TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: Ứng dụng tuyệt vời hay đáng sợ của máy tính biết học
Filmed:
Readability: 4.5
2,532,971 views
Điều gì sẽ xảy ra khi chúng ta dạy cho máy tính cách học? Chuyên gia công nghệ Jeremy Howard trình bày những phát triển đáng kinh ngạc về sự thay đổi chóng mặt của deep learning ("học sâu"), một kỹ thuật có thể cho máy tính khả năng học tiếng Trung, học cách nhận ra những đối tượng trong bức hình, học cách trợ giúp chuẩn đoán y khoa. (một công cụ "học sâu", sau vài giờ xem Youtube, đã tự học được khái niệm "mèo.") Hãy bắt kịp đà tiến bộ của máy tính, nó sẽ thay đổi cách ảnh hưởng trên chính hành vi của bạn ... đừng để mình bị bất ngờ và bị động trước những điều mà máy tính sẽ làm được.
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
Ngày xưa nếu bạn muốn máy tính
thực hiện thao tác mới,
thực hiện thao tác mới,
00:16
you would have to program it.
1
4893
1554
thì bạn phải lập trình nó trước.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Đối với những bạn ở đây
chưa từng lập trình,
chưa từng lập trình,
00:21
requires laying out in excruciating detail
3
9858
3502
việc này đòi hỏi phải lập sơ đồ chi tiết
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
từng bước một cho điều
bạn muốn máy tính thực hiện
bạn muốn máy tính thực hiện
00:28
in order to achieve your goal.
5
16727
2362
để đạt được mục tiêu của bạn.
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
Nếu bạn muốn làm một việc mà chính bạn
cũng không biết cách làm,
cũng không biết cách làm,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
thì đây sẽ là một thử thách khá lớn.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Đây là thử thách mà người đàn ông này,
Arthur Samuel, gặp phải.
Arthur Samuel, gặp phải.
00:40
In 1956, he wanted to get this computer
9
28131
4077
Vào năm 1956, ông muốn chiếc máy tính này
00:44
to be able to beat him at checkers.
10
32208
2340
có thể đánh bại ông trong môn cờ tướng.
00:46
How can you write a program,
11
34548
2040
Làm sao mà bạn có thể viết ra chương trình
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
tỉ mỉ, chi tiết về cách chơi
cờ tướng giỏi hơn chính bạn ?
cờ tướng giỏi hơn chính bạn ?
00:52
So he came up with an idea:
13
40394
1722
Vậy là ông nảy ra một ý tưởng:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
ông để máy tính tự chơi lại hàng ngàn lần
00:57
and learn how to play checkers.
15
45840
2524
và tự học cách chơi cờ.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Và quả nhiên cách này hiệu quả,
và thật sự, đến năm 1962,
và thật sự, đến năm 1962,
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
chiếc máy này đã đánh bại
quán quân bang Connecticut.
quán quân bang Connecticut.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Arthur Samuel là cha đẻ của
lĩnh vực machine learning,
lĩnh vực machine learning,
01:10
and I have a great debt to him,
19
58534
1717
và tôi rất biết ơn ông,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
bởi tôi là một người làm trong
ngành "máy biết học".
ngành "máy biết học".
01:15
I was the president of Kaggle,
21
63014
1465
Tôi từng là Chủ tịch ở Kaggle
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
một cộng đồng gồm hơn 200,000
chuyên gia về "máy biết học".
chuyên gia về "máy biết học".
01:19
Kaggle puts up competitions
23
67867
2058
Kaggle tổ chức các cuộc thi
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
với thử thách là
những vấn đề chưa có lời giải,
những vấn đề chưa có lời giải,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
và họ đã thành công hàng trăm lần.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Với vị thế thuận lợi đó,
tôi đã khám phá ra
tôi đã khám phá ra
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
rất nhiều thứ mà "máy biết học" có thể
làm được trước đây, làm được bây giờ,
làm được trước đây, làm được bây giờ,
01:35
and what it could do in the future.
28
83890
2362
và những gì nó có thể làm trong tương lai.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Có lẽ sự thành công vang dội đầu tiên
của "máy biết học" là Google
của "máy biết học" là Google
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
Google cho ta thấy nó có thể
tìm kiếm thông tin
tìm kiếm thông tin
01:45
by using a computer algorithm,
31
93784
1752
bằng cách sử dụng thuật toán,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
và thuật toán này dựa trên
"máy biết học",
"máy biết học",
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Kể từ đó, đã có rất nhiều thành công
về mặt thương mại của "máy biết học".
về mặt thương mại của "máy biết học".
01:54
Companies like Amazon and Netflix
34
102323
1837
Công ty như Amazon và Netflix
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
sử dụng "máy biết học"để gợi ý
những sản phẩm bạn có thể muốn mua,
những sản phẩm bạn có thể muốn mua,
01:59
movies that you might like to watch.
36
107876
2020
các bộ phim bạn có thể muốn xem.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Đôi khi nó làm ta
rùng mình.
rùng mình.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Các công ty như LinkedIn và Facebook
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
đôi khi sẽ nói cho bạn biết ai có thể
là bạn bè của bạn
là bạn bè của bạn
02:08
and you have no idea how it did it,
40
116251
1977
và bạn không hiểu nổi làm sao họ tìm ra,
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
và đó là vì họ dùng đến sức mạnh của
"máy biết học".
"máy biết học".
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Đây là thuật toán tự học cách xử lý
từ cơ sở dữ liệu,
từ cơ sở dữ liệu,
02:16
rather than being programmed by hand.
43
124152
3247
thay vì được lập trình sẵn trước đó.
02:19
This is also how IBM was successful
44
127399
2478
Đây cũng là cách IBM thành công
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
trong việc khiến cho Watson đánh bại
hai nhà vô địch chương trình "Jeopardy",
hai nhà vô địch chương trình "Jeopardy",
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
bằng cách trả lời những câu hỏi hóc
búa và phức tạp như :
búa và phức tạp như :
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
[Sư tử Nimrud bị mất tại bảo tàng
quốc gia thành phố ...
quốc gia thành phố ...
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
Đây cũng là cơ sở cho
những xe hơi tự lái đầu tiên.
những xe hơi tự lái đầu tiên.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Nếu chúng phân biệt
được sự khác nhau giữa
được sự khác nhau giữa
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
cây xanh và người đi bộ,
thì đó là việc rất quan trọng.
thì đó là việc rất quan trọng.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Chúng ta không biết cách viết
những chương trình này,
những chương trình này,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
nhưng với "máy biết học", điều đó
trở thành có thể.
trở thành có thể.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Và thực tế, loại xe này đã đi được
cả triệu dặm
cả triệu dặm
02:48
without any accidents on regular roads.
54
156680
3506
trên những con đường bình thường
mà không gây tai nạn nào.
mà không gây tai nạn nào.
02:52
So we now know that computers can learn,
55
160196
3914
Bây giờ chúng ta biết máy tính
có thể học được,
có thể học được,
02:56
and computers can learn to do things
56
164110
1900
và chúng có thể học
cách làm những việc
cách làm những việc
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
mà đôi khi chính chúng ta
không biết cách làm,
không biết cách làm,
03:00
or maybe can do them better than us.
58
168848
2885
hoặc có thể chúng làm tốt hơn ta.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Một trong những ví dụ ngoạn mục nhất
về "máy biết học" tôi từng thấy
về "máy biết học" tôi từng thấy
03:07
happened on a project that I ran at Kaggle
60
175928
2392
là dự án tôi tham gia ở Kaggle
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
nơi đó có một anh chàng điều khiển
một nhóm, anh ta tên là Geofrey Hinton
một nhóm, anh ta tên là Geofrey Hinton
03:13
from the University of Toronto
62
181911
1552
đến từ Đại học Toronto
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
nhóm này thắng cuộc thi về
chế tạo máy phát hiện ma túy.
chế tạo máy phát hiện ma túy.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
Bây giờ, điều phi thường ở đây
không phải là họ đánh bại
không phải là họ đánh bại
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
tất cả các giải thuật phát triển bới Merk
hay các cộng đồng học thuật quốc tế khác
hay các cộng đồng học thuật quốc tế khác
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
mà chính là họ không có thành viên nào
chuyên về hóa, sinh hay khoa học đời sống,
chuyên về hóa, sinh hay khoa học đời sống,
03:30
and they did it in two weeks.
67
198061
2169
và họ đã tạo ra chiếc máy
chỉ trong 2 tuần.
chỉ trong 2 tuần.
03:32
How did they do this?
68
200230
1381
Làm thế nào mà họ làm được?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Họ dùng 1 siêu giải thuật
gọi là deep learning: "học sâu".
gọi là deep learning: "học sâu".
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Thành công này quan trọng
đến mức đã được lên
đến mức đã được lên
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
trang bìa tờ New York Times
vài tuần sau đó.
vài tuần sau đó.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Đây là Geoffrey Hinton ở đây bên bìa trái.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
"Học sâu" là một giải thuật lấy
cảm hứng từ cách làm việc của não người,
cảm hứng từ cách làm việc của não người,
03:50
and as a result it's an algorithm
74
218488
1812
và kết quả là giải thuật này
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
về lý thuyết, không có giới hạn cho
những gì nó có thể làm.
những gì nó có thể làm.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Bạn đưa vào càng nhiều dữ liệu và
cho càng nhiều thời gian,
cho càng nhiều thời gian,
03:58
the better it gets.
77
226964
1312
thì nó càng làm tốt.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
Trong bài báo này, Tờ New York Times
cũng nói về
cũng nói về
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
một kết quả tuyệt vời khác
của "học sâu"
của "học sâu"
04:04
which I'm going to show you now.
80
232857
2712
mà tôi sẽ cho các bạn xem bây giờ.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Đó là máy tính có thể nghe và hiểu.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Video) Richard Rashid:
Bây giờ là bước cuối cùng
Bây giờ là bước cuối cùng
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
mà tôi muốn làm trong quá trình này
04:18
is to actually speak to you in Chinese.
84
246246
4715
là nói chuyện với các bạn bằng
tiếng Trung.
tiếng Trung.
04:22
Now the key thing there is,
85
250961
2635
Điểm mấu chốt đó là,
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
chúng tôi có thể lấy lượng lớn
thông tin từ những người nói tiếng Trung
thông tin từ những người nói tiếng Trung
04:30
and produce a text-to-speech system
87
258598
2530
và tạo ra hệ thống chuyển văn bản
thành giọng nói
thành giọng nói
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
nó giúp lấy văn bản tiếng Trung chuyển
thành tiếng Trung,
thành tiếng Trung,
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
và sau đó chúng tôi đã thực hiện khoảng
1 giờ để lấy giọng của chính tôi
1 giờ để lấy giọng của chính tôi
04:41
and we've used that to modulate
90
269929
1891
từ đó chúng tôi đã điều chỉnh
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
hệ thống chuyển 'văn bản-lời nói'
để cho ra được giọng nói giống tôi.
để cho ra được giọng nói giống tôi.
04:48
Again, the result's not perfect.
92
276364
2540
Lần nữa, kết quả không hoàn hảo.
04:50
There are in fact quite a few errors.
93
278904
2648
Thực tế vẫn còn một vài lỗi.
04:53
(In Chinese)
94
281552
2484
( tiếng Trung).
04:56
(Applause)
95
284036
3367
(vỗ tay)
05:01
There's much work to be done in this area.
96
289446
3576
Còn nhiều việc để làm trong lĩnh vực này.
05:05
(In Chinese)
97
293022
3645
( tiếng Trung)
05:08
(Applause)
98
296667
3433
( vỗ tay)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Jeremy Howard: đó là trong một hội thảo
về "máy biết học" ở Trung Quốc.
về "máy biết học" ở Trung Quốc.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Thực ra ở hội thảo học thuật, các bạn
05:19
that you do hear spontaneous applause,
101
307114
1897
thường ít nghe tiếng vỗ tay tự phát,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
ngay cả ở các hội thảo của TEDx,
hay vỗ tay thoải mái đi.
hay vỗ tay thoải mái đi.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Những điều bạn thấy đó
đang diễn ra với "học sâu".
đang diễn ra với "học sâu".
05:27
(Applause) Thank you.
104
315482
1525
( vỗ tay) Cảm ơn.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
Viết lại lời tiếng tiếng Anh
bằng "học sâu".
bằng "học sâu".
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
Dịch sang tiếng Trung có văn bản
ở trên bên phải, do "học sâu",
ở trên bên phải, do "học sâu",
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
và xây dựng giọng nói cũng nhờ
"học sâu".
"học sâu".
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
"Học sâu" thật sự phi thường.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Nó là một giải thuật đơn giản mà có vẻ
làm được hầu hết mọi thứ,
làm được hầu hết mọi thứ,
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
và tôi phát hiện trước đó một năm,
nó còn học nhìn thấy.
nó còn học nhìn thấy.
05:47
In this obscure competition from Germany
111
335452
2176
Trong cuộc thi ở Đức,
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
cuộc thi 'Nhận biết Tín hiệu
Giao thông Benchmark',
Giao thông Benchmark',
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
"học sâu" nhận biết các
tín hiệu giao thông,như cái này.
tín hiệu giao thông,như cái này.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Nó không chỉ nhận biết tín hiệu giao thông
05:57
better than any other algorithm,
115
345712
1758
tốt hơn bất kỳ giải thuật nào khác,
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
mà còn làm tốt hơn cả con người,
06:02
about twice as good as people.
117
350189
1852
tốt hơn gấp đôi.
06:04
So by 2011, we had the first example
118
352041
1996
Năm 2011, chúng tôi có thử nghiệm đầu tiên
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
cho thấy máy tính có thể nhìn
tốt hơn con người.
tốt hơn con người.
06:09
Since that time, a lot has happened.
120
357442
2049
Từ đó, rất nhiều điều đã xảy ra.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
Năm 2012, Google thông báo họ đã có một
giải thuật "học sâu"
giải thuật "học sâu"
06:15
watch YouTube videos
122
363005
1415
xem được video trên YouTube
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
và lấy dữ liệu từ 16,000 máy tính trong
một tháng,
một tháng,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
và máy tính đã học một cách độc lập
các khái niệm "người" và "mèo"
các khái niệm "người" và "mèo"
06:24
just by watching the videos.
125
372218
1809
chỉ bằng việc xem các videos.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Cách này rất giống
cách học của con người.
cách học của con người.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Không cần khái niệm có sẵn,
ta học từ cái ta nhìn thấy,
ta học từ cái ta nhìn thấy,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
ta có thể hiểu trực tiếp
bản chất của sự vật đó.
bản chất của sự vật đó.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Cũng trong năm 2012, Geoffrey Hinton,
06:37
won the very popular ImageNet competition,
130
385819
2858
chiến thắng cuộc thi
ImageNet rất nổi tiếng,
ImageNet rất nổi tiếng,
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
vì đã tìm ra cách để xác định
một trong số nửa triệu tấm ảnh
một trong số nửa triệu tấm ảnh
06:44
what they're pictures of.
132
392818
1438
được giao trước.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
Từ 2014, chúng tôi đã giảm
còn 6% tỉ lệ lỗi
còn 6% tỉ lệ lỗi
06:49
in image recognition.
134
397789
1453
trong việc nhận diện hình ảnh.
06:51
This is better than people, again.
135
399242
2026
Với dạng việc này,
máy cũng hơn con người.
máy cũng hơn con người.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Thật vậy, máy rất siêu trong lĩnh vực này,
06:57
and it is now being used in industry.
137
405037
2269
và đang được ứng dụng trong công nghiệp.
06:59
For example, Google announced last year
138
407306
3042
Ví dụ, năm ngoái Google thông báo
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
họ đã lập bản đồ mọi địa điểm ở Pháp
trong 2 giờ,
trong 2 giờ,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
và cách họ làm là nạp những hình ảnh
đường phố
đường phố
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
vào giải thuật "học sâu" để nhận diện
và đọc số nhà.
và đọc số nhà.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Hãy tưởng tượng trước đây
mất bao lâu:
mất bao lâu:
07:16
dozens of people, many years.
143
424919
3355
vài chục người làm việc trong nhiều năm.
07:20
This is also happening in China.
144
428274
1911
Điều này cũng diễn ra ở Trung Quốc.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Tôi thấy Baidu cũng là một dạng
Google ở Trung Quốc,
Google ở Trung Quốc,
07:26
and what you see here in the top left
146
434221
2283
và những gì bạn thấy ở trên bên góc trái
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
là một ví dụ về một bức ảnh tôi tải lên
hệ thống "học sâu" của Baidu
hệ thống "học sâu" của Baidu
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
và ở dưới bạn có thể thấy kết quả
hệ thống xử lý bức ảnh
hệ thống xử lý bức ảnh
07:36
and found similar images.
149
444247
2236
và nó đã tìm ra những bức hình tương tự.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Những bức hình tương tự thực ra có
nền tương tự,
nền tương tự,
07:41
similar directions of the faces,
151
449219
1658
hướng của khuôn mặt tương tự,
07:42
even some with their tongue out.
152
450877
1788
và cả một số hình có lưỡi thè ra.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Đây không phải là đối chiếu văn bản
của trang web.
của trang web.
07:47
All I uploaded was an image.
154
455695
1412
Tôi chỉ upload một tấm ảnh.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Vậy chúng ta đang có những chiếc máy tính
thực sự hiểu được những gì chúng nhìn thấy
thực sự hiểu được những gì chúng nhìn thấy
07:53
and can therefore search databases
156
461128
1624
và có thể nhờ đó tìm dữ liệu
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
của hàng trăm triệu tấm ảnh.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Điều đó có nghĩa là gì khi máy tính
có thể nhìn thấy?
có thể nhìn thấy?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
À, máy tính không chỉ có thể
nhìn thấy.
nhìn thấy.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
Thật ra, "học sâu"
còn làm được nhiều hơn.
còn làm được nhiều hơn.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Những câu phức tạp và đầy
nét khác biệt tinh tế như câu này
nét khác biệt tinh tế như câu này
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
giờ đã được hiểu bởi giải thuật "học sâu".
08:11
As you can see here,
163
479394
1303
Như các bạn thấy ở đây,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
hệ thống nền Stanford này đang chiếu điểm
đỏ ở trên
đỏ ở trên
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
đã tìm ra rằng câu này thể hiện tình cảm
tiêu cực.
tiêu cực.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
"học sâu" thực sự đang gần giống như
con người
con người
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
trong việc hiểu chủ đề các câu
và nội dung diễn đạt.
và nội dung diễn đạt.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
"học sâu" có thể đọc tiếng Trung,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
giống như người nói tiếng Trung bản xứ.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Giải thuật này phát triển ở Thụy Sĩ
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
bởi những người không
biết tí gì tiếng Trung.
biết tí gì tiếng Trung.
08:39
As I say, using deep learning
172
507331
2051
Như tôi đã nói, "học sâu"
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
là phương tiện tốt nhất
trong lĩnh vực này,
trong lĩnh vực này,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
vì nó có thể hiểu
thậm chí như người bản địa.
thậm chí như người bản địa.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Đây là hệ thống chúng tôi trang bị
ở công ty tôi,
ở công ty tôi,
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
công ty tôi muốn sử dụng
và kết hợp tất cả.
và kết hợp tất cả.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Đây là những tấm hình không kèm theo
dòng chữ nào,
dòng chữ nào,
08:56
and as I'm typing in here sentences,
178
524189
2352
vì tôi viết những câu vào chỗ này,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
nhờ đó nó hiểu những tấm hình này
09:01
and figuring out what they're about
180
529510
1679
và tìm ra chúng nói về cái gì
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
và tìm những tấm hình có ý
tương tự với dòng chữ tôi đang viết.
tương tự với dòng chữ tôi đang viết.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Vậy các bạn thấy đó, nó thực sự hiểu
được câu tôi viết
được câu tôi viết
09:09
and actually understanding these pictures.
183
537108
2224
và thực sự hiểu những tấm hình này.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Tôi biết các bạn từng thấy điều tương tự
trên Google,
trên Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
khi bạn viết điều gì đó và chúng hiện
lên các tấm ảnh,
lên các tấm ảnh,
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
nhưng thực sự những gì nó đang làm là
tìm những trang web theo dòng chữ.
tìm những trang web theo dòng chữ.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Điều này rất khác với việc thực việc hiểu
những tấm ảnh.
những tấm ảnh.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Đây là điều mà máy tính chỉ có thể làm
09:25
for the first time in the last few months.
189
553843
3248
lần đầu tiên cách đây vài tháng.
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
Chúng ta thấy máy tính không chỉ
nhìn thấy được mà chúng còn đọc được,
nhìn thấy được mà chúng còn đọc được,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
và dĩ nhiên chúng tôi cho thấy chúng còn
hiểu được những gì chúng nghe.
hiểu được những gì chúng nghe.
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
Có lẽ không còn ngạc nhiên khi tôi nói
với các bạn chúng có thể viết.
với các bạn chúng có thể viết.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Ở đây là những dòng văn bản tôi tạo ra
bằng giải thuật "học sâu" hôm qua.
bằng giải thuật "học sâu" hôm qua.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Và đây là những văn bản giải thuật ở
Stanford tạo ra.
Stanford tạo ra.
09:49
Each of these sentences was generated
195
577096
1764
Mỗi câu được tạo ra
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
bằng giải thuật "học sâu" nhằm mô tả
những bức ảnh này.
những bức ảnh này.
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
Trước đây giải thuật này chưa bao giờ
thấy một người đàn ông áo đen chơi ghita
thấy một người đàn ông áo đen chơi ghita
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Nhưng nó đã thấy đàn ông,
và đã thấy màu đen,
và đã thấy màu đen,
10:01
it's seen a guitar before,
199
589801
1599
và nó cũng đã thấy đàn ghita,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
rồi nó đã tự tạo ra
chú thích của tấm ảnh này.
chú thích của tấm ảnh này.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Máy vẫn chưa đạt đến mức như
con người, nhưng cũng khá gần rồi.
con người, nhưng cũng khá gần rồi.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Trong các thí nghiệm máy viết phụ đề
cho hình, số phụ đề được người ta chọn
cho hình, số phụ đề được người ta chọn
10:15
one out of four times.
203
603264
1527
chỉ ở tỉ lệ 1/4.
10:16
Now this system is now only two weeks old,
204
604791
2064
Nhưng hệ thống này giờ
chỉ mới 2 tuần tuổi,
chỉ mới 2 tuần tuổi,
10:18
so probably within the next year,
205
606855
1846
nên có thể trong năm tới,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
giải thuật máy tính sẽ còn
hơn cả con người
hơn cả con người
10:23
at the rate things are going.
207
611502
1862
và tỉ lệ được chọn sẽ cao hơn.
10:25
So computers can also write.
208
613364
3049
Máy tính cũng có thể viết.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Chúng tôi kết hợp tất cả lại và nó
dẫn đến những cơ hội rất thú vị.
dẫn đến những cơ hội rất thú vị.
10:31
For example, in medicine,
210
619888
1492
Ví dụ, trong ngành y,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
một nhóm ở Boston thông báo họ đã tìm ra
10:35
dozens of new clinically relevant features
212
623905
2949
hàng chục tính năng lâm sàng mới
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
của các khối u để giúp các
bác sĩ tiên đoán bệnh ung thư.
bác sĩ tiên đoán bệnh ung thư.
10:44
Very similarly, in Stanford,
214
632220
2296
Tương tự, ở Stanford,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
một nhóm thông báo rằng, dựa vào
các hình phóng đại của mô,
các hình phóng đại của mô,
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
họ phát triển hệ thống "máy biết học"
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
còn tốt hơn cả các nhà nghiên cứu bệnh học
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
nhờ thế làm tăng khả năng sống sót
của các bệnh nhân ung thư.
của các bệnh nhân ung thư.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
Trong cả hai trường hợp, không chỉ việc
tiên đoán chính xác hơn,
tiên đoán chính xác hơn,
11:02
but they generated new insightful science.
220
650764
2502
mà còn tạo ra ngành
khoa học mới rất triển vọng.
khoa học mới rất triển vọng.
11:05
In the radiology case,
221
653276
1505
Trong lĩnh vực X-quang,
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
chúng là những chỉ số lâm sàng
mới mà con người có thể hiểu.
mới mà con người có thể hiểu.
11:09
In this pathology case,
223
657876
1792
Trong lĩnh vực bệnh học,
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
hệ thống máy tính đã cho thấy rằng
những tế bào xung quanh khối u
những tế bào xung quanh khối u
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
cũng quan trọng như chính tế bào ung thư
11:19
in making a diagnosis.
226
667508
1752
trong việc chẩn đoán bệnh.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Điều này ngược với những gì các nhà
bệnh học được dạy trong nhiều thập kỷ qua.
bệnh học được dạy trong nhiều thập kỷ qua.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
Trong mỗi trường hợp trên,
chúng là các hệ thống được phát triển
chúng là các hệ thống được phát triển
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
bởi sự hợp tác của các chuyên gia y tế
và các chuyên gia "máy biết học",
và các chuyên gia "máy biết học",
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
nhưng từ năm trước,
chúng tôi đã tiến khá xa.
chúng tôi đã tiến khá xa.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Đây là một ví dụ về xác định khu vực
ung thư
ung thư
11:39
of human tissue under a microscope.
232
687824
2530
của mô người dưới kính hiển vi.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
Hệ thống có thể xác định những
khu vực chính xác hơn
khu vực chính xác hơn
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
hoặc tương đương các nhà bệnh học,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
nhưng vì nó được xây dựng với
"học sâu" không có chuyên gia ngành y
"học sâu" không có chuyên gia ngành y
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
nên những người không chuyên
cũng có thể dùng.
cũng có thể dùng.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
Ví dụ như việc phân đoạn nơ ron này.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Máy giúp chúng tôi phân đoạn nơ ron
chính xác như các chuyên gia,
chính xác như các chuyên gia,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
nhưng hệ thống này lại được thiết kế với
"học sâu"
"học sâu"
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
bởi những người không có
chuyên môn y khoa.
chuyên môn y khoa.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Còn tôi, cũng không có nền tảng về y khoa,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
thế mà tôi dường như có đầy đủ năng lực
để mở một công ty về ngành y,
để mở một công ty về ngành y,
12:15
which I did.
243
723875
2146
và tôi đã làm.
12:18
I was kind of terrified of doing it,
244
726021
1740
Tôi đã từng sợ trước khi bắt đầu,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
nhưng lý thuyết cho thấy mọi người có thể
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
dùng những kỹ thuật phân tích dữ liệu
để có được một nền y học hiệu quả.
để có được một nền y học hiệu quả.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Và may mắn là tôi nhận được
những phản hồi rất tốt,
những phản hồi rất tốt,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
không chỉ từ truyền thông
mà còn từ giới y khoa,
mà còn từ giới y khoa,
12:32
who have been very supportive.
249
740978
2344
họ luôn ủng hộ.
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
Về lý thuyết, chúng tôi có thể lấy phần
giữa của quy trình
giữa của quy trình
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
và làm phân tích dữ liệu
càng nhiều càng tốt,
càng nhiều càng tốt,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
phần còn lại dành cho bác sĩ.
12:45
I want to give you an example.
253
753429
1602
Tôi muốn đưa ra một ví dụ.
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
Thông thường ta cần 15 phút
để làm một xét nghiệm chẩn đoán
để làm một xét nghiệm chẩn đoán
12:51
and I'll show you that in real time now,
255
759975
1954
và tôi sẽ làm cho bạn xem
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
tôi nén nó thành 3 phút
bằng cách cắt bớt bỏ một số phần.
bằng cách cắt bớt bỏ một số phần.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Thay vì cho bạn xem quá trình
một xét nghiệm chẩn đoán y học,
một xét nghiệm chẩn đoán y học,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
tôi sẽ cho các bạn xem một xét nghiệm
chẩn đoán hình ảnh xe hơi,
chẩn đoán hình ảnh xe hơi,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
vì như thế sẽ dễ hiểu cho mọi người.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Chúng tôi bắt đầu với khoảng 1,5 triệu
hình ảnh xe hơi,
hình ảnh xe hơi,
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
tôi muốn tạo tiêu chuẩn để
gom chúng lại vào góc
gom chúng lại vào góc
13:12
of the photo that's being taken.
262
780475
2223
của bức hình đang được chụp.
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
Những bức hình này không gắn nhãn trước,
nên tôi phải bắt đầu từ số không.
nên tôi phải bắt đầu từ số không.
13:18
With our deep learning algorithm,
264
786586
1865
Giải thuật "học sâu"
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
có thể tự xác định
vùng cấu trúc trong những bức ảnh này.
vùng cấu trúc trong những bức ảnh này.
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
Rất thuận lợi, bây giờ con người
và máy tính có thể làm việc cùng nhau.
và máy tính có thể làm việc cùng nhau.
13:27
So the human, as you can see here,
267
795778
2178
Như các bạn đang thấy đây, con người
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
đang nói cho máy tính biết
lĩnh vực cần quan tâm
lĩnh vực cần quan tâm
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
mà họ muốn máy tính sử dụng để
cải thiện giải thuật của nó.
cải thiện giải thuật của nó.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Những hệ thống "học sâu" này thực ra là
không gian 16,000 chiều,
không gian 16,000 chiều,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
bạn có thể thấy ở đây máy tính quay
quanh không gian đó,
quanh không gian đó,
13:45
trying to find new areas of structure.
272
813009
1992
cố gắng tìm vùng mới của cấu trúc.
13:47
And when it does so successfully,
273
815001
1781
Và khi nó làm thành công,
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
người sử dụng máy có thể tìm thấy
khu vực đáng quan tâm.
khu vực đáng quan tâm.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Ở đây, máy tính đã tìm ra những vùng đó,
13:55
for example, angles.
276
823208
2562
ví dụ, các góc.
13:57
So as we go through this process,
277
825770
1606
Khi chúng tôi thực hiện,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
chúng tôi lần lượt nói cho máy tính
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
các loại mảng cấu trúc
mà chúng tôi tìm kiếm.
mà chúng tôi tìm kiếm.
14:04
You can imagine in a diagnostic test
280
832144
1772
Hãy liên tưởng xét nghiệm chuẩn đoán,
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
ví dụ, một chuyên gia bệnh học
xác định những vùng của bệnh ,
xác định những vùng của bệnh ,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
hoặc một bác sĩ X-quang cho thấy nốt sần
có thể gây phiền phức,
có thể gây phiền phức,
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
và đôi khi nó gây khó cho giải thuật.
14:16
In this case, it got kind of confused.
284
844851
1964
Trong trường hợp này, giải thuật hơi rối.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
Phần trước và sau của xe rất
giống nhau nên dễ nhầm.
giống nhau nên dễ nhầm.
14:21
So here we have to be a bit more careful,
286
849365
2072
Chúng tôi phải cẩn thận hơn,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
chọn bằng tay phần trước để thấy
sự khác biệt với phần sau,
sự khác biệt với phần sau,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
sau đó bảo với máy tính rằng đây là
tiêu chuẩn nhận dạng nhóm
tiêu chuẩn nhận dạng nhóm
14:32
that we're interested in.
289
860175
1348
mà chúng tôi quan tâm.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Chúng tôi làm điều đó,
thỉnh thoảng bỏ qua,
thỉnh thoảng bỏ qua,
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
sau đó luyện tập giải thuật
cho "máy biết học"
cho "máy biết học"
14:38
based on these couple of hundred things,
292
866446
1974
dựa trên hàng trăm lần như thế này,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
chúng tôi hy vọng nó hoàn thiện hơn.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Các bạn thấy đó, nó đang bắt đầu làm mờ
vài bức ảnh,
vài bức ảnh,
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
cho thấy rằng nó đã nhận ra cách
để hiểu những hình đó.
để hiểu những hình đó.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Chúng tôi có thể dùng khái niệm này cho
các bức ảnh tương tự,
các bức ảnh tương tự,
14:53
and using similar images, you can now see,
297
881128
2094
và dùng các bức ảnh tương tự, bạn thấy đó,
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
máy tính có thể tìm thấy
phần trước của chiếc xe.
phần trước của chiếc xe.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Lúc này, con người có thể nói cho máy tính
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
ok, đúng rồi, bạn đã làm rất tốt.
15:05
Sometimes, of course, even at this point
301
893652
2185
Nhưng đôi khi, đối với máy
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
việc tách các nhóm hình vẫn còn khó.
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
Ngay cả khi chúng tôi để nhiều thời gian
cho máy tính xoay xở,
cho máy tính xoay xở,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
nhưng chúng tôi vẫn thấy phía trái
và phía phải bức ảnh
và phía phải bức ảnh
15:18
are all mixed up together.
305
906744
1478
bị chọn nhầm lẫn.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Để cho máy tính thêm vài gợi ý,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
chúng tôi nói: ok, hãy thử và tìm
một chi tiết
một chi tiết
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
khác biệt rõ ràng nhất
giữa bên trái và bên phải
giữa bên trái và bên phải
15:27
using this deep learning algorithm.
309
915945
2122
bằng giải thuật "học sâu" này.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Và với gợi ý đó, à, nó đã thành công.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Nó được giao nhiệm vụ tìm ra cách
nhận ra các đối tượng này
nhận ra các đối tượng này
15:35
that's separated out these together.
312
923891
2380
rồi tách rời chúng ra.
15:38
So you get the idea here.
313
926271
2438
Các bạn đã nắm được cách làm này.
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
Trong trường hợp này máy tính
không thể thay con người,
không thể thay con người,
15:48
but where they're working together.
315
936906
2640
nhưng cả hai làm việc chung với nhau.
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
Điều chúng tôi đang làm là thay thế
những thứ mà trước đây cần một đội
những thứ mà trước đây cần một đội
15:55
of five or six people about seven years
317
943096
2002
5 hoặc 6 người làm trong 7 năm
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
bằng một công việc trong 15 phút
15:59
for one person acting alone.
319
947703
2505
của một người.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Quá trình nhận ra và tách hình
được lặp lại 4 hoặc 5 lần.
được lặp lại 4 hoặc 5 lần.
16:06
You can see we now have 62 percent
321
954158
1859
Các bạn thấy chúng tôi có 62%
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
trong số 1.5 triệu bức ảnh
được phân loại chính xác.
được phân loại chính xác.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Và ở mức độ này, chúng tôi có thể
bắt đầu với
bắt đầu với
16:13
grab whole big sections,
324
961448
1297
những nhóm lớn,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
kiểm tra chúng để bảo đảm không còn lỗi.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Nơi nào có lỗi, chúng tôi sẽ cho
máy tính biết.
máy tính biết.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Và dùng dạng quá trình này cho từng nhóm
khác nhau,
khác nhau,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
bây giờ, chúng tôi đạt đến 80% tỉ lệ
thành công
thành công
16:27
in classifying the 1.5 million images.
329
975148
2415
trong việc phân loại 1.5 triệu tấm ảnh.
16:29
And at this point, it's just a case
330
977563
2078
Lúc này, với trường hợp
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
tìm thấy những tấm
không được phân loại đúng,
không được phân loại đúng,
16:35
and trying to understand why.
332
983220
2888
chúng tôi cố gắng tìm hiểu lý do.
16:38
And using that approach,
333
986108
1743
Và sử dụng cách tiếp cận trên,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
với 15 phút chúng tôi đạt tỉ lệ phân loại
97%.
97%.
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
Vậy kỹ thuật này có thể cho chúng ta
chỉnh sửa một vấn đề lớn,
chỉnh sửa một vấn đề lớn,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
mà toàn bộ chuyên gia trên
thế giới cũng không đủ số để làm.
thế giới cũng không đủ số để làm.
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
Diễn đàn Kinh tế Thế giới nói rằng
vào giữa thập kỷ 2010 và 2020
vào giữa thập kỷ 2010 và 2020
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
số lượng bác sĩ bị thiếu
so với nhu cầu của thế giới,
so với nhu cầu của thế giới,
16:57
and it would take about 300 years
339
1005727
2113
và phải mất khoảng 300 năm
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
để đào tạo đủ số nhân sự cho vấn đề này.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Hãy tưởng tượng, liệu chúng ta có thể
nâng hiệu năng của họ
nâng hiệu năng của họ
17:05
using these deep learning approaches?
342
1013619
2839
qua cách tiếp cận "học sâu"?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Tôi rất thích việc tạo ra những cơ hội.
17:10
I'm also concerned about the problems.
344
1018690
2589
Tôi cũng quan tâm đến
các vấn đề khó cần giải quyết.
các vấn đề khó cần giải quyết.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
Vấn đề ở đây là ở mỗi khu vực
màu xanh da trời trên bản đồ,
màu xanh da trời trên bản đồ,
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
ngành dịch vụ chiếm 80% nhân lực.
17:20
What are services?
347
1028172
1787
Ngành dịch vụ gì vậy?
17:21
These are services.
348
1029959
1514
Các dịch vụ trong bảng này.
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
Máy tính cũng vừa mới học
được cách làm các dịch vụ này.
được cách làm các dịch vụ này.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Vậy công việc của 80% nhân lực
trong các nước phát triển
trong các nước phát triển
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
sẽ được máy tính học để làm thay.
17:33
What does that mean?
352
1041963
1440
Điều đó có nghĩa là gì?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
À, sẽ ổn thôi.
Họ sẽ làm các công việc khác.
Họ sẽ làm các công việc khác.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Ví dụ, sẽ có nhiều việc hơn cho
các nhà khoa học dữ liệu.
các nhà khoa học dữ liệu.
17:40
Well, not really.
355
1048693
817
À cũng không hẳn.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Vì các nhà khoa học dữ liệu
không cần nhiều thời gian nữa.
không cần nhiều thời gian nữa.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Ví dụ, bốn giải thuật này được xây dựng
bởi cùng một người.
bởi cùng một người.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Các bạn nghĩ chuyện này
đã xảy ra trước đây rồi,
đã xảy ra trước đây rồi,
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
trong quá khứ nhiều máy móc
được làm ra và tiếp theo là
được làm ra và tiếp theo là
17:54
and they get replaced by new jobs,
360
1062126
2252
và nhiều người đã phải
chuyển sang việc mới,
chuyển sang việc mới,
17:56
what are these new jobs going to be?
361
1064378
2116
nhưng việc mới của thời nay này sẽ là gì?
17:58
It's very hard for us to estimate this,
362
1066494
1871
Thật khó để dự đoán được điều này,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
vì khả năng của con người
thì chỉ tăng từng bước,
thì chỉ tăng từng bước,
18:03
but we now have a system, deep learning,
364
1071104
2562
nhưng với một hệ thống "học sâu",
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
chúng ta có khả năng phát triển rất nhanh.
18:08
And we're here.
366
1076893
1605
Và chúng ta ở đây.
18:10
So currently, we see the things around us
367
1078498
2061
Chúng ta thấy những thứ xung quanh
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
và chúng ta nói: "Ôi, máy tính
vẫn ngốc lắm", lo gì ?
vẫn ngốc lắm", lo gì ?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Nhưng trong 5 năm nữa, máy tính
sẽ không còn như vậy.
sẽ không còn như vậy.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Chúng ta cần suy nghĩ tới
khả năng này ngay từ bây giờ.
khả năng này ngay từ bây giờ.
18:22
We have seen this once before, of course.
371
1090529
2050
Chúng ta thấy một lần
như vậy trước đây rồi.
như vậy trước đây rồi.
18:24
In the Industrial Revolution,
372
1092579
1387
Trong cách mạng công nghiệp,
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
chúng ta đã thấy những thay đổi
nhờ các động cơ.
nhờ các động cơ.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Mặc dù vậy, sau đó mọi thứ
trở nên bình thường.
trở nên bình thường.
18:32
There was social disruption,
375
1100805
1702
Đã có vài đảo lộn trong xã hội,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
nhưng một khi động cơ được dùng
để tạo ra những thuận lợi cho cuộc sống,
để tạo ra những thuận lợi cho cuộc sống,
18:37
things really settled down.
377
1105946
2354
thì mọi thứ đi vào ổn định.
18:40
The Machine Learning Revolution
378
1108300
1473
Cuộc cách mạng "máy biết học"
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
sẽ rất khác với
Cuộc cách mạng công nghiệp,
Cuộc cách mạng công nghiệp,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
vì Cách mạng "máy biết học sẽ
không bao giờ dừng lại.
không bao giờ dừng lại.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Máy tính càng giỏi
trong các hoạt động trí tuệ,
trong các hoạt động trí tuệ,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
thì chúng tạo nên những
máy tính càng thông minh hơn,
máy tính càng thông minh hơn,
18:54
so this is going to be a kind of change
383
1122862
1908
và đây chính là kiểu thay đổi
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
mà thế giới chưa bao giờ trải qua,
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
những phán đoán trước đây của bạn
có thể sẽ không chính xác.
có thể sẽ không chính xác.
19:02
This is already impacting us.
386
1130974
1780
Điều này tác động lên chính chúng ta.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Trong 25 năm trước, khi năng suất
thiết bị tăng,
thiết bị tăng,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
thì năng suất lao động không tăng,
mà thậm chí còn hơi giảm.
mà thậm chí còn hơi giảm.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Tôi nghĩ chúng ta cần
thảo luận về vấn đề này từ bây giờ.
thảo luận về vấn đề này từ bây giờ.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Khi tôi nói với mọi người
về tình hình này,
về tình hình này,
19:19
people can be quite dismissive.
391
1147176
1490
họ thường tỏ vẻ coi thường.
19:20
Well, computers can't really think,
392
1148666
1673
Đúng, máy tính không thể suy nghĩ,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
chúng không có cảm xúc, không hiểu thơ ca,
19:25
we don't really understand how they work.
394
1153367
2521
nhưng ta không lường
trước được cách chúng làm việc.
trước được cách chúng làm việc.
19:27
So what?
395
1155888
1486
Vậy chuyện gì đây?
19:29
Computers right now can do the things
396
1157374
1804
Bây giờ, máy tính có thể làm
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
những việc mà con người
cần cả đời để thực hiện,
cần cả đời để thực hiện,
19:33
so now's the time to start thinking
398
1161897
1731
đây là thời điểm để
chúng ta nghĩ tới
chúng ta nghĩ tới
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
cách điều chỉnh cấu trúc xã hội
và cấu trúc kinh tế
và cấu trúc kinh tế
19:40
to be aware of this new reality.
400
1168015
1840
để thận trọng với hiện thực mới này.
19:41
Thank you.
401
1169855
1533
Xin cảm ơn.
19:43
(Applause)
402
1171388
802
(Tiếng vỗ tay)
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