TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
جِرِمی هووارد: پیامدهای شگفت انگیز و هولناک رایانه هایی که می توانند یاد بگیرند
Filmed:
Readability: 4.5
2,532,971 views
اگر به یک رایانه یاد بدهیم چگونه یاد بگیرد، چه روی می دهد؟ جِرِمی هووارد، متخصص فناوری، به بیان برخی دستاوردهای جدید در زمینه به سرعت در حال پیشرفت یادگیری عمیق می پردازد، تکنیکی که می تواند به رایانه ها توانایی یادگیری زبان چینی، یا تشخیص تصاویر، یا تشخیص پزشکی را یاد بدهد. (یکی از ابزارهای یادگیری عمیق، توانسته پس از ساعتها تماشای یوتیوب، مفهوم گربه ها را به خود آموزش بدهد.) به موضوعی توجه کنید که نحوه ی عملکرد رایانه های اطراف شما را تغییر خواهد داد... زودتر از آنچه شاید فکرش را بکنید.
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
در گذشته اگه می خواستین یه رایانه
کار جدیدی انجام بده،
کار جدیدی انجام بده،
باید برنامه اش رو بهش می دادین.
00:16
you would have to program it.
1
4893
1554
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
خوب، برای اونایی که
تا حالا برنامه ننوشتن،
تا حالا برنامه ننوشتن،
00:21
requires laying out in excruciating detail
3
9858
3502
این کار نیاز به تعریف جزئیات طاقت فرسای
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
تک تک مراحلی داره که می‌خواین
رایانه انجام بده
رایانه انجام بده
00:28
in order to achieve your goal.
5
16727
2362
تا به هدف مورد نظر شما برسه.
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
حالا، اگه بخواین کاری انجام بدین که
خودتون نمی دونین چطور انجام میشه،
خودتون نمی دونین چطور انجام میشه،
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
با چالش بزرگی روبرو میشین.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
خوب، این چالشی بود که رو در روی این مرد، آرتور ساموئل،
قرار داشت.
قرار داشت.
00:40
In 1956, he wanted to get this computer
9
28131
4077
او در سال ۱۹۵۶، می خواست این رایانه
بتونه اونو تو بازی چکرز (دام، جنگ نادر)
شکست بده.
شکست بده.
00:44
to be able to beat him at checkers.
10
32208
2340
00:46
How can you write a program,
11
34548
2040
چطور میتونین برنامه‌ای بنویسین،
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
که با تمام جزئیات طاقت فرسا، به رایانه بگه
چجوری می تونه تو بازی چکرز از شما بهتر باشه؟
چجوری می تونه تو بازی چکرز از شما بهتر باشه؟
00:52
So he came up with an idea:
13
40394
1722
خوب، ایده ای به ذهنش رسید:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
اجازه داد رایانه هزاران بار
با خودش بازی کنه،
با خودش بازی کنه،
00:57
and learn how to play checkers.
15
45840
2524
و یاد بگیره چطور چکرز بازی کنه.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
و در واقع موفق شد،
و در عمل، تا سال ۱۹۶۲،
و در عمل، تا سال ۱۹۶۲،
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
این رایانه تونسته بود
قهرمان ایالت کانکتیکات رو شکست بده.
قهرمان ایالت کانکتیکات رو شکست بده.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
پس آرتور ساموئل
پدر یادگیری ماشینی بود،
پدر یادگیری ماشینی بود،
01:10
and I have a great debt to him,
19
58534
1717
و من دین بزرگی بهش دارم،
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
چون کارم یادگیری ماشینیه.
01:15
I was the president of Kaggle,
21
63014
1465
من رئیس کاگل بودم،
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
با بیش از دویست هزار نفر
که کارشون یادگیری ماشینیه.
که کارشون یادگیری ماشینیه.
01:19
Kaggle puts up competitions
23
67867
2058
کاگل مسابقاتی برگزار می کنه
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
و از شرکت کننده ها می خواد
مسئله هایی رو که قبلاً حل نشده ن حل کنن،
مسئله هایی رو که قبلاً حل نشده ن حل کنن،
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
و این رقابت صدها بار موفق بوده.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
پس به دلیل همین امتیاز،
تونستم چیزای زیادی
تونستم چیزای زیادی
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
درباره کارهایی بفهمم که یادگیری ماشینی
در گذشته می تونست بکنه، امروز می تونه بکنه،
در گذشته می تونست بکنه، امروز می تونه بکنه،
01:35
and what it could do in the future.
28
83890
2362
و در آینده می تونه بکنه.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
احتمالاً اولین موفقیت بزرگ تجاری
یادگیری ماشینی گوگل بود،
یادگیری ماشینی گوگل بود،
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
گوگل نشون داد یافتن اطلاعات
01:45
by using a computer algorithm,
31
93784
1752
از راه الگوریتم رایانه امکان پذیره،
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
و اساس این الگوریتم، یادگیری ماشینیه.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
از اون هنگام، یادگیری ماشینی
به موفقیتهای تجاری بسیاری دست یافته.
به موفقیتهای تجاری بسیاری دست یافته.
01:54
Companies like Amazon and Netflix
34
102323
1837
شرکت هایی مانند آمازون و نتفلیکس
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
برای پیشنهاد محصولاتی که احتمالاً دوست دارین بخرین
از یادگیری ماشینی استفاده می کنن،
از یادگیری ماشینی استفاده می کنن،
01:59
movies that you might like to watch.
36
107876
2020
یا فیلمهایی که احتمالاً دوست دارین ببینین.
02:01
Sometimes, it's almost creepy.
37
109896
1807
گاهی این کار به طور نامحسوس انجام می شه.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
شرکتهایی مانند لینکدین و فیسبوک
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
گاهی به شما درباره دوستهاتون می گن
02:08
and you have no idea how it did it,
40
116251
1977
و شما نمی دونین این کارو چجوری انجام میدن،
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
و دلیلش اینه که
از قدرت یادگیری ماشینی استفاده می کنن.
از قدرت یادگیری ماشینی استفاده می کنن.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
اینها الگوریتم هایی هستن که
یاد گرفتن این کار رو با داده ها انجام بدن
یاد گرفتن این کار رو با داده ها انجام بدن
02:16
rather than being programmed by hand.
43
124152
3247
به جای اینکه با دست برنامه ربزی بشن.
02:19
This is also how IBM was successful
44
127399
2478
آی بی ام هم به همین ترتیب موفق شد
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
کاری بکنه که واتسون در مسابقه تلویزیونی "محک"
دو نفر از قهرمانان جهان رو شکست بده،
دو نفر از قهرمانان جهان رو شکست بده،
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
با پاسخ به پرسشهای بسیار ریز
و پیچیده مانند این یکی.
و پیچیده مانند این یکی.
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
[شیء باستانی "شیر نیمرود" در سال ۲۰۰۳
(به همراه اشیای دیگر) از موزه ملی این شهر به سرقت رفت]
(به همراه اشیای دیگر) از موزه ملی این شهر به سرقت رفت]
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
همچنین به همین دلیله که حالا می تونیم
اولین خودروهای بدون راننده رو ببینیم.
اولین خودروهای بدون راننده رو ببینیم.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
اگه بخواین تفاوت
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
یه درخت و یه عابر پیاده رو تشخیص بدین،
خوب، این خیلی مهمه.
خوب، این خیلی مهمه.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
نمی دونیم چطور این برنامه ها رو با دست بنویسیم،
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
اما حالا با یادگیری ماشینی،
این کار امکان پذیره.
این کار امکان پذیره.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
و در واقع، این ماشین
بیش از یک و نیم میلیون کیلومتر
بیش از یک و نیم میلیون کیلومتر
02:48
without any accidents on regular roads.
54
156680
3506
بدون هیچ تصادفی
در جاده های عادی راه رفته.
در جاده های عادی راه رفته.
02:52
So we now know that computers can learn,
55
160196
3914
پس حالا می دونیم که رایانه ها
می تونن یاد بگیرن،
می تونن یاد بگیرن،
02:56
and computers can learn to do things
56
164110
1900
و رایانه ها می تونن کارهایی رو یاد بگیرن
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
که در واقع خود ما گاهی
نمی تونیم انجام بدیم،
نمی تونیم انجام بدیم،
03:00
or maybe can do them better than us.
58
168848
2885
یا شاید اونا بهتر از ما انجام می دن.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
یکی از عجیب ترین نمونه های
یادگیری ماشینی که دیده ام
یادگیری ماشینی که دیده ام
03:07
happened on a project that I ran at Kaggle
60
175928
2392
در پروژه ای بود
که در کاگل داشتم
که در کاگل داشتم
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
و در اون گروهی به سرپرستی جفری هینتون
03:13
from the University of Toronto
62
181911
1552
از دانشگاه تورونتو
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
برنده مسابقه ی کشف خودکار دارو شد.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
خوب، نکته فوق العاده فقط این نبود که اونها
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
همه الگوریتم های طراحی شده توسط مِرک یا
دانشگاههای بین المللی رو شکست دادن،
دانشگاههای بین المللی رو شکست دادن،
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
بلکه این بود که هیچ یک از اعضای گروه، هیچ زمینه ای
از شیمی یا زیست شناسی یا علوم زیستی نداشتن،
از شیمی یا زیست شناسی یا علوم زیستی نداشتن،
03:30
and they did it in two weeks.
67
198061
2169
و این کار رو در دو هفته انجام دادن.
03:32
How did they do this?
68
200230
1381
چطور این کار رو کردن؟
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
اونها از الگوریتم فوق العاده ای
به نام یادگیری عمیق استفاده کردن.
به نام یادگیری عمیق استفاده کردن.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
این خبر چنان مهم بود که موفقیت اونها
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
چند هفته بعد روی جلد نیویورک تایمز منعکس شد.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
این جفری هینتونه
اینجا سمت چپ.
اینجا سمت چپ.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
یادگیری عمیق الگوریتمی بر اساس
نحوه کار مغز انسانه،
نحوه کار مغز انسانه،
03:50
and as a result it's an algorithm
74
218488
1812
و در نتیجه الگوریتمیه
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
که از نظر تئوری هیچ محدودیتی
در توانایی انجام کار نداره.
در توانایی انجام کار نداره.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
هر چه داده بیشتری به اون بدین،
و با گذشت زمان
و با گذشت زمان
03:58
the better it gets.
77
226964
1312
بهتر می شه.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
همچنین نیویورک تایمز در این مطلب
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
به یه نتیجه خارق العاده دیگه
از یادگیری عمیق اشاره کرد
از یادگیری عمیق اشاره کرد
04:04
which I'm going to show you now.
80
232857
2712
که حالا به شما نشون میدم.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
اینجا می بینین که رایانه ها
می تونن گوش بدن و بفهمن.
می تونن گوش بدن و بفهمن.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(ویدئو) ریچارد رشید: حالا، آخرین مرحله ای
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
که میخوام انجام بدم
04:18
is to actually speak to you in Chinese.
84
246246
4715
در واقع اینه که
به زبان چینی با تو صحبت کنم.
به زبان چینی با تو صحبت کنم.
04:22
Now the key thing there is,
85
250961
2635
نکته ی مهم اینه که
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
تونستیم حجم بالایی از اطلاعات رو
از تعداد زیادی چینی زبان جمع کنیم
از تعداد زیادی چینی زبان جمع کنیم
04:30
and produce a text-to-speech system
87
258598
2530
و یه سیستم نوشتار-به-گفتار ایجاد کنیم
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
که نوشته های چینی رو
به زبان چینی تبدیل می کنه،
به زبان چینی تبدیل می کنه،
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
و بعد حدود یه ساعت
از صدای خودمو ضبط کردیم
از صدای خودمو ضبط کردیم
04:41
and we've used that to modulate
90
269929
1891
و از اون برای تنظیم
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
سیستم استاندارد نوشتار-به-گفتار
استفاده کردیم تا شبیه من بشه.
استفاده کردیم تا شبیه من بشه.
04:48
Again, the result's not perfect.
92
276364
2540
باز هم نتیجه ایده آل نیست.
04:50
There are in fact quite a few errors.
93
278904
2648
در واقع اشتباههایی وجود داره.
04:53
(In Chinese)
94
281552
2484
(به زبان چینی)
04:56
(Applause)
95
284036
3367
(تشویق)
05:01
There's much work to be done in this area.
96
289446
3576
در این زمینه کار زیادی باید انجام بشه.
05:05
(In Chinese)
97
293022
3645
(به زبان چینی)
05:08
(Applause)
98
296667
3433
(تشویق)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
جرمی هووارد: خوب، اینجا یه کنفرانس
درباره یادگیری ماشین تو چینه.
درباره یادگیری ماشین تو چینه.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
در واقع در اغلب کنفرانسهای دانشگاهی،
05:19
that you do hear spontaneous applause,
101
307114
1897
حضار اینطوری خودبخود تشویق نمی کنن،
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
البته گاهی در کنفرانسهای تدکس پیش میاد،
راحت باشین.
راحت باشین.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
همه چیزهایی که اونجا دیدین
حاصل یادگیری عمیق بود.
حاصل یادگیری عمیق بود.
05:27
(Applause) Thank you.
104
315482
1525
(تشویق) متشکرم.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
رونویسی به انگلیسی
یادگیری عمیق بود.
یادگیری عمیق بود.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
رونویسی به چینی و نوشته ی
بالا سمت راست، یادگیری عمیق،
بالا سمت راست، یادگیری عمیق،
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
و شکل گیری صدا نیز
یادگیری عمیق بود.
یادگیری عمیق بود.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
یادگیری عمیق چنین
پدیده ی خارق العاده ایه.
پدیده ی خارق العاده ایه.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
یه الگوریتم واحد که به نظر میرسه
بتونه تقریباً هر کاری بکنه،
بتونه تقریباً هر کاری بکنه،
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
و فهمیدم که یه سال قبل،
دیدن رو هم یاد گرفته.
دیدن رو هم یاد گرفته.
05:47
In this obscure competition from Germany
111
335452
2176
در این مسابقه عجیب از آلمان
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
به نام مسابقه تشخیص
تابلوهای ترافیکی آلمان،
تابلوهای ترافیکی آلمان،
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
یادگیری عمیق تابلوهایی
مثل این رو یاد گرفته بود.
مثل این رو یاد گرفته بود.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
نه تنها میتونست تابلوها رو
05:57
better than any other algorithm,
115
345712
1758
بهتر از هر الگوریتم دیگه ای بشناسه،
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
بلکه جدول نشون میداد
از انسان هم بهتره،
از انسان هم بهتره،
06:02
about twice as good as people.
117
350189
1852
تقریباً دو برابر بهتر از انسان.
06:04
So by 2011, we had the first example
118
352041
1996
پس تا سال ۲۰۱۱،
اولین نمونه ی
اولین نمونه ی
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
رایانه هایی رو داشتیم که
بهتر از انسان می بینن.
بهتر از انسان می بینن.
06:09
Since that time, a lot has happened.
120
357442
2049
از اون موقع، اتفاقات زیادی افتاده.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
گوگل در سال ۲۰۱۲ اعلام کرد که دارای
الگوریتم یادگیری عمیقی
الگوریتم یادگیری عمیقی
06:15
watch YouTube videos
122
363005
1415
که ویدئوهای یوتیوب رو می بینه هستند
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
و داده های اونو در عرض یه ماه
تو ۱۶ هزار رایانه پردازش میکنه،
تو ۱۶ هزار رایانه پردازش میکنه،
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
و رایانه بطور مستقل موضوعاتی
مثل آدمها و گربه ها رو یاد گرفته
مثل آدمها و گربه ها رو یاد گرفته
06:24
just by watching the videos.
125
372218
1809
فقط با تماشای ویدئو.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
تا حدود زیادی شبیه
یادگیری آدمه.
یادگیری آدمه.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
برای یاد گرفتن آدمها لازم نیست
به اونا بگین چیزی که می بینن چیه،
به اونا بگین چیزی که می بینن چیه،
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
بلکه خودشون یاد میگیرن این چیزها چیه.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
همین طور در سال ۲۰۱۲،
جفری هینتون که قبلاً دیدیمش،
جفری هینتون که قبلاً دیدیمش،
06:37
won the very popular ImageNet competition,
130
385819
2858
مسسابقه ی بسیار معروف
ایمیج نت رو برنده شد،
ایمیج نت رو برنده شد،
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
که باید یک و نیم میلیون عکس رو نگاه می کرد
06:44
what they're pictures of.
132
392818
1438
و می گفت عکس چی هستن.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
حالا در سال ۲۰۱۴ تونستیم
خطا رو به شش درصد
خطا رو به شش درصد
06:49
in image recognition.
134
397789
1453
در شناسایی تصویر پایین بیاریم.
06:51
This is better than people, again.
135
399242
2026
این هم بهتر از آدمه.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
پس ماشین تو این کار خیلی بهتره،
06:57
and it is now being used in industry.
137
405037
2269
و حالا دارن تو صنعت ازش استفاده میکنن.
06:59
For example, Google announced last year
138
407306
3042
مثلاً گوگل سال پیش اعلام کرد
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
نقشه ی همه جای فرانسه رو
در عرض دو ساعت تهیه کرده،
در عرض دو ساعت تهیه کرده،
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
و این کارو با استفاده از تصاویر دوربینهای خیابان انجام دادن
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
و یه الگوریتم یادگیری عمیق که میتونست
شماره خیابونها رو بخونه و بشناسه.
شماره خیابونها رو بخونه و بشناسه.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
تصور کنین قبلاً می تونست
چقدر طول بکشه:
چقدر طول بکشه:
07:16
dozens of people, many years.
143
424919
3355
چندین نفر، چندین سال.
07:20
This is also happening in China.
144
428274
1911
همین اتفاق داره تو چین میفته.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
بایدو یه جور گوگل چینیه، فکر کنم،
07:26
and what you see here in the top left
146
434221
2283
و چیزی که اینجا سمت چپ و بالا می بینین
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
نمونه ای از تصویریه که من
در سیستم یادگیری عمیق بایدو آپلود کردم،
در سیستم یادگیری عمیق بایدو آپلود کردم،
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
و پایینش می تونین ببینین که
سیستم فهمیده اون تصویر چیه
سیستم فهمیده اون تصویر چیه
07:36
and found similar images.
149
444247
2236
و تصاویر مشابه رو پیدا کرده.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
تصاویر مشابه در واقع دارای زمینه مشابه،
07:41
similar directions of the faces,
151
449219
1658
و جهت مشابه چهره ها هستن،
07:42
even some with their tongue out.
152
450877
1788
حتی زبون بعضیا بیرونه.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
این جستجوی واضح یه متن
از یه صفحه وب نیست.
از یه صفحه وب نیست.
07:47
All I uploaded was an image.
154
455695
1412
تمام چیزی که آپلود کردم یه تصویر بود.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
پس حالا رایانه هایی داریم که
چیزی رو که می بینن واقعاً میفهمن
چیزی رو که می بینن واقعاً میفهمن
07:53
and can therefore search databases
156
461128
1624
و بنابراین میتونن بانکهای اطلاعاتی
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
صدها میلیون تصویری رو
در یه لحظه جستجو کنن.
در یه لحظه جستجو کنن.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
پس حالا اینکه رایانه ها میتونن ببینن
یعنی چی؟
یعنی چی؟
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
خوب، فقط این نیست که
رایانه ها میتونن ببینن.
رایانه ها میتونن ببینن.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
در واقع، یادگیری عمیق
بیشتر از این انجام داده.
بیشتر از این انجام داده.
08:05
Complex, nuanced sentences like this one
161
473622
2948
جملات پیچیده و ظریف مثل این یکی
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
حالا با الگوریتم های
یادگیری عمیق قابل فهمه.
یادگیری عمیق قابل فهمه.
08:11
As you can see here,
163
479394
1303
همون طور که میتونین اینجا ببینین،
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
این سیستم مستقر در استنفورد
که نقطه قرمزی اون بالا داره
که نقطه قرمزی اون بالا داره
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
به این نتیجه رسیده که این جمله
بار عاطفی منفی داره.
بار عاطفی منفی داره.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
حالا در واقع یادگیری عمیق
به عملکرد انسان نزدیک شده
به عملکرد انسان نزدیک شده
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
در فهم اینکه جمله ها درباره ی چیه
وهر جمله درباره اون چیزها چی میگه.
وهر جمله درباره اون چیزها چی میگه.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
هم چنین، یادگیری عمیق
برای خواندن متون چینی به کار رفته،
برای خواندن متون چینی به کار رفته،
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
باز هم در سطحی که معادل
حرف زدن یه آدم چینی تبار اصیله،
حرف زدن یه آدم چینی تبار اصیله،
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
این الگوریتم در سویس ساخته شده
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
توسط افرادی که هیچ کدوم نمی تونن
چینی حرف بزنن یا بفهمن.
چینی حرف بزنن یا بفهمن.
08:39
As I say, using deep learning
172
507331
2051
همون طور که گفتم،
با استفاده از یادگیری عمیق
با استفاده از یادگیری عمیق
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
یعنی استفاده از بهترین سیستم
موجود در دنیا در این مورد،
موجود در دنیا در این مورد،
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
حتی در مقایسه با
فهم یه آدم بومی اصیل.
فهم یه آدم بومی اصیل.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
این سیستمیه که ما
تو شرکتمون جمع کردیم
تو شرکتمون جمع کردیم
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
که نشون میده همه این چیزها
کنار هم جمع شده.
کنار هم جمع شده.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
اینها تصاویریه که هیچ متنی
به اونها پیوست نیست،
به اونها پیوست نیست،
08:56
and as I'm typing in here sentences,
178
524189
2352
و همینکه اینجا جمله هایی تایپ میکنم،
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
در همون لحظه داره اون تصاویر رو میفهمه
09:01
and figuring out what they're about
180
529510
1679
و داره تصمیم میگیره
موضوع اونا چیه
موضوع اونا چیه
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
و تصاویری رو که شبیه متنیه که
من دارم می نویسم پیدا می کنه.
من دارم می نویسم پیدا می کنه.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
پس می تونین ببینین که در واقع
جمله های منو میفهمه
جمله های منو میفهمه
09:09
and actually understanding these pictures.
183
537108
2224
و در واقع این تصاویر رو میفهمه.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
میدونم یه چیزی شبیه اینو
تو گوگل دیدین،
تو گوگل دیدین،
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
اونجا میتونین چیزهایی تایپ کنین و
تصاویری به شما نشون میده،
تصاویری به شما نشون میده،
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
اما در واقع کاری که انجام میده اینه که
صفحه وب رو دنبال اون متن میگرده.
صفحه وب رو دنبال اون متن میگرده.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
این با فهم واقعی تصاویر خیلی فرق داره.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
این چیزیه که رایانه ها فقط تونستن
09:25
for the first time in the last few months.
189
553843
3248
برای اولین بار در چند ماه اخیر انجامش بدن.
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
پس حالا می بینیم که رایانه ها
هم می تونن ببینن و هم میتونن بخونن،
هم می تونن ببینن و هم میتونن بخونن،
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
و البته، نشون دادیم که میتونن
چیزی رو که می شنون بفهمن.
چیزی رو که می شنون بفهمن.
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
شاید حالا عجیب نباشه که
میخوام بگم میتونن بنویسن.
میخوام بگم میتونن بنویسن.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
این متنیه که دیروز
با یه الگوریتم یادگیری عمیق ایجاد کردم.
با یه الگوریتم یادگیری عمیق ایجاد کردم.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
و این متنیه که یه الگوریتم
از استنفورد ایجاد کرده.
از استنفورد ایجاد کرده.
09:49
Each of these sentences was generated
195
577096
1764
هر دو جمله توسط
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
الگوریتم یادگیری عمیق برای
توصیف این تصاویر ایجاد شده.
توصیف این تصاویر ایجاد شده.
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
این الگوریتم قبلاً هرگز ندیده بود
یه مرد با پیراهن مشکی گیتار بنوازد.
یه مرد با پیراهن مشکی گیتار بنوازد.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
قبلاً یه مرد دیده بود،
قبلاً مشکی دیده بود،
قبلاً مشکی دیده بود،
10:01
it's seen a guitar before,
199
589801
1599
قبلاً یه گیتار دیده بود،
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
اما بدون کمک کسی توانست چنین توصیف
نابی از این تصویر ایجاد کند.
نابی از این تصویر ایجاد کند.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
البته هنوز به سطح عملکرد انسان نرسیده ایم،
اما به آن نزدیک شده ایم.
اما به آن نزدیک شده ایم.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
در آزمونها، افراد توصیف های رایانه رو
10:15
one out of four times.
203
603264
1527
به نسبت یک به چهار ترجیح میدن.
10:16
Now this system is now only two weeks old,
204
604791
2064
حالا این سیستم فقط دو هفته س به وجود اومده،
10:18
so probably within the next year,
205
606855
1846
بنابراین در عرض یه سال آینده،
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
الگوریتم رایانه ای احتمالاً انسان رو پشت سر میذاره
10:23
at the rate things are going.
207
611502
1862
با این سرعت که کارها پیش میره.
10:25
So computers can also write.
208
613364
3049
پس رایانه ها نوشتن هم بلدن.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
پس همه ی اینها رو کنار هم میذاریم و
نتیجه ش فرصت های بسیار مهیجی میشه.
نتیجه ش فرصت های بسیار مهیجی میشه.
10:31
For example, in medicine,
210
619888
1492
مثلاً، در پزشکی،
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
یه گروه در بوستون اعلام کرده
10:35
dozens of new clinically relevant features
212
623905
2949
چندین ویژگی مهم یالینی
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
از تومورها رو پیدا کرده که به دکترها
در تعیین پیش آگهی سرطان کمک می کنن.
در تعیین پیش آگهی سرطان کمک می کنن.
10:44
Very similarly, in Stanford,
214
632220
2296
به طرز بسیار مشابه، در استنفورد،
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
یه گروه اعلام کرده،
با نگاه کردن به بافتها، با بزرگنمایی بالا،
با نگاه کردن به بافتها، با بزرگنمایی بالا،
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
یه سیستم بر اساس یادگیری
ماشینی درست کردن
ماشینی درست کردن
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
که در واقع بهتر از دکترهای آسیب شناس
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
میزان بقای مبتلایان به سرطان رو
پیش بینی می کنه.
پیش بینی می کنه.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
در هر دو مورد فوق،
نه تنها پیش بینی ها دقیق تره،
نه تنها پیش بینی ها دقیق تره،
11:02
but they generated new insightful science.
220
650764
2502
بلکه جنبه های جدیدی از بصیرت علمی
به وجود اومده.
به وجود اومده.
11:05
In the radiology case,
221
653276
1505
در مورد رادیولوژی،
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
شاخص های بالینی جدیدی به دست اومده
که انسان قادر به فهم اونهاست.
که انسان قادر به فهم اونهاست.
11:09
In this pathology case,
223
657876
1792
در این مورد آسیب شناسی،
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
سیستم رایانه ای در واقع فهمید
که سلولهای اطراف سرطان
که سلولهای اطراف سرطان
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
به اندازه ی خود سلولهای سرطانی
11:19
in making a diagnosis.
226
667508
1752
در رسیدن به تشخیص مهم هستن.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
این برخلاف چیزیه که دهها ساله
به آسیب شناسها یاد میدن.
به آسیب شناسها یاد میدن.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
در هر یک از دو مورد فوق،
اون سیستمها
اون سیستمها
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
با ترکیبی از نظر خبرگان پزشکی
و خبرگان یادگیری ماشینی شکل گرفت،
و خبرگان یادگیری ماشینی شکل گرفت،
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
اما از سال گذشته تا حالا
از اون هم جلوتر رفتیم.
از اون هم جلوتر رفتیم.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
این نمونه ای از تشخیص نواحی سرطانی
11:39
of human tissue under a microscope.
232
687824
2530
بافتهای انسان در زیر میکروسکوپه.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
سیستمی که اینجا نشون داده شده
میتونه اون نواحی رو دقیق تر از
میتونه اون نواحی رو دقیق تر از
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
یا با دقت معادل دکترهای آسیب شناس
تشخیص بده،
تشخیص بده،
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
اما به طور کامل توسط یادگیری عمیق و
بدون کمک تخصصی پزشکی ساخته شده
بدون کمک تخصصی پزشکی ساخته شده
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
توسط افرادی که
هیچ سابقه ای در این زمینه ندارن.
هیچ سابقه ای در این زمینه ندارن.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
به طور مشابه، اینجا،
این قطعه قطعه شدن عصب.
این قطعه قطعه شدن عصب.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
ما حالا میتونیم اعصاب رو با دقت
مشابه انسان قطعه قطعه کنیم،
مشابه انسان قطعه قطعه کنیم،
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
اما این سیستم با یادگیری عمیق ایجاد شده
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
توسط افرادی که هیچ سابقه ی پزشکی ندارن.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
پس خودم، به عنوان کسی که
هیچ سابقه ی پزشکی ندارم،
هیچ سابقه ی پزشکی ندارم،
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
به نظر میرسه کاملاً آمادگی دارم
یه شرکت جدید پزشکی تأسیس کنم،
یه شرکت جدید پزشکی تأسیس کنم،
12:15
which I did.
243
723875
2146
که همین کارو کردم.
12:18
I was kind of terrified of doing it,
244
726021
1740
یه جورایی از انجام این کار میترسیدم،
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
اما به طور نظری امکانش بود
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
که با این فنون تحلیل داده بتونم
کار پزشکی بسیار مفیدی انجام بدم.
کار پزشکی بسیار مفیدی انجام بدم.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
و شُکر که بازخوردش خارق العاده بوده،
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
نه تنها از رسانه ها
بلکه از جامعه ی پزشکی،
بلکه از جامعه ی پزشکی،
12:32
who have been very supportive.
249
740978
2344
که خیلی حمایت کردن.
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
فرضیه اینه که میتونیم
قسمت وسط فرآیند پزشکی رو بگیریم
قسمت وسط فرآیند پزشکی رو بگیریم
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
و اونو تا حد امکان
به تحلیل داده ها تبدیل کنیم،
به تحلیل داده ها تبدیل کنیم،
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
و کارهایی رو که دکترها بهتر انجام میدن
به اونها بسپاریم.
به اونها بسپاریم.
12:45
I want to give you an example.
253
753429
1602
میخوام یه مثال براتون بزنم.
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
حالا به وجود اومدن یه آزمایش تشخیصی جدید
حدود ۱۵ دقیقه طول میکشه
حدود ۱۵ دقیقه طول میکشه
12:51
and I'll show you that in real time now,
255
759975
1954
و حالا اینو به طور زنده به شما نشون میدم،
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
اما با برش چند قسمت فشرده ش کردم به سه دقیقه.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
بجای آزمایش تشخیص پزشکی
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
میخوام یه آزمایش تشخیص تصاویر
خودرو براتون بسازم،
خودرو براتون بسازم،
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
چون چیزیه که همه ی ما میفهمیم.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
پس اینجا با حدود یک و نیم میلیون
تصویر خودرو شروع می کنیم،
تصویر خودرو شروع می کنیم،
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
و میخوام چیزی درست کنم که بتون
اونها رو بر اساس زاویه ی عکاسی
اونها رو بر اساس زاویه ی عکاسی
13:12
of the photo that's being taken.
262
780475
2223
دسته بندی کنه.
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
خوب همه ی این تصاویر بدون برچسب هستن،
پس ناچارم از اول شروع کنم.
پس ناچارم از اول شروع کنم.
13:18
With our deep learning algorithm,
264
786586
1865
با الگوریتم یادگیری عمیق ما،
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
این سیستم میتونه به طور خودکار
ساختارهای هر تصویر رو شناسایی کنه.
ساختارهای هر تصویر رو شناسایی کنه.
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
خوب نکته ی مثبت اینه که حالا انسان
و رایانه میتونن با هم کار کنن.
و رایانه میتونن با هم کار کنن.
13:27
So the human, as you can see here,
267
795778
2178
پس انسان، همون طور که اینجا میتونین ببینین،
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
داره موارد مورد نظر رو
به رایانه میگه
به رایانه میگه
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
و از رایانه میخواد با استفاده
از اونها الگوریتم خودشو بهتر کنه.
از اونها الگوریتم خودشو بهتر کنه.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
حالا این سیستمهای یادگیری عمیق
در واقع در فضای ۱۶ هزار بعدی هستن،
در واقع در فضای ۱۶ هزار بعدی هستن،
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
پس اینجا می تونین ببینین
رایانه اینو در اون فضا میچرخونه،
رایانه اینو در اون فضا میچرخونه،
13:45
trying to find new areas of structure.
272
813009
1992
و سعی میکنه ساختارهای
جدید رو پیدا کنه.
جدید رو پیدا کنه.
13:47
And when it does so successfully,
273
815001
1781
و وقتی این کار رو
با چنین موفقیتی انجام میده،
با چنین موفقیتی انجام میده،
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
فردی که داره هدایتش میکنه
میتونه نواحی مورد نظر رو نشون بده.
میتونه نواحی مورد نظر رو نشون بده.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
پس اینجا، رایانه موفق شده نواحی،
13:55
for example, angles.
276
823208
2562
مثلاً زاویه ها رو پیدا کنه.
13:57
So as we go through this process,
277
825770
1606
پس طی این فرآیند،
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
به تدریج به رایانه
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
نکات بیشتر و بیشتری درباره ی
انواع ساختارهای مورد نظرمون میگیم.
انواع ساختارهای مورد نظرمون میگیم.
14:04
You can imagine in a diagnostic test
280
832144
1772
میتونین فرض کنین در یه آزمایش تشخیصی
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
این میتونه یه آسیب شناس باشه که مثلاً
نواحی آسیب رو شناسایی می کنه،
نواحی آسیب رو شناسایی می کنه،
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
یا یه رادیولوژیست که گره های
بالقوه مشکل دار رو نشون میده.
بالقوه مشکل دار رو نشون میده.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
و این گاهی ممکنه
برای الگوریتم مشکل باشه.
برای الگوریتم مشکل باشه.
14:16
In this case, it got kind of confused.
284
844851
1964
در این مورد، یه جورایی سردرگم شد.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
جلو و عقب خودروها همه در همه.
14:21
So here we have to be a bit more careful,
286
849365
2072
پس اینجا باید کمی بیشتر دقت کنیم،
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
با دست جلو و عقب رو مشخص کنیم،
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
بعد به رایانه بگیم
این نوع گروهیه
این نوع گروهیه
14:32
that we're interested in.
289
860175
1348
که منظور ماست.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
پس این کار رو مدتی انجام میدیم،
کمی ازش رد میشیم،
کمی ازش رد میشیم،
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
و بعد به الگوریتم یادگیری
ماشینی آموزش میدیم
ماشینی آموزش میدیم
14:38
based on these couple of hundred things,
292
866446
1974
بر اساس این چند صد چیز،
14:40
and we hope that it's gotten a lot better.
293
868420
2025
و امیدواریم خیلی بهتر بشه.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
حالا میتونین ببینین که
بعضی از این تصاویر داره محو میشه،
بعضی از این تصاویر داره محو میشه،
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
که نشون میده خودش کم کم
بعضی از اینا رو میشناسه.
بعضی از اینا رو میشناسه.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
پس میتونیم از این مفهوم تصاویر مشابه
استفاده کنیم،
استفاده کنیم،
14:53
and using similar images, you can now see,
297
881128
2094
و با استفاده از تصاویر مشابه،
حالا میتونین ببینین که،
حالا میتونین ببینین که،
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
رایانه در این نقطه میتونه
فقط جلوی خودروها رو کاملاً بشناسه.
فقط جلوی خودروها رو کاملاً بشناسه.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
پس در این نقطه، انسان
میتونه به رایانه بگه،
میتونه به رایانه بگه،
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
خوب، بله، کارت خوب بود.
15:05
Sometimes, of course, even at this point
301
893652
2185
گاهی، البته، حتی در این نقطه،
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
جدا کردن گروهها مشکله.
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
در این مورد، حتی بعد از اینکه رایانه
مدتی اینجا میچرخه،
مدتی اینجا میچرخه،
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
هنوز می بینیم که سمت چپ و راست تصاویر
15:18
are all mixed up together.
305
906744
1478
همه در همه.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
پس دوباره میتونیم به رایانه کمک کنیم،
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
و بگیم خوب، حالا سعی کن
زائده ای رو پیدا کنی
زائده ای رو پیدا کنی
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
که سمت چپ و راست رو
تا حد امکان مشخص کنه
تا حد امکان مشخص کنه
15:27
using this deep learning algorithm.
309
915945
2122
به کمک این الگوریتم یادگیری عمیق.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
و با این کمک--
آهان، بله، موفق شده.
آهان، بله، موفق شده.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
تونسته راهی پیدا کنه
که درباره این اشیا فکر کنه
که درباره این اشیا فکر کنه
15:35
that's separated out these together.
312
923891
2380
و اینها رو از هم جدا کنه.
15:38
So you get the idea here.
313
926271
2438
پس ایده رو اینجا گرفتین.
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
اینجا رایانه جای انسان رو نمی گیره،
15:48
but where they're working together.
315
936906
2640
بلکه با هم کار میکنن.
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
کاری که اینجا می کنیم اینه که
کاری که وقت یه گروه
کاری که وقت یه گروه
15:55
of five or six people about seven years
317
943096
2002
پنج یا شش نفره رو
حدود هفت سال می گرفت
حدود هفت سال می گرفت
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
به سیستمی میدیم که همون کار رو
در عرض ۱۵ دقیقه انجام میده
در عرض ۱۵ دقیقه انجام میده
15:59
for one person acting alone.
319
947703
2505
فقط با یه نفر که
به تنهایی کار میکنه.
به تنهایی کار میکنه.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
پس این فرآیند
حدود چهار یا پنج بار تکرار میشه.
حدود چهار یا پنج بار تکرار میشه.
16:06
You can see we now have 62 percent
321
954158
1859
می تونین ببینین که حالا
موفق شدیم ۶۲ درصد
موفق شدیم ۶۲ درصد
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
از یک و نیم میلیون تصویر رو
دسته بندی کنیم.
دسته بندی کنیم.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
و در این نقطه،
میتونیم با سرعت تمام
میتونیم با سرعت تمام
16:13
grab whole big sections,
324
961448
1297
دسته ها رو به طور کامل بگیریم،
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
و هر کدوم رو چک کنیم تا
مطمئن بشیم اشتباه نشده.
مطمئن بشیم اشتباه نشده.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
در صورت اشتباه، میتونیم
اینو به رایانه اطلاع بدیم.
اینو به رایانه اطلاع بدیم.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
و با این نوع فرآیند
برای هر یک از گروههای مختلف،
برای هر یک از گروههای مختلف،
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
حالا به موفقیت ۸۰ درصد
16:27
in classifying the 1.5 million images.
329
975148
2415
در طبقه بندی یک و نیم میلیون تصویر رسیدیم.
16:29
And at this point, it's just a case
330
977563
2078
و این نقطه، جاییه که
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
تعداد کمی تصویر درست طبقه بندی نشده،
16:35
and trying to understand why.
332
983220
2888
و سعی می کنه بفهمه چرا.
16:38
And using that approach,
333
986108
1743
و با استفاده از روش فوق،
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
در عرض ۱۵ دقیقه
به میزان طبقه بندی ۹۷ درصد رسیدیم.
به میزان طبقه بندی ۹۷ درصد رسیدیم.
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
پس این نوع تکنیک
به ما امکان داد یه مشکل بزرگ رو حل کنیم،
به ما امکان داد یه مشکل بزرگ رو حل کنیم،
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
این مشکل که با کمبود نیروی تخصصی
پزشکی در جهان روبرو هستیم.
پزشکی در جهان روبرو هستیم.
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
مجمع جهانی اقتصاد اعلام کرده
بین ۱۰ تا ۲۰ برابر
بین ۱۰ تا ۲۰ برابر
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
کمبود پزشک در
جهان در حال توسعه وجود داره،
جهان در حال توسعه وجود داره،
16:57
and it would take about 300 years
339
1005727
2113
و حدود ۳۰۰ سال طول میکشه
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
تا تعداد کافی پزشک
برای حل این مشکل تربیت بشه.
برای حل این مشکل تربیت بشه.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
پس تصور کنین اگه بتونیم
کارایی اونا رو افزایش بدیم
کارایی اونا رو افزایش بدیم
17:05
using these deep learning approaches?
342
1013619
2839
با اساتفاده از این روشهای
یادگیری عمیق، چی میشه؟
یادگیری عمیق، چی میشه؟
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
خوب این فرصتها منو
به شدت هیجان زده کرده.
به شدت هیجان زده کرده.
17:10
I'm also concerned about the problems.
344
1018690
2589
همچنین نگران مشکلات هستم.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
اینجا مشکل اینه که
هر ناحیه آبی رنگ در این نقشه
هر ناحیه آبی رنگ در این نقشه
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
جاییه که میزان اشتغال در خدمات
بیشتر از ۸۰ درصده.
بیشتر از ۸۰ درصده.
17:20
What are services?
347
1028172
1787
چه خدماتی؟
17:21
These are services.
348
1029959
1514
این خدمات.
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
اینها دقیقاً همون چیزهایی هستن
که رایانه ها یاد گرفتن انجام بدن.
که رایانه ها یاد گرفتن انجام بدن.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
پس ۸۰ درصد اشتغال در جهان توسعه یافته
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
مربوط به کارهاییه که
رایانه ها بلد هستن.
رایانه ها بلد هستن.
17:33
What does that mean?
352
1041963
1440
مفهومش چیه؟
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
خوب، مشکلی نیست.
میتونن در مشاغل دیگه جایگزین بشن.
میتونن در مشاغل دیگه جایگزین بشن.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
به عنوان مثال، موقعیتهای شغلی بیشتری
برای دانشمندان علوم داده ایجاد میشه.
برای دانشمندان علوم داده ایجاد میشه.
17:40
Well, not really.
355
1048693
817
خوب، نه واقعاً.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
دانشمندان علوم داده زمان زیادی
برای ساختن این چیزها صرف نکردن.
برای ساختن این چیزها صرف نکردن.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
به عنوان مثال، این چهار الگوریتم
همگی توسط یه نفر ساخته شده.
همگی توسط یه نفر ساخته شده.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
پس اگه فکر کنید، اوه،
قبلاً مشابه همین اتفاق افتاده،
قبلاً مشابه همین اتفاق افتاده،
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
نتیجه شو در گذشته دیدیم
وقتی چیزهای جدید وارد میشه
وقتی چیزهای جدید وارد میشه
17:54
and they get replaced by new jobs,
360
1062126
2252
و شغلهای جدید جای اونا رو میگیره،
17:56
what are these new jobs going to be?
361
1064378
2116
این شغلهای جدید چه خواهد بود؟
17:58
It's very hard for us to estimate this,
362
1066494
1871
برآوردش برامون خیلی سخته،
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
چون عملکرد انسانی به تدریج رشد می کنه،
18:03
but we now have a system, deep learning,
364
1071104
2562
اما حالا سیستمی داریم به نام یادگیری عمیق،
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
که در واقع میدونیم که از نظر توانایی،
سرعت رشد تصاعدی داره.
سرعت رشد تصاعدی داره.
18:08
And we're here.
366
1076893
1605
و ما اینجاییم.
18:10
So currently, we see the things around us
367
1078498
2061
پس در حال حاضر، چیزهای اطرفمون رو می بینیم
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
و میگیم، "اوه، رایانه ها
هنوز خیلی عقب هستن." درسته؟
هنوز خیلی عقب هستن." درسته؟
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
اما در عرض پنج سال،
رایانه ها از این جدول خارج خواهند شد.
رایانه ها از این جدول خارج خواهند شد.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
پس لازمه همین الان شروع به
فکر درباره ی این قابلیت کنیم.
فکر درباره ی این قابلیت کنیم.
18:22
We have seen this once before, of course.
371
1090529
2050
البته اینو قبلاً یه بار دیدیم.
18:24
In the Industrial Revolution,
372
1092579
1387
در انقلاب صنعتی،
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
با ورود موتورها شاهد
یک گام تغییر در قابلیت بودیم.
یک گام تغییر در قابلیت بودیم.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
اما نکته این است
که پس از مدتی، همه چیز خراب شد.
که پس از مدتی، همه چیز خراب شد.
18:32
There was social disruption,
375
1100805
1702
گسست اجتماعی اتفاق افتاد،
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
اما وقتی استفاده از موتورها برای تولید
نیرو در موقعیتهای مختلف شروع شد،
نیرو در موقعیتهای مختلف شروع شد،
18:37
things really settled down.
377
1105946
2354
همه چیز واقعاً عادی شد.
18:40
The Machine Learning Revolution
378
1108300
1473
انقلاب یادگیری ماشینی
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
بسیار متفاوت از
انقلاب صنعتی خواهد بود،
انقلاب صنعتی خواهد بود،
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
چون انقلاب یادگیری ماشینی،
هرگز عادی نمی شود.
هرگز عادی نمی شود.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
هر چه رایانه ها در امور ذهنی
بهتر می شوند،
بهتر می شوند،
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
می تونن رایانه های بهتری بسازن
که در امور ذهنی بهتر هستن،
که در امور ذهنی بهتر هستن،
18:54
so this is going to be a kind of change
383
1122862
1908
پس این نوعی تغییر خواهد بود
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
که جهان هرگز پیش از این
تجربه نکرده،
تجربه نکرده،
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
پس فهم قبلی شما متفاوت با
چیزیه که ممکنه.
چیزیه که ممکنه.
19:02
This is already impacting us.
386
1130974
1780
این قبلاً در حال
تحت تأثیر قرار دادن ماست.
تحت تأثیر قرار دادن ماست.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
در عرض ۲۵ سال اخیر،
با افزایش بهره وری سرمایه،
با افزایش بهره وری سرمایه،
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
بهره وری کار ثابت مانده،
در واقع کمی هم افت کرده.
در واقع کمی هم افت کرده.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
بنابراین میخوام این بحث رو
الان شروع کنیم.
الان شروع کنیم.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
میدونم که اغلب وقتی درباره ی
این وضعیت به افراد توضیح میدم،
این وضعیت به افراد توضیح میدم،
19:19
people can be quite dismissive.
391
1147176
1490
ممکنه کسی اعتنا نکنه.
19:20
Well, computers can't really think,
392
1148666
1673
خوب، رایانه ها در واقع نمی تونن فکر کنن،
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
اونها احساس ندارن،
شعر رو نمی فهمن،
شعر رو نمی فهمن،
19:25
we don't really understand how they work.
394
1153367
2521
ما در واقع نمیدونیم چطور کار میکنن.
19:27
So what?
395
1155888
1486
پس چه؟
19:29
Computers right now can do the things
396
1157374
1804
رایانه ها همین الان میتونن
کارهایی بکنن
کارهایی بکنن
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
که انسانها بیشتر وقتشون رو
صرفش می کنن و در مقابلش پول میگیرن،
صرفش می کنن و در مقابلش پول میگیرن،
19:33
so now's the time to start thinking
398
1161897
1731
پس الان وقت آن است
که شروع کنیم به فکر
که شروع کنیم به فکر
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
درباره ی اینکه چطور قراره ساختارهای اجتماعی
و ساختارهای اقتصادی خودمونو تغییر بدیم
و ساختارهای اقتصادی خودمونو تغییر بدیم
19:40
to be aware of this new reality.
400
1168015
1840
تا از این واقعیت جدید آگاه بشیم.
19:41
Thank you.
401
1169855
1533
متشکرم.
19:43
(Applause)
402
1171388
802
(تشویق)
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