TED@BCG Milan
Margaret Mitchell: How we can build AI to help humans, not hurt us
Margaret Mitchell: Comment construire une IA qui aide l'humanité au lieu de la faire souffrir
Filmed:
Readability: 4.6
1,154,210 views
Margaret Mitchell est scientifique à Google, elle aide à développer des ordinateurs capables de communiquer sur ce qu'ils voient et comprennent. Elle nous fait un récit édifiant des différences, des biais cognitifs et des préjugés transmis à l'IA de manière inconsciente. Margaret Mitchell nous demande d'imaginer à quoi ressemblera demain la technologie que nous inventons aujourd'hui. « Tout ce que nous voyons n'est qu'un aperçu de l'évolution de l'intelligence artificielle », nous dit Margaret Mitchell : « Si nous voulons une IA qui évolue d'une façon qui nous soit bénéfique, il nous faut définir des objectifs et des stratégies dans cette voie. »
Margaret Mitchell - AI research scientist
Margaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence. Full bio
Margaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence. Full bio
Double-click the English transcript below to play the video.
00:13
I work on helping computers
communicate about the world around us.
communicate about the world around us.
0
1381
4015
J'aide les ordinateurs à communiquer
avec le monde qui nous entoure.
avec le monde qui nous entoure.
00:17
There are a lot of ways to do this,
1
5754
1793
Il y a plein de façons de le faire,
00:19
and I like to focus on helping computers
2
7571
2592
mais j'aime me consacrer
à aider les ordinateurs
à aider les ordinateurs
00:22
to talk about what they see
and understand.
and understand.
3
10187
2874
à parler de ce qu'ils voient
et de ce qu'ils comprennent.
et de ce qu'ils comprennent.
00:25
Given a scene like this,
4
13514
1571
Pour une scène comme celle-ci,
00:27
a modern computer-vision algorithm
5
15109
1905
un algorithme moderne de reconnaissance
00:29
can tell you that there's a woman
and there's a dog.
and there's a dog.
6
17038
3095
peut vous dire qu'il y a
une femme et un chien.
une femme et un chien.
00:32
It can tell you that the woman is smiling.
7
20157
2706
Il peut vous dire
que la femme est souriante.
que la femme est souriante.
00:34
It might even be able to tell you
that the dog is incredibly cute.
that the dog is incredibly cute.
8
22887
3873
Il pourrait même vous dire que le chien
est incroyablement mignon.
est incroyablement mignon.
00:38
I work on this problem
9
26784
1349
Je travaille sur ce problème
00:40
thinking about how humans
understand and process the world.
understand and process the world.
10
28157
4212
en étudiant la façon dont les humains
comprennent et traitent le monde.
comprennent et traitent le monde.
00:45
The thoughts, memories and stories
11
33577
2952
Les pensées, les souvenirs
et les histoires
et les histoires
00:48
that a scene like this
might evoke for humans.
might evoke for humans.
12
36553
2818
qu'une scène comme celle-ci
pourrait évoquer pour un humain.
pourrait évoquer pour un humain.
00:51
All the interconnections
of related situations.
of related situations.
13
39395
4285
Toutes les interconnexions
avec les situations proches.
avec les situations proches.
00:55
Maybe you've seen
a dog like this one before,
a dog like this one before,
14
43704
3126
Peut-être avez-vous déjà vu
un chien semblable auparavant,
un chien semblable auparavant,
00:58
or you've spent time
running on a beach like this one,
running on a beach like this one,
15
46854
2969
ou que vous avez beaucoup couru
sur une plage comme celle-ci
sur une plage comme celle-ci
01:01
and that further evokes thoughts
and memories of a past vacation,
and memories of a past vacation,
16
49847
4778
et cela évoque d'autres pensées
et des souvenirs de vacances passées,
et des souvenirs de vacances passées,
01:06
past times to the beach,
17
54649
1920
des moments passés à la plage,
01:08
times spent running around
with other dogs.
with other dogs.
18
56593
2603
des moments passés à courir
avec d'autres chiens.
avec d'autres chiens.
01:11
One of my guiding principles
is that by helping computers to understand
is that by helping computers to understand
19
59688
5207
Un de mes principes est d'aider
les ordinateurs à comprendre
les ordinateurs à comprendre
01:16
what it's like to have these experiences,
20
64919
2896
à quoi ressemblent de telles expériences,
01:19
to understand what we share
and believe and feel,
and believe and feel,
21
67839
5176
pour leur faire comprendre ce que
nous partageons, croyons et ressentons.
nous partageons, croyons et ressentons.
01:26
then we're in a great position
to start evolving computer technology
to start evolving computer technology
22
74094
4310
C'est ainsi qu'on pourra commencer à faire
évoluer la technologie informatique
évoluer la technologie informatique
01:30
in a way that's complementary
with our own experiences.
with our own experiences.
23
78428
4587
pour qu'elle soit complémentaire
de nos propres expériences.
de nos propres expériences.
01:35
So, digging more deeply into this,
24
83539
3387
Donc, pour approfondir ce sujet,
01:38
a few years ago I began working on helping
computers to generate human-like stories
computers to generate human-like stories
25
86950
5905
ces dernières années, j'ai aidé
les ordinateurs à créer des histoires
les ordinateurs à créer des histoires
01:44
from sequences of images.
26
92879
1666
à partir de séquences d'images.
01:47
So, one day,
27
95427
1904
Un jour,
01:49
I was working with my computer to ask it
what it thought about a trip to Australia.
what it thought about a trip to Australia.
28
97355
4622
j'étais sur mon PC et je lui ai demandé
son avis sur un voyage en Australie.
son avis sur un voyage en Australie.
01:54
It took a look at the pictures,
and it saw a koala.
and it saw a koala.
29
102768
2920
Il a regardé les images,
et il a vu un koala.
et il a vu un koala.
01:58
It didn't know what the koala was,
30
106236
1643
Il ne savait pas ce que c'était,
01:59
but it said it thought
it was an interesting-looking creature.
it was an interesting-looking creature.
31
107903
2999
mais, selon lui, cette créature
avait l'air intéressante.
avait l'air intéressante.
02:04
Then I shared with it a sequence of images
about a house burning down.
about a house burning down.
32
112053
4004
Puis, j'ai partagé avec lui une séquence
d'images d'une maison qui brûlait.
d'images d'une maison qui brûlait.
02:09
It took a look at the images and it said,
33
117704
3285
Il a regardé les images et il a dit :
02:13
"This is an amazing view!
This is spectacular!"
This is spectacular!"
34
121013
3500
« C'est une vue incroyable !
C'est spectaculaire ! »
C'est spectaculaire ! »
02:17
It sent chills down my spine.
35
125450
2095
Et ça m'a donné des frissons.
02:20
It saw a horrible, life-changing
and life-destroying event
and life-destroying event
36
128983
4572
Il a vu un événement horrible, qui peut
bouleverser et détruire une vie,
bouleverser et détruire une vie,
02:25
and thought it was something positive.
37
133579
2382
et il pensait que c'était
une chose positive.
une chose positive.
02:27
I realized that it recognized
the contrast,
the contrast,
38
135985
3441
J'ai compris qu'il discernait
le contraste,
le contraste,
02:31
the reds, the yellows,
39
139450
2699
les rouges, les jaunes,
02:34
and thought it was something
worth remarking on positively.
worth remarking on positively.
40
142173
3078
et il trouvait, sans mauvaise pensée,
que ça méritait d'être vu.
que ça méritait d'être vu.
02:37
And part of why it was doing this
41
145928
1615
S'il disait ça, c'était en partie
02:39
was because most
of the images I had given it
of the images I had given it
42
147577
2945
parce que la plupart des images
que je lui avais apportées
que je lui avais apportées
02:42
were positive images.
43
150546
1840
étaient des images positives.
02:44
That's because people
tend to share positive images
tend to share positive images
44
152903
3658
C'est parce que les gens ont tendance
à partager des images positives
à partager des images positives
02:48
when they talk about their experiences.
45
156585
2190
quand ils parlent de leurs expériences.
02:51
When was the last time
you saw a selfie at a funeral?
you saw a selfie at a funeral?
46
159267
2541
Se prend-on en portrait avec
son portable à un enterrement ?
son portable à un enterrement ?
02:55
I realized that,
as I worked on improving AI
as I worked on improving AI
47
163434
3095
J'ai compris que, pendant
que j'améliorais l'IA,
que j'améliorais l'IA,
02:58
task by task, dataset by dataset,
48
166553
3714
fonction par fonction, jeu de données
par jeu de données,
par jeu de données,
03:02
that I was creating massive gaps,
49
170291
2897
je créais des lacunes massives,
03:05
holes and blind spots
in what it could understand.
in what it could understand.
50
173212
3999
des trous et des biais cognitifs
dans ce que l'IA pouvait comprendre.
dans ce que l'IA pouvait comprendre.
03:10
And while doing so,
51
178307
1334
Et, en faisant cela,
03:11
I was encoding all kinds of biases.
52
179665
2483
je codais toute sorte de préjugés.
03:15
Biases that reflect a limited viewpoint,
53
183029
3318
Des préjugés qui reflètent
un point de vue limité,
un point de vue limité,
03:18
limited to a single dataset --
54
186371
2261
limité à un seul jeu de données.
03:21
biases that can reflect
human biases found in the data,
human biases found in the data,
55
189283
3858
Des partis pris qui reflètent des biais
humains, retrouvés dans les données,
humains, retrouvés dans les données,
03:25
such as prejudice and stereotyping.
56
193165
3104
comme les préjugés et les stéréotypes.
03:29
I thought back to the evolution
of the technology
of the technology
57
197554
3057
Je repensais à l'évolution technologique
03:32
that brought me to where I was that day --
58
200635
2502
qui m'a amenée là
où j'en suis aujourd'hui.
où j'en suis aujourd'hui.
03:35
how the first color images
59
203966
2233
Que les premières images en couleur
03:38
were calibrated against
a white woman's skin,
a white woman's skin,
60
206223
3048
ont été calibrées sur la peau
d'une femme blanche,
d'une femme blanche,
03:41
meaning that color photography
was biased against black faces.
was biased against black faces.
61
209665
4145
les photographies en couleur étaient
donc biaisées pour les visages noirs.
donc biaisées pour les visages noirs.
03:46
And that same bias, that same blind spot
62
214514
2925
Et ces mêmes préjugés,
ces mêmes biais cognitifs
ces mêmes biais cognitifs
03:49
continued well into the '90s.
63
217463
1867
se sont poursuivis dans les années 90.
03:51
And the same blind spot
continues even today
continues even today
64
219701
3154
Ces biais cognitifs sont
encore là aujourd'hui
encore là aujourd'hui
03:54
in how well we can recognize
different people's faces
different people's faces
65
222879
3698
dans notre façon de reconnaître
les visages de gens différents
les visages de gens différents
03:58
in facial recognition technology.
66
226601
2200
grâce à la reconnaissance faciale.
04:01
I though about the state of the art
in research today,
in research today,
67
229323
3143
J'ai réfléchi à l'état de l'art
de la recherche actuelle,
de la recherche actuelle,
04:04
where we tend to limit our thinking
to one dataset and one problem.
to one dataset and one problem.
68
232490
4514
qui a tendance à limiter la réflexion à un
seul jeu de données et à un seul problème.
seul jeu de données et à un seul problème.
04:09
And that in doing so, we were creating
more blind spots and biases
more blind spots and biases
69
237688
4881
Ce faisant, on a créé encore plus
de biais cognitifs et de préjugés
de biais cognitifs et de préjugés
04:14
that the AI could further amplify.
70
242593
2277
que l'IA pourrait encore amplifier.
04:17
I realized then
that we had to think deeply
that we had to think deeply
71
245712
2079
J'ai alors compris qu'il fallait imaginer
04:19
about how the technology we work on today
looks in five years, in 10 years.
looks in five years, in 10 years.
72
247815
5519
le devenir de la technologie actuelle
dans cinq ou dix ans.
dans cinq ou dix ans.
04:25
Humans evolve slowly,
with time to correct for issues
with time to correct for issues
73
253990
3142
L'être humain évolue lentement,
il prend le temps de corriger
il prend le temps de corriger
04:29
in the interaction of humans
and their environment.
and their environment.
74
257156
3534
ses interactions avec son environnement.
04:33
In contrast, artificial intelligence
is evolving at an incredibly fast rate.
is evolving at an incredibly fast rate.
75
261276
5429
En revanche, l'intelligence artificielle
évolue à un rythme incroyablement rapide.
évolue à un rythme incroyablement rapide.
04:39
And that means that it really matters
76
267013
1773
Par conséquent, c'est important
04:40
that we think about this
carefully right now --
carefully right now --
77
268810
2317
de réfléchir soigneusement
à ça dès maintenant –
à ça dès maintenant –
04:44
that we reflect on our own blind spots,
78
272180
3008
à nos propres biais cognitifs,
04:47
our own biases,
79
275212
2317
nos préjugés,
04:49
and think about how that's informing
the technology we're creating
the technology we're creating
80
277553
3857
et comment ils influencent
la technologie en création –
la technologie en création –
04:53
and discuss what the technology of today
will mean for tomorrow.
will mean for tomorrow.
81
281434
3902
et de discuter du sens
de la technologie pour le futur.
de la technologie pour le futur.
04:58
CEOs and scientists have weighed in
on what they think
on what they think
82
286593
3191
Des PDG et des scientifiques
se sont prononcés
se sont prononcés
05:01
the artificial intelligence technology
of the future will be.
of the future will be.
83
289808
3325
sur le futur de l'intelligence
artificielle de demain.
artificielle de demain.
05:05
Stephen Hawking warns that
84
293157
1618
Stephen Hawking nous alerte :
05:06
"Artificial intelligence
could end mankind."
could end mankind."
85
294799
3007
« L'intelligence artificielle pourrait
détruire l'humanité. »
détruire l'humanité. »
05:10
Elon Musk warns
that it's an existential risk
that it's an existential risk
86
298307
2683
Elon Musk nous dit que
c'est un risque existentiel,
c'est un risque existentiel,
05:13
and one of the greatest risks
that we face as a civilization.
that we face as a civilization.
87
301014
3574
un des plus grands que
notre civilisation devra affronter.
notre civilisation devra affronter.
05:17
Bill Gates has made the point,
88
305665
1452
Bill Gates a fait remarquer :
05:19
"I don't understand
why people aren't more concerned."
why people aren't more concerned."
89
307141
3185
« Je ne sais pas pourquoi les gens
ne sont pas plus inquiets. »
ne sont pas plus inquiets. »
05:23
But these views --
90
311412
1318
Mais ces points de vue
05:25
they're part of the story.
91
313618
1734
font partie d'une histoire.
05:28
The math, the models,
92
316079
2420
Les maths, les modèles,
05:30
the basic building blocks
of artificial intelligence
of artificial intelligence
93
318523
3070
les bases même
de l'intelligence artificielle
de l'intelligence artificielle
05:33
are something that we call access
and all work with.
and all work with.
94
321617
3135
sont des choses que nous pouvons
tous aborder et améliorer.
tous aborder et améliorer.
05:36
We have open-source tools
for machine learning and intelligence
for machine learning and intelligence
95
324776
3785
Il existe des logiciels libres
pour l'apprentissage automatique
pour l'apprentissage automatique
05:40
that we can contribute to.
96
328585
1734
auxquels chacun peut contribuer.
05:42
And beyond that,
we can share our experience.
we can share our experience.
97
330919
3340
Et au-delà de ça, nous pouvons
partager notre expérience,
partager notre expérience,
05:46
We can share our experiences
with technology and how it concerns us
with technology and how it concerns us
98
334760
3468
nos expériences avec la technologie,
comment elle nous touche
comment elle nous touche
05:50
and how it excites us.
99
338252
1467
et nous passionne.
05:52
We can discuss what we love.
100
340251
1867
On peut parler de nos passions.
05:55
We can communicate with foresight
101
343244
2031
On peut parler de nos hypothèses
05:57
about the aspects of technology
that could be more beneficial
that could be more beneficial
102
345299
4857
sur les aspects de la technologie
qui pourraient devenir plus utiles
qui pourraient devenir plus utiles
06:02
or could be more problematic over time.
103
350180
2600
ou bien poser plus de problèmes
au fil du temps.
au fil du temps.
06:05
If we all focus on opening up
the discussion on AI
the discussion on AI
104
353799
4143
Si on se met tous à ouvrir
une discussion sur l'IA,
une discussion sur l'IA,
06:09
with foresight towards the future,
105
357966
1809
avec un horizon de long terme,
06:13
this will help create a general
conversation and awareness
conversation and awareness
106
361093
4270
on contribuera à créer un débat
et une prise de conscience générale
et une prise de conscience générale
06:17
about what AI is now,
107
365387
2513
sur ce qu'est l'IA aujourd'hui,
06:21
what it can become
108
369212
2001
ce qu'elle peut devenir
06:23
and all the things that we need to do
109
371237
1785
et tout ce qu'on doit faire
06:25
in order to enable that outcome
that best suits us.
that best suits us.
110
373046
3753
pour arriver à atteindre
le meilleur résultat pour nous.
le meilleur résultat pour nous.
06:29
We already see and know this
in the technology that we use today.
in the technology that we use today.
111
377490
3674
C'est déjà le cas avec la technologie
qu'on utilise aujourd'hui.
qu'on utilise aujourd'hui.
06:33
We use smart phones
and digital assistants and Roombas.
and digital assistants and Roombas.
112
381767
3880
On utilise des téléphones, des assistants
personnels et des robots aspirateurs.
personnels et des robots aspirateurs.
06:38
Are they evil?
113
386457
1150
Sont-ils nuisibles ?
06:40
Maybe sometimes.
114
388268
1547
Parfois, peut-être.
06:42
Are they beneficial?
115
390664
1333
Sont-ils utiles ?
06:45
Yes, they're that, too.
116
393005
1533
Oui, ils le sont aussi.
06:48
And they're not all the same.
117
396236
1761
Et ils ne sont pas tous pareils.
06:50
And there you already see
a light shining on what the future holds.
a light shining on what the future holds.
118
398489
3540
Et c'est là qu'on voit déjà
une lueur positive dans le futur.
une lueur positive dans le futur.
06:54
The future continues on
from what we build and create right now.
from what we build and create right now.
119
402942
3619
Le futur avance grâce à tout ce
qu'on construit aujourd'hui.
qu'on construit aujourd'hui.
06:59
We set into motion that domino effect
120
407165
2642
On a mis en mouvement l'effet domino
07:01
that carves out AI's evolutionary path.
121
409831
2600
qui construit l'évolution de l'IA.
07:05
In our time right now,
we shape the AI of tomorrow.
we shape the AI of tomorrow.
122
413173
2871
C'est aujourd'hui qu'on façonne
l'IA de demain.
l'IA de demain.
07:08
Technology that immerses us
in augmented realities
in augmented realities
123
416566
3699
Une technologie qui nous immerge
dans les réalités augmentées,
dans les réalités augmentées,
07:12
bringing to life past worlds.
124
420289
2566
ramenant à la vie des mondes passés.
07:15
Technology that helps people
to share their experiences
to share their experiences
125
423844
4312
Une technologie qui aide les gens
à partager leurs expériences
à partager leurs expériences
07:20
when they have difficulty communicating.
126
428180
2262
quand ils ont du mal à communiquer.
07:23
Technology built on understanding
the streaming visual worlds
the streaming visual worlds
127
431323
4532
Une technologie basée sur la compréhension
des univers visuels en flux continu,
des univers visuels en flux continu,
07:27
used as technology for self-driving cars.
128
435879
3079
qui fait fonctionner
les véhicules autonomes.
les véhicules autonomes.
07:32
Technology built on understanding images
and generating language,
and generating language,
129
440490
3413
Une technologique d'analyse d'images
et de création de langages,
et de création de langages,
07:35
evolving into technology that helps people
who are visually impaired
who are visually impaired
130
443927
4063
qui évolue en une technologie
pour aider les troubles de la vue,
pour aider les troubles de la vue,
07:40
be better able to access the visual world.
131
448014
2800
afin de pouvoir mieux
accéder au monde visuel.
accéder au monde visuel.
07:42
And we also see how technology
can lead to problems.
can lead to problems.
132
450838
3261
On voit aussi comment
la technologie peut créer des problèmes.
la technologie peut créer des problèmes.
07:46
We have technology today
133
454885
1428
On est maintenant
07:48
that analyzes physical
characteristics we're born with --
characteristics we're born with --
134
456337
3835
capables d’analyser les
caractéristiques physiques innées,
caractéristiques physiques innées,
07:52
such as the color of our skin
or the look of our face --
or the look of our face --
135
460196
3272
comme la couleur de notre peau
ou l'apparence du visage,
ou l'apparence du visage,
07:55
in order to determine whether or not
we might be criminals or terrorists.
we might be criminals or terrorists.
136
463492
3804
pour déterminer nos probabilités
de devenir un criminel ou un terroriste.
de devenir un criminel ou un terroriste.
07:59
We have technology
that crunches through our data,
that crunches through our data,
137
467688
2905
On a des logiciels capables
de traiter toutes les données
de traiter toutes les données
08:02
even data relating
to our gender or our race,
to our gender or our race,
138
470617
2896
même celles concernant notre genre
ou notre couleur de peau,
ou notre couleur de peau,
08:05
in order to determine whether or not
we might get a loan.
we might get a loan.
139
473537
2865
afin de déterminer si on peut
ou non contracter un crédit.
ou non contracter un crédit.
08:09
All that we see now
140
477494
1579
Tout ce qu'on voit
08:11
is a snapshot in the evolution
of artificial intelligence.
of artificial intelligence.
141
479097
3617
n'est qu'un aperçu de l'évolution
de l'intelligence artificielle.
de l'intelligence artificielle.
08:15
Because where we are right now,
142
483763
1778
Parce que nous sommes maintenant
08:17
is within a moment of that evolution.
143
485565
2238
à un stade précis de cette évolution.
08:20
That means that what we do now
will affect what happens down the line
will affect what happens down the line
144
488690
3802
C'est-à-dire que ce qu'on fait maintenant
aura des répercussions par la suite
aura des répercussions par la suite
08:24
and in the future.
145
492516
1200
et dans le futur.
08:26
If we want AI to evolve
in a way that helps humans,
in a way that helps humans,
146
494063
3951
Si on veut que l'IA évolue
pour aider l'humanité,
pour aider l'humanité,
08:30
then we need to define
the goals and strategies
the goals and strategies
147
498038
2801
on doit définir des objectifs
et des stratégies
et des stratégies
08:32
that enable that path now.
148
500863
1733
pour tracer aujourd'hui cette voie.
08:35
What I'd like to see is something
that fits well with humans,
that fits well with humans,
149
503680
3738
Je voudrais voir une IA
qui cohabite avec nous, les humains,
qui cohabite avec nous, les humains,
08:39
with our culture and with the environment.
150
507442
2800
avec nos cultures et notre environnement.
08:43
Technology that aids and assists
those of us with neurological conditions
those of us with neurological conditions
151
511435
4484
Une technologie qui vient en aide à ceux
qui ont des problèmes neurologiques
qui ont des problèmes neurologiques
08:47
or other disabilities
152
515943
1721
ou tout autre handicap
08:49
in order to make life
equally challenging for everyone.
equally challenging for everyone.
153
517688
3216
afin de garantir l'égalité des chances
dans la vie pour tous.
dans la vie pour tous.
08:54
Technology that works
154
522097
1421
Une technologie fonctionnant
08:55
regardless of your demographics
or the color of your skin.
or the color of your skin.
155
523542
3933
quel que soit votre statut démographique
ou votre couleur de peau.
ou votre couleur de peau.
09:00
And so today, what I focus on
is the technology for tomorrow
is the technology for tomorrow
156
528383
4742
Aujourd'hui, je me focalise donc
sur la technologie de demain,
sur la technologie de demain,
09:05
and for 10 years from now.
157
533149
1733
pour les dix ans à venir.
09:08
AI can turn out in many different ways.
158
536530
2634
L'IA peut devenir plein
de choses différentes.
de choses différentes.
09:11
But in this case,
159
539688
1225
Mais dans ce cas,
09:12
it isn't a self-driving car
without any destination.
without any destination.
160
540937
3328
ce ne sera pas un véhicule autonome
sans destination.
sans destination.
09:16
This is the car that we are driving.
161
544884
2400
Ce sera une voiture qu'on pilote.
09:19
We choose when to speed up
and when to slow down.
and when to slow down.
162
547953
3595
On choisira quand accélérer
et quand ralentir.
et quand ralentir.
09:23
We choose if we need to make a turn.
163
551572
2400
On décidera de faire un virage ou non.
09:26
We choose what the AI
of the future will be.
of the future will be.
164
554868
3000
On sélectionnera ce à quoi
ressemblera l'IA dans le futur.
ressemblera l'IA dans le futur.
09:31
There's a vast playing field
165
559186
1337
Il y a beaucoup de choses
09:32
of all the things that artificial
intelligence can become.
intelligence can become.
166
560547
2965
que l'intelligence artificielle
peut devenir.
peut devenir.
09:36
It will become many things.
167
564064
1800
Elle a un énorme potentiel.
09:39
And it's up to us now,
168
567694
1732
Et c'est à nous, aujourd'hui,
09:41
in order to figure out
what we need to put in place
what we need to put in place
169
569450
3061
de trouver ce qu'on doit
mettre en place
mettre en place
09:44
to make sure the outcomes
of artificial intelligence
of artificial intelligence
170
572535
3807
pour s'assurer que les effets
de l'intelligence artificielle
de l'intelligence artificielle
09:48
are the ones that will be
better for all of us.
better for all of us.
171
576366
3066
soient bénéfiques pour nous tous.
09:51
Thank you.
172
579456
1150
Merci.
09:52
(Applause)
173
580630
2187
(Applaudissements)
ABOUT THE SPEAKER
Margaret Mitchell - AI research scientistMargaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence.
Why you should listen
Margaret Mitchell's research involves vision-language and grounded language generation, focusing on how to evolve artificial intelligence towards positive goals. Her work combines computer vision, natural language processing, social media as well as many statistical methods and insights from cognitive science. Before Google, Mitchell was a founding member of Microsoft Research's "Cognition" group, focused on advancing artificial intelligence, and a researcher in Microsoft Research's Natural Language Processing group.
Margaret Mitchell | Speaker | TED.com