fix bar
fix bar
fix bar
fix bar
fix bar
fix bar

The wonderful and terrifying implications of computers that can learn

Jeremy Howard

0.5x
0.75x
1x
1.25x
1.5x
2x
 


. . .



 


. . .



 

00:00...
...

[1] 00:12It used to be that if you wanted to get a computer to do something new,
Antigamente se você quisesse que um computador fizesse algo novo,

[2] 00:16you would have to program it.
você teria que programar.

[3] 00:18Now, programming, for those of you here that haven't done it yourself,
Pois então, para quem aqui que nunca fez isso,

[4] 00:21requires laying out in excruciating detail
programação é algo que requer estabelecer com riqueza de detalhe

[5] 00:25every single step that you want the computer to do
cada passo do que você quer que o computador faça

[6] 00:28in order to achieve your goal.
para atingir o seu objetivo.

[7] 00:31Now, if you want to do something that you don't know how to do yourself,
Se você quiser fazer algo que ainda não sabe fazer sozinho,

[8] 00:34then this is going to be a great challenge.
isso se torna um grande desafio.

[9] 00:36So this was the challenge faced by this man, Arthur Samuel.
E esse foi o desafio enfrentado por este homem, Arthur Samuel.

[10] 00:40In 1956, he wanted to get this computer
Em 1956 ele queria que esse computador

[11] 00:44to be able to beat him at checkers.
fosse capaz de vencê-lo no jogo de damas.

[12] 00:46How can you write a program,
Como você faz para escrever um programa,

[13] 00:48lay out in excruciating detail, how to be better than you at checkers?
estabelecer com riqueza de detalhe, que ele jogue damas melhor que você?

[14] 00:52So he came up with an idea:
Então ele teve uma ideia:

[15] 00:54he had the computer play against itself thousands of times
ele fez o computador jogar contra si próprio milhares de vezes

[16] 00:57and learn how to play checkers.
para aprender a jogar damas.

[17] 01:00And indeed it worked, and in fact, by 1962,
E realmente funcionou, de fato em 1962

[18] 01:03this computer had beaten the Connecticut state champion.
esse computador venceu o campeão estadual de Connecticut.

[19] 01:07So Arthur Samuel was the father of machine learning,
Arthur Samuel foi o pai do aprendizado de máquina,

[20] 01:10and I have a great debt to him,
e eu devo muito a ele,

[21] 01:12because I am a machine learning practitioner.
porque eu sou um profissional de aprendizado de máquina.

[22] 01:15I was the president of Kaggle,
Eu fui o presidente da Kaggle,

[23] 01:16a community of over 200,000 machine learning practictioners.
uma comunidade de mais de 200 mil profissionais dessa área.

[24] 01:19Kaggle puts up competitions
A Kaggle organiza competições

[25] 01:21to try and get them to solve previously unsolved problems,
para tentar resolver problemas até então sem solução,

[26] 01:25and it's been successful hundreds of times.
e tem sido bem sucedida centenas de vezes.

[27] 01:29So from this vantage point, I was able to find out
Então desse ponto de vista, eu pude descobrir muito

[28] 01:31a lot about what machine learning can do in the past, can do today,
sobre o que o aprendizado de máquina conseguiu no passado, hoje,

[29] 01:35and what it could do in the future.
e o que poderia fazer no futuro.

[30] 01:38Perhaps the first big success of machine learning commercially was Google.
Talvez o primeiro grande sucesso comercial de aprendizado de máquina foi o Google.

[31] 01:42Google showed that it is possible to find information
O Google mostrou que é possível encontrar informação

[32] 01:45by using a computer algorithm,
usando um algoritmo de computador,

[33] 01:47and this algorithm is based on machine learning.
e esse algoritmo é baseado no aprendizado de máquina.

[34] 01:50Since that time, there have been many commercial successes of machine learning.
Desde então houve muitos casos de sucesso comercial de aprendizado de máquina.

[35] 01:54Companies like Amazon and Netflix
Empresas como Amazon e Netflix

[36] 01:56use machine learning to suggest products that you might like to buy,
usam aprendizado de máquina para sugerir produtos que você poderia querer,

[37] 01:59movies that you might like to watch.
filmes que você poderia querer assistir.

[38] 02:01Sometimes, it's almost creepy.
Às vezes é quase assustador.

[39] 02:03Companies like LinkedIn and Facebook
Empresas como LinkedIn e Facebook

[40] 02:05sometimes will tell you about who your friends might be
às vezes te dirão quem deveria ser seu amigo

[41] 02:08and you have no idea how it did it,
e você não tem ideia de como,

[42] 02:10and this is because it's using the power of machine learning.
e isso é porque está usando o poder do aprendizado de máquina.

[43] 02:13These are algorithms that have learned how to do this from data
São algoritmos que aprenderam como fazer isso a partir de dados

[44] 02:16rather than being programmed by hand.
ao invés de serem programados à mão.

[45] 02:19This is also how IBM was successful
Foi assim que a IBM foi bem sucedida

[46] 02:21in getting Watson to beat the two world champions at "Jeopardy,"
em fazer que Watson vencesse dois campeões mundiais em Jeopardy,

[47] 02:25answering incredibly subtle and complex questions like this one.
respondendo questões incrivelmente sutis e complexas como essa:

[48] 02:28["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"]
["O antigo 'Leão de Nimrud' desapareceu do museu nacional dessa cidade em 2003 (junto com um monte de outras coisas)"]

[49] 02:31This is also why we are now able to see the first self-driving cars.
Também por isso que agora vemos os primeiros carros auto-guiados.

[50] 02:35If you want to be able to tell the difference between, say,
Se você quiser poder diferenciar entre, digamos,

[51] 02:37a tree and a pedestrian, well, that's pretty important.
uma árvore e um pedestre, bem, isso é muito importante.

[52] 02:40We don't know how to write those programs by hand,
Não sabemos como escrever esses programas à mão,

[53] 02:43but with machine learning, this is now possible.
mas com o aprendizado de máquina isso agora é possível.

[54] 02:46And in fact, this car has driven over a million miles
De fato esse carro já dirigiu mais de um milhão de quilômetros

[55] 02:48without any accidents on regular roads.
sem qualquer acidente em estradas normais.

[56] 02:52So we now know that computers can learn,
Pois bem, agora sabemos que computadores conseguem aprender,

[57] 02:56and computers can learn to do things
e podem aprender a fazer coisas

[58] 02:58that we actually sometimes don't know how to do ourselves,
que inclusive nós mesmos não sabemos fazer,

[59] 03:00or maybe can do them better than us.
ou então fazer melhor que nós.

[60] 03:03One of the most amazing examples I've seen of machine learning
Um dos exemplos mais surpreendentes de aprendizado de máquina que eu já vi

[61] 03:07happened on a project that I ran at Kaggle
aconteceu num projeto que eu organizei na Kaggle

[62] 03:10where a team run by a guy called Geoffrey Hinton
onde um time coordenado por alguém chamado Geoffrey Hinton

[63] 03:13from the University of Toronto
da Universidade de Toronto

[64] 03:15won a competition for automatic drug discovery.
venceu a competição de descoberta automática de fármacos.

[65] 03:18Now, what was extraordinary here is not just that they beat
O extraordinário aqui não é apenas que eles bateram

[66] 03:20all of the algorithms developed by Merck or the international academic community,
todos os algoritmos desenvolvidos pela Merck ou a comunidade acadêmica,

[67] 03:25but nobody on the team had any background in chemistry or biology or life sciences,
mas que ninguém no time tinha qualquer antecedente em biologia ou química,

[68] 03:30and they did it in two weeks.
e fizeram isso em duas semanas.

[69] 03:32How did they do this?
Como eles fizeram isso?

[70] 03:34They used an extraordinary algorithm called deep learning.
Usaram um algoritmo singular chamado aprendizado profundo.

[71] 03:37So important was this that in fact the success was covered
Isso foi tão importante que de fato o sucesso foi noticiado

[72] 03:40in The New York Times in a front page article a few weeks later.
no The New York Times num artigo de página frontal semanas depois.

[73] 03:43This is Geoffrey Hinton here on the left-hand side.
Esse é Geoffrey Hinton, aqui no lado esquerdo.

[74] 03:46Deep learning is an algorithm inspired by how the human brain works,
Aprendizado profundo é um algoritmo inspirado no cérebro humano,

[75] 03:50and as a result it's an algorithm
ou seja, é um algoritmo

[76] 03:52which has no theoretical limitations on what it can do.
que não tem limitações teóricas para o que pode fazer.

[77] 03:56The more data you give it and the more computation time you give it,
Quanto mais dados e tempo você der a ele,

[78] 03:58the better it gets.
melhor ele fica.

[79] 04:00The New York Times also showed in this article
O The New York Times mostrou nesse artigo também

[80] 04:02another extraordinary result of deep learning
outro resultado singular do aprendizado profundo

[81] 04:04which I'm going to show you now.
que eu vou mostrar para vocês agora.

[82] 04:07It shows that computers can listen and understand.
Mostra que os computadores conseguem escutar e entender.

[83] 04:12(Video) Richard Rashid: Now, the last step
(Vídeo) Richard Rashid: Agora, o último passo

[84] 04:15that I want to be able to take in this process
que eu pretendo dar nesse processo

[85] 04:18is to actually speak to you in Chinese.
é realmente falar com vocês em chinês.

[86] 04:22Now the key thing there is,
A chave aqui é que

[87] 04:25we've been able to take a large amount of information from many Chinese speakers
conseguimos levantar uma vasta quantidade de informação de muitos falantes do chinês

[88] 04:30and produce a text-to-speech system
e produzir um sistema texto-para-fala

[89] 04:33that takes Chinese text and converts it into Chinese language,
que pega o texto em chinês e converte para a linguagem chinesa,

[90] 04:37and then we've taken an hour or so of my own voice
e então pegamos mais ou menos uma hora da minha própria voz

[91] 04:41and we've used that to modulate
e usamos para modular

[92] 04:43the standard text-to-speech system so that it would sound like me.
o sistema texto-para-fala padrão para que possa parecer a minha voz.

[93] 04:48Again, the result's not perfect.
O resultado não é perfeito.

[94] 04:50There are in fact quite a few errors.
Na verdade há alguns erros.

[95] 04:53(In Chinese)
(Em chinês)

[96] 04:56(Applause)
(Aplausos)

[97] 05:01There's much work to be done in this area.
Há muito trabalho pela frente nessa área.

[98] 05:05(In Chinese)
(Em chinês)

[99] 05:08(Applause)
(Aplausos)

[100] 05:13Jeremy Howard: Well, that was at a machine learning conference in China.
J. Howard: Isso foi num congresso de aprendizado de máquina na China.

[101] 05:16It's not often, actually, at academic conferences
Na verdade não é comum escutar aplausos

[102] 05:19that you do hear spontaneous applause,
espontâneos em congressos acadêmicos,

[103] 05:21although of course sometimes at TEDx conferences, feel free.
embora obviamente às vezes acontecer em conferências TEDx, fiquem à vontade.

[104] 05:24Everything you saw there was happening with deep learning.
Tudo que vocês viram lá aconteceu com aprendizado profundo.

[105] 05:27(Applause) Thank you.
(Aplausos) Obrigado.

[106] 05:29The transcription in English was deep learning.
A transcrição em inglês foi aprendizado profundo.

[107] 05:31The translation to Chinese and the text in the top right, deep learning,
A tradução para chinês e o texto na direita superior, também,

[108] 05:34and the construction of the voice was deep learning as well.
e a construção da voz também foi aprendizado profundo.

[109] 05:38So deep learning is this extraordinary thing.
Então, aprendizado profundo é essa coisa extraordinária.

[110] 05:41It's a single algorithm that can seem to do almost anything,
É um único algoritmo que parece fazer quase tudo,

[111] 05:44and I discovered that a year earlier, it had also learned to see.
e um ano antes eu descobri que ele também aprendeu a ver.

[112] 05:47In this obscure competition from Germany
Nessa competição desconhecida alemã, chamada

[113] 05:49called the German Traffic Sign Recognition Benchmark,
Modelo de Reconhecimento de Sinais de Trânsito Alemães

[114] 05:52deep learning had learned to recognize traffic signs like this one.
aprendizado profundo aprendeu a reconhecer sinais de trânsito como esse.

[115] 05:55Not only could it recognize the traffic signs
Não apenas conseguiu reconhecer os sinais

[116] 05:57better than any other algorithm,
melhor que qualquer outro algoritmo,

[117] 05:59the leaderboard actually showed it was better than people,
o ranking na verdade mostrou que era melhor do que gente,

[118] 06:02about twice as good as people.
quase duas vezes melhor do que gente.

[119] 06:04So by 2011, we had the first example
Então em 2011 tivemos o primeiro exemplo

[120] 06:06of computers that can see better than people.
de computadores que conseguem ver melhor do que pessoas.

[121] 06:09Since that time, a lot has happened.
Desde então muito aconteceu.

[122] 06:11In 2012, Google announced that they had a deep learning algorithm
Em 2012 Google anunciou que havia um algoritmo de aprendizado profundo

[123] 06:15watch YouTube videos
assistindo vídeos do YouTube

[124] 06:16and crunched the data on 16,000 computers for a month,
e remoendo os dados em 16 mil computadores por mês,

[125] 06:19and the computer independently learned about concepts such as people and cats
e o computador aprendeu sozinho conceitos como pessoas e gatos

[126] 06:24just by watching the videos.
apenas assistindo aos vídeos.

[127] 06:26This is much like the way that humans learn.
É desse jeito que os humanos aprendem.

[128] 06:28Humans don't learn by being told what they see,
Os humanos não aprendem com alguém explicando o que viram,

[129] 06:31but by learning for themselves what these things are.
aprendem por si próprios.

[130] 06:34Also in 2012, Geoffrey Hinton, who we saw earlier,
Também em 2012, Geoffrey Hinton, a quem vimos antes,

[131] 06:37won the very popular ImageNet competition,
venceu a conhecida competição ImageNet,

[132] 06:40looking to try to figure out from one and a half million images
tentando descobrir a partir de um milhão e meio de imagens

[133] 06:44what they're pictures of.
o que elas retratam.

[134] 06:46As of 2014, we're now down to a six percent error rate
A partir de 2014 estamos com uma taxa de erro de 6%

[135] 06:49in image recognition.
em reconhecimento de imagem.

[136] 06:51This is better than people, again.
De novo, isso é melhor que gente.

[137] 06:53So machines really are doing an extraordinarily good job of this,
Então, máquinas estão fazendo um ótimo trabalho

[138] 06:57and it is now being used in industry.
e agora está sendo usado na indústria.

[139] 06:59For example, Google announced last year
Por exemplo, o Google anunciou ano passado

[140] 07:02that they had mapped every single location in France in two hours,
que mapearam cada local da França em duas horas,

[141] 07:06and the way they did it was that they fed street view images
e fizeram isso fornecendo imagens das ruas

[142] 07:10into a deep learning algorithm to recognize and read street numbers.
para o algoritmo de aprendizado profundo reconhecer e ler os números das ruas.

[143] 07:14Imagine how long it would have taken before:
Imaginem quanto levaria do jeito que era antes:

[144] 07:16dozens of people, many years.
dúzias de pessoas, muitos anos.

[145] 07:20This is also happening in China.
Também está acontecendo na China.

[146] 07:22Baidu is kind of the Chinese Google, I guess,
Baidu é tipo o Google chinês, eu acho,

[147] 07:26and what you see here in the top left
e o que vocês podem ver acima à esquerda

[148] 07:28is an example of a picture that I uploaded to Baidu's deep learning system,
é um exemplo de uma imagem que eu subi ao sistema de aprendizado profundo do Baidu,

[149] 07:32and underneath you can see that the system has understood what that picture is
e abaixo você pode ver que o sistema entendeu que imagem é

[150] 07:36and found similar images.
e encontrou imagens similares.

[151] 07:38The similar images actually have similar backgrounds,
As imagens similares de fato têm fundos similares,

[152] 07:41similar directions of the faces,
direções de rostos similares,

[153] 07:42even some with their tongue out.
algumas até com a língua para fora.

[154] 07:44This is not clearly looking at the text of a web page.
Claramente não está olhando para o texto da página.

[155] 07:47All I uploaded was an image.
Tudo que eu forneci foi uma imagem.

[156] 07:49So we now have computers which really understand what they see
Agora temos computadores que realmente entendem o que veem

[157] 07:53and can therefore search databases
e então buscam em bancos de dados

[158] 07:54of hundreds of millions of images in real time.
de centenas de milhões de imagens em tempo real.

[159] 07:58So what does it mean now that computers can see?
Então o que significa o fato dos computadores conseguirem ver?

[160] 08:01Well, it's not just that computers can see.
Bem, não é só que conseguem ver.

[161] 08:03In fact, deep learning has done more than that.
De fato, o aprendizado profundo fez mais.

[162] 08:05Complex, nuanced sentences like this one
Frases matizadas e complexas como esta agora são

[163] 08:08are now understandable with deep learning algorithms.
compreensíveis com algoritmos de aprendizado profundo.

[164] 08:11As you can see here,
Como vocês podem ver aqui,

[165] 08:12this Stanford-based system showing the red dot at the top
esse sistema de Stanford com o ponto vermelho acima

[166] 08:15has figured out that this sentence is expressing negative sentiment.
descobriu que esta frase expressa um sentimento negativo.

[167] 08:19Deep learning now in fact is near human performance
Na verdade o aprendizado profundo está alcançando a performance humana

[168] 08:22at understanding what sentences are about and what it is saying about those things.
ao entender sobre o que as frases são e o que dizem sobre as coisas.

[169] 08:27Also, deep learning has been used to read Chinese,
Além disso o aprendizado profundo é usado para ler chinês,

[170] 08:30again at about native Chinese speaker level.
de novo no nível do falante nativo.

[171] 08:33This algorithm developed out of Switzerland
Esse algoritmo, desenvolvido na Suíça

[172] 08:35by people, none of whom speak or understand any Chinese.
por pessoas que não falam chinês.

[173] 08:39As I say, using deep learning
Como eu digo, usar aprendizado profundo

[174] 08:41is about the best system in the world for this,
é o melhor sistema no mundo para isso,

[175] 08:43even compared to native human understanding.
até mesmo comparando ao entendimento do humano nativo.

[176] 08:48This is a system that we put together at my company
Esse é um sistema que montamos na minha empresa

[177] 08:51which shows putting all this stuff together.
que mostra tudo isso colocado junto.

[178] 08:53These are pictures which have no text attached,
Essas são imagens sem texto,

[179] 08:56and as I'm typing in here sentences,
e enquanto digito frases aqui,

[180] 08:58in real time it's understanding these pictures
ele entende essas imagens em tempo real

[181] 09:01and figuring out what they're about
e descobre sobre o que elas são

[182] 09:03and finding pictures that are similar to the text that I'm writing.
e encontram imagens similares ao texto que estou escrevendo.

[183] 09:06So you can see, it's actually understanding my sentences
Vocês podem ver, está realmente entendendo minhas frases

[184] 09:09and actually understanding these pictures.
e entendendo essas imagens.

[185] 09:11I know that you've seen something like this on Google,
Sei que vocês viram algo assim no Google,

[186] 09:13where you can type in things and it will show you pictures,
onde você digita coisas e aparecem imagens,

[187] 09:16but actually what it's doing is it's searching the webpage for the text.
mas na verdade o que acontece é que está buscando o texto na página.

[188] 09:20This is very different from actually understanding the images.
Isso é muito diferente de realmente entender as imagens.

[189] 09:23This is something that computers have only been able to do
Isso foi possível acontecer para computadores

[190] 09:25for the first time in the last few months.
pela primeira vez somente há alguns poucos meses.

[191] 09:29So we can see now that computers can not only see but they can also read,
Vemos que agora os computadores conseguem não apenas ver, mas ler também,

[192] 09:33and, of course, we've shown that they can understand what they hear.
e claro, mostramos aqui que podem entender o que escutam.

[193] 09:36Perhaps not surprising now that I'm going to tell you they can write.
Talvez não seja surpresa o que vou dizer agora: eles sabem escrever.

[194] 09:40Here is some text that I generated using a deep learning algorithm yesterday.
Aqui um texto que eu gerei usando um algoritmo de aprendizado profundo ontem.

[195] 09:45And here is some text that an algorithm out of Stanford generated.
E aqui um texto que um algoritmo de Stanford criou.

[196] 09:49Each of these sentences was generated
Cada uma dessas frases foi criada

[197] 09:50by a deep learning algorithm to describe each of those pictures.
por um algoritmo de aprendizado profundo para descrever cada uma dessas imagens.

[198] 09:55This algorithm before has never seen a man in a black shirt playing a guitar.
Esse algoritmo nunca tinha visto um homem de camiseta preta tocando violão.

[199] 09:59It's seen a man before, it's seen black before,
Ele já viu um homem antes, já viu a cor preta,

[200] 10:01it's seen a guitar before,
já viu um violão antes,

[201] 10:03but it has independently generated this novel description of this picture.
mas criou independentemente essa descrição inédita para essa imagem.

[202] 10:07We're still not quite at human performance here, but we're close.
Ainda não chegamos ao patamar do desempenho humano, mas estamos perto.

[203] 10:11In tests, humans prefer the computer-generated caption
Em testes, humanos preferem a legenda gerada por computador

[204] 10:15one out of four times.
uma a cada quatro vezes.

[205] 10:16Now this system is now only two weeks old,
Agora esse sistema tem apenas duas semanas,

[206] 10:18so probably within the next year,
então provavelmente dentro de um ano,

[207] 10:20the computer algorithm will be well past human performance
o algoritmo de computador estará além do desempenho humano

[208] 10:23at the rate things are going.
no ritmo que as coisas vão.

[209] 10:25So computers can also write.
E é isso, os computadores conseguem escrever.

[210] 10:28So we put all this together and it leads to very exciting opportunities.
Quando juntamos isso tudo, oportunidades muito empolgantes aparecem.

[211] 10:31For example, in medicine,
Por exemplo, na medicina,

[212] 10:33a team in Boston announced that they had discovered
uma equipe em Boston anunciou a descoberta de

[213] 10:35dozens of new clinically relevant features
dúzias de novas características clinicamente relevantes

[214] 10:38of tumors which help doctors make a prognosis of a cancer.
de tumores que ajudam os médicos em prognósticos de câncer.

[215] 10:44Very similarly, in Stanford,
De modo semelhante, em Stanford,

[216] 10:46a group there announced that, looking at tissues under magnification,
um grupo lá anunciou que, observando tecidos sob ampliação,

[217] 10:50they've developed a machine learning-based system
desenvolveu um sistema com base em aprendizado de máquina

[218] 10:52which in fact is better than human pathologists
que de fato é melhor que patologistas humanos

[219] 10:55at predicting survival rates for cancer sufferers.
ao prever índices de sobrevivência para pacientes de câncer.

[220] 10:59In both of these cases, not only were the predictions more accurate,
Em ambos os casos, não apenas as previsões eram mais precisas,

[221] 11:02but they generated new insightful science.
mas criaram ciência perspicaz.

[222] 11:05In the radiology case,
No caso da radiologia,

[223] 11:06they were new clinical indicators that humans can understand.
foram indicadores clínicos novos que humanos conseguem entender.

[224] 11:09In this pathology case,
Nesse caso de patologia,

[225] 11:11the computer system actually discovered that the cells around the cancer
o sistema de computador descobriu que as células ao redor do câncer

[226] 11:16are as important as the cancer cells themselves
são tão importantes quanto as próprias células cancerígenas

[227] 11:19in making a diagnosis.
para se fazer um diagnóstico.

[228] 11:21This is the opposite of what pathologists had been taught for decades.
Isso é o oposto do que os patologistas tinham aprendido por décadas.

[229] 11:26In each of those two cases, they were systems developed
Em cada um desses dois casos, foram sistemas desenvolvidos por um

[230] 11:29by a combination of medical experts and machine learning experts,
grupo de especialistas médicos e especialistas em aprendizado de máquina,

[231] 11:33but as of last year, we're now beyond that too.
mas desde ano passado, estamos além disso também.

[232] 11:36This is an example of identifying cancerous areas
Esse é um exemplo de identificação de áreas cancerígenas

[233] 11:39of human tissue under a microscope.
em tecido humano sob um microscópio.

[234] 11:42The system being shown here can identify those areas more accurately,
O sistema aqui consegue identificar essas áreas com mais precisão,

[235] 11:46or about as accurately, as human pathologists,
ou com a mesma precisão, do que patologistas humanos,

[236] 11:49but was built entirely with deep learning using no medical expertise
mas foi construido com aprendizado profundo sem conhecimento médico

[237] 11:53by people who have no background in the field.
por pessoas sem antecedentes na área.

[238] 11:56Similarly, here, this neuron segmentation.
De modo similar, aqui, essa segmentação de neurônios.

[239] 11:59We can now segment neurons about as accurately as humans can,
Agora podemos segmentar neurônios tão precisamente quanto os humanos,

[240] 12:02but this system was developed with deep learning
mas esse sistema foi desenvolvido com aprendizado profundo

[241] 12:05using people with no previous background in medicine.
por pessoas sem antecedentes em medicina.

[242] 12:08So myself, as somebody with no previous background in medicine,
Então eu mesmo, que não tenho antecedentes em medicina,

[243] 12:12I seem to be entirely well qualified to start a new medical company,
posso parecer inteiramente qualificado para iniciar uma empresa médica,

[244] 12:15which I did.
que foi o que eu fiz.

[245] 12:18I was kind of terrified of doing it,
Eu estava meio aterrorizado,

[246] 12:19but the theory seemed to suggest that it ought to be possible
mas a teoria sugeria que era possível

[247] 12:22to do very useful medicine using just these data analytic techniques.
fazer medicina muito útil usando apenas essas técnicas analíticas de dados.

[248] 12:28And thankfully, the feedback has been fantastic,
E ainda bem, a reação tem sido fantástica,

[249] 12:30not just from the media but from the medical community,
não apenas da mídia mas da comunidade médica,

[250] 12:32who have been very supportive.
que tem sido muito favorável.

[251] 12:35The theory is that we can take the middle part of the medical process
A teoria é que podemos pegar a parte intermediária do precesso médico

[252] 12:39and turn that into data analysis as much as possible,
e torná-la em análise de dados tanto quanto possível,

[253] 12:42leaving doctors to do what they're best at.
deixando aos médicos o que eles fazem de melhor.

[254] 12:45I want to give you an example.
Quero dar uma exemplo a vocês.

[255] 12:47It now takes us about 15 minutes to generate a new medical diagnostic test
Hoje um novo teste de diagnóstico médico leva uns 15 minutos para ser feito

[256] 12:51and I'll show you that in real time now,
e vou mostrar em tempo real para vocês,

[257] 12:53but I've compressed it down to three minutes by cutting some pieces out.
mas eu comprimi para três minutos, cortando alguns pedaços.

[258] 12:57Rather than showing you creating a medical diagnostic test,
Ao invés de um teste de diagnóstico médico,

[259] 13:00I'm going to show you a diagnostic test of car images,
vou mostrar um teste de diagnóstico de imagens de carros,

[260] 13:03because that's something we can all understand.
pois é algo que todos podem entender.

[261] 13:06So here we're starting with about 1.5 million car images,
Então aqui estamos iniciando com 1,5 milhão de imagens de carro,

[262] 13:09and I want to create something that can split them into the angle
e eu quero criar algo que pode separar num ângulo

[263] 13:12of the photo that's being taken.
da foto que está sendo tirada.

[264] 13:14So these images are entirely unlabeled, so I have to start from scratch.
Essas imagens são inteiramente não marcadas, então preciso começar do zero.

[265] 13:18With our deep learning algorithm,
Com o algoritmo de aprendizado profundo,

[266] 13:20it can automatically identify areas of structure in these images.
pode-se automaticamente identificar áreas de estrutura nessas imagens.

[267] 13:24So the nice thing is that the human and the computer can now work together.
O legal é que o humano e o computador agora podem trabalhar juntos.

[268] 13:27So the human, as you can see here,
Então o humano, como podem ver,

[269] 13:29is telling the computer about areas of interest
diz ao computador as áreas de interesse

[270] 13:32which it wants the computer then to try and use to improve its algorithm.
que o computador então usa para melhorar o algoritmo.

[271] 13:37Now, these deep learning systems actually are in 16,000-dimensional space,
Esses sistemas de aprendizado profundo agem num espaço de 16 mil dimensões,

[272] 13:41so you can see here the computer rotating this through that space,
dá para ver aqui o computador girando através do espaço,

[273] 13:45trying to find new areas of structure.
tentando encontrar novas áreas de estrutura.

[274] 13:47And when it does so successfully,
E quando consegue,

[275] 13:48the human who is driving it can then point out the areas that are interesting.
o humano que está no controle então aponta as áreas de interesse.

[276] 13:52So here, the computer has successfully found areas,
Aqui o computador encontrou as áreas com sucesso,

[277] 13:55for example, angles.
por exemplo, ângulos.

[278] 13:57So as we go through this process,
Enquanto seguimos o processo,

[279] 13:59we're gradually telling the computer more and more
gradualmente dizendo mais e mais ao computador

[280] 14:01about the kinds of structures we're looking for.
sobre os tipos de estruturas que estamos buscando.

[281] 14:04You can imagine in a diagnostic test
Se fosse um teste diagnóstico, seria

[282] 14:05this would be a pathologist identifying areas of pathosis, for example,
um patologista identificando áreas de condição patológica, por exemplo,

[283] 14:09or a radiologist indicating potentially troublesome nodules.
ou um radiologista indicando nódulos potencialmente problemáticos.

[284] 14:14And sometimes it can be difficult for the algorithm.
E às vezes pode ser difícil para o algoritmo.

[285] 14:16In this case, it got kind of confused.
Nesse caso, ficou um pouco confuso.

[286] 14:18The fronts and the backs of the cars are all mixed up.
As frentes e as traseiras estão todas misturadas.

[287] 14:21So here we have to be a bit more careful,
Então temos que ser cuidadosos,

[288] 14:23manually selecting these fronts as opposed to the backs,
manualmente separando as frentes e as traseiras,

[289] 14:26then telling the computer that this is a type of group
e dizer ao computador que isso é o tipo de grupo

[290] 14:32that we're interested in.
que nos interessa.

[291] 14:33So we do that for a while, we skip over a little bit,
Então fizemos isso por um tempo, adiantamos um pouco, e

[292] 14:36and then we train the machine learning algorithm
treinamos o algoritmo de aprendizado de máquina

[293] 14:38based on these couple of hundred things,
com base em algumas centenas de coisas,

[294] 14:40and we hope that it's gotten a lot better.
e esperamos que tenha ficado melhor.

[295] 14:42You can see, it's now started to fade some of these pictures out,
Podem ver que agora algumas dessas imagens desapareceram,

[296] 14:45showing us that it already is recognizing how to understand some of these itself.
mostrando que já consegue entender algumas por si próprio.

[297] 14:50We can then use this concept of similar images,
Podemos então usar esse conceito para imagens similares,

[298] 14:53and using similar images, you can now see,
e usando imagens similares, vocês podem ver,

[299] 14:55the computer at this point is able to entirely find just the fronts of cars.
o computador nesse ponto consegue encontrar somente as frentes dos carros.

[300] 14:59So at this point, the human can tell the computer,
Nesse ponto o humano pode dizer ao computador,

[301] 15:02okay, yes, you've done a good job of that.
"ok, sim, você fez um bom trabalho".

[302] 15:05Sometimes, of course, even at this point
Claro que às vezes ainda é difícil

[303] 15:07it's still difficult to separate out groups.
separar grupos.

[304] 15:11In this case, even after we let the computer try to rotate this for a while,
Nesse caso mesmo depois do computador girar um pouco,

[305] 15:15we still find that the left sides and the right sides pictures
ainda vemos que imagens do lado esquerdo e do lado direito

[306] 15:18are all mixed up together.
estão todas misturadas.

[307] 15:20So we can again give the computer some hints,
Podemos novamente dar dicas ao computador,

[308] 15:22and we say, okay, try and find a projection that separates out
e dizer, certo, encontre uma projeção que separe

[309] 15:25the left sides and the right sides as much as possible
os lados esquerdo e direito o melhor possível

[310] 15:27using this deep learning algorithm.
usando o algoritmo de aprendizado profundo.

[311] 15:30And giving it that hint -- ah, okay, it's been successful.
E dando aquela dica, ah, certo, conseguiu.

[312] 15:33It's managed to find a way of thinking about these objects
Encontrou um jeito de pensar nesses objetos

[313] 15:35that's separated out these together.
que acabou agrupando.

[314] 15:38So you get the idea here.
Vocês podem pegar a ideia aqui.

[315] 15:40This is a case not where the human is being replaced by a computer,
Não é o caso de substituir o humano pelo computador,

[316] 15:48but where they're working together.
mas sim de trabalharem juntos.

[317] 15:51What we're doing here is we're replacing something that used to take a team
O que fazemos aqui é substituir algo que costumava demandar de uma equipe

[318] 15:55of five or six people about seven years
de cinco ou seis pessoas cerca de sete anos

[319] 15:57and replacing it with something that takes 15 minutes
com algo que leva apenas 15 minutos

[320] 15:59for one person acting alone.
para uma pessoa só.

[321] 16:02So this process takes about four or five iterations.
Esse processo demanda cerca de quatro ou cinco iterações.

[322] 16:06You can see we now have 62 percent
Podemos ver que agora temos 62%

[323] 16:08of our 1.5 million images classified correctly.
de nossas 1,5 milhão de imagens classificadas corretamente.

[324] 16:10And at this point, we can start to quite quickly
Nesse ponto podemos rapidamente

[325] 16:13grab whole big sections,
pegar seções inteiras

[326] 16:14check through them to make sure that there's no mistakes.
e checar se não há erros.

[327] 16:17Where there are mistakes, we can let the computer know about them.
Onde encontramos erros, podemos avisar o computador.

[328] 16:21And using this kind of process for each of the different groups,
Usando esse tipo de processo para cada um dos diferentes grupos,

[329] 16:24we are now up to an 80 percent success rate
temos agora 80% de índice de sucesso

[330] 16:27in classifying the 1.5 million images.
classificando 1,5 milhão de imagens.

[331] 16:29And at this point, it's just a case
Nesse ponto é só o caso de

[332] 16:31of finding the small number that aren't classified correctly,
encontrar o pequeno número que ainda não está classificado corretamente,

[333] 16:35and trying to understand why.
e tentar entender o motivo.

[334] 16:38And using that approach,
E com essa abordagem,

[335] 16:39by 15 minutes we get to 97 percent classification rates.
em 15 minutos temos 97% de índice de classificação.

[336] 16:43So this kind of technique could allow us to fix a major problem,
Então esse tipo de técnica nos permite resolver um grande problema,

[337] 16:48which is that there's a lack of medical expertise in the world.
que é a falta de especialização médica no mundo.

[338] 16:51The World Economic Forum says that there's between a 10x and a 20x
O Fórum Econômico Mundial diz que há escassez de algo entre 10 e 20 vezes

[339] 16:55shortage of physicians in the developing world,
de médicos no mundo em desenvolvimento,

[340] 16:57and it would take about 300 years
e que levaria cerca de 300 anos

[341] 16:59to train enough people to fix that problem.
para treinar gente suficiente para resolver o problema.

[342] 17:02So imagine if we can help enhance their efficiency
Imaginem conseguirmos aumentar a eficiência

[343] 17:05using these deep learning approaches?
usando essas abordagens de aprendizado profundo?

[344] 17:08So I'm very excited about the opportunities.
Por isso estou empolgado com as oportunidades.

[345] 17:10I'm also concerned about the problems.
E estou preocupado com os problemas.

[346] 17:13The problem here is that every area in blue on this map
O problema aqui é que cada área em azul no mapa

[347] 17:16is somewhere where services are over 80 percent of employment.
é um lugar onde os serviços estão com mais de 80% de emprego.

[348] 17:20What are services?
O que são serviços?

[349] 17:21These are services.
São esses.

[350] 17:23These are also the exact things that computers have just learned how to do.
São também exatamente o que os computadores aprenderam a fazer.

[351] 17:27So 80 percent of the world's employment in the developed world
Então 80% do emprego no mundo no mundo desenvolvido

[352] 17:31is stuff that computers have just learned how to do.
é algo que computadores já aprenderam a fazer.

[353] 17:33What does that mean?
O que isso significa?

[354] 17:35Well, it'll be fine. They'll be replaced by other jobs.
Ficaremos bem. Serão substituídos por outros empregos.

[355] 17:37For example, there will be more jobs for data scientists.
Por exemplo serão mais empregos para cientistas de dados.

[356] 17:40Well, not really.
Na verdade não.

[357] 17:41It doesn't take data scientists very long to build these things.
Não demora muito para cientistas de dados fazerem essas coisas.

[358] 17:44For example, these four algorithms were all built by the same guy.
Por exemplo, os quatro algoritmos foram construídos pelo mesmo cara.

[359] 17:47So if you think, oh, it's all happened before,
Então você pensa, oh, isso já aconteceu antes,

[360] 17:50we've seen the results in the past of when new things come along
já vimos isso antes, quando coisas novas chegam

[361] 17:54and they get replaced by new jobs,
e novos empregos aparecem,

[362] 17:56what are these new jobs going to be?
como serão esses novos empregos?

[363] 17:58It's very hard for us to estimate this,
É muito difícil estimar isso,

[364] 18:00because human performance grows at this gradual rate,
porque o desempenho humano cresce nesse ritmo gradual,

[365] 18:03but we now have a system, deep learning,
mas agora temos um sistema, o aprendizado profundo,

[366] 18:05that we know actually grows in capability exponentially.
que sabemos crescer em ritmo exponencial.

[367] 18:08And we're here.
E nós estamos aqui.

[368] 18:10So currently, we see the things around us
Então hoje vemos as coisas ao redor

[369] 18:12and we say, "Oh, computers are still pretty dumb." Right?
e dizemos: "Oh, os computadores são tão burros". Certo?

[370] 18:15But in five years' time, computers will be off this chart.
Mas dentro de cinco anos os computadores estarão fora desse gráfico.

[371] 18:18So we need to be starting to think about this capability right now.
Então precisamos começar a pensar nessa capacidade agora mesmo.

[372] 18:22We have seen this once before, of course.
Já vimos isso antes, claro.

[373] 18:24In the Industrial Revolution,
Na Revolução Industrial,

[374] 18:25we saw a step change in capability thanks to engines.
vimos uma mudança na capacidade graças aos motores.

[375] 18:29The thing is, though, that after a while, things flattened out.
Acontece que, as coisas foram se achatando.

[376] 18:32There was social disruption,
Houve distúrbio social,

[377] 18:34but once engines were used to generate power in all the situations,
mas quando os motores foram usados para gerar força em todas as situações

[378] 18:37things really settled down.
as coisas se acalmaram.

[379] 18:40The Machine Learning Revolution
A Revolução do Aprendizado de Máquina

[380] 18:41is going to be very different from the Industrial Revolution,
será bem diferente,

[381] 18:44because the Machine Learning Revolution, it never settles down.
porque ela nunca se acalma.

[382] 18:47The better computers get at intellectual activities,
Quanto mais os computadores conseguem melhorar,

[383] 18:50the more they can build better computers to be better at intellectual capabilities,
mais eles podem construir outros computadores, melhores,

[384] 18:54so this is going to be a kind of change
então esse será um tipo de mudança

[385] 18:56that the world has actually never experienced before,
que o mundo nunca viveu antes,

[386] 18:59so your previous understanding of what's possible is different.
então sua compreensão anterior do que é possível é diferente.

[387] 19:02This is already impacting us.
Isso já está nos afetando.

[388] 19:04In the last 25 years, as capital productivity has increased,
Nos últimos 25 anos, como a produtividade de capital aumentou,

[389] 19:08labor productivity has been flat, in fact even a little bit down.
a produtividade de mão de obra estacionou, de fato até caiu um pouco.

[390] 19:13So I want us to start having this discussion now.
Então quero que comecemos essa discussão já.

[391] 19:16I know that when I often tell people about this situation,
Sei que quando eu conto isso para as pessoas,

[392] 19:19people can be quite dismissive.
elas podem acabar desdenhando.

[393] 19:20Well, computers can't really think,
"Os computadores não sabem pensar,

[394] 19:22they don't emote, they don't understand poetry,
eles não se emocionam, não entendem poesia,

[395] 19:25we don't really understand how they work.
nós não sabemos como eles funcionam".

[396] 19:27So what?
E daí?

[397] 19:29Computers right now can do the things
Hoje computadores fazem coisas

[398] 19:31that humans spend most of their time being paid to do,
que passamos a maior parte do tempo sendo pagos pra fazer,

[399] 19:33so now's the time to start thinking
então chegou a hora de pensar

[400] 19:35about how we're going to adjust our social structures and economic structures
em como vamos ajustar nossas estruturas sociais e econômicas

[401] 19:40to be aware of this new reality.
para essa nova realidade.

[402] 19:41Thank you.
Obrigado.

[403] 19:43(Applause)
(Aplausos)