TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: A tanuló számítógépek viselkedésének csodálatos és hátborzongató következményei
Filmed:
Readability: 4.5
2,532,971 views
Mi történik, ha megtanítjuk a számítógépnek, hogyan tanuljon? Jeremy Howard technológiai szakember a mély tanulás gyorsan fejlődő területén született néhány meglepő új eredményről beszél; olyan technikáról, amely képessé teszi a számítógépeket, hogy kínaiul tanuljanak, vagy fényképekről tárgyakat ismerjenek föl, vagy, átgondolják az orvosi diagnózist. (Az egyik mély tanulási eszköz a YouTube néhány órai figyelése alapján megtanította magának a "macska" fogalmát.) Tartsunk lépést azzal a tudományterülettel, amely meg fogja változtatni a számítógépek viselkedését... hamarabb, mint gondolnánk.
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.
Valaha, ha azt akartuk, hogy
a számítógép
a számítógép
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
csináljon meg valamit, előtte
be kellett rá programoznunk.
be kellett rá programoznunk.
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
Azoknak, akik sohasem programoztak:
a programozás
a programozás
00:21
requires laying out in excruciating detail
3
9858
3502
annyit tesz, hogy célunk érdekében
aprólékosan, lépésenként
aprólékosan, lépésenként
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
részletesen közölni kell a géppel,
00:28
in order to achieve your goal.
5
16727
2362
mikor mit csináljon.
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
De ha olyat akarunk tenni,
amiről mi sem tudjuk, miként kell,
amiről mi sem tudjuk, miként kell,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
az ám az igazi kunszt!
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Ilyen feladattal találkozott
Arthur Samuel.
Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
1956-ban szerette volna,
ha a számítógép legyőzi dámajátékban.
00:44
to be able to beat him at checkers.
10
32208
2340
00:46
How can you write a program,
11
34548
2040
Hogy lehet megírni egy programot
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
minden apró részletében,
hogy a számítógép győzzön?
hogy a számítógép győzzön?
00:52
So he came up with an idea:
13
40394
1722
Támadt egy ötlete:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
A gépet önmaga ellen játszatta
több ezerszer,
több ezerszer,
00:57
and learn how to play checkers.
15
45840
2524
hogy a gép tanulja, hogyan kell játszani.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
A dolog sikerült, és 1962-re
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
a számítógép legyőzte
Connecticut állam bajnokát.
Connecticut állam bajnokát.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Úgyhogy Samuelt a gépi
tanulás atyjának nevezhetjük.
tanulás atyjának nevezhetjük.
01:10
and I have a great debt to him,
19
58534
1717
Le vagyok kötelezve neki,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
mert gépi tanulással foglalkozom.
01:15
I was the president of Kaggle,
21
63014
1465
A Kaggle elnöke voltam, a közösségé,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
ahol 200.000-nél többen foglalkoznak
gépi tanulással.
gépi tanulással.
01:19
Kaggle puts up competitions
23
67867
2058
A Kaggle versenyeket
szervez nekik,
szervez nekik,
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
hogy oldjanak meg eddig
megoldatlan problémákat,
megoldatlan problémákat,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
s ezek több száz alkalommal
bizonyultak sikeresnek.
bizonyultak sikeresnek.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Ebből a pozícióból
rá tudtam jönni sok mindenre:
rá tudtam jönni sok mindenre:
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
mire volt képes a gépi tanulás
a múltban, mire a jelenben
a múltban, mire a jelenben
01:35
and what it could do in the future.
28
83890
2362
és mit fog tudni a jövőben.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Valószínűleg az első üzleti siker a
gépi tanulásban a Google volt.
gépi tanulásban a Google volt.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
A Google bizonyította, hogy lehet
gépi algoritmus alapján
gépi algoritmus alapján
01:45
by using a computer algorithm,
31
93784
1752
adatokhoz jutni, és
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
ez az algoritmus
gépi tanuláson alapul.
gépi tanuláson alapul.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Azóta sok, gépi tanuláson alapuló
üzleti sikertörténetet ismerünk.
üzleti sikertörténetet ismerünk.
Olyan cégek, mint az Amazon
és a Netflix a gépi tanulás módszerével
és a Netflix a gépi tanulás módszerével
01:54
Companies like Amazon and Netflix
34
102323
1837
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
ajánlják termékeiket megvételre
01:59
movies that you might like to watch.
36
107876
2020
illetve filmjeiket megnézésre.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Néha ez, mondhatni, elég ijesztő.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Mások, mint a LinkedIn és a Facebook
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
néha megmondják, kik lehetnének
a barátaink,
a barátaink,
02:08
and you have no idea how it did it,
40
116251
1977
és fogalmunk sincs, hogy csinálják.
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
A gépi tanulásban rejlő
lehetőségeket használják.
lehetőségeket használják.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Ezek az algoritmusok sokkal inkább
az adatokból tanulnak,
az adatokból tanulnak,
02:16
rather than being programmed by hand.
43
124152
3247
semmint a kézzel írt programokból.
02:19
This is also how IBM was successful
44
127399
2478
Így lett sikeres az IBM is: Watson
nevű gépe legyőzte
nevű gépe legyőzte
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
a "Jeopardy" kvízműsor
két világbajnokát,
két világbajnokát,
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
mert válaszolt körmönfont
és bonyolult kérdésekre; pl.
és bonyolult kérdésekre; pl.
[Ennek a városnak a múzeumából tűnt el
az ókori Nimród oroszlánja 2003-ban]
az ókori Nimród oroszlánja 2003-ban]
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
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
Így jelentek meg az első,
vezető nélküli autók.
vezető nélküli autók.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Elég fontos, hogy
meg tudjuk mondani, mi a különbség,
meg tudjuk mondani, mi a különbség,
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
mondjuk, egy fa és egy gyalogos között.
Nem tudjuk, hogyan kell manuálisan
megírni a programokat,
megírni a programokat,
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
de gépi tanulással erre
most megvan a lehetőség.
most megvan a lehetőség.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Tény, hogy ez a kocsi már
több millió kilométert tett meg
több millió kilométert tett meg
02:48
without any accidents on regular roads.
54
156680
3506
baleset nélkül átlagos utakon.
02:52
So we now know that computers can learn,
55
160196
3914
Tudjuk tehát, hogy a számítógépek
tudnak tanulni, és képesek megtanulni,
tudnak tanulni, és képesek megtanulni,
02:56
and computers can learn to do things
56
164110
1900
hogyan végezzenek el feladatokat,
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
amelyeknél néha mi magunk
tanácstalanok vagyunk,
tanácstalanok vagyunk,
03:00
or maybe can do them better than us.
58
168848
2885
vagy talán ügyesebben végzik el nálunk.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
A gépi tanulás egyik legpompásabb
példáját
példáját
egy általam irányított Kaggle-
projektnél tapasztaltam,
projektnél tapasztaltam,
03:07
happened on a project that I ran at Kaggle
60
175928
2392
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
ahol a Torontói Egyetem csoportja,
amelyet Geoffrey Hinton vezetett,
megnyert
megnyert
03:13
from the University of Toronto
62
181911
1552
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
egy automatizált
gyógyszer-kifejlesztési versenyt.
gyógyszer-kifejlesztési versenyt.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Nemcsak az volt rendhagyó,
hogy legyőzték a Merck
hogy legyőzték a Merck
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
és más nemzetközi tudóscsoportok
algoritmusait,
algoritmusait,
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
hanem hogy egyikük sem volt járatos
a kémiában, a biológiában
a kémiában, a biológiában
vagy az élettudományokban, s
mindezt két hét alatt!
mindezt két hét alatt!
03:30
and they did it in two weeks.
67
198061
2169
03:32
How did they do this?
68
200230
1381
Hogy sikerült nekik?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Rendhagyó algoritmust
alkalmaztak, az ú.n. mély tanulást.
alkalmaztak, az ú.n. mély tanulást.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Annyira fontos eredmény volt ez,
hogy a The New York Times
hogy a The New York Times
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
címoldalon tudósított róla pár hét múlva.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Balra látható Geoffrey Hinton.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
A mély tanulás olyan algoritmus,
amelyet az emberi agy működése ihletett.
amelyet az emberi agy működése ihletett.
Az algoritmusnak nincs
elméleti korlátja
elméleti korlátja
03:50
and as a result it's an algorithm
74
218488
1812
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
abból a szempontból, hogy
mi mindenre lehet képes.
mi mindenre lehet képes.
Minél több adatot és gépidőt
adunk neki,
adunk neki,
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
annál jobbak lesznek az eredmények.
03:58
the better it gets.
77
226964
1312
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
A The New York Times írt cikkében
a mély tanulás
a mély tanulás
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
egy másik rendkívüli eredményéről is,
04:04
which I'm going to show you now.
80
232857
2712
amelyről rögtön szólni fogok.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Ez azt mutatja, hogy a számítógépek
képesek hangot érzékelni és értelmezni.
képesek hangot érzékelni és értelmezni.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Video) Richard Rashid:
Az utolsó lépés, s ezt szeretném,
Az utolsó lépés, s ezt szeretném,
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
hogy hozzá tudjam tenni a folyamathoz:
04:18
is to actually speak to you in Chinese.
84
246246
4715
kínaiul beszélni önökhöz.
04:22
Now the key thing there is,
85
250961
2635
Ennek kulcsa, hogy képesek voltunk
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
nagy mennyiségű információt
átvenni sok kínai beszédjéből,
átvenni sok kínai beszédjéből,
04:30
and produce a text-to-speech system
87
258598
2530
létrehozni egy "szövegből beszédet"
rendszert, amely
rendszert, amely
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
a kínai szöveget átalakítja
kínai beszéddé.
kínai beszéddé.
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
Azután az én hangmintámból felvettünk
egy órányit,
egy órányit,
04:41
and we've used that to modulate
90
269929
1891
s ezzel moduláltuk a szokásos
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
"szövegből beszédet" rendszert,
amely aztán az én hangomon szólalt meg.
amely aztán az én hangomon szólalt meg.
04:48
Again, the result's not perfect.
92
276364
2540
Az eredmény nem tökéletes.
04:50
There are in fact quite a few errors.
93
278904
2648
Tény, hogy elég sok a hiba.
04:53
(In Chinese)
94
281552
2484
(kínaiul)
04:56
(Applause)
95
284036
3367
(taps)
05:01
There's much work to be done in this area.
96
289446
3576
Elég sok feladat van még ezen a területen.
05:05
(In Chinese)
97
293022
3645
(kínaiul)
05:08
(Applause)
98
296667
3433
(taps)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Howard: Ez egy gépi tanulási
konferencián történt, Kínában.
konferencián történt, Kínában.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Valóban ritka, hogy egy
tudományos tanácskozáson
tudományos tanácskozáson
05:19
that you do hear spontaneous applause,
101
307114
1897
spontán tapsot hall az ember,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
bár néha TEDx konferenciákon igen.
Amit itt láttak, mind a mély tanulással
kapcsolatos.
kapcsolatos.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
05:27
(Applause) Thank you.
104
315482
1525
(taps) Köszönöm.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
A fonetikus átírás angolra
mély tanulás volt.
mély tanulás volt.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
A kínaira fordítás és a szöveg
a jobb fölső sarokban szintén,
a jobb fölső sarokban szintén,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
és a hangképzés úgyszintén
mély tanulás volt.
mély tanulás volt.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Úgy hogy a mély tanulás különleges dolog.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Egyszerű algoritmus, de úgy látszik,
majdnem mindenre alkalmas,
majdnem mindenre alkalmas,
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
erre tavaly jöttem rá.
Látni is megtanult már.
Látni is megtanult már.
05:47
In this obscure competition from Germany
111
335452
2176
Egy kevéssé ismert német versenyen,
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
amely a közlekedési jelzések
felismerésére irányul,
felismerésére irányul,
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
a mély tanulás megtanulta fölismerni
a közlekedési jelzéseket.
a közlekedési jelzéseket.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Nemcsak jobban ismeri föl
őket,
őket,
05:57
better than any other algorithm,
115
345712
1758
mint bármely más algoritmus,
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
az eredményjelző kimutatta,
hogy az embernél is jobban,
hogy az embernél is jobban,
06:02
about twice as good as people.
117
350189
1852
kb. kétszer jobban mint az ember.
06:04
So by 2011, we had the first example
118
352041
1996
2011-re megvolt az első példány az
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
embernél is jobban látó
számítógépből.
számítógépből.
06:09
Since that time, a lot has happened.
120
357442
2049
Azóta sok minden történt.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
2012-ben a Google közölte,
hogy van egy mély tanuló algoritmusuk,
hogy van egy mély tanuló algoritmusuk,
amely figyeli a YouTube videókat, és
06:15
watch YouTube videos
122
363005
1415
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
egy hónap alatt átrágta magát
16.000 gép adatain,
16.000 gép adatain,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
és a gép önállóan megtanult olyan
fogalmakat mint "ember", vagy
fogalmakat mint "ember", vagy
"macska", csupán csak a videókat figyelve.
06:24
just by watching the videos.
125
372218
1809
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Az emberek nagyon hasonlóan tanulnak.
Az emberek nem úgy tanulnak,
hogy megmondják nekik, mit látnak,
hogy megmondják nekik, mit látnak,
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
hanem maguknak tanítják meg,
mik ezek a dolgok.
mik ezek a dolgok.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
2012-ben az említett Geoffrey Hinton
06:37
won the very popular ImageNet competition,
130
385819
2858
megnyert egy nagyon népszerű
ImageNet versenyt, ahol
ImageNet versenyt, ahol
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
másfél millió képről kellett
06:44
what they're pictures of.
132
392818
1438
eldönteni, melyik mit ábrázol.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
2014-re elértük a képfelismerésben
06:49
in image recognition.
134
397789
1453
a 6%-os hibaszintet.
06:51
This is better than people, again.
135
399242
2026
Ez megint az emberekénél jobb eredmény.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Tehát a gépek ebben rendkívül
jó munkát végeznek, és
jó munkát végeznek, és
06:57
and it is now being used in industry.
137
405037
2269
az eredményeket ma
az iparban is hasznosítják.
az iparban is hasznosítják.
06:59
For example, Google announced last year
138
407306
3042
Például a Google tavaly bejelentette,
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
hogy két óra alatt feltérképezte
egész Franciaországot,
egész Franciaországot,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
mindezt úgy, hogy betáplálták
az utcai látképeket egy
az utcai látképeket egy
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
mélyen tanuló algoritmusba,
az fölismerte és beolvasta
az fölismerte és beolvasta
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
a házszámokat.
Korábban meddig tartott volna!
Korábban meddig tartott volna!
07:16
dozens of people, many years.
143
424919
3355
Tucatnyi ember, több év.
07:20
This is also happening in China.
144
428274
1911
Ez történik most Kínában is.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
A Baidu olyasmi, mint egy kínai Google,
07:26
and what you see here in the top left
146
434221
2283
és a bal fölső sarokban látható
egy kép, amelyet
egy kép, amelyet
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
feltöltöttem a Baidu mély tanuló
rendszerébe,
rendszerébe,
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
alatta pedig látják, hogy a rendszer
megértette, mi ez a kép,
megértette, mi ez a kép,
07:36
and found similar images.
149
444247
2236
és talált hasonló képeket.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
A hasonló képnek egyébként
hasonló a háttere,
hasonló a háttere,
07:41
similar directions of the faces,
151
449219
1658
az állatok pofája egyfelé fordul,
07:42
even some with their tongue out.
152
450877
1788
némelyik még a nyelvét is kiölti.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Ez nem ugyanaz,
mint egy szöveg a weboldalon.
mint egy szöveg a weboldalon.
Mindössze egy képet töltöttem föl.
07:47
All I uploaded was an image.
154
455695
1412
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Tehát a mai számítógépeink
tényleg értik, amit látnak,
tényleg értik, amit látnak,
07:53
and can therefore search databases
156
461128
1624
és százmilliónyi képet tartalmazó
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
adatbázist nézhetnek át valós időben.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
De mit jelent az, hogy
a számítógépek látnak?
a számítógépek látnak?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Nos, nemcsak, hogy látnak.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Valójában a mély tanulás
ennél többet ért el.
ennél többet ért el.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Az összetett, finoman árnyalt
mondatok mint ez,
mondatok mint ez,
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
mély tanuló algoritmusokkal
ma már érthetők.
ma már érthetők.
A felül látható piros pöttyel
08:11
As you can see here,
163
479394
1303
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
ez a stanfordi rendszer jelzi,
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
hogy ez a mondat
negatív érzelmet fejez ki.
negatív érzelmet fejez ki.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
A mély tanulás ma már tényleg
megközelíti az emberi teljesítményt abban,
megközelíti az emberi teljesítményt abban,
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
miről szól a mondat, és
mit állít ezekről a dolgokról.
mit állít ezekről a dolgokról.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
A mély tanulás révén olvasunk kínaiul,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
kb. egy született kínai szintjén.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Ez az algoritmus svájci,
s akik kifejlesztették,
s akik kifejlesztették,
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
nem beszélnek, és nem értenek kínaiul.
08:39
As I say, using deep learning
172
507331
2051
A mély tanulás alkalmazása
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
erre talán a világ legjobb rendszere,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
akár összevetve a természetes
emberi megértéssel.
emberi megértéssel.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Ezt a rendszert raktuk össze
a cégemnél, mely
a cégemnél, mely
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
megmutatja, hogyan kell ezeket összerakni.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Ezekhez a képekhez nem társul szöveg,
08:56
and as I'm typing in here sentences,
178
524189
2352
és ahogy mondatokat írok be ide,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
ez valós időben megérti ezeket a képeket, és
09:01
and figuring out what they're about
180
529510
1679
kitalálja, miről szólnak, és
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
talál a beírt szöveghez hasonló képeket.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Ez azt jelenti, hogy valójában
érti a mondataimat,
érti a mondataimat,
09:09
and actually understanding these pictures.
183
537108
2224
és valójában érti a képeket.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Tudom, hogy hasonlót
már láttak a Google-on,
már láttak a Google-on,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
ahol beírják a szavakat,
és megjelennek a képek,
és megjelennek a képek,
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
de az úgy működik, hogy a gép
a weboldalon szöveget keres.
a weboldalon szöveget keres.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Az teljesen más, mint
képeket fölismerni.
képeket fölismerni.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Ilyesmit számítógépek csak
az utóbbi hónapokban
az utóbbi hónapokban
09:25
for the first time in the last few months.
189
553843
3248
voltak képesek első ízben megcsinálni.
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
A számítógépek nemcsak
látnak, hanem olvasnak is,
látnak, hanem olvasnak is,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
megmutattuk:
értik is, amit hallanak.
értik is, amit hallanak.
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
Talán nem meglepő, ha elmondom,
hogy írni is tudnak.
hogy írni is tudnak.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Itt egy szöveg, amelyet tegnap egy
mély tanuló algoritmussal írattam.
mély tanuló algoritmussal írattam.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Itt egy szöveg,
melyet a stanfordi algoritmus írt.
melyet a stanfordi algoritmus írt.
Minden mondatot mély tanuló algoritmus
09:49
Each of these sentences was generated
195
577096
1764
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
állított elő a képek leírása céljából.
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
Az algoritmus korábban soha nem látott
fekete inges, gitározó embert.
fekete inges, gitározó embert.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Látott korábban embert,
látott fekete színt,
látott fekete színt,
10:01
it's seen a guitar before,
199
589801
1599
látott korábban gitárt,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
de önállóan állította elő
a kép új leírását.
a kép új leírását.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Ez még nem üti meg az
emberi teljesítmény szintjét, de közelíti.
emberi teljesítmény szintjét, de közelíti.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
A tesztekben az esetek negyedében
jobban tetszik az embernek
jobban tetszik az embernek
a számítógép-generálta képaláírás.
10:15
one out of four times.
203
603264
1527
10:16
Now this system is now only two weeks old,
204
604791
2064
Nos, ez a rendszer csupán kéthetes,
10:18
so probably within the next year,
205
606855
1846
tehát valószínűleg egy éven belül
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
a számítógépes algoritmus
10:23
at the rate things are going.
207
611502
1862
felülmúlja az emberi teljesítményt.
10:25
So computers can also write.
208
613364
3049
Tehát a számítógép írni is tud.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Ha mindent összerakunk,
ez izgalmas lehetőségekhez vezet.
ez izgalmas lehetőségekhez vezet.
10:31
For example, in medicine,
210
619888
1492
Például a gyógyításban,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
egy bostoni csoport bejelentette,
hogy felfedeztek
hogy felfedeztek
10:35
dozens of new clinically relevant features
212
623905
2949
több tucat klinikailag fontos
daganat-jellemzőt,
daganat-jellemzőt,
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
amelyek segítenek az orvosoknak
a rák előrejelzésében.
a rák előrejelzésében.
10:44
Very similarly, in Stanford,
214
632220
2296
Hasonlóképpen, Stanfordban
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
bejelentették, hogy kifejlesztettek
egy gépi tanuló rendszert,
egy gépi tanuló rendszert,
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
amely a szöveteket nagyításban vizsgálva
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
a rákosok túlélési esélyeinek
előrejelzésében
előrejelzésében
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
tényleg jobban teljesít,
mint a patológusok.
mint a patológusok.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
Mindkét esetben az előrejelzések
nemcsak pontosabbak voltak,
nemcsak pontosabbak voltak,
11:02
but they generated new insightful science.
220
650764
2502
hanem új tudományos eredményt hoztak.
11:05
In the radiology case,
221
653276
1505
A radiológia esetében
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
ezek új klinikai mutatók, amelyeket
az ember képes értelmezni.
az ember képes értelmezni.
11:09
In this pathology case,
223
657876
1792
A patológiai esetben
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
a számítógépes rendszer végeredményben
felfedezte, hogy
felfedezte, hogy
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
a rák körüli sejtek a diagnózis
fölállításában
fölállításában
ugyanolyan fontosak, mint maguk
a rákos sejtek.
a rákos sejtek.
11:19
in making a diagnosis.
226
667508
1752
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
A patológusoknak évtizedeken át
pont az ellenkezőjét tanították.
pont az ellenkezőjét tanították.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
Mindkét esetben ezek olyan
rendszerek, melyeket
rendszerek, melyeket
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
az orvos és a gépi tanulás
szakértők együtt
szakértők együtt
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
fejlesztettek ki. Tavaly óta
ezt is túlhaladtuk.
ezt is túlhaladtuk.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Itt egy példa arra, ahogyan
mikroszkóp alatt azonosítják
mikroszkóp alatt azonosítják
11:39
of human tissue under a microscope.
232
687824
2530
az emberi szövet rákos területét.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
A bemutatott rendszer pontosabban vagy kb.
ugyanolyan pontossággal tudja azonosítani
ugyanolyan pontossággal tudja azonosítani
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
azokat a területeket, mint egy patológus.
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
Mély tanulással alakították ki
a rendszert, orvosi szakértelem nélkül,
a rendszert, orvosi szakértelem nélkül,
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
olyanok, akiknek nincs semmi hátterük
a témában.
a témában.
Azután itt van az idegsejtek
szelvényezése. Már majdnem
szelvényezése. Már majdnem
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
olyan precízen tudjuk szelvényezni
az idegsejteket, mint az emberek,
az idegsejteket, mint az emberek,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
és a rendszert mély tanulással
azok alakították ki,
azok alakították ki,
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
akiknek nem volt előzetes
orvosi tapasztalatuk.
orvosi tapasztalatuk.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Úgy éreztem, hogy
orvosi háttér nélkül is
orvosi háttér nélkül is
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
eléggé képzett vagyok, hogy
orvosi céget alapítsak.
orvosi céget alapítsak.
12:15
which I did.
243
723875
2146
Meg is tettem.
Kissé féltem tőle,
de az elmélet azt sugallta,
de az elmélet azt sugallta,
12:18
I was kind of terrified of doing it,
244
726021
1740
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
hogy hasznára válhatnánk a gyógyításnak
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
csupán ilyen adatelemző módszerek
alkalmazásával.
alkalmazásával.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Hálás vagyok a fantasztikus fogadtatásért,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
nemcsak a média, hanem
az orvosi közösség részéről is,
az orvosi közösség részéről is,
12:32
who have been very supportive.
249
740978
2344
akik nagyon támogattak.
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
Az elmélet szerint a gyógyítás
folyamatában a középső részt lecseréljük
folyamatában a középső részt lecseréljük
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
adatelemzésre lehetőség szerint, és
azt hagyjuk az orvosokra,
azt hagyjuk az orvosokra,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
amihez legjobban értenek.
12:45
I want to give you an example.
253
753429
1602
Mondok rá példát. Ma 15 perc
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
egy új diagnosztikai teszt kidolgozása.
12:51
and I'll show you that in real time now,
255
759975
1954
Megmutatom ezt önöknek valós
időben, de én három percbe
időben, de én három percbe
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
sűrítettem be, mert elhagytam
egyes elemeit.
egyes elemeit.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Ahelyett, hogy megmutatnám, hogy
készül egy diagnosztikai teszt,
készül egy diagnosztikai teszt,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
lássuk inkább autót ábrázoló képek
diagnosztikai tesztjét,
diagnosztikai tesztjét,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
mert azt mindenki érteni fogja.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Kb. másfél millió, autót
ábrázoló képpel kezdünk,
ábrázoló képpel kezdünk,
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
és szeretnék létrehozni valamit,
ami aszerint rendezi őket,
ami aszerint rendezi őket,
13:12
of the photo that's being taken.
262
780475
2223
hogy milyen szögből készült a felvétel.
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
A képek címkézetlenek, ezért
az alapoktól kell kezdenem.
az alapoktól kell kezdenem.
13:18
With our deep learning algorithm,
264
786586
1865
Mély tanuló algoritmusunkkal
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
azonosítani lehet
az egyes részekhez tartozó területeket.
az egyes részekhez tartozó területeket.
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
Az ember és a gép pompásan
együtt tud működni.
együtt tud működni.
13:27
So the human, as you can see here,
267
795778
2178
Az ember, ahogy itt látható,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
megmondja a gépnek, mely
területek érdeklik,
területek érdeklik,
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
melyeken szeretné, hogy próbáljon
javítani a gép az algoritmusa szerint.
javítani a gép az algoritmusa szerint.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Ezek a mély tanuló rendszerek egy
16.000-dimenziós térben vannak,
16.000-dimenziós térben vannak,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
látják, ahogy a gép ezt pörgeti
azon a téren keresztül,
azon a téren keresztül,
13:45
trying to find new areas of structure.
272
813009
1992
és próbál új területeket találni.
Amint eredményt ér el,
az őt irányító ember
az őt irányító ember
13:47
And when it does so successfully,
273
815001
1781
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
megjelölheti az érdekes területeket.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
A gépnek sikerült területeket találnia,
13:55
for example, angles.
276
823208
2562
például sarkokat.
13:57
So as we go through this process,
277
825770
1606
Ahogy végigvisszük a folyamatot,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
fokozatosan egyre többet közlünk
a géppel arról,
a géppel arról,
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
miféle struktúrát keresünk.
Képzeljenek el egy diagnosztikai tesztben
14:04
You can imagine in a diagnostic test
280
832144
1772
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
egy patológust, amint meghatározza
a patologikus részeket,
a patologikus részeket,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
vagy egy radiológust,
amint kimutatja a gócokat.
amint kimutatja a gócokat.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Néha nehéz az algoritmus számára.
14:16
In this case, it got kind of confused.
284
844851
1964
Most egy kissé összezavarodott.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Összekeveri a kocsik elejét a hátuljával.
14:21
So here we have to be a bit more careful,
286
849365
2072
Egy kicsit jobban kell vigyáznunk, és
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
nekünk kell előbb különválogatnunk
a kocsik elejét és a hátulját,
a kocsik elejét és a hátulját,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
azután megmondjuk a gépnek,
hogy ez a csoport érdekes
nekünk.
nekünk.
14:32
that we're interested in.
289
860175
1348
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Ez eltart egy ideig, ugrunk egyet,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
és okítjuk a párszáz dologra támaszkodó
14:38
based on these couple of hundred things,
292
866446
1974
gépi tanuló algoritmust,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
és reméljük, hogy erősen följavul.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Látják, kezd elhalványulni egy néhány kép,
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
tehát már felismeri, ezek hogyan értendők.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Majd alkalmazhatjuk ezt az elvet
hasonló képekre,
hasonló képekre,
14:53
and using similar images, you can now see,
297
881128
2094
és a hasonló képeknél, látják,
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
már képes a kocsiknak az elejét
hibátlanul megtalálni.
hibátlanul megtalálni.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Itt az ember mondhatja a gépnek:
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
OK, jó munkát végeztél.
15:05
Sometimes, of course, even at this point
301
893652
2185
Persze, néha még itt is
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
bonyolult szétválasztani a csoportokat,
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
esetünkben, bár hagytuk a
gépet egy ideig pörögni,
gépet egy ideig pörögni,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
mégis találunk összekeveredve
15:18
are all mixed up together.
305
906744
1478
jobb és bal oldalas képeket.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Adhatunk további útbaigazításokat
a gépnek,
a gépnek,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
mondhatjuk, hogy próbálkozz, és találj
olyan szempontot, ami
olyan szempontot, ami
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
minél jobban szétválogatja
a jobb és bal oldalakat
a jobb és bal oldalakat
15:27
using this deep learning algorithm.
309
915945
2122
mély tanuló algoritmussal.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
S lám, a tanácsunk --
OK, sikeres volt.
OK, sikeres volt.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Sikerült olyan szempontok szerint
vizsgálni a tárgyakat,
vizsgálni a tárgyakat,
15:35
that's separated out these together.
312
923891
2380
amelyek alkalmasak szétválogatásukra.
15:38
So you get the idea here.
313
926271
2438
S eszünkbe jut egy gondolat.
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
Esetünkben a gép
nem helyettesíti az embert,
nem helyettesíti az embert,
15:48
but where they're working together.
315
936906
2640
hanem együtt munkálkodnak.
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
Ami egy 5-6 fős csoportnak
15:55
of five or six people about seven years
317
943096
2002
kb. hét évébe tellett volna korábban,
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
azt ezzel az eszközzel
15 perc alatt
15 perc alatt
15:59
for one person acting alone.
319
947703
2505
egyetlen személy elvégezi egyedül.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Ez a folyamat 4-5 közelítő lépésből áll.
16:06
You can see we now have 62 percent
321
954158
1859
Látják, hogy a gép a másfél millió kép
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
62%-át helyesen osztályozta.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Most kezdhetjük gyorsan
16:13
grab whole big sections,
324
961448
1297
nagy vonalakban
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
átnézni, nincs-e hiba valahol.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Ahol hiba van, közölhetjük a géppel.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Minden elkülönített csoportra alkalmazva
valami ilyen eljárást
valami ilyen eljárást
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
most a 80%-os helyességi aránynál tartunk
16:27
in classifying the 1.5 million images.
329
975148
2415
a másfél millió kép osztályozásakor.
16:29
And at this point, it's just a case
330
977563
2078
Most még találunk egynéhány
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
eltévedt képet,
16:35
and trying to understand why.
332
983220
2888
és megpróbáljuk megérteni,
mi ennek az oka.
mi ennek az oka.
16:38
And using that approach,
333
986108
1743
Ugyanazzal a módszerrel
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
15 perc alatt 97%-os helyességi arányt
érünk el.
érünk el.
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
Az ilyen technika lehetővé tenné, hogy
kezelni tudjunk egy jelentős problémát,
kezelni tudjunk egy jelentős problémát,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
azt, hogy hiány van orvosi szakértelemből
a világban.
a világban.
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
A Világgazdasági Fórumon elhangzott,
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
hogy a fejlődő országokban
10-20-szoros az orvoshiány,
10-20-szoros az orvoshiány,
16:57
and it would take about 300 years
339
1005727
2113
és mintegy 300 évbe telne,
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
hogy a gond megoldására elég
orvost képezzenek ki.
orvost képezzenek ki.
Képzeljék csak el, milyen jó lenne,
ha a mély tanulás módszerével
ha a mély tanulás módszerével
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
17:05
using these deep learning approaches?
342
1013619
2839
növelhetnénk az orvosok hatékonyságát?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Egészen fölvillanyoznak a lehetőségek.
17:10
I'm also concerned about the problems.
344
1018690
2589
Engem is aggaszt ez a gond.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Az a probléma, hogy
a kékkel jelölt területek ott vannak,
a kékkel jelölt területek ott vannak,
ahol a szolgáltatások aránya
80% fölötti a foglalkoztatottságban.
80% fölötti a foglalkoztatottságban.
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
Mik is kellenek a szolgáltatásokhoz?
17:20
What are services?
347
1028172
1787
[Írás-olvasás, Beszéd-figyelem],
[Szemlélet, Tudás összegzése]
[Szemlélet, Tudás összegzése]
17:21
These are services.
348
1029959
1514
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
Pont e dolgokkal épp most tanult meg
a gép bánni.
a gép bánni.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Tehát a fejlett világ dolgozóinak
80%-a olyan munkát végez,
80%-a olyan munkát végez,
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
amire épp most vált képessé a számítógép.
17:33
What does that mean?
352
1041963
1440
Mit jelent ez?
Minden rendben lesz.
A régiek helyett új állások keletkeznek.
A régiek helyett új állások keletkeznek.
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Például több állás lesz az
adattudósok számára.
adattudósok számára.
17:40
Well, not really.
355
1048693
817
Nem igazán.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Nem tart soká a számukra
kifejleszteni ezeket a dolgokat.
kifejleszteni ezeket a dolgokat.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Például, e négy algoritmust
ugyanaz a fickó hozta létre.
ugyanaz a fickó hozta létre.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Ha azt hiszik: ó, régen is megtörtént,
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
láttunk már ilyet, hogy új dolgok jönnek,
17:54
and they get replaced by new jobs,
360
1062126
2252
és a régieket új állások váltják föl,
17:56
what are these new jobs going to be?
361
1064378
2116
no de milyenek lesznek az új állások?
17:58
It's very hard for us to estimate this,
362
1066494
1871
Nagyon nehezen tudjuk megítélni,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
mert az emberi teljesítmény
fokozatosan nő,
fokozatosan nő,
18:03
but we now have a system, deep learning,
364
1071104
2562
de most itt van a mély tanulás rendszere,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
tudjuk róla, hogy a teljesítménye
rohamosan nő.
rohamosan nő.
18:08
And we're here.
366
1076893
1605
Itt tartunk.
Mostanában a dolgok láttán
sokan azt mondják:
sokan azt mondják:
18:10
So currently, we see the things around us
367
1078498
2061
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
"Ó, a számítógépek még mindig elég
ostobák." Igaz?
ostobák." Igaz?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
De öt éven belül a helyzet megváltozik.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Már most el kell kezdenünk
gondolkozni a gépek képességeiről.
gondolkozni a gépek képességeiről.
18:22
We have seen this once before, of course.
371
1090529
2050
Ilyet már tapasztaltunk,
18:24
In the Industrial Revolution,
372
1092579
1387
az ipari forradalom idején,
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
ahogy a gépek megjelenésével
lépést kellett váltani.
lépést kellett váltani.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
De egy idő után a dolgok elsimultak,
18:32
There was social disruption,
375
1100805
1702
Megzavarta a társadalmat,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
de amikor energiatermelésre
már mindenütt gépeket használtak,
már mindenütt gépeket használtak,
18:37
things really settled down.
377
1105946
2354
a dolgok lecsillapodtak.
18:40
The Machine Learning Revolution
378
1108300
1473
A "gépi tanulás forradalma"
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
egészen más lesz, mint az
ipari forradalom,
ipari forradalom,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
mert a "gépi tanulás forradalma"
soha nem csillapodik le.
soha nem csillapodik le.
Minél többet tudnak a számítógépek,
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
annál jobb képességű
számítógépeket tudnak megépíteni,
számítógépeket tudnak megépíteni,
18:54
so this is going to be a kind of change
383
1122862
1908
ez olyan váltás lesz, amit a világ eddig
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
még soha nem tapasztalt, ezért
korábbi fogalmaik arról,
korábbi fogalmaik arról,
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
hogy mi a lehetséges,
teljesen megváltoznak.
teljesen megváltoznak.
19:02
This is already impacting us.
386
1130974
1780
Mindez már hatással van ránk.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Az utóbbi 25 évben a tőke
termelékenysége nőtt,
termelékenysége nőtt,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
a munka termelékenysége maradt,
sőt, valamit csökkent is.
sőt, valamit csökkent is.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Szeretném, ha már elkezdenénk
ezt az eszmecserét.
ezt az eszmecserét.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Amikor a jelen helyzetről
beszélgetek emberekkel,
beszélgetek emberekkel,
19:19
people can be quite dismissive.
391
1147176
1490
gyakran teljesen elutasítók.
19:20
Well, computers can't really think,
392
1148666
1673
Jó, a számítógépek valójában
nem tudnak gondolkodni,
nem tudnak gondolkodni,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
nem fejeznek ki érzelmeket,
nem értik a költészetet,
nem értik a költészetet,
19:25
we don't really understand how they work.
394
1153367
2521
mi igazából nem értjük,
hogyan működnek.
hogyan működnek.
19:27
So what?
395
1155888
1486
Na és?
19:29
Computers right now can do the things
396
1157374
1804
A számítógépek már most
meg tudnak tenni dolgokat,
meg tudnak tenni dolgokat,
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
amelyek az emberek munkaidejének
nagy részét kitöltik.
nagy részét kitöltik.
19:33
so now's the time to start thinking
398
1161897
1731
Ideje elkezdeni a gondolkodást:
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
hogyan igazítsuk át a társadalom
és a gazdaság szerkezetét
és a gazdaság szerkezetét
19:40
to be aware of this new reality.
400
1168015
1840
az új realitások fényében.
19:41
Thank you.
401
1169855
1533
Köszönöm
19:43
(Applause)
402
1171388
802
(taps)
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