TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: De underbara och skrämmande konsekvenserna av datorer som kan lära sig
Filmed:
Readability: 4.5
2,532,971 views
Vad händer när vi lär en dator att lära sig? Teknologen Jeremy Howard delar med sig av ny, överraskande utveckling på det snabbt föränderliga djupinlärningsområdet. En teknik som kan ge datorer förmågan att lära sig kinesiska, eller känna igen objekt i bilder, eller hjälpa till med en noggrann medicinsk diagnos. (Ett djupinlärningsverktyg förstod på egen hand konceptet "katter" efter att ha tittat på YouTube i timtal.) Låt dig fångas av ett område som kommer att ändra hur datorerna omkring dig fungerar... fortare än du sannolikt tror.
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
Det brukade vara så att om du ville
få en dator att göra något nytt
få en dator att göra något nytt
00:16
you would have to program it.
1
4893
1554
så behövde du programmera den.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Programmering, för dem av er
som inte har gjort det själva,
som inte har gjort det själva,
00:21
requires laying out in excruciating detail
3
9858
3502
kräver att man
på ett olidligt detaljerat sätt
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
anger varenda steg
man vill att datorn ska ta
man vill att datorn ska ta
00:28
in order to achieve your goal.
5
16727
2362
för att uppnå önskat mål.
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
Men, om du vill göra något
som du inte vet själv hur man gör,
som du inte vet själv hur man gör,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
då blir det här en enorm utmaning.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Så det här var den utmaning som denne man,
Arthur Samuel, ställdes inför.
Arthur Samuel, ställdes inför.
00:40
In 1956, he wanted to get this computer
9
28131
4077
1956 ville han få sin dator till
00:44
to be able to beat him at checkers.
10
32208
2340
att slå honom i spelet Dam.
00:46
How can you write a program,
11
34548
2040
Hur kan du skriva ett program,
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
och ange på ett olidligt detaljerat sätt,
hur det ska slå dig i Dam?
hur det ska slå dig i Dam?
00:52
So he came up with an idea:
13
40394
1722
Så han kom på en idé:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
han lät datorn spela
mot sig själv tusentals gånger
mot sig själv tusentals gånger
00:57
and learn how to play checkers.
15
45840
2524
och lära sig att spela Dam.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Och det fungerade faktiskt, och vid 1962
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
hade datorn slagit
Connecticuts statsmästare.
Connecticuts statsmästare.
Så Arthur Samuels
var maskininlärningens fader,
var maskininlärningens fader,
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
01:10
and I have a great debt to him,
19
58534
1717
och jag är skyldig honom så mycket,
för att jag är verksam
inom maskininlärning.
inom maskininlärning.
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
01:15
I was the president of Kaggle,
21
63014
1465
Jag var ordförande i Kaggle,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
en gemenskap på över 200 000
verksamma inom maskininlärning.
verksamma inom maskininlärning.
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle anordnar tävlingar
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
för att försöka åstadkomma
lösningar på olösta problem,
lösningar på olösta problem,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
och det har varit framgångsrikt
vid hundratals tillfällen.
vid hundratals tillfällen.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Så från den synvinkeln
kunde jag få veta
kunde jag få veta
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
väldigt mycket om vad maskininlärning
kan göra i det förflutna, kan göra idag,
kan göra i det förflutna, kan göra idag,
01:35
and what it could do in the future.
28
83890
2362
och vad den kan tänkas göra i framtiden.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Maskininlärningens första stora framgång
var kanske Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Google visade att det är möjligt
att få fram information
att få fram information
01:45
by using a computer algorithm,
31
93784
1752
genom att använda en datoralgoritm,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
en datoralgoritm som bygger
på maskininlärning.
på maskininlärning.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Sen dess har maskininlärning
rönt många kommersiella framgångar.
rönt många kommersiella framgångar.
01:54
Companies like Amazon and Netflix
34
102323
1837
Företag som Amazon och Netflix
använder maskininlärning
för att föreslå produkter
för att föreslå produkter
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
som du kan tänkas vilja köpa,
01:59
movies that you might like to watch.
36
107876
2020
filmer som du kan tänkas vilja se.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Ibland är det nästan lite läskigt.
Företag som LinkedIn och Facebook
02:03
Companies like LinkedIn and Facebook
38
111703
1954
kan ibland berätta för dig
vilka dina vänner kan tänkas vara
vilka dina vänner kan tänkas vara
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
och du kan inte föreställa dig
hur det gick till
hur det gick till
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
och det beror på att de använder
maskininlärningens kraft.
maskininlärningens kraft.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Det här är algoritmer som har lärt sig
att göra detta utifrån data
att göra detta utifrån data
02:16
rather than being programmed by hand.
43
124152
3247
snarare än att ha blivit
programmerade till det.
programmerade till det.
02:19
This is also how IBM was successful
44
127399
2478
Det här också hemligheten
bakom IBM:s framgångar
bakom IBM:s framgångar
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
med att få Watson att slå
de två världsmästarna i Jeopardy,
de två världsmästarna i Jeopardy,
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
genom att besvara otroligt subtila
och komplexa frågor som den här.
och komplexa frågor som den här.
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
[Det antika "Lion of Nimrud" försvann
från denna stads ...]
från denna stads ...]
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
Det här är också anledningen till
att vi nu ser självkörande bilar.
att vi nu ser självkörande bilar.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Om du vill kunna skilja på till exempel
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
ett träd och en fotgängare
så är det ganska viktigt.
så är det ganska viktigt.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Vi vet inte hur vi skulle kunna
programmera något sånt,
programmera något sånt,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
men med maskininlärning
är det här nu möjligt.
är det här nu möjligt.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Och den här bilen har faktiskt
kört över 1,5 miljoner mil,
kört över 1,5 miljoner mil,
02:48
without any accidents on regular roads.
54
156680
3506
utan olyckor, på vanliga vägar.
02:52
So we now know that computers can learn,
55
160196
3914
Så nu vet vi att datorer kan lära sig,
02:56
and computers can learn to do things
56
164110
1900
och datorer kan lära sig att göra saker
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
som vi ibland faktiskt själva
inte vet hur man gör,
inte vet hur man gör,
03:00
or maybe can do them better than us.
58
168848
2885
eller så kan de göra något
bättre än vi.
bättre än vi.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Ett av det mer häpnadsväckande exemplen
av maskininlärning som jag har sett
av maskininlärning som jag har sett
03:07
happened on a project that I ran at Kaggle
60
175928
2392
tog plats i ett projekt
som jag körde på Kaggle
som jag körde på Kaggle
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
där ett lag som leddes av en kille
som heter Geoffrey Hinton
som heter Geoffrey Hinton
03:13
from the University of Toronto
62
181911
1552
från University of Toronto
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
vann en tävling
i automatisk medicinforskning.
i automatisk medicinforskning.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Men vad som var exceptionellt
var inte bara att de slog
var inte bara att de slog
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
alla Mercks algoritmer och hela den
internationella akademiska gemenskapen,
internationella akademiska gemenskapen,
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
utan att ingen i laget hade någon bakgrund
i kemi, biologi eller livsvetenskap
i kemi, biologi eller livsvetenskap
03:30
and they did it in two weeks.
67
198061
2169
och de klarade det på två veckor.
03:32
How did they do this?
68
200230
1381
Hur gjorde de detta?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
De använde en enastående algoritm
som kallas djupinlärning.
som kallas djupinlärning.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Det här var så viktigt
att det till och med rapporterades
att det till och med rapporterades
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
på framsidan till New York Times
några veckor senare.
några veckor senare.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Här är Geoffrey Hinton till vänster.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
Djupinlärningsalgoritmen
är inspirerad av hur hjärnan fungerar
är inspirerad av hur hjärnan fungerar
03:50
and as a result it's an algorithm
74
218488
1812
och som en effekt av det
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
så har den inga teoretiska begränsningar
i vad den kan åstadkomma.
i vad den kan åstadkomma.
Ju mer data och beräkningstid du ger den,
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
03:58
the better it gets.
77
226964
1312
desto bättre blir den.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
New York Times visade
i sin artikel också på
i sin artikel också på
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
en annan exceptionell effekt
av djupinlärning
av djupinlärning
04:04
which I'm going to show you now.
80
232857
2712
som jag ska visa er nu.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Den visar att datorer
kan lyssna och förstå.
kan lyssna och förstå.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Video) Richard Rashid: Det sista steget
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
som jag vill kunna ta i den här processen
04:18
is to actually speak to you in Chinese.
84
246246
4715
är att kunna tala till er på kinesiska.
04:22
Now the key thing there is,
85
250961
2635
Nyckeln här är att
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
vi har kunnat ta en stor mängd information
från många som talar kinesiska
från många som talar kinesiska
04:30
and produce a text-to-speech system
87
258598
2530
och producera ett "text till tal"-system
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
som tar kinesisk text
och konverterar den till kinesiskt språk.
och konverterar den till kinesiskt språk.
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
Sen har vi tagit en timme
eller så av min egen röst
eller så av min egen röst
04:41
and we've used that to modulate
90
269929
1891
och vi har använt den till att modulera
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
vårt grundläggande "text till tal"-system
så att det låter som jag.
så att det låter som jag.
04:48
Again, the result's not perfect.
92
276364
2540
Återigen, resultatet är inte perfekt.
04:50
There are in fact quite a few errors.
93
278904
2648
Det finns fortfarande några fel.
04:53
(In Chinese)
94
281552
2484
(Kinesiska)
04:56
(Applause)
95
284036
3367
(Applåder)
05:01
There's much work to be done in this area.
96
289446
3576
Det finns mycket att göra
på det här området.
på det här området.
05:05
(In Chinese)
97
293022
3645
(Kinesiska)
05:08
(Applause)
98
296667
3433
(Applåder)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Jeremy Howard: Det där var
på en maskininlärningskonferens i Kina.
på en maskininlärningskonferens i Kina.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Det är faktiskt inte ofta
på akademiska konferenser
på akademiska konferenser
05:19
that you do hear spontaneous applause,
101
307114
1897
att man hör spontana applåder,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
fast på TEDx-konferenser
är det förstås välkommet.
är det förstås välkommet.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Allt ni såg där hände
med hjälp av maskininlärning.
med hjälp av maskininlärning.
05:27
(Applause) Thank you.
104
315482
1525
(Applåder) Tack.
Avskriften till engelska
var djupinlärning.
var djupinlärning.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
Översättningen till kinesiska och texten
i övre högra hörnet vad djupinlärning
i övre högra hörnet vad djupinlärning
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
och skapandet av rösten
var också djupinlärning.
var också djupinlärning.
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Så djupinlärning är en exceptionell sak.
Det är en enda algoritm som ser ut
att kunna göra nästan vad som helst,
att kunna göra nästan vad som helst,
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
och jag upptäckte att ett år tidigare
hade den också lärt sig att se.
hade den också lärt sig att se.
05:47
In this obscure competition from Germany
111
335452
2176
I en obskyr tävling från Tyskland
som hette German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
hade djupinlärning lärt sig
att känna igen trafikskyltar som den här.
att känna igen trafikskyltar som den här.
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
Den kunde inte bara
känna igen trafikskyltarna
känna igen trafikskyltarna
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
bättre än alla andra algoritmer,
05:57
better than any other algorithm,
115
345712
1758
utan resultattavlan visade
att den faktiskt var bättre än människor
att den faktiskt var bättre än människor
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
06:02
about twice as good as people.
117
350189
1852
ungefär dubbelt så bra som människor.
Vid 2011 hade vi det första exemplet
06:04
So by 2011, we had the first example
118
352041
1996
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
på en dator som kan se
bättre än människor.
bättre än människor.
06:09
Since that time, a lot has happened.
120
357442
2049
Sen dess har det hänt många saker.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
2012 meddelade Google att de hade
låtit en djupinlärningsalgoritm
låtit en djupinlärningsalgoritm
06:15
watch YouTube videos
122
363005
1415
titta på YouTube-klipp
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
och beräknade datan
på 16 000 datorer i en månad.
på 16 000 datorer i en månad.
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
Och datorn lärde sig, helt av sig själv,
om koncept som människor och katter
om koncept som människor och katter
06:24
just by watching the videos.
125
372218
1809
bara genom att titta på klippen.
Det här är väldigt likt
den mänskliga lärprocessen.
den mänskliga lärprocessen.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Människor lär sig inte genom
att någon berättar vad de ser,
att någon berättar vad de ser,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
utan de lär sig själva
vad de här sakerna är.
vad de här sakerna är.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
2012 vann George Hinton,
som vi såg tidigare, också
som vi såg tidigare, också
06:37
won the very popular ImageNet competition,
130
385819
2858
den väldigt populära ImageNet-tävlingen,
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
när han försökte lista ut,
på basis av 1,5 miljoner bilder,
på basis av 1,5 miljoner bilder,
06:44
what they're pictures of.
132
392818
1438
vad bilderna innehöll.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
Nu 2014, är vi nere på
en sexprocentig felmarginal
en sexprocentig felmarginal
06:49
in image recognition.
134
397789
1453
för bildigenkänning.
06:51
This is better than people, again.
135
399242
2026
Detta är, återigen, bättre än människor.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Så maskiner gör verkligen
ett exceptionellt bra jobb här
ett exceptionellt bra jobb här
06:57
and it is now being used in industry.
137
405037
2269
och används nu inom industrin.
06:59
For example, Google announced last year
138
407306
3042
Till exempel meddelade Google förra året
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
att de hade mappat varenda plats
i Frankrike på två timmar.
i Frankrike på två timmar.
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
Och de gjorde detta genom
att föda bilder av gatuvyer
att föda bilder av gatuvyer
in i en djupinlärningsalgoritm
för att den skulle känna igen
för att den skulle känna igen
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
och läsa gatunummer.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Föreställ er hur lång tid
detta skulle ha tagit:
detta skulle ha tagit:
07:16
dozens of people, many years.
143
424919
3355
dussintals med människor, många år.
07:20
This is also happening in China.
144
428274
1911
Det här händer också i Kina.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu kan väl kanske sägas vara
ett kinesiskt Google
ett kinesiskt Google
07:26
and what you see here in the top left
146
434221
2283
och vad ni ser här uppe till vänster
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
är ett exempel på en bild
som jag laddade upp
som jag laddade upp
i Baidus djupinlärningssystem,
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
och nedanför kan ni se att systemet
har förstått vad bilden innehåller
har förstått vad bilden innehåller
07:36
and found similar images.
149
444247
2236
och hittat liknande bilder.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
De liknande bilderna har faktiskt
liknande bakgrunder,
liknande bakgrunder,
07:41
similar directions of the faces,
151
449219
1658
liknande ansiktsvinklar,
07:42
even some with their tongue out.
152
450877
1788
till och med några med utstickande tungor.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Det här handlar inte om att titta
på text på en webbsida.
på text på en webbsida.
07:47
All I uploaded was an image.
154
455695
1412
Allt jag laddade upp var en bild.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Så, nu har vi datorer
som faktiskt förstår vad de ser
som faktiskt förstår vad de ser
och därmed kan söka igenom databaser
07:53
and can therefore search databases
156
461128
1624
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
med hundra miljontals bilder i realtid.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Så vad betyder det nu att datorer kan se?
Det betyder inte bara
att datorer kan se.
att datorer kan se.
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Djupinlärning har faktiskt
gjort mer än så.
gjort mer än så.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Komplexa, nyanserade meningar
som den här kan nu förstås
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
med djupinlärningsalgoritmer.
08:11
As you can see here,
163
479394
1303
Som ni kan se här,
så har det här Stanford-baserade systemet
med den röda pricken i toppen
med den röda pricken i toppen
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
räknat ut att den här meningen
uttrycker negativa känslor.
uttrycker negativa känslor.
Djupinlärning är faktiskt nära
den mänskliga prestationsförmågan
den mänskliga prestationsförmågan
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
när det gäller att förstå
vad meningar handlar om
vad meningar handlar om
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
och vad de säger om det.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Djupinlärning har också använts
till att läsa kinesiska,
till att läsa kinesiska,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
på, återigen, nästan modersmålsnivå.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Den här algoritmen
har utvecklats i Schweitz
har utvecklats i Schweitz
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
av människor som varken talar
eller förstår kinesiska.
eller förstår kinesiska.
08:39
As I say, using deep learning
172
507331
2051
Jag brukar säga att,
att använda djupinlärning
att använda djupinlärning
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
är nära nog det bästa systemet
i världen för detta
i världen för detta
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
även jämfört med
mänsklig modersmålsförståelse.
mänsklig modersmålsförståelse.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Det här ett system som vi satte ihop
på mitt företag
på mitt företag
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
som visar hur allt det här sätts ihop.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
De här bilderna har ingen vidhängd text,
08:56
and as I'm typing in here sentences,
178
524189
2352
och medan jag skriver in meningar här
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
så förstår den de här bilderna i realtid
09:01
and figuring out what they're about
180
529510
1679
och listar ut vad de handlar om
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
och hittar bilder som liknar
den text som jag skriver in.
den text som jag skriver in.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Så ni kan se att den faktiskt
förstår mina meningar
förstår mina meningar
09:09
and actually understanding these pictures.
183
537108
2224
och faktiskt förstår de här bilderna.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Jag vet att ni har sett
liknande saker på Google,
liknande saker på Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
där du kan skriva in saker
och den visar dig bilder,
och den visar dig bilder,
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
men vad den faktiskt gör är
att den söker av webbsidan efter text.
att den söker av webbsidan efter text.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Det är en stor skillnad
mot att förstå bilderna.
mot att förstå bilderna.
Det här är något som datorer
har kunnat göra
har kunnat göra
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
för första gången
för bara några månader sen.
för bara några månader sen.
09:25
for the first time in the last few months.
189
553843
3248
09:29
So we can see now that computers
can not only see but they can also read,
can not only see but they can also read,
190
557091
4091
Så nu kan vi se att datorer
inte bara kan se, de kan också läsa,
inte bara kan se, de kan också läsa,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
och så har vi också visat
att de kan förstå vad de hör.
att de kan förstå vad de hör.
Kanske är det inte överraskande
att jag nu berättar för er
att jag nu berättar för er
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
att de kan skriva.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Här är lite text som jag genererade igår
med hjälp av en djupinlärningsalgoritm.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Och här är lite text som en algoritm
från Stanford har genererat.
från Stanford har genererat.
09:49
Each of these sentences was generated
195
577096
1764
Var och en av dessa meningar
har genererats
har genererats
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
av en djupinlärningsalgoritm
för att förklara varje bild.
för att förklara varje bild.
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
Den här algoritmen har aldrig förut sett
en man i svart tröja som spelar gitarr.
en man i svart tröja som spelar gitarr.
Den har sett en man förut,
den har sett svart förut,
den har sett svart förut,
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
10:01
it's seen a guitar before,
199
589801
1599
den har sett en gitarr förut,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
men den har helt fristående genererat
den här nya beskrivningen av bilden.
den här nya beskrivningen av bilden.
Vi är ännu inte riktigt framme
vid mänsklig prestationsförmåga här,
vid mänsklig prestationsförmåga här,
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
men vi är nära.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Tester har visat att människor föredrar
den datorgenererade förklaringen
den datorgenererade förklaringen
10:15
one out of four times.
203
603264
1527
en av fyra gånger.
10:16
Now this system is now only two weeks old,
204
604791
2064
Det här systemet är nu bara
två veckor gammalt,
två veckor gammalt,
10:18
so probably within the next year,
205
606855
1846
så det är sannolikt att datoralgoritmen
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
kommer att slå mänsklig prestationsförmåga
inom ett år
10:23
at the rate things are going.
207
611502
1862
om det fortsätter i samma takt.
10:25
So computers can also write.
208
613364
3049
Så, datorer kan skriva också.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
När vi slår samman allt det här
så ser vi väldigt spännande möjligheter.
så ser vi väldigt spännande möjligheter.
10:31
For example, in medicine,
210
619888
1492
Till exempel inom läkekonsten,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
ett team i Boston meddelade
att de hade upptäckt
att de hade upptäckt
10:35
dozens of new clinically relevant features
212
623905
2949
dussintals nya kliniskt
relevanta kännetecken
relevanta kännetecken
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
på tumörer, som hjälper läkare
att göra cancerprognoser.
att göra cancerprognoser.
Också liknande,
meddelade en grupp i Stanford
meddelade en grupp i Stanford
10:44
Very similarly, in Stanford,
214
632220
2296
att de, genom att titta på vävnad
under förstoring, hade utvecklat
under förstoring, hade utvecklat
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
ett maskininlärningsbaserat system
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
som faktiskt är bättre
än mänskliga patologer
än mänskliga patologer
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
på att förutse överlevnadssiffror
för cancersjuka.
I båda dessa fall
visade sig förutsägelserna
visade sig förutsägelserna
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
inte bara vara mer rättvisande
utan de genererade också
ny insiktsfull kunskap.
ny insiktsfull kunskap.
11:02
but they generated new insightful science.
220
650764
2502
11:05
In the radiology case,
221
653276
1505
I röntgenfallet
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
var det nya kliniska indikatorer
som människor kan förstå.
som människor kan förstå.
11:09
In this pathology case,
223
657876
1792
I patologifallet
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
upptäckte systemet
att cellerna runt cancern
att cellerna runt cancern
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
är lika viktiga som cancercellerna själva
11:19
in making a diagnosis.
226
667508
1752
för att ställa diagnos.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Det här var motsatsen till vad patologer
hade fått lära sig i årtionden.
hade fått lära sig i årtionden.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
I båda dessa fall var systemen utvecklade
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
av en kombination av medicinska experter
och maskininlärningsexperter,
och maskininlärningsexperter,
men sedan ett år tillbaka
har vi tagit oss förbi det också.
har vi tagit oss förbi det också.
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Det här är ett exempel på hur man
identifierar cancerområden
identifierar cancerområden
i mänsklig vävnad under ett mikroskåp.
11:39
of human tissue under a microscope.
232
687824
2530
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Systemet som visas här kan identifiera
de områdena med större exakthet,
de områdena med större exakthet,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
eller ungefär lika exakt,
som mänskliga patologer,
som mänskliga patologer,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
fast det enbart bygger på djupinlärning
helt utan medicinsk expertis
helt utan medicinsk expertis
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
och har byggts av människor
som inte har någon erfarenhet på området.
som inte har någon erfarenhet på området.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
På liknande vis, här, det här med
segmentering av neuroner.
segmentering av neuroner.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Vi kan nu segmentera neuroner
ungefär lika exakt som människor kan,
ungefär lika exakt som människor kan,
men det här systemet utvecklades
med hjälp av djupinlärning
med hjälp av djupinlärning
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
av människor utan erfarenhet av läkekonst.
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Så jag själv, som någon som inte har
någon erfarenhet av läkekonst,
någon erfarenhet av läkekonst,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
tycks vara helt kvalificerad för
att starta ett nytt medicinskt företag,
att starta ett nytt medicinskt företag,
12:15
which I did.
243
723875
2146
vilket jag gjorde.
12:18
I was kind of terrified of doing it,
244
726021
1740
Jag var en aning livrädd för att göra det,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
men teoretiskt sett borde det vara möjligt
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
att praktisera nyttig läkekonst
bara på basis av dessa dataanalystekniker.
bara på basis av dessa dataanalystekniker.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Och som tur är har återkopplingen
varit fantastisk,
varit fantastisk,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
inte bara från media
utan också från läkarkåren,
utan också från läkarkåren,
12:32
who have been very supportive.
249
740978
2344
som har varit väldigt stöttande.
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
Teorin innebär att vi kan ta mittendelen
av den medicinska processen
av den medicinska processen
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
och göra om den till dataanalys
så långt det är möjligt,
så långt det är möjligt,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
och på så sätt frigöra läkarna till
att göra det de är bäst på.
att göra det de är bäst på.
12:45
I want to give you an example.
253
753429
1602
Jag vill ge er ett exempel.
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
Det tar oss nu ungefär 15 minuter
att ta fram ett nytt
medicinskt diagnostiskt test
medicinskt diagnostiskt test
12:51
and I'll show you that in real time now,
255
759975
1954
och jag ska visa er det i realtid nu,
men jag har komprimerat det
till tre minuter
till tre minuter
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
genom att skära bort en del.
Snarare än att visa er hur man skapar
ett medicinskt diagnostiskt test,
ett medicinskt diagnostiskt test,
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
så vill jag visa er
ett diagnostiskt test på bilbilder,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
eftersom det är något
som vi alla kan förstå.
som vi alla kan förstå.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Så vi börjar med ungefär
1,5 miljoner bilbilder,
1,5 miljoner bilbilder,
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
och jag vill skapa något som kan sortera
dem beroende på vilken
dem beroende på vilken
13:12
of the photo that's being taken.
262
780475
2223
vinkel bilden är tagen ur.
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
De här bilderna har inga etiketter,
så jag måste börja från början.
så jag måste börja från början.
13:18
With our deep learning algorithm,
264
786586
1865
Med vår djupinlärningsalgoritm
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
kan den automatiskt identifiera områden
med struktur i bilderna.
med struktur i bilderna.
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
Det fina är att nu kan människan
och datorn samarbeta.
och datorn samarbeta.
13:27
So the human, as you can see here,
267
795778
2178
Människan, som ni ser här,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
talar om för datorn vilka områden
som är intressanta, den information
som är intressanta, den information
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
som hon vill att datorn använder
för att förbättra algoritmen.
för att förbättra algoritmen.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
De här djupinlärningssystemen
existerar faktiskt
i en 16000-dimensionell rymd,
i en 16000-dimensionell rymd,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
så ni kan här se hur datorn roterar
genom den rymden
genom den rymden
13:45
trying to find new areas of structure.
272
813009
1992
och letar efter nya strukturella områden.
13:47
And when it does so successfully,
273
815001
1781
Och när den hittar ett sånt
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
så kan människan som styr den påpeka
att dessa områden är intressanta.
att dessa områden är intressanta.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Så här har datorn lyckats hitta områden,
13:55
for example, angles.
276
823208
2562
till exempel vinklar.
Så medan vi går igenom den här processen,
13:57
So as we go through this process,
277
825770
1606
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
så berättar vi gradvis
mer och mer för datorn
mer och mer för datorn
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
om vilka strukturer vi letar efter.
14:04
You can imagine in a diagnostic test
280
832144
1772
I ett diagnostiskt test
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
skulle det här motsvara en patolog
som identifierar sjuka områden
som identifierar sjuka områden
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
eller en radiolog som identifierar
potentiellt farliga knutor.
potentiellt farliga knutor.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Och ibland kan det vara svårt
för algoritmen.
för algoritmen.
I det här fallet blev den något förvirrad.
14:16
In this case, it got kind of confused.
284
844851
1964
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Fronten och bakänden på bilarna
är helt ihopblandade.
är helt ihopblandade.
14:21
So here we have to be a bit more careful,
286
849365
2072
Så här behöver vi
vara lite mer försiktiga,
vara lite mer försiktiga,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
och manuellt välja ut fronterna
men inte bakändarna,
men inte bakändarna,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
och sen berätta för datorn
att detta är en sorts grupp
att detta är en sorts grupp
som vi är intresserade av.
14:32
that we're interested in.
289
860175
1348
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Så vi gör det en stund,
vi hoppar över en liten bit,
vi hoppar över en liten bit,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
och sen tränar vi
maskininlärningsalgoritmen
maskininlärningsalgoritmen
14:38
based on these couple of hundred things,
292
866446
1974
baserat på ett par hundra saker
och så hoppas vi att den har
blivit mycket bättre.
blivit mycket bättre.
14:40
and we hope that it's gotten a lot better.
293
868420
2025
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Ni kan se att den nu har börjat tona ut
vissa av de här bilderna
vissa av de här bilderna
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
och visar oss därmed att den redan vet
hur den själv ska förstå vissa av dem.
hur den själv ska förstå vissa av dem.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Sen kan vi använda det här konceptet
av liknande bilder
av liknande bilder
och med hjälp av liknande bilder
14:53
and using similar images, you can now see,
297
881128
2094
kan ni nu se att datorn vid det här laget
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
kan hitta enbart bilder med bilfronter.
Så, vid det här laget kan människan
berätta för datorn att,
berätta för datorn att,
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
"Okej, bra - du har gjort
ett bra jobb med det."
ett bra jobb med det."
15:05
Sometimes, of course, even at this point
301
893652
2185
Ibland är det förstås
även vid det här laget
även vid det här laget
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
svårt att skilja ut grupper.
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
I det här fallet,
trots att vi har låtit datorn
trots att vi har låtit datorn
försöka rotera det här en stund,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
så ser vi att bilder
av vänster och höger sida
av vänster och höger sida
15:18
are all mixed up together.
305
906744
1478
har blandats ihop.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Så vi kan ge datorn några tips,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
som "Okej, försök hitta
en projektion som skiljer ut
en projektion som skiljer ut
vänstersidorna och högersidorna
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
så gott det går
med hjälp av en djupinlärningsalgoritm."
15:27
using this deep learning algorithm.
309
915945
2122
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Och med det tipset - ah, så lyckas den.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Den har hittat ett sätt
att tänka kring de här objekten
att tänka kring de här objekten
15:35
that's separated out these together.
312
923891
2380
som har skiljt ut dessa tillsammans.
15:38
So you get the idea here.
313
926271
2438
Så ni förstår tanken här.
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
Det här är ett fall som inte handlar om
att människan ersätts av datorn,
utan om att de arbetar tillsammans.
15:48
but where they're working together.
315
936906
2640
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
Vad vi gör är att vi ersätter någonting
som brukade ta ett helt team
som brukade ta ett helt team
15:55
of five or six people about seven years
317
943096
2002
på fem eller sex personer ungefär sju år
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
och ersätter det med någonting
som tar 15 minuter
som tar 15 minuter
15:59
for one person acting alone.
319
947703
2505
för en person på egen hand.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Så den här processen kräver ungefär
fyra eller fem upprepningar.
fyra eller fem upprepningar.
16:06
You can see we now have 62 percent
321
954158
1859
Ni kan se att vi nu har 62 procent
av våra 1,5 miljoner bilder
korrekt klassificerade.
korrekt klassificerade.
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
Och vid det här laget,
kan vi börja att ganska snabbt
kan vi börja att ganska snabbt
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
ta tag i en hela stora sektioner
16:13
grab whole big sections,
324
961448
1297
och kolla igenom för att säkerställa
att det inte finns några misstag.
att det inte finns några misstag.
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
Där vi hittar misstag
kan vi uppmärksamma datorn på dem.
kan vi uppmärksamma datorn på dem.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Genom att använda den här sortens process
för alla olika grupper,
för alla olika grupper,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
är vi nu uppe i 80 procent
framgångsrikt klassificerade bilder.
16:27
in classifying the 1.5 million images.
329
975148
2415
16:29
And at this point, it's just a case
330
977563
2078
Och vid det här laget
är det bara en fråga om
är det bara en fråga om
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
att hitta de få bilder
som inte har klassificerats korrekt,
som inte har klassificerats korrekt,
16:35
and trying to understand why.
332
983220
2888
och försöka förstå varför.
16:38
And using that approach,
333
986108
1743
Och på det sättet
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
är vi efter 15 minuter uppe
i 97 procent klassificerade bilder.
i 97 procent klassificerade bilder.
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
Det här är en teknik som skulle kunna
bistå med att överbrygga det stora problem
bistå med att överbrygga det stora problem
som utgörs av begränsad tillgång
till medicinsk expertis i världen.
till medicinsk expertis i världen.
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
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
Världsekonomiskt forum menar
att det råder en mellan 10x och 20x
att det råder en mellan 10x och 20x
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
brist på läkare i utvecklingsländer
16:57
and it would take about 300 years
339
1005727
2113
och att det skulle ta ungefär 300 år
att lära upp tillräckligt många människor
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
för att lösa det.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Så föreställ er om vi kan hjälpa till
att öka effektiviteten
att öka effektiviteten
17:05
using these deep learning approaches?
342
1013619
2839
med hjälp av djupinlärning.
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Så, de här möjligheterna
gör mig väldigt ivrig.
gör mig väldigt ivrig.
17:10
I'm also concerned about the problems.
344
1018690
2589
Jag är också bekymrad över problemen.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Problemet är att i alla blå områden
på den här kartan
på den här kartan
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
består jobben till 80 procent av tjänster.
17:20
What are services?
347
1028172
1787
Vad är tjänster?
17:21
These are services.
348
1029959
1514
Det här är tjänster.
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
Det här är också precis vad datorerna
har lärt sig att göra.
har lärt sig att göra.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Så 80 procent av jobben
i den utvecklade världen
i den utvecklade världen
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
utför sånt som datorer
precis har lärt sig att göra.
precis har lärt sig att göra.
17:33
What does that mean?
352
1041963
1440
Vad betyder det här?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Nå, det blir fint.
Nya jobb kommer att ersätta dem.
Nya jobb kommer att ersätta dem.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Till exempel blir det fler jobb
för forskare inom data.
för forskare inom data.
Eller, inte riktigt.
17:40
Well, not really.
355
1048693
817
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Det tar inte en forskare särskilt lång tid
att bygga en sån här.
att bygga en sån här.
De här fyra algoritmerna, till exempel,
har alla byggts av samma kille.
har alla byggts av samma kille.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Så, om ni tänker att,
"Åh, det här har hänt förr,
"Åh, det här har hänt förr,
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
vi har sett det här hända
när nya saker har uppfunnits
när nya saker har uppfunnits
17:54
and they get replaced by new jobs,
360
1062126
2252
och de har ersatts av nya jobb,
17:56
what are these new jobs going to be?
361
1064378
2116
vilka kommer de nya jobben att vara?"
17:58
It's very hard for us to estimate this,
362
1066494
1871
Det är väldigt svårt att räkna ut,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
eftersom mänsklig prestationsförmåga
utvecklas gradvis,
utvecklas gradvis,
18:03
but we now have a system, deep learning,
364
1071104
2562
emedan vi nu har ett system,
djupinlärning, som vi vet
djupinlärning, som vi vet
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
faktiskt utvecklas exponentiellt.
18:08
And we're here.
366
1076893
1605
Och vi är här.
18:10
So currently, we see the things around us
367
1078498
2061
Så nu ser vi saker omkring oss och
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
och vi tänker "Åh, datorer är
rätt korkade." Eller hur?
rätt korkade." Eller hur?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Men om fem år kommer datorerna
att ha lämnat oss långt bakom sig.
att ha lämnat oss långt bakom sig.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Så vi behöver börja tänka på
den här förmågan redan nu.
den här förmågan redan nu.
18:22
We have seen this once before, of course.
371
1090529
2050
Vi har sett det en gång tidigare förstås.
I den industriella revolutionen
18:24
In the Industrial Revolution,
372
1092579
1387
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
såg vi en stegvis förändring
i prestanda tack vare motorer.
i prestanda tack vare motorer.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Saken är den, att efter en stund
flackade kurvan ut.
flackade kurvan ut.
Det orsakade social förändring,
18:32
There was social disruption,
375
1100805
1702
men så snart motorerna användes
för att generera kraft i alla situationer
för att generera kraft i alla situationer
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
så lugnade det ner sig.
18:37
things really settled down.
377
1105946
2354
Maskininlärningsrevolutionen
18:40
The Machine Learning Revolution
378
1108300
1473
kommer skilja sig mycket
från den industriella revolutionen,
från den industriella revolutionen,
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
därför att maskininlärningsrevolutionen
aldrig kommer att lugna ner sig.
aldrig kommer att lugna ner sig.
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Ju bättre datorer blir
på intellektuella aktiviteter
på intellektuella aktiviteter
desto bättre kan de bygga bättre datorer
som har större intellektuella förmågor,
som har större intellektuella förmågor,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
så det här kommer att bli en förändring
18:54
so this is going to be a kind of change
383
1122862
1908
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
som världen aldrig förr har upplevt,
så er tidigare uppfattning
om vad som är möjligt förändras.
om vad som är möjligt förändras.
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
19:02
This is already impacting us.
386
1130974
1780
Det här påverkar oss redan.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Under de senaste 25 åren
har kapitalproduktiviteten ökat,
har kapitalproduktiviteten ökat,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
arbetsproduktivitet är oförändrad,
faktiskt en aning minskande.
faktiskt en aning minskande.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Så jag vill att vi börjar
diskutera det här nu.
diskutera det här nu.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Jag vet att ganska ofta
när jag berättar om det här,
när jag berättar om det här,
kan folk vara ganska avfärdande.
19:19
people can be quite dismissive.
391
1147176
1490
19:20
Well, computers can't really think,
392
1148666
1673
Datorer kan inte tänka på riktigt,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
de har inga känslor,
de förstår inte poesi,
de förstår inte poesi,
19:25
we don't really understand how they work.
394
1153367
2521
vi förstår inte riktigt hur de fungerar.
Så vadå?
19:27
So what?
395
1155888
1486
Just nu kan datorer göra det
19:29
Computers right now can do the things
396
1157374
1804
som människor ägnar det mesta
av sin tid åt att göra för att få betalt,
av sin tid åt att göra för att få betalt,
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
19:33
so now's the time to start thinking
398
1161897
1731
så det är hög tid att börja tänka
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
på hur vi ska anpassa
våra sociala och ekonomiska strukturer
våra sociala och ekonomiska strukturer
19:40
to be aware of this new reality.
400
1168015
1840
för att klara av den nya verkligheten.
19:41
Thank you.
401
1169855
1533
Tack.
(Applåder)
19:43
(Applause)
402
1171388
802
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