TED2015
Fei-Fei Li: How we're teaching computers to understand pictures
Φέι-Φέι Λι: Πώς μαθαίνουμε στους υπολογιστές να καταλαβαίνουν εικόνες
Filmed:
Readability: 4.5
2,702,344 views
Όταν ένα πολύ μικρό παιδί κοιτάζει μια εικόνα, μπορεί να αναγνωρίσει απλά αντικείμενα: «γάτα», «βιβλίο», «καρέκλα». Τώρα, οι υπολογιστές γίνονται αρκετά ευφυείς ώστε να κάνουν το ίδιο. Τι έπεται; Σε αυτή τη συναρπαστική ομιλία, η ειδικός στον τομέα της υπολογιστικής όρασης Φέι-Φέι Λι, περιγράφει την «τελευταία λέξη» της τεχνολογίας -- συμπεριλαμβανομένης της βάσης δεδομένων 15 εκατομμυρίων φωτογραφιών που δημιούργησε η ομάδα της για να διδάξουν τους υπολογιστές να καταλαβαίνουν εικόνες -- και το όραμα για το μέλλον.
Fei-Fei Li - Computer scientist
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio
As Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing. Full bio
Double-click the English transcript below to play the video.
00:14
Let me show you something.
0
2366
3738
Θέλω να σας δείξω κάτι.
00:18
(Video) Girl: Okay, that's a cat
sitting in a bed.
sitting in a bed.
1
6104
4156
(Βίντεο) Κορίτσι:
ΟΚ, μια γάτα που κάθεται στο κρεβάτι.
ΟΚ, μια γάτα που κάθεται στο κρεβάτι.
00:22
The boy is petting the elephant.
2
10260
4040
Το αγόρι χαϊδεύει τον ελέφαντα.
00:26
Those are people
that are going on an airplane.
that are going on an airplane.
3
14300
4354
Οι άνθρωποι ανεβαίνουν στο αεροπλάνο.
00:30
That's a big airplane.
4
18654
2810
Είναι ένα μεγάλο αεροπλάνο.
00:33
Fei-Fei Li: This is
a three-year-old child
a three-year-old child
5
21464
2206
Φέι Φέι Λι:
Αυτό είναι ένα τρίχρονο κορίτσι
Αυτό είναι ένα τρίχρονο κορίτσι
00:35
describing what she sees
in a series of photos.
in a series of photos.
6
23670
3679
που περιγράφει τι βλέπει σε μια σειρά
από φωτογραφίες.
από φωτογραφίες.
00:39
She might still have a lot
to learn about this world,
to learn about this world,
7
27349
2845
Μπορεί να έχει να μάθει
πολλά ακόμα για τον κόσμο,
πολλά ακόμα για τον κόσμο,
00:42
but she's already an expert
at one very important task:
at one very important task:
8
30194
4549
αλλά είναι ήδη ειδική
σε μια πολύ σημαντική εργασία:
σε μια πολύ σημαντική εργασία:
00:46
to make sense of what she sees.
9
34743
2846
να καταλαβαίνει τι βλέπει.
Η κοινωνία μας τεχνολογικά
είναι πιο προηγμένη από ποτέ.
είναι πιο προηγμένη από ποτέ.
00:50
Our society is more
technologically advanced than ever.
technologically advanced than ever.
10
38229
4226
00:54
We send people to the moon,
we make phones that talk to us
we make phones that talk to us
11
42455
3629
Στέλνουμε ανθρώπους στο φεγγάρι,
έχουμε τηλέφωνα που μας μιλάνε
έχουμε τηλέφωνα που μας μιλάνε
00:58
or customize radio stations
that can play only music we like.
that can play only music we like.
12
46084
4946
ή ρυθμίζουμε ραδιοφωνικούς σταθμούς
να παίζουν μόνο τη μουσική που μας αρέσει.
να παίζουν μόνο τη μουσική που μας αρέσει.
01:03
Yet, our most advanced
machines and computers
machines and computers
13
51030
4055
Κι όμως, οι πιο προηγμένες μηχανές
και υπολογιστές μας
και υπολογιστές μας
01:07
still struggle at this task.
14
55085
2903
δυσκολεύονται ακόμα σε αυτή την εργασία.
01:09
So I'm here today
to give you a progress report
to give you a progress report
15
57988
3459
Έτσι λοιπόν, είμαι εδώ σήμερα
για να σας δώσω μια αναφορά προόδου
για να σας δώσω μια αναφορά προόδου
01:13
on the latest advances
in our research in computer vision,
in our research in computer vision,
16
61447
4047
σχετικά με τις πρόσφατες εξελίξεις
στον τομέα της μηχανικής όρασης,
στον τομέα της μηχανικής όρασης,
01:17
one of the most frontier
and potentially revolutionary
and potentially revolutionary
17
65494
4161
μια από τις πιο σημαντικές
και πιθανότατα επαναστατικές
και πιθανότατα επαναστατικές
01:21
technologies in computer science.
18
69655
3206
τεχνολογίες της πληροφορικής.
01:24
Yes, we have prototyped cars
that can drive by themselves,
that can drive by themselves,
19
72861
4551
Ναι, έχουμε πρωτότυπα αυτοκίνητα
που οδηγούν αυτόνομα,
που οδηγούν αυτόνομα,
01:29
but without smart vision,
they cannot really tell the difference
they cannot really tell the difference
20
77412
3853
αλλά χωρίς «έξυπνη» όραση
δεν μπορούν να καταλάβουν τη διαφορά
δεν μπορούν να καταλάβουν τη διαφορά
01:33
between a crumpled paper bag
on the road, which can be run over,
on the road, which can be run over,
21
81265
3970
μεταξύ μιας τσαλακωμένης σακούλας
στο δρόμο, που μπορούν να «πατήσουν»,
στο δρόμο, που μπορούν να «πατήσουν»,
01:37
and a rock that size,
which should be avoided.
which should be avoided.
22
85235
3340
και μιας πέτρας με το ίδιο μέγεθος,
που πρέπει να αποφύγουν.
που πρέπει να αποφύγουν.
01:41
We have made fabulous megapixel cameras,
23
89415
3390
Έχουμε εκπληκτικές κάμερες
με ανάλυση μεγαπίξελ,
με ανάλυση μεγαπίξελ,
01:44
but we have not delivered
sight to the blind.
sight to the blind.
24
92805
3135
αλλά δεν έχουμε δώσει όραση στους τυφλούς.
Τηλεκατευθυνόμενα αεροσκάφη μπορούν
να πετάξουν πάνω από τεράστια εδάφη
να πετάξουν πάνω από τεράστια εδάφη
01:48
Drones can fly over massive land,
25
96420
3305
01:51
but don't have enough vision technology
26
99725
2134
αλλά δεν έχουν αρκετή τεχνολογία όρασης
01:53
to help us to track
the changes of the rainforests.
the changes of the rainforests.
27
101859
3461
για να μας βοηθήσουν να παρακολουθήσουμε
τις αλλαγές στα τροπικά δάση.
τις αλλαγές στα τροπικά δάση.
01:57
Security cameras are everywhere,
28
105320
2950
Κάμερες ασφαλείας είναι παντού,
02:00
but they do not alert us when a child
is drowning in a swimming pool.
is drowning in a swimming pool.
29
108270
5067
αλλά δεν μας προειδοποιούν
όταν ένα παιδί πνίγεται στην πισίνα.
όταν ένα παιδί πνίγεται στην πισίνα.
02:06
Photos and videos are becoming
an integral part of global life.
an integral part of global life.
30
114167
5595
Φωτογραφίες και βίντεο γίνονται ολοένα
πιο σημαντικό κομμάτι της παγκόσμιας ζωής.
πιο σημαντικό κομμάτι της παγκόσμιας ζωής.
02:11
They're being generated at a pace
that's far beyond what any human,
that's far beyond what any human,
31
119762
4087
Δημιουργούνται με τέτοιο ρυθμό
που είναι πέρα απ' ότι ένας άνθρωπος
που είναι πέρα απ' ότι ένας άνθρωπος
02:15
or teams of humans, could hope to view,
32
123849
2783
ή μια ομάδα ανθρώπων μπορούν να δουν,
02:18
and you and I are contributing
to that at this TED.
to that at this TED.
33
126632
3921
και εσείς και εγώ συνεισφέρουμε σε αυτό,
εδώ στο TED.
εδώ στο TED.
02:22
Yet our most advanced software
is still struggling at understanding
is still struggling at understanding
34
130553
5232
Κι όμως, το πιο προηγμένο λογισμικό μας
δυσκολεύεται ακόμα να καταλάβει
δυσκολεύεται ακόμα να καταλάβει
02:27
and managing this enormous content.
35
135785
3876
και να διαχειριστεί αυτές τις τεράστιες
ποσότητες περιεχομένου.
ποσότητες περιεχομένου.
02:31
So in other words,
collectively as a society,
collectively as a society,
36
139661
5272
Με άλλα λόγια, συλλογικά σαν κοινωνία,
είμαστε βασικά τυφλοί,
02:36
we're very much blind,
37
144933
1746
02:38
because our smartest
machines are still blind.
machines are still blind.
38
146679
3387
γιατί οι πιο «έξυπνες» μηχανές μας
είναι ακόμα τυφλές.
είναι ακόμα τυφλές.
02:43
"Why is this so hard?" you may ask.
39
151526
2926
«Γιατί είναι τόσο δύσκολο;»
μπορεί να ρωτήσετε.
μπορεί να ρωτήσετε.
Οι κάμερες μπορούν να τραβήξουν
φωτογραφίες όπως αυτή
φωτογραφίες όπως αυτή
02:46
Cameras can take pictures like this one
40
154452
2693
02:49
by converting lights into
a two-dimensional array of numbers
a two-dimensional array of numbers
41
157145
3994
μετατρέποντας το φως
σε δισδιάστατους πίνακες αριθμών
σε δισδιάστατους πίνακες αριθμών
02:53
known as pixels,
42
161139
1650
που λέγονται πίξελ,
02:54
but these are just lifeless numbers.
43
162789
2251
αλλά αυτοί είναι άψυχοι αριθμοί.
02:57
They do not carry meaning in themselves.
44
165040
3111
Δεν έχουν νόημα από μόνοι τους.
03:00
Just like to hear is not
the same as to listen,
the same as to listen,
45
168151
4343
Όπως το να αντιλαμβάνεσαι έναν ήχο
δεν είναι σαν να τον καταλαβαίνεις,
δεν είναι σαν να τον καταλαβαίνεις,
03:04
to take pictures is not
the same as to see,
the same as to see,
46
172494
4040
το να βγάζεις φωτογραφίες
δεν είναι το ίδιο με το να βλέπεις,
δεν είναι το ίδιο με το να βλέπεις,
03:08
and by seeing,
we really mean understanding.
we really mean understanding.
47
176534
3829
και λέγοντας «βλέπω»
εννοούμε «καταλαβαίνω».
εννοούμε «καταλαβαίνω».
03:13
In fact, it took Mother Nature
540 million years of hard work
540 million years of hard work
48
181293
6177
Πράγματι, η Φύση χρειάστηκε
540 εκατομμύρια χρόνια σκληρής δουλειάς
540 εκατομμύρια χρόνια σκληρής δουλειάς
03:19
to do this task,
49
187470
1973
για να καταφέρει αυτό το έργο,
03:21
and much of that effort
50
189443
1881
και η περισσότερη προσπάθεια
03:23
went into developing the visual
processing apparatus of our brains,
processing apparatus of our brains,
51
191324
5271
αφιερώθηκε στην ανάπτυξη του οπτικού
μηχανισμού του εγκεφάλου μας
μηχανισμού του εγκεφάλου μας
03:28
not the eyes themselves.
52
196595
2647
και όχι στα ίδια τα μάτια.
03:31
So vision begins with the eyes,
53
199242
2747
Η όραση λοιπόν ξεκινάει με τα μάτια,
03:33
but it truly takes place in the brain.
54
201989
3518
αλλά πραγματικά λαμβάνει χώρα
στον εγκέφαλο.
στον εγκέφαλο.
03:38
So for 15 years now, starting
from my Ph.D. at Caltech
from my Ph.D. at Caltech
55
206287
5060
Εδώ και 15 χρόνια, από το διδακτορικό μου
στο Πανεπιστήμιο της Καλιφόρνια
στο Πανεπιστήμιο της Καλιφόρνια
03:43
and then leading Stanford's Vision Lab,
56
211347
2926
και ύστερα ως επικεφαλής
του κέντρου όρασης του Στάνφορντ,
του κέντρου όρασης του Στάνφορντ,
03:46
I've been working with my mentors,
collaborators and students
collaborators and students
57
214273
4396
δουλεύω με τους μέντορες,
συνεργάτες και φοιτητές μου
συνεργάτες και φοιτητές μου
03:50
to teach computers to see.
58
218669
2889
προσπαθώντας να μάθω
τους υπολογιστές να βλέπουν.
τους υπολογιστές να βλέπουν.
Το ερευνητικό μας πεδίο λέγεται
υπολογιστική όραση και μηχανική μάθηση.
υπολογιστική όραση και μηχανική μάθηση.
03:54
Our research field is called
computer vision and machine learning.
computer vision and machine learning.
59
222658
3294
03:57
It's part of the general field
of artificial intelligence.
of artificial intelligence.
60
225952
3878
Είναι κομμάτι του γενικότερου πεδίου
της τεχνητής νοημοσύνης.
της τεχνητής νοημοσύνης.
04:03
So ultimately, we want to teach
the machines to see just like we do:
the machines to see just like we do:
61
231000
5493
Τελικά, θέλουμε να διδάξουμε τις μηχανές
να δουν ακριβώς όπως εμείς:
να δουν ακριβώς όπως εμείς:
04:08
naming objects, identifying people,
inferring 3D geometry of things,
inferring 3D geometry of things,
62
236493
5387
να ονομάζουν αντικείμενα, να αναγνωρίζουν
ανθρώπους και αντικείμενα στον χώρο,
ανθρώπους και αντικείμενα στον χώρο,
να καταλαβαίνουν σχέσεις, συναισθήματα,
δράσεις και προθέσεις.
δράσεις και προθέσεις.
04:13
understanding relations, emotions,
actions and intentions.
actions and intentions.
63
241880
5688
Εσείς και εγώ συνυφαίνουμε ολόκληρες
ιστορίες ανθρώπων, τόπων και πραγμάτων
ιστορίες ανθρώπων, τόπων και πραγμάτων
04:19
You and I weave together entire stories
of people, places and things
of people, places and things
64
247568
6153
04:25
the moment we lay our gaze on them.
65
253721
2164
τη στιγμή που τα πρωτοβλέπουμε.
04:28
The first step towards this goal
is to teach a computer to see objects,
is to teach a computer to see objects,
66
256955
5583
Το πρώτο βήμα προς αυτό το στόχο είναι
να μάθουμε τον υπολογιστή να δει πράγματα,
να μάθουμε τον υπολογιστή να δει πράγματα,
04:34
the building block of the visual world.
67
262538
3368
τα δομικά στοιχεία του οπτικού μας κόσμου.
04:37
In its simplest terms,
imagine this teaching process
imagine this teaching process
68
265906
4434
Στην πιο απλή της εκδοχή, φανταστείτε
την εκπαιδευτική διαδικασία ως εξής:
την εκπαιδευτική διαδικασία ως εξής:
04:42
as showing the computers
some training images
some training images
69
270340
2995
δείχνουμε στον υπολογιστή
μερικές εικόνες εκμάθησης
μερικές εικόνες εκμάθησης
04:45
of a particular object, let's say cats,
70
273335
3321
ενός συγκεκριμένου αντικειμένου,
ας πούμε γάτες,
ας πούμε γάτες,
04:48
and designing a model that learns
from these training images.
from these training images.
71
276656
4737
και σχεδιάζουμε ένα μοντέλο
που μαθαίνει από αυτές τις εικόνες.
που μαθαίνει από αυτές τις εικόνες.
04:53
How hard can this be?
72
281393
2044
Πόσο δύσκολο μπορεί να είναι;
04:55
After all, a cat is just
a collection of shapes and colors,
a collection of shapes and colors,
73
283437
4052
Στο κάτω κάτω, μια γάτα είναι απλά
μια συλλογή από σχήματα και χρώματα,
μια συλλογή από σχήματα και χρώματα,
04:59
and this is what we did
in the early days of object modeling.
in the early days of object modeling.
74
287489
4086
και αυτό ακριβώς κάναμε τα πρώτα χρόνια
της μοντελοποίησης αντικειμένων.
της μοντελοποίησης αντικειμένων.
05:03
We'd tell the computer algorithm
in a mathematical language
in a mathematical language
75
291575
3622
Λέγαμε στον αλγόριθμο του υπολογιστή,
σε μαθηματική γλώσσα,
σε μαθηματική γλώσσα,
05:07
that a cat has a round face,
a chubby body,
a chubby body,
76
295197
3343
ότι η γάτα έχει ένα στρογγυλό πρόσωπο,
ένα παχουλό σώμα,
ένα παχουλό σώμα,
05:10
two pointy ears, and a long tail,
77
298540
2299
δύο μυτερά αυτιά και μια μακριά ουρά,
05:12
and that looked all fine.
78
300839
1410
και αυτό έμοιαζε μια χαρά.
05:14
But what about this cat?
79
302859
2113
Αλλά αυτή η γάτα;
05:16
(Laughter)
80
304972
1091
(Γέλια)
05:18
It's all curled up.
81
306063
1626
Είναι κουλουριασμένη.
05:19
Now you have to add another shape
and viewpoint to the object model.
and viewpoint to the object model.
82
307689
4719
Τώρα πρέπει να προσθέσουμε άλλο ένα σχήμα
και άλλη μια άποψη στο μοντέλο μας.
και άλλη μια άποψη στο μοντέλο μας.
05:24
But what if cats are hidden?
83
312408
1715
Κι αν η γάτα κρύβεται;
05:27
What about these silly cats?
84
315143
2219
Και αυτές οι χαζούλες γάτες;
05:31
Now you get my point.
85
319112
2417
Βλέπετε το πρόβλημα.
05:33
Even something as simple
as a household pet
as a household pet
86
321529
3367
Ακόμα και κάτι τόσο απλό
όσο ένα κατοικίδιο
όσο ένα κατοικίδιο
05:36
can present an infinite number
of variations to the object model,
of variations to the object model,
87
324896
4504
μπορεί να παρουσιάσει έναν άπειρο αριθμό
παραλλαγών στο μοντέλο,
παραλλαγών στο μοντέλο,
05:41
and that's just one object.
88
329400
2233
και αυτό είναι μόνο ένα αντικείμενο.
05:44
So about eight years ago,
89
332573
2492
Πριν από οκτώ χρόνια,
05:47
a very simple and profound observation
changed my thinking.
changed my thinking.
90
335065
5030
μια πολύ απλή και βαθιά παρατήρηση
άλλαξε τον τρόπο σκέψης μου.
άλλαξε τον τρόπο σκέψης μου.
05:53
No one tells a child how to see,
91
341425
2685
Κανένας δεν λέει σε ένα παιδί πώς να δει,
05:56
especially in the early years.
92
344110
2261
κυριώς τα πρώτα χρόνια.
05:58
They learn this through
real-world experiences and examples.
real-world experiences and examples.
93
346371
5000
Μαθαίνουν μέσα από εμπειρίες και
παραδείγματα του πραγματικού κόσμου.
παραδείγματα του πραγματικού κόσμου.
06:03
If you consider a child's eyes
94
351371
2740
Αν σκεφτούμε τα μάτια του παιδιού
06:06
as a pair of biological cameras,
95
354111
2554
σαν ένα ζευγάρι από βιολογικές κάμερες,
06:08
they take one picture
about every 200 milliseconds,
about every 200 milliseconds,
96
356665
4180
βγάζουν περίπου μία φωτογραφία
κάθε 200 χιλιοστά του δευτερολέπτου,
κάθε 200 χιλιοστά του δευτερολέπτου,
06:12
the average time an eye movement is made.
97
360845
3134
που είναι ο μέσος χρόνος που χρειάζεται
για μια κίνηση του ματιού.
για μια κίνηση του ματιού.
06:15
So by age three, a child would have seen
hundreds of millions of pictures
hundreds of millions of pictures
98
363979
5550
Έτσι, ένα παιδί τριών ετών θα έχει δει
εκατοντάδες εκατομμύρια φωτογραφίες
εκατοντάδες εκατομμύρια φωτογραφίες
06:21
of the real world.
99
369529
1834
του πραγματικού κόσμου.
06:23
That's a lot of training examples.
100
371363
2280
Αυτά είναι πολλά παραδείγματα εκμάθησης.
06:26
So instead of focusing solely
on better and better algorithms,
on better and better algorithms,
101
374383
5989
Αντί λοιπόν να εστιάζουμε μόνο σε
ολοένα και καλύτερους αλγόριθμους,
ολοένα και καλύτερους αλγόριθμους,
06:32
my insight was to give the algorithms
the kind of training data
the kind of training data
102
380372
5272
η ιδέα μου ήταν να δώσω στους αλγόριθμους
το είδος των εκπαιδευτικών δεδομένων
το είδος των εκπαιδευτικών δεδομένων
06:37
that a child was given through experiences
103
385644
3319
που ένα παιδί αποκτά μέσω εμπειρίας
06:40
in both quantity and quality.
104
388963
3878
τόσο σε ποσότητα όσο και σε ποιότητα.
06:44
Once we know this,
105
392841
1858
Όταν το καταλάβαμε
06:46
we knew we needed to collect a data set
106
394699
2971
ξέραμε ότι έπρεπε να συλλέξουμε
ένα σετ δεδομένων
ένα σετ δεδομένων
06:49
that has far more images
than we have ever had before,
than we have ever had before,
107
397670
4459
που περιείχε πολύ περισσότερες φωτογραφίες
από όσες είχαμε προηγουμένως,
από όσες είχαμε προηγουμένως,
06:54
perhaps thousands of times more,
108
402129
2577
ίσως χιλιάδες φορές περισσότερες,
06:56
and together with Professor
Kai Li at Princeton University,
Kai Li at Princeton University,
109
404706
4111
και μαζί με τον καθηγητή Κάι Λι
στο Πανεπιστήμιο του Πρίνστον
στο Πανεπιστήμιο του Πρίνστον
07:00
we launched the ImageNet project in 2007.
110
408817
4752
ξεκινήσαμε το πρόγραμμα ImageNet το 2007.
07:05
Luckily, we didn't have to mount
a camera on our head
a camera on our head
111
413569
3838
Ευτυχώς, δε χρειάστηκε
να φορέσουμε κάμερες στο κεφάλι μας
να φορέσουμε κάμερες στο κεφάλι μας
07:09
and wait for many years.
112
417407
1764
και να περιμένουμε πολλά χρόνια.
07:11
We went to the Internet,
113
419171
1463
Πήγαμε στο Διαδίκτυο,
07:12
the biggest treasure trove of pictures
that humans have ever created.
that humans have ever created.
114
420634
4436
το μεγαλύτερο θησαυροφυλάκιο εικόνων
που έχουν ποτέ κατασκευάσει οι άνθρωποι.
που έχουν ποτέ κατασκευάσει οι άνθρωποι.
07:17
We downloaded nearly a billion images
115
425070
3041
«Κατεβάσαμε» σχεδόν
ένα δισεκατομμύριο εικόνες
ένα δισεκατομμύριο εικόνες
07:20
and used crowdsourcing technology
like the Amazon Mechanical Turk platform
like the Amazon Mechanical Turk platform
116
428111
5880
και χρησιμοποιήσαμε τεχνολογίες «υπηρεσιών
πλήθους» όπως η πλατφόρμα της Άμαζον
πλήθους» όπως η πλατφόρμα της Άμαζον
για να μας βοηθήσουν να ονομάσουμε
αυτές τις εικόνες.
αυτές τις εικόνες.
07:25
to help us to label these images.
117
433991
2339
07:28
At its peak, ImageNet was one of
the biggest employers
the biggest employers
118
436330
4900
Στην αιχμή του, το ImageNet ήταν
ένας από τους μεγαλύτερους εργοδότες
ένας από τους μεγαλύτερους εργοδότες
07:33
of the Amazon Mechanical Turk workers:
119
441230
2996
της πλατφόρμας της Άμαζον:
07:36
together, almost 50,000 workers
120
444226
3854
όλοι μαζί, σχεδόν 50.000 εργαζόμενοι
07:40
from 167 countries around the world
121
448080
4040
από 167 χώρες από όλο τον κόσμο
07:44
helped us to clean, sort and label
122
452120
3947
μας βοήθησαν να καθαρίσουμε,
να κατατάξουμε και να ονομάσουμε
να κατατάξουμε και να ονομάσουμε
07:48
nearly a billion candidate images.
123
456067
3575
σχεδόν ένα δισεκατομμύριο
υποψήφιες φωτογραφίες.
υποψήφιες φωτογραφίες.
Τόση προσπάθεια χρειάστηκε
07:52
That was how much effort it took
124
460612
2653
07:55
to capture even a fraction
of the imagery
of the imagery
125
463265
3900
για να καταγράψουμε
ένα ψήγμα των παραστάσεων
ένα ψήγμα των παραστάσεων
07:59
a child's mind takes in
in the early developmental years.
in the early developmental years.
126
467165
4171
που προσλαμβάνει το μυαλό ενός παιδιού
στα πρώτα χρόνια της ανάπτυξης.
στα πρώτα χρόνια της ανάπτυξης.
08:04
In hindsight, this idea of using big data
127
472148
3902
Εκ των υστέρων, η ιδέα της χρήσης
μαζικών δεδομένων
μαζικών δεδομένων
08:08
to train computer algorithms
may seem obvious now,
may seem obvious now,
128
476050
4550
για την εκπαίδευση υπολογιστών
μπορεί να μοιάζει προφανής,
μπορεί να μοιάζει προφανής,
08:12
but back in 2007, it was not so obvious.
129
480600
4110
αλλά το 2007 δεν ήταν τόσο προφανής.
08:16
We were fairly alone on this journey
for quite a while.
for quite a while.
130
484710
3878
Ήμασταν μόνοι μας σε αυτό το ταξίδι
για αρκετό καιρό.
για αρκετό καιρό.
08:20
Some very friendly colleagues advised me
to do something more useful for my tenure,
to do something more useful for my tenure,
131
488588
5003
Μερικοί συνάδελφοι με συμβούλευσαν να κάνω
κάτι πιο χρήσιμο για να πάρω μονιμότητα,
κάτι πιο χρήσιμο για να πάρω μονιμότητα,
08:25
and we were constantly struggling
for research funding.
for research funding.
132
493591
4342
και είχαμε διαρκώς
προβλήματα χρηματοδότησης.
προβλήματα χρηματοδότησης.
Μια φορά, είπα για πλάκα
στους μεταπτυχιακούς φοιτητές μου
στους μεταπτυχιακούς φοιτητές μου
08:29
Once, I even joked to my graduate students
133
497933
2485
08:32
that I would just reopen
my dry cleaner's shop to fund ImageNet.
my dry cleaner's shop to fund ImageNet.
134
500418
4063
ότι θα άνοιγα ξανά το καθαριστήριό μου
για να χρηματοδοτήσω το ImageNet.
για να χρηματοδοτήσω το ImageNet.
08:36
After all, that's how I funded
my college years.
my college years.
135
504481
4761
Στο κάτω κάτω,
έτσι χρηματοδότησα τις σπουδές μου.
έτσι χρηματοδότησα τις σπουδές μου.
08:41
So we carried on.
136
509242
1856
Έτσι λοιπόν συνεχίσαμε.
08:43
In 2009, the ImageNet project delivered
137
511098
3715
Το 2009, το ΙmageNet παρέδωσε
08:46
a database of 15 million images
138
514813
4042
μια βάση δεδομένων
με 15 εκατομμύρια φωτογραφίες
με 15 εκατομμύρια φωτογραφίες
08:50
across 22,000 classes
of objects and things
of objects and things
139
518855
4805
που ανήκαν σε 22.000 κατηγορίες
αντικειμένων και πραγμάτων
αντικειμένων και πραγμάτων
08:55
organized by everyday English words.
140
523660
3320
οργανωμένες
με καθημερινές αγγλικές λέξεις.
με καθημερινές αγγλικές λέξεις.
08:58
In both quantity and quality,
141
526980
2926
Τόσο σε ποσότητα όσο και σε ποιότητα,
09:01
this was an unprecedented scale.
142
529906
2972
ήταν μια ανεπανάληπτη κλίμακα.
09:04
As an example, in the case of cats,
143
532878
3461
Για παράδειγμα, όσον αφορά τις γάτες,
09:08
we have more than 62,000 cats
144
536339
2809
έχουμε περισσότερες από 62.000 γάτες
09:11
of all kinds of looks and poses
145
539148
4110
με διαφορετικές εμφανίσεις και πόζες
09:15
and across all species
of domestic and wild cats.
of domestic and wild cats.
146
543258
5223
και όλα τα είδη, κατοικίδιες και άγριες.
09:20
We were thrilled
to have put together ImageNet,
to have put together ImageNet,
147
548481
3344
Ήμασταν πανευτυχείς
που ολοκληρώσαμε το ImageNet,
που ολοκληρώσαμε το ImageNet,
09:23
and we wanted the whole research world
to benefit from it,
to benefit from it,
148
551825
3738
και θέλαμε να επωφεληθεί
όλος ο ερευνητικός κόσμος,
όλος ο ερευνητικός κόσμος,
09:27
so in the TED fashion,
we opened up the entire data set
we opened up the entire data set
149
555563
4041
κι έτσι, σύμφωνα με το πνεύμα του TED,
διαθέσαμε ολόκληρη τη βάση δεδομένων
διαθέσαμε ολόκληρη τη βάση δεδομένων
09:31
to the worldwide
research community for free.
research community for free.
150
559604
3592
στην παγκόσμια ερευνητική κοινότητα,
δωρεάν.
δωρεάν.
(Χειροκρότημα)
09:36
(Applause)
151
564636
4000
09:41
Now that we have the data
to nourish our computer brain,
to nourish our computer brain,
152
569416
4538
Τώρα που έχουμε τα δεδομένα για να
καλλιεργήσουμε το υπολογιστικό μας μυαλό,
καλλιεργήσουμε το υπολογιστικό μας μυαλό,
09:45
we're ready to come back
to the algorithms themselves.
to the algorithms themselves.
153
573954
3737
είμαστε έτοιμοι να ξαναγυρίσουμε
στους αλγόριθμους.
στους αλγόριθμους.
09:49
As it turned out, the wealth
of information provided by ImageNet
of information provided by ImageNet
154
577691
5178
Όπως αποδείχθηκε, ο πλούτος πληροφορίας
που παρέχεται από το ImageNet
που παρέχεται από το ImageNet
09:54
was a perfect match to a particular class
of machine learning algorithms
of machine learning algorithms
155
582869
4806
ήταν το τέλειο ταίρι για μια συγκεκριμένη
κλάση αλγόριθμων μηχανικής μάθησης
κλάση αλγόριθμων μηχανικής μάθησης
09:59
called convolutional neural network,
156
587675
2415
που ονομάζονται συνελικτικά
νευρωνικά δίκτυα,
νευρωνικά δίκτυα,
10:02
pioneered by Kunihiko Fukushima,
Geoff Hinton, and Yann LeCun
Geoff Hinton, and Yann LeCun
157
590090
5248
που αναπτύχθηκε απ' τους Τζεφ Χίντον,
Κουνιχίκο Φουκοσίμα και Γιάν ΛεΚούν
Κουνιχίκο Φουκοσίμα και Γιάν ΛεΚούν
10:07
back in the 1970s and '80s.
158
595338
3645
στις δεκαετίες του '70 και το '80.
10:10
Just like the brain consists
of billions of highly connected neurons,
of billions of highly connected neurons,
159
598983
5619
Όπως ο εγκέφαλος αποτελείται από
δισεκατομμύρια διασυνδεδεμένους νευρώνες,
δισεκατομμύρια διασυνδεδεμένους νευρώνες,
10:16
a basic operating unit in a neural network
160
604602
3854
η βασική λειτουργική ενότητα
σε ένα νευρωνικό δίκτυο
σε ένα νευρωνικό δίκτυο
10:20
is a neuron-like node.
161
608456
2415
είναι ένας κόμβος-νευρώνας.
10:22
It takes input from other nodes
162
610871
2554
Δέχεται σήματα εισόδου από άλλους κόμβους
10:25
and sends output to others.
163
613425
2718
και στέλνει σήματα εξόδου σε άλλους.
10:28
Moreover, these hundreds of thousands
or even millions of nodes
or even millions of nodes
164
616143
4713
Επιπλέον, αυτοί οι εκατοντάδες χιλιάδες
ή εκατομμύρια κόμβοι
ή εκατομμύρια κόμβοι
10:32
are organized in hierarchical layers,
165
620856
3227
είναι οργανωμένοι σε ιεραρχικά στρώμματα,
10:36
also similar to the brain.
166
624083
2554
επίσης παρόμοια με αυτά του εγκεφάλου.
10:38
In a typical neural network we use
to train our object recognition model,
to train our object recognition model,
167
626637
4783
Ένα τυπικό νευρωνικό δίκτυο
που χρησιμοποιούμε για να εκπαιδεύσουμε
που χρησιμοποιούμε για να εκπαιδεύσουμε
το μοντέλο αναγνώρισης αντικειμένων,
έχει 24 εκατομμύρια κόμβους,
έχει 24 εκατομμύρια κόμβους,
10:43
it has 24 million nodes,
168
631420
3181
10:46
140 million parameters,
169
634601
3297
140 εκατομμύρια παραμέτρους
και 15 δισεκατομμύρια συνδέσεις.
10:49
and 15 billion connections.
170
637898
2763
Είναι ένα τεράστιο μοντέλο.
10:52
That's an enormous model.
171
640661
2415
10:55
Powered by the massive data from ImageNet
172
643076
3901
Ωθούμενο από τα μαζικά δεδομένα
του ImageNet
του ImageNet
10:58
and the modern CPUs and GPUs
to train such a humongous model,
to train such a humongous model,
173
646977
5433
και από σύγχρονους μικροεπεξεργαστές
για την εκμάθηση αυτού του μοντέλου,
για την εκμάθηση αυτού του μοντέλου,
11:04
the convolutional neural network
174
652410
2369
το συνελικτικό νευρωνικό δίκτυο
«άνθισε» με τρόπο που κανείς δεν περίμενε.
11:06
blossomed in a way that no one expected.
175
654779
3436
11:10
It became the winning architecture
176
658215
2508
Έγινε η νικήτρια αρχιτεκτονική
11:12
to generate exciting new results
in object recognition.
in object recognition.
177
660723
5340
που γέννησε συναρπαστικά αποτελέσματα
στην αναγνώριση αντικειμένων.
στην αναγνώριση αντικειμένων.
11:18
This is a computer telling us
178
666063
2810
Αυτός είναι ένας υπολογιστής που μας λέει
11:20
this picture contains a cat
179
668873
2300
ότι αυτή η εικόνα περιέχει μια γάτα
11:23
and where the cat is.
180
671173
1903
και πού βρίσκεται αυτή η γάτα.
Υπάρχουν κι άλλα πράγματα
εκτός από γάτες,
εκτός από γάτες,
11:25
Of course there are more things than cats,
181
673076
2112
11:27
so here's a computer algorithm telling us
182
675188
2438
εδώ ο αλγόριθμος μας λέει
11:29
the picture contains
a boy and a teddy bear;
a boy and a teddy bear;
183
677626
3274
ότι η εικόνα περιέχει ένα αγόρι
και ένα αρκουδάκι,
και ένα αρκουδάκι,
11:32
a dog, a person, and a small kite
in the background;
in the background;
184
680900
4366
έναν σκύλο, έναν άνθρωπο
και έναν μικρό χαρταετό στο βάθος,
και έναν μικρό χαρταετό στο βάθος,
11:37
or a picture of very busy things
185
685266
3135
ή μια εικόνα με πολλά πράγματα
11:40
like a man, a skateboard,
railings, a lampost, and so on.
railings, a lampost, and so on.
186
688401
4644
όπως ένας άντρας, ένα σκέιτμπορντ,
κάγκελα, μια κολώνα και λοιπά.
κάγκελα, μια κολώνα και λοιπά.
11:45
Sometimes, when the computer
is not so confident about what it sees,
is not so confident about what it sees,
187
693045
5293
Μερικές φορές, όταν ο υπολογιστής δεν
είναι και τόσο σίγουρος για το τι βλέπει,
είναι και τόσο σίγουρος για το τι βλέπει,
11:51
we have taught it to be smart enough
188
699498
2276
του μάθαμε να είναι αρκετά έξυπνος
11:53
to give us a safe answer
instead of committing too much,
instead of committing too much,
189
701774
3878
ώστε να μας δίνει μια ασφαλή απάντηση
αντί να δεσμευτεί σε κάτι συγκεκριμένο,
αντί να δεσμευτεί σε κάτι συγκεκριμένο,
11:57
just like we would do,
190
705652
2811
όπως ακριβώς θα κάναμε και εμείς,
12:00
but other times our computer algorithm
is remarkable at telling us
is remarkable at telling us
191
708463
4666
και άλλες φορές ο αλγόριθμος
είναι τόσο ικανός στο να μας λέει
είναι τόσο ικανός στο να μας λέει
12:05
what exactly the objects are,
192
713129
2253
ακριβώς τι είναι το κάθε αντικείμενο,
12:07
like the make, model, year of the cars.
193
715382
3436
όπως τη μάρκα, το μοντέλο
και τη χρονιά των αυτοκινήτων.
και τη χρονιά των αυτοκινήτων.
12:10
We applied this algorithm to millions
of Google Street View images
of Google Street View images
194
718818
5386
Εφαρμόσαμε αυτόν τον αλγόριθμο σε
εκατομμύρια εικόνες του Google Street View
εκατομμύρια εικόνες του Google Street View
12:16
across hundreds of American cities,
195
724204
3135
σε εκατοντάδες πόλεις της Αμερικής,
12:19
and we have learned something
really interesting:
really interesting:
196
727339
2926
και μάθαμε κάτι πολύ ενδιαφέρον:
12:22
first, it confirmed our common wisdom
197
730265
3320
πρώτον, επιβεβαιώσαμε
κάτι που ήταν κοινώς γνωστό
κάτι που ήταν κοινώς γνωστό
12:25
that car prices correlate very well
198
733585
3290
ότι οι τιμές αυτοκινήτων
συσχετίζονται πολύ καλά
συσχετίζονται πολύ καλά
12:28
with household incomes.
199
736875
2345
με το εισόδημα των νοικοκυριών.
12:31
But surprisingly, car prices
also correlate well
also correlate well
200
739220
4527
Αλλά αναπάντεχα, οι τιμές των αυτοκινήτων
επίσης συσχετίζονται καλά
επίσης συσχετίζονται καλά
12:35
with crime rates in cities,
201
743747
2300
με την εγκληματικότητα στις πόλεις,
ή με την κατανομή ψήφων
ανά ταχυδρομικό κώδικα.
ανά ταχυδρομικό κώδικα.
12:39
or voting patterns by zip codes.
202
747007
3963
Μισό λεπτό. Αυτό είναι;
12:44
So wait a minute. Is that it?
203
752060
2206
12:46
Has the computer already matched
or even surpassed human capabilities?
or even surpassed human capabilities?
204
754266
5153
Ο υπολογιστής έφτασε ή ξεπέρασε
τις ανθρώπινες δυνατότητες;
τις ανθρώπινες δυνατότητες;
12:51
Not so fast.
205
759419
2138
Όχι τόσο γρήγορα.
12:53
So far, we have just taught
the computer to see objects.
the computer to see objects.
206
761557
4923
Μέχρι τώρα, έχουμε μάθει στον υπολογιστή
μόνο να βλέπει αντικείμενα.
μόνο να βλέπει αντικείμενα.
12:58
This is like a small child
learning to utter a few nouns.
learning to utter a few nouns.
207
766480
4644
Είναι σαν ένα μικρό παιδί που μαθαίνει
να προφέρει μερικά ουσιαστικά.
να προφέρει μερικά ουσιαστικά.
13:03
It's an incredible accomplishment,
208
771124
2670
Είναι ένα απίστευτο επίτευγμα,
13:05
but it's only the first step.
209
773794
2460
αλλά είναι μόνο το πρώτο βήμα.
13:08
Soon, another developmental
milestone will be hit,
milestone will be hit,
210
776254
3762
Σύντομα, θα έρθουμε σε ένα άλλο ορόσημο
της ανάπτυξης,
της ανάπτυξης,
13:12
and children begin
to communicate in sentences.
to communicate in sentences.
211
780016
3461
και τα παιδιά αρχίζουν
να επικοινωνούν με προτάσεις.
να επικοινωνούν με προτάσεις.
13:15
So instead of saying
this is a cat in the picture,
this is a cat in the picture,
212
783477
4224
Αντί να πει ότι στην εικόνα είναι μια γάτα
13:19
you already heard the little girl
telling us this is a cat lying on a bed.
telling us this is a cat lying on a bed.
213
787701
5202
ακούσατε ήδη το κοριτσάκι να μας λέει
ότι η γάτα είναι ξαπλωμένη στο κρεβάτι.
ότι η γάτα είναι ξαπλωμένη στο κρεβάτι.
13:24
So to teach a computer
to see a picture and generate sentences,
to see a picture and generate sentences,
214
792903
5595
Για να μάθουμε τον υπολογιστή να βλέπει
μια εικόνα και να παράγει προτάσεις,
μια εικόνα και να παράγει προτάσεις,
13:30
the marriage between big data
and machine learning algorithm
and machine learning algorithm
215
798498
3948
ο «γάμος» των μαζικών δεδομένων
και των αλγόριθμων μηχανικής μάθησης
και των αλγόριθμων μηχανικής μάθησης
13:34
has to take another step.
216
802446
2275
πρέπει να κάνει ένα ακόμα βήμα.
13:36
Now, the computer has to learn
from both pictures
from both pictures
217
804721
4156
Τώρα, ο υπολογιστής
πρέπει να μάθει από εικόνες
πρέπει να μάθει από εικόνες
13:40
as well as natural language sentences
218
808877
2856
αλλά και από προτάσεις φυσικού λόγου
13:43
generated by humans.
219
811733
3322
που έχουν παράγει άνθρωποι.
13:47
Just like the brain integrates
vision and language,
vision and language,
220
815055
3853
Ακριβώς όπως ο εγκέφαλος ενσωματώνει
όραση και γλώσσα,
όραση και γλώσσα,
13:50
we developed a model
that connects parts of visual things
that connects parts of visual things
221
818908
5201
αναπτύξαμε ένα μοντέλο
που συνδέει μέρη οπτικών αντικειμένων,
που συνδέει μέρη οπτικών αντικειμένων,
13:56
like visual snippets
222
824109
1904
σαν οπτικά αποσπάσματα,
13:58
with words and phrases in sentences.
223
826013
4203
με λέξεις και φράσεις προτάσεων.
14:02
About four months ago,
224
830216
2763
Πριν από περίπου τέσσερις μήνες,
14:04
we finally tied all this together
225
832979
2647
συνθέσαμε όλα αυτά τα κομμάτια
14:07
and produced one of the first
computer vision models
computer vision models
226
835626
3784
και δημιουργήσαμε ένα από τα πρώτα μοντέλα
υπολογιστικής όρασης
υπολογιστικής όρασης
14:11
that is capable of generating
a human-like sentence
a human-like sentence
227
839410
3994
ικανό να παράγει φυσικές προτάσεις
14:15
when it sees a picture for the first time.
228
843404
3506
την πρώτη φορά που βλέπει μια εικόνα.
14:18
Now, I'm ready to show you
what the computer says
what the computer says
229
846910
4644
Τώρα, είμαι έτοιμη να σας δείξω
τι λέει ο υπολογιστής
τι λέει ο υπολογιστής
14:23
when it sees the picture
230
851554
1975
όταν βλέπει την εικόνα
14:25
that the little girl saw
at the beginning of this talk.
at the beginning of this talk.
231
853529
3830
που είδε το κορίτσι στην αρχή της ομιλίας.
(Βίντεο) Υπολογιστής: Ένας άντρας στέκεται
δίπλα σε έναν ελέφαντα.
δίπλα σε έναν ελέφαντα.
14:31
(Video) Computer: A man is standing
next to an elephant.
next to an elephant.
232
859519
3344
14:36
A large airplane sitting on top
of an airport runway.
of an airport runway.
233
864393
3634
Ένα μεγάλο αεροπλάνο βρίσκεται
πάνω σε έναν αεροδιάδρομο.
πάνω σε έναν αεροδιάδρομο.
14:41
FFL: Of course, we're still working hard
to improve our algorithms,
to improve our algorithms,
234
869057
4212
Φέι-Φέι Λι: Φυσικά, δουλεύουμε σκληρά
για να βελτιώσουμε τον αλγόριθμό μας,
για να βελτιώσουμε τον αλγόριθμό μας,
14:45
and it still has a lot to learn.
235
873269
2596
και έχει να μάθει ακόμα πολλά.
14:47
(Applause)
236
875865
2291
(Χειροκρότημα)
14:51
And the computer still makes mistakes.
237
879556
3321
Και ο υπολογιστής ακόμα κάνει λάθη.
(Βίντεο) Υπολογιστής: Μια γάτα είναι
ξαπλωμένη στο κρεβάτι με μια κουβέρτα.
ξαπλωμένη στο κρεβάτι με μια κουβέρτα.
14:54
(Video) Computer: A cat lying
on a bed in a blanket.
on a bed in a blanket.
238
882877
3391
14:58
FFL: So of course, when it sees
too many cats,
too many cats,
239
886268
2553
Φέι-Φέι Λι: Φυσικά, αφού έχει δει
τόσες πολλές γάτες,
τόσες πολλές γάτες,
15:00
it thinks everything
might look like a cat.
might look like a cat.
240
888821
2926
νομίζει ότι τα πάντα μοιάζουν με γάτες.
(Βίντεο) Υπολογιστής: Ένα αγόρι κρατάει
ένα ρόπαλο του μπέιζμπολ.
ένα ρόπαλο του μπέιζμπολ.
15:05
(Video) Computer: A young boy
is holding a baseball bat.
is holding a baseball bat.
241
893317
2864
15:08
(Laughter)
242
896181
1765
(Γέλια)
15:09
FFL: Or, if it hasn't seen a toothbrush,
it confuses it with a baseball bat.
it confuses it with a baseball bat.
243
897946
4583
ΦΦΛ: Ή αν δεν έχει δει οδοντόβουρτσες
τις μπερδεύει με ρόπαλα του μπέιζμπολ.
τις μπερδεύει με ρόπαλα του μπέιζμπολ.
(Βίντεο) Υπολογιστής: Ένας άντρας ιππεύει
ένα άλογο στο δρόμο δίπλα σε ένα κτίριο.
ένα άλογο στο δρόμο δίπλα σε ένα κτίριο.
15:15
(Video) Computer: A man riding a horse
down a street next to a building.
down a street next to a building.
244
903309
3434
15:18
(Laughter)
245
906743
2023
(Γέλια)
15:20
FFL: We haven't taught Art 101
to the computers.
to the computers.
246
908766
3552
Φέι-Φέι Λι: Δεν έχουμε μάθει στους
υπολογιστές τα βασικά για τις τέχνες.
υπολογιστές τα βασικά για τις τέχνες.
15:25
(Video) Computer: A zebra standing
in a field of grass.
in a field of grass.
247
913768
2884
(Βίντεο) Υπολογιστής: Μια ζέβρα στέκεται
σε ένα λιβάδι.
σε ένα λιβάδι.
Φέι-Φέι Λι: Δεν έχει μάθει να εκτιμά
την εκπληκτική ομορφιά της φύσης
την εκπληκτική ομορφιά της φύσης
15:28
FFL: And it hasn't learned to appreciate
the stunning beauty of nature
the stunning beauty of nature
248
916652
3367
15:32
like you and I do.
249
920019
2438
όπως εσείς και εγώ.
15:34
So it has been a long journey.
250
922457
2832
Ήταν ένα μεγάλο ταξίδι.
15:37
To get from age zero to three was hard.
251
925289
4226
Το να πάμε από τις ηλικίες 0 μέχρι 3
ήταν δύσκολο.
ήταν δύσκολο.
Η πραγματική πρόκληση είναι να πάμε
από τα 3 στα 13 και παραπέρα.
από τα 3 στα 13 και παραπέρα.
15:41
The real challenge is to go
from three to 13 and far beyond.
from three to 13 and far beyond.
252
929515
5596
15:47
Let me remind you with this picture
of the boy and the cake again.
of the boy and the cake again.
253
935111
4365
Θέλω να σας υπενθυμήσω με αυτή την εικόνα
του παιδιού και της τούρτας.
του παιδιού και της τούρτας.
15:51
So far, we have taught
the computer to see objects
the computer to see objects
254
939476
4064
Μέχρι τώρα, έχουμε διδάξει τον υπολογιστή
να βλέπει αντικείμενα
να βλέπει αντικείμενα
15:55
or even tell us a simple story
when seeing a picture.
when seeing a picture.
255
943540
4458
και ακόμα να μπορεί να μας πει μια ιστορία
όταν βλέπει μια εικόνα.
όταν βλέπει μια εικόνα.
15:59
(Video) Computer: A person sitting
at a table with a cake.
at a table with a cake.
256
947998
3576
(Βίντεο) Υπολογιστής: Κάποιος κάθεται
σε ένα τραπέζι με ένα κέικ.
σε ένα τραπέζι με ένα κέικ.
16:03
FFL: But there's so much more
to this picture
to this picture
257
951574
2630
ΦΦΛ: Άλλα υπάρχουν κι άλλα
πράγματα σε αυτή την εικόνα
πράγματα σε αυτή την εικόνα
16:06
than just a person and a cake.
258
954204
2270
εκτός από τον άνθρωπο και το κέικ.
16:08
What the computer doesn't see
is that this is a special Italian cake
is that this is a special Italian cake
259
956474
4467
Αυτό που δεν βλέπει ο υπολογιστής είναι
ότι αυτό είναι ένα ειδικό ιταλικό κέικ
ότι αυτό είναι ένα ειδικό ιταλικό κέικ
16:12
that's only served during Easter time.
260
960941
3217
που σερβίρεται μόνο κατά την περίοδο
του Πάσχα.
του Πάσχα.
16:16
The boy is wearing his favorite t-shirt
261
964158
3205
Το αγόρι φοράει την αγαπημένη του μπλούζα
16:19
given to him as a gift by his father
after a trip to Sydney,
after a trip to Sydney,
262
967363
3970
που του την έφερε ο πατέρας του
από ένα ταξίδι στο Σίδνεϊ,
από ένα ταξίδι στο Σίδνεϊ,
16:23
and you and I can all tell how happy he is
263
971333
3808
και εμείς μπορούμε να δούμε
πόσο χαρούμενο είναι
πόσο χαρούμενο είναι
16:27
and what's exactly on his mind
at that moment.
at that moment.
264
975141
3203
και τι ακριβώς σκέφτεται αυτή τη στιγμή.
16:31
This is my son Leo.
265
979214
3125
Αυτός είναι ο γιος μου, ο Λέο.
16:34
On my quest for visual intelligence,
266
982339
2624
Στην αναζήτησή μου για οπτική νοημοσύνη
16:36
I think of Leo constantly
267
984963
2391
σκέφτομαι τον Λέο συνέχεια
16:39
and the future world he will live in.
268
987354
2903
και τον μελλοντικό κόσμο
στον οποίο θα ζήσει.
στον οποίο θα ζήσει.
16:42
When machines can see,
269
990257
2021
Όταν οι μηχανές θα μπορούν να δουν,
16:44
doctors and nurses will have
extra pairs of tireless eyes
extra pairs of tireless eyes
270
992278
4712
οι γιατροί και νοσοκόμοι θα έχουν
ένα ζευγάρι ακούραστα μάτια
ένα ζευγάρι ακούραστα μάτια
16:48
to help them to diagnose
and take care of patients.
and take care of patients.
271
996990
4092
να τους βοηθάνε να διαγνώσουν
και να φροντίσουν τους ασθενείς τους.
και να φροντίσουν τους ασθενείς τους.
16:53
Cars will run smarter
and safer on the road.
and safer on the road.
272
1001082
4383
Τα αυτοκίνητα θα οδηγούν πιο έξυπνα
και πιο ασφαλή στο δρόμο.
και πιο ασφαλή στο δρόμο.
16:57
Robots, not just humans,
273
1005465
2694
Ρομπότ, όχι μόνο άνθρωποι,
17:00
will help us to brave the disaster zones
to save the trapped and wounded.
to save the trapped and wounded.
274
1008159
4849
θα μας βοηθάνε σε ζώνες καταστροφής
να σώσουμε εγκλωβισμένους και τραυματίες.
να σώσουμε εγκλωβισμένους και τραυματίες.
Θα ανακαλύψουμε καινούργια είδη,
καλύτερα υλικά,
καλύτερα υλικά,
17:05
We will discover new species,
better materials,
better materials,
275
1013798
3796
17:09
and explore unseen frontiers
with the help of the machines.
with the help of the machines.
276
1017594
4509
και θα εξερευνήσουμε αόρατα σύνορα
με τη βοήθεια των μηχανών.
με τη βοήθεια των μηχανών.
17:15
Little by little, we're giving sight
to the machines.
to the machines.
277
1023113
4167
Σιγά-σιγά δίνουμε όραση στις μηχανές.
17:19
First, we teach them to see.
278
1027280
2798
Πρώτα, θα τους μάθουμε να βλέπουν.
17:22
Then, they help us to see better.
279
1030078
2763
Μετά, θα μας βοηθήσουν να δούμε καλύτερα.
17:24
For the first time, human eyes
won't be the only ones
won't be the only ones
280
1032841
4165
Για πρώτη φορά, τα ανθρώπινα μάτια
δεν θα είναι τα μόνα
δεν θα είναι τα μόνα
17:29
pondering and exploring our world.
281
1037006
2934
που μελετούν και εξερευνούν τον κόσμο.
17:31
We will not only use the machines
for their intelligence,
for their intelligence,
282
1039940
3460
Δεν θα χρησιμοποιούμε τις μηχανές
μόνο για τη νοημοσύνη τους,
μόνο για τη νοημοσύνη τους,
17:35
we will also collaborate with them
in ways that we cannot even imagine.
in ways that we cannot even imagine.
283
1043400
6179
θα συνεργαζόμαστε με τρόπους
που δεν μπορούμε να φανταστούμε.
που δεν μπορούμε να φανταστούμε.
17:41
This is my quest:
284
1049579
2161
Αυτός είναι ο στόχος μου:
17:43
to give computers visual intelligence
285
1051740
2712
να δώσω στους υπολογιστές οπτική νοημοσύνη
17:46
and to create a better future
for Leo and for the world.
for Leo and for the world.
286
1054452
5131
και να φτιάξω ένα καλύτερο μέλλον
για τον Λέο και για τον κόσμο.
για τον Λέο και για τον κόσμο.
17:51
Thank you.
287
1059583
1811
Σας ευχαριστώ.
17:53
(Applause)
288
1061394
3785
(Χειροκρότημα)
ABOUT THE SPEAKER
Fei-Fei Li - Computer scientistAs Director of Stanford’s Artificial Intelligence Lab and Vision Lab, Fei-Fei Li is working to solve AI’s trickiest problems -- including image recognition, learning and language processing.
Why you should listen
Using algorithms built on machine learning methods such as neural network models, the Stanford Artificial Intelligence Lab led by Fei-Fei Li has created software capable of recognizing scenes in still photographs -- and accurately describe them using natural language.
Li’s work with neural networks and computer vision (with Stanford’s Vision Lab) marks a significant step forward for AI research, and could lead to applications ranging from more intuitive image searches to robots able to make autonomous decisions in unfamiliar situations.
Fei-Fei was honored as one of Foreign Policy's 2015 Global Thinkers.
Fei-Fei Li | Speaker | TED.com