ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com
TED2007

Blaise Agüera y Arcas: How PhotoSynth can connect the world's images

બ્લેઝ એગિએરા વાય આર્કાસ: ફોટોસિન્થ વિશ્વની છબીઓને કેવી રીતે જોડી શકે છે

Filmed:
5,831,957 views

બ્લેઝ એગ્યુએરા વાય આર્કાસ ફોટોસિંથના એક ચમકતા ડેમો તરફ દોરી જાય છે, જે સૉફ્ટવેર જે આપણે ડિજિટલ છબીઓ તરફ જોઈએ તે રીતે પરિવર્તન લાવી શકે છે. વેબ પરથી કાઢવામાં આવેલા ફોટાઓના ઉપયોગથી, ફોટોસિંથ આકર્ષક ડ્રીમસ્કેપ્સ બનાવે છે અને અમને તેમને નેવિગેટ કરવા દે છે.
- Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio

Double-click the English transcript below to play the video.

00:25
What I'm going to show you first, as quickly as I can,
0
0
2000
હું તમને પ્રથમ બતાવવા જઇ રહ્યો છું , હું જેટલું ઝડપથી કરી શકું,
00:27
is some foundational work, some new technology
1
2000
4000
કેટલાક પાયાના કામ છે, કેટલીક નવી તકનીક
00:31
that we brought to Microsoft as part of an acquisition
2
6000
3000
કે અમે માઇક્રોસોફ્ટ લાવ્યા સંપાદનના ભાગ રૂપે
00:34
almost exactly a year ago. This is Seadragon,
3
9000
3000
લગભગ બરાબર એક વર્ષ પહેલાં
આ સીડ્રેગન છે, અને તે એક વાતાવરણ છે
00:37
and it's an environment in which you can either locally or remotely
4
12000
3000
જેમાં તમે પણ કરી શકો છો
સ્થાનિક અથવા દૂરસ્થ સંપર્કમાં
00:40
interact with vast amounts of visual data.
5
15000
3000
વિઝ્યુઅલ ડેટાની વિશાળ માત્રા સાથે.
00:43
We're looking at many, many gigabytes of digital photos here
6
18000
3000
અમે ઘણી, ઘણી ગીગાબાઇટ્સ જોઈ રહ્યા છીએ
અહીં ડિજિટલ ફોટા
00:46
and kind of seamlessly and continuously zooming in,
7
21000
3000
અને એકીકૃત પ્રકારની
અને સતત ઝૂમ ઇન,
તે દ્વારા પેનિંગ,
આપણે જોઈએ તે રીતે ફરીથી ગોઠવીએ છીએ
00:50
panning through the thing, rearranging it in any way we want.
8
25000
2000
00:52
And it doesn't matter how much information we're looking at,
9
27000
4000
અને તે કેટલું છે તેનો વાંધો નથી
અમે જોઈ રહ્યા છીએ તે માહિતી,
00:56
how big these collections are or how big the images are.
10
31000
3000
આ સંગ્રહ કેટલો મોટો છે
અથવા છબીઓ કેટલી મોટી છે.
00:59
Most of them are ordinary digital camera photos,
11
34000
2000
તેમાંના મોટાભાગના સામાન્ય છે
ડિજિટલ કેમેરા ફોટા,
01:01
but this one, for example, is a scan from the Library of Congress,
12
36000
3000
પરંતુ આ, ઉદાહરણ તરીકે,
કોંગ્રેસના પુસ્તકાલયમાંથી એક સ્કેન છે,
અને તે 300 મેગાપિક્સલની રેન્જમાં છે.
01:05
and it's in the 300 megapixel range.
13
40000
2000
તેનાથી કોઈ ફરક પડતો નથી
01:08
It doesn't make any difference
14
43000
1000
01:09
because the only thing that ought to limit the performance
15
44000
3000
કારણ કે એકમાત્ર વસ્તુ જેને મર્યાદિત કરવી જોઈએ
આ જેવી સિસ્ટમનું પ્રદર્શન
01:12
of a system like this one is the number of pixels on your screen
16
47000
3000
તમારી સ્ક્રીન પર પિક્સેલ્સની સંખ્યા છે
કોઈપણ સમયે
01:15
at any given moment. It's also very flexible architecture.
17
50000
3000
તે ખૂબ જ લવચીક આર્કિટેક્ચર પણ છે.
આ એક સંપૂર્ણ પુસ્તક છે,
તેથી આ નૉન-ઇમેજ ડેટાનું ઉદાહરણ છે.
01:18
This is an entire book, so this is an example of non-image data.
18
53000
3000
આ ડિકન્સનું "બ્લેક હાઉસ" છે.
01:22
This is "Bleak House" by Dickens. Every column is a chapter.
19
57000
5000
દરેક કૉલમ એક પ્રકરણ છે.
01:27
To prove to you that it's really text, and not an image,
20
62000
4000
તમને સાબિત કરવા માટે કે તે ખરેખર ટેક્સ્ટ છે,
અને એક છબી નથી,
01:31
we can do something like so, to really show
21
66000
2000
આપણે કંઈક કરી શકીએ છીએ
ખરેખર, બતાવવા માટે
01:33
that this is a real representation of the text; it's not a picture.
22
68000
3000
કે આ એક વાસ્તવિક રજૂઆત છે
લખાણ; તે ચિત્ર નથી.
કદાચ આ કૃત્રિમ રીત છે
એક ઇ પુસ્તક વાંચવા માટે.
01:37
Maybe this is a kind of an artificial way to read an e-book.
23
72000
2000
હું તેની ભલામણ કરીશ નહીં.
01:39
I wouldn't recommend it.
24
74000
1000
01:40
This is a more realistic case. This is an issue of The Guardian.
25
75000
3000
આ એક વધુ વાસ્તવિક કેસ છે,
ગાર્ડિયનનો મુદ્દો.
01:43
Every large image is the beginning of a section.
26
78000
2000
દરેક મોટી છબી
એક વિભાગની શરૂઆત છે.
01:45
And this really gives you the joy and the good experience
27
80000
3000
અને આ ખરેખર આપે છે
આનંદ અને સારો અનુભવ
01:48
of reading the real paper version of a magazine or a newspaper,
28
83000
5000
વાસ્તવિક કાગળ આવૃત્તિ વાંચીને
સામયિક અથવા અખબારનું,
જે સહજ છે
માધ્યમ વિવિધ પ્રકારના.
01:54
which is an inherently multi-scale kind of medium.
29
89000
1000
અમે કંઈક કર્યું છે
01:56
We've also done a little something
30
91000
1000
01:57
with the corner of this particular issue of The Guardian.
31
92000
3000
આ ખાસ ખૂણા સાથે
ગાર્ડિયન મુદ્દો.
02:00
We've made up a fake ad that's very high resolution --
32
95000
3000
અમે બનાવટી જાહેરાત કરી છે
તે ખૂબ જ ઉચ્ચ રીઝોલ્યુશન છે -
02:03
much higher than you'd be able to get in an ordinary ad --
33
98000
2000
સામાન્ય જાહેરાત કરતા ઘણી વધારે -
02:05
and we've embedded extra content.
34
100000
2000
અમે વધારાની સામગ્રી એમ્બેડ કરી છે.
02:07
If you want to see the features of this car, you can see it here.
35
102000
2000
જો તમે સુવિધાઓ જોવા માંગતા હો
આ કારની, તમે તેને અહીં જોઈ શકો છો.
02:10
Or other models, or even technical specifications.
36
105000
4000
અથવા અન્ય મોડેલો,
તકનીકી લાક્ષણિકતાઓ પણ.
અને આ ખરેખર મળે છે
આ વિચારો કેટલાક પર
02:15
And this really gets at some of these ideas
37
110000
2000
ખરેખર દૂર કરી વિશે
સ્ક્રીન રીઅલ એસ્ટેટ પરની તે મર્યાદા સાથે.
02:18
about really doing away with those limits on screen real estate.
38
113000
4000
02:22
We hope that this means no more pop-ups
39
117000
2000
અમને આશા છે કે આનો અર્થ હવે કોઈ પોપ-અપ્સ નથી
02:24
and other kind of rubbish like that -- shouldn't be necessary.
40
119000
2000
અને અન્ય કચરો -
જરૂરી હોવું જોઈએ નહીં.
02:27
Of course, mapping is one of those really obvious applications
41
122000
2000
અલબત્ત, મેપિંગ તે સ્પષ્ટ એપ્લિકેશન્સ પૈકી એક છે
02:29
for a technology like this.
42
124000
2000
આ જેવી તકનીકી માટે.
02:31
And this one I really won't spend any time on,
43
126000
2000
અને આ એક હું ખરેખર છું
કોઈ સમય ખર્ચ કરશે નહીં,
02:33
except to say that we have things to contribute to this field as well.
44
128000
2000
એમ કહેવા સિવાય કે આપણી પાસે વસ્તુઓ છે
આ ક્ષેત્રમાં પણ ફાળો આપવા માટે.
02:37
But those are all the roads in the U.S.
45
132000
2000
પરંતુ તે યુ.એસ. માં બધા રસ્તાઓ છે.
02:39
superimposed on top of a NASA geospatial image.
46
134000
4000
નાસા ભૌગોલિક છબી ટોચ પર સુપર્વોલ્ડ.
02:44
So let's pull up, now, something else.
47
139000
2000
તો ચાલો આપણે ખેંચી લો, હવે, બીજું કંઈક.
02:46
This is actually live on the Web now; you can go check it out.
48
141000
3000
આ વાસ્તવમાં વેબ પર હવે લાઇવ છે; તમે તેને તપાસી શકો છો.
02:49
This is a project called Photosynth,
49
144000
1000
આ ફોટોસિંટ નામના એક પ્રોજેક્ટ છે, જે બે અલગ અલગ તકનીકો સાથે લગ્ન કરે છે.
02:51
which really marries two different technologies.
50
146000
1000
02:52
One of them is Seadragon
51
147000
1000
તેમાંથી એક સેડ્રેગ્રેન છે
02:54
and the other is some very beautiful computer vision research
52
149000
2000
અને અન્ય કેટલાક ખૂબ સુંદર કમ્પ્યુટર-દ્રષ્ટિ સંશોધન છે
નૉહ નાગૃહ દ્વારા કરવામાં આવે છે, યુનિવર્સિટી ઓફ વોશિંગ્ટન ખાતે ગ્રેજ્યુએટ વિદ્યાર્થી,
02:57
done by Noah Snavely, a graduate student at the University of Washington,
53
152000
2000
03:00
co-advised by Steve Seitz at U.W.
54
155000
2000
યુ.ડબ્લ્યુ ખાતે સ્ટીવ સેઇટ્ઝ દ્વારા સહ-સલાહ આપી
03:02
and Rick Szeliski at Microsoft Research. A very nice collaboration.
55
157000
4000
અને માઇક્રોસોફ્ટ રિસર્ચમાં રિક એસઝેલ્કી
એક સરસ સહયોગ
અને તેથી આ વેબ પર લાઇવ છે. તે સીડ્રેગોન દ્વારા સંચાલિત છે.
03:07
And so this is live on the Web. It's powered by Seadragon.
56
162000
2000
03:09
You can see that when we kind of do these sorts of views,
57
164000
2000
તમે જોઈ શકો છો કે જ્યારે આપણે આ પ્રકારના દૃશ્યો કરીએ છીએ,
03:12
where we can dive through images
58
167000
1000
જ્યાં અમે છબીઓ મારફતે ડાઇવ કરી શકો છો
અને આ પ્રકારની બહુ-રીઝોલ્યુશન અનુભવ છે.
03:14
and have this kind of multi-resolution experience.
59
169000
1000
03:16
But the spatial arrangement of the images here is actually meaningful.
60
171000
4000
પરંતુ અહીંની છબીઓની અવકાશી વ્યવસ્થા વાસ્તવમાં અર્થપૂર્ણ છે.
03:20
The computer vision algorithms have registered these images together
61
175000
3000
કમ્પ્યુટર વિઝન એલ્ગોરિધમ્સે આ છબીઓ એકસાથે રજીસ્ટર કરી છે
03:23
so that they correspond to the real space in which these shots --
62
178000
4000
જેથી તેઓ વાસ્તવિકને અનુરૂપ હોય
જગ્યા જેમાં આ શોટ -
03:27
all taken near Grassi Lakes in the Canadian Rockies --
63
182000
2000
બધા ગ્રાસી લેક્સ નજીક લેવામાં આવ્યા છે
કેનેડિયન રોકીઝમાં -
આ બધા શોટ લેવામાં આવ્યા હતા.
03:31
all these shots were taken. So you see elements here
64
186000
2000
તેથી તમે અહીં તત્વો જુઓ છો
03:33
of stabilized slide-show or panoramic imaging,
65
188000
4000
સ્થિર સ્લાઇડ શો અથવા પેનોમેમિક ઇમેજિંગની,
અને આ બાબતો બધા અસ્પષ્ટ રીતે સંબંધિત છે.
03:40
and these things have all been related spatially.
66
195000
2000
03:42
I'm not sure if I have time to show you any other environments.
67
197000
3000
મને ખાતરી છે કે મારી પાસે કોઈ અન્ય વાતાવરણ બતાવવાનો સમય છે.
03:45
There are some that are much more spatial.
68
200000
1000
કેટલાક વધુ અવકાશી હોય છે.
હું કોઈ રન નોંધાયો નહીં નોહના મૂળ ડેટા-સમૂહોમાં એક કૂદકો માગીશ -
03:47
I would like to jump straight to one of Noah's original data-sets --
69
202000
3000
03:50
and this is from an early prototype of Photosynth
70
205000
2000
આ પ્રારંભિક પ્રોટોટાઇપથી છે જેનો આપણે પ્રથમ આ ઉનાળામાં કામ કર્યું છે -
03:52
that we first got working in the summer --
71
207000
2000
03:54
to show you what I think
72
209000
1000
તમને બતાવવા માટે હું શું લાગે છે
03:55
is really the punch line behind this technology,
73
210000
3000
ફોટોસિંટ ટેકનોલોજી પાછળ ખરેખર પંચ રેખા છે,
03:59
the Photosynth technology. And it's not necessarily so apparent
74
214000
2000
તે જરૂરી નથી તેથી સ્પષ્ટ
04:01
from looking at the environments that we've put up on the website.
75
216000
3000
અમે વેબસાઇટ પર મૂકવામાં આવેલા વાતાવરણને જોઈને.
04:04
We had to worry about the lawyers and so on.
76
219000
2000
અમને વકીલો વિશે ચિંતા કરવાની જરૂર છે અને તેથી.
આ નોટ્રે ડેમ કેથેડ્રલનું પુનર્નિર્માણ છે
04:07
This is a reconstruction of Notre Dame Cathedral
77
222000
1000
તે ફ્લિકરથી ઝાંખા પાડવામાં આવેલી છબીઓથી સંપૂર્ણપણે કોમ્પ્યુટેશનલ કરવામાં આવી હતી.
04:09
that was done entirely computationally
78
224000
2000
04:11
from images scraped from Flickr. You just type Notre Dame into Flickr,
79
226000
3000
તમે હમણાં જ ફ્લિકરમાં નોટ્રે ડેમ લખો છો,
04:14
and you get some pictures of guys in t-shirts, and of the campus
80
229000
3000
અને તમે ટી-શર્ટ્સ અને કેમ્પસની છબી મેળવો છો
04:17
and so on. And each of these orange cones represents an image
81
232000
4000
અને આમાંથી દરેક નારંગી શંકુ એક છબી રજૂ કરે છે
તે આ મોડેલના સંબંધમાં શોધવામાં આવી હતી.
04:22
that was discovered to belong to this model.
82
237000
2000
04:26
And so these are all Flickr images,
83
241000
2000
અને તેથી આ બધા ફ્લિકર છબીઓ છે,
04:28
and they've all been related spatially in this way.
84
243000
3000
અને તેઓ આ રીતે અસત્યતાપૂર્વક સંબંધિત છે.
04:31
And we can just navigate in this very simple way.
85
246000
2000
અમે આ ખૂબ જ સરળ રીતે નેવિગેટ કરી શકીએ છીએ.
04:35
(Applause)
86
250000
9000
(અભિવાદન)
(અભિવાદન પૂર્ણ)
તમે જાણો છો, મેં ક્યારેય વિચાર્યું નથી કે હું માઇક્રોસોફ્ટમાં કામ કરું છું.
04:44
You know, I never thought that I'd end up working at Microsoft.
87
259000
2000
04:46
It's very gratifying to have this kind of reception here.
88
261000
4000
આ પ્રકારની રીસેપ્શન અહીં હોવા માટે તે ખૂબ જ ખુશી છે.
(હાસ્ય)
04:50
(Laughter)
89
265000
3000
04:53
I guess you can see
90
268000
3000
હું માનું છું કે તમે જોઈ શકો છો કે આ ઘણાં વિવિધ કેમેરા છે:
04:56
this is lots of different types of cameras:
91
271000
2000
04:58
it's everything from cell phone cameras to professional SLRs,
92
273000
3000
તે વ્યવસાયિક એસએલઆરએસ સેલ સેલ ફોન્સમાંથી બધું છે,
આ પર્યાવરણમાં એકસાથે મોટી સંખ્યામાં, તેમને એકસાથે જોડવામાં આવે છે.
05:02
quite a large number of them, stitched
93
277000
1000
05:03
together in this environment.
94
278000
1000
05:04
And if I can, I'll find some of the sort of weird ones.
95
279000
2000
જો હું કેટલાક પ્રકારની વિચિત્ર વસ્તુઓ શોધી શકું -
05:08
So many of them are occluded by faces, and so on.
96
283000
3000
તેમાંના ઘણા ચહેરા દ્વારા ઉત્પન્ન થાય છે, અને તેથી વધુ.
અહીં ક્યાંક ખરેખર ફોટોગ્રાફ્સની શ્રેણી છે - અહીં આપણે જઈએ છીએ.
05:13
Somewhere in here there are actually
97
288000
1000
05:15
a series of photographs -- here we go.
98
290000
1000
આ વાસ્તવમાં નોંધાયેલ છે, જે નોંધપાત્ર રીતે રજીસ્ટર થયેલ છે.
05:17
This is actually a poster of Notre Dame that registered correctly.
99
292000
3000
અમે પોસ્ટરમાંથી ડાઇવ કરી શકીએ છીએ
05:21
We can dive in from the poster
100
296000
2000
આ પર્યાવરણના ભૌતિક દૃશ્યમાં
05:24
to a physical view of this environment.
101
299000
3000
05:31
What the point here really is is that we can do things
102
306000
3000
અહીં શું બિંદુ ખરેખર છે
એ છે કે આપણે સામાજિક પર્યાવરણ સાથે વસ્તુઓ કરી શકીએ છીએ.
05:34
with the social environment. This is now taking data from everybody --
103
309000
5000
આ હવે દરેક વ્યક્તિ પાસેથી ડેટા લે છે -
સમગ્ર સામૂહિક મેમરીમાંથી, દૃષ્ટિની, પૃથ્વીની જેમ શું દેખાય છે -
05:39
from the entire collective memory
104
314000
1000
05:40
of, visually, of what the Earth looks like --
105
315000
2000
અને તે બધા સાથે મળીને લિંક કરો.
05:43
and link all of that together.
106
318000
1000
05:44
All of those photos become linked together,
107
319000
2000
તે ફોટા કડી થયેલ છે, અને તેઓ કંઈક ઉભરી બનાવે છે
05:46
and they make something emergent
108
321000
1000
05:47
that's greater than the sum of the parts.
109
322000
2000
તે ભાગોની સરવાળા કરતાં વધારે છે.
05:49
You have a model that emerges of the entire Earth.
110
324000
2000
તમારી પાસે એક મોડેલ છે જે સમગ્ર પૃથ્વીની ઉભરી છે.
05:51
Think of this as the long tail to Stephen Lawler's Virtual Earth work.
111
326000
5000
સ્ટીફન લોલરના વર્ચ્યુઅલ પૃથ્વીના કામ માટે લાંબી પૂંછડી તરીકે આનો વિચાર કરો.
અને આ એવી વસ્તુ છે જે લોકોની ઉપયોગ કરે છે તે જટિલતામાં વધે છે,
05:56
And this is something that grows in complexity
112
331000
2000
05:58
as people use it, and whose benefits become greater
113
333000
3000
અને તેનો લાભ વપરાશકર્તાઓ માટે તે જેટલો મોટો થાય છે.
06:01
to the users as they use it.
114
336000
2000
06:03
Their own photos are getting tagged with meta-data
115
338000
2000
પોતાના ફોટા મેટા-ડેટ સાથે ટૅગ કરેલા છે જે કોઈ બીજામાં દાખલ થયો છે.
06:05
that somebody else entered.
116
340000
1000
જો કોઈએ આ સંતોને ટેગ કરવા માટે હેરાનગતિ કરી
06:07
If somebody bothered to tag all of these saints
117
342000
3000
06:10
and say who they all are, then my photo of Notre Dame Cathedral
118
345000
3000
અને તેઓ બધા કોણ છે, પછી ન્યૂરામ ડેમ કેથેડ્રલનો મારો ફોટો
06:13
suddenly gets enriched with all of that data,
119
348000
2000
અચાનક તે તમામ ડેટા સાથે સમૃદ્ધ બને છે,
06:15
and I can use it as an entry point to dive into that space,
120
350000
3000
અને હું તે જગ્યામાં ડાઇવ કરવા માટે એન્ટ્રી પોઇન્ટ તરીકે ઉપયોગ કરી શકું છું,
06:18
into that meta-verse, using everybody else's photos,
121
353000
2000
તે મેટા-શ્લોકમાં, બીજા બધાના ફોટાઓનો ઉપયોગ કરીને,
અને એક ક્રોસ મોડલ એક પ્રકારનું કરો
06:21
and do a kind of a cross-modal
122
356000
2000
અને ક્રોસ વપરાશકર્તા સામાજિક અનુભવ કે માર્ગ.
06:25
and cross-user social experience that way.
123
360000
3000
અને અલબત્ત, તે બધા દ્વારા એક અત્યંત સમૃદ્ધ વર્ચ્યુઅલ મોડેલો છે
06:28
And of course, a by-product of all of that
124
363000
1000
06:30
is immensely rich virtual models
125
365000
2000
06:32
of every interesting part of the Earth, collected
126
367000
2000
પૃથ્વીના દરેક રસપ્રદ ભાગમાં,
ઓવરહેડ ફ્લાઇટ્સમાંથી અને ઉપગ્રહ છબીઓમાંથી માત્ર એકત્રિત નથી
06:35
not just from overhead flights and from satellite images
127
370000
3000
06:38
and so on, but from the collective memory.
128
373000
2000
અને તેથી, પરંતુ સામૂહિક મેમરીમાંથી.
06:40
Thank you so much.
129
375000
2000
ખૂબ આભાર.
(અભિવાદન)
06:42
(Applause)
130
377000
11000
(અભિવાદન પૂર્ણ)
ક્રિસ એન્ડરસન: શું હું આ અધિકાર સમજી શકું છું?
06:53
Chris Anderson: Do I understand this right? That what your software is going to allow,
131
388000
4000
તમારા સૉફ્ટવેરને શું મંજૂરી આપવાનું છે?
તે અમુક સમયે, ખરેખર આગામી થોડા વર્ષોમાં,
06:58
is that at some point, really within the next few years,
132
393000
2000
07:01
all the pictures that are shared by anyone across the world
133
396000
4000
સમગ્ર વિશ્વમાં કોઈ પણ વ્યક્તિ દ્વારા શેર કરવામાં આવેલી તમામ ચિત્રો
07:05
are going to basically link together?
134
400000
2000
એક સાથે લિંક કરવા જઈ રહ્યા છો?
07:07
BAA: Yes. What this is really doing is discovering.
135
402000
2000
બા: હા. આ ખરેખર શું કરી રહ્યું છે તે શોધવામાં આવે છે,
07:09
It's creating hyperlinks, if you will, between images.
136
404000
3000
હાયપરલિંક્સ બનાવી રહ્યા છે, જો તમે ઈમેજો વચ્ચે કરશો.
07:12
And it's doing that
137
407000
1000
તે છબીઓની અંદર સામગ્રી પર આધારિત છે.
07:13
based on the content inside the images.
138
408000
1000
07:14
And that gets really exciting when you think about the richness
139
409000
3000
અને જ્યારે તમે સમૃદ્ધિ વિશે વિચારો છો ત્યારે તે ખરેખર આકર્ષક બને છે
07:17
of the semantic information that a lot of those images have.
140
412000
2000
સિમેન્ટીક માહિતીની ઘણી બધી છબીઓ છે.
07:19
Like when you do a web search for images,
141
414000
2000
જેમ તમે છબીઓ માટે વેબ શોધ કરો છો ત્યારે,
તમે શબ્દસમૂહો લખો છો,
07:22
you type in phrases, and the text on the web page
142
417000
2000
અને વેબ પૃષ્ઠ પરનો ટેક્સ્ટ ઘણી બધી માહિતી લઈ રહી છે
07:24
is carrying a lot of information about what that picture is of.
143
419000
3000
તે ચિત્ર શું છે તે વિશે
07:27
Now, what if that picture links to all of your pictures?
144
422000
2000
જો તે ચિત્ર તમારા બધા ચિત્રો સાથે લિંક્સ કરે છે?
07:29
Then the amount of semantic interconnection
145
424000
2000
સિમેન્ટીક ઇન્ટરકનેક્શન અને સમૃદ્ધિની રકમ
07:31
and the amount of richness that comes out of that
146
426000
1000
07:32
is really huge. It's a classic network effect.
147
427000
3000
તે બહાર આવે છે તે ખરેખર વિશાળ છે
તે ક્લાસિક નેટવર્ક અસર છે
07:35
CA: Blaise, that is truly incredible. Congratulations.
148
430000
2000
સીએ: સાચી અકલ્પનીય અભિનંદન.
07:37
BAA: Thanks so much.
149
432000
1000
Translated by Harsh Chauhan
Reviewed by Siddharth Panchal

▲Back to top

ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.

Why you should listen

Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.

Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.

He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.

He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.

Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?

More profile about the speaker
Blaise Agüera y Arcas | Speaker | TED.com