TED2015
Fei-Fei Li: How we're teaching computers to understand pictures
Fei-Fei Li: Comment apprendre aux ordinateurs à comprendre des images
Filmed:
Readability: 4.5
2,702,344 views
Quand un tout jeune enfant regarde une photo, il peut identifier des éléments simples : un chat, un livre, une chaise. Aujourd'hui, les ordinateurs sont assez intelligents pour faire la même chose.
Et après ? Dans cette passionnante conférence, la spécialiste en vision par ordinateur Fei-Fei Li décrit où nous en sommes : la base de données de 15 millions de photos mise en place par son équipe pour « enseigner » à un ordinateur à comprendre des photos, et un aperçu de ce qui reste encore à faire.
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
Je vais vous montrer quelque chose.
00:18
(Video) Girl: Okay, that's a cat
sitting in a bed.
sitting in a bed.
1
6104
4156
(Enfant) C'est un chat assis sur un lit.
00:22
The boy is petting the elephant.
2
10260
4040
Le garçon caresse l'éléphant.
00:26
Those are people
that are going on an airplane.
that are going on an airplane.
3
14300
4354
Des gens montent dans un avion.
00:30
That's a big airplane.
4
18654
2810
C'est un gros avion.
00:33
Fei-Fei Li: This is
a three-year-old child
a three-year-old child
5
21464
2206
(Fei-Fei Li) C'est une enfant de 3 ans
00:35
describing what she sees
in a series of photos.
in a series of photos.
6
23670
3679
qui décrit ce qu'elle voit sur des photos.
00:39
She might still have a lot
to learn about this world,
to learn about this world,
7
27349
2845
Elle a peut-être encore
beaucoup à apprendre,
beaucoup à apprendre,
00:42
but she's already an expert
at one very important task:
at one very important task:
8
30194
4549
mais elle est déjà experte
dans un domaine très important :
dans un domaine très important :
00:46
to make sense of what she sees.
9
34743
2846
comprendre ce qu'elle voit.
00:50
Our society is more
technologically advanced than ever.
technologically advanced than ever.
10
38229
4226
Notre société est technologiquement
plus avancée que jamais.
plus avancée que jamais.
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
On envoie des gens sur la Lune,
on fait des téléphones qui nous parlent,
on fait des téléphones qui nous parlent,
00:58
or customize radio stations
that can play only music we like.
that can play only music we like.
12
46084
4946
on a des stations de radio
qui ne passent que ce qu'on aime.
qui ne passent que ce qu'on aime.
01:03
Yet, our most advanced
machines and computers
machines and computers
13
51030
4055
Pourtant, les machines et les ordinateurs
les plus avancés
les plus avancés
01:07
still struggle at this task.
14
55085
2903
ont toujours du mal à faire ça.
01:09
So I'm here today
to give you a progress report
to give you a progress report
15
57988
3459
Alors aujourd'hui je vais vous expliquer
où nous en sommes,
où nous en sommes,
01:13
on the latest advances
in our research in computer vision,
in our research in computer vision,
16
61447
4047
nos dernières recherches
sur la vision par ordinateur,
sur la vision par ordinateur,
01:17
one of the most frontier
and potentially revolutionary
and potentially revolutionary
17
65494
4161
l'une des technologies les plus novatrices
et potentiellement révolutionnaires
et potentiellement révolutionnaires
01:21
technologies in computer science.
18
69655
3206
en informatique.
01:24
Yes, we have prototyped cars
that can drive by themselves,
that can drive by themselves,
19
72861
4551
Oui, nous avons des prototypes de voitures
qui conduisent toutes seules,
qui conduisent toutes seules,
01:29
but without smart vision,
they cannot really tell the difference
they cannot really tell the difference
20
77412
3853
mais sans la vision intelligente,
elles ne font pas la différence
elles ne font pas la différence
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
entre un sac de papier roulé en boule,
que l'on peut écraser,
que l'on peut écraser,
01:37
and a rock that size,
which should be avoided.
which should be avoided.
22
85235
3340
et une pierre qu'il faut éviter.
01:41
We have made fabulous megapixel cameras,
23
89415
3390
Nous fabriquons des appareils photo
à mégapixels incroyables,
à mégapixels incroyables,
01:44
but we have not delivered
sight to the blind.
sight to the blind.
24
92805
3135
mais nous n'avons pas donné
la vue aux aveugles.
la vue aux aveugles.
01:48
Drones can fly over massive land,
25
96420
3305
Les drones peuvent parcourir
de grandes distances
de grandes distances
01:51
but don't have enough vision technology
26
99725
2134
mais la technologie
n'est pas assez avancée
n'est pas assez avancée
01:53
to help us to track
the changes of the rainforests.
the changes of the rainforests.
27
101859
3461
pour suivre l'évolution
des forêts tropicales.
des forêts tropicales.
01:57
Security cameras are everywhere,
28
105320
2950
Il y a des caméras de sécurité partout,
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
mais elles ne savent pas nous alerter
quand un enfant se noie dans une piscine.
quand un enfant se noie dans une piscine.
02:06
Photos and videos are becoming
an integral part of global life.
an integral part of global life.
30
114167
5595
La photo et la vidéo
font partie de notre vie.
font partie de notre vie.
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
Elles sont générées tellement vite
qu'aucun humain
qu'aucun humain
02:15
or teams of humans, could hope to view,
32
123849
2783
ou groupe d'humains ne peut tout voir,
02:18
and you and I are contributing
to that at this TED.
to that at this TED.
33
126632
3921
Vous et moi, nous y contribuons,
avec cette conférence TED.
avec cette conférence TED.
02:22
Yet our most advanced software
is still struggling at understanding
is still struggling at understanding
34
130553
5232
Pourtant nos programmes les plus avancés
ont du mal à comprendre
ont du mal à comprendre
02:27
and managing this enormous content.
35
135785
3876
et à gérer cet énorme contenu.
02:31
So in other words,
collectively as a society,
collectively as a society,
36
139661
5272
En d'autres termes, nous, la société,
02:36
we're very much blind,
37
144933
1746
sommes vraiment aveugles,
02:38
because our smartest
machines are still blind.
machines are still blind.
38
146679
3387
parce que nos plus intelligentes
machines sont encore aveugles.
machines sont encore aveugles.
02:43
"Why is this so hard?" you may ask.
39
151526
2926
« Pourquoi est-ce si difficile ? »,
pourriez-vous demander.
pourriez-vous demander.
02:46
Cameras can take pictures like this one
40
154452
2693
Un appareil peut prendre une photo
comme celle-ci,
comme celle-ci,
02:49
by converting lights into
a two-dimensional array of numbers
a two-dimensional array of numbers
41
157145
3994
il convertit la lumière
en tableaux bidimensionnels
en tableaux bidimensionnels
02:53
known as pixels,
42
161139
1650
que l'on nomme pixels,
02:54
but these are just lifeless numbers.
43
162789
2251
mais ce ne sont que des nombres sans vie.
02:57
They do not carry meaning in themselves.
44
165040
3111
Par eux-mêmes, ils ne signifient rien.
03:00
Just like to hear is not
the same as to listen,
the same as to listen,
45
168151
4343
Tout comme entendre
n'est pas la même chose qu'écouter,
n'est pas la même chose qu'écouter,
03:04
to take pictures is not
the same as to see,
the same as to see,
46
172494
4040
prendre une photo,
ce n'est pas comme voir,
ce n'est pas comme voir,
03:08
and by seeing,
we really mean understanding.
we really mean understanding.
47
176534
3829
et par « voir », entendez « comprendre ».
03:13
In fact, it took Mother Nature
540 million years of hard work
540 million years of hard work
48
181293
6177
En fait, Mère Nature a travaillé dur
540 millions d'années
540 millions d'années
03:19
to do this task,
49
187470
1973
pour accomplir cette tâche,
03:21
and much of that effort
50
189443
1881
et le plus gros de cet effort a été
03:23
went into developing the visual
processing apparatus of our brains,
processing apparatus of our brains,
51
191324
5271
le développement de l'appareil
qui produit la vision dans notre cerveau,
qui produit la vision dans notre cerveau,
03:28
not the eyes themselves.
52
196595
2647
pas les yeux.
03:31
So vision begins with the eyes,
53
199242
2747
La vision commence avec les yeux,
03:33
but it truly takes place in the brain.
54
201989
3518
mais tout se passe en fait dans le cerveau.
03:38
So for 15 years now, starting
from my Ph.D. at Caltech
from my Ph.D. at Caltech
55
206287
5060
Depuis maintenant 15 ans, d'abord en thèse à Caltech
03:43
and then leading Stanford's Vision Lab,
56
211347
2926
puis à la tête du Vision Lab à Stanford,
03:46
I've been working with my mentors,
collaborators and students
collaborators and students
57
214273
4396
je travaille avec mes mentors,
collaborateurs et étudiants
collaborateurs et étudiants
03:50
to teach computers to see.
58
218669
2889
pour apprendre la vision aux ordinateurs.
03:54
Our research field is called
computer vision and machine learning.
computer vision and machine learning.
59
222658
3294
Il s'agit de vision par ordinateur et
d'apprentissage machine.
d'apprentissage machine.
03:57
It's part of the general field
of artificial intelligence.
of artificial intelligence.
60
225952
3878
C'est un pan de la recherche sur
l'intelligence artificielle.
l'intelligence artificielle.
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
Le but est d'enseigner aux machines
à voir comme nous :
à voir comme nous :
04:08
naming objects, identifying people,
inferring 3D geometry of things,
inferring 3D geometry of things,
62
236493
5387
nommer des objets, identifier des gens,
déduire des formes géométriques 3D,
déduire des formes géométriques 3D,
04:13
understanding relations, emotions,
actions and intentions.
actions and intentions.
63
241880
5688
comprendre les relations, les émotions,
les actions et les intentions.
les actions et les intentions.
04:19
You and I weave together entire stories
of people, places and things
of people, places and things
64
247568
6153
Nous tissons constamment des histoires
de gens, d'endroits, de choses
de gens, d'endroits, de choses
04:25
the moment we lay our gaze on them.
65
253721
2164
dès que nous posons les yeux dessus.
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
Le premier pas est d'apprendre
à l'ordinateur à voir des objets,
à l'ordinateur à voir des objets,
04:34
the building block of the visual world.
67
262538
3368
c'est l'élément de base du monde visuel.
04:37
In its simplest terms,
imagine this teaching process
imagine this teaching process
68
265906
4434
Pour parler simplement, imaginez
que ce processus d'apprentissage
que ce processus d'apprentissage
04:42
as showing the computers
some training images
some training images
69
270340
2995
consiste à montrer à l'ordinateur
04:45
of a particular object, let's say cats,
70
273335
3321
des images d'un certain objet,
par exemple des chats,
par exemple des chats,
04:48
and designing a model that learns
from these training images.
from these training images.
71
276656
4737
puis concevoir un modèle
qui puisse apprendre avec ces images.
qui puisse apprendre avec ces images.
04:53
How hard can this be?
72
281393
2044
Ça ne doit pas être bien difficile !
04:55
After all, a cat is just
a collection of shapes and colors,
a collection of shapes and colors,
73
283437
4052
Après tout, un chat est un ensemble
de formes et de couleurs.
de formes et de couleurs.
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
Au début de la modélisation objet,
c'est ce que nous avons fait.
c'est ce que nous avons fait.
05:03
We'd tell the computer algorithm
in a mathematical language
in a mathematical language
75
291575
3622
On rentrait un algorithme
en langage mathématique
en langage mathématique
05:07
that a cat has a round face,
a chubby body,
a chubby body,
76
295197
3343
pour dire que le chat a un visage rond,
un corps un peu dodu,
un corps un peu dodu,
05:10
two pointy ears, and a long tail,
77
298540
2299
deux oreilles pointues et une longue queue
05:12
and that looked all fine.
78
300839
1410
et tout allait bien.
05:14
But what about this cat?
79
302859
2113
Mais que fait-on pour celui-ci ?
05:16
(Laughter)
80
304972
1091
(Rires)
05:18
It's all curled up.
81
306063
1626
Il est tout retourné.
05:19
Now you have to add another shape
and viewpoint to the object model.
and viewpoint to the object model.
82
307689
4719
Alors il faut ajouter d'autres formes
et points de vue au modèle objet.
et points de vue au modèle objet.
05:24
But what if cats are hidden?
83
312408
1715
Et si le chat est caché ?
05:27
What about these silly cats?
84
315143
2219
Et ces drôles de chats-là ?
05:31
Now you get my point.
85
319112
2417
Vous voyez ce que je veux dire.
05:33
Even something as simple
as a household pet
as a household pet
86
321529
3367
Quelque chose d'aussi simple
qu'un animal domestique
qu'un animal domestique
05:36
can present an infinite number
of variations to the object model,
of variations to the object model,
87
324896
4504
présente une infinité de variations
du modèle objet.
du modèle objet.
05:41
and that's just one object.
88
329400
2233
Et ça n'est qu'un seul objet.
05:44
So about eight years ago,
89
332573
2492
Il y a environ 8 ans,
05:47
a very simple and profound observation
changed my thinking.
changed my thinking.
90
335065
5030
une réflexion toute simple mais profonde
a changé ma manière de penser.
a changé ma manière de penser.
05:53
No one tells a child how to see,
91
341425
2685
Personne ne dit à un enfant comment voir,
05:56
especially in the early years.
92
344110
2261
surtout dans les premières années.
05:58
They learn this through
real-world experiences and examples.
real-world experiences and examples.
93
346371
5000
Il apprend par l'expérience,
par des exemples quotidiens.
par des exemples quotidiens.
06:03
If you consider a child's eyes
94
351371
2740
Pensez aux yeux d'un enfant
06:06
as a pair of biological cameras,
95
354111
2554
comme à deux appareils photo biologiques
06:08
they take one picture
about every 200 milliseconds,
about every 200 milliseconds,
96
356665
4180
qui prennent une photo
chaque 200 millisecondes,
chaque 200 millisecondes,
06:12
the average time an eye movement is made.
97
360845
3134
la durée moyenne du mouvement de l’œil.
06:15
So by age three, a child would have seen
hundreds of millions of pictures
hundreds of millions of pictures
98
363979
5550
A 3 ans, un enfant a vu
des centaines de millions de photos
des centaines de millions de photos
06:21
of the real world.
99
369529
1834
du monde réel.
06:23
That's a lot of training examples.
100
371363
2280
Ça nous fait beaucoup d'exemples.
06:26
So instead of focusing solely
on better and better algorithms,
on better and better algorithms,
101
374383
5989
Alors plutôt que se concentrer
sur l'amélioration des algorithmes,
sur l'amélioration des algorithmes,
06:32
my insight was to give the algorithms
the kind of training data
the kind of training data
102
380372
5272
mon idée a été de former les algorithmes
avec le genre de données
avec le genre de données
06:37
that a child was given through experiences
103
385644
3319
qu'un enfant reçoit par l'expérience
06:40
in both quantity and quality.
104
388963
3878
tant en quantité qu'en qualité
06:44
Once we know this,
105
392841
1858
Une fois que nous avons compris ça,
06:46
we knew we needed to collect a data set
106
394699
2971
nous savions qu'il fallait collecter
un ensemble de données
un ensemble de données
06:49
that has far more images
than we have ever had before,
than we have ever had before,
107
397670
4459
qui contienne bien plus d'images
que jamais auparavant,
que jamais auparavant,
06:54
perhaps thousands of times more,
108
402129
2577
peut-être des milliers de fois plus.
06:56
and together with Professor
Kai Li at Princeton University,
Kai Li at Princeton University,
109
404706
4111
Avec le professeur Kai Li
de l'Université de Princeton,
de l'Université de Princeton,
07:00
we launched the ImageNet project in 2007.
110
408817
4752
nous avons donc lancé
le projet ImageNet en 2007.
le projet ImageNet en 2007.
07:05
Luckily, we didn't have to mount
a camera on our head
a camera on our head
111
413569
3838
Heureusement, ce n'était pas la peine
de se mettre une caméra sur la tête
de se mettre une caméra sur la tête
07:09
and wait for many years.
112
417407
1764
et d'attendre plusieurs années.
07:11
We went to the Internet,
113
419171
1463
Nous sommes allés sur Internet,
07:12
the biggest treasure trove of pictures
that humans have ever created.
that humans have ever created.
114
420634
4436
la plus grande mine de photos
que l'humain ait jamais créée.
que l'humain ait jamais créée.
07:17
We downloaded nearly a billion images
115
425070
3041
Nous avons téléchargé
près d'un milliard d'images.
près d'un milliard d'images.
07:20
and used crowdsourcing technology
like the Amazon Mechanical Turk platform
like the Amazon Mechanical Turk platform
116
428111
5880
Des technologies de crowdsourcing
comme le Turc Mécanique d'Amazon
comme le Turc Mécanique d'Amazon
07:25
to help us to label these images.
117
433991
2339
nous ont aidés à cataloguer les images.
07:28
At its peak, ImageNet was one of
the biggest employers
the biggest employers
118
436330
4900
A son plus haut, ImageNet a été
l'un des plus gros employeurs
l'un des plus gros employeurs
07:33
of the Amazon Mechanical Turk workers:
119
441230
2996
du Turc Mécanique d'Amazon :
07:36
together, almost 50,000 workers
120
444226
3854
près de 50 000 employés
07:40
from 167 countries around the world
121
448080
4040
dans 167 pays
07:44
helped us to clean, sort and label
122
452120
3947
nous ont aidés
à nettoyer, trier, étiqueter
à nettoyer, trier, étiqueter
07:48
nearly a billion candidate images.
123
456067
3575
presque un milliard d'images.
07:52
That was how much effort it took
124
460612
2653
C'est vous dire l'effort entrepris
07:55
to capture even a fraction
of the imagery
of the imagery
125
463265
3900
pour capturer une fraction des images
07:59
a child's mind takes in
in the early developmental years.
in the early developmental years.
126
467165
4171
qu'un enfant stocke
pendant ses premières années.
pendant ses premières années.
08:04
In hindsight, this idea of using big data
127
472148
3902
Aujourd'hui, cette idée
d'utiliser ces masses de données
d'utiliser ces masses de données
08:08
to train computer algorithms
may seem obvious now,
may seem obvious now,
128
476050
4550
pour construire des algorithmes
peut paraître évidente,
peut paraître évidente,
08:12
but back in 2007, it was not so obvious.
129
480600
4110
mais pas en 2007.
08:16
We were fairly alone on this journey
for quite a while.
for quite a while.
130
484710
3878
Pendant longtemps, nous étions bien seuls.
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
Des collègues me conseillaient de trouver
autre chose pour devenir titulaire,
autre chose pour devenir titulaire,
08:25
and we were constantly struggling
for research funding.
for research funding.
132
493591
4342
et c'était une bataille constante
pour trouver des crédits de recherche.
pour trouver des crédits de recherche.
08:29
Once, I even joked to my graduate students
133
497933
2485
Je disais en plaisantant à mes étudiants
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
que je pourrais reprendre ma laverie
pour financer ImageNet.
pour financer ImageNet.
08:36
After all, that's how I funded
my college years.
my college years.
135
504481
4761
Après tout, j'avais financé mes études
grâce à elle.
grâce à elle.
08:41
So we carried on.
136
509242
1856
Mais nous avons continué.
08:43
In 2009, the ImageNet project delivered
137
511098
3715
En 2009, le projet ImageNet avait
08:46
a database of 15 million images
138
514813
4042
une base de données
de 15 millions d'images,
de 15 millions d'images,
08:50
across 22,000 classes
of objects and things
of objects and things
139
518855
4805
22 000 classes d'objets et de choses
08:55
organized by everyday English words.
140
523660
3320
organisées avec des mots d'anglais
du quotidien.
du quotidien.
08:58
In both quantity and quality,
141
526980
2926
Tant en quantité qu'en qualité,
09:01
this was an unprecedented scale.
142
529906
2972
une telle échelle de grandeur
était une première.
était une première.
09:04
As an example, in the case of cats,
143
532878
3461
Par exemple, les chats,
09:08
we have more than 62,000 cats
144
536339
2809
nous avons plus de 62 000 chats,
09:11
of all kinds of looks and poses
145
539148
4110
toutes sortes d'apparences et de poses,
09:15
and across all species
of domestic and wild cats.
of domestic and wild cats.
146
543258
5223
toutes les espèces,
domestiques et sauvages.
domestiques et sauvages.
09:20
We were thrilled
to have put together ImageNet,
to have put together ImageNet,
147
548481
3344
C'était formidable d'avoir bâti ImageNet,
09:23
and we wanted the whole research world
to benefit from it,
to benefit from it,
148
551825
3738
et nous voulions en faire profiter
le monde de la recherche.
le monde de la recherche.
09:27
so in the TED fashion,
we opened up the entire data set
we opened up the entire data set
149
555563
4041
Alors, à la manière de TED,
nous avons donné l'accès aux données
nous avons donné l'accès aux données
09:31
to the worldwide
research community for free.
research community for free.
150
559604
3592
à la recherche, gratuitement
et dans le monde entier.
et dans le monde entier.
(Applaudissements)
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
Maintenant que nous avons les données
pour nourrir notre cerveau informatique,
pour nourrir notre cerveau informatique,
09:45
we're ready to come back
to the algorithms themselves.
to the algorithms themselves.
153
573954
3737
nous pouvons revenir sur les algorithmes.
09:49
As it turned out, the wealth
of information provided by ImageNet
of information provided by ImageNet
154
577691
5178
Il se trouve que la manne d'informations
désormais dans ImageNet
désormais dans ImageNet
09:54
was a perfect match to a particular class
of machine learning algorithms
of machine learning algorithms
155
582869
4806
allait parfaitement avec
un certain type d'algorithmes,
un certain type d'algorithmes,
09:59
called convolutional neural network,
156
587675
2415
le réseau de neurones à convolution,
10:02
pioneered by Kunihiko Fukushima,
Geoff Hinton, and Yann LeCun
Geoff Hinton, and Yann LeCun
157
590090
5248
développé par Kunihiko Fukushima,
Geoff Hinton et Yann LeCun
Geoff Hinton et Yann LeCun
10:07
back in the 1970s and '80s.
158
595338
3645
dans les années 1970 et 80.
10:10
Just like the brain consists
of billions of highly connected neurons,
of billions of highly connected neurons,
159
598983
5619
Tout comme le cerveau est composé
de milliards de neurones connectés,
de milliards de neurones connectés,
10:16
a basic operating unit in a neural network
160
604602
3854
l'unité de base d'un réseau neuronal
10:20
is a neuron-like node.
161
608456
2415
est le nœud de type neurone.
10:22
It takes input from other nodes
162
610871
2554
Il reçoit des informations d'autres nœuds
10:25
and sends output to others.
163
613425
2718
et en envoie à d'autres.
10:28
Moreover, these hundreds of thousands
or even millions of nodes
or even millions of nodes
164
616143
4713
De plus, ces centaines de milliers
voire millions de nœuds
voire millions de nœuds
10:32
are organized in hierarchical layers,
165
620856
3227
sont organisés en couches hiérarchiques,
10:36
also similar to the brain.
166
624083
2554
similaires au cerveau.
10:38
In a typical neural network we use
to train our object recognition model,
to train our object recognition model,
167
626637
4783
Dans le réseau neuronal classique
que nous utilisons,
que nous utilisons,
10:43
it has 24 million nodes,
168
631420
3181
il y a 24 millions de nœuds,
10:46
140 million parameters,
169
634601
3297
140 millions de paramètres,
10:49
and 15 billion connections.
170
637898
2763
et 15 milliards de connexions.
10:52
That's an enormous model.
171
640661
2415
C'est un modèle énorme.
10:55
Powered by the massive data from ImageNet
172
643076
3901
Avec la puissance des données d'ImageNet
10:58
and the modern CPUs and GPUs
to train such a humongous model,
to train such a humongous model,
173
646977
5433
et les processeurs modernes
pour traiter cet énorme modèle,
pour traiter cet énorme modèle,
11:04
the convolutional neural network
174
652410
2369
le réseau de neurones à convolution
11:06
blossomed in a way that no one expected.
175
654779
3436
s'est transformé de manière inattendue.
11:10
It became the winning architecture
176
658215
2508
Il est devenu l'architecture idéale
11:12
to generate exciting new results
in object recognition.
in object recognition.
177
660723
5340
pour générer des résultats fabuleux
en reconnaissance d'objets.
en reconnaissance d'objets.
11:18
This is a computer telling us
178
666063
2810
Ceci est un ordinateur qui nous dit
11:20
this picture contains a cat
179
668873
2300
que la photo contient un chat
11:23
and where the cat is.
180
671173
1903
et où est ce chat.
11:25
Of course there are more things than cats,
181
673076
2112
Bien sûr, il y a
autre chose que des chats.
autre chose que des chats.
11:27
so here's a computer algorithm telling us
182
675188
2438
Ici un algorithme nous dit
11:29
the picture contains
a boy and a teddy bear;
a boy and a teddy bear;
183
677626
3274
que la photo contient un garçon
et un ours en peluche,
et un ours en peluche,
11:32
a dog, a person, and a small kite
in the background;
in the background;
184
680900
4366
un chien, une personne,
et un cerf-volant en arrière-plan.
et un cerf-volant en arrière-plan.
11:37
or a picture of very busy things
185
685266
3135
Ici, beaucoup d'activités
11:40
like a man, a skateboard,
railings, a lampost, and so on.
railings, a lampost, and so on.
186
688401
4644
avec un homme, un skateboard, une rampe,
un lampadaire, etc.
un lampadaire, etc.
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
Parfois l'ordinateur n'est pas trop sûr,
11:51
we have taught it to be smart enough
188
699498
2276
nous lui avons appris à être
assez intelligent
assez intelligent
11:53
to give us a safe answer
instead of committing too much,
instead of committing too much,
189
701774
3878
pour donner une réponse sûre,
sans trop s'engager,
sans trop s'engager,
11:57
just like we would do,
190
705652
2811
c'est ce que nous ferions.
12:00
but other times our computer algorithm
is remarkable at telling us
is remarkable at telling us
191
708463
4666
D'autres fois, l'algorithme
a la capacité incroyable
a la capacité incroyable
12:05
what exactly the objects are,
192
713129
2253
de nous dire exactement
ce qu'est l'objet :
ce qu'est l'objet :
12:07
like the make, model, year of the cars.
193
715382
3436
marque, modèle, année d'une voiture.
12:10
We applied this algorithm to millions
of Google Street View images
of Google Street View images
194
718818
5386
Nous avons utilisé cet algorithme sur
des millions d'images Google Street View,
des millions d'images Google Street View,
12:16
across hundreds of American cities,
195
724204
3135
dans des centaines de villes américaines,
12:19
and we have learned something
really interesting:
really interesting:
196
727339
2926
et nous avons découvert
quelque chose de très intéressant.
quelque chose de très intéressant.
12:22
first, it confirmed our common wisdom
197
730265
3320
D'abord, il a été confirmé
12:25
that car prices correlate very well
198
733585
3290
que le prix des voitures
12:28
with household incomes.
199
736875
2345
et le revenu des foyers sont liés.
12:31
But surprisingly, car prices
also correlate well
also correlate well
200
739220
4527
Mais, étonnamment, le prix des voitures
et le taux de crimes dans les villes
sont également liés,
sont également liés,
12:35
with crime rates in cities,
201
743747
2300
12:39
or voting patterns by zip codes.
202
747007
3963
même chose avec la répartition
géographique des votes.
géographique des votes.
12:44
So wait a minute. Is that it?
203
752060
2206
Attendez un peu... c'est tout ?
12:46
Has the computer already matched
or even surpassed human capabilities?
or even surpassed human capabilities?
204
754266
5153
Est-ce que l'ordinateur atteint,
voire surpasse, les capacités humaines ?
voire surpasse, les capacités humaines ?
12:51
Not so fast.
205
759419
2138
Pas si vite.
12:53
So far, we have just taught
the computer to see objects.
the computer to see objects.
206
761557
4923
Jusque là, nous avons appris
aux ordinateurs à voir des objets,
aux ordinateurs à voir des objets,
12:58
This is like a small child
learning to utter a few nouns.
learning to utter a few nouns.
207
766480
4644
comme un jeune enfant apprend
à prononcer quelques noms.
à prononcer quelques noms.
13:03
It's an incredible accomplishment,
208
771124
2670
C'est déjà incroyable,
13:05
but it's only the first step.
209
773794
2460
mais ce n'est que la première étape.
13:08
Soon, another developmental
milestone will be hit,
milestone will be hit,
210
776254
3762
Bientôt, nous atteindrons un autre niveau,
13:12
and children begin
to communicate in sentences.
to communicate in sentences.
211
780016
3461
l'enfant commence à faire des phrases.
13:15
So instead of saying
this is a cat in the picture,
this is a cat in the picture,
212
783477
4224
Au lieu de dire que
c'est un chat sur la photo,
c'est un chat sur la photo,
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
comme nous l'a dit la petite fille
tout à l'heure.
tout à l'heure.
13:24
So to teach a computer
to see a picture and generate sentences,
to see a picture and generate sentences,
214
792903
5595
Pour apprendre à l'ordinateur à générer
des phrases à partir d'une photo,
des phrases à partir d'une photo,
13:30
the marriage between big data
and machine learning algorithm
and machine learning algorithm
215
798498
3948
le mariage entre les données
et l'algorithme d'apprentissage
et l'algorithme d'apprentissage
13:34
has to take another step.
216
802446
2275
doit franchir une autre étape.
13:36
Now, the computer has to learn
from both pictures
from both pictures
217
804721
4156
L'ordinateur doit apprendre
à partir des photos,
à partir des photos,
13:40
as well as natural language sentences
218
808877
2856
en utilisant des phrases
en langage naturel
en langage naturel
13:43
generated by humans.
219
811733
3322
générée par l'être humain.
13:47
Just like the brain integrates
vision and language,
vision and language,
220
815055
3853
Tout comme le cerveau
combine vision et langage,
combine vision et langage,
13:50
we developed a model
that connects parts of visual things
that connects parts of visual things
221
818908
5201
notre modèle connecte
les parties de choses visuelles,
les parties de choses visuelles,
13:56
like visual snippets
222
824109
1904
des petits bouts visuels,
13:58
with words and phrases in sentences.
223
826013
4203
avec des mots ou groupes de mots,
pour en faire des phrases.
pour en faire des phrases.
14:02
About four months ago,
224
830216
2763
Il y a environ 4 mois,
14:04
we finally tied all this together
225
832979
2647
nous avons enfin réussi
14:07
and produced one of the first
computer vision models
computer vision models
226
835626
3784
à créer l'un des premiers
modèles de vision artificielle
modèles de vision artificielle
14:11
that is capable of generating
a human-like sentence
a human-like sentence
227
839410
3994
capagle de générer une phrase
comme un être humain
comme un être humain
14:15
when it sees a picture for the first time.
228
843404
3506
qui découvre une image.
14:18
Now, I'm ready to show you
what the computer says
what the computer says
229
846910
4644
Aujourd'hui, je suis prête à vous montrer
ce que dit l'ordinateur
ce que dit l'ordinateur
14:23
when it sees the picture
230
851554
1975
quand il voit la photo
14:25
that the little girl saw
at the beginning of this talk.
at the beginning of this talk.
231
853529
3830
que la petite fille voyait tout à l'heure.
14:31
(Video) Computer: A man is standing
next to an elephant.
next to an elephant.
232
859519
3344
(Vidéo) L'ordinateur :
Un homme est debout à coté d'un éléphant.
Un homme est debout à coté d'un éléphant.
14:36
A large airplane sitting on top
of an airport runway.
of an airport runway.
233
864393
3634
Un grand avion est assis
sur une piste d'aéroport.
sur une piste d'aéroport.
14:41
FFL: Of course, we're still working hard
to improve our algorithms,
to improve our algorithms,
234
869057
4212
FFL : Bien sûr, il y a encore
beaucoup de travail sur les algorithmes,
beaucoup de travail sur les algorithmes,
14:45
and it still has a lot to learn.
235
873269
2596
l'ordinateur a encore
beaucoup à apprendre,
beaucoup à apprendre,
14:47
(Applause)
236
875865
2291
(Applaudissements)
14:51
And the computer still makes mistakes.
237
879556
3321
et il fait encore des erreurs.
14:54
(Video) Computer: A cat lying
on a bed in a blanket.
on a bed in a blanket.
238
882877
3391
(Vidéo) Ordinateur : un chat est couché
sur un lit dans une couverture.
sur un lit dans une couverture.
14:58
FFL: So of course, when it sees
too many cats,
too many cats,
239
886268
2553
FFL : Bien sûr, s'il voit trop de chats,
15:00
it thinks everything
might look like a cat.
might look like a cat.
240
888821
2926
il pense que tout
est peut-être un chat.
est peut-être un chat.
15:05
(Video) Computer: A young boy
is holding a baseball bat.
is holding a baseball bat.
241
893317
2864
(Vidéo) Ordinateur : un garçon
tient une batte de base-ball.
tient une batte de base-ball.
15:08
(Laughter)
242
896181
1765
(Rires)
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
FFL : Ou alors, s'il n'a jamais vu
de brosse à dents, elle devient une batte.
de brosse à dents, elle devient une batte.
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
(Vidéo) Ordinateur : Un homme se promène
à cheval près d'un bâtiment.
à cheval près d'un bâtiment.
15:18
(Laughter)
245
906743
2023
(Rires)
15:20
FFL: We haven't taught Art 101
to the computers.
to the computers.
246
908766
3552
Nous n'avons pas enseigné
l'histoire de l'art à l'ordinateur.
l'histoire de l'art à l'ordinateur.
15:25
(Video) Computer: A zebra standing
in a field of grass.
in a field of grass.
247
913768
2884
(Vidéo) L'ordinateur : Un zèbre
se trouve dans un pré.
se trouve dans un pré.
15:28
FFL: And it hasn't learned to appreciate
the stunning beauty of nature
the stunning beauty of nature
248
916652
3367
FFL : Et il ne sait pas apprécier
la beauté de la nature
la beauté de la nature
15:32
like you and I do.
249
920019
2438
comme vous et moi.
15:34
So it has been a long journey.
250
922457
2832
Ça a donc été un long voyage.
15:37
To get from age zero to three was hard.
251
925289
4226
Aller de 0 à 3 ans a été difficile.
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
Le vrai défi est d'aller de 3 à 13
et bien au-delà.
et bien au-delà.
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
Revoici l'image du garçon avec le gâteau.
15:51
So far, we have taught
the computer to see objects
the computer to see objects
254
939476
4064
Jusque là, nous avons appris
à l'ordinateur à voir des objets
à l'ordinateur à voir des objets
15:55
or even tell us a simple story
when seeing a picture.
when seeing a picture.
255
943540
4458
ou à créer une petite histoire
d'après une photo.
d'après une photo.
15:59
(Video) Computer: A person sitting
at a table with a cake.
at a table with a cake.
256
947998
3576
(Vidéo) L'ordinateur : Une personne
assise à une table avec un gâteau.
assise à une table avec un gâteau.
16:03
FFL: But there's so much more
to this picture
to this picture
257
951574
2630
FFL : Mais il y a beaucoup plus
16:06
than just a person and a cake.
258
954204
2270
qu'une personne et un gâteau.
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
Ce que l'ordinateur ne voit pas
est que c'est un gâteau italien spécial
est que c'est un gâteau italien spécial
16:12
that's only served during Easter time.
260
960941
3217
servi uniquement à Pâques.
16:16
The boy is wearing his favorite t-shirt
261
964158
3205
Le garçon porte son t-shirt préféré,
16:19
given to him as a gift by his father
after a trip to Sydney,
after a trip to Sydney,
262
967363
3970
celui que lui a offert son père
après un voyage à Sydney,
après un voyage à Sydney,
16:23
and you and I can all tell how happy he is
263
971333
3808
et vous et moi voyons bien
à quel point il est heureux
à quel point il est heureux
16:27
and what's exactly on his mind
at that moment.
at that moment.
264
975141
3203
et ce qu'il pense à ce moment.
16:31
This is my son Leo.
265
979214
3125
C'est mon fils Léo.
16:34
On my quest for visual intelligence,
266
982339
2624
Au cours de ma quête
de l'intelligence visuelle,
de l'intelligence visuelle,
16:36
I think of Leo constantly
267
984963
2391
Léo était constamment dans mes pensées
16:39
and the future world he will live in.
268
987354
2903
ainsi que le monde dans lequel il vivra.
16:42
When machines can see,
269
990257
2021
Quand les machines pourront voir,
16:44
doctors and nurses will have
extra pairs of tireless eyes
extra pairs of tireless eyes
270
992278
4712
les médecins et infirmières auront
une paire d'yeux infatigables en plus
une paire d'yeux infatigables en plus
16:48
to help them to diagnose
and take care of patients.
and take care of patients.
271
996990
4092
pour les aider au diagnostic
et au soin des patients.
et au soin des patients.
16:53
Cars will run smarter
and safer on the road.
and safer on the road.
272
1001082
4383
Les voitures seront plus intelligentes
et plus sûres.
et plus sûres.
16:57
Robots, not just humans,
273
1005465
2694
Des robots, pas seulement des humains,
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
nous aideront à sauver des vies
dans des zones sinistrées.
dans des zones sinistrées.
17:05
We will discover new species,
better materials,
better materials,
275
1013798
3796
Nous découvrirons de nouvelles espèces,
de meilleurs matériaux,
de meilleurs matériaux,
17:09
and explore unseen frontiers
with the help of the machines.
with the help of the machines.
276
1017594
4509
nous explorerons d'autres frontières,
avec l'aide des machines.
avec l'aide des machines.
17:15
Little by little, we're giving sight
to the machines.
to the machines.
277
1023113
4167
Petit à petit, nous donnons la vue
aux machines.
aux machines.
17:19
First, we teach them to see.
278
1027280
2798
D'abord nous leur apprenons à voir.
17:22
Then, they help us to see better.
279
1030078
2763
Puis c'est elles
qui nous aident à mieux voir.
qui nous aident à mieux voir.
17:24
For the first time, human eyes
won't be the only ones
won't be the only ones
280
1032841
4165
Pour la première fois, les yeux humains
ne seront pas les seuls
ne seront pas les seuls
17:29
pondering and exploring our world.
281
1037006
2934
à questionner et explorer notre monde.
17:31
We will not only use the machines
for their intelligence,
for their intelligence,
282
1039940
3460
En plus d'utiliser les machines
pour leur intelligence,
pour leur intelligence,
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
nous collaborerons avec elles
de manière inédite.
de manière inédite.
17:41
This is my quest:
284
1049579
2161
C'est ma quête :
17:43
to give computers visual intelligence
285
1051740
2712
donner aux ordinateurs
l'intelligence visuelle
l'intelligence visuelle
17:46
and to create a better future
for Leo and for the world.
for Leo and for the world.
286
1054452
5131
et créer un meilleur avenir
pour Léo et pour le monde.
pour Léo et pour le monde.
17:51
Thank you.
287
1059583
1811
Merci.
17:53
(Applause)
288
1061394
3785
(Applaudissements)
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