TED2007
Blaise Agüera y Arcas: How PhotoSynth can connect the world's images
بلەیس ئەگوێرا ئەکراس: نیشاندانێک دەربارەی فۆتۆ سینس
Filmed:
Readability: 4.3
5,831,957 views
بلەیس ئەگوێرا ئەکراس باس لە پڕۆگرامی فۆتۆ سینس دەکات، ئەو پڕۆگرامەی کە دەتوانێت بینینی ئێمە بۆ وێنە ژمارەییاکان بگۆڕێت، بە بەکارهێنانی وێنە وەستاوەکان کە لە ئینتەرنێتەوە داگیراون، پڕۆگرامی فۆتۆ سینس ئەو وێنانە بە درووستکردنی شەقامی خەیاڵی لە نێوانیاندا، پێکەوە دەبەستێتەوە، تاکو بتوانین هاتوچۆ بە نێوانیاندا بکەین
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. Full bio
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
ئەوەی کە لە سەرەتاوە دەمەوێت تا بتوانم بە خێرایی نیشانتان بدەم
00:27
is some foundational work, some new technology
1
2000
4000
هەندێک کاری بنەڕەتییە، هەندێک تەکنەلۆجیای نوێیە
00:31
that we brought to Microsoft as part of an acquisition
2
6000
3000
کە بە دەستمان هێناوە بۆ کۆمپانیای مایکرۆسۆفت
00:34
almost exactly a year ago. This is Seadragon,
3
9000
3000
نزیکەی ساڵێک لەمەوبەر. ئەمە پڕۆگرامی (سیادراگۆن)ە
00:37
and it's an environment in which you can either locally or remotely
4
12000
3000
ئەمەش ژینگەیەکە کە تیایدا تۆ دەتوانیت لە ناوخۆدا یاخود لە دەرەوە
00:40
interact with vast amounts of visual data.
5
15000
3000
کارلێک لەگەڵ بەشێکی گەورەی داتا بینراوەکاندا بکەیت
00:43
We're looking at many, many gigabytes of digital photos here
6
18000
3000
ئێمە تەماشای ژمارەیەکی زۆرلە گێگابایتی ژمارەیی وێنەکان دەکەین لێرەدا
00:46
and kind of seamlessly and continuously zooming in,
7
21000
3000
کە بەشێوەیەکی بەردەوام و یەک پارچەیی وێنەکان گەورە دەکات و
00:50
panning through the thing, rearranging it in any way we want.
8
25000
2000
لەو میانەیەدا شتەکان دەجوڵێن، ڕێکیان دەخەینەوە بەو شێوەی کە خۆمان دەمانەوێت
00:52
And it doesn't matter how much information we're looking at,
9
27000
4000
گرنگ نیە چەندە زانیاریمان هەیە دەربارەی ئەو وێنەیەی تەماشای دەکەین
00:56
how big these collections are or how big the images are.
10
31000
3000
هەروەها ئەمانە چەندە کۆکراونەتەوە یاخود وێنەکان چەندە گەورەن
00:59
Most of them are ordinary digital camera photos,
11
34000
2000
زۆربەی ئەم وێنانە بە کامێرای دیجیتاڵ گیراوە
01:01
but this one, for example, is a scan from the Library of Congress,
12
36000
3000
بەڵام ئەم دانەیە، بۆ نمونە، ئەوە پشکنینێکە لە کتێبخانەی کۆنگرێس
01:05
and it's in the 300 megapixel range.
13
40000
2000
کە دیقەکەی ٣٠٠ مێگا پێکسڵە
01:08
It doesn't make any difference
14
43000
1000
هیچ جیاوازیەک دروست ناکات
01:09
because the only thing that ought to limit the performance
15
44000
3000
تەنها یەک شت پێویستە بۆ جێبەجێکردنی کردارەکە
01:12
of a system like this one is the number of pixels on your screen
16
47000
3000
ئەویش هەبونی سیستەمێکی وەک ئەمەیە کە ژمارەی پێکسڵەکانت لە سەرشاشەکەت
01:15
at any given moment. It's also very flexible architecture.
17
50000
3000
بداتێ لەهەر کاتێکدا. هەروەها ئەوە نەخشەیەکی زۆر ئاشکرای تەلارسازیە
01:18
This is an entire book, so this is an example of non-image data.
18
53000
3000
ئەمەش کتێبێکی تەواوە، ئەمە نمونەیەکە لە وێنەیەکی خەیاڵی
01:22
This is "Bleak House" by Dickens. Every column is a chapter.
19
57000
5000
ئەمە (خانوی بلیک)ە کە لەلایەن دیکینسەوە نەخشەی کێشراوە. هەر ستونێک بەشێکە
01:27
To prove to you that it's really text, and not an image,
20
62000
4000
بۆ سەلماندنی ئەوەی کە ئەمە نوسراوی ڕاستەقینەیە نەوەک وێنەیەکە
01:31
we can do something like so, to really show
21
66000
2000
دەتوانین شتێکی وەک و ئەمە بکەین، بۆ نیشاندانی ڕاستی
01:33
that this is a real representation of the text; it's not a picture.
22
68000
3000
کە ئەمە نوێنەرایەتی ڕاستی ئەم نوسراوە دەکات، نەوەک وێنەیەک
01:37
Maybe this is a kind of an artificial way to read an e-book.
23
72000
2000
لەوانەیە ئەمە جۆرێک بێت لە ڕیگەیەکی لاسایی کردنەوە بۆ خوێندنەوەی کتێبی ئەلیکترۆنی
01:39
I wouldn't recommend it.
24
74000
1000
من ئەوەم بەلاوە پەسەند نیە
01:40
This is a more realistic case. This is an issue of The Guardian.
25
75000
3000
ئەمە زیاتر حاڵەتێکی ڕاستی تێدایە. ئەمە چەند ژمارەیەکە لە ڕۆژنامەی گاردیانی بەریتانی
01:43
Every large image is the beginning of a section.
26
78000
2000
هەر وێنەیەکی گەورە سەرەتای دەستپێکردنی بەشێکە
01:45
And this really gives you the joy and the good experience
27
80000
3000
لە ڕاستیدا ئەمە خۆشیەک و ئەزمونێکی باشت دەداتێ
01:48
of reading the real paper version of a magazine or a newspaper,
28
83000
5000
لە خوێندنەوەی پەڕەیەکی تازە لە گۆڤارێک یان ڕۆژنامەیەک
01:54
which is an inherently multi-scale kind of medium.
29
89000
1000
خۆی لە بنچینەدا، ئەمە ڕێگایەکە بۆ دیاریکردنی پێوەرەکان
01:56
We've also done a little something
30
91000
1000
هەروەها شتێکی بچوکی تریشمان کردوە
01:57
with the corner of this particular issue of The Guardian.
31
92000
3000
ئەویش ئەوەیە، لە سوچێکی تایبەتی ئەم ڕۆژنامەی گاردیانە
02:00
We've made up a fake ad that's very high resolution --
32
95000
3000
ڕیکلامێکمان دروست کردوە بە دیقەیەکی زۆر بەرز
02:03
much higher than you'd be able to get in an ordinary ad --
33
98000
2000
کە زۆر زیاترە لەوەی کە لە ڕیکلامی ئاسایدا هەیە
02:05
and we've embedded extra content.
34
100000
2000
ناوەڕۆکی زیاترمان تێدا جێگیر کردوە
02:07
If you want to see the features of this car, you can see it here.
35
102000
2000
ئەگەر دەتەوێت سیفەتەکانی ئەم سەیارەیە ببینیت، دەتوانیت سەیری ئێرە بکەیت
02:10
Or other models, or even technical specifications.
36
105000
4000
یان مۆدێلەکانی تر، یان تەنانەت مواسەفەتە هونەریەکانیشی
02:15
And this really gets at some of these ideas
37
110000
2000
لەڕاستیدا ئەمەشمان لە کۆمەڵە بیرۆکەیەکەوە بە دەست هێناوە
02:18
about really doing away with those limits on screen real estate.
38
113000
4000
کە دەتوانیت دەست بەسەر هەموو شاشەکەدا بگریت
02:22
We hope that this means no more pop-ups
39
117000
2000
هیوادارین ئەمە مانای ئەوە بێت کە ئیتر کتێب نەمێنێت لاپەڕەیەکی زۆری هەبێت
02:24
and other kind of rubbish like that -- shouldn't be necessary.
40
119000
2000
وە پێویستمان بە شێوە زبڵدانێکی تری وەک ئەوە نابێت لەمەودوا
02:27
Of course, mapping is one of those really obvious applications
41
122000
2000
بێگومان نەخشەکێشان یەکێکە لە هەرە جێبەجێکردنە گرنگەکان
02:29
for a technology like this.
42
124000
2000
کە زۆر گونجاوە بۆ ئەم تەکنەلۆجیایە
02:31
And this one I really won't spend any time on,
43
126000
2000
لە ڕاستیدا ئەم دانەیان من نامەوێت هیچ کاتێکی بۆ تەرخان بکەم
02:33
except to say that we have things to contribute to this field as well.
44
128000
2000
جگە لەوەی دەتوانین بڵێین کۆمەڵە شتێکمان هەیە بۆ هاوبەشی کردنێکی باشمان هەیە لەگەڵ ئەم کێڵگەدا
02:37
But those are all the roads in the U.S.
45
132000
2000
بەڵام ئەمانە هەموو ڕیگاکان لە ئەمەریکا
02:39
superimposed on top of a NASA geospatial image.
46
134000
4000
ئەم وێنانەش بە هۆی مانگە دەستکردەکانی ناساوە گیراون
02:44
So let's pull up, now, something else.
47
139000
2000
کەواتە ئێستا بابوەستین و بچینە سەر شتێکی تر
02:46
This is actually live on the Web now; you can go check it out.
48
141000
3000
ئێستا ئەمە ڕاستەوخۆ لەناو ئینەرنێتدا هەیە، دەتوانن بچن بەدوایدا بگەڕێن
02:49
This is a project called Photosynth,
49
144000
1000
ئەم پڕۆژەیە ناودەبرێت بە (فۆتۆ سیس) تیشکە پێکهاتن
02:51
which really marries two different technologies.
50
146000
1000
لە ڕاستیدا ئەمەش یەکگرتنی دوو تەکنەلۆجیای جیاوازە
02:52
One of them is Seadragon
51
147000
1000
یەکێک لەو دوانە (سیادراگۆن)ە
02:54
and the other is some very beautiful computer vision research
52
149000
2000
ئەوی تریشیان هەندێک لێکۆڵینەوەی جوانی کۆمپیوتەرە لەبارەی بینینەوە
02:57
done by Noah Snavely, a graduate student at the University of Washington,
53
152000
2000
کە لە لایەن (نوا ستانڤیلی)ەوە ئامدە کراوە، خوێندکارێکی دەرچوی زانکۆی واشنتۆنە
03:00
co-advised by Steve Seitz at U.W.
54
155000
2000
بەسەرپەرشتی (ستیڤ سێتز) لە زانکۆی واشنتۆن
03:02
and Rick Szeliski at Microsoft Research. A very nice collaboration.
55
157000
4000
لەگەڵ (ڕیک سیلیسکی) لە پەیمانگای لێکۆڵینەوەی مایکرۆسۆفت، هاوکاریەکی جوانە
03:07
And so this is live on the Web. It's powered by Seadragon.
56
162000
2000
ئەمە بە ڕاستەوخۆیی لە ناو ئینتەرنێتدا هەیە، ئیشی پێدەکرێت لە لایەن (سیادراگۆن)ەوە
03:09
You can see that when we kind of do these sorts of views,
57
164000
2000
دەتوانن ئەوە ببینن کاتێک لەم جۆرانە نیشان دەدەین
03:12
where we can dive through images
58
167000
1000
دەتوانین بچینە قوڵایی وێنەکان
03:14
and have this kind of multi-resolution experience.
59
169000
1000
تاکو وێنەیەکی کوالیتی بەرزی ئاوهامان هەبێت
03:16
But the spatial arrangement of the images here is actually meaningful.
60
171000
4000
بەڵام لێرەدا ڕێکخستنی شوێنەکان مانایەکی ڕاستەقینەی هەیە
03:20
The computer vision algorithms have registered these images together
61
175000
3000
ئالگۆریزمی بینینی کۆمپیوتەرەکە هەموو ئەم وێنانە تۆماردەکات بەیەکەوە
03:23
so that they correspond to the real space in which these shots --
62
178000
4000
تاکو ئەوانە بگونجێنێت لەگەڵ بۆشاییە ڕاستەقینەکانیدا بۆ ئەوەی ئەم وێنانە بگرێت
03:27
all taken near Grassi Lakes in the Canadian Rockies --
63
182000
2000
کە هەموویان لەنزیک دەریاچەی گراسی لە چیاکانی ڕۆکی لە کەنەدا گیراون
03:31
all these shots were taken. So you see elements here
64
186000
2000
هەموو ئەمانە گیراون، کەواتە هەموو ئەو وێنانەی لێرەدا
03:33
of stabilized slide-show or panoramic imaging,
65
188000
4000
نیشان دەدرێن بە سلاید یان وێنەی پانۆرامایی
03:40
and these things have all been related spatially.
66
195000
2000
بەستراون بە شوێنەکانیانەوە
03:42
I'm not sure if I have time to show you any other environments.
67
197000
3000
دڵنیا نیم لەوەی ئایا کاتی تەواوم هەیە تاوەکو ژینگەی ترتان نیشان بدەم
03:45
There are some that are much more spatial.
68
200000
1000
لەوێدا ژمارەیەکی زۆرتر شوێن هەیە
03:47
I would like to jump straight to one of Noah's original data-sets --
69
202000
3000
حەزدەکەم ڕاستەوخۆ بازبدەم بۆ یەکێک لە داتا ئەسڵیەکانی نوا
03:50
and this is from an early prototype of Photosynth
70
205000
2000
ئەمە نمونەیەکی سەرەتایی تیشکە پێکهاتنە
03:52
that we first got working in the summer --
71
207000
2000
ئەوە بوو یەکەم جار دەستمان بە ئیش کرد تێیدا لە هاویندا
03:54
to show you what I think
72
209000
1000
بۆ نیشاندانی ئەوەی من بیر لە چی دەکەمەوە
03:55
is really the punch line behind this technology,
73
210000
3000
لەڕاستیدا وتەی مەبەست لە پشتی ئەم تەکنەلۆجیایەوە
03:59
the Photosynth technology. And it's not necessarily so apparent
74
214000
2000
تەکنەلۆجیای تیشکە پێکهاتنە. ئەوەی پێویست ناکات زۆر ئاشکرا بێت
04:01
from looking at the environments that we've put up on the website.
75
216000
3000
لە سەیرکردنی ئەو ژینگەوە کە ئێمە دامانناوە لە سایتەکەدا
04:04
We had to worry about the lawyers and so on.
76
219000
2000
ئێمە دڵتەنگ بووین دەربارەی پارێزەرەکان و ئەوانی تریش
04:07
This is a reconstruction of Notre Dame Cathedral
77
222000
1000
ئەمە ئاوەدانکردنەوەیەکی بینای نوتر دام کاثیدراڵە
04:09
that was done entirely computationally
78
224000
2000
ئەوە بەتەواوەتی هەڵسەندگێندراوە
04:11
from images scraped from Flickr. You just type Notre Dame into Flickr,
79
226000
3000
لەو وێنانەدا کە هەڵگیراون لە فلیکەردا. تۆ تەنها دەنوسیت نوتر دام لە فلیکەردا
04:14
and you get some pictures of guys in t-shirts, and of the campus
80
229000
3000
دواتر هەندێک وێنەی چەند گەنجێکت دەست دەکەوێت بە تیشێرتەوە لە ناو زانکۆدا
04:17
and so on. And each of these orange cones represents an image
81
232000
4000
وە هەروەها. هەر قوچەیەکی پرتەقاڵی لە مانەدا نوێنەری وێنەیەکن
04:22
that was discovered to belong to this model.
82
237000
2000
ئەوانەی دۆزرانەوە هی ئەم مۆدێلەن
04:26
And so these are all Flickr images,
83
241000
2000
کەواتە هەموو ئەم وێنانەی لە فلیکەردا هەڵگیراون
04:28
and they've all been related spatially in this way.
84
243000
3000
بەستراون بە شوێنەکانەوە بەم ڕێگەیە
04:31
And we can just navigate in this very simple way.
85
246000
2000
ئێمە دەتوانی ڕێتان نیشان بدەین بە ڕێگەیەکی زۆر سادە
04:35
(Applause)
86
250000
9000
چەپڵە
04:44
You know, I never thought that I'd end up working at Microsoft.
87
259000
2000
ئێوە دەزانن، هەرگیز بیرم لەوە نەکردۆتەوە کۆتایی بە ئیش کردن بهێنم لە مایکرۆسۆفت
04:46
It's very gratifying to have this kind of reception here.
88
261000
4000
ئەوە زۆر دڵخۆشکەرە کە جۆرێک پرسگە لێرەدا هەیە
04:50
(Laughter)
89
265000
3000
پێکەنین
04:53
I guess you can see
90
268000
3000
وا مەزەندە دەکەم دەتوانن بیبینن
04:56
this is lots of different types of cameras:
91
271000
2000
ئەمە وێنانەش بە کامێرای جیاواز جیاواز گیراون
04:58
it's everything from cell phone cameras to professional SLRs,
92
273000
3000
هەر لە کامێرای مۆبایلەکانەوە تاکو کامێرا پڕۆفیشناڵەکانی لینزی ئێس-ئێل-ئاڕ
05:02
quite a large number of them, stitched
93
277000
1000
ژمارەیەکی زۆر هەیە لەوانە. دەیان تەقەڵ
05:03
together in this environment.
94
278000
1000
بەیەکیانەوە دەبەستێتەوە لەم ژینگەیەدا
05:04
And if I can, I'll find some of the sort of weird ones.
95
279000
2000
ئەگەر توانیم، بەنیازم هەندێک جۆری نامۆ بدۆزمەوە
05:08
So many of them are occluded by faces, and so on.
96
283000
3000
ژمارەیەکی زۆر لەوانە وێنەی ڕوخسارەکان دەگرن
05:13
Somewhere in here there are actually
97
288000
1000
لێرە لەشوێنێکدا ئەوانە بونیان هەیە لەڕاستیدا
05:15
a series of photographs -- here we go.
98
290000
1000
زینجیرەیەکی وێنەکانن...بابڕۆین
05:17
This is actually a poster of Notre Dame that registered correctly.
99
292000
3000
ئەمە پۆستەرێکی نۆتر دامە کە بەشێوەیەکی دروست تۆمارکراوە
05:21
We can dive in from the poster
100
296000
2000
دەتوانین دایپۆشین لە پۆستەرەکەوە
05:24
to a physical view of this environment.
101
299000
3000
بۆ بینینێکی فیزیایی لەم ژینگەیەدا
05:31
What the point here really is is that we can do things
102
306000
3000
ئەو خاڵەی لێرەدایە لە ڕاستیدا ئەوەیە، ئێمە دەتوانین ئەم شتانە بکەین
05:34
with the social environment. This is now taking data from everybody --
103
309000
5000
لەگەڵ ژینگە کۆمەڵایەتیەکەدا. لە ئێستادا ئەم داتایە دەبرێت لە هەرکەسێکەوە
05:39
from the entire collective memory
104
314000
1000
بۆ میمۆریەکی تەواو کۆکراوەی
05:40
of, visually, of what the Earth looks like --
105
315000
2000
بینراو، زەوی شێوەی لە چی دەچێت
05:43
and link all of that together.
106
318000
1000
همەوویان پێکەوە بەستراون
05:44
All of those photos become linked together,
107
319000
2000
هەموو ئەم وێنانە دەبەسترێن بەیەکەوە
05:46
and they make something emergent
108
321000
1000
ئەوانە شتێکی تازە دروست دەکەن
05:47
that's greater than the sum of the parts.
109
322000
2000
ئەوەش گەورەترە لە سەرجەم بەشەکانی تر
05:49
You have a model that emerges of the entire Earth.
110
324000
2000
ئێوە پێویستان بە مۆدێلێکە کە زەوی بەتەواوی تێیدا دەربکەوێت
05:51
Think of this as the long tail to Stephen Lawler's Virtual Earth work.
111
326000
5000
بیربکەنەوە ئەمە وەک چیرۆکە دوور و درێژەکەی (ستیڤان لاولەر)ە کە تایبەت بوو بەزەویە ڕەسەنەکە
05:56
And this is something that grows in complexity
112
331000
2000
ئەمە بەشێکە کە زۆر بەئاڵۆزی گەشەی کردوە
05:58
as people use it, and whose benefits become greater
113
333000
3000
لەگەڵ بەکارهێنانی ئەم پڕۆگرامەدا، ئەوانەی سوود مەند بوون لەم پڕۆگرامە زۆرتر بوون
06:01
to the users as they use it.
114
336000
2000
لەو بەکارهێنەرانەی کە تەنیا بەکاریان هێناوە
06:03
Their own photos are getting tagged with meta-data
115
338000
2000
وێنەکان لەگەڵ زانیاریەکان پێکەوە دەبەسترێنەوە. ئەگەر
06:05
that somebody else entered.
116
340000
1000
ک کەسێکی تر چوبێتە ژوورەوە، ئەوا نیشانی دەدات
06:07
If somebody bothered to tag all of these saints
117
342000
3000
ئەگەر کەسێک بێزار کرا بە تاگ کردنی هەموو ئەم وێنانە بۆی
06:10
and say who they all are, then my photo of Notre Dame Cathedral
118
345000
3000
گوتی هەموو ئەوانە کێن، پاشان وێنەکەم لە: نۆتری دام کاثیدراڵ
06:13
suddenly gets enriched with all of that data,
119
348000
2000
لە ناکاو دەوڵەمەند دەبن لەگەڵ هەموو ئەو داتایانە
06:15
and I can use it as an entry point to dive into that space,
120
350000
3000
دەتوانم بەکاری بهێنم وەک خاڵێک ە بۆ ئەوەی ئەو بۆشاییە دابپۆشم
06:18
into that meta-verse, using everybody else's photos,
121
353000
2000
لەناو زانیاریەکاندا و وە وێنەکانی تر بەکاردەهێنم
06:21
and do a kind of a cross-modal
122
356000
2000
ئەمە جۆرێک دەبێت لە ئیشی نمونەیی گشتی
06:25
and cross-user social experience that way.
123
360000
3000
ئەوە ڕێگەیەک دەبێت لە ئەزمونی ئیشی کۆمەڵایەتی
06:28
And of course, a by-product of all of that
124
363000
1000
بێگومان، ئەم بەرهەم هێنانە هەمووی ئەوەیە
06:30
is immensely rich virtual models
125
365000
2000
تا ڕادیەکی زۆر مۆدێلی دەوڵەمەندی ڕەسەنە
06:32
of every interesting part of the Earth, collected
126
367000
2000
بۆ هەموو بەشەکانی زەوی دڵخۆشکەر دەبێت، کۆکراوە دەبێت
06:35
not just from overhead flights and from satellite images
127
370000
3000
نەک تەنها بۆ فڕینەکان و وێنەی مانگە دەستکردەکان
06:38
and so on, but from the collective memory.
128
373000
2000
بەڵام لە میمۆریەکی کۆکراوەدا
06:40
Thank you so much.
129
375000
2000
زۆر سوپاس
06:42
(Applause)
130
377000
11000
چەپڵە
06:53
Chris Anderson: Do I understand this right? That what your software is going to allow,
131
388000
4000
کریس ئەندرسۆن: ئەگەر من باش لەمە تێگەشتبم؟ بەرنامەکەی تۆ ئەوەیە ڕێگەت دەدات
06:58
is that at some point, really within the next few years,
132
393000
2000
بە چەند خاڵێک، ئەویش ئەوەیە کە لەچەند ساڵی کەمی داهاتودا
07:01
all the pictures that are shared by anyone across the world
133
396000
4000
هەموو وێنەکان بەشداری پێدەکرێت لەلایەن هەر کەسێکەوە لەم سەرو ئەوسەری جیهان
07:05
are going to basically link together?
134
400000
2000
بەشێوەیەکی بنچینەیی بە هۆی لینکەکەوە دەبەسترێنەوە بەیەکەوە؟
07:07
BAA: Yes. What this is really doing is discovering.
135
402000
2000
بلەیس ئەگوێرا ئەکراس: بەڵێ، ئەم بەرنامەیە بۆ ئەوە دۆزراوەتەوە
07:09
It's creating hyperlinks, if you will, between images.
136
404000
3000
ئەمە درووست کردنی پەیوەندیە لەنێوان وێنەکاندا
07:12
And it's doing that
137
407000
1000
ئەو پەیوەندییە درووست دەکات
07:13
based on the content inside the images.
138
408000
1000
بەپێی ناوەڕۆکی ناو وێنەکە
07:14
And that gets really exciting when you think about the richness
139
409000
3000
زۆر خۆشە کاتێک بیردەکەیتەوە دەربارەی دەوڵەمەندی
07:17
of the semantic information that a lot of those images have.
140
412000
2000
زانیاریە واتاییەکان کە ژمارەیەکی زۆر لەم وێنانە هەیانە
07:19
Like when you do a web search for images,
141
414000
2000
وەک ئەوەی کاتێکل ە ئینتەرنێتدا دەگەڕێیت بەدوای وێنەیەکدا
07:22
you type in phrases, and the text on the web page
142
417000
2000
تۆ زاراوەکان دەنوسیت، دواتر لە لاپەڕەی سایتەکەدا دەردەکەوێت
07:24
is carrying a lot of information about what that picture is of.
143
419000
3000
کە زانیاریەکی زۆری هەڵگرتوە دەربارەی ئەو وێنەیە
07:27
Now, what if that picture links to all of your pictures?
144
422000
2000
ئێستا، چی دەبێت ئەگەر ئەو وێنەیە بەسترا بێت بە هەموو وێنەکانتەوە؟
07:29
Then the amount of semantic interconnection
145
424000
2000
ئەو کات بەشە واتاییەکەی کیشوەر بڕ دەبێت
07:31
and the amount of richness that comes out of that
146
426000
1000
وە بەشە دەوڵەمەندەکەی دەردەکەوێت
07:32
is really huge. It's a classic network effect.
147
427000
3000
کە زۆر گەورەیە. ئەوە کاریگەریەکی تۆڕی کلاسیکیە
07:35
CA: Blaise, that is truly incredible. Congratulations.
148
430000
2000
کریس ئەندرسۆن: بەڕاستی ئەوە باوەڕپێنەکراوە، پیرۆزە
07:37
BAA: Thanks so much.
149
432000
1000
بلەیس ئەگوێرا ئەکراس: زۆر سوپاس
ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architectBlaise 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?
Blaise Agüera y Arcas | Speaker | TED.com