TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Джереми Говард: Прекрасные и ужасные последствия самообучения компьютеров
Filmed:
Readability: 4.5
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.
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
Обычно, если вы хотите, чтобы
компьютер сделал что-то новое,
компьютер сделал что-то новое,
00:16
you would have to program it.
1
4893
1554
вам нужно его запрограммировать.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Для тех, кто не знает:
программирование
программирование
00:21
requires laying out in excruciating detail
3
9858
3502
требует мучительного определения
мельчайших деталей,
мельчайших деталей,
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
которые должен выполнять компьютер
00:28
in order to achieve your goal.
5
16727
2362
для достижения вашей цели.
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
А сделать то, чего вы никогда не делали,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
будет очень сложно.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Именно с такой сложной задачей
столкнулся этот человек, Артур Самуэль.
столкнулся этот человек, Артур Самуэль.
00:40
In 1956, he wanted to get this computer
9
28131
4077
В 1956 году он захотел,
00:44
to be able to beat him at checkers.
10
32208
2340
чтобы компьютер
смог обыграть его в шашки.
смог обыграть его в шашки.
00:46
How can you write a program,
11
34548
2040
Как написать программу,
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
продумать её до мельчайших деталей,
чтобы она обыграла тебя в шашки?
чтобы она обыграла тебя в шашки?
00:52
So he came up with an idea:
13
40394
1722
Ему в голову пришла мысль:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
компьютер должен сыграть тысячу партий
с самим собой,
с самим собой,
00:57
and learn how to play checkers.
15
45840
2524
и так он научится играть в шашки.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Это действительно сработало —
в 1962 году
в 1962 году
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
этот компьютер обыграл
чемпиона штата Коннектикут.
чемпиона штата Коннектикут.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Так Артур Самуэль стал основоположником
машинного обучения.
машинного обучения.
01:10
and I have a great debt to him,
19
58534
1717
Я в большом долгу перед ним,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
потому что работаю
в области машинного обучения.
в области машинного обучения.
01:15
I was the president of Kaggle,
21
63014
1465
Я был президентом Kaggle,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
сообщества, объединяющего 200 000 людей,
применяющих машинное обучение.
применяющих машинное обучение.
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle проводит соревнования
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
по решению ещё не решённых проблем,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
и участники успешно справились
с сотнями из них.
с сотнями из них.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
У меня была отличная возможность
побольше узнать
побольше узнать
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
о машинном обучении
в прошлом, настоящем
в прошлом, настоящем
01:35
and what it could do in the future.
28
83890
2362
и будущем.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Возможно, первым большим коммерческим
успехом машинного обучения стал Google.
успехом машинного обучения стал Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
В Google доказали,
что можно находить информацию
что можно находить информацию
01:45
by using a computer algorithm,
31
93784
1752
с помощью компьютерного алгоритма,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
а этот алгоритм был основан
на машинном обучении.
на машинном обучении.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
С тех пор машинное обучение неоднократно
использовалось в коммерческих целях.
использовалось в коммерческих целях.
01:54
Companies like Amazon and Netflix
34
102323
1837
Компании вроде Amazon и Netflix
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
иcпользуют машинное обучение, определяя,
какие товары вы захотите купить,
какие товары вы захотите купить,
01:59
movies that you might like to watch.
36
107876
2020
какие фильмы посмотреть.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Иногда это даже пугает.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Сети, такие как LinkedIn и Facebook,
иногда предлагают людей,
которых вы можете знать,
которых вы можете знать,
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
а вы не понимаете, как они их нашли.
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
Это стало возможным
благодаря машинному обучению.
благодаря машинному обучению.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Алгоритмы собирают информацию
и обучаются,
и обучаются,
02:16
rather than being programmed by hand.
43
124152
3247
а не программируются человеком.
02:19
This is also how IBM was successful
44
127399
2478
Это также объясняет успехи IBM:
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
программа Watson обыграла
двух чемпионов мира в «Своей игре»,
двух чемпионов мира в «Своей игре»,
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
ответив на невероятно хитрые и каверзные
вопросы вроде этого:
вопросы вроде этого:
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
[В 2003 году «лев Нимруда» исчез
из музея этого города]
из музея этого города]
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
Именно этот метод лёг в основу
технологии беспилотных автомобилей.
технологии беспилотных автомобилей.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Важно, чтобы такой автомобиль
смог отличить
смог отличить
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
дерево от пешехода.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Мы не знаем,
как задать такой алгоритм вручную,
как задать такой алгоритм вручную,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
зато это стало возможным
с помощью машинного обучения.
с помощью машинного обучения.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Этот автомобиль проехал
более 1,5 миллионов километров
более 1,5 миллионов километров
02:48
without any accidents on regular roads.
54
156680
3506
и ни разу не попал в аварию на трассе.
02:52
So we now know that computers can learn,
55
160196
3914
Итак, мы знаем,
что компьютеры могут учиться.
что компьютеры могут учиться.
02:56
and computers can learn to do things
56
164110
1900
Причём они могут учиться делать то,
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
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 most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
С одним из самых невероятных примеров
машинного обучения
машинного обучения
03:07
happened on a project that I ran at Kaggle
60
175928
2392
я столкнулся, пока работал в Kaggle:
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
команда под руководством Джеффри Хинтона
03:13
from the University of Toronto
62
181911
1552
из Торонтского университета
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
выиграла конкурс по автоматизации поиска
новых лекарств.
новых лекарств.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Невероятно не только то,
что их алгоритм оказался лучше
что их алгоритм оказался лучше
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
всех алгоритмов, разработанных Merck
или международным научным сообществом.
или международным научным сообществом.
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
Никто в команде не имел никакого отношения
к химии, биологии или медицине,
к химии, биологии или медицине,
03:30
and they did it in two weeks.
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 extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Благодаря уникальному алгоритму
глубинного обучения.
глубинного обучения.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Результаты их работы были настолько
ошеломительны, что об этом
ошеломительны, что об этом
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
спустя несколько недель сообщила
на первой полосе New York Times.
на первой полосе New York Times.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Джеффри Хинтон слева.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
В основе глубинного обучения —
принципы работы человеческого мозга,
принципы работы человеческого мозга,
03:50
and as a result it's an algorithm
74
218488
1812
и поэтому теоретически
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
у этого алгоритма
нет ограничений применимости.
нет ограничений применимости.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Чем больше данных на входе
и времени на их обработку,
и времени на их обработку,
03:58
the better it gets.
77
226964
1312
тем лучше результат.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
В этой же статье New York Times
был упомянут
был упомянут
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
другой удивительный продукт
глубинного обучения,
глубинного обучения,
04:04
which I'm going to show you now.
80
232857
2712
который я вам сейчас продемонстрирую.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Он доказывает,
что компьютеры могут слышать и понимать.
что компьютеры могут слышать и понимать.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Видео) Ричард Рашид: Наконец,
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
последнее, что я хочу сделать, —
04:18
is to actually speak to you in Chinese.
84
246246
4715
это поговорить с вами по-китайски.
04:22
Now the key thing there is,
85
250961
2635
Суть в том,
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
что мы сформировали массив записей
носителей китайского языка
носителей китайского языка
и разработали систему
для преобразования текста в речь,
для преобразования текста в речь,
04:30
and produce a text-to-speech system
87
258598
2530
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
которая получает текст на китайском
и преобразует его в речь.
и преобразует его в речь.
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
Потом мы записали примерно час
звучания моего голоса
звучания моего голоса
04:41
and we've used that to modulate
90
269929
1891
и использовали эту запись для модуляции
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
обычной системы
преобразования текста в речь.
преобразования текста в речь.
04:48
Again, the result's not perfect.
92
276364
2540
Если что, результат не идеален.
04:50
There are in fact quite a few errors.
93
278904
2648
Там есть несколько ошибок.
04:53
(In Chinese)
94
281552
2484
(Говорит по-китайски)
04:56
(Applause)
95
284036
3367
(Аплодисменты)
05:01
There's much work to be done in this area.
96
289446
3576
Нам предстоит ещё много работы.
05:05
(In Chinese)
97
293022
3645
(Говорит по-китайски)
05:08
(Applause)
98
296667
3433
(Аплодисменты)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Джереми Говард: Это было на конференции
по машинному обучению в Китае.
по машинному обучению в Китае.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
На самом деле,
на научных конференциях
на научных конференциях
05:19
that you do hear spontaneous applause,
101
307114
1897
внезапно аплодируют очень редко,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
в отличие от TEDx, так что не стесняйтесь.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Всё это видео было записано
с помощью глубинного обучения.
с помощью глубинного обучения.
05:27
(Applause) Thank you.
104
315482
1525
(Аплодисменты) Спасибо.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
Английские субтитры —
это глубинное обучение,
это глубинное обучение,
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
перевод на китайский
и текст справа вверху — оно же,
и текст справа вверху — оно же,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
и конструирование голоса — снова оно.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Глубинное обучение — невероятная вещь.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Один-единственный алгоритм,
который, похоже, может почти всё.
который, похоже, может почти всё.
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
Ещё годом раньше я обнаружил,
что этот алгоритм может видеть.
что этот алгоритм может видеть.
05:47
In this obscure competition from Germany
111
335452
2176
На малоизвестном конкурсе в Германии —
«Сравнительный анализ распознавания
дорожных знаков» —
дорожных знаков» —
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
глубинное обучение использовалось
для распознавания вот таких знаков.
для распознавания вот таких знаков.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Мало того, что результаты распознавания
05:57
better than any other algorithm,
115
345712
1758
были лучше, чем у других алгоритмов;
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
в таблице видно,
что они превосходят человеческие
что они превосходят человеческие
06:02
about twice as good as people.
117
350189
1852
примерно в два раза.
06:04
So by 2011, we had the first example
118
352041
1996
Итак, к 2011 году появился
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
первый компьютер,
который видел лучше людей.
который видел лучше людей.
06:09
Since that time, a lot has happened.
120
357442
2049
С тех пор произошло многое.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
В 2012 году в Google объявили,
что их алгоритм глубинного обучения
что их алгоритм глубинного обучения
06:15
watch YouTube videos
122
363005
1415
использовал видео на YouTube.
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
Данные обрабатывались
на 16 000 компьютеров в течение месяца,
на 16 000 компьютеров в течение месяца,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
и компьютер самостоятельно определил,
что такое люди и кошки,
что такое люди и кошки,
06:24
just by watching the videos.
125
372218
1809
на основе только видеоматериалов.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Это очень похоже на то,
как учатся люди.
как учатся люди.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Им не говорят, что они видят.
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
Люди сами разбираются, что они видят.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
В том же 2012 году Джеффри Хинтон,
которого вы уже знаете,
которого вы уже знаете,
06:37
won the very popular ImageNet competition,
130
385819
2858
победил в очень известном
конкурсе ImageNet,
конкурсе 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
в котором необходимо распознать,
что изображено
что изображено
06:44
what they're pictures of.
132
392818
1438
на 1,5 миллионах картинок.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
К 2014 году количество ошибок
в распознавании образов
в распознавании образов
06:49
in image recognition.
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 machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Эффективность компьютеров действительно
невероятно высока,
невероятно высока,
06:57
and it is now being used in industry.
137
405037
2269
и сейчас это применяется
в коммерческих целях.
в коммерческих целях.
06:59
For example, Google announced last year
138
407306
3042
Так, в прошлом году в Google объявили,
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
что их карты могут локализовать
любую точку во Франции за два часа:
любую точку во Франции за два часа:
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
они обрабатывают фотографии улиц
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
с помощью алгоритма глубинного обучения,
чтобы распознать и прочитать адреса.
чтобы распознать и прочитать адреса.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Подумайте, сколько времени
это заняло бы:
это заняло бы:
07:16
dozens of people, many years.
143
424919
3355
понадобились бы десятки людей
и несколько лет.
и несколько лет.
07:20
This is also happening in China.
144
428274
1911
То же самое происходит в Китае.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu — это что-то вроде
китайского Google,
китайского Google,
07:26
and what you see here in the top left
146
434221
2283
и сверху слева вы видите картинку,
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
которую я загрузил на вход
алгоритмов глубинного обучения Baidu,
алгоритмов глубинного обучения Baidu,
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
а под ней — то, как система распознала,
что изображено на картинке,
что изображено на картинке,
07:36
and found similar images.
149
444247
2236
и нашла похожие.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Похожие изображения имеют похожий фон,
07:41
similar directions of the faces,
151
449219
1658
морды смотрят в ту же сторону,
07:42
even some with their tongue out.
152
450877
1788
иногда даже так же высунут язык.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Это не просто поиск текста
на веб-странице.
на веб-странице.
07:47
All I uploaded was an image.
154
455695
1412
Я загрузил только картинку.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Итак, теперь наши компьютеры
действительно понимают увиденное
действительно понимают увиденное
07:53
and can therefore search databases
156
461128
1624
и могут искать информацию в базах
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
среди сотен миллионов картинок
в режиме реального времени.
в режиме реального времени.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Значит ли это,
что компьютеры могут видеть?
что компьютеры могут видеть?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Это не просто умение видеть.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Глубинное обучение — это намного больше.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Сложные предложения со множеством
смысловых оттенков
смысловых оттенков
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
теперь понятны благодаря
алгоритмам глубинного обучения.
алгоритмам глубинного обучения.
08:11
As you can see here,
163
479394
1303
Как видно на экране,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
эта стэнфордская система распознаёт
отрицательные эмоции в предложении
отрицательные эмоции в предложении
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
и отмечает их красными точками сверху.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Глубинное обучение
похоже на человеческое поведение
похоже на человеческое поведение
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
в процессе распознавания того,
что и о чём сказано.
что и о чём сказано.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Глубинное обучение использовалось
для чтения на китайском.
для чтения на китайском.
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
Результат был на уровне результата
человека — носителя китайского.
человека — носителя китайского.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Этот алгоритм
был разработан в Швейцарии
был разработан в Швейцарии
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
людьми, ни один из которых
не говорит по-китайски.
не говорит по-китайски.
08:39
As I say, using deep learning
172
507331
2051
Как я и сказал, глубинное обучение —
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
это оптимальный способ
решения таких задач,
решения таких задач,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
даже по сравнению
с человеческим восприятием.
с человеческим восприятием.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
На экране система,
разработаная в моей компании,
разработаная в моей компании,
в ней задействовано всё,
о чём я рассказал.
о чём я рассказал.
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Это картинки без описаний.
08:56
and as I'm typing in here sentences,
178
524189
2352
Здесь я набираю предложения.
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
В режиме реального времени
картинки распознаются,
картинки распознаются,
09:01
and figuring out what they're about
180
529510
1679
определяется их смысл,
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
и находятся изображения,
соответствующие введённому мной тексту.
соответствующие введённому мной тексту.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Итак, вы видите, что предложения
09:09
and actually understanding these pictures.
183
537108
2224
и картинки действительно распознаются.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Я знаю, что вы видели
нечто похожее в Google,
нечто похожее в Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
при вводе запроса,
по которому вам выдаются картинки,
по которому вам выдаются картинки,
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
но в действительности там идёт поиск
нужного текста на веб-странице.
нужного текста на веб-странице.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Распознавание образов —
это принципиально новый процесс.
это принципиально новый процесс.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Распознавание стало доступно
компьютерным алгоритмам
компьютерным алгоритмам
09:25
for the first time in the last few months.
189
553843
3248
впервые несколько месяцев назад.
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
Итак, компьютеры теперь могут
не только видеть, но и читать,
не только видеть, но и читать,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
и, как мы уже показали,
понимать услышанное.
понимать услышанное.
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
Вы вряд ли удивитесь, если я вам скажу,
что они умеют писать.
что они умеют писать.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Вот текст, который я вчера получил
с помощью алгоритма глубинного обучения.
с помощью алгоритма глубинного обучения.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
А вот текст, полученный
с помощью стэнфордского алгоритма.
с помощью стэнфордского алгоритма.
09:49
Each of these sentences was generated
195
577096
1764
Каждое из этих предложений составлено
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
алгоритмом глубинного обучения
для описания этих картинок.
для описания этих картинок.
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
Алгоритм ещё не встречал понятия мужчины
в чёрной рубашке, играющего на гитаре.
в чёрной рубашке, играющего на гитаре.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Но ему известны понятия
10:01
it's seen a guitar before,
199
589801
1599
человека, чёрного, гитары,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
и алгоритм независимо формулирует
связное описание этого изображения.
связное описание этого изображения.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Мы всё ещё не дотягиваем до уровня
человека, но мы уже близки.
человека, но мы уже близки.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
При испытаниях люди выбирают
описания, данные компьютером,
описания, данные компьютером,
10:15
one out of four times.
203
603264
1527
в одном случае из четырёх.
10:16
Now this system is now only two weeks old,
204
604791
2064
Эта система была создана
две недели назад,
две недели назад,
10:18
so probably within the next year,
205
606855
1846
и, скорее всего, в течение года
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
алгоритм покажет результаты
намного лучше человеческих,
намного лучше человеческих,
10:23
at the rate things are going.
207
611502
1862
если будет развиваться в том же темпе.
10:25
So computers can also write.
208
613364
3049
Итак, компьютеры могут ещё и писать.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Складываем всё вместе,
и нам открываются невероятные возможности.
и нам открываются невероятные возможности.
10:31
For example, in medicine,
210
619888
1492
Например, в медицине.
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
Группа учёных из Бостона открыла
10:35
dozens of new clinically relevant features
212
623905
2949
десятки новых клинически значимых
особенностей опухолей;
особенностей опухолей;
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
это поможет врачам
давать прогнозы онкобольным.
давать прогнозы онкобольным.
10:44
Very similarly, in Stanford,
214
632220
2296
Точно так же в Стэнфорде
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
группа учёных, проанализиров опухоли
под увеличением,
под увеличением,
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
создала систему
на основе машинного обучения,
на основе машинного обучения,
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
которая работает лучше,
чем патологоанатомы,
чем патологоанатомы,
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
прогнозируя исход заболевания
у онкобольных.
у онкобольных.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
В обоих случаях алгоритмы давали
не только более точный результат,
не только более точный результат,
11:02
but they generated new insightful science.
220
650764
2502
но и новые ценные открытия.
11:05
In the radiology case,
221
653276
1505
В случае с радиологией
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
это были новые клинические показатели,
понятные для людей.
понятные для людей.
11:09
In this pathology case,
223
657876
1792
В случае с патологиями
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
алгоритм установил,
что для постановки диагноза
что для постановки диагноза
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
клетки вокруг опухоли так же важны,
11:19
in making a diagnosis.
226
667508
1752
как и сами раковые клетки.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Это противоречит всему, чему
патологоанатомов учили десятилетиями.
патологоанатомов учили десятилетиями.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
В разработке обеих систем
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
участвовали как эксперты-врачи,
так и специалисты по машинному обучению,
так и специалисты по машинному обучению,
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
но в прошлом году мы смогли преодолеть
и это ограничение.
и это ограничение.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
На экране пример распознавания
поражённых раком
поражённых раком
11:39
of human tissue under a microscope.
232
687824
2530
человеческих тканей под микроскопом.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Система, изображённая на экране,
может определить их точнее,
может определить их точнее,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
или так же точно, как и патологоанатом.
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
В её основе — только метод
глубинного обучения.
глубинного обучения.
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
Она разработана людьми, не имеющими
никакого отношения к медицине.
никакого отношения к медицине.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Или сегментация нейронов.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Теперь мы можем сегментировать нейроны
так же точно, как и вручную,
так же точно, как и вручную,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
и эта система так же была основана
на глубинном обучении
на глубинном обучении
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
и разработана людьми, не имеющими
медицинских знаний или опыта.
медицинских знаний или опыта.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Поэтому я, как человек,
никогда не занимавшийся медициной,
никогда не занимавшийся медициной,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
оказался отличным кандидатом на роль
основателя новой медицинской компании.
основателя новой медицинской компании.
12:15
which I did.
243
723875
2146
Им я и стал.
12:18
I was kind of terrified of doing it,
244
726021
1740
Я порядком трусил,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
но в теории можно было
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
разрабатывать очень полезные препараты,
используя только анализ данных.
используя только анализ данных.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
И — слава богу —
отзывы превзошли все мои ожидания,
отзывы превзошли все мои ожидания,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
не только в СМИ,
но и от медицинского сообщества,
но и от медицинского сообщества,
12:32
who have been very supportive.
249
740978
2344
где горячо поддержали мою идею.
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
Идея заключается в том, что мы можем
взять промежуточный этап лечения
взять промежуточный этап лечения
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
и максимально применить к нему
наши способы анализа данных,
наши способы анализа данных,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
позволив врачам заниматься тем,
что у них получается лучше всего.
что у них получается лучше всего.
12:45
I want to give you an example.
253
753429
1602
Приведу пример.
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
На составление нового диагностического
теста у нас уходит 15 минут.
теста у нас уходит 15 минут.
12:51
and I'll show you that in real time now,
255
759975
1954
Я покажу это в режиме реального времени,
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
но сокращу процесс до трёх минут,
вырезав отдельные фрагменты.
вырезав отдельные фрагменты.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Вместо медицинских терминов
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
будут изображения машин,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
потому что так будет понятнее всем.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Итак, начнём с 1,5 миллионов
изображений машин.
изображений машин.
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
Я хочу придумать, как их разбить
на группы в зависимости от угла,
на группы в зависимости от угла,
13:12
of the photo that's being taken.
262
780475
2223
с которого они сфотографированы.
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
Ни одна из картинок не имеет описания,
поэтому мне придётся начинать с нуля.
поэтому мне придётся начинать с нуля.
13:18
With our deep learning algorithm,
264
786586
1865
Наш алгоритм глубинного обучения
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
автоматически распознаёт отдельные
компоненты на этих изображениях.
компоненты на этих изображениях.
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
Хорошо то, что человек и компьютер
могут решать задачу вместе.
могут решать задачу вместе.
13:27
So the human, as you can see here,
267
795778
2178
Человек, как вы видите,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
задаёт компьютеру исследуемую область,
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
на основе которой компьютер должен
усовершенствовать свои алгоритмы.
усовершенствовать свои алгоритмы.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Такая система глубинного обучения работает
в 16 000-мерном пространстве.
в 16 000-мерном пространстве.
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
Компьютер вращает в нём данные,
13:45
trying to find new areas of structure.
272
813009
1992
чтобы обнаружить новые структуры.
13:47
And when it does so successfully,
273
815001
1781
А когда он их находит,
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
человек, управляющий процессом,
указывает на те, что его интересуют.
указывает на те, что его интересуют.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Итак, компьютер успешно
обнаруживает признаки,
обнаруживает признаки,
13:55
for example, angles.
276
823208
2562
например, ракурс.
13:57
So as we go through this process,
277
825770
1606
В ходе исследования
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
мы постепенно уточняем,
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
что именно мы ищем.
14:04
You can imagine in a diagnostic test
280
832144
1772
Представьте диагностический тест,
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
благодаря которому врач
определяет границы патологии
определяет границы патологии
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
или радиолог — потенциально
опасные образования.
опасные образования.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Иногда алгоритм
не может справиться с задачей.
не может справиться с задачей.
14:16
In this case, it got kind of confused.
284
844851
1964
Он не находит решения.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Здесь капоты и багажники машин
идут вперемешку.
идут вперемешку.
14:21
So here we have to be a bit more careful,
286
849365
2072
Поэтому нам надо быть немного аккуратнее
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
и разделить их вручную,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
а затем задать компьютеру тип изображений,
14:32
that we're interested in.
289
860175
1348
которые нам нужны.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Процесс идёт какое-то время,
пропустим немного,
пропустим немного,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
а потом мы обучаем наш алгоритм
14:38
based on these couple of hundred things,
292
866446
1974
на основе двух объектов из сотен
14:40
and we hope that it's gotten a lot better.
293
868420
2025
и надеемся, что он это усвоил.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Видите, некоторые
из этих картинок поблёкли.
из этих картинок поблёкли.
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
Это означает, что теперь компьютер
распознаёт их самостоятельно.
распознаёт их самостоятельно.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Теперь мы можем использовать
этот принцип похожих изображений.
этот принцип похожих изображений.
14:53
and using similar images, you can now see,
297
881128
2094
Как видите, используя эти изображения,
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
компьютер может самостоятельно
находить только фотографии машин спереди.
находить только фотографии машин спереди.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Теперь человек может сказать компьютеру:
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
«Отлично, ты молодец».
15:05
Sometimes, of course, even at this point
301
893652
2185
Иногда, конечно, даже на этом этапе
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
всё ещё сложно выделить группы.
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
В этом случае даже после дополнительного
вращения данных компьютером
вращения данных компьютером
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
снимки машин, сделанные справа и слева,
15:18
are all mixed up together.
305
906744
1478
всё ещё идут вперемешку.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Мы снова даём компьютеру подсказки,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
чтобы он нашёл плоскость,
которая разделит
которая разделит
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
изображения автомобилей
справа и слева предельно точно
справа и слева предельно точно
15:27
using this deep learning algorithm.
309
915945
2122
на основе алгоритма глубинного обучения.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
И с этими подсказками — о, отлично,
решение найдено.
решение найдено.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Компьютер ищет, чем эти объекты
15:35
that's separated out these together.
312
923891
2380
отличаются от остальных.
15:38
So you get the idea here.
313
926271
2438
Это суть метода.
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
Компьютер не заменяет человека,
15:48
but where they're working together.
315
936906
2640
здесь они работают вместе.
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
То, на что команда
15:55
of five or six people about seven years
317
943096
2002
из 5—6 человек потратила бы около 7 лет,
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
мы заменяем 15-минутной процедурой,
15:59
for one person acting alone.
319
947703
2505
которую выполняет всего один человек.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Этот процесс выполняется
за 4—5 рабочих циклов.
за 4—5 рабочих циклов.
16:06
You can see we now have 62 percent
321
954158
1859
Как видите, теперь из наших
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
1,5 миллионов изображений
верно классифицированы 62%.
верно классифицированы 62%.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Теперь мы сможем быстро выделять
16:13
grab whole big sections,
324
961448
1297
отдельные большие блоки
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
и просматривать их, чтобы убедиться,
что в них нет ошибок.
что в них нет ошибок.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Если возникают ошибки,
мы указываем на них компьютеру.
мы указываем на них компьютеру.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Применяя эту процедуру
к разным группам по отдельности,
к разным группам по отдельности,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
мы получаем
около 80% верных результатов
около 80% верных результатов
16:27
in classifying the 1.5 million images.
329
975148
2415
при распределении
1,5 миллионов изображений.
1,5 миллионов изображений.
16:29
And at this point, it's just a case
330
977563
2078
Сейчас задача состоит только в том,
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
чтобы найти те немногочисленные
неверно распознаные изображения,
неверно распознаные изображения,
16:35
and trying to understand why.
332
983220
2888
и понять, почему это произошло.
16:38
And using that approach,
333
986108
1743
Используя этот метод,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
за 15 минут мы получаем
результат, верный на 97%.
результат, верный на 97%.
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
Эта техника поможет нам справиться
с одной из важнейших проблем —
с одной из важнейших проблем —
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
нехваткой медицинских работников в мире.
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
По данным, озвученным на Всемирном
экономическом форуме,
экономическом форуме,
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
развивающимся странам
нужно в 10—20 раз больше терапевтов
нужно в 10—20 раз больше терапевтов
16:57
and it would take about 300 years
339
1005727
2113
и понадобится около 300 лет,
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
чтобы обучить нужное количество людей.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
А теперь представьте,
что мы повысим их эффективность,
что мы повысим их эффективность,
17:05
using these deep learning approaches?
342
1013619
2839
используя глубинное обучение.
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Эти возможности приводят меня
в полный восторг,
в полный восторг,
17:10
I'm also concerned about the problems.
344
1018690
2589
но в то же время
я отдаю отчёт в последствиях.
я отдаю отчёт в последствиях.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Проблема в том, что во всех странах,
отмеченных на карте синим,
отмеченных на карте синим,
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
80% рабочих мест приходится
на сферу услуг.
на сферу услуг.
17:20
What are services?
347
1028172
1787
Каких услуг?
17:21
These are services.
348
1029959
1514
Вот этих услуг.
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
А это именно то, что компьютеры
только что научились делать.
только что научились делать.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Если 80% людей в развитых странах
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
заняты тем, что теперь
умеет компьютер,
умеет компьютер,
17:33
What does that mean?
352
1041963
1440
то что это значит?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Всё в порядке. Они сменят работу.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Например, будет больше работы
для аналитиков данных.
для аналитиков данных.
17:40
Well, not really.
355
1048693
817
Ну или не совсем.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Решение этих задач не займёт
у них много времени.
у них много времени.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Например, эти четыре алгоритма
создал один и тот же человек.
создал один и тот же человек.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Вы скажете, что человечество
с этим уже сталкивалось.
с этим уже сталкивалось.
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
В прошлом мы видели,
что когда приходят новые технологии,
что когда приходят новые технологии,
17:54
and they get replaced by new jobs,
360
1062126
2252
новые профессии приходят на смену старым,
17:56
what are these new jobs going to be?
361
1064378
2116
но что это будут за новые профессии?
17:58
It's very hard for us to estimate this,
362
1066494
1871
Нам очень сложно сейчас это оценить,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
ведь производительность человеческого
труда растёт постепенно.
труда растёт постепенно.
18:03
but we now have a system, deep learning,
364
1071104
2562
Однако теперь есть система
глубинного обучения,
глубинного обучения,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
и мы знаем, что её возможности
растут по экспоненте.
растут по экспоненте.
18:08
And we're here.
366
1076893
1605
Итак,
18:10
So currently, we see the things around us
367
1078498
2061
мы оглядываемся по сторонам:
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
«Ведь компьютеры всё ещё
достаточно примитивны». Верно?
достаточно примитивны». Верно?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Но через пять лет их возможности выйдут
за границы этого графика.
за границы этого графика.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Поэтому нам необходимо начать обдумывать
этот аспект прямо сейчас.
этот аспект прямо сейчас.
Разумеется, такое уже случалось
в истории человечества.
в истории человечества.
18:22
We have seen this once before, of course.
371
1090529
2050
18:24
In the Industrial Revolution,
372
1092579
1387
Промышленная революция,
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
благодаря двигателям, дала
качественный скачок производства.
качественный скачок производства.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Однако спустя какое-то время
мощности перестали расти.
мощности перестали расти.
18:32
There was social disruption,
375
1100805
1702
Случился социальный взрыв,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
но когда двигатели стали применяться
в промышленности повсеместно,
в промышленности повсеместно,
18:37
things really settled down.
377
1105946
2354
был найден баланс.
18:40
The Machine Learning Revolution
378
1108300
1473
Революция машинного обучения
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
будет сильно отличаться
от промышленной революции,
от промышленной революции,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
потому что революция
машинного обучения непрерывна.
машинного обучения непрерывна.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Чем более интеллектуально
развиты компьютеры,
развиты компьютеры,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
тем более интеллектуально
развитые компьютеры они создают.
развитые компьютеры они создают.
18:54
so this is going to be a kind of change
383
1122862
1908
А это приведёт к тому,
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
с чем наш мир
никогда раньше не сталкивался,
никогда раньше не сталкивался,
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
и ваши прошлые представления
о возможном изменятся.
о возможном изменятся.
19:02
This is already impacting us.
386
1130974
1780
Мы это уже почувствовали на себе.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
В течение последней четверти века
производительность оборудования росла,
производительность оборудования росла,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
в то время как производительность рабочих
оставалась прежней или немного снижалась.
оставалась прежней или немного снижалась.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Я хочу, чтобы мы уже сейчас
задумались над этим.
задумались над этим.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Когда я рассказываю об этом людям,
19:19
people can be quite dismissive.
391
1147176
1490
они зачастую мне не верят:
19:20
Well, computers can't really think,
392
1148666
1673
мол, компьютеры не могут думать,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
переживать, воспринимать стихи.
19:25
we don't really understand how they work.
394
1153367
2521
Мы не понимаем по-настоящему,
как они работают.
как они работают.
19:27
So what?
395
1155888
1486
И что?
19:29
Computers right now can do the things
396
1157374
1804
Уже сейчас компьютеры
делают то,
делают то,
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
на что люди тратят бóльшую часть
оплачиваемого времени,
оплачиваемого времени,
19:33
so now's the time to start thinking
398
1161897
1731
так что теперь пора думать над тем,
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
как мы будем адаптировать наши
социальные и экономические структуры,
социальные и экономические структуры,
19:40
to be aware of this new reality.
400
1168015
1840
чтобы быть готовыми
к новой реальности.
к новой реальности.
19:41
Thank you.
401
1169855
1533
Спасибо.
19:43
(Applause)
402
1171388
802
(Аплодисменты)
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