TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Джеремі Говард: Плюси та мінуси використання комп'ютерів, які самі вчаться
Filmed:
Readability: 4.5
2,532,971 views
Що станеться зі світом, в якому комп’ютери будуть самі вчитися? Експерт Джеремі Говард дивує новими розробками в області глибинного навчання, яка зараз бурхливо розвивається. Глибинне навчання – технологія, завдяки якій комп’ютери вчать китайську, розпізнають деталі фотографій, або допомагають у медичній діагностиці. (Один інструмент глибинного навчання багато годин дивився відео в YouTube і зрозумів концепцію "кішки"). Дізнайтесь з перших рук, як зміниться світ комп’ютерів у майбутньому. Це трапиться ще швидше, ніж ви гадаєте.
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
Колись, щоб комп'ютер
для вас щось зробив,
для вас щось зробив,
його потрібно було спочатку
запрограмувати.
запрограмувати.
00:16
you would have to program it.
1
4893
1554
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Тим з присутніх, хто ніколи сам не програмував,
я поясню, що для цього
я поясню, що для цього
00:21
requires laying out in excruciating detail
3
9858
3502
доводиться до найменших
подробиць описувати
подробиць описувати
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
кожну-кожнісіньку комп'ютерну команду,
00:28
in order to achieve your goal.
5
16727
2362
щоб досягнути своєї мети.
00:31
Now, if you want to do something
that you don't know how to do yourself,
that you don't know how to do yourself,
6
19089
3496
А якщо ви не знаєте,
як і що потрібно виконати,
як і що потрібно виконати,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
завдання стає
величезним викликом.
величезним викликом.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Перед таким викликом
опинився Артур Семюел.
опинився Артур Семюел.
В 1956 році він хотів
налаштувати комп'ютер таким чином,
налаштувати комп'ютер таким чином,
00:40
In 1956, he wanted to get this computer
9
28131
4077
00:44
to be able to beat him at checkers.
10
32208
2340
щоб той виграв у нього в шашки.
00:46
How can you write a program,
11
34548
2040
Як можна вручну написати програму,
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
яка дозволить грати краще за тебе в шашки?
Нарешті, він здогадався:
00:52
So he came up with an idea:
13
40394
1722
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
він налаштував комп'ютер грати
проти самого себе тисячі разів
проти самого себе тисячі разів
00:57
and learn how to play checkers.
15
45840
2524
і таким чином навчив його грати в шашки.
І це насправді спрацювало,
бо до 1962 року
бо до 1962 року
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
цей комп'ютер вже переграв
чемпіона штату Конектикут.
чемпіона штату Конектикут.
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
Так Артур Семюел започаткував
комп'ютерне навчання,
комп'ютерне навчання,
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
і я вдячний йому за це,
01:10
and I have a great debt to him,
19
58534
1717
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
адже я - експерт з комп'ютерного навчання.
Я був президентом спільноти Kaggle,
01:15
I was the president of Kaggle,
21
63014
1465
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
в якій більше 200 тисяч експертів
з комп'ютерного навчання.
з комп'ютерного навчання.
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle влаштовує змагання
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
з розв'язання задач,
які раніше не було розв'язано.
які раніше не було розв'язано.
Сотні змагань завершилися блискуче.
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
Ось в такому сприятливому середовищі
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
я дізнався, що комп'ютерне навчання
могло для нас зробити в минулому,
могло для нас зробити в минулому,
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
а також зараз і в майбутньому.
01:35
and what it could do in the future.
28
83890
2362
Напевно, Google - найбільший комерційний
успіх комп'ютерного навчання.
успіх комп'ютерного навчання.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Google показав, що можна використовувати
алгоритм на основі комп'ютерного навчання
01:45
by using a computer algorithm,
31
93784
1752
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
для пошуку інформації.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
З того часу комп'ютерне навчання мало
великий комерційний успіх.
великий комерційний успіх.
Компанії Amazon і Netflix
використовують комп'ютерне навчання
використовують комп'ютерне навчання
01:54
Companies like Amazon and Netflix
34
102323
1837
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
для маркетингу товарів,
що можуть вам сподобатись,
що можуть вам сподобатись,
01:59
movies that you might like to watch.
36
107876
2020
і фільмів, які ви захочете подивитись.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Інколи від того стає моторошно.
Такі компанії як LinkedIn та Facebook
02:03
Companies like LinkedIn and Facebook
38
111703
1954
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
показують хто, можливо, є вашим другом,
а ви й не здогадуєтесь, як це налаштовано.
02:08
and you have no idea how it did it,
40
116251
1977
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
Вони використовують можливості
комп'ютерного навчання.
комп'ютерного навчання.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Це алгоритми,
які навчились опрацьовувати дані,
які навчились опрацьовувати дані,
а не були запрограмовані вручну.
02:16
rather than being programmed by hand.
43
124152
3247
Саме тому IBM вдалося за допомогою
комп'ютера Watson
комп'ютера Watson
02:19
This is also how IBM was successful
44
127399
2478
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
перемогти двох світових лідерів
у грі "Jeopardy",
у грі "Jeopardy",
відповівши на складні питання,
як-от:
як-от:
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
"В 2003 році старовинна пластина
"Лев з Німруду" зникла
"Лев з Німруду" зникла
з національного музею
цього міста (разом з іншими експонатами)".
цього міста (разом з іншими експонатами)".
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
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
Завдяки саме цій технології ми маємо
самокеровані автівки.
самокеровані автівки.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Доволі важливо, скажімо,
відрізняти дерево від пішохода.
відрізняти дерево від пішохода.
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Ми не знаємо, як написати таку програму,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
але завдяки комп'ютерному навчанню
тепер це можливо.
тепер це можливо.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Власне кажучи, це авто проїхало
понад мільйон миль
понад мільйон миль
02:48
without any accidents on regular roads.
54
156680
3506
звичайними дорогами і без жодної аварії.
02:52
So we now know that computers can learn,
55
160196
3914
Тепер ми знаємо,
що комп'ютери здатні вчитися,
що комп'ютери здатні вчитися,
02:56
and computers can learn to do things
56
164110
1900
а також вони здатні навчитися робити речі,
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
яких ми не вміємо робити,
03:00
or maybe can do them better than us.
58
168848
2885
або вони зроблять їх краще за нас.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Чудовим прикладом комп'ютерного навчання
03:07
happened on a project that I ran at Kaggle
60
175928
2392
був проект Kaggle під моїм керівництвом,
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
на якому група Geoffrey Hinton
03:13
from the University of Toronto
62
181911
1552
з університету Торонто
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
перемогла в змаганні
з автоматичного підбору ліків.
з автоматичного підбору ліків.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Незвичайним було не тільки те,
що вони обійшли
що вони обійшли
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
компанію Merck і міжнародну
академічну спільноту в розробці алгоритму,
академічну спільноту в розробці алгоритму,
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
а й те, що жоден з членів команди не мав
освіти з хімії, біології чи медичних наук,
освіти з хімії, біології чи медичних наук,
а виконали вони це завдання за два тижні.
03:30
and they did it in two weeks.
67
198061
2169
Як їм це вдалось?
03:32
How did they do this?
68
200230
1381
Вони використали надзвичайний
алгоритм глибинного навчання.
алгоритм глибинного навчання.
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Ця подія була настільки важливою,
що про її успіх написали
що про її успіх написали
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
на першій сторінці New York Times
кілька тижнів потому.
кілька тижнів потому.
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
Ось на фото зліва Джеффрі Гінтон.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Алгоритм глибинного навчання створено
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
як аналог функції людського мозку
03:50
and as a result it's an algorithm
74
218488
1812
і тому, теоритично,
він не має обмежень у роботі.
він не має обмежень у роботі.
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
Що більше даних і часу обчислення
ви додаєте, то кращим він стає.
ви додаєте, то кращим він стає.
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
Інша надзвичайна особливість
алгоритму глибинного навчання
алгоритму глибинного навчання
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
була висвітлена у статті з New York Times,
04:04
which I'm going to show you now.
80
232857
2712
і я вам її зараз продемонструю.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Йдеться про здатність комп'ютерів
слухати і розуміти.
слухати і розуміти.
(Відео) Річард Рашід:
"Я завершу цей огляд,
"Я завершу цей огляд,
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
звернувшись до вас китайською мовою.
04:18
is to actually speak to you in Chinese.
84
246246
4715
Суть в тому,
що я використав велику кількість даних
що я використав велику кількість даних
04:22
Now the key thing there is,
85
250961
2635
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
різних мовців китайською
і конвертував китайський текст
на мовлення
на мовлення
04:30
and produce a text-to-speech system
87
258598
2530
за допомогою системи конвертації.
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
Далі ми використали годину
мого власного звучання
мого власного звучання
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
для моделювання звичайної
системи перетворення тексту
системи перетворення тексту
04:41
and we've used that to modulate
90
269929
1891
в моє мовлення.
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
Повторюсь: результат не є ідеальним.
04:48
Again, the result's not perfect.
92
276364
2540
Насправді, там є декілька помилок.
04:50
There are in fact quite a few errors.
93
278904
2648
(Говорить китайською)
04:53
(In Chinese)
94
281552
2484
04:56
(Applause)
95
284036
3367
(Оплески)
05:01
There's much work to be done in this area.
96
289446
3576
Ще багато потрібно зробити
в цьому напрямку".
в цьому напрямку".
(Говорить китайською)
05:05
(In Chinese)
97
293022
3645
05:08
(Applause)
98
296667
3433
(Оплески)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Джеремі Говард: Це було на конференції
з комп'ютерного навчання в Китаї.
з комп'ютерного навчання в Китаї.
Взагалі, не часто можна розраховувати на
бурхливі оплески
бурхливі оплески
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
05:19
that you do hear spontaneous applause,
101
307114
1897
під час наукової конференції,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
а ось на конференціях TEDx все може бути,
тож - не соромтесь.
тож - не соромтесь.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Все, що ви тут побачили, відбулось
з застосуванням глибинного навчання.
з застосуванням глибинного навчання.
05:27
(Applause) Thank you.
104
315482
1525
(Оплески) Дякую.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
Транскрипція англійською -
це глибинне навчання.
це глибинне навчання.
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
Переклад китайською і текст у верхньому
правому кутку - глибинне навчання,
правому кутку - глибинне навчання,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
і відновлення голосу -
також глибинне навчання.
також глибинне навчання.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Глибинне навчання -
це надзвичайний алгоритм.
це надзвичайний алгоритм.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Здається, цей єдиний алгоритм
здатен зробити майже все.
здатен зробити майже все.
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
І я дізнався, що на рік раніше
він також навчився бачити.
він також навчився бачити.
В німецькому змаганні
з розпізнавання дорожних знаків -
з розпізнавання дорожних знаків -
05:47
In this obscure competition from Germany
111
335452
2176
German Traffic Sign
Recognition Benchmark -
Recognition Benchmark -
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
алгоритм глибинного навчання
розпізнавав такі дорожні знаки, як цей.
розпізнавав такі дорожні знаки, як цей.
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Він не тільки навчився розпізнавати знаки
краще за інші алгоритми,
краще за інші алгоритми,
05:57
better than any other algorithm,
115
345712
1758
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
але й зробив це вдвічі краще за людей,
як засвідчив рейтинг переможців.
як засвідчив рейтинг переможців.
06:02
about twice as good as people.
117
350189
1852
Так до 2011 року
ми вже мали перший комп'ютер,
ми вже мали перший комп'ютер,
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
який міг бачити краще за людей.
Багато змінилося з того часу.
06:09
Since that time, a lot has happened.
120
357442
2049
В 2012 році Google анонсував про те,
що алгоритм
що алгоритм
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
глибинного навчання
мав переглянути відео в YouTube
мав переглянути відео в YouTube
06:15
watch YouTube videos
122
363005
1415
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
і опрацювати дані 16 000 комп'ютерів
протягом місяця.
протягом місяця.
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
Комп'ютер, переглядаючи відео,
вивчив концепції "люди" і "коти".
вивчив концепції "люди" і "коти".
06:24
just by watching the videos.
125
372218
1809
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Майже так само вчаться люди.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Люди вчаться не з того,
що їм кажуть, начебто вони бачать,
що їм кажуть, начебто вони бачать,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
але розуміючи, що ті речі означають.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Також в 2012 році Джеффрі Гінтон,
якого ми бачили раніше,
якого ми бачили раніше,
06:37
won the very popular ImageNet competition,
130
385819
2858
переміг у відомому змаганні ImageNet,
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
вирахувавши, що зображено
на 1,5 мільйонах фотографій.
на 1,5 мільйонах фотографій.
06:44
what they're pictures of.
132
392818
1438
На 2014 рік ми досягли 6% частоти помилок
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
в розпізнаванні зображень.
06:49
in image recognition.
134
397789
1453
Це краще за людські результати.
06:51
This is better than people, again.
135
399242
2026
Комп'ютери справді добре вправляються
з такими завданнями,
з такими завданнями,
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
і це вже використовують у виробництві.
06:57
and it is now being used in industry.
137
405037
2269
06:59
For example, Google announced last year
138
407306
3042
Наприклад, Google оголосив торік,
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
що вони позначили на карті
кожен клаптик Франції за дві години.
кожен клаптик Франції за дві години.
А зробили вони це так.
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
Вони завантажили зображення вулиць
в алгоритм глибинного навчання,
в алгоритм глибинного навчання,
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
щоб розпізнати і
прочитати номери будинків.
прочитати номери будинків.
Тільки уявіть,
скільки часу знадобилось би раніше:
скільки часу знадобилось би раніше:
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
07:16
dozens of people, many years.
143
424919
3355
десятки людей, багато років.
Подібне відбувається в Китаї.
07:20
This is also happening in China.
144
428274
1911
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu - найбільша пошукова система
в Китаї,
в Китаї,
і те, що ви бачите
в верхньому лівому кутку,
в верхньому лівому кутку,
07:26
and what you see here in the top left
146
434221
2283
є прикладом фото, яке я завантажив
у систему глибинного навчання Baidu.
у систему глибинного навчання Baidu.
07:28
is an example of a picture that I uploaded
to Baidu's deep learning system,
to Baidu's deep learning system,
147
436504
3974
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
Нижче ви побачите,
як система розпізнала фото
як система розпізнала фото
07:36
and found similar images.
149
444247
2236
і знайшла подібні йому.
Підібрані фото мають подібний фон,
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
подібний ракурс голови,
07:41
similar directions of the faces,
151
449219
1658
деякі навіть з висунутим язичком.
07:42
even some with their tongue out.
152
450877
1788
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Зрозуміло, пошук відбувся
не за текстом веб-сторінки.
не за текстом веб-сторінки.
Я завантажив тільки фотографію.
07:47
All I uploaded was an image.
154
455695
1412
Тепер ми маємо комп'ютери, які
дійсно розуміють, що вони бачать,
дійсно розуміють, що вони бачать,
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
і тому можуть в реальному часі
07:53
and can therefore search databases
156
461128
1624
вести пошук по базах
сотень мільйонів зображень.
сотень мільйонів зображень.
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
Що ж означає ця здатність
комп'ютерів бачити?
комп'ютерів бачити?
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Вони не тільки бачать.
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Насправді, алгоритм глибинного навчання
може більше.
може більше.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
08:05
Complex, nuanced sentences like this one
161
473622
2948
Тепер алгоритм глибинного навчання розуміє
складні речення з нюансами, як ось це.
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
Бачите, відповідно до
08:11
As you can see here,
163
479394
1303
Стенфордської символьної системи,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
червона крапка зверху означає,
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
що тут виражено негативний сантимент.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Алгоритм глибинного навчання вже
наближається до людського розуміння,
наближається до людського розуміння,
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
про які речі йдеться в реченні
і що саме про них.
і що саме про них.
Також алгоритм глибинного навчання
було використано
було використано
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
для читання китайською майже
на рівні носія китайської мови.
на рівні носія китайської мови.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Цей алгоритм розробляли в Швейцарії люди,
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
які не розуміють і не говорять китайською.
Як вже було сказано,
система глибинного навчання
система глибинного навчання
08:39
As I say, using deep learning
172
507331
2051
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
є найкращою в світі для таких цілей,
навіть у порівнянні з носієм мови.
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
Всі ці функції моя компанія зібрала
в єдину систему.
в єдину систему.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
Ось малюнки без тексту.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Я ввожу сюди речення,
08:56
and as I'm typing in here sentences,
178
524189
2352
система одночасно розпізнає,
що зображено на цих малюнках,
що зображено на цих малюнках,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
09:01
and figuring out what they're about
180
529510
1679
а потім шукає малюнки,
які відповідають введеному тексту.
09:03
and finding pictures that are similar
to the text that I'm writing.
to the text that I'm writing.
181
531189
3163
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Отже, ви бачите, що система насправді
розпізнає мої речення
розпізнає мої речення
09:09
and actually understanding these pictures.
183
537108
2224
і також розпізнає ці малюнки.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Я знаю - щось подібне вже є у Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
де ви вводите текст,
і він знайде вам відповідний малюнок,
і він знайде вам відповідний малюнок,
але насправді буде знайдено
веб-сторінку відповідно до тексту.
веб-сторінку відповідно до тексту.
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
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Розпізнавання зображення -
це зовсім інша справа.
це зовсім інша справа.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Лише кілька місяців тому
комп'ютерові вдалося зробити це вперше.
комп'ютерові вдалося зробити це вперше.
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
Тепер ми переконались, що комп'ютери
навчились не тільки бачити, а й читати,
навчились не тільки бачити, а й читати,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
а також, як було показано,
вони розпізнають те, що чують.
вони розпізнають те, що чують.
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
Можливо, я вас вже не здивую,
коли я скажу, що вони вміють і писати.
коли я скажу, що вони вміють і писати.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Ось текст, який я вчора згенерував,
з алгоритмом глибинного навчання.
з алгоритмом глибинного навчання.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
А ось текст, що було згенеровано
Стенфордською системою.
Стенфордською системою.
Кожне з цих речень було створено
за допомогою
за допомогою
09:49
Each of these sentences was generated
195
577096
1764
алгоритму глибинного навчання
для опису цих малюнків.
для опису цих малюнків.
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
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
Цей алгоритм ніколи раніше не бачив
чоловіка в чорній сорочці
з гітарою в руках.
з гітарою в руках.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Він бачив раніше чоловіка,
він бачив раніше чорний колір,
він бачив раніше чорний колір,
10:01
it's seen a guitar before,
199
589801
1599
він бачив раніше гітару,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
але цей новий опис малюнка
він створив самостійно.
він створив самостійно.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Поки ми ще не досягли рівня
людських можливостей, але ми дуже близько.
людських можливостей, але ми дуже близько.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Тестування показало,
що кожна четверта людина
що кожна четверта людина
обирала згенерований комп'ютером варіант.
10:15
one out of four times.
203
603264
1527
Ця система існує тільки два тижні,
10:16
Now this system is now only two weeks old,
204
604791
2064
тож за таких темпів протягом
наступного року
наступного року
10:18
so probably within the next year,
205
606855
1846
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
комп'ютерний алгоритм перевершить
людські можливості.
людські можливості.
10:23
at the rate things are going.
207
611502
1862
Отже, комп'ютери можуть також писати.
10:25
So computers can also write.
208
613364
3049
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Якщо складемо все до купи,
то матимемо дуже цікаві перспективи.
то матимемо дуже цікаві перспективи.
10:31
For example, in medicine,
210
619888
1492
Наприклад, в медицині:
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
бостонська команда оголосила,
що вони відкрили
що вони відкрили
10:35
dozens of new clinically relevant features
212
623905
2949
десятки нових важливих
клінічних характеристик пухлин,
клінічних характеристик пухлин,
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
які допоможуть лікарям прогнозувати
розвиток раку.
розвиток раку.
10:44
Very similarly, in Stanford,
214
632220
2296
Так само, група в Стенфорді оголосила
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
про розроблену на основі огляду тканин
під збільшенням
під збільшенням
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
систему комп'ютерного навчання, яка
визначає шанси на виживання хворих на рак
краще за патологів.
краще за патологів.
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
Завдяки цим двом розробкам
не тільки прогнози стали точнішими,
не тільки прогнози стали точнішими,
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
а й було започатковано
нову інформативну науку.
нову інформативну науку.
11:02
but they generated new insightful science.
220
650764
2502
11:05
In the radiology case,
221
653276
1505
В першому випадку це були нові,
зрозумілі радіологам клінічні індикатори.
зрозумілі радіологам клінічні індикатори.
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
У випадку патології,
комп'ютерна система фактично
комп'ютерна система фактично
11:09
In this pathology case,
223
657876
1792
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
винайшла, що оточення ракових клітин
так само важливе
так само важливе
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
при визначенні діагнозу,
як і самі ракові клітини.
як і самі ракові клітини.
11:19
in making a diagnosis.
226
667508
1752
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Це спростовує інформацію, якої навчали
патологів роками.
патологів роками.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
В розробці систем брали участь
медичні експерти
медичні експерти
та фахівці з комп'ютерного навчання,
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
але з минулого року ми пішли ще далі.
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
Це приклад виявлених
за допомогою мікроскопа
за допомогою мікроскопа
ракових областей тканини людського тіла.
11:39
of human tissue under a microscope.
232
687824
2530
Ця система може виявити
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
такі області точніше, або так само точно,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
як патологи, але створена вона
виключно за допомогою
виключно за допомогою
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
глибинного навчання,
без медичної експертизи,
без медичної експертизи,
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
людьми без спеціальних знань
в цій області.
в цій області.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Ось приклад нейронного поділу.
Тепер ми можемо поділяти нейрони
так само точно, як людина,
так само точно, як людина,
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
але систему було розроблено за допомогою
глибинного навчання
глибинного навчання
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
людьми, що не мали базових знань
в медицині.
в медицині.
Я не маю базових знать в медицині, проте
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
виявляюсь достатньо кваліфікованим, щоб
започаткувати нову медичну компанію,
12:15
which I did.
243
723875
2146
що я і зробив.
Мене жахала така ідея, але в теорії
12:18
I was kind of terrified of doing it,
244
726021
1740
здавалось цілком можливим виконувати
важливу медичну роботу,
важливу медичну роботу,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
використовуючи тільки
ці техніки аналізу даних.
ці техніки аналізу даних.
На щастя, відгуки були фантастичні
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
не тільки в медіа, а й серед прихильної
медичної спільноти.
медичної спільноти.
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
12:32
who have been very supportive.
249
740978
2344
Теоритично ми можемо
всебічно аналізувати дані
всебічно аналізувати дані
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
проміжного етапу медичного процесу,
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
а лікарям залишити їх роботу.
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
12:45
I want to give you an example.
253
753429
1602
Я наведу приклад.
Щоб згенерувати новий
медичний діагностичний тест,
медичний діагностичний тест,
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
нам потрібно 15 хвилин.
12:51
and I'll show you that in real time now,
255
759975
1954
Я продемонструю це прямо зараз,
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
тільки я видалив деякі частини,
щоб скоротити його до трьох хвилин.
щоб скоротити його до трьох хвилин.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Замість створення медичного
клінічного тесту,
клінічного тесту,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
я покажу вам тест діагностики
зображень автівок,
зображень автівок,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
щоб усім було зрозуміло.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Отже, ми починаємо
з приблизно 1,5 мільйонів
зображень автівок.
зображень автівок.
13:09
and I want to create something
that can split them into the angle
that can split them into the angle
261
777269
3206
Я хочу створити інструмент
для сортування
для сортування
їх відповідно до кута фотозйомки.
13:12
of the photo that's being taken.
262
780475
2223
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
so I have to start from scratch.
263
782698
3888
Жодна фотографія не позначена,
тож я почну з нуля.
За допомогою
алгоритму глибинного навчання,
алгоритму глибинного навчання,
13:18
With our deep learning algorithm,
264
786586
1865
можна автоматично визначити
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
елементи конструкції на цих зображеннях.
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
Добре в цьому те, що людина
може працювати разом
може працювати разом
з комп'ютером.
13:27
So the human, as you can see here,
267
795778
2178
Людина, як ви бачите,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
показує комп'ютеру
стосовно якої частини
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
комп'ютер буде
вдосконалювати алгоритм.
Ці системи глибинного навчання працюють в
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
16-тисяч вимірному просторі,
тож ви бачите, як комп'ютер
обертає фото в просторі,
обертає фото в просторі,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
намагаючись знайти
нові елементи структури.
нові елементи структури.
13:45
trying to find new areas of structure.
272
813009
1992
Коли це йому вдасться,
13:47
And when it does so successfully,
273
815001
1781
людина, яка керує ним, зможе вибрати
потрібні елементи.
потрібні елементи.
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
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Ось комп'ютер вдало знайшов елементи,
наприклад, кути.
наприклад, кути.
13:55
for example, angles.
276
823208
2562
13:57
So as we go through this process,
277
825770
1606
Поступово, керуючи процесом,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
ми даємо комп'ютеру знати, які саме
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
структури ми шукаємо.
Уявіть, якби патолог під час
діагностичного тесту
діагностичного тесту
14:04
You can imagine in a diagnostic test
280
832144
1772
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
ідентифікував області патології,
або якби радіолог ідентифікував
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
потенційно небезпечні вузлики.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Іноді алгоритм не справляється.
В такому разі він стає дещо безпорадний.
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
Передні та задні частини автівок
перемішані.
перемішані.
14:21
So here we have to be a bit more careful,
286
849365
2072
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
Тепер слід уважно вручну
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
виділити тільки фронтальні,
щоб зорієнтувати комп'ютер на саме
цей тип групування, який нас цікавить.
14:32
that we're interested in.
289
860175
1348
Ми це робимо деякий час,
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
я перескочу трохи,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
потім ми тренуємо алгоритм
глибинного навчання
глибинного навчання
14:38
based on these couple of hundred things,
292
866446
1974
на основі кількох сотень деталей
14:40
and we hope that it's gotten a lot better.
293
868420
2025
і сподіваємось, що він навчився.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Бачите, він почав прибирати
деякі з малюнків,
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
показуючи цим, що він вже розрізняє,
як це робити самостійно.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Тепер можна використати концепцію
подібних зображень.
подібних зображень.
14:53
and using similar images, you can now see,
297
881128
2094
І ви бачите, що комп'ютер тепер
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
здатен знайти тільки
передні частини машин.
передні частини машин.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Отже, можна визнати, що комп'ютер
вправно виконав завдання.
вправно виконав завдання.
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
15:05
Sometimes, of course, even at this point
301
893652
2185
Іноді буває так, що й після цього складно
відсортувати групи.
відсортувати групи.
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
15:11
In this case, even after we let the
computer try to rotate this for a while,
computer try to rotate this for a while,
303
899511
3884
В такому випадку після деякого часу
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
обертання зображень,
лівосторонні і правосторонні
все ще перемішані.
все ще перемішані.
15:18
are all mixed up together.
305
906744
1478
Тоді ми знову підказуємо комп'ютеру
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
і командуємо йому знайти
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
за допомогою алгоритму глибинного навчання
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
проекцію, яка відсортує лівосторонні
від правосторонніх.
від правосторонніх.
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
І після такої підказки - ага,
ок, цей процес завершено.
ок, цей процес завершено.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Йому вдалось відсортувати ці об'єкти.
15:35
that's separated out these together.
312
923891
2380
В чому ідея?
15:38
So you get the idea here.
313
926271
2438
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
Йдеться не про заміщення людини
комп'ютером, а про співпрацю.
комп'ютером, а про співпрацю.
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
Те, що могла зробити команда з 5-6 людей
15:55
of five or six people about seven years
317
943096
2002
за майже 7 років, одна людина зробить
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
самостійно за 15 хвилин.
15:59
for one person acting alone.
319
947703
2505
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Для такого процесу потрібно 4 або 5
повторювань.
повторювань.
Бачите, 62 відсотки
з 1,5 мільйонів зображень
з 1,5 мільйонів зображень
16:06
You can see we now have 62 percent
321
954158
1859
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
відсортовано правильно.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Тепер можна доволі швидко перевіряти
великі масиви
великі масиви
16:13
grab whole big sections,
324
961448
1297
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
на присутність там помилок.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Якщо такі знайдуться,
вкажемо комп'ютерові на них.
вкажемо комп'ютерові на них.
Застосувавши той самий процес
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
для кожної окремої групи,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
матимемо результат: 80 % з 1,5 мільйона зображень
успішно класифіковано.
успішно класифіковано.
16:27
in classifying the 1.5 million images.
329
975148
2415
Залишиться тільки
16:29
And at this point, it's just a case
330
977563
2078
знайти невелику кількість
хибно класифікованих об'єктів
хибно класифікованих об'єктів
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
16:35
and trying to understand why.
332
983220
2888
і розібратись з ними.
Завдяки цьому підходові, ми за 15 хвилин
16:38
And using that approach,
333
986108
1743
досягли 97 % рівня класифікування.
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
Такі прийоми дають нам змогу побороти
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
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
величезний брак
медичної експертизи в світі.
медичної експертизи в світі.
Згідно з даними Світового
економічного форуму,
економічного форуму,
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
країнам, що розвиваються,
в 10-20 разів бракує терапевтів,
в 10-20 разів бракує терапевтів,
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
і знадобиться 300 років,
аби навчити достатньо людей,
аби навчити достатньо людей,
16:57
and it would take about 300 years
339
1005727
2113
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
які могли б компенсувати цей брак.
Уявіть, наскільки ми можемо
покращити результати їхньої діяльності
покращити результати їхньої діяльності
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
17:05
using these deep learning approaches?
342
1013619
2839
завдяки підходу
глибинного навчання.
глибинного навчання.
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Мене дуже надихають такі перспективи.
17:10
I'm also concerned about the problems.
344
1018690
2589
Водночас, я стурбований проблемами.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Кожна територія на мапі,
зафарбована синім кольором, є місцем,
зафарбована синім кольором, є місцем,
де 80 % зайнятості припадає на послуги.
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
Які послуги?
17:20
What are services?
347
1028172
1787
17:21
These are services.
348
1029959
1514
Ось ці.
Такі, що комп'ютери тільки
навчилися виконувати.
навчилися виконувати.
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
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Отже, 80 % зайнятості розвинених країн -
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
це робота, яку комп'ютери щойно
навчились виконувати.
навчились виконувати.
17:33
What does that mean?
352
1041963
1440
До чого я веду?
Авжеж, все буде добре.
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Їм знайдуть іншу роботу.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Наприклад, буде більше спеціалістів
з обробки даних.
з обробки даних.
Не зовсім так.
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
Спеціаліст з обробки даних
швидко створює такі речі.
швидко створює такі речі.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Наприклад, ці чотири алгоритми
написав один хлопець.
написав один хлопець.
Ви можете аргументувати,
що все це вже проходили раніше,
що все це вже проходили раніше,
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
17:50
we've seen the results in the past
of when new things come along
of when new things come along
359
1058318
3808
і коли речі змінювались,
з'являлись нові робочі місця.
з'являлись нові робочі місця.
17:54
and they get replaced by new jobs,
360
1062126
2252
17:56
what are these new jobs going to be?
361
1064378
2116
А якими вони будуть?
Важко сказати, тому що
17:58
It's very hard for us to estimate this,
362
1066494
1871
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
людська діяльність покращується поступово,
а система глибинного навчання -
18:03
but we now have a system, deep learning,
364
1071104
2562
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
в геометричній прогресії.
Зараз ми тут.
18:08
And we're here.
366
1076893
1605
Поки що ми оцінюємо ситуацію і кажемо:
"Комп'ютерам далеко
"Комп'ютерам далеко
18:10
So currently, we see the things around us
367
1078498
2061
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
до людського розуму". Правда?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Але за п'ять років комп'ютери перевершать
свої показники.
свої показники.
Тож нам слід вже зараз починати думати
про потенціал.
про потенціал.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
18:22
We have seen this once before, of course.
371
1090529
2050
Звісно, історія вже знала такі часи.
Під час індустріальної революції
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
потужності збільшилися завдяки двигунам.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Справа в тому,
що речі не змінювались з того часу.
що речі не змінювались з того часу.
18:32
There was social disruption,
375
1100805
1702
Існувало соціальне розшарування.
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
Але після впровадження
потужностей двигунів
потужностей двигунів
18:37
things really settled down.
377
1105946
2354
в усі сфери життя, воно зменшилось.
Революція комп'ютерного навчання
18:40
The Machine Learning Revolution
378
1108300
1473
відрізняється від індустріальної.
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
Тому що революція комп'ютерного навчання
ніколи не зупиниться.
ніколи не зупиниться.
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
Що кращою стане
інтелектуальна діяльність комп'ютерів,
інтелектуальна діяльність комп'ютерів,
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
то більше інших комп'ютерів з
кращими потужностями вони створять.
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
Світ ще ніколи не відчував змін
такого масштабу.
такого масштабу.
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
Ваші уявлення про обмеженість
можливостей змінено.
можливостей змінено.
Ці зміни вже впливають на нас.
19:02
This is already impacting us.
386
1130974
1780
За останні 25 років зріс
кругообіг капіталу,
кругообіг капіталу,
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
а продуктивність праці була сталою,
навіть трохи зменшилась.
навіть трохи зменшилась.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Тож, я заохочую нас
до обговорення вже зараз.
до обговорення вже зараз.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Знаю, що люди часто нехтують
цим питанням,
цим питанням,
19:19
people can be quite dismissive.
391
1147176
1490
коли я до них звертаюсь.
19:20
Well, computers can't really think,
392
1148666
1673
Комп'ютери не можуть розвивати думок,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
не мають емоцій, не розуміють поезію,
ми не тямимо до кінця, як вони працюють.
ми не тямимо до кінця, як вони працюють.
19:25
we don't really understand how they work.
394
1153367
2521
19:27
So what?
395
1155888
1486
То що з того?
Комп'ютери вже виконують речі, якими
19:29
Computers right now can do the things
396
1157374
1804
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
люди заробляють собі на життя.
19:33
so now's the time to start thinking
398
1161897
1731
Тож нам варто подумати,
як змінити наші соціальну
як змінити наші соціальну
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
і економічну структури,
враховуючи нову реальність.
враховуючи нову реальність.
19:40
to be aware of this new reality.
400
1168015
1840
19:41
Thank you.
401
1169855
1533
Дякую.
(Оплески)
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