How we'll earn money in a future without jobs

I'm going to guess that most of you have probably never heard of the Triple Revolution report, but
this was a very prominent report. It was put together by a brilliant group of people -- it actually
included two Nobel laureates -- and this report was presented to the President of the United States,
and it argued that the US was on the brink of economic and social upheaval because industrial
automation was going to put millions of people out of work. Now, that report was delivered to
President Lyndon Johnson in March of 1964. So that's now over 50 years, and, of course, that hasn't
really happened. And that's been the story again and again.

01:26

This alarm has been raised repeatedly, but it's always been a false alarm. And because it's been a
false alarm, it's led to a very conventional way of thinking about this. And that says essentially that
yes, technology may devastate entire industries. It may wipe out whole occupations and types of
work. But at the same time, of course, progress is going to lead to entirely new things. So there will
be new industries that will arise in the future, and those industries, of course, will have to hire
people. There'll be new kinds of work that will appear, and those might be things that today we can't
really even imagine. And that has been the story so far, and it's been a positive story.

12:02

It turns out that the new jobs that have been created have generally been a lot better than the old
ones. They have, for example, been more engaging. They've been in safer, more comfortable work
environments, and, of course, they've paid more. So it has been a positive story. That's the way
things have played out so far. But there is one particular class of worker for whom the story has been
quite different. For these workers, technology has completely decimated their work, and it really
hasn't created any new opportunities at all. And these workers, of course, are horses.

2:40

So I can ask a very provocative question: Is it possible that at some point in the future, a significant
fraction of the human workforce is going to be made redundant in the way that horses were? Now,
you might have a very visceral, reflexive reaction to that. You might say, "That's absurd. How can you
possibly compare human beings to horses?" Horses, of course, are very limited, and when cars and
trucks and tractors came along, horses really had nowhere else to turn. People, on the other hand,
are intelligent; we can learn, we can adapt. And in theory, that ought to mean that we can always
find something new to do, and that we can always remain relevant to the future economy.

But here's the really critical thing to understand. The machines that will threaten workers in the
future are really nothing like those cars and trucks and tractors that displaced horses. The future is
going to be full of thinking, learning, adapting machines. And what that really means is that
technology is finally beginning to encroach on that fundamental human capability -- the thing that
makes us so different from horses, and the very thing that, so far, has allowed us to stay ahead of the
march of progress and remain relevant, and, in fact, indispensable to the economy. So what is it that
is really so different about today's information technology relative to what we've seen in the past? I
would point to three fundamental things.

The first thing is that we have seen this ongoing process of exponential acceleration. I know you all
know about Moore's law, but in fact, it's more broad-based than that; it extends in many cases, for
example, to software, it extends to communications, bandwidth and so forth. But the really key thing
to understand is that this acceleration has now been going on for a really long time. In fact, it's been
going on for decades. If you measure from the late 1950s, when the first integrated circuits were
fabricated, we've seen something on the order of 30 doublings in computational power since then.
That's just an extraordinary number of times to double any quantity, and what it really means is that
we're now at a point where we're going to see just an extraordinary amount of absolute progress,
and, of course, things are going to continue to also accelerate from this point. So as we look forward
to the coming years and decades, I think that means that we're going to see things that we're really
not prepared for. We're going to see things that astonish us.

The second key thing is that the machines are, in a limited sense, beginning to think. And by this, I
don't mean human-level AI, or science fiction artificial intelligence; I simply mean that machines and
algorithms are making decisions. They're solving problems, and most importantly, they're learning. In
fact, if there's one technology that is truly central to this and has really become the driving force
behind this, it's machine learning, which is just becoming this incredibly powerful, disruptive, scalable
technology.

One of the best examples I've seen of that recently was what Google's DeepMind division was able to
do with its AlphaGo system. Now, this is the system that was able to beat the best player in the world
at the ancient game of Go. Now, at least to me, there are two things that really stand out about the
game of Go. One is that as you're playing the game, the number of configurations that the board can
be in is essentially infinite. There are actually more possibilities than there are atoms in the universe.
So what that means is, you're never going to be able to build a computer to win at the game of Go
the way chess was approached, for example, which is basically to throw brute-force computational
power at it. So clearly, a much more sophisticated, thinking-like approach is needed. The second
thing that really stands out is that, if you talk to one of the championship Go players, this person
cannot necessarily even really articulate what exactly it is they're thinking about as they play the
game. It's often something that's very intuitive, it's almost just like a feeling about which move they
should make.

So given those two qualities, I would say that playing Go at a world champion level really ought to be
something that's safe from automation, and the fact that it isn't should really raise a cautionary flag
for us. And the reason is that we tend to draw a very distinct line, and on one side of that line are all
the jobs and tasks that we perceive as being on some level fundamentally routine and repetitive and
predictable. And we know that these jobs might be in different industries, they might be in different
occupations and at different skill levels, but because they are innately predictable, we know they're
probably at some point going to be susceptible to machine learning, and therefore, to automation.
And make no mistake -- that's a lot of jobs. That's probably something on the order of roughly half
the jobs in the economy.

But then on the other side of that line, we have all the jobs that require some capability that we
perceive as being uniquely human, and these are the jobs that we think are safe. Now, based on
what I know about the game of Go, I would've guessed that it really ought to be on the safe side of
that line. But the fact that it isn't, and that Google solved this problem, suggests that that line is
going to be very dynamic. It's going to shift, and it's going to shift in a way that consumes more and
more jobs and tasks that we currently perceive as being safe from automation.

The other key thing to understand is that this is by no means just about low-wage jobs or blue-collar
jobs, or jobs and tasks done by people that have relatively low levels of education. There's lots of
evidence to show that these technologies are rapidly climbing the skills ladder. So we already see an
impact on professional jobs -- tasks done by people like accountants, financial analysts, journalists,
lawyers, radiologists and so forth. So a lot of the assumptions that we make about the kind of
occupations and tasks and jobs that are going to be threatened by automation in the future are very
likely to be challenged going forward.

So as we put these trends together, I think what it shows is that we could very well end up in a future
with significant unemployment. Or at a minimum, we could face lots of underemployment or
stagnant wages, maybe even declining wages. And, of course, soaring levels of inequality. All of that,
of course, is going to put a terrific amount of stress on the fabric of society. But beyond that, there's
also a fundamental economic problem, and that arises because jobs are currently the primary
mechanism that distributes income, and therefore purchasing power, to all the consumers that buy
the products and services we're producing.

In order to have a vibrant market economy, you've got to have lots and lots of consumers that are
really capable of buying the products and services that are being produced. If you don't have that,
then you run the risk of economic stagnation, or maybe even a declining economic spiral, as there
simply aren't enough customers out there to buy the products and services being produced.

It's really important to realize that all of us as individuals rely on access to that market economy in
order to be successful. You can visualize that by thinking in terms of one really exceptional person.
Imagine for a moment you take, say, Steve Jobs, and you drop him on an island all by himself. On that
island, he's going to be running around, gathering coconuts just like anyone else. He's really not
going to be anything special, and the reason, of course, is that there is no market for him to scale his
incredible talents across. So access to this market is really critical to us as individuals, and also to the
entire system in terms of it being sustainable.

So the question then becomes: What exactly could we do about this? And I think you can view this
through a very utopian framework. You can imagine a future where we all have to work less, we have
more time for leisure, more time to spend with our families, more time to do things that we find
genuinely rewarding and so forth. And I think that's a terrific vision. That's something that we should
absolutely strive to move toward. But at the same time, I think we have to be realistic, and we have
to realize that we're very likely to face a significant income distribution problem. A lot of people are
likely to be left behind. And I think that in order to solve that problem, we're ultimately going to have
to find a way to decouple incomes from traditional work. And the best, more straightforward way I
know to do that is some kind of a guaranteed income or universal basic income.

Now, basic income is becoming a very important idea. It's getting a lot of traction and attention,
there are a lot of important pilot projects and experiments going on throughout the world. My own
view is that a basic income is not a panacea; it's not necessarily a plug-and-play solution, but rather,
it's a place to start. It's an idea that we can build on and refine. For example, one thing that I have
written quite a lot about is the possibility of incorporating explicit incentives into a basic income. To
illustrate that, imagine that you are a struggling high school student. Imagine that you are at risk of
dropping out of school. And yet, suppose you know that at some point in the future, no matter what,
you're going to get the same basic income as everyone else. Now, to my mind, that creates a very
perverse incentive for you to simply give up and drop out of school.

So I would say, let's not structure things that way. Instead, let's pay people who graduate from high
school somewhat more than those who simply drop out. And we can take that idea of building
incentives into a basic income, and maybe extend it to other areas. For example, we might create an
incentive to work in the community to help others, or perhaps to do positive things for the
environment, and so forth. So by incorporating incentives into a basic income, we might actually
improve it, and also, perhaps, take at least a couple of steps towards solving another problem that I
think we're quite possibly going to face in the future, and that is, how do we all find meaning and
fulfillment, and how do we occupy our time in a world where perhaps there's less demand for
traditional work?

So by extending and refining a basic income, I think we can make it look better, and we can also,
perhaps, make it more politically and socially acceptable and feasible -- and, of course, by doing that,
we increase the odds that it will actually come to be.

I think one of the most fundamental, almost instinctive objections that many of us have to the idea of
a basic income, or really to any significant expansion of the safety net, is this fear that we're going to
end up with too many people riding in the economic cart, and not enough people pulling that cart.
And yet, really, the whole point I'm making here, of course, is that in the future, machines are
increasingly going to be capable of pulling that cart for us. That should give us more options for the
way we structure our society and our economy, And I think eventually, it's going to go beyond simply
being an option, and it's going to become an imperative. The reason, of course, is that all of this is
going to put such a degree of stress on our society, and also because jobs are that mechanism that
gets purchasing power to consumers so they can then drive the economy. If, in fact, that mechanism
begins to erode in the future, then we're going to need to replace it with something else or we're
going to face the risk that our whole system simply may not be sustainable.

But the bottom line here is that I really think that solving these problems, and especially finding a
way to build a future economy that works for everyone, at every level of our society, is going to be
one of the most important challenges that we all face in the coming years and decades.

Thank you very much.

The rise of human-computer
cooperation

Size iki satran karlamasndan bahsetmek istiyorum. 1997'de olan ilk karlamay Garry Kasparov
Deep Blue isimli makineye kar kaybetti. ou iin bu, insann makineler tarafndan hkmedilecei
yeni bir an afayd. Ama imdi burdayz, 20 yl geti ve bilgisayarlarla en byk mnasebetimiz
Ipad yoluyla. HAL deil. (HAL: Space Odyssey filmindeki akll bilgisayar)

00:35

kinci karlama 2005'te setikleri takdirde insan ve makinenin rakip yerine ortak olarak beraber
girebilecei serbest stil bir satran turnuvasyd. Bata, sonular ngrlebilirdi. Bir superbilgisayar
bile grece daha zayf bir bilgisayara sahip bir satran ampiyonu tarafndan yenilebilirdi. Sonu
spriz oldu. Kim kazand? Sper bilgisayarl bir ampiyon deil, adet grece zayf bilgisayar
kullanan iki Amerikal amatr. Onlarn bilgisayarlarn idare etmedeki, ynlendirmedeki belirli
pozisyonlar tetkik etmedeki yetenekleri ampiyonlarn stn satran bilgisinin ve dier rakiplerin
stn saysal gcnn etkisini verimli bir ekilde yok etti. Bu hayret verici bir sonutu: Ortalama insan
ortalama makineler, en iyi insan ve en iyi makineleri yeniyordu. Her neyse, bunun 'insan bilgisayara
kar' olmas gerekmiyor muydu? Onun yerine, ibirlii oldu. Doru tr bir ibirlii.

01:29

Son 50 ylda Marvin Minsky'nin yapay zeka ile ilgili vizyonuna ok ilgi gsterir olduk. Bu kesinlikle
ekici bir vizyon. ou insan bu vizyonu kabul etti. Bilgisayar bilimlerinde hakim bir dnce tarz
haline geldi Ama byk veriler, network sistemleri, ak platformlar ve birbirine iliik teknolojiler
ana girerken artk yaklak ayn zamanlarda gelitirilmi alternatif bir vizyonu deerlendirmenin
zamandr derim. Bahsettiim ey J.C.R. Licklider'n insan-bilgisayar ortak yaam belki daha iyi bir
isimle "Zeka Takviyesi" I.A.

02:00

Licklider teknolojinin ve internetin gelimesinde derin bir etkisi olan bir bilgisayar bilimi deviydi. Onun
vizyonu, bilgisayar ve insana, kararlar vermek ve karmak durumlar kontrol etmek iin nceden
belirli programlara kat bir bamllk olmadan, ibirlii yapma imkan vermekti. birlii kelimesini
dikkat edin. Licklider bizi bir tost makinesi alp da Star Trek'teki Data haline getirelim diye tevik
etmiyor ama insan alp daha yetkin hale getirmeyi tevik ediyor. nsanlar ok ilgin -- nasl
dndmz, dorusal olmayan yaklamlarmz, yaratclmz tekrarlayan hipotezler. Hepsi de
bilgisayarlar iin yapabilselerdi bile, ok zor olurdu. Licklider bunu, insanlar hedefler koyarken
hipotezler hazrlarken, kriterler belirler ve deerlendirmeler yaparken izleyip sezgisel bir ekilde fark
etti Tabii ki baka ynlerden de insanlar ok snrl. leklendirmede, hesaplamada ve hacimde
berbatz. Rock grubunu bir arada ve alar vaziyette tutmak iin st dzey bir yetenek ynetimine
gereksinim duyuyoruz. Licklider, anlay ve karar verme yolunu hazrlayacak tm rutin ilerin
bilgisayarlar tarafndan yapldn ngrd.

02:58

Sessizce, ok tantana olmadan bu yaklam, satran alannda zaferler biriktirdi. Satranla ayn
inanlmaz yaylmay paylaan protein katlamas konusu-- evrendeki atomlarn saysndan daha fazla
protein katlama yolu var. Hastalklar anlayp tedavi etme yetimiz zerinde devasa etkileri olacak
dnyay deitirecek bir problem bu. Ve bu grev iin, sper bilgisayar alannn kaba kuvveti yeterli
deil. Bilgisayar bilimcileri tarafndan yaratlan Foldit adl oyun bu yaklamn deerini rnekliyor.
Teknik veya biyolog olmayan amatrler bir bilgisayar oyunu oynayarak bir proteinin yapsn grsel
olarak yeniden dzenleyip bilgisayarn atom kuvvetlerini ve ilikilerini ynetmesini salayp yapsal
sorunlar tanmlyorlar. Bu yaklam sper bilgisayalar %50 oranda yenerken %30 oranda da berabere
kald Foldit, Mason-Pfizer maymun virsnn yapsal ifresini zmek suretiyle kayda deer ve nemli
bir bilimsel keif yapt. Ne olduununu saptanmasndan 10 yldan uzun sredir yakay syran Proteaz
enzimi sadece gnler iinde, oyuncu tarafndan zld. Belki de bir bilgisayar oyununundan
kaynaklanan ilk byk bilimsel gelimeydi bu.

03:56

Geen sene, kiz Kuleler'in olduu yerde bir 9/11 ant ald. Binlerce kurbann ismini 'anlaml
bitiiklik' dedikleri gzel bir konsept ile sergilediler. simleri yanyana ilikilerine gre dizdiler. Arkada,
aile, i arkada Hepsini bir araya getirdiinizde, bu salam bir saysal mcadele: 3500 kurban, 1800
bitiiklik talebi boydan boya fiziksel zellikler ve nihai olarak estetiin nemi. Medya tarafndan ilk
haber yapldnda bu baarnn tm itibar New York City'den bir dizayn irketi olan Local Projects'in
br algoritmasna verilmiti. Gerek ise biraz daha farklyd. Altta yatan tasla gelitirmek iin
algoritma kullanlrken, insanlar da tasla nihai sonucu almak iin kulland. Yani bu senaryoda,
bilgisayar, milyonlarca olas ablonu deerlendirip komplike bir iliki sistemini ynetti ve ok geni bir
leklendirmenin ve deikenlerin hesabn tutarak, insanlarn dizayn ve dzensel seenekler
zerinde younlamasna olanak verdi. Etrafnza daha ok baktka Licklider'n vizyonuna daha ok
rastlyorsunuz. ster iphone'unuzdaki ister arabanzn GPS'indeki gelitirilmi gereklik olsun insan-
bilgisayar ortak yaam bizi daha yetkin klyor.

04:59

Eer insan-bilgisayar ortak yaamn ilerletmek istiyorsanz ne yapabilirsiniz? nsan srecin iinde
tasarlamakla balayabilirsiniz. Sorunu zmek iin bilgisayar ne yapar diye dnmek yerine insann
da yapacaklarnn ekseninde zm kurun. Bunu yaptnz zaman, hemen fark edeceksiniz ki tm
zamannz, insanla makine arasndaki arayz zerinde zellikle de etkileimdeki srtmeyi kaldrmak
iin harcamsnz. Aslnda toplam kapasiteyi belirlerken bu srtme insann gcnden ya da
makinenin gcnden daha nemlidir. te bu yzden, birka bilgisayarl iki amatr bir sperbilgisayar
ve ampiyonu kolayca yendi. Kasparov'un sre dedii ey srtmenin bir yan rn. Sre daha iyi
olduka, srtme de azalyor. Ve srtmeyi minimize etmek belirleyici etken haline geliyor.

05:40

Baka bir rnee bakalm: byk veri Dnyadaki tm etkileimlerlimiz srekli artan bir sensr dizilimi
ile kayt ediliyor: telefonunuz kredi kartnz, bilgisayarnz. Sonu devasa bir veri ve bize insanlk halini
daha derinden anlamamz iin bir frsat tanyor. Bu byk dataya olan ou yaklamn ana vurgusu
unlara odaklanyor. "Bu veriyi nasl depolarm? Bu data iinde nasl arama yaparm? Bu datay nasl
ilerim?" Bunlar gerekli ama yetersiz sorular. Zorunluluk nasl hesaplanacan bulmak deil neyi
hesaplayacan bulmak. nsan sezgisini bu lde bir veriye nasl yklersin?

06:09
Yine, insan srecin iinde tasarlamakla balyoruz. PayPal ilk ie baladnda, en byk mcadelesi
"Paray evrimii nasl saa sola yollarm?" deildi "Organize su rgtleri tarafndan dolandrlmadan
bunu nasl yaparm"d. Neden bu kadar zor? nk bilgisayarlar dolandrclk kalplarn tespit edip
belirleyebiliyorlar ancak daha nce grmedikleri kalplarda bunu yapmay renemiyorlar ve organize
su rgtlerinin seyircileri ile ok ortak yn var: zeki insanlar, acmasz bir beceri, giriimci bir ruh ve
ok byk ve nemli bir fark var: ama Bu yzden bilgisayarlar her ne kadar tek balarna en zeki
dolandrclar dndakileri yakalayabilseler de, en zeki olanlar yakalamak baar ile fiyasko arasndaki
fark oluturuyor.

06:48

Bu trde uyumsal rakipleri olan ok problem vardr. ok nadir olarak, o da olursa, bilgisayarlar iin
ayrt edilebilir tekrar eden bir kalp gsterirler. Aksine, doasnda bir yenilenme ve bozulma vardr ve
bu problemler de artarak byk verinin iinde gmlp gitmektedir.

07:02

Mesela, terrizm. Terristerler yeni koullara kk ve byk yollarla adapte olmaktadrlar ve

televizyonda grdklerinizin aksine, bu adaptasyonlar ve bunlarn belirlenmesi easen insanidir.
Bilgisayarlar allmam kalplar ve yeni davranlar tespit edemezler ama insanlar eder. nsanlar
bunu teknolojiyi kullanarak, hipotezleri test ederek bir igr arayarak, makinelerden kendileri iin
almasn isteyerek yapyorlar. Osama Bin Ladin yapay zeka ile yakalanmad. Deiik teknolojilerle
ortaklaa alan kendini adam, becerikli, zeki insanlar tarafndan yakaland.

07:32

Kulaa ne kadar cezbedici gelse de cevab bulmak iin algoritmik data madencilii ile yolunuzu
yapamazsnz. "Terristi Bul" diye bir dme yoktur ve bambaka sistemlerden gelen ok eitli veri
formatlar karsnda yine ok eitli kaynaklar birletirdiimizde veri madencilii de daha az verimli
oluyor. Onun yerine insanlar veriye bakacak ve igr arayacak, ve Licklider'n ok nceden
ngrd gibi burda muazzam sonular iin anahtar doru tr bir ibirlii ve Kasparov'un fark ettii
gibi bu arayzdeki srtmeyi minimize etmek demek.

08:00

Bu yaklam deiik kaynaklardan gelen tm mevcut veriyi taramay, nemli ilikileri tanmlamay
onlar bir yerde toplamay mmkn hale getirir ki bu daha nce yaplmas imkansza yakn olan bir
eydi. Bazlarna gre, bunun korkutucu bir gizlilik ve insan haklar imalar var. Dierlerine gre ise
gizlilik ve insan haklarnn temel ilke kabul edilecei daha byk bir gizllik ve insan haklar annn
habercisi. Bu kabul edilmeli ve en iyi niyetle bile olsa bir yana atlmamal

08:26

O zaman yakn dnemde insan-bilgisayar ortak yaamn ynetmek iin gelitirilmi teknolojilerin
etkileri zerine bir ka rnee bakalm.

08:34

Ekim 2007'de A.B.D. ve koalisyon kuvvetleri Irak'n Suriye snrnda, Sinjar ehrinde bir El Kaide hcre
evine baskn yapt. Burada bir belge hazinesi buldular: 700 yabanc mcahitin biyografik taslaklar. Bu
yabanc mcahitler Krfez'deki, Dou Akdeniz'deki ve Kuzey Afrika'daki ailelerini brakp Irak'ta El
Kaide'ye katlmlard. Bu kaytlar insan kayna formlaryd. Organizasyona katldklarnda bizzat
mcahitler tarafndan doldurulmulard. Grld ki El Kaide de brokrasi kullanmyor deildi.
(gller) Cevap verdikleri sorular yleydi: "Sizi kim ye yapt?" "Memleketiniz neresi", "Ne i
yapmak istiyorsunuz?"

09:06

Bu son soruyla artc bir igr ortaya kt. Bu yabanc mcahitlerin byk ounluu ehitlik
mertebesine ulamak iin intihar bombacs olmak istiyordu Bu ok nemliydi nk 2003 ve 2007
yllar arasnda Irak'ta istikrarszln temel sebebi olan 1382 intihar bombas gereklemiti. Bu
verileri analiz etmek zordu. Orjinalleri bilgisayara taranp tercme edilmesi gereken Arapa katlar
zerindeydi. Sreteki srtme, insanlar, PDF dosyalarn ve sebat kullanan bir operasyonel zaman
diliminde anlaml sonular yaratmad. Aratrmaclarn kendi insan zihinlerini teknoloji ile
ykseltmeleri gerekti ki daha derine dalabilsinler, belirsiz hipotezleri kefedebilsinler ve bylece
gerekler su yzne kt. Yabanc mcahitlerin %20'si Libya'dan, bunlarn %50'si de Libya'nn tek bir
kasabasndan Bu ok nemli nk nceki istatistikler bu deerin %3 olduunu sylyordu. Yine El
Kaide'de ykselen bir neme sahip Libya slami sava rgtnden st dzey bir vaiz olan Abu Yahya
al-Libi'ye odaklanmak iin yardmc oldu. Al-Libi, 2007'de akabinde Libya mcahitlerine katlmak iin
bir galeyan yaratan bir vaaz vermiti.

10:04

Belki en zekicesi olarak her ne kadar en az grneni olsa da, verileri kafalarnda ters yz etmek
suretiyle aratrmaclar, Suriye'deki yabanc mcahitlerin kabul ve ulamndan nihai sorumlu
koordinasyon alarn kefedebildi. Bunlar, ideolojistlerden ziyade para iin bu koordinasyon iine
girmi paral askerlerdi. Mesela, Suudi mcahitlere, Libyallar'a oranla olduka fazla fatura
kesiyorlard. Bu para aksi takdirde El Kaide'ye gidecekti. Eer kar taraf muhtemel cihadclar
dolandrdklarn bilselerdi belki de kendi alarn kendileri bozucakt

10:34

Ocak 2010'da Haiti 7 byklnde ykc bir deprem tarafndan vuruldu. tm zamanlarn nc en
lmcl depremi 1 milyon insan, nfusun %10'unu evsiz brakt. Blgeye gda ve su teslimat
baladnda, btn yara sarma abalar iinde kk grnen bir ksm artan bir ekilde nemli hale
geldi. Haiti'de Ocak ve ubat aylar yasz geiyor yine kamplarn ou su biriktirebildi. Haiti'nin
takn yataklar ile ilgili detal bilgiye sahip tek kurum, yneticileri de iindeyken deprem srasnda
ykld. u sorular dodu, hangi kamplar riskte, bu kamplarda ka kii var, sellerin zaman izelgesi
nedir ve ok az kaynak ve alt yap ile yeniden yerletirmeyi nasl nceliklendiririz? Veriler birbirinden
tamamen farklyd. A.B.D ordusunun lkenin sadece kk bir ksm iin detayl bilgisi vard. 2006
evresel risk konferansndan kalma evrimii veriler vard ancak dier corafik veriler ise
birletirilmemiti. Burda insann amac ihtiyalar nceliklendirmek suretiyle yeniden yerlemek iin
kamplar belirlemekti. Bilgisayarn muazzam byklkte bir corafik bilgiyi sosyal medya verisini ve
yardm organizasyonu bilgisini birletirmesi lazmd ki bu soruyu cevaplayabilsin. Daha stn bir ilem
yrrle sokularak, 3 ayda 40 kiinin almasn gerektirecek bir i, 40 saatte 3 kiinin yapabilecei
basit bir ie dnt,

11:44

burada zafer insan-bilgisayar ortak-yaamnn.

11:47

Licklider'n gelecek vizyonunun 50 yldan fazla tesindeyiz ve veriler sylyor ki bu yzyln en zor
problemlerini insan ve makine ibirlii ile zmek iin ok heyecanl olmalyz. Teekkrler.
The jobs we'll lose to machines and the ones we won't

te yeenim. Ad Yahli. Kendisi 9 aylk bebek. Annesi doktor ve babas avukat. Yahli okula gittiinde,
ebeveynlerinin yapt iler, olduka farkl grnecek.

00:27

2013 ylnda Oxford niversitesinde aratrmaclar, iin gelecei zerine bir alma yaptlar.
Aratrmaclar, neredeyse her iki iten birinde makineler sayesinde otomatiklemenin yksek bir riski
olduu hususunda karara vardlar. Makine renmesi bu karmaann ounluundan sorumlu olan
teknolojidir. Makine renimi, yapay zekann en gl daldr. Yapay zeka, insann yapabilecei baz
eyleri veri ve mimikden renmesi iin makineye olanak salar. irketim Kaggle, modern makine
renimini kullanmaktadr. Endstri ve akademik evreye ynelik nemli problemleri zmek iin yz
binlerce uzman bir araya getiriyoruz. Bu bize makinelerin ne yapacaklarn, ne yapamayacaklarn ve
hangi ileri otomatikletirecekleri veya tehdit oluturabilecekleri zerine benzersiz bir bak as
vermektedir. Makine renme, doksanl yllarn balarnda endstride yer almaya balar.

01:12

Makine renme, nispeten basit grevler ile balad. Makine renme, kredi taleplerinden kredi riski
deerlendirme, posta kodlarndan el yazs karakterleri okuyarak posta snflandrma gibi eylerle
balad. Getiimiz bir ka yldr, belirgin bir k yaptk. Makine renme, artk ok daha karmak
grevleri yapabiliyor. 2012de Kaggle, liselerde makaleleri puanlayabilen bir algoritma yapmak iin
evresindekilere meydan okudu. Kazanan algoritmalarn puanlamasyla retmenlerin puanlamas
birbirlerine edeerdi. Getiimiz yl, daha da zor bir meydan okuma sergiledik. Gzdeki grntleri
alabilir ve eker hastal retinopatisi olarak adlandlan gz hastaln tehis edebilir misiniz? Yine,
kazanan algoritmalar, gz doktorlar tarafndan koyulan tanlarla eleiyordu. Artk verilen doru data
ile,

01:58

bu tr ilerde makinalar, insanlardan daha iyi performans sergileyecekler. Bir retmen, krk yllk
kariyer sresince 10,000 makale okuyabilir. Bir gz doktoru, elli bin gze bakabilir. Bir makine,
dakikalar ierisinde milyonlarca makale okuyabilir veya milyonlarca gze bakabilir. Sk tekrarlanan,
byk apl grevlerde makineler ile rekabet etme ansmz hi yok. Az geliim gsterdikleri yeni
alanlarda,
02:24

makineler bizim yaptmz eyleri yapamazlar. Daha nce birok defa grmedikleri ileri yapamazlar.
Makine renmenin temel engelleri, gemi datadan byk miktarda renme gereksinimidir.
nsanlarda byle deil. Daha nce karlamadmz problemleri zmek iin, grnrde farkl
konularda iliki kurma yeteneine sahibiz. Percy Spencer magnetronnun ikolata kalbn erittiini fark
ettiinde, ikinci dnya sava srasnda, radarlar zerine alan bir fizikiydi.

02:53

Percy Spencer, yeni bir icat iin yemek piirme bilgisi ile elektromanyetik radyasyon kavramn
birletirebildi-- herhangi bir tahmin ?-- mikrodalga frn. imdi,bu zellikle yaratcln dikkat ekici bir
rneidir. Ancak bu tr apraz birlemeler her birimiz iin

03:10

gnde binlerce kez oluur. Konu yeni ileri baarmak olduunda, makineler bizimle rekabet
edemezler ve bu, makinelerin insanlarn ilerini otomatize etmelerinde temel engel oluturur.
yleyse, iin gelecei iin bu ne anlama geliyor ? Herhangi bir iin gelecekteki durumu, bir sorunun
cevabnda yatar:

03:29

Meslek ne lde sk tekrarlanan, byk apl ie indirgenebilir ve ne lde yeni grevleri ierir? Sk
tekrarlanan, byk-apl grevlerde makineler, gitgide akll olmaktadrlar. Bugn denemeleri
puanlayabiliyorlar. Baz hastalklar tehis ediyorlar. Gelecek yllarda makineler, denetimlerimizi
yrtecekler ve yasal szlemelerden standart metni okuyacaklar. Muhasebeci ve avukatlara hala
gereksinim var. karmak vergi yaps, r aan hukuk davalar iin ihtiya duyulacak. Ancak
makineler, bu ilerin kademelerini daraltacak ve onlar elde etmeyi zorlatracak. Gnmzde sz
konusu makineler, allmn dndaki durumlarda ilerleme gsterememektedir.

04:04

pazarlama kampanyasnn ardndaki metin,mterilerin ilgisini ekmelidir. Kendini gstermelidir.

stratejisi, pazarda bakalarnn bulmad boluklar bulmak demektir. Pazarlama kampanyalarmzn
ardndaki metni yaratacak olanlar ve i stratejimizi gelitirecek olanlar insanlar olacaktr. Bu yzden
Yahli, ne yapmaya karar verirsen ver, her gn sana yeni bir meydan okuma getirsin.
04:27

Eer bunu yaparsan, o zaman makinelerden nde olursun.

,
How AI can bring on a second Industrial Revolution

Teknolojinin nereye gittii hakknda ksa bir konuma yapacam. Genellikle teknoloji bize gelir, bize
ne getirdiine arrz. Ancak teknolojinin byk bir boyutu ok daha ngrlebilirdir, nk
teknolojik sistemlerin her tr eilime, ncelie ve ynelime sahiptir. Ve bu ynelimler fiziin
doasndan, tel, anahtar ve elektronlarn kimyasndan elde edilir ve bu rnekleri yeniden tekrar
tekrar yapacaklar. Bylece bu rnekler eilimleri ve ynelimleri retir.

00:54

Bunu bir eit yer ekimi gibi dnebilirsiniz. Yamur damlalarnn bir vadiye dtn dnn.
Yamur damlas yolunun bir vadiye dmesi nceden tahmin edilemez. Nereye gittiini gremeyiz
fakat genel istikamet kanlmazdr: aaya doru. Ynelim ve eilimlerin teknolojik sistemlerde
birlemesi byk apta gidiatn nereye gittiini anlamamz salar. Bu yzden byk lde
telefonlarn kanlmaz olduunu syleyebilirim, fakat iPhone'larn deil. nternet kanlmazdr fakat
Twitter deil.

01:32

Sregelen birok ynelime sahibiz, bence bunlar arasnda en nemlilerinden biri bu ynelimi daha da
akll hale getirmektedir. Ben ona aklllk - aklllatrmak - yani yapay zek ya da YZ olarak
adlandryorum. Bence nmzdeki 20 yl iinde toplumumuzda ynlendirmeler ve yrtmeler,
gelimeler ve eilimler en etkililerden biri olacak.
01:59

Tabii ki hali hazrda mevcut durumda. Zaten YZ'ye sahibiz, genellikle arka planda alr, hastanelerin
idare departmannda, rntgen filmini insan bir doktordan daha iyi tehis etmede kullanlr. Hukuk
brolarnda, yasal delilleri insan bir avukat yardmcsndan daha iyi aratrmas iin kullanlr. Buraya
geldiiniz ua uurmak iin kullanlr. nsan pilotlar 7-8 dakika aras utu, zamann geri kalannda ise
YZ utu. Ve tabii ki Netflix ve Amazon'da neriler hazrlanrken arka planda YZ alyor. Bugn
elimizde olan bu.

02:34

Tabii ki byk n yz grnmnde dnyann en byk Go ampiyonu galibi AlphaGo zaferi

rneimiz var. Fakat olay bundan ibaret deil. Bilgisayar oyunu oynuyorsanz, YZ'ye kar
oynuyorsunuz. Son zamanlarda Google kendi YZ'sine bilgisayar oyunlarnn nasl oynanacan retti.
Zaten bilgisayar oyunlarn retmek oktan yapld fakat nasl oynandn bilmek baka bir adm. Bu
yapay zekdr. Biz bu yapay zeky alyoruz ve daha da akll hale getiriyoruz.

03:18

Toplumsal ynelimin ok az deer verildiini dndm hali var; eer bu eyi anlayabilirsek
bence YZ'yi daha iyi anlayabiliriz. Bence bu eyler YZ'yi kavramamza yardmc olacak nk
kavrayabilirsek ynlendirebiliriz. Daha byk bir ynelimi kavrarsak zelikleri ynlendirebiliriz.

03:39

Bu farkl ynden bahsedeyim. Birincisi, kendi zekmz zeknn ne olduunu anlamakta ok yetersiz.
Zeky tek bir boyut olarak dnmeye meyilliyiz, bu tpk ar grltl bir nota yapmak gibi. IQ
lm gibi balar. San ya da faredeki dk IQ ile balar, belki empanzede fazlas vardr, zek
seviyesi dk bir kiide daha fazlas vardr, belki benim gibi ortalama birinde daha fazla, bir dahide
daha da fazla. Bu tekil zek IQ gittike byyor. Bu tamamen yanl. Zek bu demek deil, insan zeks
bu demek deil. Daha ok farkl notalarn olduu bir senfoni gibi ve bu notalarn her biri farkl bilisel
enstrmanlar zerinde alnr.

04:27
Zihnimizde pek ok zek tr vardr. Tmdengelim dncesine sahibiz. Duygusal zekya sahibiz.
mekansal zekya sahibiz; belki de hepsi birlikte gruplandrlm 100 farkl tre sahibiz, ve farkl
glerdeki farkl insanlarla bakalatlar. Ve tabii ki hayvanlara bakarsak, onlar farkl bir potada farkl
zek trlerinin baka bir senfonisi ve bazen sahip olduklarmz onlarn enstrmanlar ile ayn. Ayn
ekilde dnebilirler fakat farkl dzenlemeleri olabilir, bazen insanlardan daha yksektir, mesela
sincaptaki uzun sreli hafzann olaanst olmas, fstklarn gmdkler yeri hatrlayabilirler. Bazen
de daha dk olabilirler.

05:10

Makineleri yapmaya gittiimizde, ayn ekilde mhendislik yapacaz, Bizden daha zeki bu trler
zerinde alacaz, onlarn bir ou yaknmzda olmayacak nk onlara ihtiya yok. Bu yzden bu
eyleri alacaz, bu yapay kmeleri ve kendi YZ'mizden daha yapay bilisel eitlilik ekleyeceiz. Onlar
ok ok zel yapacaz.

05:38

Hesap makinesi zaten aritmetik olarak daha akll; GPS mekansal navigasyon senden daha akll;
Google, Bing, uzun sreli hafza asndan daha akll. Bu tr farkl dnce trlerini yeniden ele alp
onlar rnein arabann iine koyacaz. Araba rneinin sebebi u; araba kendisini insan gibi
kullanmyor. Bizim gibi dnmyorlar. Tm zellii bu. Dikkati dalmyor, Oca ak unutup
unutmadn veya finans okumalydm diye dnmyor. Sadece sryor.

06:17

(Kahkaha)

06:18

Sadece sryor, deil mi? Belki de buraya onlar ''bilinsiz'' olarak tantmaya geldik. Bilinsizler, o tr
konular onlar ilgilendirmiyor, dikkatleri dalmyor.

06:29

Genel olarak yapmaya altmz elimizden geldii kadar farkl dnme tarz yaratmaktr. Mmkn
olan her farkl tr ve dnceyi uzaya yerletireceiz. Kendi insan dncemizin tek bana
zemeyecei i ve bilim alannda ok zor sorunlar ortaya kabilir. ki aamal bir programa
ihtiyacmz olabilir, o byk apta sorunlar zebilmek adna birlikte alabileceimiz yeni trde
dnce ekilleri icat edebilmek iin; karanlk enerji veya kuantum ekim gc gibi.

07:08

Yaptmz ey yabanc zeklar retmek. Hatta bunu bir anlamda yapay uzayllar olarak
dnebilirsiniz. Farkl dnmemizde bize yardm edecekler, nk farkl dnme yaratln
merkezidir, zenginlik ve yeni ekonominin de.

07:25

Buna dair ikinci bak as yapay zeky ikinci bir Sanayi Devrimi iin kullanacaz. lk Sanayi Devrimi,
yapay g dediim bir ey icat etmek zerine kuruluydu. Bundan nce, Tarmsal Devrim boyunca,
yaplan her ey insan kas gc veya hayvan gc ile yaplmak zorundayd. Bu bir eyler yapabilmenin
tek yoluydu. Sanayi Devrimindeki byk yenilik boyunca, buhar gc ve fosil yaktlar kullandk,
bylelikle bu yapay gc istediimiz her eyi yapmada kullandk. Bugn otoyola girdiinizde, tek bir
dmeyle adeta 250 at kontrol edersiniz. 250 beygir gc - bunu yol, gkdelen ve ehir yapmnda
kullanabiliyoruz, sandalye ve buzdolab seri retimi iin fabrikalar yapmada, kendi gcmzn ok
tesinde. stelik bu yapay g kablolar yardmyla her eve, fabrikaya, iftlie dalabilir ve herkes bu
yapay gc alabilir, sadece bir fi takarak.

08:39

Bu da bir yenilik kaynayd, nk bir ifti manuel el pompas alabilir, ona yapay g ve elektrik
ekleyerek elektirikli pompa elde edebilir. Ve bunu on binlercesiyle arparsanz bu forml bizi Sanayi
Devrimine gtrr. Grdmz her ey, u an keyif aldmz bu ilerleme bunu baardmz
gereine dayanyor.

09:02

Ayn eyi YZ ile de baaracaz. Bunu bir sistemde datacaz, ve imdi elektrikli pompay alabilirsiniz.
Biraz yapay zek ekleyebilirsin, imdi akll bir pompanz var. Bunu milyonlarla arptnz zaman bu
ikinci Sanayi Devrimi olacak. Bylece araba otoyola giriyor, 250 beygir gc var, buna ek olarak 250
zek var. te size otomatik araba. Bu yeni bir rn gibidir; Yeni bir yardmc. YZ bulut sisteminde
elektrik gibi akyor olacak.
09:34

Yani elektrik aldmz her eyi imdi daha akll hale getireceiz. Sonrasnda unu neririm, 10.000
yeni iletmeye balama forml ok ok basit, x'i alp YZ'yi eklemekten ibaret. Forml bu, yaptmz
da bu olacak. te bu ikinci Sanayi Devrimini yapacamz yoldur. Bu arada - u anda bu dakikada
Google'da oturum ap alt sent, 100 tklama karlnda YZ satn alabilirsiniz. Yani u anda ulalabilir.

10:06

nc bak as ise bu YZ'yi alp somutlatrdmzda, robot elde etmi oluyoruz. Ve robotlar bot
olacak, zaten yaptklarmzn ounu yapyor olacaklar. Bir i sadece bir dizi grevdir, onlar da
ilerimizi yeniden tanmlayacak, nk bu grevlerden bazlarn yapacaklardr. Ayn zamanda yeni
kategoriler yaratacaklar, daha nce yapmak istediimizi bilmediimiz ok sayda yeni grev. Aslnda
yeni tr iler karacaklar, yapmak istediimiz yeni grev trleri, makinelemenin ihtiya
duyduumuzu bilmediimiz pek ok ey ortaya karmas gibi ve imdi onsuz yaayamamz gibi. Bu
yzden gtrdklerinden daha fazla i retiyor olacaklar, ancak onlara vereceimiz birok grevin
etkinlik ve verimlilik asndan tanmlanabilecek grevler olmas lazm. Bir grevi manuel veya
kavramsal olarak etkin veya retken olarak belirleyebiliyorsak bu da botlara gider. Verimlilik robotlar
iindir. En iyi olduumuz ey zaman boa harcamak.

11:15

(Kahkaha)

11:16

Verimsiz olan eylerde ok iyiyiz. Bilim doas gerei verimsiz. Bilim baarszlklar zerine kuruludur.
e yaramayan deney ve denemelerden ibarettir, aksi takdirde renemeyiz. Verimliliin ok olmad
gereine dayanmaktadr. Yenilik tanm itibariyle verimsizdir, nk ilk rneklerini yaparsnz, nk
baarsz olan eyleri denersiniz. Aratrma doas gerei verimsizdir. Sanat verimli deildir. nsan
ilikileri verimli deildir. Bunlar ynelmek istediimiz her ey, nk bunlar verimli deiller. Verimlilik
robotlar iindir. Ayrca biz bu YZ'lerle almay reneceiz nk onlar bizden farkl dnyorlar.

12:01

Deep Blue dnyann en iyi satran ampiyonunu yendiinde, herkes satrancn sonu geldiini dnd.
Aslnda bugn anlyoruz ki, dnyadaki en iyi satran ampiyonu Yapay Zek deil. Ve bu bir insan
deil. Bir insan ve bir YZ ekibi. En iyi tbbi tehisi bir doktor deil, bir YZ deil; bu bir takm ii. Bu
YZ'lerle alacaz ve onlarla ne kadar iyi altmz bizim maalarmz belirleyecek. nc ey bu,
onlarn farkl olduklar, faydal olduklar ve kar kmak yerine birlikte altmz bir ey olacaklar.
Onlara kar deil onlarla alyoruz.

12:42

Yani, gelecek: Bu bizi nereye gtryor? Bundan 25 yl sonra geriye dnp YZ anlaymza bakacaklar
ve ''YZ yoktu. 25 sene sonra sahip olacaklarnza kyasla internetiniz bile yoktu," diyecekler. imdilik
YZ uzman yok. Bu konuya ok para harcanyor, zerinde milyarlarca dolar harcanyor; ok byk bir
i, ancak 20 yl sonra reneceimize kyasla hibir uzmanmz yok. Bu yzden sadece balangcn
bandayz, btn bunlarn ilk saatindeyiz. nternetin ilk saatlerindeyiz. Biz gelecek olan eyin ilk
saatindeyiz. Bundan 20 yl sonra herkesin kulland en popler YZ rn henz icat edilmedi. Yani
ge kalmadnz demektir.

Big data is better data

00:16

Audience: Apple. Kenneth Cukier: Apple. Of course it is. How do we know it? Because of data. You
look at supermarket sales. You look at supermarket sales of 30-centimeter pies that are frozen, and
apple wins, no contest. The majority of the sales are apple. But then supermarkets started selling
smaller, 11-centimeter pies, and suddenly, apple fell to fourth or fifth place. Why? What happened?
Okay, think about it. When you buy a 30-centimeter pie, the whole family has to agree, and apple is
everyone's second favorite. (Laughter) But when you buy an individual 11-centimeter pie, you can
buy the one that you want. You can get your first choice. You have more data. You can see something
that you couldn't see when you only had smaller amounts of it.

01:25

Now, the point here is that more data doesn't just let us see more, more of the same thing we were
looking at. More data allows us to see new. It allows us to see better. It allows us to see different. In
this case, it allows us to see what America's favorite pie is: not apple.

01:50
Now, you probably all have heard the term big data. In fact, you're probably sick of hearing the term
big data. It is true that there is a lot of hype around the term, and that is very unfortunate, because
big data is an extremely important tool by which society is going to advance. In the past, we used to
look at small data and think about what it would mean to try to understand the world, and now we
have a lot more of it, more than we ever could before. What we find is that when we have a large
body of data, we can fundamentally do things that we couldn't do when we only had smaller
amounts. Big data is important, and big data is new, and when you think about it, the only way this
planet is going to deal with its global challenges to feed people, supply them with medical care,
supply them with energy, electricity, and to make sure they're not burnt to a crisp because of global
warming is because of the effective use of data.

02:51

So what is new about big data? What is the big deal? Well, to answer that question, let's think about
what information looked like, physically looked like in the past. In 1908, on the island of Crete,
archaeologists discovered a clay disc. They dated it from 2000 B.C., so it's 4,000 years old. Now,
there's inscriptions on this disc, but we actually don't know what it means. It's a complete mystery,
but the point is that this is what information used to look like 4,000 years ago. This is how society
stored and transmitted information.

03:30

Now, society hasn't advanced all that much. We still store information on discs, but now we can
store a lot more information, more than ever before. Searching it is easier. Copying it easier. Sharing
it is easier. Processing it is easier. And what we can do is we can reuse this information for uses that
we never even imagined when we first collected the data. In this respect, the data has gone from a
stock to a flow, from something that is stationary and static to something that is fluid and dynamic.
There is, if you will, a liquidity to information. The disc that was discovered off of Crete that's 4,000
years old, is heavy, it doesn't store a lot of information, and that information is unchangeable. By
contrast, all of the files that Edward Snowden took from the National Security Agency in the United
States fits on a memory stick the size of a fingernail, and it can be shared at the speed of light. More
data. More.

04:51

Now, one reason why we have so much data in the world today is we are collecting things that we've
always collected information on, but another reason why is we're taking things that have always
been informational but have never been rendered into a data format and we are putting it into data.
Think, for example, the question of location. Take, for example, Martin Luther. If we wanted to know
in the 1500s where Martin Luther was, we would have to follow him at all times, maybe with a
feathery quill and an inkwell, and record it, but now think about what it looks like today. You know
that somewhere, probably in a telecommunications carrier's database, there is a spreadsheet or at
least a database entry that records your information of where you've been at all times. If you have a
cell phone, and that cell phone has GPS, but even if it doesn't have GPS, it can record your
information. In this respect, location has been datafied.

05:48

Now think, for example, of the issue of posture, the way that you are all sitting right now, the way
that you sit, the way that you sit, the way that you sit. It's all different, and it's a function of your leg
length and your back and the contours of your back, and if I were to put sensors, maybe 100 sensors
into all of your chairs right now, I could create an index that's fairly unique to you, sort of like a
fingerprint, but it's not your finger.

06:15

So what could we do with this? Researchers in Tokyo are using it as a potential anti-theft device in
cars. The idea is that the carjacker sits behind the wheel, tries to stream off, but the car recognizes
that a non-approved driver is behind the wheel, and maybe the engine just stops, unless you type in
a password into the dashboard to say, "Hey, I have authorization to drive." Great.

06:42

What if every single car in Europe had this technology in it? What could we do then? Maybe, if we
aggregated the data, maybe we could identify telltale signs that best predict that a car accident is
going to take place in the next five seconds. And then what we will have datafied is driver fatigue,
and the service would be when the car senses that the person slumps into that position,
automatically knows, hey, set an internal alarm that would vibrate the steering wheel, honk inside to
say, "Hey, wake up, pay more attention to the road." These are the sorts of things we can do when
we datafy more aspects of our lives.

07:28

So what is the value of big data? Well, think about it. You have more information. You can do things
that you couldn't do before. One of the most impressive areas where this concept is taking place is in
the area of machine learning. Machine learning is a branch of artificial intelligence, which itself is a
branch of computer science. The general idea is that instead of instructing a computer what do do,
we are going to simply throw data at the problem and tell the computer to figure it out for itself. And
it will help you understand it by seeing its origins. In the 1950s, a computer scientist at IBM named
Arthur Samuel liked to play checkers, so he wrote a computer program so he could play against the
computer. He played. He won. He played. He won. He played. He won, because the computer only
knew what a legal move was. Arthur Samuel knew something else. Arthur Samuel knew strategy. So
he wrote a small sub-program alongside it operating in the background, and all it did was score the
probability that a given board configuration would likely lead to a winning board versus a losing
board after every move. He plays the computer. He wins. He plays the computer. He wins. He plays
the computer. He wins. And then Arthur Samuel leaves the computer to play itself. It plays itself. It
collects more data. It collects more data. It increases the accuracy of its prediction. And then Arthur
Samuel goes back to the computer and he plays it, and he loses, and he plays it, and he loses, and he
plays it, and he loses, and Arthur Samuel has created a machine that surpasses his ability in a task
that he taught it.

09:30

And this idea of machine learning is going everywhere. How do you think we have self-driving cars?
Are we any better off as a society enshrining all the rules of the road into software? No. Memory is
cheaper. No. Algorithms are faster. No. Processors are better. No. All of those things matter, but
that's not why. It's because we changed the nature of the problem. We changed the nature of the
problem from one in which we tried to overtly and explicitly explain to the computer how to drive to
one in which we say, "Here's a lot of data around the vehicle. You figure it out. You figure it out that
that is a traffic light, that that traffic light is red and not green, that that means that you need to stop
and not go forward."

10:18

Machine learning is at the basis of many of the things that we do online: search engines, Amazon's
personalization algorithm, computer translation, voice recognition systems. Researchers recently
have looked at the question of biopsies, cancerous biopsies, and they've asked the computer to
identify by looking at the data and survival rates to determine whether cells are actually cancerous or
not, and sure enough, when you throw the data at it, through a machine-learning algorithm, the
machine was able to identify the 12 telltale signs that best predict that this biopsy of the breast
cancer cells are indeed cancerous. The problem: The medical literature only knew nine of them.
Three of the traits were ones that people didn't need to look for, but that the machine spotted.

11:24

Now, there are dark sides to big data as well. It will improve our lives, but there are problems that we
need to be conscious of, and the first one is the idea that we may be punished for predictions, that
the police may use big data for their purposes, a little bit like "Minority Report." Now, it's a term
called predictive policing, or algorithmic criminology, and the idea is that if we take a lot of data, for
example where past crimes have been, we know where to send the patrols. That makes sense, but
the problem, of course, is that it's not simply going to stop on location data, it's going to go down to
the level of the individual. Why don't we use data about the person's high school transcript? Maybe
we should use the fact that they're unemployed or not, their credit score, their web-surfing behavior,
whether they're up late at night. Their Fitbit, when it's able to identify biochemistries, will show that
they have aggressive thoughts. We may have algorithms that are likely to predict what we are about
to do, and we may be held accountable before we've actually acted. Privacy was the central
challenge in a small data era. In the big data age, the challenge will be safeguarding free will, moral
choice, human volition, human agency.

12:54

There is another problem: Big data is going to steal our jobs. Big data and algorithms are going to
challenge white collar, professional knowledge work in the 21st century in the same way that factory
automation and the assembly line challenged blue collar labor in the 20th century. Think about a lab
technician who is looking through a microscope at a cancer biopsy and determining whether it's
cancerous or not. The person went to university. The person buys property. He or she votes. He or
she is a stakeholder in society. And that person's job, as well as an entire fleet of professionals like
that person, is going to find that their jobs are radically changed or actually completely eliminated.
Now, we like to think that technology creates jobs over a period of time after a short, temporary
period of dislocation, and that is true for the frame of reference with which we all live, the Industrial
Revolution, because that's precisely what happened. But we forget something in that analysis: There
are some categories of jobs that simply get eliminated and never come back. The Industrial
Revolution wasn't very good if you were a horse. So we're going to need to be careful and take big
data and adjust it for our needs, our very human needs. We have to be the master of this technology,
not its servant. We are just at the outset of the big data era, and honestly, we are not very good at
handling all the data that we can now collect. It's not just a problem for the National Security Agency.
Businesses collect lots of data, and they misuse it too, and we need to get better at this, and this will
take time. It's a little bit like the challenge that was faced by primitive man and fire. This is a tool, but
this is a tool that, unless we're careful, will burn us.

14:55

Big data is going to transform how we live, how we work and how we think. It is going to help us
manage our careers and lead lives of satisfaction and hope and happiness and health, but in the past,
we've often looked at information technology and our eyes have only seen the T, the technology, the
hardware, because that's what was physical. We now need to recast our gaze at the I, the
information, which is less apparent, but in some ways a lot more important. Humanity can finally
learn from the information that it can collect, as part of our timeless quest to understand the world
and our place in it, and that's why big data is a big deal.
How we're teaching computers to understand pictures

(Video) Kz: Tamam, burada yatan zerinde oturan bir kedi var. ocuk fili okuyor. Buradaki insanlar
uaa gidiyorlar. Bu byk bir uak.

00:32

Fei-Fei Li: yanda kk bir kz ocuu fotoraflarda ne grdn anlatyor. Henz, dnya
hakknda renmesi gereken ok ey var fakat ok nemli bir alanda uzman olmu bile: grdklerini
anlamlandrma. Toplumumuz teknolojik olarak her zamankinden daha fazla ilerlemi durumda.
nsanlar aya gnderiyoruz, bizimle konuabilen ya da radyo kanallarn sadece sevdiimiz mzikleri
almas iin dzenleyebilen telefonlar yapyoruz. En gelimi makinelerimiz ve bilgisayarlarmz hl
bu zellii elde etmeye alyorlar. Bugn, bilgisayar grme yetisi zerine yaplan ileri dzeydeki
aratrmalarmzn ileyii hakknda size bilgi vermek iin buradaym. Bilgisayar biliminde, en nde ve
devrim niteliinde olan teknolojik gelimelerden biri.

01:24

Evet, kendini srebilen aralarn prototiplerine sahibiz, fakat akll grme yetisine sahip olmadan,
zerinden geilebilecek burumu bir kat torba ile saknlmas gereken ayn boyuttaki bir kaya
arasndaki fark syleyebilmeleri mmkn deil. Mkemmel znrlkte kameralar yapmamza
ramen, grebilmelerini salayamamtk. nsansz hava aralar koca bir araziyi uabilirler, ama
yamur ormanlarndaki deiimleri izlememize yardmc olabilecek dzeyde yeterli bir gr
kabiliyetine sahip deiller. Gvenlik kameralar her yerde, fakat bir ocuk havuzda bouluyorken bizi
uyaramyorlar. Fotoraf ve videolar gndelik hayatn bir paras haline geliyorlar. Herhangi bir insan
veya baz gruplarn grme umuduyla hzl bir ekilde oalyorlar, buradaki TED konumalar ile sizler
ve ben de buna katk salyoruz. En iyi yazlmmz hala bu devasa ierii anlamaya ve ynetmeye
abalyor. Baka bir anlamda, toplumun tamam olarak byk bir grme kaybna sahibiz nk en iyi
makinelerimiz hala gremiyorlar.

02:43

"Neden bu kadar zor ki bu?" diye soracaksnz. Kameralar burada da olduu gibi fotoraf ekebilirler,
n iki boyutlu say dizilerine evrilmi hali ile, ki bunlara pikseller diyoruz. Fakat burada sadece l
saylar bulunmakta. Kendi ilerinde herhangi bir anlam tamyorlar. Nasl ki duymak ile dinlemek ayn
anlama gelmiyorsa fotoraf ekmek ile grmek de ayn eyi ifade etmiyor. Grmek derken ciddi
manada "anlamay" kastediyoruz. Aslnda, bu yetiye sahip olabilmemiz tabiat anann 540 milyon yln
ald. Bu abann ou, beynin grsel ileme blmnn geliimine gitti sadece gzlerin kendisine
deil. Yani grmek gzlerde balyor, ama asl olarak beynin bir blmnde anlam kazanyor.

03:38

15 sene nce, Caltech'deki doktorama baladmda ve sonra Stanford Grsel Laboratuvarn

ynlendirdiimde mentorlerim, i ortaklarm ve rencilerimle birlikte bilgisayarlara grmeyi
retmek iin alyorduk. Aratrma alanmz bilgisayar grme yetisi ve makine renimi olarak
anlyordu. Yapay zeka blmnn genel bir dal olarak geiyordu. Nihayetinde, makinelere tpk
bizim gibi grebilmelerini retmek istedik, nesnelerin isimlendirilmesi, insanlarn tanmlanmas, 3B
geometrileri tahmin ilikileri anlama, duygular, olaylar ve iddet. u anda insanlarn, yerlerin ve
eyalarn btn hikayesini gzler nne serip beraber dokuyalm.

04:28

Bu amaca doru atlacak ilk adm bilgisayara grd eyleri retmek, sanal dnyann yap ta bu.
Basit anlamda bu retme srecini bi hayal edin, bilgisayara belirli bir nesnenin ya da bir kedinin
diyelim deneme amal resimlerini gstermek gibi ve bu resimlerden renilmi bir model
tasarlamay. Bu ne kadar zor olabilir ki? Sonu olarak, bir kedi sadece ekillerin ve renklerin bir
derlemesi ve bu ilk zamanlarda yaptmz nesne modellemesi. Algoritmasn saysal bir dille
bilgisayara retmemiz gerekiyordu bu kedi yuvarak bir yze, dolgun bir vcuda iki noktada kulaklara
ve uzun bir kuyrua sahip her ey yolunda gibi. Peki, ya bu kedi? (Glmeler) Hepsi i ie. Bu nesne
iin iin farkl bir ekil ve farkl bir bak as eklemeniz gerek. Peki ya kediler gizlenirse? Bu absrd
kedilere ne demeli? imdi ne demek istediimi anladnz. Evdeki kedi gibi basit bir ey iin bile sonsuz
eitlilikte nesne modellemesi yapmak mmkn ve bu sadece bir nesne.
05:44

Yaklak sekiz yl nce, olduka basit ama youn bir gzlem fikrimi deitirdi. Hi kimse bir ocua
nasl grebileceini retmez, zellikle de erken yalarda. Gerek dnya tecrbeleri ve rnekleriyle
renirler bunu. Bir ocuun gzlerini dnecek olursanz sanki bir ift biyolojik kameraym gibi,
yaklak her 200 milisaniyede bir fotoraf ekerler, gz hareketinden olumu ortalama bir zaman
dilimi. Yani yanda bir ocuk, gerek hayatta yz milyonlarca fotoraf grm olacak. Bu olduka
fazla deneme rnei. Sadece daha iyi algoritmalara odaklanmak yerine, sezilerim algoritmalara bir tr
eitici veri vermek zerineydi, tpk bir ocua sayca ve kalitece deneyimleri yoluyla verilmi gibi.

06:44

Bunu anlaynca, bir tr veri havuzuna sahip olduumuz resimlerden daha fazla, hatta binlerce kat
daha fazla ihtiyacmz olduunu biliyorduk. Princeton niversitesinden Prof. Kai Li ile birlikte 2007
senesinde ImageNet projesini balattk. anslyz ki bamzn zerine bir kamera alp yllarca
beklememize gerek kalmad. nternete bavurduk. nsanlarn oluturduu en byk resim definesi.
Yaklak bir milyar resim indirdik ve crowdsourcing teknolojisini kullandk. Resimleri tanmlamada bize
yardmc olmada Amazon Mechanical Turk platformu gibi. ImageNet, Amazon Mechanical Turk
alanlarna iveren en byk kurumlardan biri oldu. Dnya genelinde 167 lkeden neredeyse 50,000
alan yaklak bir milyar resmi eleyip, snflandrma ve tanmlamada bize yardmc oldu. Bu aba,
erken geliim dnemindeki bir ocuun alglad grntlerin sadece belli bir blmn elde
edebilmemiz iindi.

08:03

Nihayet, bilgisayar algoritmalarn eitmek iin big datann kullanlmas fikri u anda mmkn hale
geldi, fakat 2007 senesine dnersek, bu mmkn deildi. Bu yolculukta uzun bir sre tam anlamyla
kendi bamzaydk. Samimi baz arkadalarm kadrom iin daha kullanl eyler yapmam tavsiye
ettiler, ve ayn zamanda aratrma fonu oluturmak iin durmakszn abalyorduk. Hatta, master
rencilerime ImageNet fonu iin kuru temizleme maazam tekrar ama konusunda aka
yapyordum. niversite yllarmda bu ekilde geiniyordum.

08:41

Sonra devam ettik. 2009 senesinde, ImageNet projesi her gn ingilizce kelimelerle 22,000 nesne ve
eya snf ile 15 milyonluk bir resim veritabanna ulat. Say ve kalite olarak, emsalsiz bir lekti bu.
rnein, kedi kategorisinde, grn ve poz ile evcil ve yaban trlerinin tmyle 62 binden fazla kedi
bulunmakta. Bunlar ImageNet olarak toparladmzdan heyecanlydk ve sonra btn dnya
aratrmalarnda bunlardan faydalanlsn istedik, bu yzden TED fashion'da btn veri havuzumuzu
global aratrma topluluklarna cretsiz bir ekilde atk. (Alk)

09:41

Artk, bilgisayarmzn beynini besleyecek veriye sahibiz, algoritmalarn kendilerine dnecek kadar da
hazrz. ImageNet projesinin salad bilgi zenginlii, sonunda "evriimli sinirsel a" olarak ifade
edilen makine renme algoritmalarnn zel bir snfyla mkemmel bir ekilde elemiti,
ncln Kunihiko Fukushima, Geoff Hinton ve Yann LeCun'un yapt 1970 ve 80'lerin ncesindeki
bir alan. Beyinde meydana gelen milyarlarca yksek balantl sinirler gibi, sinir ann basit bir
alma birimine "nron benzeri" dm deniyor. Baka dmlerden girdi alyorlar ve dier
dmlere gnderiyorlar. Dahas, bu yzbinlerce hatta milyonlarca dm hiyerarik tabakalarla
dzenleniyorlar tpk beyin gibi. Normal bir sinir anda nesne tanma modelimizi eitmek iin, 24
milyon dm, 140 milyon deiken, ve 15 milyar balant kullandk. Bu muazzam bir modeldi.
ImageNet'den elde edilen byk veri ile olduka muazzam bir modeli eitmek iin kullanlan modern
CPU ve GPU'lar sayesinde evriimli sinirsel a hibirimizin hayal edemeyecei bir ekilde geliti. Nesne
tanmlamada etkileyeci yeni sonular retmek iin baarl bir mimari olmaya balad. Bu bilgisayarn
bize syledii, bu fotorafta bir kedinin olduu ve kedinin nerede olduu. Elbette orada kedilerden
daha fazlas var, burada ise bilgisayar algoritmasnn bize syledii resimde bir ocuk ile oyuncak bir
aynn; bir kpein, bir kiinin ve arkaplanda kk bir uurtmann; ya da ok kark bir resimin bir
adam, bir kaykay, korkuluklar, lamba direi v.b. gibi eyler olduu. Bazen, bilgisayar ne grd
hakknda emin olamaynca ok fazla dnmek yerine yeterince mantkl bir cevap vermesini rettik,
tpk bizim yapacamz gibi fakat baka zamanlarda bilgisayar algoritmamz bize dikkate deer eyler
tam olarak nesnelerin ne olduunu marka, model ve retim yl gibi eyleri sylyor.

12:10

Bu algoritmay Google Sokak Grntleme ile yzlerce Amerika ehrinden alnm resimlere uyguladk
ve gerekten ilgin eyler rendik: ncelikle, hepimizin bildii gibi ara fiyatlarnn aile gelir dzeyiyle
dorudan ilikili olduunu teyit etti fakat ilgintir ki, ara fiyatlar ayn zamanda ehirdeki su oranlar
ya da posta kodlarndan oy verme alanlar ile de balantl.

12:43

Peki biraz dnn, bu oldu mu? Bilgisayar henz insan kabiliyetlerine eriebildi mi hatta daha stn
geldi mi ? Hayr, o kadar hzl deil. u ana dek, sadece bilgisayara nesneleri grmesini rettik. Bu
kk bir ocuun bir ka kelime sylemesini renmesi gibi bir sey. nanlmaz bir baardr bu, fakat
bu sadece ilk admdr. Sonrasnda, baka bir geliimsel dnm noktas aa kar, ve ocuk cmlelerle
iletiim kurmaya balar. Yani, "bu resimdeki bir kedidir" demek yerine dinlediiniz gibi kk kz bize
"bu yatan zerinde uzanan bir kedidir" diyor
13:24

Bilgisayar resimleri grmek ve cmle kurmak iin eitmek, big data ile makine renim
algoritmasnn beraberlii iin bir adm daha atlmal. imdilik, bilgisayarn her resimden insanlar
tarafndan oluturulmu kadar iyi cmleler renmesi gerek. Beynin grsellik ve dili btnletirdii
gibi, biz de ufak grsel paracklar gibi grsel eylerle cmlelerdeki kelime ve ifadeleri birletirecek bir
model gelitirdik.

14:02

Yaklak drt ay nce, sonunda btn bunlar baladk ve bir fotoraf ilk kez grdnde bir insan
gibi cmle kurabilme yeteneine sahip ilk bilgisayar grme modelinden bir tane yaptk. u anda,
bilgisayarn konumamzn banda kk kzn grd resimleri grdnde neler sylediini size
gstermeye hazrm.

14:31

(Video) Bilgisayar: Bir adam filin yannda duruyor. Geni bir uak, uak pistinin stnde oturuyor.

14:40

FFL: Tabii, hala sk bir ekilde algoritmamz gelitirmek iin alyoruz ve henz renecei ok sey
var. (Alk)

14:51

Bilgisayar henz hatalar yapmakta.

14:54

Bilgisayar: Bir kedi battaniyenin iinde yatakta uzanyor.

14:58
FFL: Tabii, olduka fazla kedi grdnden hereyin kediye benzeyebileceini dnyor.

15:05

Bilgisayar: Gen erkek bir beysbol sopasn tutuyor. (Glmeler)

15:09

FFL: Ya da, henz bir di fras grmemise, beysbol sopasyla kartryor

15:15

Bilgisayar: Bir adam binann kenarndan atn sokak aa sryor. (Glmeler)

15:20

FFL: Henz bilgisayarlara Sanat 101 dersini retmedik.

15:25

Bilgisayar: Bir zebra otluklarn iinde duruyor.

15:28

FFL: Ve henz doann byleci gzelliini takdir etmeyi bizim gibi renmedi.

15:34

Uzun bir yolculuktu. Sfrdan yana getirmek olduka zordu. Asl zor olan yandan on ya ve
daha tesine gtrebilmek. Size bu resmi tekrar hatrlatmak istiyorum, ocuk ve kekin olduu. u ana
dek, bilgisayara nesneleri grebilmesini hatta grd resimden kk bir hikaye anlatmasn bile
rettik.
15:59

Bilgisayar: Biri ya pastann olduu masada oturuyor.

16:03

FFL: Fakat bu resimde sadece bir kii ve pastadan daha fazlas var. Bilgisayarn gremedii ey, onun
sadece Paskalya sresince servis edilen zel bir talyan pastas olduu. ocuk, babas tarafndan
Sidney gezisinden sonra kendisine hediye edilen en sevdii tirtn giyiyor, hepimiz onun nasl
mutlu olduunu ve u anda kafasndan geenleri syleyebiliriz.

16:31

Bu benim olum Leo. Grsel zeka aratrmalarmda, durmakszn Leo'yu ve iinde yaayaca gelecei
dnyorum. Makineler grebildiinde, doktor ve hemireler, tan koymak ve hastalarla ilgilenmek
iin ek olarak yorulmayan gz iftlerine sahip olacaklar. Arabalar yollarda daha gvenli daha akll bir
ekilde gidecek. Robotlar, sadece insanlar deil, enkaz blgelerinde tutsak ve yarallar kurtarmada
bizimle gs gerecekler. Yeni tr, daha iyi malzemeler bulacak ve makinelerin yardmyla,
grnmeyen snrlar kefedeceiz.

17:14

Azar azar, makinelere grme yetisini veriyoruz. nce, biz onlara grmeyi retiyoruz. Sonra, onlar
daha iyi grebilmemiz iin bize yardm ediyor. ncelikle, dnyamz kefetmek ve dnmek iin
gzlerimiz sadece insan gzleri olmayacak. Makineleri sadece zekalar iin kullanmyor, ayn zamanda
hayal bile edemeyeceimiz bir ekilde onlarla i birlii yapyoruz.

17:41

Benim aratrmam bu: bilgisayarlara grsel zekay vermek ve Leo iin, dnya iin daha iyi bir gelecek
oluturmak.

17:51
Teekkrler.