TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: Cudowne i przerażające implikacje tego, że komputer potrafi się uczyć
Filmed:
Readability: 4.5
2,532,971 views
Co się stanie, kiedy komputery opanują umiejętność uczenia się? Technolog Jeremy Howard przedstawia kilka zaskakujących wyników z szybko ewoluującej dziedziny uczenia głębokiego, techniki, która umożliwia komputerom nauczenie się języka chińskiego, rozpoznawanie obiektów na fotografiach lub pomoc w analizie diagnozy medycznej. (Jedno z narzędzi wykorzystujących uczenie głębokie, obejrzawszy wiele godzin filmów na YouTube, nauczyło się koncepcji "kota"). Zapoznaj się z dziedziną, która zmieni sposób, w jaki działają komputery ... szybciej niż to sobie wyobrażasz.
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
Kiedyś było tak,
że aby komputer coś zrobił,
trzeba go było zaprogramować.
00:16
you would have to program it.
1
4893
1554
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Dla tych, którzy tego nie robili:
programowanie wymaga
drobiazgowego zdefiniowania
drobiazgowego zdefiniowania
00:21
requires laying out in excruciating detail
3
9858
3502
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
każdego kroku, który komputer ma wykonać,
00:28
in order to achieve your goal.
5
16727
2362
by osiągnąć cel.
Jeżeli chcemy,
by komputer wykonał czynność,
by komputer wykonał czynność,
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
której sami nie potrafimy wykonać,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
stajemy przed dużym wyzwaniem.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Stanął przed nim Artur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
W 1956 roku stwierdził, że chciałby,
aby komputer wygrał z nim w warcaby.
00:44
to be able to beat him at checkers.
10
32208
2340
00:46
How can you write a program,
11
34548
2040
Jak napisać program,
drobiazgowo wyrazić,
jak być lepszym w warcaby
jak być lepszym w warcaby
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
niż jest się samemu?
Artur wpadł na następujący pomysł:
00:52
So he came up with an idea:
13
40394
1722
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
kazał komputerowi
grać z samym sobą tysiące razy
grać z samym sobą tysiące razy
00:57
and learn how to play checkers.
15
45840
2524
i w ten sposób nauczyć się gry.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Rzeczywiście się udało.
W 1962 roku komputer pokonał
mistrza stanu Connecticut.
mistrza stanu Connecticut.
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Artur Samuel był ojcem
uczenia maszynowego.
uczenia maszynowego.
01:10
and I have a great debt to him,
19
58534
1717
Mam wobec niego duży dług,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
bo sam zajmuję się
uczeniem maszynowym.
uczeniem maszynowym.
Byłem przewodniczącym Kaggle,
01:15
I was the president of Kaggle,
21
63014
1465
społeczności zrzeszającej
200 tys. specjalistów
200 tys. specjalistów
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
od programowania maszynowego.
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle organizuje konkursy,
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
podczas których członkowie próbują
rozwiązać dotąd nierozwiązane problemy.
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
Udało się to już setki razy.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Z tej perspektywy wiele się dowiedziałem
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
o dawnych i obecnych
możliwościach uczenia maszynowego,
możliwościach uczenia maszynowego,
01:35
and what it could do in the future.
28
83890
2362
i co będzie możliwe w przyszłości.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Chyba pierwszym dużym sukcesem
w komercyjnym zastosowaniu
uczenia maszynowego
uczenia maszynowego
był Google, który udowodnił,
że da się szukać informacji
że da się szukać informacji
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
01:45
by using a computer algorithm,
31
93784
1752
przy pomocy algorytmu komputerowego,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
opartego o uczenie maszynowe.
Odtąd było wiele udanych
komercyjnych zastosowań.
komercyjnych zastosowań.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Firmy takie jak Amazon czy Netflix
01:54
Companies like Amazon and Netflix
34
102323
1837
używają uczenia maszynowego
do proponowania produktów
do proponowania produktów
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
lub filmów, które nas zaciekawią.
01:59
movies that you might like to watch.
36
107876
2020
Czasem przyprawia to o gęsią skórkę.
02:01
Sometimes, it's almost creepy.
37
109896
1807
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Firmy jak LinkedIn czy Facebook
mówią nam czasem, kogo znamy,
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
i nie mamy pojęcia, jak to robią.
02:08
and you have no idea how it did it,
40
116251
1977
Wykorzystują moc uczenia maszynowego.
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
To algorytmy, które uczą się z danych,
02:16
rather than being programmed by hand.
43
124152
3247
nie zaś przez ręczne programowanie.
02:19
This is also how IBM was successful
44
127399
2478
To również dlatego
komputer Watson firmy IBM
komputer Watson firmy IBM
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
potrafił pokonać dwóch
mistrzów świata w grze "Va Banque",
mistrzów świata w grze "Va Banque",
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
odpowiadając na niezwykle subtelne
i skomplikowane pytania takie jak to:
i skomplikowane pytania takie jak to:
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
Antyczny "Lew z Kalchu" zginął z muzeum
w tym mieście w 2003 roku.
w tym mieście w 2003 roku.
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
Także dlatego mamy pierwsze
samokierujące samochody.
samokierujące samochody.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Możliwość odróżnienia, powiedzmy,
drzewa i przechodnia,
drzewa i przechodnia,
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
jest dosyć istotna.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Nie wiemy, jak zaprogramować to ręcznie,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
ale potrafimy to zrobić
przez uczenie maszynowe.
przez uczenie maszynowe.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Ten samochód przejechał już
ponad 2 mln kilometrów
ponad 2 mln kilometrów
02:48
without any accidents on regular roads.
54
156680
3506
po zwykłych drogach, bez wypadków.
02:52
So we now know that computers can learn,
55
160196
3914
Czyli komputery potrafią się uczyć
02:56
and computers can learn to do things
56
164110
1900
i potrafią uczyć się rzeczy,
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
których czasem sami nie potrafimy robić,
03:00
or maybe can do them better than us.
58
168848
2885
lub potrafią je robić lepiej niż my.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Jeden z niezwykłych przykładów
uczenia maszynowego
uczenia maszynowego
zdarzył się w projekcie,
który prowadziłem w Kaggle.
który prowadziłem w Kaggle.
03:07
happened on a project that I ran at Kaggle
60
175928
2392
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
Zespół, którym kierował Geoffrey Hinton
03:13
from the University of Toronto
62
181911
1552
z Uniwersytetu w Toronto,
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
wygrał konkurs na automatyczne
odkrywanie leków.
odkrywanie leków.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Co niezwykłe,
nie tylko przebili wszystkie algorytmy
nie tylko przebili wszystkie algorytmy
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
firmy Merck i międzynarodowej
społeczności akademickiej,
społeczności akademickiej,
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
ale też nikt w zespole nie miał
żadnej wiedzy z chemii, biologii
żadnej wiedzy z chemii, biologii
czy nauki o organizmach żywych,
a zrobili to w dwa tygodnie.
03:30
and they did it in two weeks.
67
198061
2169
03:32
How did they do this?
68
200230
1381
Jak im się to udało?
Użyli niezwykłego algorytmu,
zwanego uczeniem głębokim.
zwanego uczeniem głębokim.
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
To wydarzenie było tak ważne,
że kilka tygodni później
że kilka tygodni później
New York Times pisał o nim
na stronie głównej.
na stronie głównej.
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Po lewej stronie widoczny
jest Geoffrey Hinton.
jest Geoffrey Hinton.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
Uczenie głębokie to algorytm zainspirowany
sposobem działania ludzkiego mózgu,
sposobem działania ludzkiego mózgu,
03:50
and as a result it's an algorithm
74
218488
1812
przez co nie ma żadnych
teoretycznych ograniczeń.
teoretycznych ograniczeń.
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
Im więcej dostaje danych,
im więcej czasu obliczeniowego,
im więcej czasu obliczeniowego,
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
tym staje się lepszy.
03:58
the better it gets.
77
226964
1312
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
New York Times przedstawił też w artykule
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
inne niezwykłe osiągniecie
uczenia głębokiego,
uczenia głębokiego,
04:04
which I'm going to show you now.
80
232857
2712
które teraz zaprezentuję.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Udowadnia ono, że komputery
potrafią słuchać i rozumieć.
potrafią słuchać i rozumieć.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Wideo) Richard Rashid: Ostatni krok,
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
który chciałbym wykonać w tym procesie,
04:18
is to actually speak to you in Chinese.
84
246246
4715
to przemówić do was po chińsku.
04:22
Now the key thing there is,
85
250961
2635
Chodzi o to, że udało nam się
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
wziąć dużą ilość informacji
od osób mówiących po chińsku
od osób mówiących po chińsku
04:30
and produce a text-to-speech system
87
258598
2530
i stworzyć system syntezy mowy,
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
który konwertuje chiński tekst na mowę.
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
Potem wzięliśmy godzinne
nagranie mojego głosu
nagranie mojego głosu
04:41
and we've used that to modulate
90
269929
1891
i użyliśmy go do zmodulowania
standardowego systemu syntezy mowy,
standardowego systemu syntezy mowy,
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
żeby brzmiał jak ja.
Efekt nie jest bezbłędny.
04:48
Again, the result's not perfect.
92
276364
2540
04:50
There are in fact quite a few errors.
93
278904
2648
W sumie jest nawet sporo błędów.
04:53
(In Chinese)
94
281552
2484
(Po chińsku)
04:56
(Applause)
95
284036
3367
(Oklaski)
05:01
There's much work to be done in this area.
96
289446
3576
Ta dziedzina wymaga jeszcze dużo pracy.
05:05
(In Chinese)
97
293022
3645
(Po chińsku)
05:08
(Applause)
98
296667
3433
(Oklaski)
JH: To był fragment konferencji
na temat uczenia maszynowego w Chinach.
na temat uczenia maszynowego w Chinach.
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
Na akademickich konferencjach
rzadko słyszy się spontaniczny aplauz.
rzadko słyszy się spontaniczny aplauz.
05:19
that you do hear spontaneous applause,
101
307114
1897
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
Na konferencjach TEDx
zdarza się to częściej,
zdarza się to częściej,
więc proszę się nie krępować.
Wszystko, co tu widzieliście,
osiągnięto przez uczenie głębokie.
osiągnięto przez uczenie głębokie.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
05:27
(Applause) Thank you.
104
315482
1525
(Oklaski) Dziękuję.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
Transkrypcja na angielski
to uczenie głębokie.
to uczenie głębokie.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
Tłumaczenie na chiński i tekst
w prawym górnym rogu - uczenie głębokie,
w prawym górnym rogu - uczenie głębokie,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
synteza mowy to również uczenie głębokie.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Uczenie głębokie jest niezwykłe.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
To pojedynczy algorytm,
który jakby umie wszystko.
który jakby umie wszystko.
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
Odkryłem, że rok wcześniej
nauczył się również widzieć.
nauczył się również widzieć.
05:47
In this obscure competition from Germany
111
335452
2176
W mało znanym konkursie w Niemczech
na rozpoznawanie znaków drogowych
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
uczenie głębokie nauczyło się
rozpoznawać takie znaki drogowe.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Nie tylko rozpoznawało znaki
lepiej niż inne algorytmy,
05:57
better than any other algorithm,
115
345712
1758
ale nawet lepiej niż ludzie,
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
mniej więcej dwa razy lepiej.
06:02
about twice as good as people.
117
350189
1852
Czyli w 2011 r. mieliśmy pierwszy przykład
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
komputerów widzących lepiej niż ludzie.
06:09
Since that time, a lot has happened.
120
357442
2049
Od tego czasu bardzo dużo się wydarzyło.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
W 2012 r. Google ogłosił,
że ich algorytm uczenia głębokiego
że ich algorytm uczenia głębokiego
06:15
watch YouTube videos
122
363005
1415
oglądał filmy na YouTube
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
i przez miesiąc przetwarzał dane
na 16 tysiącach serwerów,
na 16 tysiącach serwerów,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
po czym samodzielnie nauczył się pojęć
takich jak ludzie czy koty,
tylko przez oglądanie filmów.
06:24
just by watching the videos.
125
372218
1809
W bardzo podobny sposób uczą się ludzie.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Nie trzeba im mówić, na co patrzą,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
tylko sami się uczą się,
czym są widziane obiekty.
czym są widziane obiekty.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
W 2012 roku Geoffrey Hinton,
którego widzieliśmy wcześniej,
którego widzieliśmy wcześniej,
06:37
won the very popular ImageNet competition,
130
385819
2858
wygrał bardzo popularny konkurs ImageNet,
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
gdzie dla 1,5 miliona obrazków
trzeba określić,
trzeba określić,
06:44
what they're pictures of.
132
392818
1438
co się na nich znajduje.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
Do 2014 r. proporcja błędów spadła do 6%.
06:49
in image recognition.
134
397789
1453
To znowu lepiej, niż ludzie.
06:51
This is better than people, again.
135
399242
2026
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Maszyny są tu niesamowicie skuteczne
06:57
and it is now being used in industry.
137
405037
2269
i wykorzystuje się to już komercyjnie.
06:59
For example, Google announced last year
138
407306
3042
Na przykład Google ogłosił w zeszłym roku,
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
że znaleźli na mapie wszystkie adresy
we Francji w dwie godziny
we Francji w dwie godziny
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
przez dostarczenie zdjęć Street View
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
algorytmowi uczenia głębokiego,
który rozpoznał i odczytał numery domów.
który rozpoznał i odczytał numery domów.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Wyobraźcie sobie,
ile czasu zajęłoby to kiedyś:
ile czasu zajęłoby to kiedyś:
07:16
dozens of people, many years.
143
424919
3355
dziesiątki ludzi, wiele lat.
07:20
This is also happening in China.
144
428274
1911
To samo dzieje się w Chinach.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu jest czymś w rodzaju
chińskiego Google.
chińskiego Google.
07:26
and what you see here in the top left
146
434221
2283
W lewym górnym rogu
widać przykładowe zdjęcie,
widać przykładowe zdjęcie,
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
które wczytałem do systemu
uczenia głębokiego Baidu,
uczenia głębokiego Baidu,
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
poniżej widać, że system zrozumiał,
co jest na zdjęciu
co jest na zdjęciu
07:36
and found similar images.
149
444247
2236
i znalazł podobne zdjęcia.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Te zdjęcia mają podobne tło,
07:41
similar directions of the faces,
151
449219
1658
podobny kierunek pysków,
07:42
even some with their tongue out.
152
450877
1788
niektórym nawet wystają języki.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Ten algorytm na pewno nie patrzy
na tekst na stronie,
na tekst na stronie,
07:47
All I uploaded was an image.
154
455695
1412
wgrałem tylko zdjęcie.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Czyli dzisiejsze komputery
naprawdę rozumieją, co widzą,
naprawdę rozumieją, co widzą,
07:53
and can therefore search databases
156
461128
1624
i na żywo umieją przeszukiwać bazy danych
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
setek milionów zdjęć.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Co to właściwie znaczy,
że komputery mogą widzieć?
że komputery mogą widzieć?
Nie chodzi o samo widzenie.
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Uczenie głębokie dało znacznie więcej.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Złożone i pełne niuansów zdania, jak to,
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
są już zrozumiałe
dla algorytmów uczenia głębokiego.
dla algorytmów uczenia głębokiego.
08:11
As you can see here,
163
479394
1303
Jak widać tutaj,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
system z Uniwersytetu Stanforda
zaznaczył czerwoną kropką na górze,
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
że to zdanie wyraża negację.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Efektywność uczenia głębokiego
jest zbliżona do ludzkiej
jest zbliżona do ludzkiej
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
w rozumieniu sensu zdania i analizie.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Uczenie głębokie zastosowano
do czytania chińskiego
do czytania chińskiego
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
na poziomie zbliżonym
do rodzimych użytkowników.
do rodzimych użytkowników.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Ten algorytm opracował szwajcarski zespół,
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
którego członkowie nie znają chińskiego.
08:39
As I say, using deep learning
172
507331
2051
Jak wspomniałem, uczenie głębokie
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
jest w tym najlepsze,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
nawet w porównaniu z rozumieniem
przez rodzimych użytkowników języka.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Ten system zbudowaliśmy w mojej firmie.
Pokazuje, jak można to wszystko
połączyć w całość.
połączyć w całość.
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
To są zdjęcia bez żadnego opisu
08:56
and as I'm typing in here sentences,
178
524189
2352
i w trakcie wpisywania zdań
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
system na żywo rozpoznaje zdjęcia,
09:01
and figuring out what they're about
180
529510
1679
ustala, co na nich jest,
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
i znajduje zdjęcia podobne do opisu.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Rzeczywiście rozumie, o czym piszę,
09:09
and actually understanding these pictures.
183
537108
2224
i rozumie, co jest na zdjęciach.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Pewnie znacie to z Google'a,
który znajduje zdjęcia
według wpisywanych słów,
według wpisywanych słów,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
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
choć w rzeczywistości wyszukuje
strony internetowe w oparciu o tekst.
strony internetowe w oparciu o tekst.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
To co innego niż rozumienie samych zdjęć.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Komputery potrafią to robić
dopiero od kilku miesięcy.
dopiero od kilku miesięcy.
09:25
for the first time in the last few months.
189
553843
3248
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
Czyli komputery potrafią
nie tylko widzieć, ale też czytać,
nie tylko widzieć, ale też czytać,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
i potrafią też rozumieć, co słyszą.
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
Pewnie was nie zaskoczy,
że potrafią też pisać.
że potrafią też pisać.
Ten tekst wygenerowałem wczoraj
przy pomocy uczenia głębokiego.
przy pomocy uczenia głębokiego.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
"Miło mi być tu z wami w Brukseli!"
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Tę próbkę tekstu
wygenerował algorytm ze Stanford.
wygenerował algorytm ze Stanford.
Uczenie głębokie wygenerowało te zdania,
09:49
Each of these sentences was generated
195
577096
1764
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
aby opisać każde z tych zdjęć.
Ten algorytm nigdy przedtem nie widział
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
mężczyzny w czarnej koszulce,
grającego na gitarze.
grającego na gitarze.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Widział mężczyznę,
widział czerń lub gitarę,
widział czerń lub gitarę,
10:01
it's seen a guitar before,
199
589801
1599
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
ale sam stworzył oryginalny opis zdjęcia.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Nadal nie dorównuje ludziom,
ale mało mu brakuje.
ale mało mu brakuje.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
W testach ludzie preferują opisy
generowane przez komputer
generowane przez komputer
10:15
one out of four times.
203
603264
1527
w co czwartym przypadku.
10:16
Now this system is now only two weeks old,
204
604791
2064
Ten system powstał dwa tygodnie temu,
więc w tym tempie
10:18
so probably within the next year,
205
606855
1846
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
algorytm komputerowy
prześcignie człowieka,
prześcignie człowieka,
10:23
at the rate things are going.
207
611502
1862
pewnie w ciągu kolejnego roku.
10:25
So computers can also write.
208
613364
3049
Czyli komputery potrafią też pisać.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Połączyliśmy to wszystko,
co daje ekscytujące możliwości.
co daje ekscytujące możliwości.
10:31
For example, in medicine,
210
619888
1492
Na przykład w medycynie:
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
zespół z Bostonu ogłosił odkrycie
10:35
dozens of new clinically relevant features
212
623905
2949
dziesiątek nowych,
istotnych klinicznie cech nowotworów,
istotnych klinicznie cech nowotworów,
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
co pomoże lekarzom
w prognozowaniu postępów raka.
w prognozowaniu postępów raka.
10:44
Very similarly, in Stanford,
214
632220
2296
Grupa badaczy ze Stanford ogłosiła,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
że badając tkanki w powiększeniu,
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
opracowali system
wykorzystujący uczenie maszynowe,
wykorzystujący uczenie maszynowe,
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
który lepiej niż patolodzy przewiduje
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
przeżywalność chorych na raka.
Prognozy były nie tylko trafniejsze,
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
ale dostarczyły nowej, wnikliwej wiedzy.
11:02
but they generated new insightful science.
220
650764
2502
11:05
In the radiology case,
221
653276
1505
W przypadku radiologii
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
były to nowe wskaźniki kliniczne,
zrozumiałe dla ludzi.
zrozumiałe dla ludzi.
11:09
In this pathology case,
223
657876
1792
W przypadku patologii
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
system komputerowy odkrył,
że komórki otaczające nowotwór
że komórki otaczające nowotwór
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
są tak samo istotne,
jak komórki nowotworowe
jak komórki nowotworowe
11:19
in making a diagnosis.
226
667508
1752
w postawieniu diagnozy.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
To całkowicie przeczy
dotychczasowej wiedzy o patologii.
dotychczasowej wiedzy o patologii.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
Oba te systemy
opracowali eksperci medyczni
opracowali eksperci medyczni
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
we współpracy z ekspertami
od uczenia maszynowego.
od uczenia maszynowego.
W zeszłym roku
przekroczyliśmy i ten próg.
przekroczyliśmy i ten próg.
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
To jest przykład identyfikacji
zmian nowotworowych
zmian nowotworowych
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
11:39
of human tissue under a microscope.
232
687824
2530
w ludzkiej tkance badanej pod mikroskopem.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Prezentowany tu system potrafi
rozpoznawać te zmiany dokładniej
rozpoznawać te zmiany dokładniej
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
lub równie dokładnie, co patolog,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
ale został zbudowany
przy użyciu uczenia głębokiego
przy użyciu uczenia głębokiego
bez żadnej wiedzy medycznej,
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
przez ludzi nie związanych z medycyną.
Podobnie z segmentacją neuronów.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Możemy segmentować neurony
równie dokładnie, jak ludzie,
równie dokładnie, jak ludzie,
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
przy użyciu systemu uczenia głębokiego,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
opracowanego przez ludzi
bez wiedzy medycznej.
bez wiedzy medycznej.
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Zatem ja, jako osoba
bez żadnej wiedzy medycznej,
bez żadnej wiedzy medycznej,
mam dostateczne kwalifikacje,
by założyć firmę medyczną,
by założyć firmę medyczną,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
co też zrobiłem.
12:15
which I did.
243
723875
2146
12:18
I was kind of terrified of doing it,
244
726021
1740
Byłem tym dosyć przerażony,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
ale teoria wskazywała, że w medycynie
można przydać się
samą techniką analizy danych.
samą techniką analizy danych.
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Szczęśliwie, przyjęto nas fantastycznie,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
zarówno media, jak i społeczność medyczna,
12:32
who have been very supportive.
249
740978
2344
która bardzo wspierała ten projekt.
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
W teorii możemy przejąć
środkową część procesu medycznego
środkową część procesu medycznego
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
i zastąpić ją daleko idącą analizą danych,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
pozwalając lekarzom zająć się tym,
w czym są najlepsi.
w czym są najlepsi.
12:45
I want to give you an example.
253
753429
1602
Pokażę państwu przykład.
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
Generacja nowego testu diagnostycznego
zajmuje 15 minut.
zajmuje 15 minut.
12:51
and I'll show you that in real time now,
255
759975
1954
Pokażę to teraz na żywo.
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
Skompresowałem to do trzech minut,
omijając pewne czynności.
omijając pewne czynności.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Zamiast nowego testu diagnostycznego
w medycynie,
w medycynie,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
pokażę test diagnostyczny samochodów,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
bo jest to coś, co wszyscy rozumiemy.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Na początek mamy 1,5 mln zdjęć samochodów.
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
Chcę stworzyć coś,
co je pogrupuje według kąta,
co je pogrupuje według kąta,
13:12
of the photo that's being taken.
262
780475
2223
z jakiego zostały sfotografowane.
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
To zdjęcia bez opisów,
więc trzeba zacząć od zera.
więc trzeba zacząć od zera.
13:18
With our deep learning algorithm,
264
786586
1865
Nasz algorytm uczenia głębokiego
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
potrafi automatycznie rozpoznawać
struktury na zdjęciach.
struktury na zdjęciach.
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
Człowiek i komputer mogą współpracować.
13:27
So the human, as you can see here,
267
795778
2178
Jak tu widać,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
człowiek mówi komputerowi
o obszarach zainteresowań,
o obszarach zainteresowań,
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
których komputer ma użyć
do ulepszenia swojego algorytmu.
do ulepszenia swojego algorytmu.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Ten system uczenia głębokiego
operuje w przestrzeni
operuje w przestrzeni
o 16 tysiącach wymiarów.
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
Widać, jak komputer obraca obiekty,
13:45
trying to find new areas of structure.
272
813009
1992
próbując znaleźć nowe obszary struktur.
13:47
And when it does so successfully,
273
815001
1781
Kiedy mu się to uda,
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
operator może wskazać
interesujące obszary.
interesujące obszary.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
W tym przypadku komputer
znalazł pewne obszary,
znalazł pewne obszary,
13:55
for example, angles.
276
823208
2562
na przykład kąt zdjęcia.
13:57
So as we go through this process,
277
825770
1606
Z biegiem tego procesu
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
stopniowo mówimy komputerowi coraz więcej
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
na temat rodzaju szukanych struktur.
Można sobie wyobrazić,
że w przypadku testu diagnostycznego
że w przypadku testu diagnostycznego
14:04
You can imagine in a diagnostic test
280
832144
1772
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
patolog identyfikowałby
obszary patologiczne,
obszary patologiczne,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
a radiolog wskazywałby
na potencjalnie uciążliwe guzki.
na potencjalnie uciążliwe guzki.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Czasami może być to trudne dla algorytmu.
14:16
In this case, it got kind of confused.
284
844851
1964
W tym przypadku, algorytm się zgubił.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Przednie i tylne części samochodów
są wymieszane.
są wymieszane.
14:21
So here we have to be a bit more careful,
286
849365
2072
Musimy być trochę ostrożniejsi
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
i ręcznie zaznaczyć przednie części,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
wskazując potem komputerowi,
że o taką grupę chodzi.
że o taką grupę chodzi.
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
Robimy to przez jakiś czas,
tu coś pominiemy,
tu coś pominiemy,
teraz uczymy algorytm uczenia maszynowego
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
14:38
based on these couple of hundred things,
292
866446
1974
na podstawie tych kilkuset rzeczy
14:40
and we hope that it's gotten a lot better.
293
868420
2025
mając nadzieję, że się udoskonali.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Widać, że algorytm
zaczął wygaszać niektóre zdjęcia,
zaczął wygaszać niektóre zdjęcia,
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
pokazując w ten sposób,
że potrafi je już rozpoznawać.
że potrafi je już rozpoznawać.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Możemy użyć koncepcji podobnych zdjęć
14:53
and using similar images, you can now see,
297
881128
2094
i teraz widać,
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
że komputer potrafi już
znajdować maski samochodów.
znajdować maski samochodów.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Teraz człowiek może powiedzieć komputerowi
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
"Tak, świetnie się spisałeś".
15:05
Sometimes, of course, even at this point
301
893652
2185
Czasem, oczywiście, nawet w tym momencie
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
jest jeszcze trudno rozpoznawać grupy.
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
W tym przypadku nawet jeżeli pozwolimy
komputerowi obracać tym przez chwilę,
komputerowi obracać tym przez chwilę,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
widać, że zdjęcia z prawej i lewej strony
są nadal wymieszane.
są nadal wymieszane.
15:18
are all mixed up together.
305
906744
1478
Można dać komputerowi kolejne wskazówki
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
i kazać mu znaleźć rzut,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
który najwyraźniej oddziela
lewe i prawe boki,
lewe i prawe boki,
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
15:27
using this deep learning algorithm.
309
915945
2122
przy pomocy uczenia głębokiego.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Po tej wskazówce - udało się.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Potrafi już myśleć o obiektach w sposób,
15:35
that's separated out these together.
312
923891
2380
który oddziela te grupy.
15:38
So you get the idea here.
313
926271
2438
Rozumiecie koncepcję.
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
Tutaj komputer współpracuje z człowiekiem,
15:48
but where they're working together.
315
936906
2640
zamiast go zastępować.
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
Udało się zastąpić proces,
który kiedyś wymagał zespołu
który kiedyś wymagał zespołu
15:55
of five or six people about seven years
317
943096
2002
pięciu czy sześciu ludzi przez siedem lat
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
procesem, który zajmuje 15 minut
15:59
for one person acting alone.
319
947703
2505
i wymaga jednej osoby.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Ten proces wymaga
czterech czy pięciu iteracji.
czterech czy pięciu iteracji.
16:06
You can see we now have 62 percent
321
954158
1859
Widać, że teraz 62% z 1,5 miliona zdjęć
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
jest zaklasyfikowanych poprawnie.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Teraz można szybko wziąć większe sekcje
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
i sprawdzić, czy nie ma błędów.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Jeżeli są błędy,
można o nich powiedzieć komputerowi.
można o nich powiedzieć komputerowi.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Powtarzając tę czynność dla różnych grup,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
mamy już teraz 80% skuteczności
16:27
in classifying the 1.5 million images.
329
975148
2415
w klasyfikowaniu 1,5 miliona zdjęć.
16:29
And at this point, it's just a case
330
977563
2078
Teraz trzeba już tylko znaleźć tych kilka,
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
które nie są klasyfikowane poprawnie
16:35
and trying to understand why.
332
983220
2888
i zrozumieć przyczynę.
W 15 minut można osiągnąć skuteczność 97%.
16:38
And using that approach,
333
986108
1743
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
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
Ta technika pozwoli być może
rozwiązać poważny problem
rozwiązać poważny problem
światowego niedoboru
kompetencji medycznych.
kompetencji medycznych.
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
Światowe Forum Ekonomiczne szacuje
10- lub 20-krotny niedobór lekarzy
10- lub 20-krotny niedobór lekarzy
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
w krajach rozwijających się,
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
a wyszkolenie odpowiedniej liczby ludzi
16:57
and it would take about 300 years
339
1005727
2113
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
zajęłoby około 300 lat.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
A gdyby można było
zwiększyć ich efektywność
zwiększyć ich efektywność
17:05
using these deep learning approaches?
342
1013619
2839
przy pomocy metod uczenia głębokiego?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Bardzo mnie pociągają takie możliwości.
17:10
I'm also concerned about the problems.
344
1018690
2589
Niepokoją mnie też problemy.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Otóż każdy niebieski obszar na tej mapie
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
to ponad 80% osób
zatrudnionych w usługach.
zatrudnionych w usługach.
Co to są usługi?
17:20
What are services?
347
1028172
1787
Oto usługi. [Kierowcy, kucharze,
diagnostycy, prawnicy]
diagnostycy, prawnicy]
17:21
These are services.
348
1029959
1514
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
Tak się składa,
że właśnie to opanowały komputery.
że właśnie to opanowały komputery.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Zatem 80% zatrudnionych
w krajach rozwiniętych
w krajach rozwiniętych
robi rzeczy, których właśnie
nauczyły się komputery.
nauczyły się komputery.
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
Co to oznacza?
17:33
What does that mean?
352
1041963
1440
Nie szkodzi. Będą inne stanowiska.
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Na przykład przybędzie naukowców
od analizy danych.
od analizy danych.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Nie do końca.
17:40
Well, not really.
355
1048693
817
Analitykom danych nie trzeba dużo czasu
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
na budowę takich systemów.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Na przykład te cztery algorytmy
opracował jeden człowiek.
opracował jeden człowiek.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Myślicie, że to już było,
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
widzieliśmy już w przeszłości,
jak stare zawody ustępują nowym.
17:54
and they get replaced by new jobs,
360
1062126
2252
17:56
what are these new jobs going to be?
361
1064378
2116
Jakie będą te nowe zawody?
17:58
It's very hard for us to estimate this,
362
1066494
1871
Bardzo ciężko jest to oszacować,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
bo ludzkie osiągnięcia rosną stopniowo,
18:03
but we now have a system, deep learning,
364
1071104
2562
a teraz mamy system, uczenie głębokie,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
którego zdolności rosną wykładniczo.
18:08
And we're here.
366
1076893
1605
A my jesteśmy tutaj.
18:10
So currently, we see the things around us
367
1078498
2061
Widząc dzisiejsze realia mówimy:
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
"Komputery są nadal dosyć głupie".
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Ale za pięć lat komputery będą poza skalą.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Musimy zacząć myśleć
o tych możliwościach już teraz.
o tych możliwościach już teraz.
18:22
We have seen this once before, of course.
371
1090529
2050
Oczywiście widzieliśmy to już kiedyś.
18:24
In the Industrial Revolution,
372
1092579
1387
Podczas rewolucji przemysłowej
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
mieliśmy skokową zmianę możliwości
dzięki silnikom.
dzięki silnikom.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Tyle tylko, że po pewnym czasie
rezultaty uległy spłaszczeniu.
rezultaty uległy spłaszczeniu.
18:32
There was social disruption,
375
1100805
1702
Nastąpiły zakłócenia społeczne,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
ale kiedy silnik zaczęto stosować
do każdego rodzaju wytwarzania energii,
do każdego rodzaju wytwarzania energii,
18:37
things really settled down.
377
1105946
2354
wszystko się ustabilizowało.
18:40
The Machine Learning Revolution
378
1108300
1473
Rewolucja uczenia maszynowego
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
będzie bardzo różna
od rewolucji przemysłowej,
od rewolucji przemysłowej,
bo rewolucja uczenia maszynowego
nie ustabilizuje się nigdy.
nie ustabilizuje się nigdy.
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Im lepsza będzie
aktywność intelektualna komputerów,
aktywność intelektualna komputerów,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
tym lepsze zbudują komputery,
o jeszcze większych
zdolnościach intelektualnych.
zdolnościach intelektualnych.
18:54
so this is going to be a kind of change
383
1122862
1908
Będzie to zmiana,
jakiej świat nigdy dotąd nie doświadczył,
jakiej świat nigdy dotąd nie doświadczył,
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
więc zmieniło się nasze wcześniejsze
zrozumienie możliwości.
zrozumienie możliwości.
19:02
This is already impacting us.
386
1130974
1780
Już odczuwamy ten wpływ.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Przez ostatnie 25 lat
produktywność kapitału wzrastała,
produktywność kapitału wzrastała,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
wydajność pracy pozostała bez zmian,
a nawet trochę spadła.
a nawet trochę spadła.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Chcę więc już teraz zacząć tę dyskusję.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Zwykle gdy opowiadam o tym problemie,
19:19
people can be quite dismissive.
391
1147176
1490
napotykam lekceważenie.
19:20
Well, computers can't really think,
392
1148666
1673
Przecież komputery nie potrafią
naprawdę myśleć,
naprawdę myśleć,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
nie mają uczuć,
nie rozumieją poezji,
nie rozumieją poezji,
19:25
we don't really understand how they work.
394
1153367
2521
nie do końca wiemy, jak działają.
19:27
So what?
395
1155888
1486
I co z tego?
Komputery już teraz potrafią
wykonywać czynności,
wykonywać czynności,
19:29
Computers right now can do the things
396
1157374
1804
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
z których utrzymują się ludzie,
19:33
so now's the time to start thinking
398
1161897
1731
więc trzeba zacząć się zastanawiać,
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
jak dostosujemy
społeczne i gospodarcze struktury
społeczne i gospodarcze struktury
19:40
to be aware of this new reality.
400
1168015
1840
do tej nowej rzeczywistości.
19:41
Thank you.
401
1169855
1533
Dziękuję.
19:43
(Applause)
402
1171388
802
(Oklaski)
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