TED2007
Blaise Agüera y Arcas: How PhotoSynth can connect the world's images
Μπλεζ Αγκουέρα ι Αρκάς: Πώς το Photosynth μπορεί να συνδέσει τις εικόνες του κόσμου
Filmed:
Readability: 4.3
5,831,957 views
Ο Μπλεζ Αγκουέρα ι Αρκάς κάνει μια εντυπωσιακή παρουσίαση του Photosynth, ενός προγράμματος που μπόρει να αλλάξει τον τρόπο με τον οποίο βλέπουμε ψηφιακές είκονες. Χρησιμοποιόντας εικόνες από το διαδύκτιο, το Photosynth δημιουργεί μαγευτικά τοπία και μας επιτρέπει να τα εξερευνήσουμε.
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
Πρώτα θα σας δείξω στα γρήγορα
00:27
is some foundational work, some new technology
1
2000
4000
κάποια θεμελιώδη δουλειά,
μια καινούρια τεχνολογία
μια καινούρια τεχνολογία
00:31
that we brought to Microsoft as part of an acquisition
2
6000
3000
την οποία φέραμε στη Microsoft
ως μέρος μιας εξαγοράς
ως μέρος μιας εξαγοράς
00:34
almost exactly a year ago. This is Seadragon,
3
9000
3000
πριν από ένα χρόνο περίπου.
Είναι το Seadragon.
Είναι το Seadragon.
00:37
and it's an environment in which you can either locally or remotely
4
12000
3000
Είναι ένα περιβάλλον όπου μπορείτε,
είτε τοπικά είτε απομακρυσμένα
είτε τοπικά είτε απομακρυσμένα
00:40
interact with vast amounts of visual data.
5
15000
3000
να επεξεργαστείτε μεγάλες
ποσότητες εικαστικών δεδομένων.
ποσότητες εικαστικών δεδομένων.
00:43
We're looking at many, many gigabytes of digital photos here
6
18000
3000
Εδώ βλέπουμε ψηφιακές εικόνες
που πιάνουν πάρα πολλά gigabytes
που πιάνουν πάρα πολλά gigabytes
00:46
and kind of seamlessly and continuously zooming in,
7
21000
3000
και μπορούμε να τις μεγεθύνουμε συνεχόμενα
00:50
panning through the thing, rearranging it in any way we want.
8
25000
2000
να αλλάζουμε όψη
και να τις αναδιοργανώσουμε όπως θέλουμε.
και να τις αναδιοργανώσουμε όπως θέλουμε.
00:52
And it doesn't matter how much information we're looking at,
9
27000
4000
Και δεν έχει σημασία η ποσότητα
των δεδομένων που επεξεργαζόμαστε,
των δεδομένων που επεξεργαζόμαστε,
00:56
how big these collections are or how big the images are.
10
31000
3000
πόσο μεγάλες είναι
οι συλλογές ή οι εικόνες.
οι συλλογές ή οι εικόνες.
00:59
Most of them are ordinary digital camera photos,
11
34000
2000
Οι περισσότερες προήλθαν από συνηθισμένες
ψηφιακές φωτογραφικές μηχανές,
ψηφιακές φωτογραφικές μηχανές,
01:01
but this one, for example, is a scan from the Library of Congress,
12
36000
3000
αλλά αυτή, για παράδειγμα,
είναι από τη βιβλιοθήκη του Κονγκρέσου,
είναι από τη βιβλιοθήκη του Κονγκρέσου,
01:05
and it's in the 300 megapixel range.
13
40000
2000
και είναι γύρω στα 300 megapixels.
01:08
It doesn't make any difference
14
43000
1000
Δεν έχει καμία διαφορά
01:09
because the only thing that ought to limit the performance
15
44000
3000
γιατί το μόνο πράγμα που
θα 'πρεπε να περιορίζει την επίδοση
θα 'πρεπε να περιορίζει την επίδοση
01:12
of a system like this one is the number of pixels on your screen
16
47000
3000
ενός συστήματος σαν και αυτού
είναι ο αριθμός των pixels της οθόνης σας
είναι ο αριθμός των pixels της οθόνης σας
01:15
at any given moment. It's also very flexible architecture.
17
50000
3000
σε οποιαδήποτε στιγμή.
Επίσης είναι πολύ ευέλικτο σύστημα.
Επίσης είναι πολύ ευέλικτο σύστημα.
01:18
This is an entire book, so this is an example of non-image data.
18
53000
3000
Εδώ είναι ένα ολόκληρο βιβλίο,
ένα παράδειγμα μη-εικονικών δεδομένων.
ένα παράδειγμα μη-εικονικών δεδομένων.
01:22
This is "Bleak House" by Dickens. Every column is a chapter.
19
57000
5000
Αυτό είναι το «Έρημο Σπίτι» του Ντίκενς.
Κάθε στήλη δείχνει ένα κεφάλαιο.
Κάθε στήλη δείχνει ένα κεφάλαιο.
01:27
To prove to you that it's really text, and not an image,
20
62000
4000
Για να σας αποδείξω ότι
είναι πραγματικά κείμενο και όχι εικόνα,
είναι πραγματικά κείμενο και όχι εικόνα,
01:31
we can do something like so, to really show
21
66000
2000
μπορούμε να κάνουμε κάτι τέτοιο,
για να σας πείσω
για να σας πείσω
01:33
that this is a real representation of the text; it's not a picture.
22
68000
3000
ότι εδώ έχουμε πραγματικά
το κείμενο, και όχι μια εικόνα.
το κείμενο, και όχι μια εικόνα.
01:37
Maybe this is a kind of an artificial way to read an e-book.
23
72000
2000
Ίσως να μην είναι ο καλύτερος τρόπος
να διαβάσει κανείς ένα ηλεκτρονικό βιβλίο.
να διαβάσει κανείς ένα ηλεκτρονικό βιβλίο.
01:39
I wouldn't recommend it.
24
74000
1000
Δεν θα το συνιστούσα.
01:40
This is a more realistic case. This is an issue of The Guardian.
25
75000
3000
Εδώ έχουμε ένα πιο ρεαλιστικό παράδειγμα.
Ένα τεύχος της εφημερίδας «The Guardian».
Ένα τεύχος της εφημερίδας «The Guardian».
01:43
Every large image is the beginning of a section.
26
78000
2000
Κάθε μεγάλη εικόνα
είναι η αρχή ενός τμήματος.
είναι η αρχή ενός τμήματος.
01:45
And this really gives you the joy and the good experience
27
80000
3000
Και έτσι πραγματικά
σου δίνει τη χαρά και την εμπειρία
σου δίνει τη χαρά και την εμπειρία
01:48
of reading the real paper version of a magazine or a newspaper,
28
83000
5000
του να διαβάζεις την κανονική έκδοση
ενός περιοδικού ή μιας εφημερίδας,
ενός περιοδικού ή μιας εφημερίδας,
01:54
which is an inherently multi-scale kind of medium.
29
89000
1000
τα οποία περιέχουν πληροφορίες
σε διάφορες κλίμακες.
σε διάφορες κλίμακες.
01:56
We've also done a little something
30
91000
1000
Επίσης έχουμε κάνει κάτι
01:57
with the corner of this particular issue of The Guardian.
31
92000
3000
στη γωνία αυτού του συγκεκριμένου
τεύχους της εφημερίδας «Guardian».
τεύχους της εφημερίδας «Guardian».
02:00
We've made up a fake ad that's very high resolution --
32
95000
3000
Φτιάξαμε μια ψεύτικη διαφήμιση
πολύ υψηλής ανάλυσης --
πολύ υψηλής ανάλυσης --
02:03
much higher than you'd be able to get in an ordinary ad --
33
98000
2000
πολύ υψηλότερης απ' ότι θα βρίσκαμε
σε μια κανονική διαφήμιση --
σε μια κανονική διαφήμιση --
02:05
and we've embedded extra content.
34
100000
2000
και έχουμε προσθέσει επιπλέον υλικό.
02:07
If you want to see the features of this car, you can see it here.
35
102000
2000
Αν θέλετε να δείτε τα χαρακτηριστικά αυτού
του αυτοκινήτου, μπορείτε να τα δείτε εδώ.
του αυτοκινήτου, μπορείτε να τα δείτε εδώ.
02:10
Or other models, or even technical specifications.
36
105000
4000
Ή άλλα μοντέλα, ακόμα
και τεχνικά χαρακτηριστικά.
και τεχνικά χαρακτηριστικά.
02:15
And this really gets at some of these ideas
37
110000
2000
Και αυτό πραγματικά εξυπηρετεί
κάποιες από αυτές τις ιδέες
κάποιες από αυτές τις ιδέες
02:18
about really doing away with those limits on screen real estate.
38
113000
4000
στο να ξεπεραστούν οι περιορισμοί
του μεγέθους της οθόνης.
του μεγέθους της οθόνης.
02:22
We hope that this means no more pop-ups
39
117000
2000
Ευχόμαστε ότι αυτό σημαίνει
πως δεν θα υπάρχουν πια 'pop-ups'
πως δεν θα υπάρχουν πια 'pop-ups'
02:24
and other kind of rubbish like that -- shouldn't be necessary.
40
119000
2000
ούτε άλλα τέτοια πράγματα
-- δεν θα χρειάζεται.
-- δεν θα χρειάζεται.
02:27
Of course, mapping is one of those really obvious applications
41
122000
2000
Βέβαια, η χαρτογράφηση
είναι μια προφανής εφαρμογή
είναι μια προφανής εφαρμογή
02:29
for a technology like this.
42
124000
2000
για μια τέτοια τεχνολογία.
02:31
And this one I really won't spend any time on,
43
126000
2000
Δεν θα διαθέσω πολύ χρόνο
σ' αυτό το παράδειγμα,
σ' αυτό το παράδειγμα,
02:33
except to say that we have things to contribute to this field as well.
44
128000
2000
παρά μόνο να πω ότι μπορούμε
να συμβάλλουμε και σε αυτόν τον τομέα.
να συμβάλλουμε και σε αυτόν τον τομέα.
02:37
But those are all the roads in the U.S.
45
132000
2000
Αυτοί είναι όλοι οι δρόμοι των Η.Π.Α.
02:39
superimposed on top of a NASA geospatial image.
46
134000
4000
πάνω σε μια γεωχωρική εικόνα της NASA.
02:44
So let's pull up, now, something else.
47
139000
2000
Ας δούμε κάτι άλλο τώρα.
02:46
This is actually live on the Web now; you can go check it out.
48
141000
3000
Αυτό υπάρχει τώρα στο δίκτυο,
μπορείτε να πάτε να το δείτε.
μπορείτε να πάτε να το δείτε.
02:49
This is a project called Photosynth,
49
144000
1000
Είναι ένα πρόγραμμα
που λέγεται Photosynth,
που λέγεται Photosynth,
02:51
which really marries two different technologies.
50
146000
1000
και παντρεύει
δύο διαφορετικές τεχνολογίες.
δύο διαφορετικές τεχνολογίες.
02:52
One of them is Seadragon
51
147000
1000
Η μία είναι το Seadragon
02:54
and the other is some very beautiful computer vision research
52
149000
2000
και η άλλη είναι μια έρευνα
στον τομέα της όρασης υπολογιστών
στον τομέα της όρασης υπολογιστών
02:57
done by Noah Snavely, a graduate student at the University of Washington,
53
152000
2000
που διεξήχθη από τον Νόα Σνέιβλι,
απόφοιτο του πανεπιστημίου της Ουάσινγκτον,
απόφοιτο του πανεπιστημίου της Ουάσινγκτον,
03:00
co-advised by Steve Seitz at U.W.
54
155000
2000
υπό την καθοδήγηση του Στιβ Σάιτς,
03:02
and Rick Szeliski at Microsoft Research. A very nice collaboration.
55
157000
4000
και του Ρικ Ζελίσκι στη Microsoft
Research. Μια πολύ ωραία συνεργασία.
Research. Μια πολύ ωραία συνεργασία.
03:07
And so this is live on the Web. It's powered by Seadragon.
56
162000
2000
Αυτό υπάρχει ζωντανά στο διαδίκτυο.
Δουλεύει με το Seadragon.
Δουλεύει με το Seadragon.
03:09
You can see that when we kind of do these sorts of views,
57
164000
2000
Βλέπετε όταν το κοιτάμε
από τέτοιες προοπτικές
από τέτοιες προοπτικές
03:12
where we can dive through images
58
167000
1000
μπορούμε να βουτάμε μέσα από τις εικόνες
03:14
and have this kind of multi-resolution experience.
59
169000
1000
και να έχουμε μια πολυδιάστατη εμπειρία.
03:16
But the spatial arrangement of the images here is actually meaningful.
60
171000
4000
Αλλά η χωρική διάταξη των εικόνων
εδώ είναι σημαντική.
εδώ είναι σημαντική.
03:20
The computer vision algorithms have registered these images together
61
175000
3000
Οι αλγόριθμοι έχουν ευθυγραμμίσει
τις εικόνες,
τις εικόνες,
03:23
so that they correspond to the real space in which these shots --
62
178000
4000
ώστε να αντιστοιχούν στον πραγματικό χώρο
απ' όπου τραβήχτηκαν
απ' όπου τραβήχτηκαν
03:27
all taken near Grassi Lakes in the Canadian Rockies --
63
182000
2000
αυτές οι εικόνες -- όλες κοντά
στις λίμνες Γκράσι στα Καναδικά Όρη.
στις λίμνες Γκράσι στα Καναδικά Όρη.
03:31
all these shots were taken. So you see elements here
64
186000
2000
Έτσι βλέπετε στοιχεία εδώ
03:33
of stabilized slide-show or panoramic imaging,
65
188000
4000
ενός σταθεροποιημένου slide-show
ή πανοραμικής απεικόνισης,
ή πανοραμικής απεικόνισης,
03:40
and these things have all been related spatially.
66
195000
2000
και όλα αυτά έχουν συσχετιστεί χωρικά.
03:42
I'm not sure if I have time to show you any other environments.
67
197000
3000
Δεν ξέρω αν έχω χρόνο
να σας δείξω κάποια ακόμη περιβάλλοντα.
να σας δείξω κάποια ακόμη περιβάλλοντα.
03:45
There are some that are much more spatial.
68
200000
1000
Είναι κάποια τα οποία είναι
πολύ πιο ανοιχτά σε χώρο.
πολύ πιο ανοιχτά σε χώρο.
03:47
I would like to jump straight to one of Noah's original data-sets --
69
202000
3000
Θα ήθελα να πάω κατευθείαν σε ένα
από τα πρωτότυπα σετ δεδομένων του Νόα--
από τα πρωτότυπα σετ δεδομένων του Νόα--
03:50
and this is from an early prototype of Photosynth
70
205000
2000
και αυτό είναι ένα αρχικό
πρωτότυπο του Photosynth
πρωτότυπο του Photosynth
03:52
that we first got working in the summer --
71
207000
2000
το οποίο ξεκινήσαμε
να δουλεύουμε το καλοκαίρι --
να δουλεύουμε το καλοκαίρι --
03:54
to show you what I think
72
209000
1000
για να σας δείξω τι πιστεύω
03:55
is really the punch line behind this technology,
73
210000
3000
πως είναι στ' αλήθεια το κλειδί
πίσω από αυτήν την τεχνολογία,
πίσω από αυτήν την τεχνολογία,
03:59
the Photosynth technology. And it's not necessarily so apparent
74
214000
2000
την τεχνολογία του Photosynth.
Δεν είναι απαραίτητα τόσο ξεκάθαρο
Δεν είναι απαραίτητα τόσο ξεκάθαρο
04:01
from looking at the environments that we've put up on the website.
75
216000
3000
βλέποντας τα περιβάλλοντα
που έχουμε βάλει στην ιστοσελίδα.
που έχουμε βάλει στην ιστοσελίδα.
04:04
We had to worry about the lawyers and so on.
76
219000
2000
Έπρεπε να προσέχουμε
για νομικά ζητήματα κλπ.
για νομικά ζητήματα κλπ.
04:07
This is a reconstruction of Notre Dame Cathedral
77
222000
1000
Αυτό είναι μια ανακατασκευή
του καθεδρικού της Νοτρ Νταμ
του καθεδρικού της Νοτρ Νταμ
04:09
that was done entirely computationally
78
224000
2000
η οποία έγινε εξολοκλήρου υπολογιστικά
04:11
from images scraped from Flickr. You just type Notre Dame into Flickr,
79
226000
3000
από εικόνες του Flickr.
Απλά γράφετε Notre Dame στο Flickr,
Απλά γράφετε Notre Dame στο Flickr,
04:14
and you get some pictures of guys in t-shirts, and of the campus
80
229000
3000
και παίρνετε εικόνες από τύπους με
μπλουζάκια, και από τον περιβάλλοντα χώρο
μπλουζάκια, και από τον περιβάλλοντα χώρο
04:17
and so on. And each of these orange cones represents an image
81
232000
4000
κλπ. Και κάθε ένας από αυτούς
τους πορτοκαλί κώνους, αντιπροσωπεύει
τους πορτοκαλί κώνους, αντιπροσωπεύει
04:22
that was discovered to belong to this model.
82
237000
2000
μια εικόνα που βρέθηκε
να ανήκει σε αυτό το μοντέλο.
να ανήκει σε αυτό το μοντέλο.
04:26
And so these are all Flickr images,
83
241000
2000
Και έτσι, αυτές είναι όλες
εικόνες από το Flickr,
εικόνες από το Flickr,
04:28
and they've all been related spatially in this way.
84
243000
3000
και όλες έχουν συσχετιστεί
χωρικά με αυτόν τον τρόπο.
χωρικά με αυτόν τον τρόπο.
04:31
And we can just navigate in this very simple way.
85
246000
2000
Και εμείς μπορούμε απλώς
να περιηγηθούμε σε αυτό.
να περιηγηθούμε σε αυτό.
04:35
(Applause)
86
250000
9000
(Χειροκρότημα)
04:44
You know, I never thought that I'd end up working at Microsoft.
87
259000
2000
Ξέρετε, ποτέ δεν πίστευα
πως θα κατέληγα να δουλεύω στη Microsoft.
πως θα κατέληγα να δουλεύω στη Microsoft.
04:46
It's very gratifying to have this kind of reception here.
88
261000
4000
Είναι πολύ ενθαρρυντικό
να έχεις τέτοια αποδοχή εδώ.
να έχεις τέτοια αποδοχή εδώ.
04:50
(Laughter)
89
265000
3000
(Γέλια)
04:53
I guess you can see
90
268000
3000
Φαντάζομαι μπορείτε να δείτε
04:56
this is lots of different types of cameras:
91
271000
2000
πως έχουμε πολλούς διαφορετικούς
τύπους μηχανών:
τύπους μηχανών:
04:58
it's everything from cell phone cameras to professional SLRs,
92
273000
3000
τα πάντα από κινητά τηλέφωνα
μέχρι επαγγελματικές μηχανές,
μέχρι επαγγελματικές μηχανές,
05:02
quite a large number of them, stitched
93
277000
1000
ένα μεγάλο αριθμό από αυτές, «ραμμένες»
05:03
together in this environment.
94
278000
1000
μεταξύ τους σε αυτό το περιβάλλον.
05:04
And if I can, I'll find some of the sort of weird ones.
95
279000
2000
Αν μπορέσω,
θα βρω κάποιες από τις πιο περίεργες.
θα βρω κάποιες από τις πιο περίεργες.
05:08
So many of them are occluded by faces, and so on.
96
283000
3000
Πολλές από αυτές παρεμποδίζονται
από πρόσωπα κλπ.
από πρόσωπα κλπ.
05:13
Somewhere in here there are actually
97
288000
1000
Κάπου εδώ είναι μια σειρά
05:15
a series of photographs -- here we go.
98
290000
1000
φωτογραφιών -- εδώ είμαστε.
05:17
This is actually a poster of Notre Dame that registered correctly.
99
292000
3000
Αυτό είναι ένα πόστερ της Νοτρ Νταμ
το οποίο αναγνωρίστηκε επιτυχώς.
το οποίο αναγνωρίστηκε επιτυχώς.
05:21
We can dive in from the poster
100
296000
2000
Μπορούμε να βουτήξουμε από το πόστερ
05:24
to a physical view of this environment.
101
299000
3000
σε μια φυσική όψη του περιβάλλοντος.
05:31
What the point here really is is that we can do things
102
306000
3000
Το νόημα είναι εδώ,
πως μπορούμε να κάνουμε πράγματα
πως μπορούμε να κάνουμε πράγματα
05:34
with the social environment. This is now taking data from everybody --
103
309000
5000
με το κοινωνικό περιβάλλον.
Παίρνοντας δεδομένα από τον καθένα --
Παίρνοντας δεδομένα από τον καθένα --
05:39
from the entire collective memory
104
314000
1000
από όλη τη συλλογική μνήμη
05:40
of, visually, of what the Earth looks like --
105
315000
2000
του πως, οπτικά, μοιάζει η Γη --
05:43
and link all of that together.
106
318000
1000
και συσχετίζοντάς τα μεταξύ τους.
05:44
All of those photos become linked together,
107
319000
2000
Όλες αυτές οι φωτογραφίες
συσχετίστηκαν μεταξύ τους,
συσχετίστηκαν μεταξύ τους,
05:46
and they make something emergent
108
321000
1000
και φτιάξαν κάτι καινούριο
05:47
that's greater than the sum of the parts.
109
322000
2000
το οποίο είναι μεγαλύτερο
από το άθροισμα των στοιχείων του.
από το άθροισμα των στοιχείων του.
05:49
You have a model that emerges of the entire Earth.
110
324000
2000
Έχεις ένα μοντέλο
που αναδύεται από ολόκληρη τη Γη.
που αναδύεται από ολόκληρη τη Γη.
05:51
Think of this as the long tail to Stephen Lawler's Virtual Earth work.
111
326000
5000
Σκεφτείτε το σαν μια μακρινή εκδοχή
του Virtual Earth του Στιβεν Λόουλερ.
του Virtual Earth του Στιβεν Λόουλερ.
05:56
And this is something that grows in complexity
112
331000
2000
Και αυτό είναι κάτι το οποίο
μεγαλώνει σε πολυπλοκότητα
μεγαλώνει σε πολυπλοκότητα
05:58
as people use it, and whose benefits become greater
113
333000
3000
όσο ο κόσμος το χρησιμοποιεί, και του
οποίου τα ευεργετήματα προς τους χρήστες
οποίου τα ευεργετήματα προς τους χρήστες
06:01
to the users as they use it.
114
336000
2000
μεγαλώνουν καθώς το χρησιμοποιούνε.
06:03
Their own photos are getting tagged with meta-data
115
338000
2000
Οι δικές τους φωτογραφίες
συμπληρώνονται με λέξεις κλειδιά
συμπληρώνονται με λέξεις κλειδιά
06:05
that somebody else entered.
116
340000
1000
που κάποιος άλλος έχει εισάγει.
06:07
If somebody bothered to tag all of these saints
117
342000
3000
Αν κάποιος μπει στον κόπο
να ονοματίσει όλους αυτούς του Αγίους
να ονοματίσει όλους αυτούς του Αγίους
06:10
and say who they all are, then my photo of Notre Dame Cathedral
118
345000
3000
τότε ξαφνικά η φωτογραφία μου
της Νοτρ Νταμ
της Νοτρ Νταμ
06:13
suddenly gets enriched with all of that data,
119
348000
2000
εμπλουτίζεται με όλα αυτά τα δεδομένα,
06:15
and I can use it as an entry point to dive into that space,
120
350000
3000
και μπορώ να τη χρησιμοποιήσω
σαν σημείο εισόδου προς αυτόν το χώρο,
σαν σημείο εισόδου προς αυτόν το χώρο,
06:18
into that meta-verse, using everybody else's photos,
121
353000
2000
σε αυτό το σύμπαν από λέξεις κλειδιά,
χρησιμοποιώντας τις φωτογραφίες των άλλων,
χρησιμοποιώντας τις φωτογραφίες των άλλων,
06:21
and do a kind of a cross-modal
122
356000
2000
και να έχω μια ποικιλότροπη
06:25
and cross-user social experience that way.
123
360000
3000
και πολυχρηστική εμπειρία
με αυτόν τον τρόπο.
με αυτόν τον τρόπο.
06:28
And of course, a by-product of all of that
124
363000
1000
Και φυσικά, ένα υποπροϊόν όλων αυτών
06:30
is immensely rich virtual models
125
365000
2000
είναι τα πάρα πολύ
πλούσια εικονικά μοντέλα
πλούσια εικονικά μοντέλα
06:32
of every interesting part of the Earth, collected
126
367000
2000
από κάθε ενδιαφέρον σημείο
του πλανήτη, συγκεντρωμένα
του πλανήτη, συγκεντρωμένα
06:35
not just from overhead flights and from satellite images
127
370000
3000
όχι μόνο από εναέριες
και δορυφορικές φωτογραφίες
και δορυφορικές φωτογραφίες
06:38
and so on, but from the collective memory.
128
373000
2000
και τα λοιπά, αλλά από τη συλλογική μνήμη.
06:40
Thank you so much.
129
375000
2000
Σας ευχαριστώ πολύ.
06:42
(Applause)
130
377000
11000
(Χειροκρότημα)
06:53
Chris Anderson: Do I understand this right? That what your software is going to allow,
131
388000
4000
Κρις Άντερσον: Το αντιλαμβάνομαι σωστά;
Ότι το πρόγραμμά θα επιτρέψει
Ότι το πρόγραμμά θα επιτρέψει
06:58
is that at some point, really within the next few years,
132
393000
2000
έως ενός σημείου, μέσα σε λίγα χρόνια,
07:01
all the pictures that are shared by anyone across the world
133
396000
4000
όλες οι φωτογραφίες που μοιράζονται
από τον καθένα στον κόσμο
από τον καθένα στον κόσμο
07:05
are going to basically link together?
134
400000
2000
θα συσχετιστούν βασικά μεταξύ τους;
07:07
BAA: Yes. What this is really doing is discovering.
135
402000
2000
ΜΑΑ: Ναι. Αυτό που κάνει είναι να ανακαλύπτει.
07:09
It's creating hyperlinks, if you will, between images.
136
404000
3000
Να δημιουργεί συνδέσμους,
αν προτιμάς, μεταξύ εικόνων.
αν προτιμάς, μεταξύ εικόνων.
07:12
And it's doing that
137
407000
1000
Και το κάνει
07:13
based on the content inside the images.
138
408000
1000
βασιζόμενο στο περιεχόμενο των εικόνων.
07:14
And that gets really exciting when you think about the richness
139
409000
3000
Και γίνεται πραγματικά συναρπαστικό
όταν σκεφτείς τον πλούτο
όταν σκεφτείς τον πλούτο
07:17
of the semantic information that a lot of those images have.
140
412000
2000
της σημασιολογικής πληροφορίας
που έχουν πολλές από αυτές τις εικόνες.
που έχουν πολλές από αυτές τις εικόνες.
07:19
Like when you do a web search for images,
141
414000
2000
Όπως όταν κάνεις
μια αναζήτηση στον ιστό για εικόνες,
μια αναζήτηση στον ιστό για εικόνες,
07:22
you type in phrases, and the text on the web page
142
417000
2000
γράφεις κάποιες φράσεις
και το κείμενο στην ιστοσελίδα
και το κείμενο στην ιστοσελίδα
07:24
is carrying a lot of information about what that picture is of.
143
419000
3000
κουβαλάει πολλές πληροφορίες
για το τι περιέχει αυτή η εικόνα.
για το τι περιέχει αυτή η εικόνα.
07:27
Now, what if that picture links to all of your pictures?
144
422000
2000
Τώρα, τι γίνεται αν η εικόνα
συνδέεται με όλες τις εικόνες σας;
συνδέεται με όλες τις εικόνες σας;
07:29
Then the amount of semantic interconnection
145
424000
2000
Τότε η ποσότητα
των σημασιολογικών διασυνδέσεων
των σημασιολογικών διασυνδέσεων
07:31
and the amount of richness that comes out of that
146
426000
1000
και ο όγκος του πλούτου
που πηγάζει από όλο αυτό
που πηγάζει από όλο αυτό
07:32
is really huge. It's a classic network effect.
147
427000
3000
είναι πραγματικά τεράστιος.
Είναι ένα κλασικό φαινόμενο δικτύου.
Είναι ένα κλασικό φαινόμενο δικτύου.
07:35
CA: Blaise, that is truly incredible. Congratulations.
148
430000
2000
ΚΑ: Μπλεζ, αυτό είναι πραγματικά απίθανο.
Συγχαρητήρια.
Συγχαρητήρια.
07:37
BAA: Thanks so much.
149
432000
1000
ΜΑΑ: Ευχαριστώ πάρα πολύ.
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