TED@BCG Milan
Margaret Mitchell: How we can build AI to help humans, not hurt us
Margaret Mitchell: Como podemos criar uma IA que nos ajude, e não nos machuque
Filmed:
Readability: 4.6
1,154,210 views
Como cientista pesquisadora no Google, Margaret Mitchell ajuda a desenvolver computadores que possam comunicar o que veem e compreendem. Ela faz uma advertência sobre as lacunas, os pontos cegos e os preconceitos que inconscientemente codificamos na IA. E nos pede para considerar o que a tecnologia que criamos hoje significará para o amanhã. "Tudo que vemos agora é um retrato na evolução da inteligência artificial", diz Margaret. "Se queremos que a IA evolua de modo a ajudar os humanos, então precisamos definir as metas e estratégias que possibilitem esse caminho agora."
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
Eu trabalho ajudando os computadores
a falar sobre o mundo ao nosso redor.
a falar sobre o mundo ao nosso redor.
00:17
There are a lot of ways to do this,
1
5754
1793
Há muitas formas de se fazer isso,
00:19
and I like to focus on helping computers
2
7571
2592
e gosto de me concentrar
em auxiliar os computadores
em auxiliar os computadores
00:22
to talk about what they see
and understand.
and understand.
3
10187
2874
a falar sobre o que veem e entendem.
00:25
Given a scene like this,
4
13514
1571
Em uma cena como esta,
um algoritmo moderno
de visão computacional
de visão computacional
00:27
a modern computer-vision algorithm
5
15109
1905
00:29
can tell you that there's a woman
and there's a dog.
and there's a dog.
6
17038
3095
pode dizer que tem
uma mulher e um cachorro.
uma mulher e um cachorro.
00:32
It can tell you that the woman is smiling.
7
20157
2706
Pode dizer que a mulher está sorrindo.
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
Pode até conseguir dizer
que o cachorro é incrivelmente lindo.
que o cachorro é incrivelmente lindo.
00:38
I work on this problem
9
26784
1349
Eu trabalho nesse problema
00:40
thinking about how humans
understand and process the world.
understand and process the world.
10
28157
4212
imaginando como os humanos
compreendem e processam o mundo.
compreendem e processam o mundo.
00:45
The thoughts, memories and stories
11
33577
2952
Os pensamentos, lembranças e histórias
00:48
that a scene like this
might evoke for humans.
might evoke for humans.
12
36553
2818
que uma cena como essa
pode suscitar nos humanos.
pode suscitar nos humanos.
00:51
All the interconnections
of related situations.
of related situations.
13
39395
4285
Todas as interconexões
de situações relacionadas.
de situações relacionadas.
00:55
Maybe you've seen
a dog like this one before,
a dog like this one before,
14
43704
3126
Talvez vocês tenham visto
um cachorro como esse antes,
um cachorro como esse antes,
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 passaram tempo
correndo numa praia como essa,
correndo numa praia como essa,
01:01
and that further evokes thoughts
and memories of a past vacation,
and memories of a past vacation,
16
49847
4778
e isso suscita mais pensamentos
e lembranças de férias passadas,
e lembranças de férias passadas,
de tempos passados na praia
01:06
past times to the beach,
17
54649
1920
01:08
times spent running around
with other dogs.
with other dogs.
18
56593
2603
ou de tempos passados correndo
com outros cachorros.
com outros cachorros.
01:11
One of my guiding principles
is that by helping computers to understand
is that by helping computers to understand
19
59688
5207
Um dos meus princípios fundamentais
é que ao ajudar um computador a entender
é que ao ajudar um computador a entender
como é ter essas experiências,
01:16
what it's like to have these experiences,
20
64919
2896
01:19
to understand what we share
and believe and feel,
and believe and feel,
21
67839
5176
a entender o que compartilhamos,
acreditamos e sentimos,
acreditamos e sentimos,
01:26
then we're in a great position
to start evolving computer technology
to start evolving computer technology
22
74094
4310
estaremos num ótimo ponto para começar
a desenvolver a tecnologia da computação
a desenvolver a tecnologia da computação
de uma forma complementar
às nossas próprias experiências.
às nossas próprias experiências.
01:30
in a way that's complementary
with our own experiences.
with our own experiences.
23
78428
4587
01:35
So, digging more deeply into this,
24
83539
3387
Então, indo um pouco mais fundo,
há poucos anos comecei a trabalhar
há poucos anos comecei a trabalhar
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
em ajudar computadores
a criar histórias humanoides
a criar histórias humanoides
01:44
from sequences of images.
26
92879
1666
a partir de sequências de imagens.
01:47
So, one day,
27
95427
1904
Então, um dia
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
eu estava averiguando o que meu computador
achava de uma viagem à Austrália.
achava de uma viagem à Austrália.
01:54
It took a look at the pictures,
and it saw a koala.
and it saw a koala.
29
102768
2920
Ele observou umas fotos e viu um coala.
01:58
It didn't know what the koala was,
30
106236
1643
Ele não sabia o que era um coala,
01:59
but it said it thought
it was an interesting-looking creature.
it was an interesting-looking creature.
31
107903
2999
mas disse que achava
que parecia uma criatura interessante.
que parecia uma criatura interessante.
02:04
Then I shared with it a sequence of images
about a house burning down.
about a house burning down.
32
112053
4004
Então mostrei uma sequência de imagens
de um incêndio de uma casa.
de um incêndio de uma casa.
02:09
It took a look at the images and it said,
33
117704
3285
Ele viu as imagens e disse:
"Isso é uma visão maravilhosa!
Isso é espetacular!"
Isso é espetacular!"
02:13
"This is an amazing view!
This is spectacular!"
This is spectacular!"
34
121013
3500
02:17
It sent chills down my spine.
35
125450
2095
Senti um frio na barriga.
02:20
It saw a horrible, life-changing
and life-destroying event
and life-destroying event
36
128983
4572
Ele viu um evento horrível,
que muda e destrói toda uma vida,
que muda e destrói toda uma vida,
02:25
and thought it was something positive.
37
133579
2382
e achou que fosse algo positivo.
Percebi que ele reconheceu o contraste,
02:27
I realized that it recognized
the contrast,
the contrast,
38
135985
3441
02:31
the reds, the yellows,
39
139450
2699
os vermelhos, os amarelos,
e achou que valesse a pena
comentar positivamente.
comentar positivamente.
02:34
and thought it was something
worth remarking on positively.
worth remarking on positively.
40
142173
3078
02:37
And part of why it was doing this
41
145928
1615
E fazia isso em partes
porque a maioria das imagens
que eu havia dado para ele
que eu havia dado para ele
02:39
was because most
of the images I had given it
of the images I had given it
42
147577
2945
02:42
were positive images.
43
150546
1840
eram imagens positivas.
02:44
That's because people
tend to share positive images
tend to share positive images
44
152903
3658
Isso se dá porque as pessoas
costumam compartilhar imagens positivas
costumam compartilhar imagens positivas
02:48
when they talk about their experiences.
45
156585
2190
quando falam de suas experiências.
02:51
When was the last time
you saw a selfie at a funeral?
you saw a selfie at a funeral?
46
159267
2541
Qual foi a última vez que viram
uma "selfie" em um funeral?
uma "selfie" em um funeral?
02:55
I realized that,
as I worked on improving AI
as I worked on improving AI
47
163434
3095
Eu percebi que, enquanto trabalhava
no desenvolvimento de IA
no desenvolvimento de IA
02:58
task by task, dataset by dataset,
48
166553
3714
tarefa por tarefa,
conjunto por conjunto de dados,
conjunto por conjunto de dados,
03:02
that I was creating massive gaps,
49
170291
2897
estava criando lacunas imensas,
03:05
holes and blind spots
in what it could understand.
in what it could understand.
50
173212
3999
buracos e pontos cegos
no que ele podia entender.
no que ele podia entender.
03:10
And while doing so,
51
178307
1334
E enquanto fazia isso,
03:11
I was encoding all kinds of biases.
52
179665
2483
eu estava codificando
todo tipo de preconceitos.
todo tipo de preconceitos.
03:15
Biases that reflect a limited viewpoint,
53
183029
3318
Preconceitos que refletem
um ponto de vista limitado.
um ponto de vista limitado.
03:18
limited to a single dataset --
54
186371
2261
Limitado a um único conjunto de dados.
03:21
biases that can reflect
human biases found in the data,
human biases found in the data,
55
189283
3858
Preconceitos que podem refletir
inclinações humanas encontradas nos dados,
inclinações humanas encontradas nos dados,
03:25
such as prejudice and stereotyping.
56
193165
3104
tais como discriminações e estereótipos.
03:29
I thought back to the evolution
of the technology
of the technology
57
197554
3057
Eu pensei de novo
na evolução da tecnologia
na evolução da tecnologia
03:32
that brought me to where I was that day --
58
200635
2502
que me levou até onde
me encontrava naquele dia,
me encontrava naquele dia,
03:35
how the first color images
59
203966
2233
como as primeiras imagens coloridas
03:38
were calibrated against
a white woman's skin,
a white woman's skin,
60
206223
3048
eram calibradas contra
a pele de uma mulher branca,
a pele de uma mulher branca,
03:41
meaning that color photography
was biased against black faces.
was biased against black faces.
61
209665
4145
o que significava que a fotografia a cores
tinha preconceito contra rostos negros.
tinha preconceito contra rostos negros.
03:46
And that same bias, that same blind spot
62
214514
2925
E aquele mesmo preconceito,
aquele mesmo ponto cego
aquele mesmo ponto cego
03:49
continued well into the '90s.
63
217463
1867
continuou até a década de 1990.
03:51
And the same blind spot
continues even today
continues even today
64
219701
3154
E o mesmo ponto cego continua ainda hoje
03:54
in how well we can recognize
different people's faces
different people's faces
65
222879
3698
no quão bem podemos reconhecer
os rostos de pessoas diferentes
os rostos de pessoas diferentes
03:58
in facial recognition technology.
66
226601
2200
com a tecnologia de reconhecimento facial.
04:01
I though about the state of the art
in research today,
in research today,
67
229323
3143
Eu pensei sobre a última geração
de pesquisa atualmente,
de pesquisa atualmente,
04:04
where we tend to limit our thinking
to one dataset and one problem.
to one dataset and one problem.
68
232490
4514
na qual tendemos a limitar nossa reflexão
a um conjunto de dados e um problema.
a um conjunto de dados e um problema.
04:09
And that in doing so, we were creating
more blind spots and biases
more blind spots and biases
69
237688
4881
E que, fazendo isso, criamos
mais pontos cegos e preconceitos
mais pontos cegos e preconceitos
04:14
that the AI could further amplify.
70
242593
2277
que a IA pode amplificar ainda mais.
04:17
I realized then
that we had to think deeply
that we had to think deeply
71
245712
2079
Eu percebi que tínhamos que pensar muito
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
sobre como a tecnologia em que hoje
trabalhamos será em cinco ou dez anos.
trabalhamos será em cinco ou dez anos.
04:25
Humans evolve slowly,
with time to correct for issues
with time to correct for issues
73
253990
3142
Os humanos evoluem devagar,
com tempo de corrigir questões
com tempo de corrigir questões
04:29
in the interaction of humans
and their environment.
and their environment.
74
257156
3534
em sua interação mútua
e com seu meio ambiente.
e com seu meio ambiente.
04:33
In contrast, artificial intelligence
is evolving at an incredibly fast rate.
is evolving at an incredibly fast rate.
75
261276
5429
Por outro lado, a inteligência artificial
evolui em um ritmo incrivelmente rápido.
evolui em um ritmo incrivelmente rápido.
04:39
And that means that it really matters
76
267013
1773
Isso significa ser deveras importante
04:40
that we think about this
carefully right now --
carefully right now --
77
268810
2317
que pensemos a respeito
com cuidado agora mesmo,
com cuidado agora mesmo,
04:44
that we reflect on our own blind spots,
78
272180
3008
que reflitamos sobre nossos pontos cegos,
04:47
our own biases,
79
275212
2317
nossos próprios preconceitos,
04:49
and think about how that's informing
the technology we're creating
the technology we're creating
80
277553
3857
sobre como isso está direcionando
a tecnologia que estamos criando,
a tecnologia que estamos criando,
04:53
and discuss what the technology of today
will mean for tomorrow.
will mean for tomorrow.
81
281434
3902
e que debatamos o que a tecnologia de hoje
significará para o amanhã.
significará para o amanhã.
04:58
CEOs and scientists have weighed in
on what they think
on what they think
82
286593
3191
Diretores executivos e cientistas
declararam o que acham
declararam o que acham
05:01
the artificial intelligence technology
of the future will be.
of the future will be.
83
289808
3325
do que será a inteligência
artificial do futuro.
artificial do futuro.
05:05
Stephen Hawking warns that
84
293157
1618
Stephen Hawking avisa:
05:06
"Artificial intelligence
could end mankind."
could end mankind."
85
294799
3007
"A inteligência artificial
pode terminar com a raça humana".
pode terminar com a raça humana".
05:10
Elon Musk warns
that it's an existential risk
that it's an existential risk
86
298307
2683
Elon Musk adverte que ela é
um risco existencial
um risco existencial
05:13
and one of the greatest risks
that we face as a civilization.
that we face as a civilization.
87
301014
3574
e um dos maiores riscos
que enfrentamos como civilização.
que enfrentamos como civilização.
05:17
Bill Gates has made the point,
88
305665
1452
Bill Gates ressaltou:
05:19
"I don't understand
why people aren't more concerned."
why people aren't more concerned."
89
307141
3185
"Não entendo por que as pessoas
não estão mais preocupadas".
não estão mais preocupadas".
05:23
But these views --
90
311412
1318
Mas estas opiniões
05:25
they're part of the story.
91
313618
1734
fazem parte da história.
05:28
The math, the models,
92
316079
2420
A matemática, os modelos,
05:30
the basic building blocks
of artificial intelligence
of artificial intelligence
93
318523
3070
os fundamentos básicos
da inteligência artificial
da inteligência artificial
05:33
are something that we call access
and all work with.
and all work with.
94
321617
3135
são algo que todos podemos acessar
e com o qual podemos trabalhar.
e com o qual podemos trabalhar.
05:36
We have open-source tools
for machine learning and intelligence
for machine learning and intelligence
95
324776
3785
Temos ferramentas de fonte aberta
para aprendizado automático e inteligência
para aprendizado automático e inteligência
05:40
that we can contribute to.
96
328585
1734
para as quais podemos contribuir.
05:42
And beyond that,
we can share our experience.
we can share our experience.
97
330919
3340
E, além disso, podemos compartilhar
a nossa experiência.
a nossa experiência.
05:46
We can share our experiences
with technology and how it concerns us
with technology and how it concerns us
98
334760
3468
Podemos compartilhá-las com tecnologia,
e como ela nos afeta e estimula.
e como ela nos afeta e estimula.
05:50
and how it excites us.
99
338252
1467
05:52
We can discuss what we love.
100
340251
1867
Podemos discutir o que amamos.
05:55
We can communicate with foresight
101
343244
2031
Podemos prever e transmitir
05:57
about the aspects of technology
that could be more beneficial
that could be more beneficial
102
345299
4857
aspectos da tecnologia
que poderiam ser mais benéficos
que poderiam ser mais benéficos
06:02
or could be more problematic over time.
103
350180
2600
ou mais problemáticos ao longo do tempo.
06:05
If we all focus on opening up
the discussion on AI
the discussion on AI
104
353799
4143
Se todos nos concentrarmos
em abrir a discussão sobre IA
em abrir a discussão sobre IA
06:09
with foresight towards the future,
105
357966
1809
com previsões em direção ao futuro,
06:13
this will help create a general
conversation and awareness
conversation and awareness
106
361093
4270
isso ajudará a criar
um diálogo geral e uma consciência
um diálogo geral e uma consciência
06:17
about what AI is now,
107
365387
2513
sobre o que é a IA neste momento,
06:21
what it can become
108
369212
2001
o que ela pode se tornar
06:23
and all the things that we need to do
109
371237
1785
e tudo que precisamos fazer
06:25
in order to enable that outcome
that best suits us.
that best suits us.
110
373046
3753
para permitir o resultado
que mais se ajuste a nós.
que mais se ajuste a nós.
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
Nós já vimos e conhecemos isso
na tecnologia que usamos hoje.
na tecnologia que usamos hoje.
06:33
We use smart phones
and digital assistants and Roombas.
and digital assistants and Roombas.
112
381767
3880
Usamos smartphones,
assistentes digitais e "Roombas".
assistentes digitais e "Roombas".
06:38
Are they evil?
113
386457
1150
Eles são nocivos?
06:40
Maybe sometimes.
114
388268
1547
Às vezes, talvez.
06:42
Are they beneficial?
115
390664
1333
Eles são benéficos?
06:45
Yes, they're that, too.
116
393005
1533
Sim, também.
06:48
And they're not all the same.
117
396236
1761
E não são todos iguais.
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
Vocês já podem ver aí uma luz brilhando
sobre o que o futuro nos reserva.
sobre o que o futuro nos reserva.
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
O futuro leva adiante
o que construímos e criamos no presente.
o que construímos e criamos no presente.
06:59
We set into motion that domino effect
120
407165
2642
Nós colocamos em movimento
aquele efeito dominó
aquele efeito dominó
07:01
that carves out AI's evolutionary path.
121
409831
2600
que traça a rota evolucionária da IA.
07:05
In our time right now,
we shape the AI of tomorrow.
we shape the AI of tomorrow.
122
413173
2871
Em nosso tempo agora,
moldamos a IA de amanhã.
moldamos a IA de amanhã.
07:08
Technology that immerses us
in augmented realities
in augmented realities
123
416566
3699
A tecnologia que nos imerge
em realidades aumentadas
em realidades aumentadas
07:12
bringing to life past worlds.
124
420289
2566
e que traz à vida mundos passados.
07:15
Technology that helps people
to share their experiences
to share their experiences
125
423844
4312
A tecnologia que ajuda pessoas
a compartilharem suas experiências
a compartilharem suas experiências
07:20
when they have difficulty communicating.
126
428180
2262
quando têm dificuldade de comunicação.
07:23
Technology built on understanding
the streaming visual worlds
the streaming visual worlds
127
431323
4532
A tecnologia baseada na compreensão
da transmissão de mundos visuais
da transmissão de mundos visuais
07:27
used as technology for self-driving cars.
128
435879
3079
usados como tecnologia
para carros autoguiados.
para carros autoguiados.
07:32
Technology built on understanding images
and generating language,
and generating language,
129
440490
3413
A tecnologia baseada na compreensão
de imagens e que gera linguagem,
de imagens e que gera linguagem,
07:35
evolving into technology that helps people
who are visually impaired
who are visually impaired
130
443927
4063
evoluindo para a tecnologia
que ajuda pessoas com deficiência visual
que ajuda pessoas com deficiência visual
07:40
be better able to access the visual world.
131
448014
2800
estarem mais aptas
a acessar o mundo visual.
a acessar o mundo visual.
07:42
And we also see how technology
can lead to problems.
can lead to problems.
132
450838
3261
E também vemos como a tecnologia
pode acarretar problemas.
pode acarretar problemas.
07:46
We have technology today
133
454885
1428
Nós temos tecnologia hoje
07:48
that analyzes physical
characteristics we're born with --
characteristics we're born with --
134
456337
3835
que analisa características físicas
com as quais nascemos,
com as quais nascemos,
07:52
such as the color of our skin
or the look of our face --
or the look of our face --
135
460196
3272
tais como a cor da pele
ou a aparência do nosso rosto,
ou a aparência do nosso rosto,
07:55
in order to determine whether or not
we might be criminals or terrorists.
we might be criminals or terrorists.
136
463492
3804
a fim de determinar se podemos ser ou não
criminosos ou terroristas.
criminosos ou terroristas.
07:59
We have technology
that crunches through our data,
that crunches through our data,
137
467688
2905
Temos tecnologia que analisa nossos dados,
08:02
even data relating
to our gender or our race,
to our gender or our race,
138
470617
2896
até dados relacionados
ao nosso gênero ou nossa raça,
ao nosso gênero ou nossa raça,
08:05
in order to determine whether or not
we might get a loan.
we might get a loan.
139
473537
2865
a fim de determinar se podemos
pegar um empréstimo ou não.
pegar um empréstimo ou não.
08:09
All that we see now
140
477494
1579
Tudo o que vemos agora
08:11
is a snapshot in the evolution
of artificial intelligence.
of artificial intelligence.
141
479097
3617
é um retrato na evolução
da inteligência artificial.
da inteligência artificial.
08:15
Because where we are right now,
142
483763
1778
Porque onde nos encontramos agora
08:17
is within a moment of that evolution.
143
485565
2238
está dentro de um momento
dessa evolução.
dessa evolução.
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
Isso significa que o que fizermos agora
afetará o que acontecerá mais à frente
afetará o que acontecerá mais à frente
08:24
and in the future.
145
492516
1200
e no futuro.
08:26
If we want AI to evolve
in a way that helps humans,
in a way that helps humans,
146
494063
3951
Se queremos que a IA evolua
de um jeito que ajude os humanos,
de um jeito que ajude os humanos,
08:30
then we need to define
the goals and strategies
the goals and strategies
147
498038
2801
então precisamos definir
as metas e as estratégias
as metas e as estratégias
08:32
that enable that path now.
148
500863
1733
que possibilitem esse caminho agora.
08:35
What I'd like to see is something
that fits well with humans,
that fits well with humans,
149
503680
3738
Eu gostaria de ver algo
que se ajustasse bem aos humanos,
que se ajustasse bem aos humanos,
08:39
with our culture and with the environment.
150
507442
2800
às nossas culturas
e ao nosso meio ambiente.
e ao nosso meio ambiente.
08:43
Technology that aids and assists
those of us with neurological conditions
those of us with neurological conditions
151
511435
4484
Tecnologia que ajude e auxilie
aqueles de nós com problemas neurológicos
aqueles de nós com problemas neurológicos
08:47
or other disabilities
152
515943
1721
ou outras deficiências,
08:49
in order to make life
equally challenging for everyone.
equally challenging for everyone.
153
517688
3216
a fim de tornar a vida igualmente
desafiadora para todos.
desafiadora para todos.
08:54
Technology that works
154
522097
1421
Tecnologia que funcione
08:55
regardless of your demographics
or the color of your skin.
or the color of your skin.
155
523542
3933
a despeito de seu perfil demográfico
ou a cor da sua pele.
ou a cor da sua pele.
09:00
And so today, what I focus on
is the technology for tomorrow
is the technology for tomorrow
156
528383
4742
Então, hoje, eu me concentro
na tecnologia para o amanhã
na tecnologia para o amanhã
09:05
and for 10 years from now.
157
533149
1733
e daqui a dez anos.
09:08
AI can turn out in many different ways.
158
536530
2634
A IA pode acabar
de várias maneiras diferentes.
de várias maneiras diferentes.
09:11
But in this case,
159
539688
1225
Mas, neste caso,
09:12
it isn't a self-driving car
without any destination.
without any destination.
160
540937
3328
não é um carro autoguiado sem destino.
09:16
This is the car that we are driving.
161
544884
2400
Esse é o carro que nós estamos dirigindo.
09:19
We choose when to speed up
and when to slow down.
and when to slow down.
162
547953
3595
Nós escolhemos quando aumentar
ou diminuir a velocidade.
ou diminuir a velocidade.
09:23
We choose if we need to make a turn.
163
551572
2400
Nós escolhemos se precisamos
fazer uma curva.
fazer uma curva.
09:26
We choose what the AI
of the future will be.
of the future will be.
164
554868
3000
Nós escolhemos o que será a IA do futuro.
09:31
There's a vast playing field
165
559186
1337
Há um campo vasto
09:32
of all the things that artificial
intelligence can become.
intelligence can become.
166
560547
2965
de tudo que a inteligência
artificial poderá se tornar.
artificial poderá se tornar.
09:36
It will become many things.
167
564064
1800
Ela se tornará muitas coisas.
09:39
And it's up to us now,
168
567694
1732
E depende de nós agora,
09:41
in order to figure out
what we need to put in place
what we need to put in place
169
569450
3061
a fim de descobrir
o que precisamos implementar
o que precisamos implementar
09:44
to make sure the outcomes
of artificial intelligence
of artificial intelligence
170
572535
3807
para garantir que os resultados
da inteligência artificial
da inteligência artificial
09:48
are the ones that will be
better for all of us.
better for all of us.
171
576366
3066
serão os melhores para todos nós.
09:51
Thank you.
172
579456
1150
Obrigada.
09:52
(Applause)
173
580630
2187
(Aplausos)
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