TED2007
Blaise Agüera y Arcas: How PhotoSynth can connect the world's images
பிளெயிஸ் அகுவேரா ஒய் ஆர்கஸ் டெமோஸ் போட்டோசிந்த்
Filmed:
Readability: 4.3
5,831,957 views
டிஜிட்டல் உருவங்களை நாம் பார்வையிடும் முறையையே மாற்றக் கூடிய மென்பொருளான, போட்டொசிந்தின் ஒரு பளிச்சிடும் செயல்முறையை பிளெயிஸ் அகுவேரா ஒய் ஆர்கஸ் லீட்ஸ் அவர்கள் முன்னின்று நடத்துகிறார். வலையிலிருந்து வெட்டியெடுக்கப்பட்ட புகைப்படங்களை உபயோகித்து, போட்டோசிந்த் மெய்சிலிர்க்க வைக்கிற கற்பனாகரமான நிலப்பரப்புகளைக் கட்டமைக்கிறது மேலும் அதனூடாக நாம் வழிகண்டு செல்லவும் அனுமதிக்கிறது.
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio
Double-click the English transcript below to play the video.
00:25
What I'm going to show you first, as quickly as I can,
0
0
2000
முடிந்தளவிற்கு விரைவாக, நான் முதலாவது உங்களுக்கு என்ன காண்பிக்கப்போகிறேனென்றால்,
00:27
is some foundational work, some new technology
1
2000
4000
கிட்டத்தட்ட சரியாக ஓர் ஆண்டிற்கு முன்பாக நிறுவன ஒன்றிணைப்பு
00:31
that we brought to Microsoft as part of an acquisition
2
6000
3000
முயற்சியின் ஒரு பகுதியாக மைக்ரோசாஃப்டிற்கு நாங்கள் கொண்டுவந்த சில புதிய தொழிற்நுட்பங்கள் போன்ற சில
00:34
almost exactly a year ago. This is Seadragon,
3
9000
3000
அடிப்படையான வேலைகளாகும். இது தான் ஸீட்ராகன்.
00:37
and it's an environment in which you can either locally or remotely
4
12000
3000
அது அந்தப் பகுதியில் இருந்து கொண்டு அல்லது தொலைவில் இருந்து கொண்டு
00:40
interact with vast amounts of visual data.
5
15000
3000
பெரிய அளவிலான பார்வைத் தகவல்களோடு இடைபடக்கூடிய ஒரு சூழ்நிலையாகும்.
00:43
We're looking at many, many gigabytes of digital photos here
6
18000
3000
நாம் இங்கு டிஜிட்டல் புகைப்படங்களின் பல, பல ஜிகாபைட்டுகளை ஒரு விதத்தில்
00:46
and kind of seamlessly and continuously zooming in,
7
21000
3000
தங்குதடையில்லாமல் தொடர்ச்சியாக விரிவுபடுத்தி, பொருட்களின் ஊடாக குறுகிய
00:50
panning through the thing, rearranging it in any way we want.
8
25000
2000
பகுதியை விரித்து, நாம் விரும்புகிற படி மறுஅமைப்புச் செய்து பார்த்துக் கொண்டிருக்கிறோம்.
00:52
And it doesn't matter how much information we're looking at,
9
27000
4000
நாம் எவ்வளவு தகவல்களைப் பார்த்துக் கொண்டிருக்கிறோம், இத்தகைய சேகரிப்புகள்
00:56
how big these collections are or how big the images are.
10
31000
3000
எவ்வளவு பெரியவை அல்லது இந்த பிம்பங்கள் எவ்வளவு பெரியவை என்பது முக்கியமல்ல.
00:59
Most of them are ordinary digital camera photos,
11
34000
2000
அவைகளில் பெரும்பாலானவை சாதாரண டிஜிட்டல் கேமரா புகைப்படங்கள் தான், ஆனால்
01:01
but this one, for example, is a scan from the Library of Congress,
12
36000
3000
இது, உதாரணமாக, காங்கிரஸின் நூலகத்திலிருந்தான ஒரு ஸ்கேன் தான், மேலும் இது
01:05
and it's in the 300 megapixel range.
13
40000
2000
300 மெகா பிக்ஸல் எல்லையில் தான் உள்ளது.
01:08
It doesn't make any difference
14
43000
1000
இது போன்ற அமைப்பு ஒன்றின் செயல்பாடுகளை கட்டுப்படுத்த வேண்டியது, எந்த ஒரு
01:09
because the only thing that ought to limit the performance
15
44000
3000
நொடியிலும் உங்கள் திரையிலுள்ள பிக்ஸல்களின் எண்ணிக்கை என்ற ஒரே காரியம்
01:12
of a system like this one is the number of pixels on your screen
16
47000
3000
என்பதால் எந்த வித்தியாசத்தையும் அது உண்டாக்குவதில்லை. இது ஒரு வளைந்து
01:15
at any given moment. It's also very flexible architecture.
17
50000
3000
கொடுக்கக் கூடிய கட்டமைப்பும் கூடத்தான்.
01:18
This is an entire book, so this is an example of non-image data.
18
53000
3000
ஒரு பிம்பம்-அல்லாத தகவலுக்கான ஒரு உதாரணம், இந்த ஒரு முழுப் புத்தகம்.
01:22
This is "Bleak House" by Dickens. Every column is a chapter.
19
57000
5000
இது டிக்கென்ஸினால் கட்டப்பட்ட ஒரு இருண்ட வீடு. ஒவ்வொரு தூணும் ஒரு அத்தியாயம்.
01:27
To prove to you that it's really text, and not an image,
20
62000
4000
இது உண்மையிலேயே உரைநடைதான், ஒரு பிம்பம் அல்ல என்பதை உங்களுக்கு நிரூபிப்பதற்கு,
01:31
we can do something like so, to really show
21
66000
2000
நாம் அதுபோன்ற சில காரியங்களைச் செய்ய முடியும், இது உண்மையிலேயே
01:33
that this is a real representation of the text; it's not a picture.
22
68000
3000
உரைநடையின் ஒரு உண்மையான பிரதிநிதித்துவம் தான்; ஒரு படமல்ல என்பதைக் காண்பிப்பதற்கு.
01:37
Maybe this is a kind of an artificial way to read an e-book.
23
72000
2000
ஒரு மின் –புத்தகத்தை வாசிப்பதற்கான ஒரு செயற்கை முறையிலான ஒரு வகையாக இது இருக்கலாம்.
01:39
I wouldn't recommend it.
24
74000
1000
நான் அதைப் பரிந்துரைக்க மாட்டேன்.
01:40
This is a more realistic case. This is an issue of The Guardian.
25
75000
3000
இது ஒரு அதிகம் உண்மையான நிலைப்பாடு. இது கார்டியன் பத்திரிக்கையின் ஒரு இதழ்.
01:43
Every large image is the beginning of a section.
26
78000
2000
ஒவ்வொரு பெரிய பிம்பமும் ஒரு பிரிவின் ஆரம்பம்.
01:45
And this really gives you the joy and the good experience
27
80000
3000
ஒரு வாராந்தரி அல்லது செய்தித்தாளின் உண்மையான காகிதப் பதிப்பை வாசிப்பதின்
01:48
of reading the real paper version of a magazine or a newspaper,
28
83000
5000
மகிழ்ச்சியையும் நல்ல அனுபவத்தையும் இது உண்மையிலேயே கொடுக்கிறது, இது ஒரு
01:54
which is an inherently multi-scale kind of medium.
29
89000
1000
ஊடகத்தின் உள்ளான பல-அளவீட்டு விதமாகும்.
01:56
We've also done a little something
30
91000
1000
கார்டியனியனின் இந்தக் குறிப்பிட்ட இதழின் மூலையோடு
01:57
with the corner of this particular issue of The Guardian.
31
92000
3000
நாங்கள் கொஞ்சம் வேலை செய்திருக்கிறோம்.
02:00
We've made up a fake ad that's very high resolution --
32
95000
3000
நாங்கள் மிக அதிக பிரிதிறன் கொண்ட ஒரு போலி விளம்பரத்தைத் தயாரித்திருக்கிறோம் –
02:03
much higher than you'd be able to get in an ordinary ad --
33
98000
2000
நீங்கள் ஒரு சாதாரண விளம்பரத்தை பெற இயலுவதை விட மிகவும் உயர்ந்தது --
02:05
and we've embedded extra content.
34
100000
2000
மேலும் நாங்கள் கூடுதல் உட்பொருட்களையும் மேல்பதித்திருக்கிறோம்.
02:07
If you want to see the features of this car, you can see it here.
35
102000
2000
இந்த காரின் அம்சங்களை நீங்கள் பார்க்க விரும்பினால், நீங்கள் இங்கே பார்க்கலாம்.
02:10
Or other models, or even technical specifications.
36
105000
4000
அல்லது மற்ற மாதிரிகளை, அல்லது ஏன் தொழிற்நுட்ப குறிப்பீடுகளைக் கூட.
02:15
And this really gets at some of these ideas
37
110000
2000
உண்மையிலேயே திரையின், கிடைக்கின்ற இடத்தின் எல்லைகளுக்குள்ளாக காரியங்களைச்
02:18
about really doing away with those limits on screen real estate.
38
113000
4000
செய்வதின் இத்தகைய சில யோசனைகளுக்குள் இது உண்மையிலேயே வருகிறது.
02:22
We hope that this means no more pop-ups
39
117000
2000
இனிமேல் எந்தவொரு பாப்-அப்கள் மற்றும் மற்ற விதமான குப்பைகள் ஏதுமில்லை என்று
02:24
and other kind of rubbish like that -- shouldn't be necessary.
40
119000
2000
இது பொருளாகிறது என நாங்கள் நினைக்கிறோம் – அது தேவையில்லாததும் கூட.
02:27
Of course, mapping is one of those really obvious applications
41
122000
2000
நிச்சயமாக, இது போன்ற ஒரு தொழிற்நுட்பத்திற்கு மேப்பிங் என்பது உண்மையிலேயே
02:29
for a technology like this.
42
124000
2000
வெளிப்படையாகத் தெரிகிற பயன்பாடுகளில் ஒன்றாகும்.
02:31
And this one I really won't spend any time on,
43
126000
2000
மேலும் இதில் நான் உண்மையிலேயே நேரத்தைச் செலவிடமாட்டேன், மற்றதைப் போல
02:33
except to say that we have things to contribute to this field as well.
44
128000
2000
இந்த பிரிவிற்கும் பங்களிப்பதற்கான காரியங்களை நாங்கள் கொண்டிருக்கிறோம் என்று சொல்வதைத் தவிர.
02:37
But those are all the roads in the U.S.
45
132000
2000
ஆனால் ஒரு நாசா புவிவான் சார்ந்த பிம்பத்தின் மேலாக, யூஎஸ் மேல்பதித்த
02:39
superimposed on top of a NASA geospatial image.
46
134000
4000
சாலைகள் அனைத்தும் தான் அவைகள்.
02:44
So let's pull up, now, something else.
47
139000
2000
எனவே நாம் இப்போது, எதையாவது இழுப்போம்.
02:46
This is actually live on the Web now; you can go check it out.
48
141000
3000
இது இப்போது உண்மையிலேயே இணையத்தில் நேரடியாக நிகழ்ந்து கொண்டிருக்கிறது, நீங்கள் போய் அதைச் சரிபார்க்கலாம்.
02:49
This is a project called Photosynth,
49
144000
1000
இது போட்டோசிந்த் என்றழைக்கப்படுகிற ஒரு திட்டம், அது உண்மையிலேயே
02:51
which really marries two different technologies.
50
146000
1000
இரண்டு வித்தியாசமான தொழிற்நுட்பங்களை ஒன்றாக இணைக்கிறது.
02:52
One of them is Seadragon
51
147000
1000
அவைகளில் ஒன்று ஸீட்ராகன் மற்றொன்று யூடபிள்யூ-விலுள்ள ஸ்டீவ் சீய்ட்ஸ் அவர்கள்
02:54
and the other is some very beautiful computer vision research
52
149000
2000
மற்றும் மைக்ரோசாஃப்ட் ஆராய்ச்சியிலுள்ள ரிக் ஸூலிஸ்கி அவர்களால் இணைந்து
02:57
done by Noah Snavely, a graduate student at the University of Washington,
53
152000
2000
ஆலோசனையளிக்கப்பட்டு, வாஷிங்டன் பல்கலைக்களகத்தில் ஒரு கலை மாணவரான
03:00
co-advised by Steve Seitz at U.W.
54
155000
2000
நோவா ஸ்நேவ்லி அவர்களால் செய்யப்பட்ட ஒருவகை மிகவும் அழகான
03:02
and Rick Szeliski at Microsoft Research. A very nice collaboration.
55
157000
4000
கணினிப்பார்வை ஆராய்ச்சியாகும். ஒரு மிகச் சிறந்த கூட்டுப்பணி.
03:07
And so this is live on the Web. It's powered by Seadragon.
56
162000
2000
எனவே இது இணையத்தில் நேரடியாக நிகழ்கிறது. இது ஸீட்ராகனால் ஆக்கப்பட்டது.
03:09
You can see that when we kind of do these sorts of views,
57
164000
2000
நாம் இது போன்றதொரு பார்வையிடல்களை நாம் செய்யும் போது, பிம்பங்கள் ஊடாக
03:12
where we can dive through images
58
167000
1000
நாம் புகுந்து வரும்போதும் இது போன்ற பல-பிரிதிறன் அனுபவங்களை நாம்
03:14
and have this kind of multi-resolution experience.
59
169000
1000
கொண்டிருக்கும் போதும் நீங்கள் அதைப் பார்க்க முடியும்.
03:16
But the spatial arrangement of the images here is actually meaningful.
60
171000
4000
ஆனால் இங்கேயுள்ள பிம்பங்களின் வான்சார்ந்த அமைப்பு உண்மையிலேயே அர்த்தமுள்ளது.
03:20
The computer vision algorithms have registered these images together
61
175000
3000
கம்ப்யூட்டர் விஷன் அல்காரிதம்கள், இவைகள் இத்தகைய புகைப்படங்கள் எடுக்கப்பட்ட
03:23
so that they correspond to the real space in which these shots --
62
178000
4000
உண்மையான வான்பகுதியை ஒத்திருக்கும் வகையில், இத்தகைய பிம்பங்களை ஒன்றாகப்
03:27
all taken near Grassi Lakes in the Canadian Rockies --
63
182000
2000
பதிவுசெய்திருக்கின்றன – இவைகள் கனடா பறைப்பகுதிகளிலுள்ள
03:31
all these shots were taken. So you see elements here
64
186000
2000
கிராஸ்ஸி ஏரியின் அருகில் எடுக்கப்பட்டவை.
03:33
of stabilized slide-show or panoramic imaging,
65
188000
4000
சீராக்கப்பட்ட ஸ்லைடு-ஷோவின் பகுதிகள் அல்லது பனோரமிக் பிம்பங்களை நீங்கள்
03:40
and these things have all been related spatially.
66
195000
2000
பார்க்கிறீர்கள், மேலும் இத்தகைய காரியங்கள் அனைத்தும் வான்சார்ந்து சம்பந்தமுடையவை.
03:42
I'm not sure if I have time to show you any other environments.
67
197000
3000
வேறெந்த சூழல்களையும் உங்களுக்குக் காண்பிப்பதற்கு நான் நேரங்கொண்டிருக்கிறேனா என்பது எனக்குத் தெரியாது.
03:45
There are some that are much more spatial.
68
200000
1000
இன்னும் அதிகமாக வான்சார்ந்துள்ளவைகளும் இன்னும் சிலவைகள் உள்ளன.
03:47
I would like to jump straight to one of Noah's original data-sets --
69
202000
3000
நோவாவின் அசல் தரவுத்-தொகுப்புகள் சிலவற்றிற்கு நான் நேரடியாகச் செல்ல
03:50
and this is from an early prototype of Photosynth
70
205000
2000
விரும்புகிறேன் – இது கோடைகாலத்தில் வேலை செய்யுமாறு நாம் பெற்ற ஆரம்பகால
03:52
that we first got working in the summer --
71
207000
2000
போட்டோசிந்தின் மாதிரியில் இருந்ததாகும் – இந்தத் தொழிற்நுட்பத்திற்குப்
03:54
to show you what I think
72
209000
1000
பின்னான முக்கியமான காரியம் தான் உங்களுக்குக் காண்பிப்பதற்கு நான் நினைப்பது,
03:55
is really the punch line behind this technology,
73
210000
3000
அந்த போட்டோசிந்த் தொழிற்நுட்பம். நாம் இணையத்தில்
03:59
the Photosynth technology. And it's not necessarily so apparent
74
214000
2000
வைத்திருக்கிற சுற்றுச்சூழலைப் பார்ப்பதிலிருந்து மிக வெளிப்படையாகத் தெரியவேண்டிய அவசியமில்லை.
04:01
from looking at the environments that we've put up on the website.
75
216000
3000
நாம் வழக்கறிஞர்கள் மற்றும் இப்படியானவர்களைக் குறித்துக் கவலைப்பட வேண்டியிருந்தது.
04:04
We had to worry about the lawyers and so on.
76
219000
2000
இது நோட்டிர் டேம் பேராலயத்தின் ஒரு மறு கட்டுமானம்,
04:07
This is a reconstruction of Notre Dame Cathedral
77
222000
1000
அது ஃபிலிக்கரிடமிருந்து வெட்டியெடுக்கப்பட்ட பிம்பங்களிலிருந்து முற்றிலுமாக
04:09
that was done entirely computationally
78
224000
2000
கணினி ரீதியாக செய்யப்பட்டது. நீங்கள் ஃபிலிக்கரில் சாதாரணமாக நோட்டிர் டேம்
04:11
from images scraped from Flickr. You just type Notre Dame into Flickr,
79
226000
3000
என்று மாத்திரம் டைப் செய்யுங்கள், அப்போது நீங்கள் டிஷர்ட் போட்டுள்ள
04:14
and you get some pictures of guys in t-shirts, and of the campus
80
229000
3000
சில வாலிபர்களின் படங்களையும், அந்த வளாகத்தையும் இப்படியாக சிலபடங்களைப் பெறுவீர்கள்.
04:17
and so on. And each of these orange cones represents an image
81
232000
4000
மேலும் இத்தகைய ஒவ்வொரு ஆரஞ்ச் கூம்பும் இந்த மாதிரிக்கு
04:22
that was discovered to belong to this model.
82
237000
2000
உரியதாகக் கண்டுபிடிக்கப்பட்ட ஒரு பிம்பத்தைப் பிரதிநிதித்துவப்படுத்துகிறது.
04:26
And so these are all Flickr images,
83
241000
2000
எனவே இவைகளெல்லாம் ஃபிலிக்கர் பிம்பங்கள், எனவே அவைகள்
04:28
and they've all been related spatially in this way.
84
243000
3000
எல்லாமே வான்ரீதியாக இந்த வழியில் சம்பந்தமுடையவை.
04:31
And we can just navigate in this very simple way.
85
246000
2000
மேலும் இந்த மிக எளிமையான வழியிலேயே வழிகண்டு செல்லலாம்.
04:35
(Applause)
86
250000
9000
(கைதட்டல்).
04:44
You know, I never thought that I'd end up working at Microsoft.
87
259000
2000
உங்களுக்குத் தெரியுமா, நான் மைக்ரோசாஃப்டில் வேலை செய்வதில் போய் நிற்பேன் என்று நான் நினைத்துப் பார்த்ததே இல்லை.
04:46
It's very gratifying to have this kind of reception here.
88
261000
4000
இந்த மாதிரியான ஒரு வரவேற்பு கிடைத்தது மிகவும் மனதிருப்தியாக உள்ளது.
04:50
(Laughter)
89
265000
3000
(சிரிப்பு).
04:53
I guess you can see
90
268000
3000
இது பல்வேறு வகைகளைச் சார்ந்த கேமிராக்கள் பல என்பதை
04:56
this is lots of different types of cameras:
91
271000
2000
நீங்கள் பார்க்க முடிகிறது என நான் நினைக்கிறேன்.
04:58
it's everything from cell phone cameras to professional SLRs,
92
273000
3000
அது செல்போன் கேமராக்களிலிருந்து தொழில்ரீதியான எஸ்எல்ஆர்கள் வரை எல்லாமே
05:02
quite a large number of them, stitched
93
277000
1000
இவைகள் தான், அவைகளில் சற்றுப் பெரும்பாலானவை, இந்தச்
05:03
together in this environment.
94
278000
1000
சூழ்நிலையில் ஒன்றாக இணைக்கப்பட்டுள்ளன.
05:04
And if I can, I'll find some of the sort of weird ones.
95
279000
2000
மேலும் உங்களால் முடிந்தால், சில அட்டகாசமான வகை சார்ந்தவைகளை நான் கண்டெடுப்பேன்.
05:08
So many of them are occluded by faces, and so on.
96
283000
3000
எனவே அவைகளில் பல முகங்களால் மறைக்கப்பட்டுள்ளன, இப்படியாக.
05:13
Somewhere in here there are actually
97
288000
1000
இங்கு எங்கோ சில இடங்களில் உண்மையிலேயே வரிசையான
05:15
a series of photographs -- here we go.
98
290000
1000
புகைப்படங்கள் உள்ளன -- நாம் இங்கு போவோம்.
05:17
This is actually a poster of Notre Dame that registered correctly.
99
292000
3000
இது உண்மையிலேயே சரியாகப் பதிவுசெய்யப்பட்ட நோட்டிர் டேமின் ஒரு சுவரொட்டி.
05:21
We can dive in from the poster
100
296000
2000
நாம் இந்த சுவரொட்டியிலிருந்து இந்த சூழ்நிலையில்
05:24
to a physical view of this environment.
101
299000
3000
ஒரு இயல்பான பார்வைக்குள் பாய்ந்து செல்ல முடியும்.
05:31
What the point here really is is that we can do things
102
306000
3000
இங்கு உண்மையிலேயே உள்ள குறிப்பு என்னவென்றால், நாம் சமுதாய சூழல்களோடு
05:34
with the social environment. This is now taking data from everybody --
103
309000
5000
காரியங்களைச் செய்ய முடியும். இது இப்போது ஒவ்வொருவரிடமிருந்தும் தகவல்களை
05:39
from the entire collective memory
104
314000
1000
எடுப்பது – ஒரு முற்றிலுமான கூட்டு நினைவகத்திலிருந்து
05:40
of, visually, of what the Earth looks like --
105
315000
2000
பார்வைரீதியாக பூமி எப்படி காணப்படுகிறதோ –
05:43
and link all of that together.
106
318000
1000
அவைகளனைத்தையும் ஒன்றாக இணையுங்கள்.
05:44
All of those photos become linked together,
107
319000
2000
அந்த அனைத்து புகைப்படங்களும் ஒன்றாக இணைக்கப்பட்டவைகளாகின்றன,
05:46
and they make something emergent
108
321000
1000
அவைகள் அந்தப் பகுதிகளின் மொத்தத்தை விட பெரிதாகத்
05:47
that's greater than the sum of the parts.
109
322000
2000
தோன்றியுள்ள ஒன்றை உண்டாக்குகின்றன.
05:49
You have a model that emerges of the entire Earth.
110
324000
2000
மொத்த பூமியிலிருந்து தோன்றுகிற ஒரு மாதிரியை நீங்கள் பெறுகிறீர்கள்.
05:51
Think of this as the long tail to Stephen Lawler's Virtual Earth work.
111
326000
5000
இதை ஸ்டீபன் லாலெர்ஸ் கற்பனை புவி வேலைப்பாடாக நினைத்துப் பாருங்கள்.
05:56
And this is something that grows in complexity
112
331000
2000
இது மக்கள் உபயோகிக்கும் போது சிக்கலுக்குள்ளாக வளர்கிற ஒன்று,
05:58
as people use it, and whose benefits become greater
113
333000
3000
மேலும் அதன் பலன்கள் அவர்கள் உபயோகிக்கும் போது
06:01
to the users as they use it.
114
336000
2000
பயனாளர்களுக்கு மிக அதிகமானதாக மாறுகின்றன.
06:03
Their own photos are getting tagged with meta-data
115
338000
2000
அவர்களது சொந்தப் புகைப்படங்கள் யாரோ உள்நுழைத்த
06:05
that somebody else entered.
116
340000
1000
மெட்டா-டேட்டாவோடு பிணைக்கப்படப் போகிறது.
06:07
If somebody bothered to tag all of these saints
117
342000
3000
இத்தகைய அனைத்துப் புனிதர்களையும் பிணைப்பதற்கு யாராவது கவலைப்பட்டு, யார்
06:10
and say who they all are, then my photo of Notre Dame Cathedral
118
345000
3000
இவர்களெல்லாரும் என்று கேட்டார்களானால், உடனடியாக நோட்டிர் டேம் பேராலயத்தின்
06:13
suddenly gets enriched with all of that data,
119
348000
2000
எனது புகைப்படம் அந்த அனைத்துத் தரவுகளோடும் வளமடைகிறது, மேலும் அந்த
06:15
and I can use it as an entry point to dive into that space,
120
350000
3000
இடத்திற்குள் பாய்ந்து செல்வதற்கு அதை ஒரு நுழைவுப் புள்ளியாக நான் பயன்படுத்த
06:18
into that meta-verse, using everybody else's photos,
121
353000
2000
முடியும், அந்த மெட்டா-வெர்ஸிற்குள், அங்குள்ள ஒவ்வொருவரின் புகைப்படங்களையும்
06:21
and do a kind of a cross-modal
122
356000
2000
உபயோகித்து, ஒரு விதமான குறுக்கு மாதிரியைச் செய்ய முடியும் அப்படியாக அந்த
06:25
and cross-user social experience that way.
123
360000
3000
வழியில் ஒரு குறுக்குப்-பயணர் சமுதாய அனுபவத்தை அடைய முடியும்.
06:28
And of course, a by-product of all of that
124
363000
1000
மேலும் உண்மையிலேயே, அந்த அனைத்தின் ஒரு உபரி உற்பத்திப் பொருளானது பூமியின்
06:30
is immensely rich virtual models
125
365000
2000
ஒவ்வொரு ஆர்வமுடைய பகுதியின் காட்சி ரீதியான மாதிரியாக கடுமையான அளவிற்கு
06:32
of every interesting part of the Earth, collected
126
367000
2000
வளமடைகிறது, மேல்பறக்கிற விமானங்கள் மற்றும் செயற்கைக் கோள் மற்றும்
06:35
not just from overhead flights and from satellite images
127
370000
3000
இப்படியானவைகளிலிருந்து சேகரிக்கப்படாமல்,
06:38
and so on, but from the collective memory.
128
373000
2000
ஒரு கூட்டு நினைவகத்தில் இருந்து.
06:40
Thank you so much.
129
375000
2000
உங்களுக்கு மிகவும் நன்றி.
06:42
(Applause)
130
377000
11000
(கைதட்டல்).
06:53
Chris Anderson: Do I understand this right? That what your software is going to allow,
131
388000
4000
கிரிஸ் ஆண்டர்ஸன்: நான் இதைச் சரியாகப் புரிந்துகொள்கிறேனா? இந்த மென்பொருள்
06:58
is that at some point, really within the next few years,
132
393000
2000
என்னத்தை அனுமதிக்கப் போகிறது, என்பது ஒரு நிலையில், உண்மையிலேயே அடுத்த
07:01
all the pictures that are shared by anyone across the world
133
396000
4000
சில ஆண்டுகளுக்குள், உலகமுழுவதுமுள்ள யார் யாரோ பகிர்ந்து கொள்ளப்பட்ட
07:05
are going to basically link together?
134
400000
2000
அனைத்துப் படங்களும் அடிப்படையாக ஒன்றாக இணைக்கப்படப் போகின்றனவா?
07:07
BAA: Yes. What this is really doing is discovering.
135
402000
2000
பிஏஏ: ஆம். இது உண்மையிலேயே என்ன செய்து கொண்டிருக்கிறதென்றால் அது கண்டுபிடிப்புதான்.
07:09
It's creating hyperlinks, if you will, between images.
136
404000
3000
அது உச்சகட்ட இணைப்புகளை உண்டாக்கிக் கொண்டிருக்கிறது, நீங்கள் விரும்பும் பட்சத்தில், பிம்பங்களுக்கிடையே.
07:12
And it's doing that
137
407000
1000
மேலும் அது அந்த பிம்பங்களுக்குள் உள்ள பொருளடக்கங்களின்
07:13
based on the content inside the images.
138
408000
1000
அடிப்படையில் அதைச் செய்கிறது.
07:14
And that gets really exciting when you think about the richness
139
409000
3000
மேலும் அத்தகைய பலவிதமான பிம்பங்கள் கொண்டிருக்கும் அந்த பல்வேறு தகவல்களின்
07:17
of the semantic information that a lot of those images have.
140
412000
2000
வளமையைக் குறித்து நீங்கள் நினைத்துப் பார்க்கும் போது அது உண்மையிலேயே
07:19
Like when you do a web search for images,
141
414000
2000
ஆச்சரியமானதாக மாறுகிறது.
07:22
you type in phrases, and the text on the web page
142
417000
2000
நீங்கள் ஒரு பிம்பத்திற்கான இணைய தேடலைச் செய்யும் போது,
07:24
is carrying a lot of information about what that picture is of.
143
419000
3000
நீங்கள் வார்த்தைகளில் டைப் செய்கிறீர்கள், அந்த இணைய பக்கத்தின் மீதான அந்த உரை
07:27
Now, what if that picture links to all of your pictures?
144
422000
2000
அந்தப் படம் கொண்டிருக்கக் கூடிய அனேக தகவல்களைச் சுமந்து செல்கிறது.
07:29
Then the amount of semantic interconnection
145
424000
2000
இப்போது , உங்கள் அனைத்துப் படங்களோடும் அந்த படம் இணைப்பதென்ன?
07:31
and the amount of richness that comes out of that
146
426000
1000
அதன்பிறகு பல்வேறுவகையானவைகளின் ஒன்றோடு ஒன்றான இணைப்புகளின் அளவும் அதிலிருந்து வெளிவருகிற வளமையின்
07:32
is really huge. It's a classic network effect.
147
427000
3000
அளவும் உண்மையிலேயே பிரமாண்டமானது. அது ஒரு அட்டகாசமான வலையமைப்பு விளைவு
07:35
CA: Blaise, that is truly incredible. Congratulations.
148
430000
2000
சிஏ: பிலெய்ஸ், அது உண்மையிலேயே நம்பமுடியாதது. வாழ்த்துக்கள்.
07:37
BAA: Thanks so much.
149
432000
1000
பிஏஏ: மிக்க நன்றி.
ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architectBlaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.
Why you should listen
Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.
Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.
He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.
He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.
Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?
Blaise Agüera y Arcas | Speaker | TED.com