975148
2415
bij het sorteren
van de 1,5 miljoen afbeeldingen.
van de 1,5 miljoen afbeeldingen.
16:29
And at this point, it's just a case
330
977563
2078
Dan is het nog zaak
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
het kleine aantal te vinden
dat niet correct werd ingedeeld
dat niet correct werd ingedeeld
16:35
and trying to understand why.
332
983220
2888
en proberen te begrijpen waarom.
16:38
And using that approach,
333
986108
1743
Met behulp van die aanpak
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
krijgen we op 15 minuten
tot 97% juiste classificatie.
tot 97% juiste classificatie.
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
Dit soort techniek stelt ons in staat
een groot probleem op te lossen,
een groot probleem op te lossen,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
namelijk het gebrek
aan medische expertise in de wereld.
aan medische expertise in de wereld.
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
Het Wereld Economisch Forum zegt
dat er tussen de 10 en 20 keer
dat er tussen de 10 en 20 keer
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
te weinig artsen zijn
in de derde wereld.
in de derde wereld.
16:57
and it would take about 300 years
339
1005727
2113
Het zou ongeveer 300 jaar duren
om voldoende mensen op te leiden
om dat probleem op te lossen.
om dat probleem op te lossen.
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Stel dat we hun efficiëntie
kunnen verbeteren
kunnen verbeteren
17:05
using these deep learning approaches?
342
1013619
2839
met behulp van deep learning?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Ik ben erg enthousiast
over de mogelijkheden.
over de mogelijkheden.
17:10
I'm also concerned about the problems.
344
1018690
2589
Maar ik zie ook problemen.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Het probleem hier is dat
elk gebied in het blauw op deze kaart
elk gebied in het blauw op deze kaart
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
ergens is waar de dienstensector instaat
voor meer dan 80% van de werkgelegenheid.
voor meer dan 80% van de werkgelegenheid.
17:20
What are services?
347
1028172
1787
Wat zijn diensten?
17:21
These are services.
348
1029959
1514
Dit zijn diensten.
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
Dit zijn ook exact die dingen
die computers net hebben leren doen.
die computers net hebben leren doen.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Dus 80% van de werkgelegenheid
in de ontwikkelde wereld
in de ontwikkelde wereld
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
zijn zaken die computers
net hebben leren doen.
net hebben leren doen.
17:33
What does that mean?
352
1041963
1440
Wat betekent dat?
Het komt wel goed.
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Er komen wel andere banen.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Bijvoorbeeld meer banen
voor datawetenschappers.
voor datawetenschappers.
Nou, niet echt. Datawetenschappers
kunnen deze dingen heel snel ontwikkelen.
kunnen deze dingen heel snel ontwikkelen.
17:40
Well, not really.
355
1048693
817
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
Zo werden deze vier algoritmes
alle ontwikkeld door dezelfde man.
alle ontwikkeld door dezelfde man.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Als je denkt: “Ach, het is allemaal
al eerder gebeurd,
al eerder gebeurd,
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
we zagen wat er vroeger gebeurde
als er nieuwe dingen kwamen,
als er nieuwe dingen kwamen,
17:54
and they get replaced by new jobs,
360
1062126
2252
ze worden vervangen door nieuwe banen.”
17:56
what are these new jobs going to be?
361
1064378
2116
Maar wat zullen deze nieuwe banen zijn?
17:58
It's very hard for us to estimate this,
362
1066494
1871
Moeilijk in te schatten,
omdat menselijk kunnen
met dit geleidelijke tempo groeit,
met dit geleidelijke tempo groeit,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
18:03
but we now have a system, deep learning,
364
1071104
2562
maar we hebben nu
een deep learning-systeem
een deep learning-systeem
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
dat eigenlijk exponentieel
in mogelijkheden toeneemt.
in mogelijkheden toeneemt.
18:08
And we're here.
366
1076893
1605
Hier zijn we.
18:10
So currently, we see the things around us
367
1078498
2061
We kijken naar wat we hebben
en zeggen: "Ach, computers zijn
nog steeds behoorlijk dom." Ja?
nog steeds behoorlijk dom." Ja?
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Maar in vijf jaar tijd zullen computers
buiten deze grafiek vallen.
buiten deze grafiek vallen.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Daar moeten we nu al beginnen
over na te denken.
over na te denken.
Hebben we dit niet
al eerder zien gebeuren?
al eerder zien gebeuren?
18:22
We have seen this once before, of course.
371
1090529
2050
18:24
In the Industrial Revolution,
372
1092579
1387
In de Industriële Revolutie
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
deden we een grote stap
in mogelijkheden dankzij machines.
in mogelijkheden dankzij machines.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Maar na een tijdje vlakte het wat af.
Er was maatschappelijke ontwrichting,
18:32
There was social disruption,
375
1100805
1702
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
maar zodra machines in alle situaties
voor energie gingen zorgen,
voor energie gingen zorgen,
18:37
things really settled down.
377
1105946
2354
kalmeerde het weer.
18:40
The Machine Learning Revolution
378
1108300
1473
De Machinaal-Leren Revolutie
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
zal heel wat anders zijn
dan de Industriële Revolutie,
dan de Industriële Revolutie,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
omdat de Machinaal-Leren Revolutie
nooit gaat stoppen.
nooit gaat stoppen.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Hoe beter computers worden
in intellectuele activiteiten,
in intellectuele activiteiten,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
hoe meer ze betere computers kunnen bouwen
om intellectuele vermogens te verbeteren.
om intellectuele vermogens te verbeteren.
18:54
so this is going to be a kind of change
383
1122862
1908
Dit gaat om een soort verandering
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
die de wereld nog nooit
eerder heeft meegemaakt.
eerder heeft meegemaakt.
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
Je vorige idee van wat mogelijk is,
schiet tekort.
schiet tekort.
19:02
This is already impacting us.
386
1130974
1780
Dit beïnvloedt ons nu al.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Terwijl in de afgelopen 25 jaar
de kapitaalproductiviteit toenam,
de kapitaalproductiviteit toenam,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
ging het voor de arbeidsproductiviteit
zelfs een beetje omlaag.
zelfs een beetje omlaag.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Ik zou deze discussie
nu willen opstarten.
nu willen opstarten.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Ik weet dat wanneer ik
mensen hierover vertel,
mensen hierover vertel,
19:19
people can be quite dismissive.
391
1147176
1490
ze vaak heel afwijzend zijn:
19:20
Well, computers can't really think,
392
1148666
1673
"Computers kunnen toch niet echt denken,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
voelen, poëzie begrijpen.
19:25
we don't really understand how they work.
394
1153367
2521
We begrijpen niet echt hoe ze werken."
19:27
So what?
395
1155888
1486
Dus?
19:29
Computers right now can do the things
396
1157374
1804
Computers kunnen nu dingen doen
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
waarvoor mensen al hun hele leven
betaald werden,
betaald werden,
19:33
so now's the time to start thinking
398
1161897
1731
dus is het nu tijd om te gaan nadenken
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
hoe we onze sociale
en economische structuren gaan aanpassen
en economische structuren gaan aanpassen
19:40
to be aware of this new reality.
400
1168015
1840
en ons bewust worden
van deze nieuwe realiteit.
van deze nieuwe realiteit.
19:41
Thank you.
401
1169855
1533
Bedankt.
19:43
(Applause)
402
1171388
802
(Applaus)
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