TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: Implicațiile minunate și îngrozitoare ale calculatoarelor care pot învăța
Filmed:
Readability: 4.5
2,532,971 views
Ce se întâmplă când învățăm un calculator să învețe? Expertul în tehnologie Jeremy Howard ne dezvăluie surprinzătoarele progrese recente din domeniul învățării profunde, o metodă care permite calculatoarelor să învețe limba chineză, să recunoască obiecte în imagini sau să ajute la diagnoza medicală. (Unul dintre algoritmii de învățare profundă, după ce a urmărit ore întregi de înregistrări video pe YouTube, a învățat conceptul de „pisici”. ) Priviți fascinați spre acest domeniu care va schimba modul în care se comportă calculatoarele din jurul nostru, și asta mai curând decât credeți.
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Double-click the English transcript below to play the video.
00:12
It used to be that if you wanted
to get a computer to do something new,
to get a computer to do something new,
0
880
4013
Altădată, dacă voiai ca un computer
să facă ceva nou, trebuia să-l programezi.
să facă ceva nou, trebuia să-l programezi.
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
Pentru cei care nu aveți experiența asta,
00:21
requires laying out in excruciating detail
3
9858
3502
programarea presupune să stabilești
în cele mai mici detalii
în cele mai mici detalii
fiecare pas pe care
i-l ceri calculatorului
i-l ceri calculatorului
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
00:28
in order to achieve your goal.
5
16727
2362
pentru a obține ce dorești.
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
Dacă vrei să faci ceva ce n-ai putea face
tu însuți, atunci îți va fi foarte greu.
tu însuți, atunci îți va fi foarte greu.
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Foarte greu i-a fost și unui anumit
Arthur Samuel.
Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
În 1956 dorea să programeze
un calculator care să-l învingă la dame.
un calculator care să-l învingă la dame.
00:44
to be able to beat him at checkers.
10
32208
2340
Cum faci să programezi calculatorul
în cele mai mici detalii
în cele mai mici detalii
00:46
How can you write a program,
11
34548
2040
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
încât să joace dame mai bine decât tine?
00:52
So he came up with an idea:
13
40394
1722
I-a venit o idee:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
a pus calculatorul să joace
cu el însuși de mii de ori
cu el însuși de mii de ori
00:57
and learn how to play checkers.
15
45840
2524
ca să învețe să joace dame.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Ideea a mers.
În 1962 calculatorul acesta l-a învins pe
campionul statului Connecticut.
campionul statului Connecticut.
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
Arthur Samuel a fost părintele
învățării automate.
învățării automate.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Eu îi sunt recunoscător pentru că și eu
mă ocup cu învățarea automată.
mă ocup cu învățarea automată.
01:10
and I have a great debt to him,
19
58534
1717
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
01:15
I was the president of Kaggle,
21
63014
1465
Am fost președinte la Kaggle,
o comunitate cu peste 200 000
de practicanți ai învățării automate.
de practicanți ai învățării automate.
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle organizează competiții pentru
rezolvarea problemelor încă nerezolvate.
rezolvarea problemelor încă nerezolvate.
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
Și a avut sute de reușite.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Din poziția mea avantajoasă am aflat
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
ce putea face învățarea automată
în trecut, ce poate face azi
în trecut, ce poate face azi
și ce ar putea face în viitor.
01:35
and what it could do in the future.
28
83890
2362
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Probabil primul mare succes
al învățării automate a fost Google.
al învățării automate a fost Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Google a demonstrat
că poți găsi informații
că poți găsi informații
01:45
by using a computer algorithm,
31
93784
1752
folosind un algoritm computerizat
bazat pe învățarea automată.
bazat pe învățarea automată.
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
De atunci s-au înregistrat numeroase
succese comerciale în domeniu.
succese comerciale în domeniu.
Companii ca Amazon și Netflix
folosesc învățarea automată
folosesc învățarea automată
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
pentru a vă sugera
ce ați vrea să cumpărați,
ce ați vrea să cumpărați,
01:59
movies that you might like to watch.
36
107876
2020
ce filme ați vrea să vedeți.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Uneori aproape că te sperie:
de exemplu LinkedIn și Facebook
îți spun cine ți-ar putea fi prieten
îți spun cine ți-ar putea fi prieten
02:03
Companies like LinkedIn and Facebook
38
111703
1954
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
02:08
and you have no idea how it did it,
40
116251
1977
și habar n-ai cum au procedat.
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
Se folosește puterea învățării automate.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Sunt algoritmi care învață din date,
fără să fie programați manual.
fără să fie programați manual.
02:16
rather than being programmed by hand.
43
124152
3247
02:19
This is also how IBM was successful
44
127399
2478
Tot așa a avut succes și IBM
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
cu Watson, care a învins
cei doi campioni mondiali la „Jeopardy”,
cei doi campioni mondiali la „Jeopardy”,
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
răspunzând la întrebări
incredibil de subtile și complexe ca:
incredibil de subtile și complexe ca:
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
[Anticul „Leu din Nimrud” a dispărut
din muzeul național al acestui oraș în 2003
(împreună cu multe altele).]
din muzeul național al acestui oraș în 2003
(împreună cu multe altele).]
Tot astfel azi avem primele mașini
care se conduc singure.
care se conduc singure.
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
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
A face diferența între un copac
și un pieton, de exemplu, e important.
și un pieton, de exemplu, e important.
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Nu știm să scriem de mână
astfel de programe,
astfel de programe,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
dar prin învățare automată acum e posibil.
Mașina aceasta a mers peste 1 milion de km
fără accidente, pe șosele obișnuite.
fără accidente, pe șosele obișnuite.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
02:48
without any accidents on regular roads.
54
156680
3506
02:52
So we now know that computers can learn,
55
160196
3914
Acum știm: calculatoarele pot învăța,
02:56
and computers can learn to do things
56
164110
1900
ba chiar pot învăța să facă lucruri
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
pe care uneori nici noi
nu știm să le facem
nu știm să le facem
03:00
or maybe can do them better than us.
58
168848
2885
sau poate le fac mai bine decât noi.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Unul din cele mai uimitoare exemple
de învățare automată din câte am văzut
de învățare automată din câte am văzut
03:07
happened on a project that I ran at Kaggle
60
175928
2392
a fost într-un proiect
al meu de la Kaggle,
al meu de la Kaggle,
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
în care echipa lui Geoffrey Hinton
de la Universitatea din Toronto
de la Universitatea din Toronto
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
a câștigat un concurs
de descoperire automată a drogurilor.
de descoperire automată a drogurilor.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Extraordinar a fost nu că au surclasat
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
toți algoritmii dezvoltați de Merck
sau de comunitatea academică,
sau de comunitatea academică,
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
ci faptul că nimeni din echipă nu avea
pregătire în chimie sau biologie
pregătire în chimie sau biologie
03:30
and they did it in two weeks.
67
198061
2169
și au reușit în două săptămâni.
03:32
How did they do this?
68
200230
1381
Cum au reușit?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Au folosit un algoritm numit
învățare profundă.
învățare profundă.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Succesul lor a fost atât de important
încât a apărut pe prima pagină
a New York Times după câteva săptămâni.
a New York Times după câteva săptămâni.
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Iată-l pe Geoffrey Hinton aici în stânga.
Învățarea profundă e un algoritm
inspirat din funcționarea creierului
inspirat din funcționarea creierului
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
03:50
and as a result it's an algorithm
74
218488
1812
și astfel, teoretic, e un algoritm
fără limitări în ceea ce poate face.
fără limitări în ceea ce poate face.
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
Cu cât îi dai mai multe date
și timp de calcul, cu atât devine mai bun.
și timp de calcul, cu atât devine mai bun.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
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
New York Times a prezentat în articol
încă un rezultat al învățării profunde,
încă un rezultat al învățării profunde,
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
04:04
which I'm going to show you now.
80
232857
2712
pe care vi-l arăt acum.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Demonstrează că computerele
pot asculta și înțelege.
pot asculta și înțelege.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Video) Richard Rashid:
Ultimul pas pe care vreau să-l pot face
Ultimul pas pe care vreau să-l pot face
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
04:18
is to actually speak to you in Chinese.
84
246246
4715
e să vorbesc cu voi în chineză.
04:22
Now the key thing there is,
85
250961
2635
Ideea de bază e că am stocat informații
de la mulți vorbitori de chineză
de la mulți vorbitori de chineză
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
04:30
and produce a text-to-speech system
87
258598
2530
și am realizat un sistem de sinteză vocală
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
care convertește textul chinezesc
în chineza vorbită.
în chineza vorbită.
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
Apoi am folosit o probă
de circa o oră cu vocea mea
de circa o oră cu vocea mea
04:41
and we've used that to modulate
90
269929
1891
pentru a modula sistemul standard
încât să sune ca vocea mea.
încât să sune ca vocea mea.
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
04:48
Again, the result's not perfect.
92
276364
2540
Repet, rezultatul nu e perfect.
04:50
There are in fact quite a few errors.
93
278904
2648
Există multe erori.
04:53
(In Chinese)
94
281552
2484
(În chineză)
04:56
(Applause)
95
284036
3367
(Aplauze)
05:01
There's much work to be done in this area.
96
289446
3576
Mai sunt multe de făcut aici.
05:05
(In Chinese)
97
293022
3645
(În chineză)
05:08
(Applause)
98
296667
3433
(Aplauze)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Jeremy Howard: Asta a fost o conferință
de învățare automată din China.
de învățare automată din China.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
La conferințele științifice
rareori se aud aplauze spontane.
rareori se aud aplauze spontane.
05:19
that you do hear spontaneous applause,
101
307114
1897
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
Dar la conferințele TEDx
faceți cum doriți.
faceți cum doriți.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Tot ce ați văzut se bazează
pe învățarea profundă.
pe învățarea profundă.
(Aplauze)
Mulțumesc.
Mulțumesc.
05:27
(Applause) Thank you.
104
315482
1525
Transcrierea în engleză
era cu învățare profundă.
era cu învățare profundă.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
La fel și traducerea în chineză
și textul din dreapta sus.
și textul din dreapta sus.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
Sinteza vocii – tot învățare profundă.
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Învățarea profundă e extraordinară.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
E un singur algoritm,
care pare să poată face orice.
care pare să poată face orice.
Am aflat că înainte cu un an
învățase și să vadă.
învățase și să vadă.
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
05:47
In this obscure competition from Germany
111
335452
2176
Într-o competiție obscură din Germania
de recunoaștere a indicatoarelor rutiere,
de recunoaștere a indicatoarelor rutiere,
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
a învățat să recunoască
indicatoare rutiere precum acesta.
indicatoare rutiere precum acesta.
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
A recunoscut indicatoarele
mai bine decât orice alt algoritm
mai bine decât orice alt algoritm
05:57
better than any other algorithm,
115
345712
1758
și conform clasamentului chiar mai bine
decât oamenii, de vreo două ori mai bine.
decât oamenii, de vreo două ori mai bine.
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
06:02
about twice as good as people.
117
350189
1852
Deci până în 2011 a apărut primul
calculator care vede mai bine ca oamenii.
calculator care vede mai bine ca oamenii.
06:04
So by 2011, we had the first example
118
352041
1996
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
06:09
Since that time, a lot has happened.
120
357442
2049
De atunci s-au întâmplat multe.
În 2012 Google a anunțat că a pus
un algoritm să se uite pe YouTube
un algoritm să se uite pe YouTube
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
06:15
watch YouTube videos
122
363005
1415
și să ronțăie datele cu 16000
de calculatoare timp de o lună,
de calculatoare timp de o lună,
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
învățând singur despre concepte
ca oamenii și pisicile
ca oamenii și pisicile
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
06:24
just by watching the videos.
125
372218
1809
doar privind videoclipuri.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Tot cam așa învață și omul.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Oamenii nu învață
din explicații despre ce văd,
din explicații despre ce văd,
ci din propria experiență cu lucrurile.
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
În 2012, Geoffrey Hinton, cel de adineauri
06:37
won the very popular ImageNet competition,
130
385819
2858
a câștigat celebra competiție ImageNet,
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
încercând să-și dea seama ce reprezintă
1,5 milioane de imagini.
1,5 milioane de imagini.
06:44
what they're pictures of.
132
392818
1438
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
În 2014 eroarea de recunoaștere
a imaginilor a scăzut la 6%.
a imaginilor a scăzut la 6%.
06:49
in image recognition.
134
397789
1453
Din nou mai bine ca oamenii.
06:51
This is better than people, again.
135
399242
2026
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Mașinile se descurcă extraordinar de bine,
06:57
and it is now being used in industry.
137
405037
2269
iar acum sunt folosite în industrie.
De exemplu, Google a anunțat anul trecut
06:59
For example, Google announced last year
138
407306
3042
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
că a cartografiat toate locurile
din Franța în două ore.
din Franța în două ore.
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
Au făcut asta încărcând
imagini ale străzilor
imagini ale străzilor
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
într-un algoritm de învățare profundă
care citește numărul străzii.
care citește numărul străzii.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Imaginați-vă cât ar fi durat altădată:
07:16
dozens of people, many years.
143
424919
3355
zeci de oameni, mulți ani.
07:20
This is also happening in China.
144
428274
1911
Asta se întâmplă și în China.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu este ca un fel de Google, cred.
07:26
and what you see here in the top left
146
434221
2283
Aici în stânga sus vedeți o poză
încărcată de mine în acest sistem,
încărcată de mine în acest sistem,
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
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
iar jos vedeți că sistemul a
înțeles ce reprezintă poza
înțeles ce reprezintă poza
07:36
and found similar images.
149
444247
2236
și a găsit imagini similare.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Acestea au un fundal asemănător,
direcții similare ale fețelor,
07:41
similar directions of the faces,
151
449219
1658
07:42
even some with their tongue out.
152
450877
1788
unele chiar cu limba afară.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Nu e ca și cum ai vedea
textul unei pagini de internet.
textul unei pagini de internet.
Am încărcat doar o imagine.
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
Avem acum calculatoare
care înțeleg ce văd
care înțeleg ce văd
și astfel pot căuta în baze de date
07:53
and can therefore search databases
156
461128
1624
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
cu sute de milioane de imagini
în timp real.
în timp real.
Ce înseamnă faptul că văd?
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Și nu numai că văd.
Învățarea profundă a ajuns mai departe.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
08:05
Complex, nuanced sentences like this one
161
473622
2948
Propoziții complexe și nuanțate ca aceasta
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
sunt inteligibile prin algoritmi
de învățare profundă.
de învățare profundă.
08:11
As you can see here,
163
479394
1303
Aici vedeți cum un sistem de la Stanford
arată prin bulina roșie de sus
arată prin bulina roșie de sus
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
că a înțeles conotația negativă
a acestei propoziții.
a acestei propoziții.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Învățarea profundă are acum
performanțe aproape umane
performanțe aproape umane
în a înțelege despre ce e propoziția
și ce comunică ea.
și ce comunică ea.
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
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Învățarea profundă se folosește
la a citi în chineză
la a citi în chineză
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
aproape de nivelul de vorbitor nativ.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Algoritmul a fost dezvoltat în Elveția
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
de oameni care nu vorbesc
și nu înțeleg deloc chineză.
și nu înțeleg deloc chineză.
08:39
As I say, using deep learning
172
507331
2051
Învățarea profundă e cea mai bună
soluție din lume pentru așa ceva,
soluție din lume pentru așa ceva,
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
chiar și față de
înțelegerea umană naturală.
înțelegerea umană naturală.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Iată un sistem pus la punct
de compania mea,
de compania mea,
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
care combină toate acestea.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Aceste imagini nu sunt însoțite de text
08:56
and as I'm typing in here sentences,
178
524189
2352
și pe măsură ce tastez propoziții aici
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
înțelege în timp real imaginile,
își dă seama despre ce e vorba
își dă seama despre ce e vorba
09:01
and figuring out what they're about
180
529510
1679
și găsește imagini similare cu
cele din textul scris de mine.
cele din textul scris de mine.
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
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
După cum vedeți, înțelege
atât propozițiile cât și imaginile.
atât propozițiile cât și imaginile.
09:09
and actually understanding these pictures.
183
537108
2224
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Știu că ați văzut ceva similar pe Google:
– tastați ceva și vă arată imagini –,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
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
dar acolo de fapt caută
pagini de internet după text.
pagini de internet după text.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
E cu totul altceva
decât a înțelege imaginile.
decât a înțelege imaginile.
Calculatoarele au învățat să facă asta
abia acum câteva luni.
abia acum câteva luni.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
09:25
for the first time in the last few months.
189
553843
3248
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
Așadar calculatoarele nu doar văd,
ci pot și citi.
ci pot și citi.
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
Și desigur am demonstrat
că înțeleg ce aud.
că înțeleg ce aud.
Atunci nu vă va mira
dacă vă spun că pot să și scrie.
dacă vă spun că pot să și scrie.
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
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Iată un text pe care l-am generat ieri
cu un algoritm de învățare profundă.
cu un algoritm de învățare profundă.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Iată și un text generat
de un algoritm de la Stanford.
de un algoritm de la Stanford.
09:49
Each of these sentences was generated
195
577096
1764
Fiecare propoziție a fost generată
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
de un algoritm de învățare profundă
pentru a descrie imaginile.
pentru a descrie imaginile.
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
Algoritmul nu mai văzuse un bărbat
în cămașă neagră cântând la chitară.
în cămașă neagră cântând la chitară.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Mai văzuse un bărbat,
culoarea neagră, o chitară,
culoarea neagră, o chitară,
10:01
it's seen a guitar before,
199
589801
1599
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
dar a generat singur
o descriere nouă a acestei imagini.
o descriere nouă a acestei imagini.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Încă n-am atins performanța umană,
dar ne apropiem.
dar ne apropiem.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
La testare oamenii preferă
descrierile generate de calculator
descrierile generate de calculator
cam o dată din patru.
10:15
one out of four times.
203
603264
1527
10:16
Now this system is now only two weeks old,
204
604791
2064
Sistemul are abia două săptămâni,
10:18
so probably within the next year,
205
606855
1846
deci probabil într-un an algoritmul
va depăși performanța umană
va depăși performanța umană
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
la cum avansează lucrurile.
10:23
at the rate things are going.
207
611502
1862
10:25
So computers can also write.
208
613364
3049
Deci calculatoarele pot și să scrie.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Toate astea la un loc creează
niște șanse fantastice.
niște șanse fantastice.
De exemplu, în medicină, o echipă
din Boston a anunțat că a descoperit
din Boston a anunțat că a descoperit
10:31
For example, in medicine,
210
619888
1492
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
10:35
dozens of new clinically relevant features
212
623905
2949
zeci de caracteristici relevante clinic
ale tumorilor care ajută doctorii
să prezică apariția cancerului.
să prezică apariția cancerului.
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
10:44
Very similarly, in Stanford,
214
632220
2296
Similar, la Stanford
un grup a anunțat că cercetând
la microscop țesuturile
la microscop țesuturile
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
au realizat un sistem cu învățare automată
care reușește mai bine ca patologii umani
care reușește mai bine ca patologii umani
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
să prevadă proporția de supraviețuire
a pacienților cu cancer.
a pacienților cu cancer.
În ambele cazuri previziunile
au fost mai exacte
au fost mai exacte
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
și au ajutat și la progresul științific.
11:02
but they generated new insightful science.
220
650764
2502
În cazul radiologiei au apărut
indicatori clinici înțeleși de om.
indicatori clinici înțeleși de om.
11:05
In the radiology case,
221
653276
1505
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
11:09
In this pathology case,
223
657876
1792
În cazul patologiei
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
sistemul computerizat a descoperit
că celulele din jurul cancerului
că celulele din jurul cancerului
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
sunt la fel de importante
ca cele canceroase
ca cele canceroase
11:19
in making a diagnosis.
226
667508
1752
în stabilirea diagnosticului.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Asta infirmă ce spun cursurile
de patologie de multe decenii încoace.
de patologie de multe decenii încoace.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
În ambele cazuri,
sistemele au fost realizate
sistemele au fost realizate
de experți în medicină împreună cu
experți în învățare automată,
experți în învățare automată,
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
dar anul trecut am depășit și acest prag.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Iată un exemplu de identificare
a zonelor canceroase
a zonelor canceroase
11:39
of human tissue under a microscope.
232
687824
2530
a țesutului uman la microscop.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Sistemul prezentat aici poate identifica
acele zone mai exact
acele zone mai exact
sau cam la fel de exact ca patologii umani
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
dar a fost realizat prin învățare profundă
fără competențe medicale
fără competențe medicale
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
de oameni care nu aveau
pregătire în domeniu.
pregătire în domeniu.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
La fel, iată segmentarea unui neuron.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Acum putem segmenta neuroni
la fel de precis ca oamenii,
la fel de precis ca oamenii,
dar sistemul a fost realizat prin învățare
profundă, fără cunoștințe de medicină.
profundă, fără cunoștințe de medicină.
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Atunci eu, deși nu am
pregătire în medicină,
pregătire în medicină,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
se pare să sunt calificat
să pornesc o firmă de medicină.
să pornesc o firmă de medicină.
12:15
which I did.
243
723875
2146
Ceea ce am și făcut.
12:18
I was kind of terrified of doing it,
244
726021
1740
Mi-a fost puțin frică să fac asta,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
dar teoria pare să sugereze ca poți
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
să faci ceva foarte util în medicină
folosind doar metode de analiză a datelor.
folosind doar metode de analiză a datelor.
Din fericire reacțiile au fost fantastice,
atât din partea presei,
atât din partea presei,
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
dar și comunitatea medicală
ne-a sprijinit foarte mult.
ne-a sprijinit foarte mult.
12:32
who have been very supportive.
249
740978
2344
Ideea e că putem să luăm
partea mijlocie a procesului medical
partea mijlocie a procesului medical
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
și s-o transformăm în analiză de date,
pe cât posibil,
pe cât posibil,
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
lăsând apoi doctorii să-și facă meseria.
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
Să vă dau un exemplu:
acum ne trebuie 15 minute
acum ne trebuie 15 minute
12:45
I want to give you an example.
253
753429
1602
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
pentru a stabili o analiză nouă
pentru diagnosticul medical.
pentru diagnosticul medical.
12:51
and I'll show you that in real time now,
255
759975
1954
O să vă arăt acum, dar l-am redus
la trei minute prin eliminarea unor părți.
la trei minute prin eliminarea unor părți.
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
În loc de crearea unei analize
pentru diagnosticul medical,
pentru diagnosticul medical,
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
o să vă arăt analiza imaginilor de mașini,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
ca să înțelegem toți.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Începem cu circa 1,5 milioane
de imagini de mașini
de imagini de mașini
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
și vreau să creez ceva care le clasifică
după unghiul din care au fost pozate.
după unghiul din care au fost pozate.
13:12
of the photo that's being taken.
262
780475
2223
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
Imaginile nu sunt deloc marcate,
trebuie să pornesc de la zero.
trebuie să pornesc de la zero.
13:18
With our deep learning algorithm,
264
786586
1865
Algoritmul nostru de învățare profundă
găsește automat structurile din imagini.
găsește automat structurile din imagini.
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
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
Partea bună e că acum oamenii
și calculatoarele pot colabora.
și calculatoarele pot colabora.
13:27
So the human, as you can see here,
267
795778
2178
Aici vedeți cum omul
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
îi arată calculatorului zonele de interes
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
pe care să se bazeze calculatorul
pentru a îmbunătăți algoritmul.
pentru a îmbunătăți algoritmul.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Sistemele de învățare profundă operează
într-un spațiu cu 16 000 dimensiuni
într-un spațiu cu 16 000 dimensiuni
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
și vedeți cum se rotește calculatorul
prin acest spațiu
prin acest spațiu
pentru a găsi noi zone de structură.
13:45
trying to find new areas of structure.
272
813009
1992
13:47
And when it does so successfully,
273
815001
1781
Când reușește,
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
omul care îl conduce
poate indica zonele interesante.
poate indica zonele interesante.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Aici calculatorul a găsit anumite zone,
de exemplu, cu unghiuri.
de exemplu, cu unghiuri.
13:55
for example, angles.
276
823208
2562
13:57
So as we go through this process,
277
825770
1606
Pe măsură ce continuăm,
îi dăm calculatorului mai multe date
îi dăm calculatorului mai multe date
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
despre ce fel de structuri căutăm.
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
14:04
You can imagine in a diagnostic test
280
832144
1772
Într-o analiză medicală aici ar putea fi
un patolog care identifică zone patogene
un patolog care identifică zone patogene
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
sau un radiolog care indică
nodulii cu probleme posibile.
nodulii cu probleme posibile.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Uneori algoritmului îi poate fi greu.
14:16
In this case, it got kind of confused.
284
844851
1964
Iată un caz în care s-a încurcat:
a amestecat fața și spatele mașinilor.
a amestecat fața și spatele mașinilor.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
14:21
So here we have to be a bit more careful,
286
849365
2072
Aici trebuie să fim mai atenți,
să separăm manual fața și spatele
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
și apoi să-i spunem
calculatorului că acesta e
calculatorului că acesta e
un tip de grup care ne interesează.
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
Continuăm o vreme,
sărim peste câte ceva
sărim peste câte ceva
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
și apoi antrenăm algoritmul
de învățare automată
de învățare automată
14:38
based on these couple of hundred things,
292
866446
1974
pe baza celor câteva sute de lucruri
14:40
and we hope that it's gotten a lot better.
293
868420
2025
și sperăm că a avansat.
Vedeți, acum începe să estompeze
anumite imagini,
anumite imagini,
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
arătând că începe să înțeleagă singur
să recunoască o parte din ele.
să recunoască o parte din ele.
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
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Putem folosi acest concept
de imagini similare și astfel vedeți
de imagini similare și astfel vedeți
14:53
and using similar images, you can now see,
297
881128
2094
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
cum calculatorul poate găsi
doar mașinile pozate din față.
doar mașinile pozate din față.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Acum omul poate spune calculatorului:
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
„Da, ai făcut o treabă bună.”
15:05
Sometimes, of course, even at this point
301
893652
2185
Sigur, uneori chiar și acum
separarea grupurilor e dificilă.
separarea grupurilor e dificilă.
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
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
Aici chiar după ce am lăsat o vreme
calculatorul să încerce rotațiile,
calculatorul să încerce rotațiile,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
vedem că pozele făcute din stânga
și cele din dreapta sunt amestecate.
și cele din dreapta sunt amestecate.
15:18
are all mixed up together.
305
906744
1478
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Putem da calculatorului sugestii:
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
caută o proiecție care separă
cât mai bine părțile stângă și dreaptă
cât mai bine părțile stângă și dreaptă
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
folosind algoritmul de învățare profundă.
15:27
using this deep learning algorithm.
309
915945
2122
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Apoi uite, sugestia a dus la succes.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
A reușit să găsească un mod
de a analiza obiectele încât să le separe.
de a analiza obiectele încât să le separe.
15:35
that's separated out these together.
312
923891
2380
15:38
So you get the idea here.
313
926271
2438
Ați prins ideea:
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
e o situație în care omul
nu e înlocuit de calculator,
nu e înlocuit de calculator,
15:48
but where they're working together.
315
936906
2640
ci lucrează împreună cu el.
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
Am înlocuit munca unei echipe
de 5–6 oameni timp de vreo șapte ani,
de 5–6 oameni timp de vreo șapte ani,
15:55
of five or six people about seven years
317
943096
2002
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
cu ceva care îi ia 15 minute
unui om care lucrează singur.
unui om care lucrează singur.
15:59
for one person acting alone.
319
947703
2505
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Procesul necesită 4–5 iterații.
Am ajuns la 62% de clasificare corectă
a 1,5 milioane de imagini.
a 1,5 milioane de imagini.
16:06
You can see we now have 62 percent
321
954158
1859
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
În acest stadiu putem începe
să prelucrăm rapid secțiuni mari
să prelucrăm rapid secțiuni mari
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
16:13
grab whole big sections,
324
961448
1297
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
și să verificăm să nu rămână greșeli,
iar dacă sunt greșeli
îi spunem calculatorului.
îi spunem calculatorului.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Folosind acest proces
la fiecare din diferitele grupuri
la fiecare din diferitele grupuri
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
am ajuns la o proporție de succes de 80%
în a clasifica cele 1,5 milioane de poze.
în a clasifica cele 1,5 milioane de poze.
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
16:27
in classifying the 1.5 million images.
329
975148
2415
16:29
And at this point, it's just a case
330
977563
2078
Acum mai rămâne doar să găsim puținele
imagini care n-au fost clasificate corect
imagini care n-au fost clasificate corect
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
16:35
and trying to understand why.
332
983220
2888
și să încercăm să înțelegem de ce.
16:38
And using that approach,
333
986108
1743
Procedând astfel în 15 minute ajungem
la proporții de clasificare de 97%.
la proporții de clasificare de 97%.
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
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
Această tehnică ne-ar putea ajuta
să rezolvăm o problemă majoră,
să rezolvăm o problemă majoră,
și anume lipsa de competență
medicală din lume.
medicală din lume.
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
Forumul Mondial Economic spune
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
că ne trebuie de 10–20 de ori mai mulți
medici în țările în curs de dezvoltare
medici în țările în curs de dezvoltare
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
și că ar dura cam 300 de ani
16:57
and it would take about 300 years
339
1005727
2113
pentru a forma oameni și a acoperi lipsa.
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Ce-ar fi dacă le-am crește eficiența
folosind tehnicile de învățare profundă?
folosind tehnicile de învățare profundă?
17:05
using these deep learning approaches?
342
1013619
2839
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Mă bucură această șansă,
dar mă și îngrijorează problemele.
dar mă și îngrijorează problemele.
17:10
I'm also concerned about the problems.
344
1018690
2589
Problema e că toate zonele
albastre de pe harta aceasta
albastre de pe harta aceasta
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
reprezintă locuri unde în servicii
lucrează 80% dintre angajați.
lucrează 80% dintre angajați.
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
17:20
What are services?
347
1028172
1787
Ce sunt serviciile?
Acestea sunt serviciile.
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
Exact asta au învățat recent
calculatoarele să facă.
calculatoarele să facă.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Deci 80% din munca din lumea dezvoltată
acum știe și calculatorul s-o facă.
acum știe și calculatorul s-o facă.
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
17:33
What does that mean?
352
1041963
1440
Ce înseamnă asta?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Lasă, o să apară alte locuri de muncă,
de exemplu în cercetarea datelor.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
De fapt nu prea.
17:40
Well, not really.
355
1048693
817
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Cercetarea datelor nu cere mult timp.
Acești patru algoritmi au fost
construiți de un singur om.
construiți de un singur om.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Poate vă gândiți că s-a mai întâmplat
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
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
și am văzut deja rezultatele: când apare
ceva nou apar și alte locuri de muncă.
ceva nou apar și alte locuri de muncă.
17:54
and they get replaced by new jobs,
360
1062126
2252
Dar care vor fi acestea?
17:56
what are these new jobs going to be?
361
1064378
2116
17:58
It's very hard for us to estimate this,
362
1066494
1871
E greu de estimat,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
pentru că performanța umană crește încet,
18:03
but we now have a system, deep learning,
364
1071104
2562
dar știm că sistemul de învățare profundă
crește exponențial în capacitate.
crește exponențial în capacitate.
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
18:08
And we're here.
366
1076893
1605
Ne aflăm aici.
Acum vedem ce se întâmplă
18:10
So currently, we see the things around us
367
1078498
2061
și ne gândim: calculatoarele
sunt încă proaste, nu?
sunt încă proaste, nu?
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
Dar în cinci ani calculatoarele
vor ieși din acest grafic.
vor ieși din acest grafic.
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Așa că trebuie să ne gândim
de pe acum la această capacitate.
de pe acum la această capacitate.
Am mai văzut asta odată, desigur:
la Revoluția Industrială
la Revoluția Industrială
18:22
We have seen this once before, of course.
371
1090529
2050
18:24
In the Industrial Revolution,
372
1092579
1387
motoarele au produs un salt de capacitate.
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Dar după un timp situația s-a stabilizat.
18:32
There was social disruption,
375
1100805
1702
Au existat perturbări sociale,
dar după ce inginerii au învățat
să folosească noua putere peste tot
să folosească noua putere peste tot
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
18:37
things really settled down.
377
1105946
2354
lucrurile s-au stabilizat bine.
18:40
The Machine Learning Revolution
378
1108300
1473
Revoluția Învățării Automate
va diferi mult de Revoluția Industrială
va diferi mult de Revoluția Industrială
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
pentru că lucrurile
nu se vor stabiliza niciodată.
nu se vor stabiliza niciodată.
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
Cu cât calculatorul va fi mai bun
la activități intelectuale,
la activități intelectuale,
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
cu atât vor construi calculatoare mai bune
la activități intelectuale.
la activități intelectuale.
18:54
so this is going to be a kind of change
383
1122862
1908
Atunci va avea loc o schimbare nouă
pe care omenirea n-o cunoaște,
pe care omenirea n-o cunoaște,
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
încât ce știam că e posibil
nu mai e valabil.
nu mai e valabil.
19:02
This is already impacting us.
386
1130974
1780
Deja simțim efectul.
În vreme ce productivitatea capitalului
a crescut în ultimii 25 de ani,
a crescut în ultimii 25 de ani,
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
productivitatea muncii a rămas constantă,
ba chiar a scăzut un pic.
ba chiar a scăzut un pic.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Aș vrea să înceapă discuția aceasta.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Adesea când vorbesc despre asta
lumea respinge ideea.
19:19
people can be quite dismissive.
391
1147176
1490
Păi calculatoarele nu gândesc cu adevărat,
nu au emoții, nu înțeleg poezia,
nu au emoții, nu înțeleg poezia,
19:20
Well, computers can't really think,
392
1148666
1673
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
nu prea înțelegem cum funcționează.
19:25
we don't really understand how they work.
394
1153367
2521
19:27
So what?
395
1155888
1486
Și ce dacă?
Computerele pot face azi lucruri
19:29
Computers right now can do the things
396
1157374
1804
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
pentru care oamenii muncesc
mult timp și sunt plătiți.
mult timp și sunt plătiți.
19:33
so now's the time to start thinking
398
1161897
1731
E momentul să începem să ne gândim
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
cum ne vom adapta
structurile sociale și economice
structurile sociale și economice
19:40
to be aware of this new reality.
400
1168015
1840
în fața acestei noi realități.
19:41
Thank you.
401
1169855
1533
Mulțumesc.
19:43
(Applause)
402
1171388
802
(Applauze)
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