How Will Artificial Intelligence Affect Your Life | Jeff Dean | TEDxLA

il campo dell’intelligenza artificiale ha
stato spostato estremamente rapidamente nel
negli ultimi anni sai come sarà l’intelligenza artificiale
influenzare la tua vita nel futuro che ho
qualche idea
Sono Jeff Dean. Sono un collega senior di Google
a Google significa un paio di cose
prima significa che sono un po ‘vecchio dopo
significa che posso passare il mio tempo
lavorando su problemi che penso siano i
più importante per la compagnia che sono
lavorare sull’intelligenza artificiale I
guida la nostra squadra del cervello di Google
squadra di ricerca sull’intelligenza artificiale
basato a Mountain View California
squadra fa ricerche a lungo termine su come
rendere le macchine intelligenti e noi allora
collabora con i team di prodotto su Google in
per fare prodotti per macchine che sono
intelligente vogliamo usare l’intelligenza
per aumentare le capacità delle persone a
ci permettono di ottenere di più
eliminare noiosi compiti ripetitivi e
per e ci permettono di passare più tempo su
i nostri sforzi creativi ai saranno
più incisivo rispetto all’invenzione del
personal computer e la diffusione di
telefoni cellulari in tasca così il
l’idea dell’intelligenza artificiale non lo è
nuovo è stato intorno fin
i primi giorni di calcolo è grandioso
progetto per costruire macchine che sono
intelligente e ci sono molti modi di
perseguendo questo suo computer accattivante
scienziati sin dai tempi più promettenti
l’approccio è però l’area della macchina
imparare piuttosto che cercare di incarnare
macchine con tutto il necessario per
sapere in anticipo piuttosto che vogliamo abilitare
loro per imparare a imparare come imparare così
che possono imparare dalle loro
osservazioni del mondo e da fare
inferenze basate su quelle osservazioni
il campo dell’apprendimento profondo è a
particolare tipo di apprendimento automatico che
Parlerò e lo è stato
mostrato negli ultimi quattro o cinque anni
essere straordinariamente efficace per un ampio
varietà di problemi anche se lo è
in realtà molto più vecchio prima di iniziare
sebbene come impariamo perché impariamo da
esempi di cose e da ripetute
pratica e pratica ripetuta e
Gli impulsi sono davvero fondamentali per la macchina
imparare così tanto nell’apprendimento automatico
stiamo per esporre un sistema a
esempi del comportamento che vogliono che
hanno e quegli esempi stanno per
insegnarla sta andando a imparare da coloro
esempi su come fare qualcosa in questo modo
diagramma molto semplice ho un modello in cui
proveremo a insegnare un computer
per dire se una fotografia contiene un
gatto o cane e avremo
esempi in cui conosciamo la risposta giusta
quindi ne abbiamo alcuni che diciamo che è un gatto
quello è un cane che è un cane che è un gatto
e stiamo essenzialmente per mostrare il
computer di un esempio e dire quello che fanno
penso che diranno bene, penso
quello è un cane e ci vai tu se lo fai
la risposta giusta hai fatto giusto
come fare i tuoi problemi a casa se tu
capito bene non devi fare di più
ma se ti sbagli, lo faremo
fare piccoli aggiustamenti su come noi
credere a quello che crediamo circa la
mondo e ciò in cui crediamo
esempio per renderlo più probabile che il
la prossima volta vediamo questo esempio o uno
come se non avesse la risposta giusta
il giusto sbagliato è un apprendimento profondo
particolare ha un modo particolare di fare
questo è davvero importante così
costruisce questi strati di astrazione
automaticamente come parte dell’apprendimento
processo in cui le cose di livello più basso o
cose come te sai fa questa parte di
l’immagine contiene una piccola macchia di
marrone e poi mentre salite attraverso il
strati blub perché sono il tipo di cose
che impara diventa più complicato
cose come se ci fosse un orecchio in questa parte
dell’immagine o qualcosa si presenta come un
un paio di occhi o forse dei baffi
e quelle caratteristiche emergono automaticamente
come parte del processo di apprendimento che è
aspetto veramente critico dell’apprendimento profondo
non dobbiamo dirlo come dire a
gatto da un cane lo impara
ci sono queste cose chiamate baffi e
sembrano apparire in molte foto
sembrano apparire più spesso e uno
sui gatti e questo è veramente utile e
queste caratteristiche si sviluppano automaticamente in
il processo di apprendimento così reti neurali
non può imparare molto di più di come
puoi dire a un gatto di un cane che possono
impara a distinguere migliaia di
diverse categorie di oggetti che conosci
decine di migliaia questo è uno struzzo o
un camion dei vigili del fuoco o una barca del fuoco cose simili
che possono imparare da un flusso audio
per darti una trascrizione delle parole
che sono stati detti in quel flusso audio come
è freddo fuori da dove possono prendere un
Frase inglese ciao
come stai e sputare il
corrispondente frase francese Bonjour
commento allez-vous scusa per il mio francese
possono prendere i pixel di un’immagine
e ti danno più di una semplice categoria
su di esso possono effettivamente scrivere a
condannare una didascalia se volete su
quella foto un treno blu e giallo
viaggiando lungo i binari del treno che
tubo di pesce persico un livello piuttosto alto di
comprensione di cosa sta succedendo in questo
scena una delle grandi cose sul profondo
l’apprendimento è che tutte queste cose
che ti ho mostrato puoi esprimere usando
un insieme relativamente semplice di algoritmi
e può essere espresso in un comune
quadro software in modo che possiamo costruire a
quadro software che ci consente di
esprimere tutti questi diversi apprendimenti
problemi e quindi utilizzarlo più e più volte
per la nostra ricerca e per i nostri prodotti
e così è stato chiamato il sistema che abbiamo costruito
tensorflow e lo usiamo internamente per
tutto ciò che facciamo per questo in questo
area e l’anno scorso abbiamo deciso di farlo
open-source perché volevamo delle persone
avere la capacità di prendere questo
il software lo scarica gratuitamente e lo usa
per i loro problemi di apprendimento è stato
davvero bello vedere cose diverse
che le persone lo hanno usato così ecco
un esempio c’era un giapponese
coltivatore di cetrioli e si scopre quando
si raccolgono i vostri cetrioli si deve
ordinali in tutti i tipi di diverso
categorie in vendita di piccole medie
quelli grandi
quelli d’India non quelli d’india dritto
quelli curvi questo è carino
complicato, mi manca molto tempo
tempo di raccolta in modo che l’agricoltore potesse farlo
prendere una macchina fotografica e usare un computer
modello di visione con cui si è allenato
tensorflow ha davvero la visione
il modello determina quale categoria di
cetriolo che stavo guardando e poi
lo ha montato fino ad alcuni nastri trasportatori e
alcuni piccoli interruttori che spingono il
cetriolo nella scatola giusta e così questo
eliminato molti giorni di lavoro che il
agricoltore e sua moglie avrebbero dovuto fare a
tempo di raccolta che è solo un piccolo
esempio di qualcosa che puoi fare ora
sarebbe più difficile prima, così come ho detto
le reti neurali non sono nuove in realtà
stato negli anni ’80 e ’90
e hanno mostrato risultati davvero promettenti
su una specie di piccoli problemi giocattolo, ma
non potevano davvero mostrarsi alla grande
risultati su problemi realistici di grandi dimensioni a
quella volta e il motivo è solo noi
mancava la potenza di calcolo sufficiente
processo di apportare queste modifiche a
il modello su ogni esempio e
elaborando ogni esempio molte volte in
per costruire questo modello del mondo
è molto computazionalmente intensivo e così
avevamo solo bisogno di computer più veloci
fortunatamente ora abbiamo computer più veloci
i computer sono stati drammaticamente
migliorando le prestazioni ogni anno per
gli ultimi 30 o 40 anni e abbiamo
raggiunto questo punto dove sono le reti neurali
in realtà pratico su problemi reali così
il computer che hai nel tuo telefono è
ora cento a mille volte come
potente come i computer che hai avuto
il tuo desktop venti o trent’anni fa
e questo fa la differenza così noi
ora hanno abbastanza calcoli computazionali e
solo per fare un esempio del campo con
computer vision ogni anno c’è a
concorso in cui le squadre si sfidano per vedere chi
può dare le categorie giuste a partire da a
migliaia di diverse categorie quando vengono date
un’immagine e nel 2011 prima che la gente fosse
usando le reti neurali
la squadra vincente ha avuto un tasso di errore di
26% che non suona troppo bene quando
pensi che gli umani siano al 5% di questo
compito, ma avanti veloce cinque solo cinque
anni e ora siamo al tre percento
errori che utilizzano l’apprendimento profondo e molto altro
potere computazionale
in realtà siamo migliori degli umani
questo compito è davvero potente e
cosa trasformativa pensa a questo
i computer ora possono vedere e loro no
usato per essere in grado di se si pensa di nuovo a
il tempo e la biologia evolutiva quando
computer quando tutti gli animali muoiono
era probabilmente un momento di grandi cambiamenti e
ha iniziato a cose incredibili incredibili
capita e al computer ci siamo ora
punto nel calcolo per esempio questo è
davvero molto utile se ci stai provando
costruisci un robot se non riesci a vederlo in realtà
difficile da fare
quindi qui abbiamo un esempio di robot
usando l’apprendimento profondo per insegnare a se stessi
coordinazione occhio-mano così essenzialmente
c’è una videocamera per ogni robot
devo guardare oltre la sua spalla, immagino di si
non lo so, ha solo un braccio ma è finito
la sua spalla e ancora quel modello è
andando a prendere gli ingressi pixel dal
fotocamera e andare direttamente a sei coppie
comandi del motore per le diverse articolazioni
del robot e sono essenzialmente
solo passando per tentativi ed errori
Pratica a raccogliere le cose e così tu
vedi che stanno solo provando le cose e loro
può dire se ci sono riusciti o meno
se la loro pinza si è chiusa completamente
o se hanno avuto effettivamente successo
a raccogliere questo e stanno imparando
mi piace che tipo di grip funziona bene
oggetti di forma diversa basati sul
visione che sono lì erano
sviluppo e sono abbastanza bravo a farlo
abbiamo comprato un sacco di pacchetti di varietà di
giocattoli e strumenti su Amazon un’altra area
dove penso abbia l’apprendimento automatico
opportunità incredibili è nella zona
di assistenza sanitaria e ti darò solo uno
esempio
la retinopatia diabetica è la più veloce
crescente causa di cecità nel mondo
ci sono 400 milioni di persone a rischio chi
dovrebbe davvero essere schermato fondamentalmente
ogni anno ma ma spesso le persone no
ottenere lo screening che dovrebbero così noi
Volevo affrontare questo con il computer
visione e ottieni un’immagine come questa
e tradizionalmente un oculista
scansiona questo per provare a valutare quanto serio
i segni sono se ci sono se ci sono
qualsiasi e così abbiamo una grande collezione di
queste immagini dell’occhio e abbiamo avuto umano
l’oftalmologo li ha etichettati così se tu
avere un oftalmologo umano per l’uomo
gli oftalmologi segnano questi sono d’accordo
con il loro rating il sessanta per cento del
tempo
un po ‘più preoccupante è se tu
chiedere allo stesso oftalmologo di valutare
la stessa immagine poche ore dopo
solo d’accordo con loro 65 percento di
il tempo ed è davvero solo un duro
problema giusto è una specie di
interpretazione di come come sono oscuri
quelle macchie dovrebbero essere un 2 o un 3 pollici
questa scala di valutazione è così attiva
pubblicato all’inizio di questa settimana dal nostro gruppo
nel Journal of the American Medical
stazione ora abbiamo un apprendimento automatico
modello che si comporta alla pari forse anche
un po ‘ meglio degli oftalmologi a
questo compito e questo è veramente importante
perché può fare oftalmologi
molto più efficienti possono realmente
dedicare il proprio tempo alle persone che
merita l’attenzione e non spendere come
molto tempo sullo screening di screening più di
le persone che la maggior parte di loro non ha
qualsiasi segno di questo sarà anche di più
creativo avendo strumenti che capiscono
l’arte stiamo cercando di creare quella volontà
essere davvero d’ aiuto , te ne mostrerò un altro
esempio così Leon Gatti e il suo
colleghi dell’Università di
Tuebingen
e il Max Planck Institute in Germania
l’anno scorso ha pubblicato questo incredibile articolo
dove hanno un algoritmo che può
prendere due cose una fotografia di immagine e
un dipinto e ciò che l’algoritmo fa
è quello che rende quella fotografia nella
stile di quel pittore così qui vedi
quella stessa immagine resa in tre
stili diversi automaticamente da quelli
tre artisti diversi è carino
incredibile e penso che ci sarà
una vera opportunità per creare strumenti
per artisti umani che permettono loro di farlo
interagire davvero con sistemi come questo
e per ottenere più rapidamente le idee
la loro testa in veramente nuovo e
tipi creativi di arte ricordano come il
progresso dagli anni ’80 ad oggi è stato causato
da molto più potere computazionale così il
la stessa cosa sarà vera nel
futuro vogliamo più potere computazionale
in modo che possiamo formare modelli più grandi così noi
può imparare di più e così è l’apprendimento profondo
in realtà trasformando il modo in cui progettiamo e
costruisci computer e ce ne sono due
proprietà interessanti che reti neurali
e gli algoritmi di apprendimento stavano usando hanno
il primo è che la precisione ridotta è
va bene quando stai moltiplicando
numeri per una rete netta da dire su 1.2
volte circa il punto 6 hmm suona su
come il punto 7 che è abbastanza buono non lo facciamo
dobbiamo spendere ogni minimo dettaglio del nostro
bilancio computazionale preservando tutto il
cifre di precisione che tradizionali
CPU e
sono progettati per costruire e quello è
davvero utile se tu solo te stesso
se avessi bisogno di moltiplicare un mucchio di
cose e tu sei stato capace di essere molto
approssimativo come quello che potresti fare in molti
più operazioni sta accadendo la stessa cosa
nelle reti neurali l’altra cosa è quella
tutti i sistemi di apprendimento che ti ho mostrato
e tutti gli algoritmi si basano solo su a
una manciata di operazioni specifiche
non hanno bisogno di tutta la generalità
i computer generici vogliono
essere in grado di fare cose come la matrice
moltiplica le operazioni vettoriali da cose da
algebra lineare e questo è tutto e
così che ci permette di costruire specializzati
computer che possono fare queste cose
estremamente bene e non molto altro qui
è un sistema che abbiamo creato su Google
circa negli ultimi tre anni chiamato il
unità di elaborazione del tensore è essenzialmente
un chip progettato su misura che accelera
solo calcoli notturni reali ma perché
questi tipi di algoritmi di deep learning
sono così applicabili a molti problemi questo
è fantastico perché ora abbiamo qualcosa
può accelerare questo tipo di calcoli
di un ordine di grandezza rispetto a
CPU tradizionali e questo è davvero
davvero potente che permette di utilizzare più
modelli potenti nei nostri prodotti e ottenere
una sorta di sistemi migliori là fuori lasciami
ti porta in un tour di alcune query da
il futuro una delle cose che abbiamo
osservato è che i sistemi ottengono di più
utenti intelligenti si aspettano di più da un massimo
da quello che possono fare, quale di questi
Emma jiz mostra sintomi di diabete
la retinopatia bene ti ho già mostrato
può farlo davvero oggi
non descriviamo questo video in spagnolo
abbastanza che possiamo descrivere ancora
immagini abbastanza bene ma non del tutto commoventi
video ma verrà a cercarmi
documenti relativi al rinforzo
imparare per la robotica e sintetizzarli
in tedesco è piuttosto complicato ma
immagina quanto saremo produttivi
sii se siamo in grado di avere strumenti che possono
fallo per favore, prendimi una tazza di tè
dalla cucina che fa funzionare i robot
in ambienti disordinati come la tua cucina
è in realtà piuttosto complicato ma il
passi molto piccoli di cose come la
lavoro di coordinazione occhio-mano che ti ho mostrato
sono un passo
sta andando lungo quella strada nella chiusura dell’IA
per aiutarci ad essere più sani e felici
produttivo e più creativo sei tu
entusiasti di vedere che cosa il futuro di AI
tiene che sono davvero grazie
[Applausi]