ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy 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.

More profile about the speaker
Jeremy Howard | Speaker | TED.com
TEDxBrussels

Jeremy Howard: The wonderful and terrifying implications of computers that can learn

Джереми Говард: Прекрасные и ужасные последствия самообучения компьютеров

Filmed:
2,532,971 views

Что произойдёт, если мы научим компьютер учиться? Инженер Джереми Говард делится несколькими удивительными достижениями в динамичной сфере глубинного обучения, метода, который позволяет компьютеру выучить китайский, распознавать объекты на фотографиях или поставить медицинский диагноз (например, один из алгоритмов глубинного обучения после нескольких часов просмотра видео на YouTube начал распознавать кошек). Вам предлагается погрузиться в науку, которая изменит поведение окружающих вас компьютеров... раньше, чем вы думаете.
- Data scientist
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 computerкомпьютер to do something newновый,
0
880
4013
Обычно, если вы хотите, чтобы
компьютер сделал что-то новое,
00:16
you would have to programпрограмма it.
1
4893
1554
вам нужно его запрограммировать.
00:18
Now, programmingпрограммирование, for those of you here
that haven'tне doneсделанный it yourselfсам,
2
6447
3411
Для тех, кто не знает:
программирование
00:21
requiresтребует layingпрокладка out in excruciatingмучительный detailподробно
3
9858
3502
требует мучительного определения
мельчайших деталей,
00:25
everyкаждый singleОдин stepшаг that you want
the computerкомпьютер to do
4
13360
3367
которые должен выполнять компьютер
00:28
in orderзаказ to achieveдостигать your goalЦель.
5
16727
2362
для достижения вашей цели.
00:31
Now, if you want to do something
that you don't know how to do yourselfсам,
6
19089
3496
А сделать то, чего вы никогда не делали,
00:34
then this is going
to be a great challengeвызов.
7
22585
2063
будет очень сложно.
00:36
So this was the challengeвызов facedсталкиваются
by this man, ArthurАртур SamuelСамуил.
8
24648
3483
Именно с такой сложной задачей
столкнулся этот человек, Артур Самуэль.
00:40
In 1956, he wanted to get this computerкомпьютер
9
28131
4077
В 1956 году он захотел,
00:44
to be ableв состоянии to beatбить him at checkersшашки.
10
32208
2340
чтобы компьютер
смог обыграть его в шашки.
00:46
How can you writeзаписывать a programпрограмма,
11
34548
2040
Как написать программу,
00:48
layпрокладывать out in excruciatingмучительный detailподробно,
how to be better than you at checkersшашки?
12
36588
3806
продумать её до мельчайших деталей,
чтобы она обыграла тебя в шашки?
00:52
So he cameпришел up with an ideaидея:
13
40394
1722
Ему в голову пришла мысль:
00:54
he had the computerкомпьютер playиграть
againstпротив itselfсам thousandsтысячи of timesраз
14
42116
3724
компьютер должен сыграть тысячу партий
с самим собой,
00:57
and learnучить how to playиграть checkersшашки.
15
45840
2524
и так он научится играть в шашки.
01:00
And indeedв самом деле it workedработал,
and in factфакт, by 1962,
16
48364
3180
Это действительно сработало —
в 1962 году
01:03
this computerкомпьютер had beatenизбитый
the ConnecticutКоннектикут stateгосударство championчемпион.
17
51544
4017
этот компьютер обыграл
чемпиона штата Коннектикут.
01:07
So ArthurАртур SamuelСамуил was
the fatherотец of machineмашина learningобучение,
18
55561
2973
Так Артур Самуэль стал основоположником
машинного обучения.
01:10
and I have a great debtдолг to him,
19
58534
1717
Я в большом долгу перед ним,
01:12
because I am a machineмашина
learningобучение practitionerпрактикующий врач.
20
60251
2763
потому что работаю
в области машинного обучения.
01:15
I was the presidentпрезидент of KaggleKaggle,
21
63014
1465
Я был президентом Kaggle,
01:16
a communityсообщество of over 200,000
machineмашина learningобучение practictionerspractictioners.
22
64479
3388
сообщества, объединяющего 200 000 людей,
применяющих машинное обучение.
01:19
KaggleKaggle putsпуты up competitionsсоревнования
23
67867
2058
Kaggle проводит соревнования
01:21
to try and get them to solveрешать
previouslyпредварительно unsolvedнерешенный problemsпроблемы,
24
69925
3708
по решению ещё не решённых проблем,
01:25
and it's been successfulуспешный
hundredsсотни of timesраз.
25
73633
3837
и участники успешно справились
с сотнями из них.
01:29
So from this vantageвыгодная позиция pointточка,
I was ableв состоянии to find out
26
77470
2470
У меня была отличная возможность
побольше узнать
01:31
a lot about what machineмашина learningобучение
can do in the pastмимо, can do todayCегодня,
27
79940
3950
о машинном обучении
в прошлом, настоящем
01:35
and what it could do in the futureбудущее.
28
83890
2362
и будущем.
01:38
Perhapsвозможно the first bigбольшой successуспех of
machineмашина learningобучение commerciallyв промышленных масштабах was GoogleGoogle.
29
86252
4423
Возможно, первым большим коммерческим
успехом машинного обучения стал Google.
01:42
GoogleGoogle showedпоказал that it is
possibleвозможное to find informationИнформация
30
90675
3109
В Google доказали,
что можно находить информацию
01:45
by usingс помощью a computerкомпьютер algorithmалгоритм,
31
93784
1752
с помощью компьютерного алгоритма,
01:47
and this algorithmалгоритм is basedисходя из
on machineмашина learningобучение.
32
95536
2901
а этот алгоритм был основан
на машинном обучении.
01:50
Sinceпоскольку that time, there have been manyмногие
commercialкоммерческая successesуспехи of machineмашина learningобучение.
33
98437
3886
С тех пор машинное обучение неоднократно
использовалось в коммерческих целях.
01:54
CompaniesКомпании like AmazonАмазонка and NetflixNetflix
34
102323
1837
Компании вроде Amazon и Netflix
01:56
use machineмашина learningобучение to suggestпредлагать
productsпродукты that you mightмог бы like to buyкупить,
35
104160
3716
иcпользуют машинное обучение, определяя,
какие товары вы захотите купить,
01:59
moviesкино that you mightмог бы like to watch.
36
107876
2020
какие фильмы посмотреть.
02:01
SometimesИногда, it's almostпочти creepyжутко.
37
109896
1807
Иногда это даже пугает.
02:03
CompaniesКомпании like LinkedInLinkedIn and Facebookfacebook
38
111703
1954
Сети, такие как LinkedIn и Facebook,
иногда предлагают людей,
которых вы можете знать,
02:05
sometimesиногда will tell you about
who your friendsдрузья mightмог бы be
39
113657
2594
02:08
and you have no ideaидея how it did it,
40
116251
1977
а вы не понимаете, как они их нашли.
02:10
and this is because it's usingс помощью
the powerмощность of machineмашина learningобучение.
41
118228
2967
Это стало возможным
благодаря машинному обучению.
02:13
These are algorithmsалгоритмы that have
learnedнаучился how to do this from dataданные
42
121195
2957
Алгоритмы собирают информацию
и обучаются,
02:16
ratherскорее than beingявляющийся programmedзапрограммированный by handрука.
43
124152
3247
а не программируются человеком.
02:19
This is alsoтакже how IBMIBM was successfulуспешный
44
127399
2478
Это также объясняет успехи IBM:
02:21
in gettingполучение WatsonУотсон to beatбить
the two worldМир championsчемпионы at "Jeopardyподсудность,"
45
129877
3862
программа Watson обыграла
двух чемпионов мира в «Своей игре»,
02:25
answeringавтоответчик incrediblyневероятно subtleтонкий
and complexсложный questionsвопросов like this one.
46
133739
3225
ответив на невероятно хитрые и каверзные
вопросы вроде этого:
02:28
["The ancientдревний 'Lion«Лев of Nimrud'Нимруд» wentотправился missingотсутствует
from this city'sгорода nationalнациональный museumмузей in 2003
(alongвдоль with a lot of other stuffматериал)"]
47
136964
2835
[В 2003 году «лев Нимруда» исчез
из музея этого города]
02:31
This is alsoтакже why we are now ableв состоянии
to see the first self-drivingсамостоятельное вождение carsлегковые автомобили.
48
139799
3235
Именно этот метод лёг в основу
технологии беспилотных автомобилей.
02:35
If you want to be ableв состоянии to tell
the differenceразница betweenмежду, say,
49
143034
2822
Важно, чтобы такой автомобиль
смог отличить
02:37
a treeдерево and a pedestrianпешеход,
well, that's prettyСимпатичная importantважный.
50
145856
2632
дерево от пешехода.
02:40
We don't know how to writeзаписывать
those programsпрограммы by handрука,
51
148488
2587
Мы не знаем,
как задать такой алгоритм вручную,
02:43
but with machineмашина learningобучение,
this is now possibleвозможное.
52
151075
2997
зато это стало возможным
с помощью машинного обучения.
02:46
And in factфакт, this carавтомобиль has drivenуправляемый
over a millionмиллиона milesмиль
53
154072
2608
Этот автомобиль проехал
более 1,5 миллионов километров
02:48
withoutбез any accidentsнесчастные случаи on regularрегулярный roadsдороги.
54
156680
3506
и ни разу не попал в аварию на трассе.
02:52
So we now know that computersкомпьютеры can learnучить,
55
160196
3914
Итак, мы знаем,
что компьютеры могут учиться.
02:56
and computersкомпьютеры can learnучить to do things
56
164110
1900
Причём они могут учиться делать то,
02:58
that we actuallyна самом деле sometimesиногда
don't know how to do ourselvesсами,
57
166010
2838
чего не умеем делать мы сами,
03:00
or maybe can do them better than us.
58
168848
2885
или могут делать это лучше нас.
03:03
One of the mostбольшинство amazingудивительно examplesПримеры
I've seenвидели of machineмашина learningобучение
59
171733
4195
С одним из самых невероятных примеров
машинного обучения
03:07
happenedполучилось on a projectпроект that I ranпобежал at KaggleKaggle
60
175928
2392
я столкнулся, пока работал в Kaggle:
03:10
where a teamкоманда runбег by a guy
calledназывается GeoffreyДжеффри HintonХинтон
61
178320
3591
команда под руководством Джеффри Хинтона
03:13
from the UniversityУниверситет of TorontoТоронто
62
181911
1552
из Торонтского университета
03:15
wonвыиграл a competitionсоревнование for
automaticавтоматический drugлекарственное средство discoveryоткрытие.
63
183463
2677
выиграла конкурс по автоматизации поиска
новых лекарств.
03:18
Now, what was extraordinaryнеобычайный here
is not just that they beatбить
64
186140
2847
Невероятно не только то,
что их алгоритм оказался лучше
03:20
all of the algorithmsалгоритмы developedразвитая by MerckMerck
or the internationalМеждународный academicакадемический communityсообщество,
65
188987
4013
всех алгоритмов, разработанных Merck
или международным научным сообществом.
03:25
but nobodyникто on the teamкоманда had any backgroundзадний план
in chemistryхимия or biologyбиология or life sciencesнауки,
66
193000
5061
Никто в команде не имел никакого отношения
к химии, биологии или медицине,
03:30
and they did it in two weeksнедель.
67
198061
2169
и на всё у них ушло две недели.
03:32
How did they do this?
68
200230
1381
Как?
03:34
They used an extraordinaryнеобычайный algorithmалгоритм
calledназывается deepглубоко learningобучение.
69
202421
2921
Благодаря уникальному алгоритму
глубинного обучения.
03:37
So importantважный was this that in factфакт
the successуспех was coveredпокрытый
70
205342
2949
Результаты их работы были настолько
ошеломительны, что об этом
03:40
in The Newновый YorkЙорк Timesраз in a frontфронт pageстраница
articleстатья a fewмало weeksнедель laterпозже.
71
208291
3121
спустя несколько недель сообщила
на первой полосе New York Times.
03:43
This is GeoffreyДжеффри HintonХинтон
here on the left-handлевая рука sideбоковая сторона.
72
211412
2735
Джеффри Хинтон слева.
03:46
Deepглубоко learningобучение is an algorithmалгоритм
inspiredвдохновенный by how the humanчеловек brainголовной мозг worksработает,
73
214147
4341
В основе глубинного обучения —
принципы работы человеческого мозга,
03:50
and as a resultрезультат it's an algorithmалгоритм
74
218488
1812
и поэтому теоретически
03:52
whichкоторый has no theoreticalтеоретический limitationsограничения
on what it can do.
75
220300
3841
у этого алгоритма
нет ограничений применимости.
03:56
The more dataданные you give it and the more
computationвычисление time you give it,
76
224141
2823
Чем больше данных на входе
и времени на их обработку,
03:58
the better it getsполучает.
77
226964
1312
тем лучше результат.
04:00
The Newновый YorkЙорк Timesраз alsoтакже
showedпоказал in this articleстатья
78
228276
2339
В этой же статье New York Times
был упомянут
04:02
anotherдругой extraordinaryнеобычайный
resultрезультат of deepглубоко learningобучение
79
230615
2242
другой удивительный продукт
глубинного обучения,
04:04
whichкоторый I'm going to showпоказать you now.
80
232857
2712
который я вам сейчас продемонстрирую.
04:07
It showsшоу that computersкомпьютеры
can listen and understandПонимаю.
81
235569
4941
Он доказывает,
что компьютеры могут слышать и понимать.
04:12
(Videoвидео) RichardРичард RashidРашид: Now, the last stepшаг
82
240510
2711
(Видео) Ричард Рашид: Наконец,
04:15
that I want to be ableв состоянии
to take in this processобработать
83
243221
3025
последнее, что я хочу сделать, —
04:18
is to actuallyна самом деле speakговорить to you in ChineseКитайский.
84
246246
4715
это поговорить с вами по-китайски.
04:22
Now the keyключ thing there is,
85
250961
2635
Суть в том,
04:25
we'veмы в been ableв состоянии to take a largeбольшой amountколичество
of informationИнформация from manyмногие ChineseКитайский speakersдинамики
86
253596
5002
что мы сформировали массив записей
носителей китайского языка
и разработали систему
для преобразования текста в речь,
04:30
and produceпроизводить a text-to-speechтекст в речь systemсистема
87
258598
2530
04:33
that takes ChineseКитайский textтекст
and convertsновообращенные it into ChineseКитайский languageязык,
88
261128
4673
которая получает текст на китайском
и преобразует его в речь.
04:37
and then we'veмы в takenвзятый
an hourчас or so of my ownсвоя voiceголос
89
265801
4128
Потом мы записали примерно час
звучания моего голоса
04:41
and we'veмы в used that to modulateмодулировать
90
269929
1891
и использовали эту запись для модуляции
04:43
the standardстандарт text-to-speechтекст в речь systemсистема
so that it would soundзвук like me.
91
271820
4544
обычной системы
преобразования текста в речь.
04:48
Again, the result'sРезультаты not perfectидеально.
92
276364
2540
Если что, результат не идеален.
04:50
There are in factфакт quiteдовольно a fewмало errorsошибки.
93
278904
2648
Там есть несколько ошибок.
04:53
(In ChineseКитайский)
94
281552
2484
(Говорит по-китайски)
04:56
(ApplauseАплодисменты)
95
284036
3367
(Аплодисменты)
05:01
There's much work to be doneсделанный in this areaплощадь.
96
289446
3576
Нам предстоит ещё много работы.
05:05
(In ChineseКитайский)
97
293022
3645
(Говорит по-китайски)
05:08
(ApplauseАплодисменты)
98
296667
3433
(Аплодисменты)
05:13
JeremyДжереми HowardГовард: Well, that was at
a machineмашина learningобучение conferenceконференция in ChinaКитай.
99
301345
3399
Джереми Говард: Это было на конференции
по машинному обучению в Китае.
05:16
It's not oftenдовольно часто, actuallyна самом деле,
at academicакадемический conferencesконференций
100
304744
2370
На самом деле,
на научных конференциях
05:19
that you do hearзаслушивать spontaneousспонтанный applauseаплодисменты,
101
307114
1897
внезапно аплодируют очень редко,
05:21
althoughнесмотря на то что of courseкурс sometimesиногда
at TEDxTEDx conferencesконференций, feel freeсвободно.
102
309011
3676
в отличие от TEDx, так что не стесняйтесь.
05:24
Everything you saw there
was happeningпроисходит with deepглубоко learningобучение.
103
312687
2795
Всё это видео было записано
с помощью глубинного обучения.
05:27
(ApplauseАплодисменты) Thank you.
104
315482
1525
(Аплодисменты) Спасибо.
05:29
The transcriptionтранскрипция in Englishанглийский
was deepглубоко learningобучение.
105
317007
2282
Английские субтитры —
это глубинное обучение,
05:31
The translationперевод to ChineseКитайский and the textтекст
in the topВверх right, deepглубоко learningобучение,
106
319289
3412
перевод на китайский
и текст справа вверху — оно же,
05:34
and the constructionстроительство of the voiceголос
was deepглубоко learningобучение as well.
107
322701
3307
и конструирование голоса — снова оно.
05:38
So deepглубоко learningобучение is
this extraordinaryнеобычайный thing.
108
326008
3234
Глубинное обучение — невероятная вещь.
05:41
It's a singleОдин algorithmалгоритм that
can seemказаться to do almostпочти anything,
109
329242
3099
Один-единственный алгоритм,
который, похоже, может почти всё.
05:44
and I discoveredобнаруженный that a yearгод earlierранее,
it had alsoтакже learnedнаучился to see.
110
332341
3111
Ещё годом раньше я обнаружил,
что этот алгоритм может видеть.
05:47
In this obscureбезвестный competitionсоревнование from GermanyГермания
111
335452
2176
На малоизвестном конкурсе в Германии —
«Сравнительный анализ распознавания
дорожных знаков» —
05:49
calledназывается the GermanНемецкий TrafficТрафик SignЗнак
Recognitionпризнание Benchmarkэталонный тест,
112
337628
2597
05:52
deepглубоко learningобучение had learnedнаучился
to recognizeпризнать trafficтрафик signsзнаки like this one.
113
340225
3393
глубинное обучение использовалось
для распознавания вот таких знаков.
05:55
Not only could it
recognizeпризнать the trafficтрафик signsзнаки
114
343618
2094
Мало того, что результаты распознавания
05:57
better than any other algorithmалгоритм,
115
345712
1758
были лучше, чем у других алгоритмов;
05:59
the leaderboardЛидеры actuallyна самом деле showedпоказал
it was better than people,
116
347470
2719
в таблице видно,
что они превосходят человеческие
06:02
about twiceдважды as good as people.
117
350189
1852
примерно в два раза.
06:04
So by 2011, we had the first exampleпример
118
352041
1996
Итак, к 2011 году появился
06:06
of computersкомпьютеры that can see
better than people.
119
354037
3405
первый компьютер,
который видел лучше людей.
06:09
Sinceпоскольку that time, a lot has happenedполучилось.
120
357442
2049
С тех пор произошло многое.
06:11
In 2012, GoogleGoogle announcedобъявленный that
they had a deepглубоко learningобучение algorithmалгоритм
121
359491
3514
В 2012 году в Google объявили,
что их алгоритм глубинного обучения
06:15
watch YouTubeYouTube videosвидео
122
363005
1415
использовал видео на YouTube.
06:16
and crunchedхрустел the dataданные
on 16,000 computersкомпьютеры for a monthмесяц,
123
364420
3437
Данные обрабатывались
на 16 000 компьютеров в течение месяца,
06:19
and the computerкомпьютер independentlyнезависимо learnedнаучился
about conceptsконцепции suchтакие as people and catsкоты
124
367857
4361
и компьютер самостоятельно определил,
что такое люди и кошки,
06:24
just by watchingнаблюдение the videosвидео.
125
372218
1809
на основе только видеоматериалов.
06:26
This is much like the way
that humansлюди learnучить.
126
374027
2352
Это очень похоже на то,
как учатся люди.
06:28
HumansЛюди don't learnучить
by beingявляющийся told what they see,
127
376379
2740
Им не говорят, что они видят.
06:31
but by learningобучение for themselvesсамих себя
what these things are.
128
379119
3331
Люди сами разбираются, что они видят.
06:34
AlsoТакже in 2012, GeoffreyДжеффри HintonХинтон,
who we saw earlierранее,
129
382450
3369
В том же 2012 году Джеффри Хинтон,
которого вы уже знаете,
06:37
wonвыиграл the very popularпопулярный ImageNetImageNet competitionсоревнование,
130
385819
2858
победил в очень известном
конкурсе ImageNet,
06:40
looking to try to figureфигура out
from one and a halfполовина millionмиллиона imagesизображений
131
388677
4141
в котором необходимо распознать,
что изображено
06:44
what they're picturesкартинки of.
132
392818
1438
на 1,5 миллионах картинок.
06:46
As of 2014, we're now down
to a sixшесть percentпроцент errorошибка rateставка
133
394256
3533
К 2014 году количество ошибок
в распознавании образов
06:49
in imageобраз recognitionпризнание.
134
397789
1453
сократилось до 6%.
06:51
This is better than people, again.
135
399242
2026
И опять же, это лучше, чем у людей.
06:53
So machinesмашины really are doing
an extraordinarilyчрезвычайно good jobработа of this,
136
401268
3769
Эффективность компьютеров действительно
невероятно высока,
06:57
and it is now beingявляющийся used in industryпромышленность.
137
405037
2269
и сейчас это применяется
в коммерческих целях.
06:59
For exampleпример, GoogleGoogle announcedобъявленный last yearгод
138
407306
3042
Так, в прошлом году в Google объявили,
07:02
that they had mappedсопоставляются everyкаждый singleОдин
locationместо нахождения in FranceФранция in two hoursчасов,
139
410348
4585
что их карты могут локализовать
любую точку во Франции за два часа:
07:06
and the way they did it was
that they fedкормили streetулица viewПосмотреть imagesизображений
140
414933
3447
они обрабатывают фотографии улиц
07:10
into a deepглубоко learningобучение algorithmалгоритм
to recognizeпризнать and readчитать streetулица numbersчисел.
141
418380
4319
с помощью алгоритма глубинного обучения,
чтобы распознать и прочитать адреса.
07:14
ImagineПредставить how long
it would have takenвзятый before:
142
422699
2220
Подумайте, сколько времени
это заняло бы:
07:16
dozensмножество of people, manyмногие yearsлет.
143
424919
3355
понадобились бы десятки людей
и несколько лет.
07:20
This is alsoтакже happeningпроисходит in ChinaКитай.
144
428274
1911
То же самое происходит в Китае.
07:22
BaiduBaidu is kindсвоего рода of
the ChineseКитайский GoogleGoogle, I guessУгадай,
145
430185
4036
Baidu — это что-то вроде
китайского Google,
07:26
and what you see here in the topВверх left
146
434221
2283
и сверху слева вы видите картинку,
07:28
is an exampleпример of a pictureкартина that I uploadedзакачанный
to Baidu'sБэйду deepглубоко learningобучение systemсистема,
147
436504
3974
которую я загрузил на вход
алгоритмов глубинного обучения Baidu,
07:32
and underneathпод you can see that the systemсистема
has understoodпонимать what that pictureкартина is
148
440478
3769
а под ней — то, как система распознала,
что изображено на картинке,
07:36
and foundнайденный similarаналогичный imagesизображений.
149
444247
2236
и нашла похожие.
07:38
The similarаналогичный imagesизображений actuallyна самом деле
have similarаналогичный backgroundsфоны,
150
446483
2736
Похожие изображения имеют похожий фон,
07:41
similarаналогичный directionsнаправления of the facesлица,
151
449219
1658
морды смотрят в ту же сторону,
07:42
even some with theirих tongueязык out.
152
450877
1788
иногда даже так же высунут язык.
07:44
This is not clearlyявно looking
at the textтекст of a webWeb pageстраница.
153
452665
3030
Это не просто поиск текста
на веб-странице.
07:47
All I uploadedзакачанный was an imageобраз.
154
455695
1412
Я загрузил только картинку.
07:49
So we now have computersкомпьютеры whichкоторый
really understandПонимаю what they see
155
457107
4021
Итак, теперь наши компьютеры
действительно понимают увиденное
07:53
and can thereforeследовательно searchпоиск databasesбазы данных
156
461128
1624
и могут искать информацию в базах
07:54
of hundredsсотни of millionsмиллионы
of imagesизображений in realреальный time.
157
462752
3554
среди сотен миллионов картинок
в режиме реального времени.
07:58
So what does it mean
now that computersкомпьютеры can see?
158
466306
3230
Значит ли это,
что компьютеры могут видеть?
08:01
Well, it's not just
that computersкомпьютеры can see.
159
469536
2017
Это не просто умение видеть.
08:03
In factфакт, deepглубоко learningобучение
has doneсделанный more than that.
160
471553
2069
Глубинное обучение — это намного больше.
08:05
ComplexСложный, nuancedнюансы sentencesпредложения like this one
161
473622
2948
Сложные предложения со множеством
смысловых оттенков
08:08
are now understandableпонятный
with deepглубоко learningобучение algorithmsалгоритмы.
162
476570
2824
теперь понятны благодаря
алгоритмам глубинного обучения.
08:11
As you can see here,
163
479394
1303
Как видно на экране,
08:12
this Stanford-basedСтэнфорд основе systemсистема
showingпоказ the redкрасный dotточка at the topВверх
164
480697
2768
эта стэнфордская система распознаёт
отрицательные эмоции в предложении
08:15
has figuredфигурный out that this sentenceпредложение
is expressingвыражающий negativeотрицательный sentimentнастроение.
165
483465
3919
и отмечает их красными точками сверху.
08:19
Deepглубоко learningобучение now in factфакт
is nearвозле humanчеловек performanceпредставление
166
487384
3406
Глубинное обучение
похоже на человеческое поведение
08:22
at understandingпонимание what sentencesпредложения are about
and what it is sayingпоговорка about those things.
167
490802
5121
в процессе распознавания того,
что и о чём сказано.
08:27
AlsoТакже, deepглубоко learningобучение has
been used to readчитать ChineseКитайский,
168
495923
2728
Глубинное обучение использовалось
для чтения на китайском.
08:30
again at about nativeродной
ChineseКитайский speakerоратор levelуровень.
169
498651
3156
Результат был на уровне результата
человека — носителя китайского.
08:33
This algorithmалгоритм developedразвитая
out of SwitzerlandШвейцария
170
501807
2168
Этот алгоритм
был разработан в Швейцарии
08:35
by people, noneникто of whomкого speakговорить
or understandПонимаю any ChineseКитайский.
171
503975
3356
людьми, ни один из которых
не говорит по-китайски.
08:39
As I say, usingс помощью deepглубоко learningобучение
172
507331
2051
Как я и сказал, глубинное обучение —
08:41
is about the bestЛучший systemсистема
in the worldМир for this,
173
509382
2219
это оптимальный способ
решения таких задач,
08:43
even comparedв сравнении to nativeродной
humanчеловек understandingпонимание.
174
511601
5117
даже по сравнению
с человеческим восприятием.
08:48
This is a systemсистема that we
put togetherвместе at my companyКомпания
175
516718
2964
На экране система,
разработаная в моей компании,
в ней задействовано всё,
о чём я рассказал.
08:51
whichкоторый showsшоу puttingсдачи
all this stuffматериал togetherвместе.
176
519682
2046
08:53
These are picturesкартинки whichкоторый
have no textтекст attachedприложенный,
177
521728
2461
Это картинки без описаний.
08:56
and as I'm typingтипирование in here sentencesпредложения,
178
524189
2352
Здесь я набираю предложения.
08:58
in realреальный time it's understandingпонимание
these picturesкартинки
179
526541
2969
В режиме реального времени
картинки распознаются,
09:01
and figuringвычисляя out what they're about
180
529510
1679
определяется их смысл,
09:03
and findingобнаружение picturesкартинки that are similarаналогичный
to the textтекст that I'm writingписьмо.
181
531189
3163
и находятся изображения,
соответствующие введённому мной тексту.
09:06
So you can see, it's actuallyна самом деле
understandingпонимание my sentencesпредложения
182
534352
2756
Итак, вы видите, что предложения
09:09
and actuallyна самом деле understandingпонимание these picturesкартинки.
183
537108
2224
и картинки действительно распознаются.
09:11
I know that you've seenвидели
something like this on GoogleGoogle,
184
539332
2559
Я знаю, что вы видели
нечто похожее в Google,
09:13
where you can typeтип in things
and it will showпоказать you picturesкартинки,
185
541891
2775
при вводе запроса,
по которому вам выдаются картинки,
09:16
but actuallyна самом деле what it's doing is it's
searchingпоиск the webpageвеб-страница for the textтекст.
186
544666
3424
но в действительности там идёт поиск
нужного текста на веб-странице.
09:20
This is very differentдругой from actuallyна самом деле
understandingпонимание the imagesизображений.
187
548090
3001
Распознавание образов —
это принципиально новый процесс.
09:23
This is something that computersкомпьютеры
have only been ableв состоянии to do
188
551091
2752
Распознавание стало доступно
компьютерным алгоритмам
09:25
for the first time in the last fewмало monthsмесяцы.
189
553843
3248
впервые несколько месяцев назад.
09:29
So we can see now that computersкомпьютеры
can not only see but they can alsoтакже readчитать,
190
557091
4091
Итак, компьютеры теперь могут
не только видеть, но и читать,
09:33
and, of courseкурс, we'veмы в shownпоказанный that they
can understandПонимаю what they hearзаслушивать.
191
561182
3765
и, как мы уже показали,
понимать услышанное.
09:36
Perhapsвозможно not surprisingудивительный now that
I'm going to tell you they can writeзаписывать.
192
564947
3442
Вы вряд ли удивитесь, если я вам скажу,
что они умеют писать.
09:40
Here is some textтекст that I generatedгенерироваться
usingс помощью a deepглубоко learningобучение algorithmалгоритм yesterdayвчера.
193
568389
4783
Вот текст, который я вчера получил
с помощью алгоритма глубинного обучения.
09:45
And here is some textтекст that an algorithmалгоритм
out of StanfordStanford generatedгенерироваться.
194
573172
3924
А вот текст, полученный
с помощью стэнфордского алгоритма.
09:49
Eachкаждый of these sentencesпредложения was generatedгенерироваться
195
577096
1764
Каждое из этих предложений составлено
09:50
by a deepглубоко learningобучение algorithmалгоритм
to describeописывать eachкаждый of those picturesкартинки.
196
578860
4249
алгоритмом глубинного обучения
для описания этих картинок.
09:55
This algorithmалгоритм before has never seenвидели
a man in a blackчерный shirtРубашка playingиграть a guitarгитара.
197
583109
4472
Алгоритм ещё не встречал понятия мужчины
в чёрной рубашке, играющего на гитаре.
09:59
It's seenвидели a man before,
it's seenвидели blackчерный before,
198
587581
2220
Но ему известны понятия
10:01
it's seenвидели a guitarгитара before,
199
589801
1599
человека, чёрного, гитары,
10:03
but it has independentlyнезависимо generatedгенерироваться
this novelроман descriptionописание of this pictureкартина.
200
591400
4294
и алгоритм независимо формулирует
связное описание этого изображения.
10:07
We're still not quiteдовольно at humanчеловек
performanceпредставление here, but we're closeЗакрыть.
201
595694
3502
Мы всё ещё не дотягиваем до уровня
человека, но мы уже близки.
10:11
In testsтесты, humansлюди preferпредпочитать
the computer-generatedгенерируемые компьютером captionподпись
202
599196
4068
При испытаниях люди выбирают
описания, данные компьютером,
10:15
one out of four4 timesраз.
203
603264
1527
в одном случае из четырёх.
10:16
Now this systemсистема is now only two weeksнедель oldстарый,
204
604791
2064
Эта система была создана
две недели назад,
10:18
so probablyвероятно withinв the nextследующий yearгод,
205
606855
1846
и, скорее всего, в течение года
10:20
the computerкомпьютер algorithmалгоритм will be
well pastмимо humanчеловек performanceпредставление
206
608701
2801
алгоритм покажет результаты
намного лучше человеческих,
10:23
at the rateставка things are going.
207
611502
1862
если будет развиваться в том же темпе.
10:25
So computersкомпьютеры can alsoтакже writeзаписывать.
208
613364
3049
Итак, компьютеры могут ещё и писать.
10:28
So we put all this togetherвместе and it leadsприводит
to very excitingзахватывающе opportunitiesвозможности.
209
616413
3475
Складываем всё вместе,
и нам открываются невероятные возможности.
10:31
For exampleпример, in medicineлекарственное средство,
210
619888
1492
Например, в медицине.
10:33
a teamкоманда in BostonБостон announcedобъявленный
that they had discoveredобнаруженный
211
621380
2525
Группа учёных из Бостона открыла
10:35
dozensмножество of newновый clinicallyклинически relevantСоответствующий featuresфункции
212
623905
2949
десятки новых клинически значимых
особенностей опухолей;
10:38
of tumorsопухоли whichкоторый help doctorsврачи
make a prognosisпрогноз of a cancerрак.
213
626854
4266
это поможет врачам
давать прогнозы онкобольным.
10:44
Very similarlyпо аналогии, in StanfordStanford,
214
632220
2296
Точно так же в Стэнфорде
10:46
a groupгруппа there announcedобъявленный that,
looking at tissuesтканей underпод magnificationувеличение,
215
634516
3663
группа учёных, проанализиров опухоли
под увеличением,
10:50
they'veони имеют developedразвитая
a machineмашина learning-basedобучение на основе systemсистема
216
638179
2381
создала систему
на основе машинного обучения,
10:52
whichкоторый in factфакт is better
than humanчеловек pathologistsпатологи
217
640560
2582
которая работает лучше,
чем патологоанатомы,
10:55
at predictingпрогнозирования survivalвыживание ratesставки
for cancerрак sufferersстрадальцы.
218
643142
4377
прогнозируя исход заболевания
у онкобольных.
10:59
In bothи то и другое of these casesслучаи, not only
were the predictionsпрогнозы more accurateточный,
219
647519
3245
В обоих случаях алгоритмы давали
не только более точный результат,
11:02
but they generatedгенерироваться newновый insightfulпроницательный scienceнаука.
220
650764
2502
но и новые ценные открытия.
11:05
In the radiologyрадиология caseдело,
221
653276
1505
В случае с радиологией
11:06
they were newновый clinicalклиническая indicatorsпоказатели
that humansлюди can understandПонимаю.
222
654781
3095
это были новые клинические показатели,
понятные для людей.
11:09
In this pathologyпатология caseдело,
223
657876
1792
В случае с патологиями
11:11
the computerкомпьютер systemсистема actuallyна самом деле discoveredобнаруженный
that the cellsячейки around the cancerрак
224
659668
4500
алгоритм установил,
что для постановки диагноза
11:16
are as importantважный as
the cancerрак cellsячейки themselvesсамих себя
225
664168
3340
клетки вокруг опухоли так же важны,
11:19
in makingизготовление a diagnosisдиагностика.
226
667508
1752
как и сами раковые клетки.
11:21
This is the oppositeнапротив of what pathologistsпатологи
had been taughtучил for decadesдесятилетия.
227
669260
5361
Это противоречит всему, чему
патологоанатомов учили десятилетиями.
11:26
In eachкаждый of those two casesслучаи,
they were systemsсистемы developedразвитая
228
674621
3292
В разработке обеих систем
11:29
by a combinationсочетание of medicalмедицинская expertsэксперты
and machineмашина learningобучение expertsэксперты,
229
677913
3621
участвовали как эксперты-врачи,
так и специалисты по машинному обучению,
11:33
but as of last yearгод,
we're now beyondза that too.
230
681534
2741
но в прошлом году мы смогли преодолеть
и это ограничение.
11:36
This is an exampleпример of
identifyingидентифицирующий cancerousзлокачественный areasрайоны
231
684275
3549
На экране пример распознавания
поражённых раком
11:39
of humanчеловек tissueткань underпод a microscopeмикроскоп.
232
687824
2530
человеческих тканей под микроскопом.
11:42
The systemсистема beingявляющийся shownпоказанный here
can identifyидентифицировать those areasрайоны more accuratelyточно,
233
690354
4613
Система, изображённая на экране,
может определить их точнее,
11:46
or about as accuratelyточно,
as humanчеловек pathologistsпатологи,
234
694967
2775
или так же точно, как и патологоанатом.
11:49
but was builtпостроен entirelyполностью with deepглубоко learningобучение
usingс помощью no medicalмедицинская expertiseэкспертиза
235
697742
3392
В её основе — только метод
глубинного обучения.
11:53
by people who have
no backgroundзадний план in the fieldполе.
236
701134
2526
Она разработана людьми, не имеющими
никакого отношения к медицине.
11:56
Similarlyпо аналогии, here, this neuronнейрон segmentationсегментация.
237
704730
2555
Или сегментация нейронов.
11:59
We can now segmentсегмент neuronsнейроны
about as accuratelyточно as humansлюди can,
238
707285
3668
Теперь мы можем сегментировать нейроны
так же точно, как и вручную,
12:02
but this systemсистема was developedразвитая
with deepглубоко learningобучение
239
710953
2717
и эта система так же была основана
на глубинном обучении
12:05
usingс помощью people with no previousпредыдущий
backgroundзадний план in medicineлекарственное средство.
240
713670
3251
и разработана людьми, не имеющими
медицинских знаний или опыта.
12:08
So myselfсебя, as somebodyкто-то with
no previousпредыдущий backgroundзадний план in medicineлекарственное средство,
241
716921
3227
Поэтому я, как человек,
никогда не занимавшийся медициной,
12:12
I seemказаться to be entirelyполностью well qualifiedквалифицированный
to startНачало a newновый medicalмедицинская companyКомпания,
242
720148
3727
оказался отличным кандидатом на роль
основателя новой медицинской компании.
12:15
whichкоторый I did.
243
723875
2146
Им я и стал.
12:18
I was kindсвоего рода of terrifiedужас of doing it,
244
726021
1740
Я порядком трусил,
12:19
but the theoryтеория seemedказалось to suggestпредлагать
that it oughtдолжен to be possibleвозможное
245
727761
2889
но в теории можно было
12:22
to do very usefulполезным medicineлекарственное средство
usingс помощью just these dataданные analyticаналитический techniquesметоды.
246
730650
5492
разрабатывать очень полезные препараты,
используя только анализ данных.
12:28
And thankfullyблагодарно, the feedbackОбратная связь
has been fantasticфантастика,
247
736142
2480
И — слава богу —
отзывы превзошли все мои ожидания,
12:30
not just from the mediaСМИ
but from the medicalмедицинская communityсообщество,
248
738622
2356
не только в СМИ,
но и от медицинского сообщества,
12:32
who have been very supportiveподдержка.
249
740978
2344
где горячо поддержали мою идею.
12:35
The theoryтеория is that we can take
the middleсредний partчасть of the medicalмедицинская processобработать
250
743322
4149
Идея заключается в том, что мы можем
взять промежуточный этап лечения
12:39
and turnочередь that into dataданные analysisанализ
as much as possibleвозможное,
251
747471
2893
и максимально применить к нему
наши способы анализа данных,
12:42
leavingуход doctorsврачи to do
what they're bestЛучший at.
252
750364
3065
позволив врачам заниматься тем,
что у них получается лучше всего.
12:45
I want to give you an exampleпример.
253
753429
1602
Приведу пример.
12:47
It now takes us about 15 minutesминут
to generateгенерировать a newновый medicalмедицинская diagnosticдиагностика testконтрольная работа
254
755031
4944
На составление нового диагностического
теста у нас уходит 15 минут.
12:51
and I'll showпоказать you that in realреальный time now,
255
759975
1954
Я покажу это в режиме реального времени,
12:53
but I've compressedсжатый it down to
threeтри minutesминут by cuttingрезка some piecesкуски out.
256
761929
3487
но сокращу процесс до трёх минут,
вырезав отдельные фрагменты.
12:57
RatherСкорее than showingпоказ you
creatingсоздание a medicalмедицинская diagnosticдиагностика testконтрольная работа,
257
765416
3061
Вместо медицинских терминов
13:00
I'm going to showпоказать you
a diagnosticдиагностика testконтрольная работа of carавтомобиль imagesизображений,
258
768477
3369
будут изображения машин,
13:03
because that's something
we can all understandПонимаю.
259
771846
2222
потому что так будет понятнее всем.
13:06
So here we're startingначало with
about 1.5 millionмиллиона carавтомобиль imagesизображений,
260
774068
3201
Итак, начнём с 1,5 миллионов
изображений машин.
13:09
and I want to createСоздайте something
that can splitТрещина them into the angleугол
261
777269
3206
Я хочу придумать, как их разбить
на группы в зависимости от угла,
13:12
of the photoФото that's beingявляющийся takenвзятый.
262
780475
2223
с которого они сфотографированы.
13:14
So these imagesизображений are entirelyполностью unlabeledнепомеченная,
so I have to startНачало from scratchцарапина.
263
782698
3888
Ни одна из картинок не имеет описания,
поэтому мне придётся начинать с нуля.
13:18
With our deepглубоко learningобучение algorithmалгоритм,
264
786586
1865
Наш алгоритм глубинного обучения
13:20
it can automaticallyавтоматически identifyидентифицировать
areasрайоны of structureсостав in these imagesизображений.
265
788451
3707
автоматически распознаёт отдельные
компоненты на этих изображениях.
13:24
So the niceхороший thing is that the humanчеловек
and the computerкомпьютер can now work togetherвместе.
266
792158
3620
Хорошо то, что человек и компьютер
могут решать задачу вместе.
13:27
So the humanчеловек, as you can see here,
267
795778
2178
Человек, как вы видите,
13:29
is tellingговоря the computerкомпьютер
about areasрайоны of interestинтерес
268
797956
2675
задаёт компьютеру исследуемую область,
13:32
whichкоторый it wants the computerкомпьютер then
to try and use to improveулучшать its algorithmалгоритм.
269
800631
4650
на основе которой компьютер должен
усовершенствовать свои алгоритмы.
13:37
Now, these deepглубоко learningобучение systemsсистемы actuallyна самом деле
are in 16,000-dimensional-мерном spaceпространство,
270
805281
4296
Такая система глубинного обучения работает
в 16 000-мерном пространстве.
13:41
so you can see here the computerкомпьютер
rotatingвращающийся this throughчерез that spaceпространство,
271
809577
3432
Компьютер вращает в нём данные,
13:45
tryingпытаясь to find newновый areasрайоны of structureсостав.
272
813009
1992
чтобы обнаружить новые структуры.
13:47
And when it does so successfullyуспешно,
273
815001
1781
А когда он их находит,
13:48
the humanчеловек who is drivingвождение it can then
pointточка out the areasрайоны that are interestingинтересно.
274
816782
4004
человек, управляющий процессом,
указывает на те, что его интересуют.
13:52
So here, the computerкомпьютер has
successfullyуспешно foundнайденный areasрайоны,
275
820786
2422
Итак, компьютер успешно
обнаруживает признаки,
13:55
for exampleпример, anglesуглы.
276
823208
2562
например, ракурс.
13:57
So as we go throughчерез this processобработать,
277
825770
1606
В ходе исследования
13:59
we're graduallyпостепенно tellingговоря
the computerкомпьютер more and more
278
827376
2340
мы постепенно уточняем,
14:01
about the kindsвиды of structuresсооружения
we're looking for.
279
829716
2428
что именно мы ищем.
14:04
You can imagineпредставить in a diagnosticдиагностика testконтрольная работа
280
832144
1772
Представьте диагностический тест,
14:05
this would be a pathologistпатолог identifyingидентифицирующий
areasрайоны of pathosisпатологическое состояние, for exampleпример,
281
833916
3350
благодаря которому врач
определяет границы патологии
14:09
or a radiologistрадиолог indicatingуказывающий
potentiallyпотенциально troublesomeхлопотный nodulesузелки.
282
837266
5026
или радиолог — потенциально
опасные образования.
14:14
And sometimesиногда it can be
difficultсложно for the algorithmалгоритм.
283
842292
2559
Иногда алгоритм
не может справиться с задачей.
14:16
In this caseдело, it got kindсвоего рода of confusedсмущенный.
284
844851
1964
Он не находит решения.
14:18
The frontsфронты and the backsспины
of the carsлегковые автомобили are all mixedсмешанный up.
285
846815
2550
Здесь капоты и багажники машин
идут вперемешку.
14:21
So here we have to be a bitнемного more carefulосторожный,
286
849365
2072
Поэтому нам надо быть немного аккуратнее
14:23
manuallyвручную selectingвыбирающий these frontsфронты
as opposedпротив to the backsспины,
287
851437
3232
и разделить их вручную,
14:26
then tellingговоря the computerкомпьютер
that this is a typeтип of groupгруппа
288
854669
5506
а затем задать компьютеру тип изображений,
14:32
that we're interestedзаинтересованный in.
289
860175
1348
которые нам нужны.
14:33
So we do that for a while,
we skipпропускать over a little bitнемного,
290
861523
2677
Процесс идёт какое-то время,
пропустим немного,
14:36
and then we trainпоезд the
machineмашина learningобучение algorithmалгоритм
291
864200
2246
а потом мы обучаем наш алгоритм
14:38
basedисходя из on these coupleпара of hundredсто things,
292
866446
1974
на основе двух объектов из сотен
14:40
and we hopeнадежда that it's gottenполученный a lot better.
293
868420
2025
и надеемся, что он это усвоил.
14:42
You can see, it's now startedначал to fadeувядать
some of these picturesкартинки out,
294
870445
3073
Видите, некоторые
из этих картинок поблёкли.
14:45
showingпоказ us that it alreadyуже is recognizingпризнавая
how to understandПонимаю some of these itselfсам.
295
873518
4708
Это означает, что теперь компьютер
распознаёт их самостоятельно.
14:50
We can then use this conceptконцепция
of similarаналогичный imagesизображений,
296
878226
2902
Теперь мы можем использовать
этот принцип похожих изображений.
14:53
and usingс помощью similarаналогичный imagesизображений, you can now see,
297
881128
2094
Как видите, используя эти изображения,
14:55
the computerкомпьютер at this pointточка is ableв состоянии to
entirelyполностью find just the frontsфронты of carsлегковые автомобили.
298
883222
4019
компьютер может самостоятельно
находить только фотографии машин спереди.
14:59
So at this pointточка, the humanчеловек
can tell the computerкомпьютер,
299
887241
2948
Теперь человек может сказать компьютеру:
15:02
okay, yes, you've doneсделанный
a good jobработа of that.
300
890189
2293
«Отлично, ты молодец».
15:05
SometimesИногда, of courseкурс, even at this pointточка
301
893652
2185
Иногда, конечно, даже на этом этапе
15:07
it's still difficultсложно
to separateотдельный out groupsгруппы.
302
895837
3674
всё ещё сложно выделить группы.
15:11
In this caseдело, even after we let the
computerкомпьютер try to rotateвращаться this for a while,
303
899511
3884
В этом случае даже после дополнительного
вращения данных компьютером
15:15
we still find that the left sidesстороны
and the right sidesстороны picturesкартинки
304
903399
3345
снимки машин, сделанные справа и слева,
15:18
are all mixedсмешанный up togetherвместе.
305
906744
1478
всё ещё идут вперемешку.
15:20
So we can again give
the computerкомпьютер some hintsРекомендации,
306
908222
2140
Мы снова даём компьютеру подсказки,
15:22
and we say, okay, try and find
a projectionпроекция that separatesразъединяет out
307
910362
2976
чтобы он нашёл плоскость,
которая разделит
15:25
the left sidesстороны and the right sidesстороны
as much as possibleвозможное
308
913338
2607
изображения автомобилей
справа и слева предельно точно
15:27
usingс помощью this deepглубоко learningобучение algorithmалгоритм.
309
915945
2122
на основе алгоритма глубинного обучения.
15:30
And givingдающий it that hintнамек --
ahах, okay, it's been successfulуспешный.
310
918067
2942
И с этими подсказками — о, отлично,
решение найдено.
15:33
It's managedудалось to find a way
of thinkingмышление about these objectsобъекты
311
921009
2882
Компьютер ищет, чем эти объекты
15:35
that's separatedотделенный out these togetherвместе.
312
923891
2380
отличаются от остальных.
15:38
So you get the ideaидея here.
313
926271
2438
Это суть метода.
15:40
This is a caseдело not where the humanчеловек
is beingявляющийся replacedзаменены by a computerкомпьютер,
314
928709
8197
Компьютер не заменяет человека,
15:48
but where they're workingза работой togetherвместе.
315
936906
2640
здесь они работают вместе.
15:51
What we're doing here is we're replacingзамена
something that used to take a teamкоманда
316
939546
3550
То, на что команда
15:55
of five5 or sixшесть people about sevenсемь yearsлет
317
943096
2002
из 5—6 человек потратила бы около 7 лет,
15:57
and replacingзамена it with something
that takes 15 minutesминут
318
945098
2605
мы заменяем 15-минутной процедурой,
15:59
for one personчеловек actingдействующий aloneв одиночестве.
319
947703
2505
которую выполняет всего один человек.
16:02
So this processобработать takes about
four4 or five5 iterationsитерации.
320
950208
3950
Этот процесс выполняется
за 4—5 рабочих циклов.
16:06
You can see we now have 62 percentпроцент
321
954158
1859
Как видите, теперь из наших
16:08
of our 1.5 millionмиллиона imagesизображений
classifiedобъявление correctlyправильно.
322
956017
2959
1,5 миллионов изображений
верно классифицированы 62%.
16:10
And at this pointточка, we
can startНачало to quiteдовольно quicklyбыстро
323
958976
2472
Теперь мы сможем быстро выделять
16:13
grabгрейфер wholeвсе bigбольшой sectionsразделы,
324
961448
1297
отдельные большие блоки
16:14
checkпроверить throughчерез them to make sure
that there's no mistakesошибки.
325
962745
2919
и просматривать их, чтобы убедиться,
что в них нет ошибок.
16:17
Where there are mistakesошибки, we can
let the computerкомпьютер know about them.
326
965664
3952
Если возникают ошибки,
мы указываем на них компьютеру.
16:21
And usingс помощью this kindсвоего рода of processобработать
for eachкаждый of the differentдругой groupsгруппы,
327
969616
3045
Применяя эту процедуру
к разным группам по отдельности,
16:24
we are now up to
an 80 percentпроцент successуспех rateставка
328
972661
2487
мы получаем
около 80% верных результатов
16:27
in classifyingсортировка the 1.5 millionмиллиона imagesизображений.
329
975148
2415
при распределении
1,5 миллионов изображений.
16:29
And at this pointточка, it's just a caseдело
330
977563
2078
Сейчас задача состоит только в том,
16:31
of findingобнаружение the smallмаленький numberномер
that aren'tне classifiedобъявление correctlyправильно,
331
979641
3579
чтобы найти те немногочисленные
неверно распознаные изображения,
16:35
and tryingпытаясь to understandПонимаю why.
332
983220
2888
и понять, почему это произошло.
16:38
And usingс помощью that approachподход,
333
986108
1743
Используя этот метод,
16:39
by 15 minutesминут we get
to 97 percentпроцент classificationклассификация ratesставки.
334
987851
4121
за 15 минут мы получаем
результат, верный на 97%.
16:43
So this kindсвоего рода of techniqueтехника
could allowпозволять us to fixфиксировать a majorглавный problemпроблема,
335
991972
4600
Эта техника поможет нам справиться
с одной из важнейших проблем —
16:48
whichкоторый is that there's a lackотсутствие
of medicalмедицинская expertiseэкспертиза in the worldМир.
336
996578
3036
нехваткой медицинских работников в мире.
16:51
The WorldМир Economicэкономического ForumФорум saysговорит
that there's betweenмежду a 10x and a 20x
337
999614
3489
По данным, озвученным на Всемирном
экономическом форуме,
16:55
shortageнехватка of physiciansврачи
in the developingразвивающийся worldМир,
338
1003103
2624
развивающимся странам
нужно в 10—20 раз больше терапевтов
16:57
and it would take about 300 yearsлет
339
1005727
2113
и понадобится около 300 лет,
16:59
to trainпоезд enoughдостаточно people
to fixфиксировать that problemпроблема.
340
1007840
2894
чтобы обучить нужное количество людей.
17:02
So imagineпредставить if we can help
enhanceусилить theirих efficiencyэффективность
341
1010734
2885
А теперь представьте,
что мы повысим их эффективность,
17:05
usingс помощью these deepглубоко learningобучение approachesподходы?
342
1013619
2839
используя глубинное обучение.
17:08
So I'm very excitedв восторге
about the opportunitiesвозможности.
343
1016458
2232
Эти возможности приводят меня
в полный восторг,
17:10
I'm alsoтакже concernedобеспокоенный about the problemsпроблемы.
344
1018690
2589
но в то же время
я отдаю отчёт в последствиях.
17:13
The problemпроблема here is that
everyкаждый areaплощадь in blueсиний on this mapкарта
345
1021279
3124
Проблема в том, что во всех странах,
отмеченных на карте синим,
17:16
is somewhereгде-то where servicesСервисы
are over 80 percentпроцент of employmentзанятость.
346
1024403
3769
80% рабочих мест приходится
на сферу услуг.
17:20
What are servicesСервисы?
347
1028172
1787
Каких услуг?
17:21
These are servicesСервисы.
348
1029959
1514
Вот этих услуг.
17:23
These are alsoтакже the exactточный things that
computersкомпьютеры have just learnedнаучился how to do.
349
1031473
4154
А это именно то, что компьютеры
только что научились делать.
17:27
So 80 percentпроцент of the world'sв мире employmentзанятость
in the developedразвитая worldМир
350
1035627
3804
Если 80% людей в развитых странах
17:31
is stuffматериал that computersкомпьютеры
have just learnedнаучился how to do.
351
1039431
2532
заняты тем, что теперь
умеет компьютер,
17:33
What does that mean?
352
1041963
1440
то что это значит?
17:35
Well, it'llэто будет be fine.
They'llОни будут be replacedзаменены by other jobsработы.
353
1043403
2583
Всё в порядке. Они сменят работу.
17:37
For exampleпример, there will be
more jobsработы for dataданные scientistsученые.
354
1045986
2707
Например, будет больше работы
для аналитиков данных.
17:40
Well, not really.
355
1048693
817
Ну или не совсем.
17:41
It doesn't take dataданные scientistsученые
very long to buildстроить these things.
356
1049510
3118
Решение этих задач не займёт
у них много времени.
17:44
For exampleпример, these four4 algorithmsалгоритмы
were all builtпостроен by the sameодна и та же guy.
357
1052628
3252
Например, эти четыре алгоритма
создал один и тот же человек.
17:47
So if you think, oh,
it's all happenedполучилось before,
358
1055880
2438
Вы скажете, что человечество
с этим уже сталкивалось.
17:50
we'veмы в seenвидели the resultsРезультаты in the pastмимо
of when newновый things come alongвдоль
359
1058318
3808
В прошлом мы видели,
что когда приходят новые технологии,
17:54
and they get replacedзаменены by newновый jobsработы,
360
1062126
2252
новые профессии приходят на смену старым,
17:56
what are these newновый jobsработы going to be?
361
1064378
2116
но что это будут за новые профессии?
17:58
It's very hardжесткий for us to estimateоценить this,
362
1066494
1871
Нам очень сложно сейчас это оценить,
18:00
because humanчеловек performanceпредставление
growsрастет at this gradualпостепенный rateставка,
363
1068365
2739
ведь производительность человеческого
труда растёт постепенно.
18:03
but we now have a systemсистема, deepглубоко learningобучение,
364
1071104
2562
Однако теперь есть система
глубинного обучения,
18:05
that we know actuallyна самом деле growsрастет
in capabilityвозможность exponentiallyэкспоненциально.
365
1073666
3227
и мы знаем, что её возможности
растут по экспоненте.
18:08
And we're here.
366
1076893
1605
Итак,
18:10
So currentlyВ данный момент, we see the things around us
367
1078498
2061
мы оглядываемся по сторонам:
18:12
and we say, "Oh, computersкомпьютеры
are still prettyСимпатичная dumbтупой." Right?
368
1080559
2676
«Ведь компьютеры всё ещё
достаточно примитивны». Верно?
18:15
But in five5 years'года time,
computersкомпьютеры will be off this chartдиаграмма.
369
1083235
3429
Но через пять лет их возможности выйдут
за границы этого графика.
18:18
So we need to be startingначало to think
about this capabilityвозможность right now.
370
1086664
3865
Поэтому нам необходимо начать обдумывать
этот аспект прямо сейчас.
Разумеется, такое уже случалось
в истории человечества.
18:22
We have seenвидели this onceодин раз before, of courseкурс.
371
1090529
2050
18:24
In the Industrialпромышленные RevolutionРеволюция,
372
1092579
1387
Промышленная революция,
18:25
we saw a stepшаг changeизменение
in capabilityвозможность thanksблагодаря to enginesдвигатели.
373
1093966
2851
благодаря двигателям, дала
качественный скачок производства.
18:29
The thing is, thoughхоть,
that after a while, things flattenedсплюснутый out.
374
1097667
3138
Однако спустя какое-то время
мощности перестали расти.
18:32
There was socialСоциальное disruptionнарушение,
375
1100805
1702
Случился социальный взрыв,
18:34
but onceодин раз enginesдвигатели were used
to generateгенерировать powerмощность in all the situationsситуации,
376
1102507
3439
но когда двигатели стали применяться
в промышленности повсеместно,
18:37
things really settledрешен down.
377
1105946
2354
был найден баланс.
18:40
The MachineМашина LearningОбучение RevolutionРеволюция
378
1108300
1473
Революция машинного обучения
18:41
is going to be very differentдругой
from the Industrialпромышленные RevolutionРеволюция,
379
1109773
2909
будет сильно отличаться
от промышленной революции,
18:44
because the MachineМашина LearningОбучение RevolutionРеволюция,
it never settlesоседает down.
380
1112682
2950
потому что революция
машинного обучения непрерывна.
18:47
The better computersкомпьютеры get
at intellectualинтеллектуальной activitiesвиды деятельности,
381
1115632
2982
Чем более интеллектуально
развиты компьютеры,
18:50
the more they can buildстроить better computersкомпьютеры
to be better at intellectualинтеллектуальной capabilitiesвозможности,
382
1118614
4248
тем более интеллектуально
развитые компьютеры они создают.
18:54
so this is going to be a kindсвоего рода of changeизменение
383
1122862
1908
А это приведёт к тому,
18:56
that the worldМир has actuallyна самом деле
never experiencedопытный before,
384
1124770
2478
с чем наш мир
никогда раньше не сталкивался,
18:59
so your previousпредыдущий understandingпонимание
of what's possibleвозможное is differentдругой.
385
1127248
3306
и ваши прошлые представления
о возможном изменятся.
19:02
This is alreadyуже impactingвоздействуя us.
386
1130974
1780
Мы это уже почувствовали на себе.
19:04
In the last 25 yearsлет,
as capitalстолица productivityпроизводительность has increasedвырос,
387
1132754
3630
В течение последней четверти века
производительность оборудования росла,
19:08
laborтруд, работа productivityпроизводительность has been flatквартира,
in factфакт even a little bitнемного down.
388
1136400
4188
в то время как производительность рабочих
оставалась прежней или немного снижалась.
19:13
So I want us to startНачало
havingимеющий this discussionобсуждение now.
389
1141408
2741
Я хочу, чтобы мы уже сейчас
задумались над этим.
19:16
I know that when I oftenдовольно часто tell people
about this situationситуация,
390
1144149
3027
Когда я рассказываю об этом людям,
19:19
people can be quiteдовольно dismissiveпренебрежительно.
391
1147176
1490
они зачастую мне не верят:
19:20
Well, computersкомпьютеры can't really think,
392
1148666
1673
мол, компьютеры не могут думать,
19:22
they don't emoteпереигрывать,
they don't understandПонимаю poetryпоэзия,
393
1150339
3028
переживать, воспринимать стихи.
19:25
we don't really understandПонимаю how they work.
394
1153367
2521
Мы не понимаем по-настоящему,
как они работают.
19:27
So what?
395
1155888
1486
И что?
19:29
Computersкомпьютеры right now can do the things
396
1157374
1804
Уже сейчас компьютеры
делают то,
19:31
that humansлюди spendпроводить mostбольшинство
of theirих time beingявляющийся paidоплаченный to do,
397
1159178
2719
на что люди тратят бóльшую часть
оплачиваемого времени,
19:33
so now'sТеперь это the time to startНачало thinkingмышление
398
1161897
1731
так что теперь пора думать над тем,
19:35
about how we're going to adjustрегулировать our
socialСоциальное structuresсооружения and economicэкономической structuresсооружения
399
1163628
4387
как мы будем адаптировать наши
социальные и экономические структуры,
19:40
to be awareзнать of this newновый realityреальность.
400
1168015
1840
чтобы быть готовыми
к новой реальности.
19:41
Thank you.
401
1169855
1533
Спасибо.
19:43
(ApplauseАплодисменты)
402
1171388
802
(Аплодисменты)
Translated by Tatiana Efremova
Reviewed by Katya Roberts

▲Back to top

ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy 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.

More profile about the speaker
Jeremy Howard | Speaker | TED.com