fix bar
fix bar
fix bar
fix bar
fix bar
fix bar
Inglês Mundial Clube
The wonderful and terrifying implications of computers that can learn Jeremy Howard
Lento Devagar Normal
Rápido
Acelerado
Frenético
 
 


. . .



 


. . .



Quer escutar primeiro e depois ver a legenda?
Ativar Tocar e Pausar (Beta)

Transcrição e tradução:

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)






Veja também