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.
Eskiden bilgisayarınıza yeni bir şeyler yaptırmak isteseniz programlamanız gerekirdi. Şimdi, programlama; burada hiç yapmayanlar için söylüyorum, her adımı, her detayı bilgisayarın yapmasını istediğin her şeyi amacına ulaşman için tasarlaman gerekir. Nasıl yapacağını bilmediğin bir şeyi yapmak istiyorsan bu çok zorlu olacak.
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.
Arthur Samuel de bunu yaptı. 1956'da bilgisayarının onu damada yenebilmesini istiyordu. Her detayıyla nasıl bir program tasarlayarak damada senden daha iyi olmasını sağlayabilirsin? Bu soruna bir çözüm buldu: Binlerce kez bilgisayarıyla dama oynayacak ve böylece bilgisayara damayı öğrenecekti. Bu işe yaradı ve 1962'de bilgisayar Connecticut eyaleti şampiyonunu yendi.
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.
Bu şekilde Arthur Samuel, makine öğrenmenin fikir öncüsüydü ve ona borçluyum, çünkü bir makine öğrenimi uygulayıcısıyım. 200 bini aşkın uygulayıcıyı biraraya getiren Kaggle'ın başkanıydım. Kaggle yarışmalar düzenleyip çözülememiş problemleri çözmeye çalışıyordu ve yüzlerce kez başarılı oldular. Bu açıdan bakıldığında, makine öğreniminin geçmişte, günümüzde ve gelecekte planlanan çalışmaları hakkında çok şey öğrendim. Ticari anlamda belki de makine öğreniminin ilk başarısı Google'dır. Google bilgisayar algoritması ile bilgilere erişmeyi mümkün kılar ve bu algoritma makine öğrenimini temel alır. Bugüne kadar birçok ticari olarak başarılı uygulaması oldu. Amazon, Netflix gibi bir çok başarılı şirket makine öğrenimini ürünlerini ve filmlerini satmak için kullanmışlardır. Bu bazen ürkütücü olabilir. LinkedIn ve Facebook gibi şirketler bazen size tanıyor olabileceğiniz kişileri gösterir ve siz bunu nasıl yaptığını bilemezsiniz; işte bu makine öğreniminin eseridir. Bu sistem, programlanmak yerine datadan
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.
öğrenen algoritmalardan oluşur. Bu IBM'in Watson ile Jeopardy yarışmasında oldukça zor ve karışık soruları doğru cevaplayarak nasıl iki dünya şampiyonunu yenmeyi başardığını açıklar. İnsansız arabalar da bu sistem ile çalışır. Yaya ile ağaç arasındaki farkı söylemek isterseniz buyrun, söyleyin bu çok önemli. Bu programların elle nasıl yazıldığını bilmiyoruz ama makine öğrenimi ile mümkün. Ve bu arabalar bir düz yolda kaza yapmadan 1 milyon mili aştı.
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.
Böylece bilgisayarların, öğrenebildiğini ve bazen bizim yapmayı bilmediğimiz şeyleri yapmayı öğrenebildiklerini veya bizden bunları bizden daha iyi yapabileceklerini görüyoruz. Makine öğreniminin en iyi örneklerini Kaggle'da yürüttüğümüz bir projede gördüm: Toronto Üniversitesi'nden Geoffrey Hinton ve ekibi otomatik uyuşturucu tespiti alanında yarışmayı kazandı. Burada ilginç olansa; Merck veya uluslararası akademik çevrenin geliştirdiği bütün algoritmaları kimya ve biyoloji gibi alanlarda geçmişi olmayan kişilerin algoritmayı çözmeleri değil bunu 2 haftada yapmış olmaları. Peki bunu nasıl başardılar? Derin Öğrenme denilen olağanüstü bir algoritma kullandılar. Bu o kadar önemli bir başarıydı ki birkaç hafta sonra New York Times'ın kapağında yer aldı. Sol kenarda Geoffrey Hinton vardı. Derin Öğrenme, insan beyninin çalışmasından ilham alınarak oluşturulmuş bir algoritmadır ve kapasitesi konusunda teorik kısıtlamalar içermez. Ona ne kadar çok veri ve zaman verirseniz o kadar iyi sonuçlar elde edersiniz.
The New York Times also showed in this article another extraordinary result of deep learning which I'm going to show you now. It shows that computers can listen and understand.
New York Times'ın haberinde derin öğrenme ile elde edilen bir sonuç daha vardı; onu da şimdi göstereceğim: Sonuca göre: Bilgisayarlar dinleyebilir
(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)
ve anlayabilir. Richard Rashid:"Bu yöntemde son aşamada gelebilmek istediğim nokta sizinle Çince konuşmak. Olay şu ki; bir çok Çinliden çok miktarda bilgi alma imkanımız oldu ve Çince bir metni alan ve Çin diline çeviren yani yazıyı konuşmaya dönüştüren bir sistem oluşturduk. Sonra konuşmamın bir saatlik kısmını aldık ve standart metni konuşma sistemine modüle ettik sonuç olarak benim konuşmam gibi olmalıydı. Sonuç mükemmel olmadı elbette. Hatta bir çok hata vardı. (Çince) (Alkışlar) Bu alanda daha çok çalışılması gerekiyor. (Çince) (Alkışlar)
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.
Bu, Çinde makine öğrenimi konferansıydı. Genelde akademik konferanslarda spontane alkışlamalar olmaz ancak TEDx konferanslarında rastlanabilir. Burada gördüğünüz her şey derin öğrenme ile gerçekleşiyor. (Alkışlar) Teşekkürler. İngilizce uyarlama derin öğrenme ile yapıldı. Çince çeviri ve sağ üstteki metin derin öğrenmeyle,
So deep learning is this extraordinary thing.
ve yine sesin entegre edilmesi de derin öğrenme ile yapıldı.
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.
Derin öğrenme alışılmışın dışında bir şey. Tek bir algoritma neredeyse her şeyi yapabilecek gibi duruyor ve geçen sene öğrendim ki görmeyi de öğrenmiş. Almanya'da Alman Trafik İşaretleri Karşılaştırması olarak adlandırılan yarışmada derin öğrenme bu gibi işaretleri algılamayı öğrendi. Diğer algoritmalardan daha iyi algılamakla kalmayıp, yarışmanın sıralamasına bakıldığında insanlardan da daha iyi tanıdı; hatta iki katı daha fazla. 2011 yılında, bilgisayarların insanlardan daha iyi görebildiğini anladık. O zamandan beri sayısız çalışma yapıldı. 2012'de Google; Youtube videolarını izleyen ve aylık 16.000 bilgisayardaki veriyi sıkıştırabilen derin öğrenme algoritmaları olduğunu açıkladı. Ayrıca bilgisayarlar ayrı ayrı insan ve kedi gibi konseptleri izleyerek öğrendi. Bu insanların öğrenmesine benziyor. İnsanlar gördüklerinin anlatılmasıyla değil kendileri başlarına öğrenirler. Yine 2012'de az önce gördüğümüz Geoffrey Hinton 1.5 milyon fotoğrafa bakarak neyin fotoğrafları olduğunu çözmeye çalışarak popüler olan ImageNet yarışmasını kazandı. 2014 yılında görüntü tanımada %6 lık hata payına düştük. Bu da insanlardan daha iyi.
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.
Makinalar gerçekten bu alanda harika işler yapıyor ve artık endüstride de kullanılıyor. Mesela Google, geçen yıl Fransa'daki her bir konumu 2 saatte haritada işaretlediğini duyurdu ve cadde numaralarını okumak ve tanımlamak için cadde görüntülerini bir derin öğrenme algoritmasında kullandılar. Bunun önceleri ne kadar sürdüğünü düşünün: binlerce insan, bir çok yıl. Bu Çin'de de oldu. Baidu bir çeşit Çin'in Google'ı, sanırım, sol üst köşede gördüğünüz Baidu'nun derin öğrenme sistemine yüklediğim görüntünün örneği ve arkaplanda ise sistemin görüntüyü tanımlayıp benzerlerini bulduğunu görebilirsiniz. Benzer resimler gerçekten de benzer arka planlara, benzer yüz açılarına sahip hatta bazılarında dilleri dışarıda. Tam olarak web sayfasının metnine bakmak gibi değil. Tek yaptığım resim yüklemekti. O halde gördüklerini anlayabilen ve bu sayede gerçek zamanlı olarak yüz milyonlarca görüntüyü veritabanlarında
So what does it mean now that computers can see?
arayabilen bilgisayarlar var.
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.
Peki bilgisayarların görmesi ne anlama geliyor? Sadece görebilmesini sağlamak değil aslında derin öğrenme bundan daha fazlasını yaptı. Bu gibi karmaşık ve incelikli cümleler artık derin öğrenme algoritmalarıyla anlaşılabilir. Gördüğünüz üzere; Stanford-tabanlı sistem, üstteki kırmızı noktanın negatif bir his ifade ettiğini anlıyor. Derin öğrenme hatta cümlelerin ne hakkında olduğunu ve anlamlarını anlamada insan performansına yaklaşmış durumda. Aynı zamanda derin öğrenme Çin anadil seviyesinde Çince okumada da kullanıldı. Bu algoritma Çince konuşamayan ve anlamayan insanlar tarafından İsviçre'de geliştirildi. Bahsettiğim gibi derin öğrenme kullanma bu işte dünyadaki en iyi sistem yerel insanların anlama performansına göre bile.
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.
Bu sistem şirketimde oluşturuldu ve bu tarz şeyleri bir arada toplamayı gösteriyor. Bu resimlere eklenmiş metin yok ve ben buraya cümle yazarken gerçek zamanlı olarak resimleri algılıyor, ne hakkında olduklarını çözüyor ve yazdığım metne benzer resimleri buluyor. Görüyorsunuz, bu aslında cümlelerimi anlama ve bu resimleri anlama. Benzerini Google'da gördüğünüzü düşünüyorum; bir şeyleri yazarken size resimler gösterir ama asıl yaptığı web sayfalarında yazdıklarınızı aramaktır. Bu aslında resimleri anlamaktan oldukça farklı. Bu son bir kaç ayda ilk kez bilgisayarların yapabildiği bir şey.
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.
O halde görüyoruz ki bilgisayarlar görebilmekle kalmıyor aynı zamanda okuyabiliyor ve zaten duyduklarını anlayabildiklerini de göstermiştik. Belki yazabildiklerini söylesem artık şaşırtıcı gelmez. İşte burada dün derin öğrenme algoritmasıyla oluşturduğum metin. Ve burada algoritma tarafından geliştirilen metinler var. Bu cümlelerin her biri resimleri tanımlamak için derin öğrenme algoritmasıyla geliştirildi . Algoritma daha önce siyah tişörtlü gitar çalan birini hiç görmemişti. Önceden adamı görmüştü, siyahi görmüştü, gitarı görmüştü ama bu resmin roman tasvirini ayrı olarak yaptı. Hala tam olarak insan performansında değiliz ama yakınız. Testlerde 1/4 oranında insanlar, bilgisayar tarafından oluşturulan yazıları seçiyor. Bu sistem şuan sadece 2 haftalık ama muhtemelen gelecek yıl içerisinde bu oranlarda devam ederse algoritma insan performansını hayli geçmiş olacak.
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.
Yani bilgisayarlar yazabiliyor da. Tüm bunları birleştirdik ve durum heyecan verici fırsatlar yarattı. Örneğin; sağlık alanında Boston'da bir takım, doktorların kanser teşhisine yardımcı düzinelerce kliniksel olarak ilişkili tümör özellikleri keşfettiklerini duyurdu. Benzer olarak Stanford' da büyüme altındaki dokulara bakan bir grup; kanser hastalarının sağkalım oranlarını ölçmede patoloji uzmanlarından daha iyi olan, makine öğrenmesine dayalı bir sistem geliştirdi. Bu iki durumda da tahminlerin daha hatasız olmasının yanı sıra kavrama açısından güçlü yeni bir bilim geliştirdiler. Radyoloji vakasındakiler insanların anlayabileceği yeni kliniksel indikatörlerdi. Patoloji vakasında ise bilgisayar, tanı yapılırken kanser etrafındaki hücrelerin kanser hücreleri kadar önemli olduğunu keşfetti. Bu patoloji uzmanlarına onlarca yıldır öğretilenlerin tam tersi. Bu iki vakada da tıp uzmanları ve makine öğrenmesi uzmanlarının birleşip geliştirdiği bir sistemdi ancak geçen yıl bunu da geçtik. Bu örnek mikroskop altındaki insan dokusunun kanserli bölgelerini tanımlamak üzerine. Burada gösterilen sistem bu alanları daha isabetli olarak belirleyebiliyor, ya da en az patoloji uzmanı kadar ama tümüyle derin öğrenme kullanılarak ve herhangi bir tıp geçmişi olmayan insanlar tarafından geliştirildi. Benzer olarak nöron segmentasyonu da. Şu an nöronları insanlar kadar isabetli segmentleyebiliyoruz ki bu sistem derin öğrenme kullanılarak hiç bir tıbbi geçmişi olmayan kişiler tarafından geliştirildi.
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.
Aynı şekilde ben de, hiç bir tıbbi geçmişim olmadığı halde medikal alanında yeni bir şirket açabilirim ki açtım da. Şirketi açma konusunda biraz korkmuştum ama teoride bu veri analiz tekniklerini kullanarak yararlı ilaçlar yapmak mümkün görünüyordu. Neyse ki geri dönüşler harikaydı sadece medya değil tıp çevresinde de ki aynı zamanda çok da destekleyicilerdi. Teoride, medikal sürecin orta bölümünü alıp mümkün olduğunca veri analizine çevirerek doktorları en iyi oldukları alana yoğunlaştırabiliriz. Bir örnek vermek istiyorum. Yeni bir tıbbi teşhis testini üretmek 15 dakikamızı alır ve gerçek zamanlı olarak da göstereceğim ama bazı parçalarını keserek süreci 3 dakikaya indirdim. Tıbbi teşhis testini oluşturmayı göstermek yerine daha anlaşılır olduğu için araba görüntülerini tanımlama testini göstereceğim.
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.
Yaklaşık 1.5 milyon araba resmiyle başlıyoruz ve çekildikleri açılara göre onları ayırabilecek bir şey yaratmak istiyorum. Bütün resimler etiketsiz bu yüzden sıfırdan başlamak zorundayım. Derin öğrenme algoritmamızla resimlerdeki yapıların alanlarını otomatik olarak algılayabilir. Güzel olan, şu andan itibaren insan ile bilgisayar artık ortak çalışabilir. Gördüğünüz gibi insan burada bilgisayara; daha sonra deneyip, algoritmasını geliştirmede kullanması için ilgi alanlarını söylüyor. Bu derin öğrenme sistemleri aslında 16.000 boyutlu uzay ve gördüğünüz gibi bilgisayar burada uzay boyunca döndürüp yeni yapı alanları bulmaya çalışıyor. Başarıyla yapınca da daha sonra bunu süren kişi ilgi çekici olan alanları gösteriyor. Ve burada bilgisayar başarılı bir şekilde alanları buldu. Örneğin: Açılar. Bu süreç devam ederken, bilgisayara aradığımız yapı türlerini adım adım söylüyoruz. Teşhis testinde pataloji uzmanının patoz alanlarını tanımlaması gibi düşünebilirsin ya da örneğin radyolojistin sıkıntı yaratabilecek nodülleri göstermesi gibi. Bazen algoritma için sıkıntılı olabilir. Bu vaka da biraz kafası karışmış. Arabaların önleri ve arkaları karmakarışık. Burada biraz daha dikkatli olmalıyız, arkalara karşılık önleri elle seçmekte ve daha sonra bunun ilgilendiğimiz tipte bir grup olduğunu söylemekte.
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.
Bunu biraz yapıyoruz, biraz atlıyoruz bunu, sonra makine öğrenmesi algoritmasını bu yüzlerce kadar olan şeylere dayanarak eğitiyoruz ve daha iyi olmasını ümit ediyoruz. Bazı resimlerin solmaya başladığını görebilirsiniz ve bize bazılarını kendisinin önceden nasıl anlaması gerektiğini farkettiğini gösteriyor. Bu benzer resimler konseptini kullanabiliriz ve benzer resimleri kullanarak bilgisayarın bu noktada arabaların sadece önlerini bulabildiğini görebilirsiniz. Bu aşamada bilgisayar insana: "Tamam, peki, iyi iş çıkardın." diyebilir.
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.
Bazen, elbette, bu noktada bile grupların arasından seçmek zor. Bu durumda, bilgisayarın biraz çevirmesine izin verdikten sonra bile sağ ve sol taraftaki resimlerin karmakarışık olarak bulabiliriz. Yine bilgisayara bir takım ipuçları verebiliriz, ve diyebiliriz ki :"Tamam, derin öğrenme algoritmasını kullanarak sağ ve sol tarafları mümkün olduğunca ayırabilecek bir projeksiyon bulmaya çalış. " Ve ipucunu verince başarılı oldu. Objeleri birbirinden ayırabilmek için gereken düşünme şeklini birlikte bulabildiler.
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.
Yani buradaki fikri anladınız. Buradaki durum; insanın yerine bilgisayarın geçmesi değil birlikte çalışmaları. Burada yaptığımız ise; 6 ya da 7 kişilik bir takımın yaklaşık 7 senede yapacağı bir şeyi, bir kişinin yaklaşık 15 dakikada yapacağı bir şeyle değiştirmek.
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.
Bu süreç yaklaşık 4 ya da 5 yineleme içeriyor. Gördüğünüz gibi şuan 1.5 milyon resmimizin %62 si doğru bir şekilde sınıflandırıldı. Gelinen noktada, oldukça kolay bir şekilde büyük bölümleri alıp hata olmadığına emin olmak için kontrol edebiliriz. Hata olan yerlerde ise bilgisayara bildirebiliriz. Her farklı grup için bu tür bir süreç kullanarak 1.5 milyon görüntüyü sınıflandırmada %80 başarı yüzdesine çıktık. Bu noktada konu sadece doğru sınıflandırılmamış olan küçük numarayı bulmak ve sebebini anlamaya çalışmak üzerine. Bu yaklaşımı kullanarak; 15 dakikada %97' lik sınıflandırma oranına ulaştık.
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?
Bu tarz bir teknik bize çok önemli bir problemi çözmeye izin verebilir; dünyada tıbbi uzmanlığın olmadığı yerlerde. Dünya Ekonomik Forumu'na göre; gelişen dünyada doktor kıtlığı 10 ile 20 katı arasında ve 300 yıl alacaktır bu problemi çözmek için yeterli insan yetiştirmek. Düşünün ki derin öğrenme yaklaşımını kullanarak verimliliklerini artırmaya yardım edebilsek?
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.
Fırsatlar konusunda oldukça heycanlıyım. Aynı zamanda problemlerle de ilgileniyorum. Buradaki problem ise; haritadaki her mavi alanda servisler istihdamın %80 den fazla. Servisler nedir? İşte servisler. Bunlar aynı zamanda bilgisayarın yapılma şeklini öğrendiği şeyler. Yani gelişen dünyadaki istihdamın %80 'inin yaptığı şeyler aynı zamanda bilgisayarın nasıl yapılacağını öğrendiği şeyler. Bu ne anlama geliyor? Tamam, bir şey olmayacak. Başka işlerle yer değiştirilcekler. Örneğin; Veri bilimciler için daha fazla iş olacak. Aslında öyle değil. Veri bilimcilerin bunları yapmaları çok zamanlarını almaz. Örneğin; bu 4 algoritma da aynı adam tarafından geliştirildi. Yani eğer; daha önceden de olmuştu, yeni işlerin gelip yer değiştirdiği zamanların sonuçlarını gördük. Bu yeni işlere ne olacak? Bunu kestirmek bizim için oldukça zor çünkü insan performansı bu şekilde kademeli olarak artıyor ama artık biz bir sisteme, derin öğrenmeye sahibiz yani katlanarak büyüme kapasitesine sahip olduğunu biliyoruz. Ve burdayız. Şu anda, etrafımızdaki şeyleri görüyoruz ve: "Bilgisayarlar hala aptal." değil mi? Ama 5 yıllık süre içinde bilgisayarlar bu çizelgenin dışında olacak. Yani bu kabiliyeti hemen düşünmeye başlamalıyız.
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.
Bunu daha önceden görmüştük, elbette. Sanayi devriminde, motorlar sayesinde kapasitede kademe atlamayı gördük. Mesele şu ki, yine de bir süre sonra işler düzeliyor. Sosyal bozulma vardı ama bir kez motorlar güç üretmek için kullanıldı ve tüm durumlar, her şey düzene oturdu. Makine Öğrenmesi Devrimi Sanayi devriminden çok daha farklı olacak çünkü Makine Öğrenmesi Devrimi asla durulmayacak. Bilgisayarlar entelektüel aktiviteler de iyiye gittikçe, entelektüel kapasitede daha iyi olan bilgisayarlar üretilecek. Yani bu dünyanın daha önce tanık olmadığı türde bir değişim olacak bu yüzden neyin mümkün olduğu konusunda ki
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.
önceki anlayışınız farklı. Şimdiden bizi etkiliyor. Son 25 yılda, kapital üretim arttıkça işçi verimliliği sabitti hatta biraz inişteydi.
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)
Bu yüzden bu konuyu tartışmaya başlamamızı istiyorum. İnsanlara bu durum hakkında çoğu kez bahsettiğimde, insanlar oldukça ilgisiz olabiliyor. Bilgisayarlar gerçek anlamda düşünemez, duygusal davranmaz, şiirden anlamaz, nasıl çalıştıklarını tam olarak anlamıyoruz. Ne fark eder? Bilgisayarlar şu an insanların ücret alarak zamanlarının çoğunu harcadıkları şeyleri yapabiliyor. O zaman sosyal ve ekonomik yapımızı nasıl uyduracağımızı düşünmeye başlamamızın ve bu yeni gerçekliğin farkında olmamızın tam zamanı. Teşekkürler. (Alkışlar)