TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
เจเรมี่ เฮาวาร์ด: ผลที่น่ามหัศจรรย์และน่าสะพรึงกลัว ของคอมพิวเตอร์ที่เรียนรู้ได้เอง
Filmed:
Readability: 4.5
2,532,971 views
อะไรจะเกิดขึ้นเมื่อเราสอนให้คอมพิวเตอร์เรียนรู้ นักเทคโนโลยี เจเรมี่ เฮาวาร์ด นำมาบอกเล่าเรื่องการพัฒนาใหม่ที่น่าประหลาดใจ ในสาขาวิชา "การเรียนรู้ลึก" ที่มีการขับเคลื่อนอย่างรวดเร็ว เป็นเทคนิคที่ทำให้คอมพิวเตอร์สามารถเรียนภาษาจีนได้ หรือ ให้มันรู้จำวัตถุที่อยู่ในรูปภาพได้ หรือ ให้มันช่วยทำวินิจฉัยทางการแพทย์ (มีเครื่องมือการเรียนรู้ลึกชนิดหนึ่ง ที่หลังจากดูยูทูบไปหลายชั่วโมง สามารถสอนตัวเองให้ได้ความรู้ในเรื่อง "แมว") เรามาตามประเด็นในสาขาวิชาที่เปลี่ยนวิธีที่คอมพิวเตอร์รอบๆคุณจะปฏิบัติงาน...เร็วเกินกว่าที่คุณอาจจะคาดคิด
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
เคยเป็นว่าถ้าอยากได้คอมพ์ มาทำอะไรที่ใหม่ๆ
00:16
you would have to program it.
1
4893
1554
คุณก็ต้องโปรแกรมมัน
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
ครับ การทำโปรแกรม
สำหรับคนที่ยังไม่เคยทำเอง
สำหรับคนที่ยังไม่เคยทำเอง
00:21
requires laying out in excruciating detail
3
9858
3502
ก็ต้องวางแผนรายละเอียด
อย่างเลือดตาแทบกระเด็น
อย่างเลือดตาแทบกระเด็น
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
ในทุกขั้นตอน ที่คุณต้องการให้คอมพิวเตอร์ทำ
00:28
in order to achieve your goal.
5
16727
2362
เพื่อให้บรรลุเป้าหมายของคุณ
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
ถ้าต้องการทำสิ่งที่คุณเองไม่รู้วิธีทำแล้ว
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
ก็จะเป็นเรื่องท้าทายที่ยิ่งใหญ่ ที่ชายชื่อ
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
อาร์เธอร์ แซมวล ก็เผชิญมาแล้วในอดีต
00:40
In 1956, he wanted to get this computer
9
28131
4077
ปี 1956 เขาอยากจะให้คอมพิวเตอร์เครื่องนี้
00:44
to be able to beat him at checkers.
10
32208
2340
เอาชนะเขาได้ ในเกมหมากฮอส
00:46
How can you write a program,
11
34548
2040
จะเขียนโปรแกรมโดยวางรายละเอียด
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
อย่างเลือดตาแทบกระเด็น
ให้เหนือกว่าคุณในเกม ได้อย่างไร
ให้เหนือกว่าคุณในเกม ได้อย่างไร
00:52
So he came up with an idea:
13
40394
1722
ดังนั้น เขาจึงเกิดความคิดใหม่ขึ้นมา
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
เขาให้คอมพ์เล่นแข่งกับตัวเอง หลายพันครั้ง
00:57
and learn how to play checkers.
15
45840
2524
และให้มันเรียนรู้ ที่จะเล่นเกมหมากฮอส
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
และมันก็ได้ผลจริง ๆ และตอนปี 1962
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
คอมพ์เครื่องนี้ เล่นชนะแชมป์รัฐคอนเนตทิคัต
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
อาร์เธอร์ แซมวล ถือว่าเป็นบิดา
ของการเรียนรู้ของเครื่อง
ของการเรียนรู้ของเครื่อง
01:10
and I have a great debt to him,
19
58534
1717
ผมเป็นหนี้เขาอย่างใหญ่หลวง เพราะ
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
ผมเป็นผู้ปฏิบัติงาน ด้านเครื่องเรียนรู้นี้
01:15
I was the president of Kaggle,
21
63014
1465
อดีตผมเป็นประธานกลุ่มแค็กเกิล
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
เป็นกลุ่มคนกว่า 2 แสนคนที่ทำงานด้านนี้
01:19
Kaggle puts up competitions
23
67867
2058
แค็กเกิลจัดการแข่งขัน เพื่อพยายามให้
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
เครื่องเหล่านั้นแก้ปัญหาที่แก้ไม่ได้มาก่อน
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
และก็ประสบผลสำเร็จมาแล้วหลายร้อยครั้ง
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
ดังนั้น จากมุมมองที่กว้างขวางนี้
ผมจึงได้ค้นพบ
ผมจึงได้ค้นพบ
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
เรื่องการเรียนรู้ของเครื่องอีกมากมาย
ที่พวกมันทำได้
ที่พวกมันทำได้
01:35
and what it could do in the future.
28
83890
2362
ในอดีต ปัจจุบัน และอนาคต
ส่วนความสำเร็จเชิงพาณิชย์
ส่วนความสำเร็จเชิงพาณิชย์
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
ที่ยิ่งใหญ่ครั้งแรกของเรื่องนี้ อาจคือ
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
กูเกิลที่ให้เห็นว่าเป็นไปได้ที่จะค้นข้อมูล
01:45
by using a computer algorithm,
31
93784
1752
โดยใช้วิธีการทางคอมพิวเตอร์
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
ซึ่งมีพื้นฐานมาจาก การเรียนรู้ของเครื่อง
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
แต่นั้นมา มีความสำเร็จเชิงพาณิชย์อีกมาก
01:54
Companies like Amazon and Netflix
34
102323
1837
บริษัท อย่างเช่น แอมะซอน และ เน็ตฟลิกส์
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
ใช้การเรียนรู้ของเครื่อง เพื่อแนะนำสินค้า
01:59
movies that you might like to watch.
36
107876
2020
ที่คุณอาจอยากซื้อ ภาพยนตร์ที่อาจอยากดู
02:01
Sometimes, it's almost creepy.
37
109896
1807
บางครั้ง ก็เกือบทำให้ขนลุก
02:03
Companies like LinkedIn and Facebook
38
111703
1954
บริษัทอย่างเช่น ลิงด์อิน และเฟสบุก
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
บางครั้งจะบอกว่า ใครอาจเป็นเพื่อนของคุณ
02:08
and you have no idea how it did it,
40
116251
1977
และคุณก็คิดไม่ออกเลยว่า มันทำได้อย่างไร
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
นี่ก็เพราะ มันใช้พลังการเรียนรู้ของเครื่อง
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
เป็นวิธีการทางคอมพ์ ที่เรียนรู้วิธีทำได้
02:16
rather than being programmed by hand.
43
124152
3247
จากข้อมูล แทนโปรแกรม ที่ต้องใช้มือทำ
02:19
This is also how IBM was successful
44
127399
2478
สิ่งนี่ยังทำให้ IBM สำเร็จในการทำให้
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
วัทสัน ชนะแชมป์โลกสองคนใน "เจเพอะดี" โชว์
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
โดยตอบคำถามที่ลึกลับซับซ้อนเหลือเชื่อ เช่น
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
["ของโบราณ 'สิงโตแห่งนิมรัต'
หายไปจากพิพิธภัณฑ์ในปี 2003]
หายไปจากพิพิธภัณฑ์ในปี 2003]
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
ยังให้เราเห็นในขณะนี้ รถพวกแรกที่ขับได้เอง
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
ถ้าคุณต้องการจะบอกความแตกต่างระหว่าง เช่น
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
ต้นไม้กับคนเดินถนน ครับ นั่นมันสำคัญมาก
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
เราไม่รู้วิธีเขียนโปรแกรมเหล่านั้น ด้วยมือ
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
แต่จากการเรียนรู้ของเครื่อง มันเป็นไปได้
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
ความจริงแล้ว รถคันนี้ขับมาแล้วกว่าล้านไมล์
02:48
without any accidents on regular roads.
54
156680
3506
โดยไม่เกิดอุบัติเหตุ บนถนนปกติ
02:52
So we now know that computers can learn,
55
160196
3914
ขณะนี้เราจึงรู้ว่า เครื่องคอมพ์เรียนรู้ได้
02:56
and computers can learn to do things
56
164110
1900
คอมพิวเตอร์เรียนรู้ ที่จะทำสิ่งต่างๆที่
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
บางครั้งเราไม่รู้จริงๆ ว่าจะทำเองอย่างไร
03:00
or maybe can do them better than us.
58
168848
2885
หรือบางทีมันอาจจะทำได้ ดีกว่าเราเสียอีก
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
ตัวอย่างหนึ่งที่น่าทึ่งที่สุด ที่ผมเคยเห็น
03:07
happened on a project that I ran at Kaggle
60
175928
2392
เกิดขึ้นในโครงการที่ผมทำ ที่แคกเกิล
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
ในทีมงานที่นำโดยหนุ่มชื่อ เจฟฟรี ฮินตัน
03:13
from the University of Toronto
62
181911
1552
จากมหาวิทยาลัยโทรอนโต
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
เขาชนะการแข่งขัน การค้นพบยาโดยอัตโนมัติ
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
ความพิเศษคือ ไม่ใช่เพียงเอาชนะวิธีทั้งหมด
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
ที่พัฒนาโดย เมอร์ค, กลุ่มวิชาการนาๆชาติ
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
แต่ไม่มีใครในทีมมีพื้นทางเคมี
หรือชีววิทยาศาสตร์
หรือชีววิทยาศาสตร์
03:30
and they did it in two weeks.
67
198061
2169
และพวกเขาทำให้ชนะได้ ในสองสัปดาห์
03:32
How did they do this?
68
200230
1381
พวกเขาทำได้อย่างไรหรือ
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
เขาใช้วิธีคอมพ์ที่เรียกว่า การเรียนรู้ลึก
(deep learning)
(deep learning)
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
เรื่องนี้สำคัญมากจนกระทั่ง
ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง
ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
ของนิวยอร์คไทม์ 2-3 อาทิตย์ต่อมา
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
นี่คือ เจฟฟรี่ ฮินตัน ตรงนี้ด้านซ้ายมือ
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
การเรียนรู้ลึก เป็นวิธีการทางคอมพ์ที่นำ
03:50
and as a result it's an algorithm
74
218488
1812
วิธีทำงานของสมองคนมา ผลคือ เป็นวิธีที่
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
ไม่มีข้อจำกัดทางทฤษฎีว่า มันทำอะไรได้บ้าง
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
ยิ่งให้ข้อมูลมัน ยิ่งให้เวลาคำนวณมากขึ้น
03:58
the better it gets.
77
226964
1312
มันก็จะทำงานได้ดียิ่งขึ้น
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
นิวยอร์คไทม์ ยังแสดงให้เห็นในบทความนี้
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
ถึงผลลัพท์พิเศษอีกอย่างของ การเรียนรู้ลึก
04:04
which I'm going to show you now.
80
232857
2712
ซึ่งผมจะแสดงให้คุณดู เดี๋ยวนี้
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
มันแสดงว่า คอมพ์ฟังรู้เรื่องและเข้าใจได้
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(วิดีโอ) ริชาร์ด ราชิด: ครับ ขั้นสุดท้าย
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
ที่ผมอยากจะทำให้ได้ ในกระบวนการนี้
04:18
is to actually speak to you in Chinese.
84
246246
4715
คือ พูดกับคุณจริงๆ เป็นภาษาจีน
04:22
Now the key thing there is,
85
250961
2635
ครับ สิ่งสำคัญในเรื่องนี้ก็คือ เราสามารถ
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
เอาข้อมูลจำนวนมากมาได้ จากคนพูดจีนหลายๆคน
04:30
and produce a text-to-speech system
87
258598
2530
และทำ "ระบบเนื้อหา-คำพูด" ออกมา, ระบบนี้จะ
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
เอาข้อความภาษาจีนมา เปลี่ยนให้เป็นภาษาจีน
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
แล้วก็เอาเสียงของผมเอง ราวหนึ่ง ช.ม
04:41
and we've used that to modulate
90
269929
1891
แล้วใช้เสียงมาปรับระบบเนื้อหา-คำพูด
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
เพื่อที่จะให้มีเสียงเหมือนผม
04:48
Again, the result's not perfect.
92
276364
2540
อีกนั่นแหละ ผลที่ได้ไม่ดีเลิศนัก
04:50
There are in fact quite a few errors.
93
278904
2648
จริงๆแล้ว มีข้อผิดพลาดหลายอย่าง
04:53
(In Chinese)
94
281552
2484
(ภาษาจีน)
04:56
(Applause)
95
284036
3367
(เสียงปรบมือ)
05:01
There's much work to be done in this area.
96
289446
3576
ยังมีสิ่งที่ต้องทำอีกมาก ในเรื่องนี้
05:05
(In Chinese)
97
293022
3645
(ภาษาจีน)
05:08
(Applause)
98
296667
3433
(เสียงปรบมือ)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
เจเรมี่ เฮาวาร์ด: นั่นเป็นการประชุมที่จีน
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
จริงๆ ไม่บ่อยนัก ในการประชุมทางวิชาการ
05:19
that you do hear spontaneous applause,
101
307114
1897
ที่จะได้ยินคนปรบมือเอง พร้อมเพรียงกัน
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
แต่แน่ว่า บางครั้งในการประชุม TEDx
จงทำตามใจชอบ
จงทำตามใจชอบ
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
ทุกสิ่งที่เห็นที่นั่นเกิดจากการเรียนรู้ลึก
05:27
(Applause) Thank you.
104
315482
1525
(เสียงปรบมือและหัวเราะ)
ขอบคุณครับ
ขอบคุณครับ
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
การถอดเป็นภาษาอังกฤษทำโดยการเรียนรู้ลึก
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
ซึ่งแปลเป็นภาษาจีนและข้อความด้านบนขวา
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
การสร้างเสียงก็เป็นการเรียนรู้ลีก เช่นกัน
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
การเรียนรู้ลึกจึงเป็นสิ่งพิเศษ
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
เป็นวิธีเดียวทางคอมพ์ที่ทำได้เกือบทุกอย่าง
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
ผมพบปีที่แล้วว่า มันเรียนที่จะเห็นได้ด้วย
05:47
In this obscure competition from Germany
111
335452
2176
ในการแข่งขันที่ไม่ค่อยรู้จัก
ในเยอรมนี ชื่อ
ในเยอรมนี ชื่อ
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
เยอรมันแทร็ฟฟิกซายน์เรคอกนิชั่นเบนช์มาร์ก
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
การเรียนรู้ลึก เรียนรู้จำสัญญาณจราจรนี้
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
ไม่เพียงแค่ รู้จำสัญญาณจราจรได้ดีกว่า
05:57
better than any other algorithm,
115
345712
1758
วิธีการอื่นๆทางคอมพิวเตอร์ เท่านั้น
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
ป้ายคะแนนนแสดงว่า จริง ๆ แล้ว
06:02
about twice as good as people.
117
350189
1852
มันดีกว่าคนประมาณสองเท่า
06:04
So by 2011, we had the first example
118
352041
1996
ดังนั้น โดยปี 2011 เราจึงมีตัวอย่างแรก
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
ของคอมพิวเตอร์ ที่สามารถมองเห็นได้ดีกว่าคน
06:09
Since that time, a lot has happened.
120
357442
2049
ตั้งแต่นั้นมา สิ่งต่างๆมากมายได้เกิดขึ้น
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
ปี 2012 กูเกิลแจ้งว่า ได้ให้การเรียนรู้ลึก
06:15
watch YouTube videos
122
363005
1415
ดูยูทูบวิดีโอ ขบเคี้ยวข้อมูล
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
จากคอมพิวเตอร์ 16,000 เครื่องอยู่ 1 เดือน
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
และคอมพ์ก็เรียนรู้ได้เองถึงแนวความคิด
06:24
just by watching the videos.
125
372218
1809
เช่น คนกับแมว เพียงดูแค่วิดีโอเท่านั้น
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
สิ่งนี้เหมือนวิธีที่มนุษย์เรียนรู้อย่างมาก
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
มนุษย์ไม่ได้เรียนโดยให้คนอื่นบอกว่า
เขาเห็นอะไร
เขาเห็นอะไร
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
แต่โดยเรียนด้วยตนเองว่า ของเหล่านี้คืออะไร
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
ปี 2012 เจฟฟรี่ ฮินตัน ที่เราเห็นตอนต้น
06:37
won the very popular ImageNet competition,
130
385819
2858
ยังชนะการแข่ง อิมเมจเน็ด ที่มีชื่อมาก ซึ่ง
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
พยายามหาวิธีคิด จากภาพล้านห้าแสนภาพ
06:44
what they're pictures of.
132
392818
1438
ว่า ภาพเหล่านี้เป็นภาพอะไร
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
ถึงปี 2014 นี้ เราลดอัตราผิดจนเหลือ 6%
06:49
in image recognition.
134
397789
1453
ในการรู้จำภาพได้
06:51
This is better than people, again.
135
399242
2026
นี่ก็ดีกว่าคนอีกเหมือนกัน
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
เครื่องจึงทำงานได้ดีพิเศษจริง ในเรื่องนี้
06:57
and it is now being used in industry.
137
405037
2269
และขณะนี้ก็กำลังมีการนำไปใช้ ในอุตสาหกรรม
06:59
For example, Google announced last year
138
407306
3042
เช่น กูเกิลประกาศเมื่อปีที่แล้ว ว่า
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
ได้ทำแผนที่ทุกๆตำแหน่งในฝรั่งเศสใน 2 ช.ม
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
และวิธีที่พวกเขาทำนั้น คือ ใส่ภาพถนนเข้าไป
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
ในการเรียนรู้ลึก เพื่อให้รู้จำและอ่านเลขถนน
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
ลองจินตนาการดู แต่ก่อนจะใช้เวลานานแค่ไหน
07:16
dozens of people, many years.
143
424919
3355
ใช้คนมากมายหลายคน หลายปี
07:20
This is also happening in China.
144
428274
1911
เรื่องนี้ก็กำลังเกิดขึ้นในจีนด้วย
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
ไบดู เป็นเหมือนกับกูเกลของจีน และ
07:26
and what you see here in the top left
146
434221
2283
ที่คุณเห็น ตรงด้านบนซ้ายมือ คือ ตัวอย่าง
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
รูปที่ผมใส่เข้าไป ในระบบเรียนรู้ลึกของไบดู
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
ตรงข้างล่าง คุณจะเห็นได้ว่า ระบบเข้าใจได้
07:36
and found similar images.
149
444247
2236
ว่าเป็นภาพอะไร และค้นพบภาพที่เหมือนกัน
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
ซึ่งจริงๆแล้ว คือมีแบ็กกราวเหมือนกัน
07:41
similar directions of the faces,
151
449219
1658
หันหน้าไปทิศทางเดียวกัน
07:42
even some with their tongue out.
152
450877
1788
แม้กระทั่ง บางรูปที่แลบลิ้นออกมา
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
นี่ไม่ใช่มองที่ เนื้อหาเว็บเพจอย่างแน่นอน
07:47
All I uploaded was an image.
154
455695
1412
ผมส่งเพียงแต่รูป ๆ เดียวเท่านั้น
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
ขณะนี้มีคอมพ์ ที่เข้าใจสิ่งที่มันเห็นจริงๆ
07:53
and can therefore search databases
156
461128
1624
จึงสามารถค้นหาฐานข้อมูลได้
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
เป็นหลายร้อยล้านภาพ ในเวลาสั้นๆ
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
อะไรจะเกิดขึ้น เมื่อมีคอมพ์ที่มองเห็นได้
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
แต่ไม่ใช่แค่มองเห็นได้เท่านั้น
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
จริงๆแล้ว การเรียนรู้ลึก ทำได้มากกว่านั้น
08:05
Complex, nuanced sentences like this one
161
473622
2948
ประโยคที่ต่างกันน้อยมาก ซับซ้อน อย่างนี้
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
ขณะนี้เข้าใจได้แล้ว ด้วยวิธีการเรียนรู้ลึก
08:11
As you can see here,
163
479394
1303
อย่างที่คุณเห็นตรงนี้
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
ระบบฐานสแตนฟอร์ดนี้ แสดงจุดสีแดงด้านบนสุด
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
คิดออกว่า ประโยคนี้แสดงอารมณ์เชิงลบ
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
จริงๆการเรียนรู้ลึก ใกล้สมรรถภาพมนุษย์แล้ว
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
เข้าใจได้ว่า ประโยคบอกเรื่องอะไร
และมีความหมายอะไร
และมีความหมายอะไร
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
การเรียนรู้ลึก ยังนำไปใช้เพื่ออ่านภาษาจีน
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
อีกนั่นแหละ ประมาณระดับคนจีนพื้นเมือง
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
วิธีการทางคอมพ์นี้ ได้พัฒนาออกมาจากสวิสฯ
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
โดยคนที่ไม่มีใครพูดหรือเข้าใจภาษาจีนเลย
08:39
As I say, using deep learning
172
507331
2051
อย่างที่ผมบอก การใช้การเรียนรู้ลึก
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
เกือบเป็นระบบที่ดีที่สุดในโลก สำหรับงานนี้
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
แม้เมื่อเปรียบกับความเข้าใจของคนพื้นบ้าน
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
นี่เป็นระบบที่เราประกอบขึ้นมา
ที่บริษัทของผม
ที่บริษัทของผม
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
ซึ่งให้เห็นการเอาสิ่งทั้งหลายเข้ามารวมกัน
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
พวกนี้ให้เห็นภาพ ที่ไม่มีข้อความกำกับ
08:56
and as I'm typing in here sentences,
178
524189
2352
และขณะที่ผมพิมพ์ประโยคอยู่ตรงนี้
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
ในเวลาสั้นๆ มันก็เข้าใจรูปเหล่านี้
09:01
and figuring out what they're about
180
529510
1679
และคิดออกได้ว่า มันเป็นเรื่องอะไร
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
และไปหาภาพ ที่เหมือนกับข้อความที่ผมเขียน
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
จึงเห็นได้ เป็นความเข้าใจประโยคของผมจริงๆ
09:09
and actually understanding these pictures.
183
537108
2224
เป็นความเข้าใจภาพเหล่านี้จริง
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
ผมรู้ว่า คุณเคยเห็นแบบนี้ในกูเกิลแล้ว
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
ที่คุณพิมพ์ข้อความ แล้วมันจะแสดงภาพออกมา
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
แต่จริงๆสิ่งที่มันทำคือ หาข้อความในเว็บเพจ
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
เรื่องนี้ต่างกันมาก กับการเข้าใจภาพพวกนั้น
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
นี่เป็นสิ่งที่คอมพ์สามารถทำได้
09:25
for the first time in the last few months.
189
553843
3248
เป็นครั้งแรก ในไม่กี่เดือนที่ผ่านมานี้
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
ขณะนี้จึงเห็นได้ว่า คอมพ์ไม่ได้แค่เห็น แต่
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
อ่านได้ด้วย และเราก็ให้เห็นว่า
มันก็เข้าใจสิ่งที่มันได้ยิน
มันก็เข้าใจสิ่งที่มันได้ยิน
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
อาจไม่น่าแปลกใจ ถ้าจะบอกว่า มันก็เขียนได้
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
ประโยคนี้ผมสร้างเมื่อวาน ใช้การเรียนรู้ลึก
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
ข้อความนี้ สร้างโดยวิธีคอมพ์ของสแตนฟอร์ด
09:49
Each of these sentences was generated
195
577096
1764
แต่ละประโยคสร้างขึ้น
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
โดยวิธีการเรียนรู้ลึก เพื่ออธิบายภาพนั้นๆ
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
แต่ก่อนวิธีการคอมพ์ ไม่เคยเห็นชายเสื้อดำ
กำลังเล่นกีต้าร์
กำลังเล่นกีต้าร์
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
แต่มันเคยเห็นผู้ชาย เคยเห็นสีดำ
10:01
it's seen a guitar before,
199
589801
1599
เคยเห็นกีต้าร์ แต่ด้วยตัวมันเอง
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
ได้สร้างการอธิบายภาพนี้ในแนวใหม่
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
ยังคงไม่เหมือนมนุษย์ทีเดียว แต่ก็ใกล้แล้ว
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
ในการทดสอบ มนุษย์ชอบคำบรรยายสร้างโดยคอมพ์
10:15
one out of four times.
203
603264
1527
หนึ่งในสี่ครั้ง
10:16
Now this system is now only two weeks old,
204
604791
2064
ปัจจุบัน ระบบนี้มีอายุแค่ 2 สัปดาห์
10:18
so probably within the next year,
205
606855
1846
ดังนั้น บางที ภายในปีหน้า
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
วิธีทางคอมพ์ อาจไปไกลเกินหน้าการปฏิบัติงาน
10:23
at the rate things are going.
207
611502
1862
ของมนุษย์ ที่อัตราที่กำลังเป็นอยู่นี้
10:25
So computers can also write.
208
613364
3049
คอมพิวเตอร์ จึงสามารถเขียนได้ด้วย
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
รวมๆแล้ว ก็จะเห็นโอกาสทีน่าตื่นเต้นมาก
10:31
For example, in medicine,
210
619888
1492
ตัวอย่างเช่น ในทางการแพทย์
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
ทีมงานในบอสตัน ประกาศว่าพวกเขาได้ค้นพบ
10:35
dozens of new clinically relevant features
212
623905
2949
ลักษณะต่าง ๆ มากมาย
ที่เกี่ยวข้องกับการรักษา
ที่เกี่ยวข้องกับการรักษา
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
เนื้องอก ที่ช่วยแพทย์ทายอาการมะเร็ง
10:44
Very similarly, in Stanford,
214
632220
2296
และที่เหมือนกันอย่างมาก ที่สแตนฟอร์ด
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
กลุ่มที่นั่นประกาศว่า
โดยดูเนื้อเยื่อขยายแล้ว
โดยดูเนื้อเยื่อขยายแล้ว
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
ได้พัฒนาระบบจากการเรียนรู้ของเครื่องขึ้นมา
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
ซึ่งจริงๆ ดีกว่าแพทย์พยาธิวิทยา
ในการทำนาย
ในการทำนาย
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
อัตราการรอดชีวิต ของคนไข้โรคมะเร็ง
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
ทั้งสองกรณี ไม่เพียงการคาดเดาถูกต้องกว่า
11:02
but they generated new insightful science.
220
650764
2502
แต่ยังทำให้เกิดความเข้าใจใหม่
ทางวิทยาศาสตร์
ทางวิทยาศาสตร์
11:05
In the radiology case,
221
653276
1505
คือทางรังสีวิทยา มีการพบ
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
ตัวบ่งชี้ทางการรักษาแบบใหม่ ที่คนเข้าใจได้
11:09
In this pathology case,
223
657876
1792
ส่วนทางพยาธิวิทยานี้ จริงๆแล้ว
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
ระบบคอมพ์ได้ค้นพบว่า เซลล์รอบๆมะเร็ง
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
สำคัญเท่าๆกับเซลล์มะเร็งเอง
11:19
in making a diagnosis.
226
667508
1752
ในการวินิจฉัย นี้ตรงข้ามกับ
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
สิ่งที่พยาธิแพทย์ ได้รับสอนมาหลายทศวรรษ
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
ในทั้งสองกรณี ระบบพัฒนาขึ้นโดย
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
ผู้เชี่ยวชาญทางแพทย์ร่วมกับ
ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง
ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
แต่เริ่มแต่ปีที่แล้ว เราได้ไปไกลกว่านั้น
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
นี่เป็นตัวอย่าง ของการระบุพื้นที่ของมะเร็ง
11:39
of human tissue under a microscope.
232
687824
2530
ในเนื้อเยื่อมนุษย์ จากกล้องจุลทรรศน์
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
ระบบที่แสดงอยู่นี้
ระบุพื้นที่ได้แม่นยำกว่า
ระบุพื้นที่ได้แม่นยำกว่า
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
หรือเกือบจะเท่ากับพยาธิแพทย์ แต่ทั้งหมดนี้
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
สร้างด้วยการเรียนรู้ลึก
โดยคนที่ไม่มีความเชี่ยวชาญ
โดยคนที่ไม่มีความเชี่ยวชาญ
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
หรือพื้นเพทางการแพทย์เลย
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
นี่ก็เหมือนกัน การแบ่งส่วนประสาท, ขณะนี้
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
เราแยกเซลล์ประสาทได้ แม่นยำเทียมเท่ามนุษย์
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
แต่ระบบนี้พัฒนาขึ้น ด้วยการเรียนรู้ลึก
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
โดยคนที่ไม่มีพื้นฐานด้านการแพทย์
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
ดังนั้นผมเอง ผู้ไม่มีพื้นฐานด้านการแพทย์
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
ก็เหมือนมีคุณสมบัติพร้อม ที่จะเริ่มบริษัท
12:15
which I did.
243
723875
2146
ทางการแพทย์ใหม่ขึ้นมา ซึ่งผมก็ได้ทำแล้ว
12:18
I was kind of terrified of doing it,
244
726021
1740
ผมรู้สึกหวาดหวั่นบ้างที่จะทำ
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
แต่ตามทฤษฎีแล้ว ดูจะแนะว่า น่าจะเป็นไปได้
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
ที่จะทำการแพทย์ที่มีประโยชน์มาก โดยใช้แค่
เทคนิควิเคราะห์ข้อมูลนี้
เทคนิควิเคราะห์ข้อมูลนี้
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
และผมโชคดี ที่ได้การตอบรับที่ดีเยี่ยม
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
จากทั้งสื่อและกลุ่มทางการแพทย์
12:32
who have been very supportive.
249
740978
2344
ที่ให้การสนับสนุนมาอย่างมาก
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
ทฤษฎีคือ เราสามารถเอาส่วนกลาง
ของกระบวนการทางแพทย์
ของกระบวนการทางแพทย์
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
กลับมันเป็นวิเคราะห์ข้อมูล มากเท่าที่ทำได้
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
ทิ้งให้แพทย์ทำ ในสิ่งที่เขาทำได้ดีที่สุด
12:45
I want to give you an example.
253
753429
1602
ผมอยากจะยกตัวอย่างหนึ่ง ปัจจุบัน
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
เราใช้เพียง 15 นาที เพื่อ
สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่
สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่
12:51
and I'll show you that in real time now,
255
759975
1954
ผมจะแสดงให้ดูตามเวลาจริง แต่ผม
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
บีบมันลงเหลือสามนาที โดยตัดบางชิ้นออกไป
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
แทนที่จะแสดง การสร้างการทดสอบวินิจฉัยโรค
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
ผมจะแสดง การทดสอบการวินิจฉัยภาพรถแทน
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
เพราะว่า มันเป็นสิ่งที่เราทุกคนเข้าใจได้
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
ตรงนี้ เราจึงจะเริ่มด้วยภาพรถ 1.5 ล้านคัน
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
และผมอยากจะสร้างอะไรบางอย่าง
ที่จะแยกมันออก
ที่จะแยกมันออก
13:12
of the photo that's being taken.
262
780475
2223
เป็นมุมมองของภาพที่ถ่าย ภาพพวกนี้
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
ไม่ได้มีป้ายบอกเลย
ผมจึงต้องเริ่มจากไม่มีอะไร
ผมจึงต้องเริ่มจากไม่มีอะไร
13:18
With our deep learning algorithm,
264
786586
1865
แต่ด้วยวิธีการคอมพ์การเรียนรู้ลึกของเรา
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
มันจะระบุพื้นที่โครงสร้างในภาพได้อัตโนมัติ
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
ส่วนดีคือ คนและคอมพ์ทำงานด้วยกันได้
13:27
So the human, as you can see here,
267
795778
2178
มนุษย์ อย่างที่เห็นตรงนี้ จะบอกคอมพ์ถึง
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
พื้นที่ที่น่าสนใจ ที่ต้องการให้คอมพ์
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
พยายามใช้ เพื่อจะได้ปรับปรุงวิธีการของมัน
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
ระบบการเรียนรู้ลึกนี้ แท้จริงอยู่ในปริภูมิ
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
16000 มิติ จึงเห็นคอมพ์หมุนไปตาม
13:45
trying to find new areas of structure.
272
813009
1992
ปริภูมินั้น พยายามหาพื้นที่โครงสร้างใหม่
13:47
And when it does so successfully,
273
815001
1781
เมื่อมันทำได้สำเร็จตามนั้น แล้วคนที่
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
ขับมันอยู่ ก็จะชี้พื้นที่ที่น่าสนใจ
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
ตรงนี้ คอมพ์พบพื้นที่ได้สำเร็จ
13:55
for example, angles.
276
823208
2562
ตัวอย่างเช่น มุมมองต่าง ๆ
13:57
So as we go through this process,
277
825770
1606
ดังนั้น ขณะที่เราผ่านกระบวนการนี้
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
เราก็ค่อยๆบอกคอมพ์เพิ่มขึ้นเรื่อยๆ
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
เกี่ยวกับแบบโครงสร้าง ที่เราต้องการค้นหา
14:04
You can imagine in a diagnostic test
280
832144
1772
คุณคงจินตนาการได้ เช่น การทดสอบวินิจฉัย
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
ก็จะเป็นพยาธิแพทย์ ที่จะระบุบริเวณผิดปกติ
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
หรือรังสีแพทย์ ชี้บอกตุ่มที่น่าจะเป็นปัญหา
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
บางที ก็ยากเหมือนกันสำหรับวิธีทางคอมพ์นี้
14:16
In this case, it got kind of confused.
284
844851
1964
ในกรณีนี้ มันคล้ายกับจะสับสน
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
ด้านหน้าและด้านหลังของรถนั้น ปนเปกันไปหมด
14:21
So here we have to be a bit more careful,
286
849365
2072
ตรงนี้ เราจึงต้องระวังมากขึ้นอีกหน่อย
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
ใช้มือเลือก ส่วนใดเป็นหน้า ส่วนใดเป็นหลัง
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
แล้วบอกคอมพ์นั้นว่า นี่เป็นแบบของกลุ่ม
14:32
that we're interested in.
289
860175
1348
ที่เราสนใจอยู่
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
เราต้องทำอย่างนี้ไปเรื่อย ๆ แต่เราจะข้ามไป
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
แล้วเราก็จะฝึกเครื่องเรียนรู้
14:38
based on these couple of hundred things,
292
866446
1974
อาศัยสิ่งของจำนวนมากมายเหล่านี้
14:40
and we hope that it's gotten a lot better.
293
868420
2025
เราหวังว่า มันดีขึ้นมากแล้ว คุณจะเห็นได้
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
ตอนนี้ มันได้เริ่มทำให้บางภาพค่อยๆหายไป
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
มันรู้จำวิธีเข้าใจเรื่องนี้ด้วยตัวเองบ้างแล้ว
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
แล้วเราจึงใช้ความรู้เรื่องภาพเหมือนนี้
14:53
and using similar images, you can now see,
297
881128
2094
และการใช้ภาพเหมือนนั้น ตอนนี้จะเห็นได้
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
ณ.จุดนี้คอมพ์ สามารถหารถส่วนหน้าทั้งหมด
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
ดังนั้น ที่จุดนี้ คนจะบอกคอมพ์นั้นได้ว่า
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
ตกลง ใช่แล้ว เธอทำงานเรื่องนี้ได้ดีแล้ว
15:05
Sometimes, of course, even at this point
301
893652
2185
บางครั้ง แน่นอนครับ แม้กระทั่ง ที่จุดนี้
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
ก็ยังคงยาก ที่จะแยกออกมาเป็นกลุ่มๆ
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
กรณีนี้ แม้หลังจากให้คอมพ์หมุนไปสักครู่
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
เราก็ยังคงพบว่า ด้านซ้ายและขวาของภาพ
15:18
are all mixed up together.
305
906744
1478
ก็ปนเปกันไปหมด
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
ดังนั้นเราจึงให้คำแนะนำแก่คอมพ์อีก
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
เราบอกว่า ใช่ พยายามหาการฉายภาพ ที่จะแยก
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
ด้านซ้าย/ขวาออกจากกัน ให้มากเท่าที่จะทำได้
15:27
using this deep learning algorithm.
309
915945
2122
โดยใช้วิธีการเรียนรู้ลึกทางคอมพ์
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
เมื่อให้คำแนะนำนั้นแล้ว ก็ประสบความสำเร็จ
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
มันก็หาวิธีคิด เกี่ยวกับวัตถุพวกนี้ได้
15:35
that's separated out these together.
312
923891
2380
นั่นคือ วิธีแยกสิ่งเหล่านี้
15:38
So you get the idea here.
313
926271
2438
คุณคงจะพอเข้าใจเรื่องนี้
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
เรื่องนี้ ไม่ใช่มนุษย์ถูกแทนที่ด้วยคอมพ์
15:48
but where they're working together.
315
936906
2640
แต่เป็นเรื่องที่ พวกเขาทำงานอยู่ด้วยกัน
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
สิ่งที่เราทำจะใช้แทนสิ่งที่เคยใช้ทีมงาน
15:55
of five or six people about seven years
317
943096
2002
ห้าหรือหกคน นานประมาณเจ็ดปี
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
แล้วเอาสิ่งที่ทำได้ใน 15 นาที มาแทน
15:59
for one person acting alone.
319
947703
2505
โดยมีคนหนึ่งคน ปฏิบัติงานคนเดียว
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
กระบวนการนี้ ใช้การวนซํ้าราว 4 - 5 ครั้ง
16:06
You can see we now have 62 percent
321
954158
1859
คุณเห็นได้ว่า ตอนนี้เราได้ 62% ของภาพ
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
1.5 ล้านภาพ แยกประเภทแล้วอย่างถูกต้อง
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
ณ. จุดนี้ เราเริ่มจะคว้ามาได้อย่างรวดเร็ว
16:13
grab whole big sections,
324
961448
1297
ที่เป็นส่วนใหญ่ๆทั้งหมด
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
ตรวจเช็คตลอด เพื่อให้แน่ใจว่าไม่มีอะไรผิด
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
หากมี เราก็ให้คอมพ์รู้ข้อผิดพลาดเหล่านั้น
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
การใช้กระบวนการนี้ ในแต่ละกลุ่มที่ต่างกัน
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
ปัจจุบันนี้ เรามีอัตราความสำเร็จ ถึง 80%
16:27
in classifying the 1.5 million images.
329
975148
2415
ในการแยกประเภทภาพ 1.5 ล้านภาพนั้น
16:29
And at this point, it's just a case
330
977563
2078
ณ. จุดนี้ เหลือแต่งานที่ต้องหา
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
ภาพจำนวนเล็กน้อย ที่ถูกแบ่งประเภทผิด
16:35
and trying to understand why.
332
983220
2888
และต้องพยายามเข้าใจว่า เป็นเพราะเหตุใด
16:38
And using that approach,
333
986108
1743
และการใช้วิธีดังกล่าวนั้น
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
เพียง 15 นาที เราก็ได้อัตราการแบ่งถึง 97%
ถูกต้อง
ถูกต้อง
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
เทคนิคแบบนี้ จะช่วยแก้ไขปัญหาสำคัญ
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
คือ การขาดผู้เชี่ยวชาญทางการแพทย์ในโลก
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
การประชุมเศรษฐกิจโลก บอกว่า มีการขาดแพทย์
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
อยู่ระหว่าง 10 และ 20 เท่า ในโลกกำลังพัฒนา
16:57
and it would take about 300 years
339
1005727
2113
และจะใช้เวลาราว 300 ปี
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
เพื่อฝึกคนให้ได้พอ ที่จะแก้ปัญหานั้น
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
คิดดู ถ้าเราช่วยเพิ่มประสิทธิภาพพวกเขาได้
17:05
using these deep learning approaches?
342
1013619
2839
โดยใช้วิธีการเรียนรู้ลึกเหล่านี้
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
ผมจึงตื่นเต้นมาก เกี่ยวกับโอกาสเหล่านี้
17:10
I'm also concerned about the problems.
344
1018690
2589
แต่ผมก็ยังห่วงใยในปัญหาที่จะตามมาด้วย
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
ปัญหาตรงนี้คือ ทุกบริเวณสีนํ้าเงินบนแผนที่
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
เป็นการจ้างงานแบบบริการถึง 80%
17:20
What are services?
347
1028172
1787
แล้วยอาชีพบริการคืออะไร
17:21
These are services.
348
1029959
1514
เหล่านี้คืองานบริการ เป็นสิ่งที่
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
ตรงเผงกับสิ่งที่คอมพ์เพิ่งจะเรียนรู้วิธีทำ
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
ดังนั้น 80% ของการจ้างงานในโลกที่พัฒนาแล้ว
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
จึงเป็นสิ่งที่คอมพ์ เพิ่งจะเรียนรู้วิธีทำ
17:33
What does that mean?
352
1041963
1440
อะไรจะเกิดขึ้น
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
ผลจะโอเค คือจะมีงานอื่น ๆ เกิดขึ้นมาแทน
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
จะมีงานสำหรับนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้น
17:40
Well, not really.
355
1048693
817
แต่...ก็ไม่เชิง
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
พวกเขาไม่ต้องใช้เวลานานนัก ทำงานเหล่านี้
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
เช่น วิธีคอมพ์ 4 วิธีนี้
สร้างได้โดยคนๆเดียว
สร้างได้โดยคนๆเดียว
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
แต่ถ้าคิดว่า ทั้งหมดก็เคยเกิดขึ้นมาก่อนนี่
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
เราได้เห็นผลจากอดีต เมื่อเกิดสิ่งใหม่ๆมา
17:54
and they get replaced by new jobs,
360
1062126
2252
คือเกิดงานใหม่ๆ มาแทนงานเก่า
17:56
what are these new jobs going to be?
361
1064378
2116
แล้วงานใหม่ๆเหล่านี้ จะเป็นงานอะไร
17:58
It's very hard for us to estimate this,
362
1066494
1871
มันยากมากที่เราจะประมาณการณ์เรื่องนี้ได้
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
เพราะการทำงานของคน โตได้ในอัตราทีละน้อยนี้
18:03
but we now have a system, deep learning,
364
1071104
2562
แต่ปัจจุบันเรามีระบบ คือการเรียนรู้ลึก
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
ซึ่งจริง ๆ สมรรถภาพโตได้อย่างมากและรวดเร็ว
18:08
And we're here.
366
1076893
1605
และตอนนี้เราอยู่ที่จุดนั้นแล้ว
18:10
So currently, we see the things around us
367
1078498
2061
ดังนั้น ปัจจุบัน เราจึงเห็นสิ่งรอบๆตัวเรา
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
และก็บอกว่า "คอมพ์ยังคงทึ่ม" ใช่มั๊ยครับ
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
แต่ในเวลา 5 ปี คอมพ์จะออกนอกแผนภูมินี้ไป
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
เราจึงจำเป็นต้องเริ่มคิดถึงสมรรถภาพ
ของคอมพ์ เสียแต่เดี๋ยวนี้
ของคอมพ์ เสียแต่เดี๋ยวนี้
18:22
We have seen this once before, of course.
371
1090529
2050
เราได้เห็นมาก่อนครั้งหนึ่งแล้ว
18:24
In the Industrial Revolution,
372
1092579
1387
ในการปฏิวัติอุตสาหกรรม
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
เห็นการเปลี่ยนไปขั้นหนึ่ง ในเรื่องสมรรถภาพ
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
เครื่องยนต์ แต่ไม่นานก็รักษาระดับได้
18:32
There was social disruption,
375
1100805
1702
ถึงมีการแตกแยกทางสังคม
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
แต่เมื่อใช้เครื่องยนต์เพื่อสร้างพลังงาน
18:37
things really settled down.
377
1105946
2354
ในทุกสถานการณ์ ความยุ่งยากก็สงบลง
18:40
The Machine Learning Revolution
378
1108300
1473
ส่วนการปฏิวัติเพราะการเรียนรู้ของเครื่อง
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
จะต่างไปจาก การปฏิวัติอุตสาหกรรมอย่างมาก
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
เพราะปฏิวัติการเรียนรู้ของเครื่อง จะไม่
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
ปักหลักกับที่ ยิ่งคอมพ์ทำงานชาญฉลาดขึ้น
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
มันก็ยิ่งสร้างคอมพ์ที่สมรรภภาพฉลาดยิ่งขึ้น
18:54
so this is going to be a kind of change
383
1122862
1908
เรื่องนี้ จึงจะเป็นการเปลี่ยนแปลงชนิดที่
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
แท้จริงแล้ว โลกไม่เคยประสบมาก่อน ดังนั้น
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
ความเข้าใจก่อนๆในเรื่องที่เป็นไปได้
จึงต่างไป
จึงต่างไป
19:02
This is already impacting us.
386
1130974
1780
เรื่องนี้กำลังส่งผลกระทบกับเราแล้ว
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
25 ปีที่ผ่านมา ขณะที่ประสิทธิภาพการลงทุน
ได้เพิ่มขึ้น
ได้เพิ่มขึ้น
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
ประสิทธิภาพทางแรงงานกลับราบเรียบ
กระทั่งตํ่าลงเล็กน้อย
กระทั่งตํ่าลงเล็กน้อย
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
ผมจึงอยากให้เรา มาเริ่มอภิปรายเรื่องนี้กัน
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
ผมรู้ เมื่อผมบอกคนบ่อยๆ เรื่องสถานการณ์นี้
19:19
people can be quite dismissive.
391
1147176
1490
ผู้คนก็จะไม่ค่อยยอมรับฟัง
19:20
Well, computers can't really think,
392
1148666
1673
จริงอยู่ คอมพ์คิดไม่เป็น
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
คอมพ์ไม่แสดงอารมณ์ มันไม่เข้าใจกวีนิพนธ์
19:25
we don't really understand how they work.
394
1153367
2521
จริงๆแล้ว เราไม่เข้าใจว่า มันทำงานอย่างไร
19:27
So what?
395
1155888
1486
แล้วยังไงครับ?
19:29
Computers right now can do the things
396
1157374
1804
คอมพ์ปัจจุบันนี้ สามารถทำสิ่งที่
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
มีการจ้างมนุษย์ให้ใช้เวลาส่วนมากทำ
19:33
so now's the time to start thinking
398
1161897
1731
ขณะนี้ จึงถึงเวลาแล้ว ที่จะเริ่มคิด
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
วิธีที่เราจะปรับโครงสร้างสังคมและเศรษฐกิจ
19:40
to be aware of this new reality.
400
1168015
1840
โดยคำนึงถึง ความเป็นจริงใหม่นี้
19:41
Thank you.
401
1169855
1533
ขอบคุณครับ
19:43
(Applause)
402
1171388
802
(เสียงปรบมือ)
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