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

The wonderful and terrifying implications of computers that can learn | Jeremy Howard

TED

Alterar formato do vídeo:

Ocultar legendas incorporadas

Tela 21:9 (Cinema)

Alterar modo de reprodução

Modo atual: Tocar normalmente

Tocar e Pausar

Lento Devagar Normal
Rápido
Acelerado
Frenético
 


. . .



 


. . .



 

00:00...
...

[1] 00:12It used to be that if you wanted to get a computer to do something new,
Tradutor: Carlos Espirito Santo Revisora: Margarida Ferreira

[2] 00:16you would have to program it.
Era habitual, quando queríamos que um computador fizesse algo novo,

[3] 00:18Now, programming, for those of you here that haven't done it yourself,
termos que o programar.

[4] 00:21requires laying out in excruciating detail
Para aqueles que nunca programaram,

[5] 00:25every single step that you want the computer to do
a programação requer especificar com enorme detalhe,

[6] 00:28in order to achieve your goal.
todos os passos que queremos que o computador execute

[7] 00:31Now, if you want to do something that you don't know how to do yourself,
para alcançarmos o nosso objetivo.

[8] 00:34then this is going to be a great challenge.
Se queremos fazer algo que não sabemos fazer nós próprios,

[9] 00:36So this was the challenge faced by this man, Arthur Samuel.
será um grande desafio.

[10] 00:40In 1956, he wanted to get this computer
Este foi o desafio enfrentado por este homem, Arthur Samuel.

[11] 00:44to be able to beat him at checkers.
Em 1965, ele queria que um computador

[12] 00:46How can you write a program,
o vencesse nas damas.

[13] 00:48lay out in excruciating detail, how to be better than you at checkers?
Como podemos escrever um programa,

[14] 00:52So he came up with an idea:
com grande detalhe, que seja melhor do que nós nas damas?

[15] 00:54he had the computer play against itself thousands of times
Ele teve uma ideia:

[16] 00:57and learn how to play checkers.
pôs o computador a jogar contra si próprio, milhares de vezes,

[17] 01:00And indeed it worked, and in fact, by 1962,
para aprender a jogar damas.

[18] 01:03this computer had beaten the Connecticut state champion.
Funcionou e, em 1962,

[19] 01:07So Arthur Samuel was the father of machine learning,
o computador venceu o campeão do estado do Connecticut.

[20] 01:10and I have a great debt to him,
Arthur Samuel foi, assim, o pai da aprendizagem automática

[21] 01:12because I am a machine learning practitioner.
e tenho uma grande dívida para com ele,

[22] 01:15I was the president of Kaggle,
porque sou um profissional da aprendizagem automática.

[23] 01:16a community of over 200,000 machine learning practictioners.
Fui o presidente da Kaggle,

[24] 01:19Kaggle puts up competitions
uma comunidade de cerca de 200 000 profissionais da aprendizagem automática.

[25] 01:21to try and get them to solve previously unsolved problems,
A Kaggle estabelece competições,

[26] 01:25and it's been successful hundreds of times.
em que se tenta resolver problemas ainda não resolvidos,

[27] 01:29So from this vantage point, I was able to find out
e teve sucesso centenas de vezes.

[28] 01:31a lot about what machine learning can do in the past, can do today,
Desta posição vantajosa pude descobrir muito

[29] 01:35and what it could do in the future.
sobre o que a aprendizagem automática pode fazer no passado, no presente

[30] 01:38Perhaps the first big success of machine learning commercially was Google.
e o que poderá fazer no futuro.

[31] 01:42Google showed that it is possible to find information
O primeiro grande sucesso comercial da aprendizagem automática foi a Google.

[32] 01:45by using a computer algorithm,
A Google mostrou que é possível encontrar informação

[33] 01:47and this algorithm is based on machine learning.
usando o algoritmo de um computador,

[34] 01:50Since that time, there have been many commercial successes of machine learning.
e este algoritmo é baseado em aprendizagem automática.

[35] 01:54Companies like Amazon and Netflix
Desde então, houve muitos sucessos comerciais da aprendizagem automática.

[36] 01:56use machine learning to suggest products that you might like to buy,
Empresas como a Amazon e a Netflix

[37] 01:59movies that you might like to watch.
usam a aprendizagem automática para sugerir produtos que talvez compremos,

[38] 02:01Sometimes, it's almost creepy.
filmes que talvez gostemos de ver.

[39] 02:03Companies like LinkedIn and Facebook
Por vezes, é quase assustador.

[40] 02:05sometimes will tell you about who your friends might be
Empresas como o LinkedIn e o Facebook

[41] 02:08and you have no idea how it did it,
por vezes dizem-nos quem poderão ser os nossos amigos

[42] 02:10and this is because it's using the power of machine learning.
e não temos ideia de como elas fizeram isso,

[43] 02:13These are algorithms that have learned how to do this from data
porque estão a usar o poder da aprendizagem automática.

[44] 02:16rather than being programmed by hand.
Estes algoritmos aprenderam a fazer isto a partir de dados

[45] 02:19This is also how IBM was successful
em vez de serem programados à mão.

[46] 02:21in getting Watson to beat the two world champions at "Jeopardy,"
Esta foi também a razão do sucesso da IBM

[47] 02:25answering incredibly subtle and complex questions like this one.
ao conseguir que o Watson ganhasse a dois campeões mundiais no "Jeopardy",

[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)"]
respondendo a questões incrivelmente subtis e complexas.

[49] 02:31This is also why we are now able to see the first self-driving cars.
Esta é também a razão de podermos ver os primeiros carros autónomos.

[50] 02:35If you want to be able to tell the difference between, say,
É bastante importante podermos distinguir

[51] 02:37a tree and a pedestrian, well, that's pretty important.
uma árvore de um peão.

[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 isso é agora possível com a aprendizagem automática.

[54] 02:46And in fact, this car has driven over a million miles
Este carro conduziu mais de um milhão de quilómetros

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

[56] 02:52So we now know that computers can learn,
Sabemos agora que os computadores conseguem aprender.

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

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

[59] 03:00or maybe can do them better than us.
ou fazem-no melhor do que nós.

[60] 03:03One of the most amazing examples I've seen of machine learning
Um dos exemplos mais fantásticos da aprendizagem automática que eu vi

[61] 03:07happened on a project that I ran at Kaggle
surgiu num projeto que desenvolvi na Kaggle

[62] 03:10where a team run by a guy called Geoffrey Hinton
em que uma equipa liderada por um tipo chamado Geoffrey Hinton

[63] 03:13from the University of Toronto
da Universidade de Toronto, venceu uma competição

[64] 03:15won a competition for automatic drug discovery.
sobre descoberta automática de medicamentos.

[65] 03:18Now, what was extraordinary here is not just that they beat
O mais extraordinário não foi terem vencido todos os algoritmos

[66] 03:20all of the algorithms developed by Merck or the international academic community,
desenvolvidos pela Merck ou pela comunidade académica internacional,

[67] 03:25but nobody on the team had any background in chemistry or biology or life sciences,
mas ninguém na equipa ter formação em química, biologia ou ciências naturais

[68] 03:30and they did it in two weeks.
e fizeram-no em duas semanas.

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

[70] 03:34They used an extraordinary algorithm called deep learning.
Usaram um algoritmo extraordinário chamado aprendizagem profunda.

[71] 03:37So important was this that in fact the success was covered
Isso foi tão importante que saiu num artigo na primeira página

[72] 03:40in The New York Times in a front page article a few weeks later.
no New York Times, algumas semanas depois.

[73] 03:43This is Geoffrey Hinton here on the left-hand side.
Este do lado esquerdo é o Geoffrey Hinton.

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

[75] 03:50and as a result it's an algorithm
e, como resultado, é um algoritmo

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

[77] 03:56The more data you give it and the more computation time you give it,
Quanto mais dados e tempo de computação fornecermos

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

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

[80] 04:02another extraordinary result of deep learning
outro resultado extraordinário da aprendizagem profunda

[81] 04:04which I'm going to show you now.
que vou agora mostrar-vos.

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

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

[84] 04:15that I want to be able to take in this process
que quero poder dar neste processo

[85] 04:18is to actually speak to you in Chinese.
é falar-vos em chinês.

[86] 04:22Now the key thing there is,
O segredo para isso

[87] 04:25we've been able to take a large amount of information from many Chinese speakers
é que conseguimos reunir muita informação de oradores chineses

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

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

[90] 04:37and then we've taken an hour or so of my own voice
Depois usámos cerca de uma hora da minha própria voz

[91] 04:41and we've used that to modulate
para modular o sistema texto-fala padrão

[92] 04:43the standard text-to-speech system so that it would sound like me.
para que falasse como eu.

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

[94] 04:50There are in fact quite a few errors.
Há ainda 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 a fazer nesta 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.
Isto foi numa conferência sobre aprendizagem automática na China.

[101] 05:16It's not often, actually, at academic conferences
Não é frequente ouvir, em conferências académicas,

[102] 05:19that you do hear spontaneous applause,
aplausos espontâneos.

[103] 05:21although of course sometimes at TEDx conferences, feel free.
embora aconteça, por vezes, em conferências TEDx.

[104] 05:24Everything you saw there was happening with deep learning.
Todo o que vimos foi devido a aprendizagem profunda.

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

[106] 05:29The transcription in English was deep learning.
A transcrição para inglês foi feita com aprendizagem profunda,

[107] 05:31The translation to Chinese and the text in the top right, deep learning,
assim como a tradução para chinês, no texto em cima, à direita,

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

[109] 05:38So deep learning is this extraordinary thing.
A aprendizagem profunda é algo extraordinário.

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

[111] 05:44and I discovered that a year earlier, it had also learned to see.
Descobri que, um ano antes, também tinha aprendido a ver.

[112] 05:47In this obscure competition from Germany
Nesta competição obscura, na Alemanha,

[113] 05:49called the German Traffic Sign Recognition Benchmark,
- Referência Alemã para Reconhecimento de Sinais de Trânsito -

[114] 05:52deep learning had learned to recognize traffic signs like this one.
a aprendizagem profunda conseguiu reconhecer sinais de trânsito.

[115] 05:55Not only could it recognize the traffic signs
Conseguiu reconhecer sinais de trânsito, melhor do que qualquer outro algoritmo,

[116] 05:57better than any other algorithm,
e a avaliação mostrou que era cerca de duas vezes melhor do que as pessoas.

[117] 05:59the leaderboard actually showed it was better than people,
Por volta de 2011, tivemos o primeiro exemplo

[118] 06:02about twice as good as people.
de computadores que conseguem ver melhor do que as pessoas.

[119] 06:04So by 2011, we had the first example
Desde então, muito aconteceu.

[120] 06:06of computers that can see better than people.
Em 2012, a Google anunciou que tinham um algoritmo de aprendizagem profunda

[121] 06:09Since that time, a lot has happened.
a observar vídeos no Youtube

[122] 06:11In 2012, Google announced that they had a deep learning algorithm
e a processar dados de 16 000 computadores por mês,

[123] 06:15watch YouTube videos
O computador conseguiu de forma autónoma aprender conceitos como pessoas e gatos

[124] 06:16and crunched the data on 16,000 computers for a month,
apenas observando os vídeos.

[125] 06:19and the computer independently learned about concepts such as people and cats
Isto é semelhante ao modo como os humanos aprendem.

[126] 06:24just by watching the videos.
Não aprendem dizendo-lhes o que estão a ver,

[127] 06:26This is much like the way that humans learn.
mas aprendendo por si o que estas coisas são.

[128] 06:28Humans don't learn by being told what they see,
Também em 2012, o Geoffrey Hinton, que vimos antes,

[129] 06:31but by learning for themselves what these things are.
venceu a competição muito popular ImageNet,

[130] 06:34Also in 2012, Geoffrey Hinton, who we saw earlier,
ao tentar identificar, num conjunto de 1,5 milhões de imagens,

[131] 06:37won the very popular ImageNet competition,
o que elas representavam.

[132] 06:40looking to try to figure out from one and a half million images
Em 2014, reduzimos para 6% a taxa de erro

[133] 06:44what they're pictures of.
no reconhecimento de imagem.

[134] 06:46As of 2014, we're now down to a six percent error rate
Isto é melhor do que as pessoas conseguem fazer.

[135] 06:49in image recognition.
As máquinas estão realmente a fazer um trabalho extraordinário

[136] 06:51This is better than people, again.
que está agora a ser usado na indústria.

[137] 06:53So machines really are doing an extraordinarily good job of this,
Por exemplo, a Google anunciou, no ano passado,

[138] 06:57and it is now being used in industry.
que mapearam todos os locais de França, em duas horas.

[139] 06:59For example, Google announced last year
Processaram imagens de rua com um algoritmo de aprendizagem profunda,

[140] 07:02that they had mapped every single location in France in two hours,
para que reconhecesse e lesse números de ruas.

[141] 07:06and the way they did it was that they fed street view images
Imaginem quanto tempo isto teria demorado antes:

[142] 07:10into a deep learning algorithm to recognize and read street numbers.
dúzias de pessoas, durante muitos anos.

[143] 07:14Imagine how long it would have taken before:
Isto também está a acontecer na China.

[144] 07:16dozens of people, many years.
Baidu é uma espécie de Google chinesa, acho eu.

[145] 07:20This is also happening in China.
O que veem aqui em cima, à esquerda, é um exemplo de uma imagem

[146] 07:22Baidu is kind of the Chinese Google, I guess,
que transferi para o sistema de aprendizagem profunda da Baidu.

[147] 07:26and what you see here in the top left
Em baixo, podem ver que o sistema percebeu o que a imagem era

[148] 07:28is an example of a picture that I uploaded to Baidu's deep learning system,
e encontrou imagens semelhantes.

[149] 07:32and underneath you can see that the system has understood what that picture is
As imagens semelhantes têm, na verdade, fundos idênticos,

[150] 07:36and found similar images.
direções semelhantes das faces

[151] 07:38The similar images actually have similar backgrounds,
e algumas até com a língua de fora.

[152] 07:41similar directions of the faces,
Isto não é evidente no texto de uma página "web".

[153] 07:42even some with their tongue out.
Só transferi uma imagem.

[154] 07:44This is not clearly looking at the text of a web page.
Temos, agora, computadores que compreendem realmente o que veem

[155] 07:47All I uploaded was an image.
e que podem, por isso, procurar nas bases de dados

[156] 07:49So we now have computers which really understand what they see
de centenas de milhões de imagens, em tempo real.

[157] 07:53and can therefore search databases
O que significa realmente os computadores conseguirem agora ver?

[158] 07:54of hundreds of millions of images in real time.
Não se trata apenas de conseguirem ver.

[159] 07:58So what does it mean now that computers can see?
De facto, a aprendizagem profunda tem feito mais do que isso.

[160] 08:01Well, it's not just that computers can see.
Frases complexas, com nuances, como esta

[161] 08:03In fact, deep learning has done more than that.
são agora percetíveis, com os algoritmos de aprendizagem profunda.

[162] 08:05Complex, nuanced sentences like this one
Como podem ver aqui,

[163] 08:08are now understandable with deep learning algorithms.
este sistema de Stanford, com o ponto vermelho no topo,

[164] 08:11As you can see here,
percebeu que esta frase expressa um sentimento negativo.

[165] 08:12this Stanford-based system showing the red dot at the top
A aprendizagem profunda está agora próxima do desempenho humano,

[166] 08:15has figured out that this sentence is expressing negative sentiment.
na perceção do sentido das frases e no que diz sobre essas coisas.

[167] 08:19Deep learning now in fact is near human performance
A aprendizagem profunda também tem sido usada para ler chinês,

[168] 08:22at understanding what sentences are about and what it is saying about those things.
a um nível próximo de um chinês nativo.

[169] 08:27Also, deep learning has been used to read Chinese,
Este algoritmo foi desenvolvido na Suíça

[170] 08:30again at about native Chinese speaker level.
por pessoas que não falam nem percebem chinês.

[171] 08:33This algorithm developed out of Switzerland
Como disse, a aprendizagem profunda

[172] 08:35by people, none of whom speak or understand any Chinese.
é o melhor sistema do mundo para isto

[173] 08:39As I say, using deep learning
comparado até com a compreensão de um ser humano.

[174] 08:41is about the best system in the world for this,
Este é um sistema que desenvolvemos na minha empresa

[175] 08:43even compared to native human understanding.
que mostra como juntar tudo isto.

[176] 08:48This is a system that we put together at my company
Estas imagens não têm texto associado.

[177] 08:51which shows putting all this stuff together.
À medida que vou escrevendo estas frases

[178] 08:53These are pictures which have no text attached,
estas imagens vão sendo compreendidas em tempo real,

[179] 08:56and as I'm typing in here sentences,
percebendo o que significam,

[180] 08:58in real time it's understanding these pictures
e descobrindo imagens de acordo com o texto que vou escrevendo.

[181] 09:01and figuring out what they're about
Como podem ver, está de facto a perceber as minhas frases

[182] 09:03and finding pictures that are similar to the text that I'm writing.
e a perceber estas imagens.

[183] 09:06So you can see, it's actually understanding my sentences
Sei que viram algo parecido na Google,

[184] 09:09and actually understanding these pictures.
em que podem escrever coisas e são-vos mostradas imagens.

[185] 09:11I know that you've seen something like this on Google,
Na realidade, o que está a fazer é pesquisar o vosso texto na "web".

[186] 09:13where you can type in things and it will show you pictures,
Isso é muito diferente de perceber realmente as imagens.

[187] 09:16but actually what it's doing is it's searching the webpage for the text.
Isto é algo que os computadores só começaram a fazer

[188] 09:20This is very different from actually understanding the images.
há alguns meses, pela primeira vez.

[189] 09:23This is something that computers have only been able to do
Os computadores conseguem não apenas ver, mas também ler.

[190] 09:25for the first time in the last few months.
Já mostrámos, claro, que conseguem perceber o que ouvem.

[191] 09:29So we can see now that computers can not only see but they can also read,
Talvez não fiquem surpreendidos se vos disser que conseguem escrever.

[192] 09:33and, of course, we've shown that they can understand what they hear.
Aqui está um texto que gerei ontem com um algoritmo de aprendizagem profunda.

[193] 09:36Perhaps not surprising now that I'm going to tell you they can write.
E aqui está um texto gerado por um algoritmo de Stanford.

[194] 09:40Here is some text that I generated using a deep learning algorithm yesterday.
Cada uma destas frases foi gerada

[195] 09:45And here is some text that an algorithm out of Stanford generated.
por um algoritmo de aprendizagem profunda para descrever cada uma destas imagens.

[196] 09:49Each of these sentences was generated
Este algoritmo nunca tinha visto antes um homem de T-shirt preta a tocar guitarra.

[197] 09:50by a deep learning algorithm to describe each of those pictures.
Já tinha visto um homem e a cor preta.

[198] 09:55This algorithm before has never seen a man in a black shirt playing a guitar.
Já tinha visto uma guitarra.

[199] 09:59It's seen a man before, it's seen black before,
Mas gerou de forma independente esta nova descrição da imagem.

[200] 10:01it's seen a guitar before,
Ainda não estamos bem ao nível do desempenho humano, mas perto.

[201] 10:03but it has independently generated this novel description of this picture.
Em testes, os humanos preferem a descrição gerada pelo computador,

[202] 10:07We're still not quite at human performance here, but we're close.
uma em cada quatro vezes.

[203] 10:11In tests, humans prefer the computer-generated caption
Este sistema tem apenas duas semanas, por isso, provavelmente, no próximo ano,

[204] 10:15one out of four times.
o algoritmo estará bem à frente do desempenho humano,

[205] 10:16Now this system is now only two weeks old,
tendo em conta a rapidez destas coisas.

[206] 10:18so probably within the next year,
Os computadores também conseguem escrever.

[207] 10:20the computer algorithm will be well past human performance
Juntamos tudo isto e obtemos oportunidades muito excitantes.

[208] 10:23at the rate things are going.
Por exemplo, na medicina,

[209] 10:25So computers can also write.
uma equipa de Boston anunciou que descobriu

[210] 10:28So we put all this together and it leads to very exciting opportunities.
dúzias de novas características de tumores, clinicamente relevantes,

[211] 10:31For example, in medicine,
que ajudam os médicos a fazer prognósticos em relação a um cancro.

[212] 10:33a team in Boston announced that they had discovered
De igual modo, em Stanford,

[213] 10:35dozens of new clinically relevant features
um grupo anunciou que, observando tecidos ampliados,

[214] 10:38of tumors which help doctors make a prognosis of a cancer.
desenvolveu um sistema baseado na aprendizagem automática

[215] 10:44Very similarly, in Stanford,
que supera os patologistas humanos

[216] 10:46a group there announced that, looking at tissues under magnification,
na previsão de taxas de sobrevivência de pacientes de cancro.

[217] 10:50they've developed a machine learning-based system
Em ambos os casos, as previsões foram mais precisas,

[218] 10:52which in fact is better than human pathologists
e também geraram novas perspetivas científicas.

[219] 10:55at predicting survival rates for cancer sufferers.
No caso da radiologia,

[220] 10:59In both of these cases, not only were the predictions more accurate,
revelaram-se novos indicadores clínicos que os humanos podem perceber.

[221] 11:02but they generated new insightful science.
Neste caso da patologia,

[222] 11:05In the radiology case,
o sistema computacional descobriu que as células em torno do cancro

[223] 11:06they were new clinical indicators that humans can understand.
são tão importantes quanto as próprias células cancerígenas

[224] 11:09In this pathology case,
na realização de um diagnóstico.

[225] 11:11the computer system actually discovered that the cells around the cancer
Isto é o contrário do que os patologistas têm aprendido ao longo de décadas.

[226] 11:16are as important as the cancer cells themselves
Em ambos os casos, estes sistemas foram desenvolvidos

[227] 11:19in making a diagnosis.
por especialistas médicos e de aprendizagem automática.

[228] 11:21This is the opposite of what pathologists had been taught for decades.
No último ano, fomos também além disso.

[229] 11:26In each of those two cases, they were systems developed
Isto é um exemplo de identificação de áreas cancerígenas,

[230] 11:29by a combination of medical experts and machine learning experts,
em tecido humano, ao microscópio.

[231] 11:33but as of last year, we're now beyond that too.
O sistema aqui apresentado consegue identificar essas áreas

[232] 11:36This is an example of identifying cancerous areas
de forma mais precisa, ou tão precisa quanto os patologistas humanos,

[233] 11:39of human tissue under a microscope.
mas foi construído com aprendizagem profunda, sem conhecimentos médicos,

[234] 11:42The system being shown here can identify those areas more accurately,
por pessoas sem formação na área.

[235] 11:46or about as accurately, as human pathologists,
De modo semelhante, nesta segmentação neuronal.

[236] 11:49but was built entirely with deep learning using no medical expertise
Podemos agora segmentar neurónios de forma tão precisa quanto um humano,

[237] 11:53by people who have no background in the field.
mas este sistema foi desenvolvido com aprendizagem profunda

[238] 11:56Similarly, here, this neuron segmentation.
com pessoas sem formação prévia em medicina.

[239] 11:59We can now segment neurons about as accurately as humans can,
Eu próprio, sendo alguém sem formação prévia em medicina

[240] 12:02but this system was developed with deep learning
sou perfeitamente qualificado para abrir uma nova empresa médica,

[241] 12:05using people with no previous background in medicine.
Foi o que fiz.

[242] 12:08So myself, as somebody with no previous background in medicine,
Estava aterrorizado em relação a isso

[243] 12:12I seem to be entirely well qualified to start a new medical company,
mas a teoria sugeria ser possível

[244] 12:15which I did.
fazer medicina muito útil usando apenas estas técnicas de análise de dados.

[245] 12:18I was kind of terrified of doing it,
Felizmente, a resposta tem sido fantástica.

[246] 12:19but the theory seemed to suggest that it ought to be possible
Não apenas dos "media", mas também da comunidade médica,

[247] 12:22to do very useful medicine using just these data analytic techniques.
que tem dado muito apoio.

[248] 12:28And thankfully, the feedback has been fantastic,
A teoria é que podemos considerar a fase intermédia do processo médico

[249] 12:30not just from the media but from the medical community,
e transformá-la em análise de dados, tanto quanto possível,

[250] 12:32who have been very supportive.
deixando os médicos fazer aquilo em que são bons.

[251] 12:35The theory is that we can take the middle part of the medical process
Quero dar-vos um exemplo.

[252] 12:39and turn that into data analysis as much as possible,
Bastam 15 minutos para gerar um novo teste diagnóstico médico.

[253] 12:42leaving doctors to do what they're best at.
Vou mostrar-vos agora em tempo real,

[254] 12:45I want to give you an example.
mas comprimi para três minutos, cortando algumas partes.

[255] 12:47It now takes us about 15 minutes to generate a new medical diagnostic test
Em vez de vos mostrar a criação de um novo teste diagnóstico médico,

[256] 12:51and I'll show you that in real time now,
vou mostrar-vos um teste diagnóstico de imagens de carros,

[257] 12:53but I've compressed it down to three minutes by cutting some pieces out.
porque é algo fácil de perceber.

[258] 12:57Rather than showing you creating a medical diagnostic test,
Começamos com cerca de 1,5 milhões de imagens de carros.

[259] 13:00I'm going to show you a diagnostic test of car images,
Quero criar algo que consiga dividi-las

[260] 13:03because that's something we can all understand.
segundo o ângulo em que a foto foi tirada.

[261] 13:06So here we're starting with about 1.5 million car images,
Estas imagens não estão catalogadas, tenho de começar do zero.

[262] 13:09and I want to create something that can split them into the angle
Com o nosso algoritmo,

[263] 13:12of the photo that's being taken.
podem identificar-se automaticamente áreas de estruturas nestas imagens.

[264] 13:14So these images are entirely unlabeled, so I have to start from scratch.
O interessante é o homem e o computador poderem agora trabalhar em conjunto.

[265] 13:18With our deep learning algorithm,
O humano, como podem ver aqui,

[266] 13:20it can automatically identify areas of structure in these images.
está a dizer ao computador quais as áreas de interesse

[267] 13:24So the nice thing is that the human and the computer can now work together.
que quer que o computador use para melhorar o seu algoritmo.

[268] 13:27So the human, as you can see here,
Estes sistemas de aprendizagem profunda estão em espaços de dimensão 16 000.

[269] 13:29is telling the computer about areas of interest
Podem ver aqui o computador a rodar isto através desse espaço,

[270] 13:32which it wants the computer then to try and use to improve its algorithm.
tentando encontrar novas áreas de estrutura.

[271] 13:37Now, these deep learning systems actually are in 16,000-dimensional space,
Quando consegue fazê-lo com sucesso,

[272] 13:41so you can see here the computer rotating this through that space,
o humano que está a comandá-lo pode indicar áreas de interesse.

[273] 13:45trying to find new areas of structure.
Aqui o computador encontrou áreas, com sucesso.

[274] 13:47And when it does so successfully,
Ângulos, por exemplo.

[275] 13:48the human who is driving it can then point out the areas that are interesting.
Ao longo deste processo,

[276] 13:52So here, the computer has successfully found areas,
vamos dizendo mais coisas ao computador

[277] 13:55for example, angles.
sobre o tipo de estruturas que procuramos.

[278] 13:57So as we go through this process,
Podem imaginar que, num diagnóstico, isto seria o patologista a identificar

[279] 13:59we're gradually telling the computer more and more
áreas patológicas, por exemplo.

[280] 14:01about the kinds of structures we're looking for.
Ou o radiologista a indicar nódulos potencialmente problemáticos.

[281] 14:04You can imagine in a diagnostic test
Por vezes pode ser difícil, para o algoritmo.

[282] 14:05this would be a pathologist identifying areas of pathosis, for example,
Neste caso, ficou algo confuso.

[283] 14:09or a radiologist indicating potentially troublesome nodules.
As frentes e as traseiras dos carros estão todas misturadas.

[284] 14:14And sometimes it can be difficult for the algorithm.
Aqui temos que ser um pouco mais cuidadosos,

[285] 14:16In this case, it got kind of confused.
selecionado manualmente estas frentes por oposição às traseiras,

[286] 14:18The fronts and the backs of the cars are all mixed up.
dizendo depois ao computador que isto é o tipo de grupo

[287] 14:21So here we have to be a bit more careful,
em que estamos interessados.

[288] 14:23manually selecting these fronts as opposed to the backs,
Fazemos isto durante algum tempo, avançamos um pouco,

[289] 14:26then telling the computer that this is a type of group
e depois treinamos o algoritmo de aprendizagem automática,

[290] 14:32that we're interested in.
baseados nestas centenas de coisas,

[291] 14:33So we do that for a while, we skip over a little bit,
e esperamos que fique bastante melhor.

[292] 14:36and then we train the machine learning algorithm
Podem ver que algumas imagens estão a começar a desvanecer,

[293] 14:38based on these couple of hundred things,
mostrando-nos que já está a descobrir como perceber algumas destas sozinho.

[294] 14:40and we hope that it's gotten a lot better.
Podemos, então, usar o conceito de imagens semelhantes.

[295] 14:42You can see, it's now started to fade some of these pictures out,
Usando imagens semelhantes, podemos ver que o computador

[296] 14:45showing us that it already is recognizing how to understand some of these itself.
é capaz, neste ponto, de identificar apenas as frentes dos carros.

[297] 14:50We can then use this concept of similar images,
Neste ponto, o humano pode dizer ao computador:

[298] 14:53and using similar images, you can now see,
"Fizeste aqui um bom trabalho!"

[299] 14:55the computer at this point is able to entirely find just the fronts of cars.
Por vezes, claro, mesmo neste ponto,

[300] 14:59So at this point, the human can tell the computer,
ainda é difícil distinguir os grupos.

[301] 15:02okay, yes, you've done a good job of that.
Neste caso, mesmo depois de deixarmos o computador rodar isto durante algum tempo,

[302] 15:05Sometimes, of course, even at this point
ainda vemos que as imagens dos lados esquerdo e direito

[303] 15:07it's still difficult to separate out groups.
estão todas misturadas.

[304] 15:11In this case, even after we let the computer try to rotate this for a while,
Podemos dar, de novo, algumas pistas ao computador.

[305] 15:15we still find that the left sides and the right sides pictures
Dizemos: "Tenta descobrir uma projeção que separe,

[306] 15:18are all mixed up together.
"o lado esquerdo do direito, o mais possível,

[307] 15:20So we can again give the computer some hints,
"usando este algoritmo de aprendizagem profunda."

[308] 15:22and we say, okay, try and find a projection that separates out
Dando-lhe esta pista, ele tem sucesso.

[309] 15:25the left sides and the right sides as much as possible
Conseguiu descobrir um modo de pensar neste objetos

[310] 15:27using this deep learning algorithm.
que permitiu separá-los.

[311] 15:30And giving it that hint -- ah, okay, it's been successful.
Percebem a ideia.

[312] 15:33It's managed to find a way of thinking about these objects
Neste caso, o humano não está a ser substituído pelo computador.

[313] 15:35that's separated out these together.
Estão a trabalhar em conjunto.

[314] 15:38So you get the idea here.
O que estamos a fazer é substituir algo que exigia uma equipa

[315] 15:40This is a case not where the human is being replaced by a computer,
de cinco ou seis pessoas, durante sete anos,

[316] 15:48but where they're working together.
por algo que demora 15 minutos,

[317] 15:51What we're doing here is we're replacing something that used to take a team
com uma pessoa a trabalhar sozinha.

[318] 15:55of five or six people about seven years
Este processo demora quatro ou cinco iterações.

[319] 15:57and replacing it with something that takes 15 minutes
Podem ver que temos agora 62%

[320] 15:59for one person acting alone.
dos nossos 1,5 milhões de imagens, classificadas corretamente.

[321] 16:02So this process takes about four or five iterations.
Neste ponto, podemos começar rapidamente

[322] 16:06You can see we now have 62 percent
a trabalhar grandes secções,

[323] 16:08of our 1.5 million images classified correctly.
e a verificar se não há erros.

[324] 16:10And at this point, we can start to quite quickly
Se houver erros, podemos fazer com que o computador o saiba.

[325] 16:13grab whole big sections,
Usando este processo, para cada um dos diferentes grupos,

[326] 16:14check through them to make sure that there's no mistakes.
temos agora uma taxa de sucesso de 80%,

[327] 16:17Where there are mistakes, we can let the computer know about them.
na classificação de 1,5 milhões de imagens.

[328] 16:21And using this kind of process for each of the different groups,
Neste ponto, trata-se de descobrir

[329] 16:24we are now up to an 80 percent success rate
as poucas que não estão classificadas corretamente,

[330] 16:27in classifying the 1.5 million images.
e tentar perceber porquê.

[331] 16:29And at this point, it's just a case
Utilizando esta abordagem

[332] 16:31of finding the small number that aren't classified correctly,
conseguimos uma taxa de classificação de 97% em 15 minutos.

[333] 16:35and trying to understand why.
Esta técnica pode permitir-nos resolver um grande problema

[334] 16:38And using that approach,
que é a falta de especialistas médicos no mundo.

[335] 16:39by 15 minutes we get to 97 percent classification rates.
O Fórum Económico Mundial refere que há 10 a 20 vezes menos médicos

[336] 16:43So this kind of technique could allow us to fix a major problem,
do que o necessário, nos países em desenvolvimento.

[337] 16:48which is that there's a lack of medical expertise in the world.
E que serão necessários 300 anos

[338] 16:51The World Economic Forum says that there's between a 10x and a 20x
para formar as pessoas necessárias para resolver o problema.

[339] 16:55shortage of physicians in the developing world,
Imaginem que podemos ajudar a melhorar a sua eficiência

[340] 16:57and it would take about 300 years
usando esta abordagem de aprendizagem profunda.

[341] 16:59to train enough people to fix that problem.
Estou muito entusiasmado com as oportunidades,

[342] 17:02So imagine if we can help enhance their efficiency
mas também estou preocupado em relação aos problemas.

[343] 17:05using these deep learning approaches?
O problema é que as áreas a azul, neste mapa,

[344] 17:08So I'm very excited about the opportunities.
são locais onde os serviços representam mais de 80% dos empregos.

[345] 17:10I'm also concerned about the problems.
O que são os serviços?

[346] 17:13The problem here is that every area in blue on this map
Isto são serviços.

[347] 17:16is somewhere where services are over 80 percent of employment.
São também as coisas que os computadores aprenderam a fazer.

[348] 17:20What are services?
80% dos postos de trabalho, no mundo desenvolvido,

[349] 17:21These are services.
são coisas que os computadores aprenderam a fazer.

[350] 17:23These are also the exact things that computers have just learned how to do.
O que significa isto?

[351] 17:27So 80 percent of the world's employment in the developed world
Não há problema. Serão substituídos por outros empregos.

[352] 17:31is stuff that computers have just learned how to do.
Por exemplo, haverá mais empregos para especialistas em dados.

[353] 17:33What does that mean?
Bem, não exatamente.

[354] 17:35Well, it'll be fine. They'll be replaced by other jobs.
Os especialistas não demoram muito tempo a construir estas coisas.

[355] 17:37For example, there will be more jobs for data scientists.
Estes quatro algoritmos foram desenvolvidos pela mesma pessoa.

[356] 17:40Well, not really.
Se pensarmos bem, isto já aconteceu antes.

[357] 17:41It doesn't take data scientists very long to build these things.
Já vimos, no passado, o resultado de surgirem coisas novas

[358] 17:44For example, these four algorithms were all built by the same guy.
que são substituídas por novos empregos.

[359] 17:47So if you think, oh, it's all happened before,
O que serão estes novos empregos?

[360] 17:50we've seen the results in the past of when new things come along
É muito difícil fazermos previsões,

[361] 17:54and they get replaced by new jobs,
porque o desempenho humano cresce a um ritmo gradual,

[362] 17:56what are these new jobs going to be?
mas temos agora um sistema de aprendizagem profunda,

[363] 17:58It's very hard for us to estimate this,
cuja capacidade cresce exponencialmente.

[364] 18:00because human performance grows at this gradual rate,
Estamos neste ponto.

[365] 18:03but we now have a system, deep learning,
Atualmente, vemos as coisas à nossa volta e pensamos:

[366] 18:05that we know actually grows in capability exponentially.
"Os computadores ainda são muito burros."

[367] 18:08And we're here.
Mas em cinco anos os computadores estarão fora deste gráfico.

[368] 18:10So currently, we see the things around us
Temos que começar já a pensar nesta capacidade.

[369] 18:12and we say, "Oh, computers are still pretty dumb." Right?
É claro que já vimos isto.

[370] 18:15But in five years' time, computers will be off this chart.
Na Revolução Industrial,

[371] 18:18So we need to be starting to think about this capability right now.
vimos uma grande avanço na capacidade, graças às máquinas.

[372] 18:22We have seen this once before, of course.
A questão é que, passado algum tempo, as coisas estabilizaram.

[373] 18:24In the Industrial Revolution,
Houve ruturas sociais.

[374] 18:25we saw a step change in capability thanks to engines.
Mas quando as máquinas foram usadas para gerar poder em todas as situações,

[375] 18:29The thing is, though, that after a while, things flattened out.
as coisas acalmaram.

[376] 18:32There was social disruption,
A Revolução da Aprendizagem Automática será muito diferente

[377] 18:34but once engines were used to generate power in all the situations,
da Revolução Industrial,

[378] 18:37things really settled down.
porque a Revolução da Aprendizagem Automática nunca estabilizará.

[379] 18:40The Machine Learning Revolution
Quanto melhores forem os computadores em atividades intelectuais,

[380] 18:41is going to be very different from the Industrial Revolution,
melhores computadores se construirão, com mais capacidades intelectuais.

[381] 18:44because the Machine Learning Revolution, it never settles down.
Isto será um tipo de mudança

[382] 18:47The better computers get at intellectual activities,
que o mundo nunca presenciou antes.

[383] 18:50the more they can build better computers to be better at intellectual capabilities,
A nossa perceção do que é possível é diferente.

[384] 18:54so this is going to be a kind of change
Isto já está a afetar-nos.

[385] 18:56that the world has actually never experienced before,
Nos últimos 25 anos, à medida que a produtividade do capital aumentou,

[386] 18:59so your previous understanding of what's possible is different.
a produtividade laboral manteve-se, na verdade até desceu um pouco.

[387] 19:02This is already impacting us.
Quero que tenhamos esta discussão agora.

[388] 19:04In the last 25 years, as capital productivity has increased,
Sei que, quando falo disto às pessoas,

[389] 19:08labor productivity has been flat, in fact even a little bit down.
elas mostram algum desdém.

[390] 19:13So I want us to start having this discussion now.
"Os computadores não conseguem pensar."

[391] 19:16I know that when I often tell people about this situation,
"Eles não se emocionam, nem percebem poesia."

[392] 19:19people can be quite dismissive.
"Não percebemos, na verdade, como funcionam."

[393] 19:20Well, computers can't really think,
E depois?

[394] 19:22they don't emote, they don't understand poetry,
Os computadores conseguem fazer as coisas

[395] 19:25we don't really understand how they work.
que os humanos são pagos para fazer, na maior parte do seu tempo.

[396] 19:27So what?
Este é o tempo para começar a pensar

[397] 19:29Computers right now can do the things
como vamos ajustar as nossas estruturas sociais e económicas

[398] 19:31that humans spend most of their time being paid to do,
para fazer face a esta nova realidade.

[399] 19:33so now's the time to start thinking
Obrigado.

[400] 19:35about how we're going to adjust our social structures and economic structures
(Aplausos)

[401] 19:40to be aware of this new reality.
--401--

[402] 19:41Thank you.
--402--

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