It used to be that if you wanted to get a computer to do something new, you would have to program it. Now, programming, for those of you here that haven't done it yourself, requires laying out in excruciating detail every single step that you want the computer to do in order to achieve your goal. Now, if you want to do something that you don't know how to do yourself, then this is going to be a great challenge.
Un tempo se volevate far fare qualcosa di nuovo ad un computer dovevate programmarlo. La programmazione, per quelli di voi che non l'hanno mai provata, richiede una spiegazione dettagliata di ogni singolo passaggio che volete che il computer faccia per ottenere il vostro scopo. Se volete fare qualcosa che nemmeno voi sapete come si faccia, potrebbe essere una sfida eccezionale.
So this was the challenge faced by this man, Arthur Samuel. In 1956, he wanted to get this computer to be able to beat him at checkers. How can you write a program, lay out in excruciating detail, how to be better than you at checkers? So he came up with an idea: he had the computer play against itself thousands of times and learn how to play checkers. And indeed it worked, and in fact, by 1962, this computer had beaten the Connecticut state champion.
Questa è la sfida affrontata da quest'uomo, Arthur Samuel. Nel 1956 voleva che il suo computer fosse in grado di batterlo a dama. Come si può scrivere un programma che spieghi in modo dettagliato come essere migliori di voi a dama? Ebbe un'idea: fece giocare il computer contro sé stesso migliaia di volte per imparare a giocare a dama. E ha davvero funzionato, infatti nel 1962 questo computer ha battuto il campione del Connecticut.
So Arthur Samuel was the father of machine learning, and I have a great debt to him, because I am a machine learning practitioner. I was the president of Kaggle, a community of over 200,000 machine learning practictioners. Kaggle puts up competitions to try and get them to solve previously unsolved problems, and it's been successful hundreds of times. So from this vantage point, I was able to find out a lot about what machine learning can do in the past, can do today, and what it could do in the future. Perhaps the first big success of machine learning commercially was Google. Google showed that it is possible to find information by using a computer algorithm, and this algorithm is based on machine learning. Since that time, there have been many commercial successes of machine learning. Companies like Amazon and Netflix use machine learning to suggest products that you might like to buy, movies that you might like to watch. Sometimes, it's almost creepy. Companies like LinkedIn and Facebook sometimes will tell you about who your friends might be and you have no idea how it did it, and this is because it's using the power of machine learning. These are algorithms that have learned how to do this from data rather than being programmed by hand.
Così Arthur Samuel è stato il padre dell'apprendimento automatico, ed ho un grande debito con lui, perché sono un professionista dell'apprendimento automatico. Sono stato il presidente di Kaggle una comunità di oltre 200 000 professionisti dell'apprendimento automatico. Kaggle crea delle competizioni per cercare di risolvere problemi irrisolti e ce l'ha fatta centinaia di volte. Da questo punto di osservazione sono stato in grado di scoprire molto su quanto l'apprendimento automatico ha potuto fare in passato, su quel che può fare oggi, e su cosa potrà fare in futuro. Probabilmente il primo grande successo dell'apprendimento automatico in commercio è stato Google. Google ha mostrato che è possibile trovare informazioni usando un algoritmo informatico, un algoritmo basato sull'apprendimento automatico. Da allora ci sono stati numerosi successi commerciali nell'apprendimento automatico. Società quali Amazon e Netflix usano l'apprendimento automatico per suggerire prodotti che potreste voler acquistare, film che potreste voler vedere. A volte è quasi inquietante. Società come Linkedin e Facebook talvolta vi diranno chi potrebbe essere vostro amico e non avete idea di come ci riescano e questo perché stanno utilizzando l'apprendimento automatico. Sono algoritmi che hanno imparato tutto questo dai dati
This is also how IBM was successful in getting Watson to beat the two world champions at "Jeopardy," answering incredibly subtle and complex questions like this one. ["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"] This is also why we are now able to see the first self-driving cars. If you want to be able to tell the difference between, say, a tree and a pedestrian, well, that's pretty important. We don't know how to write those programs by hand, but with machine learning, this is now possible. And in fact, this car has driven over a million miles without any accidents on regular roads.
invece che dalla programmazione manuale. La IBM è riuscita in questo modo a far sì che Watson battesse due campioni mondiali di "Jeopardy" rispondendo a domande incredibilmente acute e complesse come queste. ["L'antico leone di Nimrud" è scomparso dal museo nazionale di questa città nel 2003 (insieme ad altro materiale)"] Ed ecco perché siamo in grado di vedere la prima auto che si guida da sola. Se vogliamo essere in grado di dire la differenza tra, diciamo, un albero ed un pedone, allora questo è piuttosto importante. Non sappiamo come scrivere questi programmi manualmente ma con l'apprendimento automatico adesso è possibile. Questa auto ha guidato per oltre un milione di chilometri, su strada normale, senza alcun incidente.
So we now know that computers can learn, and computers can learn to do things that we actually sometimes don't know how to do ourselves, or maybe can do them better than us. One of the most amazing examples I've seen of machine learning happened on a project that I ran at Kaggle where a team run by a guy called Geoffrey Hinton from the University of Toronto won a competition for automatic drug discovery. Now, what was extraordinary here is not just that they beat all of the algorithms developed by Merck or the international academic community, but nobody on the team had any background in chemistry or biology or life sciences, and they did it in two weeks. How did they do this? They used an extraordinary algorithm called deep learning. So important was this that in fact the success was covered in The New York Times in a front page article a few weeks later. This is Geoffrey Hinton here on the left-hand side. Deep learning is an algorithm inspired by how the human brain works, and as a result it's an algorithm which has no theoretical limitations on what it can do. The more data you give it and the more computation time you give it, the better it gets.
Adesso sappiamo che i computer possono imparare, i computer possono imparare a fare cose che nemmeno noi non sappiamo fare, o che magari possono fare meglio di noi. Uno degli esempi più impressionanti di apprendimento automatico che ho visto è stato durante un progetto che ho condotto a Kaggle dove un gruppo guidato da un tipo chiamato Geoffrey Hinton dell'università di Toronto ha vinto una competizione per la scoperta automatica di droghe. La cosa straordinaria qui, non è soltanto che hanno battuto tutti gli algoritmi sviluppati da Merck o dalla comunità accademica internazionale ma il fatto che nessuno nella squadra avesse mai avuto esperienza in chimica o in biologia o in scienze biologiche e l'hanno fatto in due settimane. Come ci sono riusciti? Hanno utilizzato un algoritmo fenomenale chiamato apprendimento approfondito. Questo successo è stato così importante da essere stato pubblicato in un articolo nella prima pagina del New York Times poche settimane dopo. Questo qui a sinistra è Geoffrey Hinton. Apprendimento approfondito è un algoritmo ispirato al funzionamento del cervello umano che ha come risultato un algoritmo che non ha limiti teorici su quel che può fare. Più dati gli si forniscono e più tempo di calcolo gli si dà,
The New York Times also showed in this article
meglio funziona.
another extraordinary result of deep learning which I'm going to show you now. It shows that computers can listen and understand.
Il New York Times ha anche spiegato in questo articolo un altro straordinario risultato dell'apprendimento approfondito che sto per mostrarvi.
(Video) Richard Rashid: Now, the last step that I want to be able to take in this process is to actually speak to you in Chinese. Now the key thing there is, we've been able to take a large amount of information from many Chinese speakers and produce a text-to-speech system that takes Chinese text and converts it into Chinese language, and then we've taken an hour or so of my own voice and we've used that to modulate the standard text-to-speech system so that it would sound like me. Again, the result's not perfect. There are in fact quite a few errors. (In Chinese) (Applause) There's much work to be done in this area. (In Chinese) (Applause)
Mostra che i computer possono ascoltare e capire. (Video) Richard Rashid: l'ultimo passo che voglio essere in grado di compiere in questo processo è di parlarvi veramente in cinese. Il punto chiave qui è che siamo stati in grado di prendere una gran quantità di informazioni da numerosi parlanti cinesi per produrre un sistema da testo a voce che prende il testo cinese e lo converte in lingua cinese e abbiamo preso più o meno un'ora della mia stessa voce e l'abbiamo utilizzata per modulare un sistema standard da testo a voce in modo che suoni come la mia. Il risultato non è perfetto. In realtà ci sono un po' di errori. (In cinese) (Applausi) C'è ancora molto da fare in questo settore. (In cinese) (Applausi) Jeremy Howard:
Jeremy Howard: Well, that was at a machine learning conference in China. It's not often, actually, at academic conferences that you do hear spontaneous applause, although of course sometimes at TEDx conferences, feel free. Everything you saw there was happening with deep learning. (Applause) Thank you. The transcription in English was deep learning. The translation to Chinese and the text in the top right, deep learning, and the construction of the voice was deep learning as well.
questo è accaduto alla conferenza sull'apprendimento automatico in Cina. Non capita davvero spesso alle conferenze accademiche di sentire applausi spontanei benché ovviamente talvolta alle conferenze TEDx siate liberi di farlo. Tutto quello che avete visto è accaduto grazie all'apprendimento approfondito. (Applausi) Grazie. La trascrizione in inglese è apprendimento approfondito. La traduzione in cinese e il testo in alto a destra, apprendimento approfondito,
So deep learning is this extraordinary thing. It's a single algorithm that can seem to do almost anything, and I discovered that a year earlier, it had also learned to see. In this obscure competition from Germany called the German Traffic Sign Recognition Benchmark, deep learning had learned to recognize traffic signs like this one. Not only could it recognize the traffic signs better than any other algorithm, the leaderboard actually showed it was better than people, about twice as good as people. So by 2011, we had the first example of computers that can see better than people. Since that time, a lot has happened. In 2012, Google announced that they had a deep learning algorithm watch YouTube videos and crunched the data on 16,000 computers for a month, and the computer independently learned about concepts such as people and cats just by watching the videos. This is much like the way that humans learn. Humans don't learn by being told what they see, but by learning for themselves what these things are. Also in 2012, Geoffrey Hinton, who we saw earlier, won the very popular ImageNet competition, looking to try to figure out from one and a half million images what they're pictures of. As of 2014, we're now down to a six percent error rate in image recognition. This is better than people, again.
e la costruzione della voce ancora apprendimento approfondito. Dunque l'apprendimento approfondito è questa cosa straordinaria. È un singolo algoritmo che sembra essere in grado di fare qualsiasi cosa e ho scoperto che un anno prima ha anche imparato a vedere. In questa sconosciuta competizione dalla Germania chiamata lo Standard tedesco per il riconoscimento dei segnali stradali l'apprendimento approfondito ha imparato a riconoscere segnali stradali come questo. Non solo può riconoscere i segnali stradali meglio di qualunque altro algoritmo la classifica dei leader mostra che in realtà è stato migliore delle persone, almeno il doppio delle persone. Così nel 2011 abbiamo avuto il primo esempio di computer che può vedere meglio delle persone. Da allora sono successe molte cose. Nel 2012 Google ha annunciato che un algoritmo di apprendimento approfondito ha guardato i video di YouTube e ha suddiviso i dati su 16 000 computer per un mese e il computer ha imparato in modo autonomo concetti quali persone e gatti solo guardando i video. Assomiglia molto al modo di imparare degli uomini. Gli uomini non apprendono quando gli si dice cosa vedono, ma apprendendo da soli cosa sono queste cose. Anche nel 2012 Geoffrey Hinton, che abbiamo visto prima, ha vinto la popolarissima competizione ImageNet cercando di capire da un milione e mezzo di immagini di che cosa erano la foto. Già dal 2014 siamo a meno del sei percento del tasso di errore nel riconoscimento delle immagini.
So machines really are doing an extraordinarily good job of this, and it is now being used in industry. For example, Google announced last year that they had mapped every single location in France in two hours, and the way they did it was that they fed street view images into a deep learning algorithm to recognize and read street numbers. Imagine how long it would have taken before: dozens of people, many years. This is also happening in China. Baidu is kind of the Chinese Google, I guess, and what you see here in the top left is an example of a picture that I uploaded to Baidu's deep learning system, and underneath you can see that the system has understood what that picture is and found similar images. The similar images actually have similar backgrounds, similar directions of the faces, even some with their tongue out. This is not clearly looking at the text of a web page. All I uploaded was an image. So we now have computers which really understand what they see and can therefore search databases of hundreds of millions of images in real time.
Ancora una volta meglio delle persone. Le macchine stanno davvero facendo un lavoro straordinario qui e verrà utilizzato nell'industria. Per esempio, Google lo scorso anno ha annunciato che ha mappato ogni singola località in Francia in due ore e lo ha fatto fornendo immagini di strade ad un algoritmo di apprendimento approfondito per riconoscere e leggere i numeri civici. Immaginate quanto si sarebbe impiegato prima: dozzine di persone, diversi anni. Sta accadendo anche in Cina. Baidu è una sorta di Google cinese, immagino, e quel che potete vedere in alto a sinistra è un esempio delle immagini che ho caricato nel sistema di apprendimento approfondito di Baidu, al di sotto potete vedere che il sistema ha capito che cos'è quell'immagine e ha trovato immagini simili. In effetti le immagini simili hanno sfondi simili, simili direzioni dei volti, alcuni persino con la lingua fuori. Questo non sta certamente cercando il testo in una pagina del web. Tutto quello che ho caricato è un'immagine. Così adesso abbiamo computer che comprendono davvero quello che vedono e che possono di conseguenza cercare nei database
So what does it mean now that computers can see? Well, it's not just that computers can see. In fact, deep learning has done more than that. Complex, nuanced sentences like this one are now understandable with deep learning algorithms. As you can see here, this Stanford-based system showing the red dot at the top has figured out that this sentence is expressing negative sentiment. Deep learning now in fact is near human performance at understanding what sentences are about and what it is saying about those things. Also, deep learning has been used to read Chinese, again at about native Chinese speaker level. This algorithm developed out of Switzerland by people, none of whom speak or understand any Chinese. As I say, using deep learning is about the best system in the world for this, even compared to native human understanding.
di centinaia di milioni di immagini in tempo reale. Cosa significa che i computer possono vedere? Non è solo che i computer possono vedere. Infatti l'apprendimento approfondito ha fatto molto più di questo. Frasi complesse e sfumate come questa adesso sono comprensibili con un algoritmo di apprendimento approfondito. Come potete vedere qui, questo sistema basato su Stanford che mostra punti rossi in cima ha capito che questa frase sta esprimendo un sentimento negativo. L'apprendimento approfondito è simile al comportamento umano nel comprendere quello di cui tratta la frase e che cosa sta dicendo su queste cose. L'apprendimento approfondito è stato utilizzato per leggere il cinese ad un livello simile a quello di un madrelingua. Questo algoritmo è stato sviluppato in Svizzera da persone che non parlavano o capivano il cinese. Come ho detto, l'uso dell'apprendimento approfondito è praticamente il sistema migliore del mondo per fare questo,
This is a system that we put together at my company which shows putting all this stuff together. These are pictures which have no text attached, and as I'm typing in here sentences, in real time it's understanding these pictures and figuring out what they're about and finding pictures that are similar to the text that I'm writing. So you can see, it's actually understanding my sentences and actually understanding these pictures. I know that you've seen something like this on Google, where you can type in things and it will show you pictures, but actually what it's doing is it's searching the webpage for the text. This is very different from actually understanding the images. This is something that computers have only been able to do for the first time in the last few months.
anche paragonato alla conoscenza umana. Questo è il sistema che abbiamo messo a punto nella mia azienda, che mostra come mettere tutto questo materiale insieme. Queste immagini non hanno alcun testo allegato e mentre sto digitando queste frasi in tempo reale sta capendo queste immagini e immaginando cosa riguardano e trovando immagini simili al testo che sto scrivendo. Come potete vedere, sta effettivamente capendo le mie frasi e sta realmente comprendendo queste immagini. So che avete visto qualcosa di simile su Google dove potete digitare cose e lui vi mostra delle immagini, ma in realtà quello che fa è cercare una pagina web riferita al testo. È molto diverso dal capire davvero le immagini. È una cosa che i computer sono stati in grado di fare per la prima volta negli ultimi mesi.
So we can see now that computers can not only see but they can also read, and, of course, we've shown that they can understand what they hear. Perhaps not surprising now that I'm going to tell you they can write. Here is some text that I generated using a deep learning algorithm yesterday. And here is some text that an algorithm out of Stanford generated. Each of these sentences was generated by a deep learning algorithm to describe each of those pictures. This algorithm before has never seen a man in a black shirt playing a guitar. It's seen a man before, it's seen black before, it's seen a guitar before, but it has independently generated this novel description of this picture. We're still not quite at human performance here, but we're close. In tests, humans prefer the computer-generated caption one out of four times. Now this system is now only two weeks old, so probably within the next year, the computer algorithm will be well past human performance at the rate things are going. So computers can also write.
Vediamo che i computer non soltanto possono vedere le immagini, possono anche leggere e ovviamente mostrare che possono comprendere quello che sentono. Forse non vi sorprenderà quello che sto per dirvi, cioè che sono in grado di scrivere. Ecco un testo che ho scritto ieri utilizzando un algoritmo di apprendimento approfondito. Ed ecco un testo che un algoritmo di Stanford ha creato. Ognuna di queste frasi è stata creata da un algoritmo di apprendimento approfondito per descrivere ognuna di queste immagini. Questo algoritmo non ha mai visto un uomo in maglietta nera che suona la chitarra. Ha già visto un uomo prima, ha già visto il nero prima, ha già visto una chitarra prima, ma ha generato in modo autonomo questa nuova descrizione di questa fotografia. Non è ancora una prestazione umana, ma ci siamo vicini. Nei test, gli uomini preferiscono un sottotitolo generato dal computer una volta su quattro. Questo sistema ha soltanto due settimane, quindi forse entro il prossimo anno l'algoritmo informatico sarà oltre la prestazione umana alla velocità con cui vanno le cose.
So we put all this together and it leads to very exciting opportunities. For example, in medicine, a team in Boston announced that they had discovered dozens of new clinically relevant features of tumors which help doctors make a prognosis of a cancer. Very similarly, in Stanford, a group there announced that, looking at tissues under magnification, they've developed a machine learning-based system which in fact is better than human pathologists at predicting survival rates for cancer sufferers. In both of these cases, not only were the predictions more accurate, but they generated new insightful science. In the radiology case, they were new clinical indicators that humans can understand. In this pathology case, the computer system actually discovered that the cells around the cancer are as important as the cancer cells themselves in making a diagnosis. This is the opposite of what pathologists had been taught for decades. In each of those two cases, they were systems developed by a combination of medical experts and machine learning experts, but as of last year, we're now beyond that too. This is an example of identifying cancerous areas of human tissue under a microscope. The system being shown here can identify those areas more accurately, or about as accurately, as human pathologists, but was built entirely with deep learning using no medical expertise by people who have no background in the field. Similarly, here, this neuron segmentation. We can now segment neurons about as accurately as humans can, but this system was developed with deep learning using people with no previous background in medicine.
I computer possono anche scrivere. Abbiamo messo tutto insieme e ci ha portato ad opportunità emozionanti. Per esempio in medicina un gruppo di Boston ha annunciato che ha scoperto dozzine di caratteristiche dei tumori clinicamente rilevanti che aiutano i medici nel fare una prognosi del cancro. Analogamente, a Stanford un gruppo ha annunciato che osservando i tessuti ingranditi hanno sviluppato un sistema basato sull'apprendimento automatico che è migliore dei patologi umani nel predire le percentuali di sopravvivenza nei malati di cancro. In entrambi i casi non solo le previsioni sono più accurate ma generano una nuova scienza intelligente. Nel caso della radiologia sono nuovi indicatori clinici che gli umani possono comprendere. Nel caso di questa patologia il sistema informatico ha scoperto che le cellule intorno al cancro sono importanti quanto le cellule tumorali stesse per fare una diagnosi. È il contrario di quanto è stato insegnato ai patologi per decenni. In ognuno dei due casi sono sistemi sviluppati da una combinazione di esperti in medicina e di esperti in apprendimento automatico ma a partire dallo scorso anno siamo andati anche oltre. Questo è un esempio di identificazione delle aree tumorali di un tessuto umano al microscopio. Questo sistema può identificare le aree con maggiore accuratezza o con la stessa accuratezza di un patologo umano ma è stato costruito interamente con l'apprendimento approfondito senza utilizzare la competenza medica da persone che non hanno alcuna competenza in questo settore. Analogamente qui c'è la segmentazione di un neurone. Ora siamo in grado di segmentare i neuroni con la stessa accuratezza degli uomini, ma questo sistema è stato sviluppato con l'apprendimento approfondito
So myself, as somebody with no previous background in medicine, I seem to be entirely well qualified to start a new medical company, which I did. I was kind of terrified of doing it, but the theory seemed to suggest that it ought to be possible to do very useful medicine using just these data analytic techniques. And thankfully, the feedback has been fantastic, not just from the media but from the medical community, who have been very supportive. The theory is that we can take the middle part of the medical process and turn that into data analysis as much as possible, leaving doctors to do what they're best at. I want to give you an example. It now takes us about 15 minutes to generate a new medical diagnostic test and I'll show you that in real time now, but I've compressed it down to three minutes by cutting some pieces out. Rather than showing you creating a medical diagnostic test, I'm going to show you a diagnostic test of car images, because that's something we can all understand.
da persone con nessuna competenza in medicina. Io stesso, da persona senza alcuna competenza in medicina, sono pienamente qualificato per iniziare una nuova società medica, cosa che ho fatto. Ero piuttosto spaventato nel farlo ma la teoria sembrava suggerire che era possibile fare medicina molto utile utilizzando soltanto queste tecniche di analisi dati. Fortunatamente abbiamo avuto un fantastico riscontro non soltanto dai media, ma anche dalla comunità medica, che è stata di grande supporto. La teoria è che possiamo prendere la parte centrale di un processo medico e trasformarla in un analisi di dati per quanto possibile, lasciando i medici a fare quel che fanno meglio. Voglio farvi un esempio. Ad oggi occorrono 15 minuti per produrre un nuovo test medico diagnostico, io ve lo mostrerò in tempo reale, ma l'ho compresso a tre minuti eliminando qualche parte. Invece di farvi vedere la creazione di un test medico diagnostico sto per mostrarvi un test diagnostico con immagini di auto,
So here we're starting with about 1.5 million car images, and I want to create something that can split them into the angle of the photo that's being taken. So these images are entirely unlabeled, so I have to start from scratch. With our deep learning algorithm, it can automatically identify areas of structure in these images. So the nice thing is that the human and the computer can now work together. So the human, as you can see here, is telling the computer about areas of interest which it wants the computer then to try and use to improve its algorithm. Now, these deep learning systems actually are in 16,000-dimensional space, so you can see here the computer rotating this through that space, trying to find new areas of structure. And when it does so successfully, the human who is driving it can then point out the areas that are interesting. So here, the computer has successfully found areas, for example, angles. So as we go through this process, we're gradually telling the computer more and more about the kinds of structures we're looking for. You can imagine in a diagnostic test this would be a pathologist identifying areas of pathosis, for example, or a radiologist indicating potentially troublesome nodules. And sometimes it can be difficult for the algorithm. In this case, it got kind of confused. The fronts and the backs of the cars are all mixed up. So here we have to be a bit more careful, manually selecting these fronts as opposed to the backs, then telling the computer that this is a type of group that we're interested in.
perché è qualcosa che possiamo comprendere tutti. Quindi inizieremo con circa un milione e mezzo di immagini di auto e voglio creare qualcosa che le suddivida per l'angolazione con cui sono state scattate le fotografie. Queste immagini non sono etichettate, quindi dovrò cominciare da zero. Con il nostro algoritmo per l'apprendimento approfondito si possono identificare automaticamente le aree delle strutture in queste immagini. La cosa bella è che l'uomo e il computer possono lavorare insieme. L'uomo, come potete vedere qui, sta spiegando al computer le aree di interesse che vuole che il computer utilizzi per migliorare l'algoritmo. In realtà questi sistemi di apprendimento approfondito sono in uno spazio di 16 000 dimensioni così potete vedere qui il computer che lo ruota attraverso quello spazio cercando di trovare nuove aree di struttura. Quando ci riesce l'uomo che lo sta guidando può poi segnalare le aree interessanti. Qui il computer ha trovato con successo le aree ad esempio, gli spigoli. Durante questo processo stiamo dicendo gradualmente al computer sempre di più sul tipo di strutture che stiamo cercando. Potete immaginare in un test diagnostico che questo potrebbe essere un patologo che identifica le aree malate, oppure ad esempio un radiologo che indica i noduli potenzialmente problematici. Talvolta può essere difficile per l'algoritmo. Qui è in un qualche modo confuso. Le immagini della parte anteriore e posteriore delle auto sono mescolate. In questo caso dobbiamo essere un po' più cauti, selezionando le parti anteriori come opposte alle parti posteriori. e dicendo al computer che questo è il tipo di gruppo
So we do that for a while, we skip over a little bit, and then we train the machine learning algorithm based on these couple of hundred things, and we hope that it's gotten a lot better. You can see, it's now started to fade some of these pictures out, showing us that it already is recognizing how to understand some of these itself. We can then use this concept of similar images, and using similar images, you can now see, the computer at this point is able to entirely find just the fronts of cars. So at this point, the human can tell the computer, okay, yes, you've done a good job of that.
a cui siamo interessati. Lo facciamo per un po', tralasciando qualcosa, così addestriamo l'algoritmo per l'apprendimento automatico basandoci su queste coppie di centinaia di cose sperando che il risultato sia migliore. Potete vedere che sta iniziando a dissolvere alcune di queste fotografie mostrandoci che sta già riconoscendo come capire da solo alcune di queste. Possiamo utilizzare questo concetto di immagini simili, e utilizzando immagini simili, come potete vedere. il computer a questo punto è in grado di trovare la parte anteriore delle auto. A questo punto l'uomo può dire al computer va bene, hai fatto un buon lavoro.
Sometimes, of course, even at this point it's still difficult to separate out groups. In this case, even after we let the computer try to rotate this for a while, we still find that the left sides and the right sides pictures are all mixed up together. So we can again give the computer some hints, and we say, okay, try and find a projection that separates out the left sides and the right sides as much as possible using this deep learning algorithm. And giving it that hint -- ah, okay, it's been successful. It's managed to find a way of thinking about these objects that's separated out these together.
Talvolta, ovviamente, persino a questo punto è ancora difficile separare i gruppi. In questo caso anche dopo aver lasciato il computer a provare a ruotarlo per un po' troveremo ancora che le immagini dei lati sinistri e dei lati destri sono tutte mescolate. Così possiamo dare ulteriori indicazioni al computer e dire, va bene, prova a trovare una proiezione per separare i lati sinistri da quelli destri per quanto possibile utilizzando questo algoritmo di apprendimento approfondito. Dandogli quel suggerimento -- ecco, c'è riuscito. È riuscito a trovare un modo per pensare a questi oggetti separandoli dagli altri.
So you get the idea here. This is a case not where the human is being replaced by a computer, but where they're working together. What we're doing here is we're replacing something that used to take a team of five or six people about seven years and replacing it with something that takes 15 minutes for one person acting alone.
Vi state facendo un'idea. Questo non è un caso in cui l'uomo è rimpiazzato dal computer, ma uno in cui lavorano insieme. Quello che stiamo facendo qui è sostituire qualcosa per il quale serviva una squadra di cinque o sei persone per circa sette anni e sostituirlo con qualcosa che impiega 15 minuti e una persona che lavora da sola.
So this process takes about four or five iterations. You can see we now have 62 percent of our 1.5 million images classified correctly. And at this point, we can start to quite quickly grab whole big sections, check through them to make sure that there's no mistakes. Where there are mistakes, we can let the computer know about them. And using this kind of process for each of the different groups, we are now up to an 80 percent success rate in classifying the 1.5 million images. And at this point, it's just a case of finding the small number that aren't classified correctly, and trying to understand why. And using that approach, by 15 minutes we get to 97 percent classification rates.
Questo processo richiede all'incirca quattro o cinque ripetizioni. Potete vedere che adesso abbiamo il 62 per cento del nostro milione e mezzo di immagini classificato correttamente. A questo punto possiamo iniziare a prendere piuttosto velocemente grandi sezioni, controllarle per essere sicuri che non ci siano errori. Dove ci sono errori, possiamo farlo sapere al computer. Utilizzando questo tipo di processo per ognuno dei diversi gruppi siamo vicini ad un tasso di successo dell'80 per cento nel classificare un milione e mezzo di immagini. A questo punto è solo si tratta solo di trovare trova la piccola parte che non è classificata correttamente e si cerca di capire perché. Usando questo approccio in 15 minuti arriviamo a un tasso di classificazione del 97 per cento.
So this kind of technique could allow us to fix a major problem, which is that there's a lack of medical expertise in the world. The World Economic Forum says that there's between a 10x and a 20x shortage of physicians in the developing world, and it would take about 300 years to train enough people to fix that problem. So imagine if we can help enhance their efficiency using these deep learning approaches?
Questo tipo di tecnica può permetterci di risolvere un problema più grande, cioè che c'è una mancanza di competenza medica nel mondo. Il Forum Economico Mondiale riporta che ci sono dalle 10 alle 20 volte meno medici del necessario nei paesi in via di sviluppo e serviranno circa 300 anni per formare abbastanza persone per risolvere il problema. Quindi immaginate se potessimo aiutare a migliorare la loro efficacia
So I'm very excited about the opportunities. I'm also concerned about the problems. The problem here is that every area in blue on this map is somewhere where services are over 80 percent of employment. What are services? These are services. These are also the exact things that computers have just learned how to do. So 80 percent of the world's employment in the developed world is stuff that computers have just learned how to do. What does that mean? Well, it'll be fine. They'll be replaced by other jobs. For example, there will be more jobs for data scientists. Well, not really. It doesn't take data scientists very long to build these things. For example, these four algorithms were all built by the same guy. So if you think, oh, it's all happened before, we've seen the results in the past of when new things come along and they get replaced by new jobs, what are these new jobs going to be? It's very hard for us to estimate this, because human performance grows at this gradual rate, but we now have a system, deep learning, that we know actually grows in capability exponentially. And we're here. So currently, we see the things around us and we say, "Oh, computers are still pretty dumb." Right? But in five years' time, computers will be off this chart. So we need to be starting to think about this capability right now.
utilizzando l'approccio con questo apprendimento approfondito? Sono davvero entusiasta di questa opportunità. Sono anche preoccupato per i problemi. Il problema è che ogni area in blu su questa mappa indica un posto dove i servizi sono oltre l'80 per cento del lavoro. Cosa sono i servizi? Questi sono i servizi. Questi sono anche proprio quello che i computer hanno appena imparato a fare. Così l'80 per cento dell'occupazione mondiale nel mondo sviluppato è in qualcosa che i computer hanno appena imparato a fare. Cosa significa tutto ciò? Che andrà tutto bene. Saranno sostituiti da altri lavori. Ad esempio ci sarà più lavoro per i data scientist. Veramente no. Non occorrono molti data scientist per costruire questi. Ad esempio questi quattro algoritmi sono stati creati dalla stessa persona. Così se pensate: è già accaduto prima abbiamo visto in passato i risultati di quando arrivano novità e vengono sostituite da nuovi lavori, ma come saranno questi nuovi lavori? È molto difficile per noi prevederlo perché la conoscenza umana cresce ad un tasso graduale, mentre ora che abbiamo questo sistema di apprendimento approfondito che sappiamo che ha una conoscenza che cresce a livello esponenziale. Siamo qui. Attualmente vediamo le cose intorno a noi e diciamo: "I computer sono ancora piuttosto stupidi" Giusto? Ma fra cinque anni saranno fuori da questo diagramma.
We have seen this once before, of course. In the Industrial Revolution, we saw a step change in capability thanks to engines. The thing is, though, that after a while, things flattened out. There was social disruption, but once engines were used to generate power in all the situations, things really settled down. The Machine Learning Revolution is going to be very different from the Industrial Revolution, because the Machine Learning Revolution, it never settles down. The better computers get at intellectual activities, the more they can build better computers to be better at intellectual capabilities, so this is going to be a kind of change that the world has actually never experienced before, so your previous understanding of what's possible is different.
Così dobbiamo iniziare a pensare a questa capacità proprio adesso. L'abbiamo già visto, ovviamente. Nella Rivoluzione Industriale abbiamo visto un cambio di passo nella capacità grazie al motore. Il punto è tuttavia che dopo un po' le cose si sono appiattite. Ci sono stati disordini sociali, ma una volta che il motore è stato usato per generare energia in ogni situazione le cose si sono assestate. La Rivoluzione dell'Apprendimento Automatico sarà molto diversa dalla Rivoluzione Industriale perché la Rivoluzione dell'Apprendimento Automatico non si assesterà. Più i computer miglioreranno le attività intellettuali più si potranno costruire computer migliori che miglioreranno le capacità intellettuali, quindi questo sarà un cambiamento che il mondo non ha davvero mai sperimentato prima quindi la vostra comprensione precedente su quel che è possibile, è diverso.
This is already impacting us. In the last 25 years, as capital productivity has increased, labor productivity has been flat, in fact even a little bit down.
Sta già avendo un impatto su di noi. Negli ultimi 25 anni la produttività del capitale è cresciuta, la produttività del lavoro è rimasta uguale, è persino calata un po'.
So I want us to start having this discussion now. I know that when I often tell people about this situation, people can be quite dismissive. Well, computers can't really think, they don't emote, they don't understand poetry, we don't really understand how they work. So what? Computers right now can do the things that humans spend most of their time being paid to do, so now's the time to start thinking about how we're going to adjust our social structures and economic structures to be aware of this new reality. Thank you. (Applause)
Quindi voglio che iniziamo a discuterne sin da adesso. So che spesso quando parlo alle persone di questa situazione le persone sono piuttosto sprezzanti. Del resto i computer non possono veramente pensare, non hanno emozioni, non comprendono la poesia, non capiamo davvero come funzionano. Quindi? Già adesso i computer possono fare cose per fare le quali le persone vengono pagate, quindi è tempo di iniziare a pensare a come dovremo modificare le nostre strutture sociali ed economiche per diventare consapevoli di questa nuova realtà. Grazie. (Applausi)