TED@BCG Paris
Blaise Agüera y Arcas: How computers are learning to be creative
Blaise Agüera y Arcas: Bilgisayarlar yaratıcı olmayı nasıl öğrenirler
Filmed:
Readability: 4.4
1,934,067 views
Sanat ve yaratıcılıkta yeni bir sınırın kenarındayız -- ve bu insan değil. Google'da baş bilim adamı olan Blaise Agüera y Arcas makine algısı ve dağıtık öğrenme için derin sinir ağlarıyla çalışıyor. Bu büyüleyici tanıtımda Agüera y Arcas sinir ağlarının tersten akabilen resimleri üretmek için onları tanımaya nasıl eğitildiğini gösteriyor. Sonuçlar: Olağanüstü, sınıflandırmaya karşı çıkan sanrılı kolajlar (ve şiirler!) diyor Agüera y Arcas. "Algı ve yaratıcılık derinlemesine bağlantılıdır." " Algısal eylemler yapabilen herhangi bir insan ya da varlık da yaratabilir."
Blaise Agüera y Arcas - Software architect
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio
Blaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces. Full bio
Double-click the English transcript below to play the video.
00:12
So, I lead a team at Google
that works on machine intelligence;
that works on machine intelligence;
0
800
3124
Google'da makine zekâsı üzerine çalışan
bir takımı yönetiyorum;
bir takımı yönetiyorum;
00:15
in other words, the engineering discipline
of making computers and devices
of making computers and devices
1
3948
4650
yani, bilgisayar ve
makineleri yapan mühendislik disiplini
makineleri yapan mühendislik disiplini
00:20
able to do some of the things
that brains do.
that brains do.
2
8622
2419
beynin yaptığı bazı şeyleri yapabiliyor.
00:23
And this makes us
interested in real brains
interested in real brains
3
11439
3099
Bu da bizim gerçek beyinlere
00:26
and neuroscience as well,
4
14562
1289
ve nörolojiye de
00:27
and especially interested
in the things that our brains do
in the things that our brains do
5
15875
4172
ve özellikle bilgisayarların
performansından hâlâ üstün olan
performansından hâlâ üstün olan
00:32
that are still far superior
to the performance of computers.
to the performance of computers.
6
20071
4042
beynimizin yaptığı şeylere
ilgi duymamızı sağlıyor.
ilgi duymamızı sağlıyor.
00:37
Historically, one of those areas
has been perception,
has been perception,
7
25209
3609
Tarihsel olarak bu
alanlardan biri algıdır,
alanlardan biri algıdır,
00:40
the process by which things
out there in the world --
out there in the world --
8
28842
3039
dünyada algılanarak var olan şeyler --
00:43
sounds and images --
9
31905
1584
sesler ve resimler gibi --
00:45
can turn into concepts in the mind.
10
33513
2178
zihinde kavramlara dönüşebilir.
00:48
This is essential for our own brains,
11
36235
2517
Bu beynimiz için vazgeçilmezdir
00:50
and it's also pretty useful on a computer.
12
38776
2464
ve bir bilgisayarda da oldukça
kullanışlıdır.
kullanışlıdır.
00:53
The machine perception algorithms,
for example, that our team makes,
for example, that our team makes,
13
41636
3350
Takımımın yaptığı makine
algı algoritmaları örneğin,
algı algoritmaları örneğin,
00:57
are what enable your pictures
on Google Photos to become searchable,
on Google Photos to become searchable,
14
45010
3874
Google Fotoğraflar'da resimlerinizdeki
şeyleri baz alarak onların aranabilir
şeyleri baz alarak onların aranabilir
01:00
based on what's in them.
15
48908
1397
olmasını sağlıyor.
01:03
The flip side of perception is creativity:
16
51594
3493
Algının diğer yüzü yaratıcılık:
01:07
turning a concept into something
out there into the world.
out there into the world.
17
55111
3038
Bir kavramı dünyadaki bir nesneye
dönüştürmektir.
dönüştürmektir.
01:10
So over the past year,
our work on machine perception
our work on machine perception
18
58173
3555
Geçen yıl boyunca makine algısı üzerine
yaptığımız çalışmalar da
yaptığımız çalışmalar da
01:13
has also unexpectedly connected
with the world of machine creativity
with the world of machine creativity
19
61752
4859
beklenmedik bir şekilde makine
yaratıcılığı ve makine sanatı dünyasıyla
yaratıcılığı ve makine sanatı dünyasıyla
01:18
and machine art.
20
66635
1160
bağlandı.
01:20
I think Michelangelo
had a penetrating insight
had a penetrating insight
21
68556
3284
Bence Michelangelo algı ve yaratıcılık
arasındaki ikili ilişkiye
arasındaki ikili ilişkiye
01:23
into to this dual relationship
between perception and creativity.
between perception and creativity.
22
71864
3656
dair keskin bir bakış açısına sahipti.
01:28
This is a famous quote of his:
23
76023
2006
Onun ünlü bir sözüdür:
01:30
"Every block of stone
has a statue inside of it,
has a statue inside of it,
24
78053
3323
"Her bir taş blok içinde bir heykel
barındırır ve
barındırır ve
01:34
and the job of the sculptor
is to discover it."
is to discover it."
25
82036
3002
heykeltraşın görevi bunu ortaya
çıkarmaktır."
çıkarmaktır."
01:38
So I think that what
Michelangelo was getting at
Michelangelo was getting at
26
86029
3216
Yani bence
Michelangelo'nun anlatmak istediği
Michelangelo'nun anlatmak istediği
01:41
is that we create by perceiving,
27
89269
3180
algılayarak yaratırız,
01:44
and that perception itself
is an act of imagination
is an act of imagination
28
92473
3023
algının kendisi hayal gücümüzün
bir eylemi ve
bir eylemi ve
01:47
and is the stuff of creativity.
29
95520
2461
yaratıcılığın malzemesidir.
01:50
The organ that does all the thinking
and perceiving and imagining,
and perceiving and imagining,
30
98691
3925
Düşünmeyi, algılamayı ve hayal etmeyi
sağlayan organımız
sağlayan organımız
01:54
of course, is the brain.
31
102640
1588
tabii ki de beynimizdir.
01:57
And I'd like to begin
with a brief bit of history
with a brief bit of history
32
105089
2545
Beyinler hakkında bildiğimiz şeylerin
01:59
about what we know about brains.
33
107658
2302
kısa bir tarihiyle başlamak istiyorum.
02:02
Because unlike, say,
the heart or the intestines,
the heart or the intestines,
34
110496
2446
Çünkü kalp ya da bağırsakların aksine
02:04
you really can't say very much
about a brain by just looking at it,
about a brain by just looking at it,
35
112966
3144
en azından çıplak gözle
bakarak bir beyin hakkında
bakarak bir beyin hakkında
02:08
at least with the naked eye.
36
116134
1412
çok bir şey söyleyemezsin.
02:09
The early anatomists who looked at brains
37
117983
2416
Beyni inceleyen ilk anatomi uzmanları
02:12
gave the superficial structures
of this thing all kinds of fanciful names,
of this thing all kinds of fanciful names,
38
120423
3807
beynin yüzeysel yapılarına, "denizatı"
anlamına gelen hipokampüs gibi
anlamına gelen hipokampüs gibi
02:16
like hippocampus, meaning "little shrimp."
39
124254
2433
birçok tuhaf isim vermişler.
02:18
But of course that sort of thing
doesn't tell us very much
doesn't tell us very much
40
126711
2764
Fakat bu bize aslında içinde ne olduğu
02:21
about what's actually going on inside.
41
129499
2318
hakkında pek bir şey ifade etmiyor.
02:24
The first person who, I think, really
developed some kind of insight
developed some kind of insight
42
132780
3613
Bence beyinde ne olduğuna dair gerçekten
bir bakış açısı geliştiren ilk kişi,
bir bakış açısı geliştiren ilk kişi,
02:28
into what was going on in the brain
43
136417
1930
19. yüzyılda beyindeki bireysel hücrelerin
02:30
was the great Spanish neuroanatomist,
Santiago Ramón y Cajal,
Santiago Ramón y Cajal,
44
138371
3920
morfolojilerini (yapı) anlamaya
başlamak için
başlamak için
02:34
in the 19th century,
45
142315
1544
mikroskop ve
02:35
who used microscopy and special stains
46
143883
3755
bu hücreleri yüksek kontrastta
02:39
that could selectively fill in
or render in very high contrast
or render in very high contrast
47
147662
4170
titizlikle doldurabilen ya da
eritebilen özel kimyasallar kullanan,
eritebilen özel kimyasallar kullanan,
02:43
the individual cells in the brain,
48
151856
2008
büyük İspanyol nöro-anatomist
02:45
in order to start to understand
their morphologies.
their morphologies.
49
153888
3154
Santiago Ramón y Cajal'dır.
02:49
And these are the kinds of drawings
that he made of neurons
that he made of neurons
50
157972
2891
Bunlar da 19. yy'da nöronlardan
(sinir hücresi) yaptığı
(sinir hücresi) yaptığı
02:52
in the 19th century.
51
160887
1209
çizimler.
02:54
This is from a bird brain.
52
162120
1884
Bir kuş beyninden alıntı.
02:56
And you see this incredible variety
of different sorts of cells,
of different sorts of cells,
53
164028
3057
Bu inanılmaz farklı çeşitlikteki
hücreleri görüyorsunuz,
hücreleri görüyorsunuz,
02:59
even the cellular theory itself
was quite new at this point.
was quite new at this point.
54
167109
3435
hücre teorisi bile o zaman çok yeniydi.
03:02
And these structures,
55
170568
1278
Bu yapılar,
03:03
these cells that have these arborizations,
56
171870
2259
dallanmaların olduğu hücreler,
03:06
these branches that can go
very, very long distances --
very, very long distances --
57
174153
2608
çok çok uzağa gidebilen dallar
03:08
this was very novel at the time.
58
176785
1616
o zamanlar çok yeniydi.
03:10
They're reminiscent, of course, of wires.
59
178779
2903
Tabii ki de kabloları andırıyorlar.
03:13
That might have been obvious
to some people in the 19th century;
to some people in the 19th century;
60
181706
3457
19. yy'da bu bazı insanlar
için açık ve netti;
için açık ve netti;
03:17
the revolutions of wiring and electricity
were just getting underway.
were just getting underway.
61
185187
4314
kabloların ve elektriğin devrimi
yeni bir yolculuğa başlıyordu.
yeni bir yolculuğa başlıyordu.
03:21
But in many ways,
62
189964
1178
Fakat birçok açıdan
03:23
these microanatomical drawings
of Ramón y Cajal's, like this one,
of Ramón y Cajal's, like this one,
63
191166
3313
örnekteki gibi Ramón y Cajal'ın
mikroanatomik çizimleri
mikroanatomik çizimleri
03:26
they're still in some ways unsurpassed.
64
194503
2332
hâlâ bazı açılardan emsalsiz.
03:28
We're still more than a century later,
65
196859
1854
Ramón y Cajal'ın başladığı işi bitirmeye
03:30
trying to finish the job
that Ramón y Cajal started.
that Ramón y Cajal started.
66
198737
2825
çabalarken hâlâ yüzyıl
sonrasından daha uzağız.
sonrasından daha uzağız.
03:33
These are raw data from our collaborators
67
201586
3134
Bunlar Max Planck Sinirbilim
Enstitüsü'ndeki
Enstitüsü'ndeki
03:36
at the Max Planck Institute
of Neuroscience.
of Neuroscience.
68
204744
2881
ortaklarımızdan gelen ham verilerdir.
03:39
And what our collaborators have done
69
207649
1790
Ortaklarımızın yaptığı şey
03:41
is to image little pieces of brain tissue.
70
209463
5001
beyin dokusunun küçük parçalarını
hayal etmekti.
hayal etmekti.
03:46
The entire sample here
is about one cubic millimeter in size,
is about one cubic millimeter in size,
71
214488
3326
Buradaki tüm örnek boyutun yaklaşık
bir milimetre kübü ve
bir milimetre kübü ve
03:49
and I'm showing you a very,
very small piece of it here.
very small piece of it here.
72
217838
2621
size bunun çok ama çok küçük
bir parçasını gösteriyorum.
bir parçasını gösteriyorum.
03:52
That bar on the left is about one micron.
73
220483
2346
Sol taraftaki çizgi yaklaşık bir mikron.
03:54
The structures you see are mitochondria
74
222853
2409
Gördüğünüz yapılar bakteri boyutundaki
03:57
that are the size of bacteria.
75
225286
2044
mitokondriler.
03:59
And these are consecutive slices
76
227354
1551
Bunlar çok çok ince olan
04:00
through this very, very
tiny block of tissue.
tiny block of tissue.
77
228929
3148
doku bloklarındaki
ard arda gelen dilimler.
ard arda gelen dilimler.
04:04
Just for comparison's sake,
78
232101
2403
Sadece karşılaştırmak amacıyla,
04:06
the diameter of an average strand
of hair is about 100 microns.
of hair is about 100 microns.
79
234528
3792
ortalama bir saç telinin çapı
yaklaşık 100 mikron.
yaklaşık 100 mikron.
04:10
So we're looking at something
much, much smaller
much, much smaller
80
238344
2274
Yani tek bir saç telinden çok çok
04:12
than a single strand of hair.
81
240642
1398
küçük bir şey arıyoruz.
04:14
And from these kinds of serial
electron microscopy slices,
electron microscopy slices,
82
242064
4031
Bir bilim insanı bu çeşit seri
elektron mikroskopi dilimlerinden
elektron mikroskopi dilimlerinden
04:18
one can start to make reconstructions
in 3D of neurons that look like these.
in 3D of neurons that look like these.
83
246119
5008
bunlara benzeyen üç boyutlu nöronlarda
yeniden yapılandırmaya başlayabilir.
yeniden yapılandırmaya başlayabilir.
04:23
So these are sort of in the same
style as Ramón y Cajal.
style as Ramón y Cajal.
84
251151
3157
Sonucunda bunlar Ramón y Cajal'la
aynı tarzda.
aynı tarzda.
04:26
Only a few neurons lit up,
85
254332
1492
Sadece birkaç nöron parlıyor,
04:27
because otherwise we wouldn't
be able to see anything here.
be able to see anything here.
86
255848
2781
yoksa burada hiçbir şey göremezdik.
04:30
It would be so crowded,
87
258653
1312
Çok kalabalık olurdu,
04:31
so full of structure,
88
259989
1330
bir nöronu diğer bir nörona
04:33
of wiring all connecting
one neuron to another.
one neuron to another.
89
261343
2724
bağlayan yapılarla dolu.
04:37
So Ramón y Cajal was a little bit
ahead of his time,
ahead of his time,
90
265293
2804
Ramón y Cajal zamanının biraz
ilerisindeydi
ilerisindeydi
04:40
and progress on understanding the brain
91
268121
2555
ve beyni anlamadaki ilerlemesini
04:42
proceeded slowly
over the next few decades.
over the next few decades.
92
270700
2271
önündeki birkaç 10 yıl boyunca sürdürdü.
04:45
But we knew that neurons used electricity,
93
273455
2853
Nöronların elektrik kullandığını
biliyorduk ve
biliyorduk ve
04:48
and by World War II, our technology
was advanced enough
was advanced enough
94
276332
2936
2. Dünya Savaşı'yla teknolojimiz nasıl
çalıştıklarını daha iyi
çalıştıklarını daha iyi
04:51
to start doing real electrical
experiments on live neurons
experiments on live neurons
95
279292
2806
anlamak için canlı nöronlarda gerçek
elektrikli deneyleri
elektrikli deneyleri
04:54
to better understand how they worked.
96
282122
2106
yapmaya başlayacak kadar gelişmişti.
04:56
This was the very same time
when computers were being invented,
when computers were being invented,
97
284631
4356
Bu tam da bilgisayarların;
bilgisayar biliminin fikir
bilgisayar biliminin fikir
05:01
very much based on the idea
of modeling the brain --
of modeling the brain --
98
289011
3100
öncülerinden biri olan
Alan Turing'in deyimiyle
Alan Turing'in deyimiyle
05:04
of "intelligent machinery,"
as Alan Turing called it,
as Alan Turing called it,
99
292135
3085
beyin modelleme fikrine dayanan
"akıllı makinelerin"
"akıllı makinelerin"
icadıyla aynı dönemdi.
05:07
one of the fathers of computer science.
100
295244
1991
Warren McCulloch ve Walter Pitts,
Ramón y Cajal'ın burada gösterdiğim
Ramón y Cajal'ın burada gösterdiğim
05:09
Warren McCulloch and Walter Pitts
looked at Ramón y Cajal's drawing
looked at Ramón y Cajal's drawing
101
297923
4632
05:14
of visual cortex,
102
302579
1317
görme korteksinin (merkezi)
05:15
which I'm showing here.
103
303920
1562
çizimlerine baktı.
05:17
This is the cortex that processes
imagery that comes from the eye.
imagery that comes from the eye.
104
305506
4442
Bu korteks gözden gelen
görüntüleri işliyor.
görüntüleri işliyor.
05:22
And for them, this looked
like a circuit diagram.
like a circuit diagram.
105
310424
3508
Onlar için bu devre şeması gibiydi.
05:26
So there are a lot of details
in McCulloch and Pitts's circuit diagram
in McCulloch and Pitts's circuit diagram
106
314353
3835
Bu yüzden McCulloch ve Pitts'in
devre şemasında
devre şemasında
tamamen doğru olmayan
birçok detay bulunmakta.
birçok detay bulunmakta.
05:30
that are not quite right.
107
318212
1352
05:31
But this basic idea
108
319588
1235
Ama bu temel
05:32
that visual cortex works like a series
of computational elements
of computational elements
109
320847
3992
görme korteksinin hesaplama
elemanları serisi gibi
elemanları serisi gibi
05:36
that pass information
one to the next in a cascade,
one to the next in a cascade,
110
324863
2746
çalışarak sonrakine
ard arda bilgi aktarması fikri
ard arda bilgi aktarması fikri
05:39
is essentially correct.
111
327633
1602
temelde doğrudur.
05:41
Let's talk for a moment
112
329259
2350
Biraz görsel bilgi işleme için modelin
05:43
about what a model for processing
visual information would need to do.
visual information would need to do.
113
331633
4032
ne yapması gerektiğinden bahsedelim.
05:48
The basic task of perception
114
336228
2741
Algının temel görevi
05:50
is to take an image like this one and say,
115
338993
4194
bu gibi bir resme bakıp şöyle demektir,
05:55
"That's a bird,"
116
343211
1176
"Bu bir kuş."
05:56
which is a very simple thing
for us to do with our brains.
for us to do with our brains.
117
344411
2874
ki bu bizim beyinlerimizle
yaptığımız çok kolay bir şeydir.
yaptığımız çok kolay bir şeydir.
05:59
But you should all understand
that for a computer,
that for a computer,
118
347309
3421
Ama şunu anlamalısınız ki
bilgisayar için,
bilgisayar için,
06:02
this was pretty much impossible
just a few years ago.
just a few years ago.
119
350754
3087
birkaç yıl önce neredeyse imkânsızdı.
06:05
The classical computing paradigm
120
353865
1916
Klasik hesaplama paradigması
06:07
is not one in which
this task is easy to do.
this task is easy to do.
121
355805
2507
bu işi kolay yapanlardan
biri değil.
biri değil.
06:11
So what's going on between the pixels,
122
359366
2552
Pikseller arasında,
06:13
between the image of the bird
and the word "bird,"
and the word "bird,"
123
361942
4028
kuş resmi ve "kuş" kelimesi
arasında olan,
arasında olan,
06:17
is essentially a set of neurons
connected to each other
connected to each other
124
365994
2814
temelde sinir ağında birbirine bağlı
06:20
in a neural network,
125
368832
1155
nöronlar kümesidir,
06:22
as I'm diagramming here.
126
370011
1223
burada şemalaştırdığım gibi.
06:23
This neural network could be biological,
inside our visual cortices,
inside our visual cortices,
127
371258
3272
Bu sinir ağı, görme kortekslerimizin
içerisinde, biyolojik olabilir
içerisinde, biyolojik olabilir
06:26
or, nowadays, we start
to have the capability
to have the capability
128
374554
2162
veya günümüzde, bu gibi
sinir ağları modelleme
sinir ağları modelleme
06:28
to model such neural networks
on the computer.
on the computer.
129
376740
2454
kapasitesine sahip olmaya
başladık bilgisayarlarda.
başladık bilgisayarlarda.
Size gerçekte nasıl
göründüğünü açıklayacağım.
göründüğünü açıklayacağım.
06:31
And I'll show you what
that actually looks like.
that actually looks like.
130
379834
2353
06:34
So the pixels you can think
about as a first layer of neurons,
about as a first layer of neurons,
131
382211
3416
Pikselleri nöronların ilk
katmanı gibi düşünebilirsiniz
katmanı gibi düşünebilirsiniz
06:37
and that's, in fact,
how it works in the eye --
how it works in the eye --
132
385651
2239
ve aslında gözde de
bu şekilde işler --
bu şekilde işler --
06:39
that's the neurons in the retina.
133
387914
1663
bunlar retinadaki nöronlar.
06:41
And those feed forward
134
389601
1500
İleri beslenir
06:43
into one layer after another layer,
after another layer of neurons,
after another layer of neurons,
135
391125
3403
bir katmandan diğer katmana,
ardından diğer farklı ağırlıklı
ardından diğer farklı ağırlıklı
06:46
all connected by synapses
of different weights.
of different weights.
136
394552
3033
sinapslarla birbirine bağlı
olan nöronlar katmanına.
olan nöronlar katmanına.
06:49
The behavior of this network
137
397609
1335
Bu ağın davranışı
06:50
is characterized by the strengths
of all of those synapses.
of all of those synapses.
138
398968
3284
tüm bu sinapsların gücü ile
karakterize edilir.
karakterize edilir.
06:54
Those characterize the computational
properties of this network.
properties of this network.
139
402276
3288
Ağın hesaplama gücün özelliklerini
karakterize ederler.
karakterize ederler.
06:57
And at the end of the day,
140
405588
1470
Günün sonunda,
06:59
you have a neuron
or a small group of neurons
or a small group of neurons
141
407082
2447
tek bir nöron veya küçük bir
nöron grubunuz olur,
nöron grubunuz olur,
07:01
that light up, saying, "bird."
142
409553
1647
"Kuş" sözü ile parlayan.
07:03
Now I'm going to represent
those three things --
those three things --
143
411824
3132
Şimdi şu üç şeyi tasvir edeceğim--
07:06
the input pixels and the synapses
in the neural network,
in the neural network,
144
414980
4696
giriş pikselleri ve
sinir ağındaki sinapslar
sinir ağındaki sinapslar
07:11
and bird, the output --
145
419700
1585
ve kuş yani çıktı verisi --
07:13
by three variables: x, w and y.
146
421309
3057
şu üç değişkenle: x, w ve y.
Belki de bir milyon
ya da civarında x --
ya da civarında x --
07:16
There are maybe a million or so x's --
147
424853
1811
07:18
a million pixels in that image.
148
426688
1953
o görüntüde bir milyon piksel var.
07:20
There are billions or trillions of w's,
149
428665
2446
Milyarlarca ya da trilyonlarca w'lar var
07:23
which represent the weights of all
these synapses in the neural network.
these synapses in the neural network.
150
431135
3421
sinir ağındaki tüm bu sinapsların
ağırlıklarını gösteren.
ağırlıklarını gösteren.
07:26
And there's a very small number of y's,
151
434580
1875
Az sayıda y'ler var,
07:28
of outputs that that network has.
152
436479
1858
ağın çıktısı olarak.
07:30
"Bird" is only four letters, right?
153
438361
1749
"Kuş" (Bird) sadece 4 harfli değil mi?
07:33
So let's pretend that this
is just a simple formula,
is just a simple formula,
154
441088
3426
Bunun basit bir formül olduğunu
farz edelim:
farz edelim:
07:36
x "x" w = y.
155
444538
2163
x "x" w = y.
07:38
I'm putting the times in scare quotes
156
446725
2036
Çarpım işaretini tırnak
arasına aldım çünkü
arasına aldım çünkü
07:40
because what's really
going on there, of course,
going on there, of course,
157
448785
2280
orada tam olarak olan, şüphesiz,
07:43
is a very complicated series
of mathematical operations.
of mathematical operations.
158
451089
3046
matematiksel operasyonların
çok karmaşık serileridir.
çok karmaşık serileridir.
07:47
That's one equation.
159
455172
1221
Bu, bir denklem.
07:48
There are three variables.
160
456417
1672
Üç değişken var.
07:50
And we all know
that if you have one equation,
that if you have one equation,
161
458113
2726
Hepimizin bildiği gibi
eğer bir denklemin varsa,
eğer bir denklemin varsa,
07:52
you can solve one variable
by knowing the other two things.
by knowing the other two things.
162
460863
3642
diğer ikisini bilerek, bir değişkeni
bulabilirsin.
bulabilirsin.
07:57
So the problem of inference,
163
465158
3380
Çıkarım sorunu ise
08:00
that is, figuring out
that the picture of a bird is a bird,
that the picture of a bird is a bird,
164
468562
2873
kuş resminde kuş olduğunu çıkarmakta.
08:03
is this one:
165
471459
1274
Bu ise:
08:04
it's where y is the unknown
and w and x are known.
and w and x are known.
166
472757
3459
y bilinmeyen, w ve x biliniyor.
08:08
You know the neural network,
you know the pixels.
you know the pixels.
167
476240
2459
Sinir ağını biliyorsunuz,
pikselleri biliyorsunuz.
pikselleri biliyorsunuz.
08:10
As you can see, that's actually
a relatively straightforward problem.
a relatively straightforward problem.
168
478723
3327
Görüldüğü gibi nispeten
anlaşılır bir problem.
anlaşılır bir problem.
08:14
You multiply two times three
and you're done.
and you're done.
169
482074
2186
3 ile 2'yi çarpıyorsunuz ve bitiyor.
08:16
I'll show you an artificial neural network
170
484862
2123
Geçenlerde oluşturduğumuz,
aynısını yapan
aynısını yapan
08:19
that we've built recently,
doing exactly that.
doing exactly that.
171
487009
2296
yapay bir sinir ağı göstereceğim size.
08:21
This is running in real time
on a mobile phone,
on a mobile phone,
172
489634
2860
Gerçek zamanlı olarak
cep telefonunda işletiliyor
cep telefonunda işletiliyor
08:24
and that's, of course,
amazing in its own right,
amazing in its own right,
173
492518
3313
ve elbette başlı başına harika,
08:27
that mobile phones can do so many
billions and trillions of operations
billions and trillions of operations
174
495855
3468
cep telefonlarının saniyede
milyarlarca ve trilyonlarca işlemi
milyarlarca ve trilyonlarca işlemi
08:31
per second.
175
499347
1248
yapabiliyor olması.
08:32
What you're looking at is a phone
176
500619
1615
Seyrettiğiniz, art arda
08:34
looking at one after another
picture of a bird,
picture of a bird,
177
502258
3547
kuş resimlerinin olduğu bir telefon
08:37
and actually not only saying,
"Yes, it's a bird,"
"Yes, it's a bird,"
178
505829
2715
ve aslında sadece "Evet, bu bir kuş,"
demekle kalmıyor
demekle kalmıyor
08:40
but identifying the species of bird
with a network of this sort.
with a network of this sort.
179
508568
3411
hatta ağ ile kuşun
cinsini de tanımlıyor.
cinsini de tanımlıyor.
08:44
So in that picture,
180
512890
1826
Resimde,
08:46
the x and the w are known,
and the y is the unknown.
and the y is the unknown.
181
514740
3802
x ve w biliniyor,
y bilinmiyor.
y bilinmiyor.
08:50
I'm glossing over the very
difficult part, of course,
difficult part, of course,
182
518566
2508
Zor kısmını gizliyorum, tabii ki,
08:53
which is how on earth
do we figure out the w,
do we figure out the w,
183
521098
3861
w'yi nasıl hesaplayabiliriz,
08:56
the brain that can do such a thing?
184
524983
2187
beyin böyle bir şeyi nasıl yapabilir?
08:59
How would we ever learn such a model?
185
527194
1834
Böyle bir modeli nasıl öğrenebiliriz?
09:01
So this process of learning,
of solving for w,
of solving for w,
186
529418
3233
Bu öğrenme, w'yi
hesaplama sürecinde
hesaplama sürecinde
09:04
if we were doing this
with the simple equation
with the simple equation
187
532675
2647
sayı olarak düşündüğümüz o
09:07
in which we think about these as numbers,
188
535346
2000
basit denklemdeki gibi yapsaydık,
09:09
we know exactly how to do that: 6 = 2 x w,
189
537370
2687
kesin olarak yapılışını bilirdik: 6=2 x w,
09:12
well, we divide by two and we're done.
190
540081
3312
2'ye böleriz ve biter.
09:16
The problem is with this operator.
191
544001
2220
Problem bu işaret ile.
09:18
So, division --
192
546823
1151
Bölme --
09:19
we've used division because
it's the inverse to multiplication,
it's the inverse to multiplication,
193
547998
3121
bölmeyi kullandık çünkü
çarpmanın tersi,
çarpmanın tersi,
09:23
but as I've just said,
194
551143
1440
ama bahsettiğim gibi
09:24
the multiplication is a bit of a lie here.
195
552607
2449
buradaki çarpma biraz göstermelik.
09:27
This is a very, very complicated,
very non-linear operation;
very non-linear operation;
196
555080
3326
Bu oldukça karmaşık, doğrusal
olmayan bir işlem;
olmayan bir işlem;
09:30
it has no inverse.
197
558430
1704
tersi yok.
09:32
So we have to figure out a way
to solve the equation
to solve the equation
198
560158
3150
Denklemi çözmek için
bir yol bulmalıyız
bir yol bulmalıyız
09:35
without a division operator.
199
563332
2024
bölme işlemi olmadan.
09:37
And the way to do that
is fairly straightforward.
is fairly straightforward.
200
565380
2343
Ve bunu yapmanın yolu gayet açık.
09:39
You just say, let's play
a little algebra trick,
a little algebra trick,
201
567747
2671
Biraz cebir hilesi yapalım diyebiliriz
09:42
and move the six over
to the right-hand side of the equation.
to the right-hand side of the equation.
202
570442
2906
ve 6'yı denklemin
sağ tarafına taşıyalım.
sağ tarafına taşıyalım.
09:45
Now, we're still using multiplication.
203
573372
1826
Hâlâ çarpma işlemini kullanıyoruz.
09:47
And that zero -- let's think
about it as an error.
about it as an error.
204
575675
3580
0'ı hata olarak düşünelim.
09:51
In other words, if we've solved
for w the right way,
for w the right way,
205
579279
2515
Yani, w'yi doğru bulursak
09:53
then the error will be zero.
206
581818
1656
hata 0 olacaktır.
09:55
And if we haven't gotten it quite right,
207
583498
1938
Doğru bulamazsak,
09:57
the error will be greater than zero.
208
585460
1749
hata 0'dan büyük olacaktır.
09:59
So now we can just take guesses
to minimize the error,
to minimize the error,
209
587233
3366
Şimdi hatayı minimize etmek için
tahminlerde bulunabiliriz
tahminlerde bulunabiliriz
10:02
and that's the sort of thing
computers are very good at.
computers are very good at.
210
590623
2687
ki bu da bilgisayarların iyi
olduğu bir alan.
olduğu bir alan.
10:05
So you've taken an initial guess:
211
593334
1593
Başka bir tahminde bulundunuz:
10:06
what if w = 0?
212
594951
1156
Farz edelim w=0 olsun.
10:08
Well, then the error is 6.
213
596131
1240
O zaman hata 6 olur.
10:09
What if w = 1? The error is 4.
214
597395
1446
Ya w=1 olursa?
Hata 4 olur.
Hata 4 olur.
10:10
And then the computer can
sort of play Marco Polo,
sort of play Marco Polo,
215
598865
2367
O zaman bilgisayar bir çeşit
körebe (Marco Polo)
körebe (Marco Polo)
10:13
and drive down the error close to zero.
216
601256
2367
oynayabilir ve hatayı
0'a yakınlaştırabilir.
0'a yakınlaştırabilir.
10:15
As it does that, it's getting
successive approximations to w.
successive approximations to w.
217
603647
3374
Bunu yaparken de w
için ardışık yaklaşıklama elde eder.
için ardışık yaklaşıklama elde eder.
10:19
Typically, it never quite gets there,
but after about a dozen steps,
but after about a dozen steps,
218
607045
3656
Genellikle tam olarak ulaşamaz
ama bir düzine aşamadan sonra
ama bir düzine aşamadan sonra
10:22
we're up to w = 2.999,
which is close enough.
which is close enough.
219
610725
4624
w=2,999 'e kadar geldik
ki bu da yeterince yakın.
ki bu da yeterince yakın.
10:28
And this is the learning process.
220
616302
1814
Bu öğrenme süreci.
10:30
So remember that what's been going on here
221
618140
2730
Unutmayın, burada yaptığımız;
10:32
is that we've been taking
a lot of known x's and known y's
a lot of known x's and known y's
222
620894
4378
birçok bilinen x ve y ile
10:37
and solving for the w in the middle
through an iterative process.
through an iterative process.
223
625296
3454
ortadaki w'yi yinelemeli
süreç boyunca çözüyoruz.
süreç boyunca çözüyoruz.
10:40
It's exactly the same way
that we do our own learning.
that we do our own learning.
224
628774
3556
Öğrenirken yaptıklarımızla
tamamen aynı.
tamamen aynı.
10:44
We have many, many images as babies
225
632354
2230
Bebekliğimizden birçok anımız vardır,
10:46
and we get told, "This is a bird;
this is not a bird."
this is not a bird."
226
634608
2633
bize "Bu kuş; bu kuş değil." denen.
10:49
And over time, through iteration,
227
637714
2098
Ve zamanla, yinelemeler boyunca
10:51
we solve for w, we solve
for those neural connections.
for those neural connections.
228
639836
2928
w'yi çözüyoruz, sinirsel bağlantıları
çözüyoruz.
çözüyoruz.
10:55
So now, we've held
x and w fixed to solve for y;
x and w fixed to solve for y;
229
643460
4086
Şimdi, y'yi çözmek için
sabit x ve w'ye sahibiz
sabit x ve w'ye sahibiz
10:59
that's everyday, fast perception.
230
647570
1847
ki bu da her gün, hızlı algılama.
11:01
We figure out how we can solve for w,
231
649441
1763
W'yi nasıl çözebileceğimizi buluyoruz
11:03
that's learning, which is a lot harder,
232
651228
1903
ki bu da çok daha zor olan öğrenmedir,
11:05
because we need to do error minimization,
233
653155
1985
çünkü hata küçültme yapmamız gerekir,
11:07
using a lot of training examples.
234
655164
1687
birçok eğitim örnekleri kullanarak.
11:08
And about a year ago,
Alex Mordvintsev, on our team,
Alex Mordvintsev, on our team,
235
656875
3187
Yaklaşık bir yıl önce,
ekibimizden Alex Mordvintsev
ekibimizden Alex Mordvintsev
11:12
decided to experiment
with what happens if we try solving for x,
with what happens if we try solving for x,
236
660086
3550
bilinen bir w ve y ile x'i
çözmeye çalışırsak ne olacağını
çözmeye çalışırsak ne olacağını
11:15
given a known w and a known y.
237
663660
2037
görmek için deney yapmaya karar verdi.
11:18
In other words,
238
666124
1151
Diğer bir deyişle,
11:19
you know that it's a bird,
239
667299
1352
kuş olduğunu biliyorsunuz
11:20
and you already have your neural network
that you've trained on birds,
that you've trained on birds,
240
668675
3303
ve kuşlar üzerine eğitilen sinir ağınızda
zaten bulunmakta,
zaten bulunmakta,
11:24
but what is the picture of a bird?
241
672002
2344
ancak kuşun resmi nedir?
11:27
It turns out that by using exactly
the same error-minimization procedure,
the same error-minimization procedure,
242
675034
5024
Aynı hata küçültme işlemini kullanarak,
kuşları tanımlamak
kuşları tanımlamak
11:32
one can do that with the network
trained to recognize birds,
trained to recognize birds,
243
680082
3430
için eğitilen ağ ile
yapılabileceği sonucu ortaya çıkar,
yapılabileceği sonucu ortaya çıkar,
11:35
and the result turns out to be ...
244
683536
3388
ve sonuç ise ...
11:42
a picture of birds.
245
690400
1305
kuş resmi olur.
11:44
So this is a picture of birds
generated entirely by a neural network
generated entirely by a neural network
246
692814
3737
Yani bu, tamamen kuşları tanımlamak üzere
eğitilen sinir ağı
eğitilen sinir ağı
11:48
that was trained to recognize birds,
247
696575
1826
tarafından üretilen kuşların resmidir,
11:50
just by solving for x
rather than solving for y,
rather than solving for y,
248
698425
3538
özyinelemeli olarak yalnızca
y'yi hesaplamak yerine
y'yi hesaplamak yerine
11:53
and doing that iteratively.
249
701987
1288
x'in hesaplanmasıyla.
11:55
Here's another fun example.
250
703732
1847
Bir diğer enteresan örnek.
11:57
This was a work made
by Mike Tyka in our group,
by Mike Tyka in our group,
251
705603
3437
Ekibimizden Mike Tyka
tarafından yapılan bir çalışma,
tarafından yapılan bir çalışma,
12:01
which he calls "Animal Parade."
252
709064
2308
"Hayvan Defilesi" olarak adlandırdığı.
12:03
It reminds me a little bit
of William Kentridge's artworks,
of William Kentridge's artworks,
253
711396
2876
Bana biraz William Kentridge'in
çalışmalarını hatırlatıyor,
çalışmalarını hatırlatıyor,
12:06
in which he makes sketches, rubs them out,
254
714296
2489
eskizleri yapıp sildiği,
12:08
makes sketches, rubs them out,
255
716809
1460
yapıp sildiği
12:10
and creates a movie this way.
256
718293
1398
ve bu şekilde film yaptığı.
12:11
In this case,
257
719715
1151
Bu durumda,
12:12
what Mike is doing is varying y
over the space of different animals,
over the space of different animals,
258
720890
3277
Mike, farklı hayvanların üzerindeki
boşluklarda y'yi değiştiriyor,
boşluklarda y'yi değiştiriyor,
farklı hayvanları birbirinden
ayırmak ve onları
ayırmak ve onları
12:16
in a network designed
to recognize and distinguish
to recognize and distinguish
259
724191
2382
tanımlamak için tasarlanmış bir ağda.
12:18
different animals from each other.
260
726597
1810
Bu tuhaf, Escher'imsi bir hayvandan
diğerine biçimler elde edilir.
diğerine biçimler elde edilir.
12:20
And you get this strange, Escher-like
morph from one animal to another.
morph from one animal to another.
261
728431
3751
12:26
Here he and Alex together
have tried reducing
have tried reducing
262
734221
4614
Burada o ve Alex birlikte y'leri yalnızca
12:30
the y's to a space of only two dimensions,
263
738859
2759
iki boyutlu uzaya indirgemeye çalıştı,
12:33
thereby making a map
out of the space of all things
out of the space of all things
264
741642
3438
ağ tarafından tanımlanan
12:37
recognized by this network.
265
745104
1719
boşluklarıyla planlama yaparak.
12:38
Doing this kind of synthesis
266
746847
2023
Bu şekilde tüm yüzey üzerinde
12:40
or generation of imagery
over that entire surface,
over that entire surface,
267
748894
2382
bir sentez ya da imgelem kuşağıyla,
12:43
varying y over the surface,
you make a kind of map --
you make a kind of map --
268
751300
2846
yüzey üzerinde değişen y ile
bir çeşit harita yapıyorsunuz,
bir çeşit harita yapıyorsunuz,
12:46
a visual map of all the things
the network knows how to recognize.
the network knows how to recognize.
269
754170
3141
ağın nasıl tanımlayacağını bildiği
her şeyin görsel bir haritası.
her şeyin görsel bir haritası.
12:49
The animals are all here;
"armadillo" is right in that spot.
"armadillo" is right in that spot.
270
757335
2865
Bütün hayvanlar burada;
"armadillo" tam bu noktada.
"armadillo" tam bu noktada.
12:52
You can do this with other kinds
of networks as well.
of networks as well.
271
760919
2479
Bunu diğer ağlarla da yapabilirsiniz.
12:55
This is a network designed
to recognize faces,
to recognize faces,
272
763422
2874
Bu ağ yüzleri tanımlamak
için tasarlanmış,
için tasarlanmış,
12:58
to distinguish one face from another.
273
766320
2000
yüzleri birbirinden ayırt edebilmek için.
13:00
And here, we're putting
in a y that says, "me,"
in a y that says, "me,"
274
768344
3249
Buraya "ben" olarak y'yi koyuyoruz,
13:03
my own face parameters.
275
771617
1575
kendi yüz parametrelerim.
13:05
And when this thing solves for x,
276
773216
1706
X'i hesapladığında
13:06
it generates this rather crazy,
277
774946
2618
bu oldukça çılgın,
13:09
kind of cubist, surreal,
psychedelic picture of me
psychedelic picture of me
278
777588
4428
kübist gibi, gerçeküstü,
psikedelik resmimi üretiyor,
psikedelik resmimi üretiyor,
13:14
from multiple points of view at once.
279
782040
1806
birdenbire, çoklu görüş açılarından.
13:15
The reason it looks like
multiple points of view at once
multiple points of view at once
280
783870
2734
Çoklu görüş açılı gibi görünmesinin
sebebi ise ağın,
sebebi ise ağın,
13:18
is because that network is designed
to get rid of the ambiguity
to get rid of the ambiguity
281
786628
3687
yüzün şu pozda ya da bu
pozda ya da şu veya
pozda ya da şu veya
13:22
of a face being in one pose
or another pose,
or another pose,
282
790339
2476
bu şekilde aydınlatmada
olmasındaki anlaşmazlıktan
olmasındaki anlaşmazlıktan
13:24
being looked at with one kind of lighting,
another kind of lighting.
another kind of lighting.
283
792839
3376
kurtulmak için tasarlanmış olması.
13:28
So when you do
this sort of reconstruction,
this sort of reconstruction,
284
796239
2085
Bu tarz bir restorasyon yapacaksanız,
13:30
if you don't use some sort of guide image
285
798348
2304
kılavuz resim ya da istatistikler
13:32
or guide statistics,
286
800676
1211
kullanmazsanız,
13:33
then you'll get a sort of confusion
of different points of view,
of different points of view,
287
801911
3765
farklı görüş açılarında
bir tür bozulma elde edersiniz,
bir tür bozulma elde edersiniz,
13:37
because it's ambiguous.
288
805700
1368
çünkü belirsizdir.
13:39
This is what happens if Alex uses
his own face as a guide image
his own face as a guide image
289
807786
4223
Benim yüzümü iyileştirme sürecinde
Alex kendi yüzünü
Alex kendi yüzünü
13:44
during that optimization process
to reconstruct my own face.
to reconstruct my own face.
290
812033
3321
kılavuz resim olarak
kullandığında böyle oluyor.
kullandığında böyle oluyor.
13:48
So you can see it's not perfect.
291
816284
2328
Gördüğünüz gibi mükemmel değil.
13:50
There's still quite a lot of work to do
292
818636
1874
Hâlâ optimizasyon sürecini
13:52
on how we optimize
that optimization process.
that optimization process.
293
820534
2453
iyileştirmemiz için yapmamız
gereken çok iş var.
gereken çok iş var.
13:55
But you start to get something
more like a coherent face,
more like a coherent face,
294
823011
2827
Ama daha tutarlı bir yüze
erişmeye başlıyorsunuz yorumlamada
erişmeye başlıyorsunuz yorumlamada
13:57
rendered using my own face as a guide.
295
825862
2014
model olarak benim yüzüm kullanıldığında.
14:00
You don't have to start
with a blank canvas
with a blank canvas
296
828892
2501
Siyah bir tuvalle ya da beyaz gürültüyle
başlamak zorunda değilsiniz.
14:03
or with white noise.
297
831417
1156
14:04
When you're solving for x,
298
832597
1304
X'i bulmak için
14:05
you can begin with an x,
that is itself already some other image.
that is itself already some other image.
299
833925
3889
başka bir resimdeki x
ile başlayabilirsiniz.
ile başlayabilirsiniz.
14:09
That's what this little demonstration is.
300
837838
2556
Bu küçük gösterim de bununla ilgili.
14:12
This is a network
that is designed to categorize
that is designed to categorize
301
840418
4122
Bu ise her türden, birbirinden
farklı nesneleri kategorize etmek
farklı nesneleri kategorize etmek
14:16
all sorts of different objects --
man-made structures, animals ...
man-made structures, animals ...
302
844564
3119
için tasarlanmış bir ağ,
insan yapımı yapılar, hayvanlar gibi...
insan yapımı yapılar, hayvanlar gibi...
14:19
Here we're starting
with just a picture of clouds,
with just a picture of clouds,
303
847707
2593
Burada sadece bir bulut
resmi ile başlıyoruz
resmi ile başlıyoruz
14:22
and as we optimize,
304
850324
1671
ve optimize ettikçe,
14:24
basically, this network is figuring out
what it sees in the clouds.
what it sees in the clouds.
305
852019
4486
temel olarak bu ağ,
bulutlarda gördüklerini çözüyor.
bulutlarda gördüklerini çözüyor.
14:28
And the more time
you spend looking at this,
you spend looking at this,
306
856931
2320
Buna bakarak ne kadar
uzun süre harcarsanız,
uzun süre harcarsanız,
14:31
the more things you also
will see in the clouds.
will see in the clouds.
307
859275
2753
o kadar fazlasını göreceksiniz bulutlarda.
14:35
You could also use the face network
to hallucinate into this,
to hallucinate into this,
308
863004
3375
Aynı zamanda bulandırmak için
yüz ağını kullanabilir
yüz ağını kullanabilir
ve oldukça çılgın şeyler yapabilirsiniz.
14:38
and you get some pretty crazy stuff.
309
866403
1812
14:40
(Laughter)
310
868239
1150
(Gülüşmeler)
14:42
Or, Mike has done some other experiments
311
870401
2744
Veya Mike başka denemeler de yaptı,
14:45
in which he takes that cloud image,
312
873169
3905
denemelerde bulut resmini alıyor,
bulandırıyor, yakınlaştırıyor,
bulandırıyor, yakınlaştırıyor,
14:49
hallucinates, zooms, hallucinates,
zooms hallucinates, zooms.
zooms hallucinates, zooms.
313
877098
3507
bulandırıyor, yakınlaştırıyor,
bulandırıyor, yakınlaştırıyor.
bulandırıyor, yakınlaştırıyor.
14:52
And in this way,
314
880629
1151
Bu şekilde,
14:53
you can get a sort of fugue state
of the network, I suppose,
of the network, I suppose,
315
881804
3675
ağın bir çeşit füj evresini elde
edersiniz sanırım
edersiniz sanırım
14:57
or a sort of free association,
316
885503
3680
ya da bir çeşit serbest çağrışım
15:01
in which the network
is eating its own tail.
is eating its own tail.
317
889207
2227
ağın kendi kuyruğunu yediği.
15:03
So every image is now the basis for,
318
891458
3421
Yani şu an her resim
zemin oluşturmakta,
zemin oluşturmakta,
"Bir sonrakinde ne
yapmayı düşünüyorum?"
yapmayı düşünüyorum?"
15:06
"What do I think I see next?
319
894903
1421
15:08
What do I think I see next?
What do I think I see next?"
What do I think I see next?"
320
896348
2803
"Bir sonrakinde ne yapmayı düşünüyorum?"
15:11
I showed this for the first time in public
321
899487
2936
Bunu ilk kez alenen,
15:14
to a group at a lecture in Seattle
called "Higher Education" --
called "Higher Education" --
322
902447
5437
Seattle'da bir gruba "Yüksek Öğrenim"
adlı derste gösterdim
adlı derste gösterdim
15:19
this was right after
marijuana was legalized.
marijuana was legalized.
323
907908
2437
tam da esrarın
yasallaştırılmasından sonraydı.
yasallaştırılmasından sonraydı.
15:22
(Laughter)
324
910369
2415
(Gülüşmeler)
15:26
So I'd like to finish up quickly
325
914627
2104
Hızla bitirmek istiyorum,
15:28
by just noting that this technology
is not constrained.
is not constrained.
326
916755
4255
bu teknolojinin engellenmediğini
not ederek.
not ederek.
15:33
I've shown you purely visual examples
because they're really fun to look at.
because they're really fun to look at.
327
921034
3665
Tamamen görsel örnekler gösterdim,
çünkü bakması gerçekten eğlenceli.
çünkü bakması gerçekten eğlenceli.
15:36
It's not a purely visual technology.
328
924723
2451
Tamamen görsel bir teknoloji değil.
15:39
Our artist collaborator, Ross Goodwin,
329
927198
1993
Ressam ortağımız, Ross Goodwin,
15:41
has done experiments involving
a camera that takes a picture,
a camera that takes a picture,
330
929215
3671
resim çeken bir kamera ile
deneyler yaptı,
deneyler yaptı,
15:44
and then a computer in his backpack
writes a poem using neural networks,
writes a poem using neural networks,
331
932910
4234
resmin içeriğine bağlı olarak
sırtında sinir ağı kullanarak
sırtında sinir ağı kullanarak
15:49
based on the contents of the image.
332
937168
1944
şiir yazan bir bilgisayarla.
15:51
And that poetry neural network
has been trained
has been trained
333
939136
2947
O sinir ağı şiiri, büyük 20. yüzyıl
15:54
on a large corpus of 20th-century poetry.
334
942107
2234
şiir külliyatı üzerinde eğitilmiştir.
15:56
And the poetry is, you know,
335
944365
1499
Şiir, bence,
15:57
I think, kind of not bad, actually.
336
945888
1914
çok da kötü değil açıkcası.
15:59
(Laughter)
337
947826
1384
(Gülüşmeler)
16:01
In closing,
338
949234
1159
Kapanış olarak,
16:02
I think that per Michelangelo,
339
950417
2132
bence Michelangelo,
16:04
I think he was right;
340
952573
1234
bence haklıydı;
16:05
perception and creativity
are very intimately connected.
are very intimately connected.
341
953831
3436
algı ve yaratıcılık
derinlemesine bağlıdır.
derinlemesine bağlıdır.
Gördüklerimiz tamamen ayırt etmek
16:09
What we've just seen are neural networks
342
957611
2634
16:12
that are entirely trained to discriminate,
343
960269
2303
ya da dünyadaki farklı şeyleri
tanılamak için
tanılamak için
16:14
or to recognize different
things in the world,
things in the world,
344
962596
2242
tam tersi yönde çalışmak
16:16
able to be run in reverse, to generate.
345
964862
3161
ya da üretmek üzere eğitilmiştir.
16:20
One of the things that suggests to me
346
968047
1783
Aklıma gelenlerden bir tanesi ise
16:21
is not only that
Michelangelo really did see
Michelangelo really did see
347
969854
2398
Michelangelo gerçekten taş
içindeki bloklarda
içindeki bloklarda
16:24
the sculpture in the blocks of stone,
348
972276
2452
heykeli gördü, üstelik
16:26
but that any creature,
any being, any alien
any being, any alien
349
974752
3638
algısal davranışlar yapabilen
16:30
that is able to do
perceptual acts of that sort
perceptual acts of that sort
350
978414
3657
herhangi bir yaratık, varlık
ya da uzaylı da
ya da uzaylı da
16:34
is also able to create
351
982095
1375
keza üretebilir,
16:35
because it's exactly the same
machinery that's used in both cases.
machinery that's used in both cases.
352
983494
3224
çünkü iki durumda da kullanılan
tamamen aynı düzenek.
tamamen aynı düzenek.
16:38
Also, I think that perception
and creativity are by no means
and creativity are by no means
353
986742
4532
Aynı zamanda bence algı
ve yaratıcılık kesinlikle
ve yaratıcılık kesinlikle
16:43
uniquely human.
354
991298
1210
eşsiz olarak insani değil.
16:44
We start to have computer models
that can do exactly these sorts of things.
that can do exactly these sorts of things.
355
992532
3708
Bu tarz şeyleri yapabilecek bilgisayar
modellerine sahip olmaya başladık.
modellerine sahip olmaya başladık.
16:48
And that ought to be unsurprising;
the brain is computational.
the brain is computational.
356
996264
3328
Şaşırtıcı olmayan bir şekilde,
beyin hesaba dayalıdır.
beyin hesaba dayalıdır.
16:51
And finally,
357
999616
1657
Son olarak,
16:53
computing began as an exercise
in designing intelligent machinery.
in designing intelligent machinery.
358
1001297
4668
programlama akıllı makineleri
tasarlama alıştırmaları olarak başladı.
tasarlama alıştırmaları olarak başladı.
16:57
It was very much modeled after the idea
359
1005989
2462
Makineleri nasıl akıllı yapabiliriz
17:00
of how could we make machines intelligent.
360
1008475
3013
fikrinden sonra modellendi.
17:03
And we finally are starting to fulfill now
361
1011512
2162
Ve nihayet artık bazı o eski öncü
17:05
some of the promises
of those early pioneers,
of those early pioneers,
362
1013698
2406
vaatleri gerçekleştirmeye başlıyoruz,
17:08
of Turing and von Neumann
363
1016128
1713
Turing'in, von Neumann'nın,
17:09
and McCulloch and Pitts.
364
1017865
2265
McCulloch'ın ve Pitts'in.
17:12
And I think that computing
is not just about accounting
is not just about accounting
365
1020154
4098
Ve bence programlama
sadece hesaplama
sadece hesaplama
17:16
or playing Candy Crush or something.
366
1024276
2147
ya da Candy Crush oynama değildir.
17:18
From the beginning,
we modeled them after our minds.
we modeled them after our minds.
367
1026447
2578
Başından beri,
onları zihnimize benzer modelledik.
onları zihnimize benzer modelledik.
17:21
And they give us both the ability
to understand our own minds better
to understand our own minds better
368
1029049
3269
Onlar da bize hem kendi
zihinlerimizi anlama, hem de
zihinlerimizi anlama, hem de
17:24
and to extend them.
369
1032342
1529
geliştirme kabiliyetini verdiler.
17:26
Thank you very much.
370
1034627
1167
Çok teşekkürler.
17:27
(Applause)
371
1035818
5939
(Alkışlar)
ABOUT THE SPEAKER
Blaise Agüera y Arcas - Software architectBlaise Agüera y Arcas works on machine learning at Google. Previously a Distinguished Engineer at Microsoft, he has worked on augmented reality, mapping, wearable computing and natural user interfaces.
Why you should listen
Blaise Agüera y Arcas is principal scientist at Google, where he leads a team working on machine intelligence for mobile devices. His group works extensively with deep neural nets for machine perception and distributed learning, and it also investigates so-called "connectomics" research, assessing maps of connections within the brain.
Agüera y Arcas' background is as multidimensional as the visions he helps create. In the 1990s, he authored patents on both video compression and 3D visualization techniques, and in 2001, he made an influential computational discovery that cast doubt on Gutenberg's role as the father of movable type.
He also created Seadragon (acquired by Microsoft in 2006), the visualization technology that gives Photosynth its amazingly smooth digital rendering and zoom capabilities. Photosynth itself is a vastly powerful piece of software capable of taking a wide variety of images, analyzing them for similarities, and grafting them together into an interactive three-dimensional space. This seamless patchwork of images can be viewed via multiple angles and magnifications, allowing us to look around corners or “fly” in for a (much) closer look. Simply put, it could utterly transform the way we experience digital images.
He joined Microsoft when Seadragon was acquired by Live Labs in 2006. Shortly after the acquisition of Seadragon, Agüera y Arcas directed his team in a collaboration with Microsoft Research and the University of Washington, leading to the first public previews of Photosynth several months later. His TED Talk on Seadragon and Photosynth in 2007 is rated one of TED's "most jaw-dropping." He returned to TED in 2010 to demo Bing’s augmented reality maps.
Fun fact: According to the author, Agüera y Arcas is the inspiration for the character Elgin in the 2012 best-selling novel Where'd You Go, Bernadette?
Blaise Agüera y Arcas | Speaker | TED.com