TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: As maravilhosas e aterradoras implicações de computadores que conseguem aprender
Filmed:
Readability: 4.5
2,532,971 views
O que acontece quando ensinamos um computador a aprender?
O tecnólogo Jeremy Howard compartilha alguns novos e surpreendentes avanços no dinâmico campo do aprendizado profundo, uma técnica que dá aos computadores a habilidade de aprender chinês ou reconhecer objetos em fotos, ou ajudar a analizar um diagnóstico médico. (Uma ferramenta de aprendizado profundo, depois de assistir a horas de YouTube, aprendeu o conceito de "gatos"). Seja cativado por uma área de conhecimento que vai mudar o modo como os computadores se comportam ao seu redor... Mais cedo que você pensa.
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
Double-click the English transcript below to play the video.
00:12
It used to be that if you wanted
to get a computer to do something new,
to get a computer to do something new,
0
880
4013
Antigamente se você quisesse que um
computador fizesse algo novo,
computador fizesse algo novo,
00:16
you would have to program it.
1
4893
1554
você teria que programar.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Pois então, para quem aqui
que nunca fez isso,
que nunca fez isso,
00:21
requires laying out in excruciating detail
3
9858
3502
programação é algo que requer
estabelecer com riqueza de detalhe
estabelecer com riqueza de detalhe
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
cada passo do que você quer
que o computador faça
que o computador faça
00:28
in order to achieve your goal.
5
16727
2362
para atingir o seu objetivo.
00:31
Now, if you want to do something
that you don't know how to do yourself,
that you don't know how to do yourself,
6
19089
3496
Se você quiser fazer algo que
ainda não sabe fazer sozinho,
ainda não sabe fazer sozinho,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
isso se torna um grande desafio.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
E esse foi o desafio enfrentado
por este homem, Arthur Samuel.
por este homem, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
Em 1956 ele queria que esse computador
00:44
to be able to beat him at checkers.
10
32208
2340
fosse capaz de vencê-lo no jogo de damas.
00:46
How can you write a program,
11
34548
2040
Como você faz para escrever um programa,
00:48
lay out in excruciating detail,
how to be better than you at checkers?
how to be better than you at checkers?
12
36588
3806
estabelecer com riqueza de detalhe,
que ele jogue damas melhor que você?
que ele jogue damas melhor que você?
00:52
So he came up with an idea:
13
40394
1722
Então ele teve uma ideia:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
ele fez o computador jogar
contra si próprio milhares de vezes
contra si próprio milhares de vezes
00:57
and learn how to play checkers.
15
45840
2524
para aprender a jogar damas.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
E realmente funcionou,
de fato em 1962
de fato em 1962
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
esse computador venceu
o campeão estadual de Connecticut.
o campeão estadual de Connecticut.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Arthur Samuel foi o pai
do aprendizado de máquina,
do aprendizado de máquina,
01:10
and I have a great debt to him,
19
58534
1717
e eu devo muito a ele,
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
porque eu sou um profissional
de aprendizado de máquina.
de aprendizado de máquina.
01:15
I was the president of Kaggle,
21
63014
1465
Eu fui o presidente da Kaggle,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
uma comunidade de mais de 200 mil
profissionais dessa área.
profissionais dessa área.
01:19
Kaggle puts up competitions
23
67867
2058
A Kaggle organiza competições
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
para tentar resolver problemas
até então sem solução,
até então sem solução,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
e tem sido bem sucedida
centenas de vezes.
centenas de vezes.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Então desse ponto de vista,
eu pude descobrir muito
eu pude descobrir muito
01:31
a lot about what machine learning
can do in the past, can do today,
can do in the past, can do today,
27
79940
3950
sobre o que o aprendizado de máquina
conseguiu no passado, hoje,
conseguiu no passado, hoje,
01:35
and what it could do in the future.
28
83890
2362
e o que poderia fazer no futuro.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
Talvez o primeiro grande sucesso comercial
de aprendizado de máquina foi o Google.
de aprendizado de máquina foi o Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
O Google mostrou que é possível
encontrar informação
encontrar informação
01:45
by using a computer algorithm,
31
93784
1752
usando um algoritmo de computador,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
e esse algoritmo é baseado
no aprendizado de máquina.
no aprendizado de máquina.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Desde então houve muitos casos de sucesso
comercial de aprendizado de máquina.
comercial de aprendizado de máquina.
01:54
Companies like Amazon and Netflix
34
102323
1837
Empresas como Amazon e Netflix
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
usam aprendizado de máquina para sugerir
produtos que você poderia querer,
produtos que você poderia querer,
01:59
movies that you might like to watch.
36
107876
2020
filmes que você poderia querer assistir.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Às vezes é quase assustador.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Empresas como LinkedIn e Facebook
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
às vezes te dirão quem deveria
ser seu amigo
ser seu amigo
02:08
and you have no idea how it did it,
40
116251
1977
e você não tem ideia de como,
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
e isso é porque está usando
o poder do aprendizado de máquina.
o poder do aprendizado de máquina.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
São algoritmos que aprenderam
como fazer isso a partir de dados
como fazer isso a partir de dados
02:16
rather than being programmed by hand.
43
124152
3247
ao invés de serem programados à mão.
02:19
This is also how IBM was successful
44
127399
2478
Foi assim que a IBM foi bem sucedida
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
em fazer que Watson vencesse
dois campeões mundiais em Jeopardy,
dois campeões mundiais em Jeopardy,
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
respondendo questões incrivelmente
sutis e complexas como essa:
sutis e complexas como essa:
02:28
["The ancient 'Lion of Nimrud' went missing
from this city's national museum in 2003
(along with a lot of other stuff)"]
from this city's national museum in 2003
(along with a lot of other stuff)"]
47
136964
2835
["O antigo 'Leão de Nimrud' desapareceu
do museu nacional dessa cidade em 2003
(junto com um monte de outras coisas)"]
do museu nacional dessa cidade em 2003
(junto com um monte de outras coisas)"]
Também por isso que agora vemos
os primeiros carros auto-guiados.
os primeiros carros auto-guiados.
02:31
This is also why we are now able
to see the first self-driving cars.
to see the first self-driving cars.
48
139799
3235
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Se você quiser poder diferenciar entre, digamos,
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
uma árvore e um pedestre,
bem, isso é muito importante.
bem, isso é muito importante.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Não sabemos como escrever
esses programas à mão,
esses programas à mão,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
mas com o aprendizado de máquina
isso agora é possível.
isso agora é possível.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
De fato esse carro já dirigiu
mais de um milhão de quilômetros
mais de um milhão de quilômetros
02:48
without any accidents on regular roads.
54
156680
3506
sem qualquer acidente em estradas normais.
02:52
So we now know that computers can learn,
55
160196
3914
Pois bem, agora sabemos que
computadores conseguem aprender,
computadores conseguem aprender,
02:56
and computers can learn to do things
56
164110
1900
e podem aprender a fazer coisas
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
que inclusive nós mesmos
não sabemos fazer,
não sabemos fazer,
03:00
or maybe can do them better than us.
58
168848
2885
ou então fazer melhor que nós.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Um dos exemplos mais surpreendentes
de aprendizado de máquina que eu já vi
de aprendizado de máquina que eu já vi
03:07
happened on a project that I ran at Kaggle
60
175928
2392
aconteceu num projeto
que eu organizei na Kaggle
que eu organizei na Kaggle
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
onde um time coordenado por alguém
chamado Geoffrey Hinton
chamado Geoffrey Hinton
03:13
from the University of Toronto
62
181911
1552
da Universidade de Toronto
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
venceu a competição de
descoberta automática de fármacos.
descoberta automática de fármacos.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
O extraordinário aqui não é apenas
que eles bateram
que eles bateram
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
todos os algoritmos desenvolvidos pela
Merck ou a comunidade acadêmica,
Merck ou a comunidade acadêmica,
03:25
but nobody on the team had any background
in chemistry or biology or life sciences,
in chemistry or biology or life sciences,
66
193000
5061
mas que ninguém no time tinha qualquer
antecedente em biologia ou química,
antecedente em biologia ou química,
03:30
and they did it in two weeks.
67
198061
2169
e fizeram isso em duas semanas.
03:32
How did they do this?
68
200230
1381
Como eles fizeram isso?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Usaram um algoritmo singular
chamado aprendizado profundo.
chamado aprendizado profundo.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Isso foi tão importante que de fato
o sucesso foi noticiado
o sucesso foi noticiado
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
no The New York Times num artigo
de página frontal semanas depois.
de página frontal semanas depois.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Esse é Geoffrey Hinton,
aqui no lado esquerdo.
aqui no lado esquerdo.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
Aprendizado profundo é um algoritmo
inspirado no cérebro humano,
inspirado no cérebro humano,
03:50
and as a result it's an algorithm
74
218488
1812
ou seja, é um algoritmo
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
que não tem limitações teóricas
para o que pode fazer.
para o que pode fazer.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Quanto mais dados e tempo você der a ele,
03:58
the better it gets.
77
226964
1312
melhor ele fica.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
O The New York Times mostrou
nesse artigo também
nesse artigo também
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
outro resultado singular do
aprendizado profundo
aprendizado profundo
04:04
which I'm going to show you now.
80
232857
2712
que eu vou mostrar para vocês agora.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Mostra que os computadores
conseguem escutar e entender.
conseguem escutar e entender.
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Vídeo) Richard Rashid:
Agora, o último passo
Agora, o último passo
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
que eu pretendo dar nesse processo
04:18
is to actually speak to you in Chinese.
84
246246
4715
é realmente falar com vocês em chinês.
04:22
Now the key thing there is,
85
250961
2635
A chave aqui é que
04:25
we've been able to take a large amount
of information from many Chinese speakers
of information from many Chinese speakers
86
253596
5002
conseguimos levantar uma vasta quantidade
de informação de muitos falantes do chinês
de informação de muitos falantes do chinês
04:30
and produce a text-to-speech system
87
258598
2530
e produzir um sistema texto-para-fala
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
que pega o texto em chinês e
converte para a linguagem chinesa,
converte para a linguagem chinesa,
04:37
and then we've taken
an hour or so of my own voice
an hour or so of my own voice
89
265801
4128
e então pegamos mais ou menos uma hora
da minha própria voz
da minha própria voz
04:41
and we've used that to modulate
90
269929
1891
e usamos para modular
04:43
the standard text-to-speech system
so that it would sound like me.
so that it would sound like me.
91
271820
4544
o sistema texto-para-fala padrão
para que possa parecer a minha voz.
para que possa parecer a minha voz.
04:48
Again, the result's not perfect.
92
276364
2540
O resultado não é perfeito.
04:50
There are in fact quite a few errors.
93
278904
2648
Na verdade há alguns erros.
04:53
(In Chinese)
94
281552
2484
(Em chinês)
04:56
(Applause)
95
284036
3367
(Aplausos)
05:01
There's much work to be done in this area.
96
289446
3576
Há muito trabalho pela frente nessa área.
05:05
(In Chinese)
97
293022
3645
(Em chinês)
05:08
(Applause)
98
296667
3433
(Aplausos)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
J. Howard: Isso foi num congresso
de aprendizado de máquina na China.
de aprendizado de máquina na China.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Na verdade não é comum escutar aplausos
05:19
that you do hear spontaneous applause,
101
307114
1897
espontâneos em congressos acadêmicos,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
embora obviamente às vezes acontecer
em conferências TEDx, fiquem à vontade.
em conferências TEDx, fiquem à vontade.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Tudo que vocês viram lá aconteceu
com aprendizado profundo.
com aprendizado profundo.
05:27
(Applause) Thank you.
104
315482
1525
(Aplausos) Obrigado.
A transcrição em inglês foi
aprendizado profundo.
aprendizado profundo.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
A tradução para chinês e o texto na
direita superior, também,
direita superior, também,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
e a construção da voz também
foi aprendizado profundo.
foi aprendizado profundo.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Então, aprendizado profundo é
essa coisa extraordinária.
essa coisa extraordinária.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
É um único algoritmo que parece
fazer quase tudo,
fazer quase tudo,
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
e um ano antes eu descobri que
ele também aprendeu a ver.
ele também aprendeu a ver.
05:47
In this obscure competition from Germany
111
335452
2176
Nessa competição desconhecida
alemã, chamada
alemã, chamada
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
Modelo de Reconhecimento de
Sinais de Trânsito Alemães
Sinais de Trânsito Alemães
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
aprendizado profundo aprendeu a
reconhecer sinais de trânsito como esse.
reconhecer sinais de trânsito como esse.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Não apenas conseguiu reconhecer os sinais
05:57
better than any other algorithm,
115
345712
1758
melhor que qualquer outro algoritmo,
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
o ranking na verdade mostrou que
era melhor do que gente,
era melhor do que gente,
06:02
about twice as good as people.
117
350189
1852
quase duas vezes melhor do que gente.
06:04
So by 2011, we had the first example
118
352041
1996
Então em 2011 tivemos o primeiro exemplo
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
de computadores que conseguem ver
melhor do que pessoas.
melhor do que pessoas.
06:09
Since that time, a lot has happened.
120
357442
2049
Desde então muito aconteceu.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
Em 2012 Google anunciou que havia
um algoritmo de aprendizado profundo
um algoritmo de aprendizado profundo
06:15
watch YouTube videos
122
363005
1415
assistindo vídeos do YouTube
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
e remoendo os dados em 16 mil
computadores por mês,
computadores por mês,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
e o computador aprendeu sozinho
conceitos como pessoas e gatos
conceitos como pessoas e gatos
06:24
just by watching the videos.
125
372218
1809
apenas assistindo aos vídeos.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
É desse jeito que os humanos aprendem.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Os humanos não aprendem com alguém
explicando o que viram,
explicando o que viram,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
aprendem por si próprios.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Também em 2012, Geoffrey Hinton,
a quem vimos antes,
a quem vimos antes,
06:37
won the very popular ImageNet competition,
130
385819
2858
venceu a conhecida competição ImageNet,
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
tentando descobrir a partir de
um milhão e meio de imagens
um milhão e meio de imagens
06:44
what they're pictures of.
132
392818
1438
o que elas retratam.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
A partir de 2014 estamos
com uma taxa de erro de 6%
com uma taxa de erro de 6%
06:49
in image recognition.
134
397789
1453
em reconhecimento de imagem.
06:51
This is better than people, again.
135
399242
2026
De novo, isso é melhor que gente.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Então, máquinas estão fazendo
um ótimo trabalho
um ótimo trabalho
06:57
and it is now being used in industry.
137
405037
2269
e agora está sendo usado na indústria.
06:59
For example, Google announced last year
138
407306
3042
Por exemplo, o Google anunciou ano passado
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
que mapearam cada local
da França em duas horas,
da França em duas horas,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
e fizeram isso fornecendo imagens das ruas
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
para o algoritmo de aprendizado profundo
reconhecer e ler os números das ruas.
reconhecer e ler os números das ruas.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Imaginem quanto levaria
do jeito que era antes:
do jeito que era antes:
07:16
dozens of people, many years.
143
424919
3355
dúzias de pessoas, muitos anos.
07:20
This is also happening in China.
144
428274
1911
Também está acontecendo na China.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu é tipo o Google chinês, eu acho,
07:26
and what you see here in the top left
146
434221
2283
e o que vocês podem ver acima à esquerda
07:28
is an example of a picture that I uploaded
to Baidu's deep learning system,
to Baidu's deep learning system,
147
436504
3974
é um exemplo de uma imagem que eu subi ao
sistema de aprendizado profundo do Baidu,
sistema de aprendizado profundo do Baidu,
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
e abaixo você pode ver que o sistema
entendeu que imagem é
entendeu que imagem é
07:36
and found similar images.
149
444247
2236
e encontrou imagens similares.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
As imagens similares de fato
têm fundos similares,
têm fundos similares,
07:41
similar directions of the faces,
151
449219
1658
direções de rostos similares,
07:42
even some with their tongue out.
152
450877
1788
algumas até com a língua para fora.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Claramente não está olhando
para o texto da página.
para o texto da página.
Tudo que eu forneci foi uma imagem.
07:47
All I uploaded was an image.
154
455695
1412
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Agora temos computadores que
realmente entendem o que veem
realmente entendem o que veem
07:53
and can therefore search databases
156
461128
1624
e então buscam em bancos de dados
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
de centenas de milhões
de imagens em tempo real.
de imagens em tempo real.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Então o que significa o fato dos
computadores conseguirem ver?
computadores conseguirem ver?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Bem, não é só que conseguem ver.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
De fato, o aprendizado profundo fez mais.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Frases matizadas e complexas
como esta agora são
como esta agora são
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
compreensíveis com algoritmos
de aprendizado profundo.
de aprendizado profundo.
08:11
As you can see here,
163
479394
1303
Como vocês podem ver aqui,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
esse sistema de Stanford com
o ponto vermelho acima
o ponto vermelho acima
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
descobriu que esta frase expressa
um sentimento negativo.
um sentimento negativo.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
Na verdade o aprendizado profundo
está alcançando a performance humana
está alcançando a performance humana
08:22
at understanding what sentences are about
and what it is saying about those things.
and what it is saying about those things.
167
490802
5121
ao entender sobre o que as frases são e
o que dizem sobre as coisas.
o que dizem sobre as coisas.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
Além disso o aprendizado profundo
é usado para ler chinês,
é usado para ler chinês,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
de novo no nível do falante nativo.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Esse algoritmo, desenvolvido na Suíça
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
por pessoas que não falam chinês.
08:39
As I say, using deep learning
172
507331
2051
Como eu digo, usar aprendizado profundo
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
é o melhor sistema no mundo para isso,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
até mesmo comparando ao entendimento
do humano nativo.
do humano nativo.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Esse é um sistema que montamos
na minha empresa
na minha empresa
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
que mostra tudo isso colocado junto.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Essas são imagens sem texto,
08:56
and as I'm typing in here sentences,
178
524189
2352
e enquanto digito frases aqui,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
ele entende essas imagens em tempo real
09:01
and figuring out what they're about
180
529510
1679
e descobre sobre o que elas são
09:03
and finding pictures that are similar
to the text that I'm writing.
to the text that I'm writing.
181
531189
3163
e encontram imagens similares ao
texto que estou escrevendo.
texto que estou escrevendo.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Vocês podem ver, está realmente
entendendo minhas frases
entendendo minhas frases
09:09
and actually understanding these pictures.
183
537108
2224
e entendendo essas imagens.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Sei que vocês viram algo assim no Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
onde você digita coisas e
aparecem imagens,
aparecem imagens,
09:16
but actually what it's doing is it's
searching the webpage for the text.
searching the webpage for the text.
186
544666
3424
mas na verdade o que acontece é que
está buscando o texto na página.
está buscando o texto na página.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Isso é muito diferente de
realmente entender as imagens.
realmente entender as imagens.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Isso foi possível acontecer
para computadores
para computadores
09:25
for the first time in the last few months.
189
553843
3248
pela primeira vez somente
há alguns poucos meses.
há alguns poucos meses.
09:29
So we can see now that computers
can not only see but they can also read,
can not only see but they can also read,
190
557091
4091
Vemos que agora os computadores conseguem
não apenas ver, mas ler também,
não apenas ver, mas ler também,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
e claro, mostramos aqui que podem
entender o que escutam.
entender o que escutam.
09:36
Perhaps not surprising now that
I'm going to tell you they can write.
I'm going to tell you they can write.
192
564947
3442
Talvez não seja surpresa o que vou
dizer agora: eles sabem escrever.
dizer agora: eles sabem escrever.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Aqui um texto que eu gerei usando um
algoritmo de aprendizado profundo ontem.
algoritmo de aprendizado profundo ontem.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
E aqui um texto que um algoritmo
de Stanford criou.
de Stanford criou.
09:49
Each of these sentences was generated
195
577096
1764
Cada uma dessas frases foi criada
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
por um algoritmo de aprendizado profundo
para descrever cada uma dessas imagens.
para descrever cada uma dessas imagens.
09:55
This algorithm before has never seen
a man in a black shirt playing a guitar.
a man in a black shirt playing a guitar.
197
583109
4472
Esse algoritmo nunca tinha visto um homem
de camiseta preta tocando violão.
de camiseta preta tocando violão.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Ele já viu um homem antes,
já viu a cor preta,
já viu a cor preta,
10:01
it's seen a guitar before,
199
589801
1599
já viu um violão antes,
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
mas criou independentemente
essa descrição inédita para essa imagem.
essa descrição inédita para essa imagem.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Ainda não chegamos ao patamar
do desempenho humano, mas estamos perto.
do desempenho humano, mas estamos perto.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Em testes, humanos preferem a legenda
gerada por computador
gerada por computador
10:15
one out of four times.
203
603264
1527
uma a cada quatro vezes.
10:16
Now this system is now only two weeks old,
204
604791
2064
Agora esse sistema tem apenas
duas semanas,
duas semanas,
10:18
so probably within the next year,
205
606855
1846
então provavelmente dentro de um ano,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
o algoritmo de computador estará
além do desempenho humano
além do desempenho humano
10:23
at the rate things are going.
207
611502
1862
no ritmo que as coisas vão.
10:25
So computers can also write.
208
613364
3049
E é isso, os computadores
conseguem escrever.
conseguem escrever.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Quando juntamos isso tudo,
oportunidades muito empolgantes aparecem.
oportunidades muito empolgantes aparecem.
10:31
For example, in medicine,
210
619888
1492
Por exemplo, na medicina,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
uma equipe em Boston anunciou
a descoberta de
a descoberta de
10:35
dozens of new clinically relevant features
212
623905
2949
dúzias de novas características
clinicamente relevantes
clinicamente relevantes
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
de tumores que ajudam os médicos
em prognósticos de câncer.
em prognósticos de câncer.
10:44
Very similarly, in Stanford,
214
632220
2296
De modo semelhante, em Stanford,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
um grupo lá anunciou que,
observando tecidos sob ampliação,
observando tecidos sob ampliação,
desenvolveu um sistema
com base em aprendizado de máquina
com base em aprendizado de máquina
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
que de fato é melhor que
patologistas humanos
patologistas humanos
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
ao prever índices de sobrevivência
para pacientes de câncer.
para pacientes de câncer.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
Em ambos os casos, não apenas
as previsões eram mais precisas,
as previsões eram mais precisas,
11:02
but they generated new insightful science.
220
650764
2502
mas criaram ciência perspicaz.
11:05
In the radiology case,
221
653276
1505
No caso da radiologia,
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
foram indicadores clínicos novos
que humanos conseguem entender.
que humanos conseguem entender.
11:09
In this pathology case,
223
657876
1792
Nesse caso de patologia,
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
o sistema de computador descobriu que
as células ao redor do câncer
as células ao redor do câncer
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
são tão importantes quanto as
próprias células cancerígenas
próprias células cancerígenas
11:19
in making a diagnosis.
226
667508
1752
para se fazer um diagnóstico.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Isso é o oposto do que os patologistas
tinham aprendido por décadas.
tinham aprendido por décadas.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
Em cada um desses dois casos, foram
sistemas desenvolvidos por um
sistemas desenvolvidos por um
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
grupo de especialistas médicos e
especialistas em aprendizado de máquina,
especialistas em aprendizado de máquina,
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
mas desde ano passado,
estamos além disso também.
estamos além disso também.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Esse é um exemplo de identificação
de áreas cancerígenas
de áreas cancerígenas
11:39
of human tissue under a microscope.
232
687824
2530
em tecido humano sob um microscópio.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
O sistema aqui consegue identificar
essas áreas com mais precisão,
essas áreas com mais precisão,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
ou com a mesma precisão,
do que patologistas humanos,
do que patologistas humanos,
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
mas foi construido com aprendizado
profundo sem conhecimento médico
profundo sem conhecimento médico
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
por pessoas sem antecedentes na área.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
De modo similar, aqui,
essa segmentação de neurônios.
essa segmentação de neurônios.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Agora podemos segmentar neurônios
tão precisamente quanto os humanos,
tão precisamente quanto os humanos,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
mas esse sistema foi desenvolvido
com aprendizado profundo
com aprendizado profundo
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
por pessoas sem antecedentes em medicina.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Então eu mesmo, que não tenho
antecedentes em medicina,
antecedentes em medicina,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
posso parecer inteiramente qualificado
para iniciar uma empresa médica,
para iniciar uma empresa médica,
12:15
which I did.
243
723875
2146
que foi o que eu fiz.
12:18
I was kind of terrified of doing it,
244
726021
1740
Eu estava meio aterrorizado,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
mas a teoria sugeria que era possível
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
fazer medicina muito útil usando
apenas essas técnicas analíticas de dados.
apenas essas técnicas analíticas de dados.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
E ainda bem, a reação tem sido fantástica,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
não apenas da mídia mas da
comunidade médica,
comunidade médica,
12:32
who have been very supportive.
249
740978
2344
que tem sido muito favorável.
12:35
The theory is that we can take
the middle part of the medical process
the middle part of the medical process
250
743322
4149
A teoria é que podemos pegar a parte
intermediária do precesso médico
intermediária do precesso médico
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
e torná-la em análise de dados
tanto quanto possível,
tanto quanto possível,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
deixando aos médicos o que
eles fazem de melhor.
eles fazem de melhor.
12:45
I want to give you an example.
253
753429
1602
Quero dar uma exemplo a vocês.
12:47
It now takes us about 15 minutes
to generate a new medical diagnostic test
to generate a new medical diagnostic test
254
755031
4944
Hoje um novo teste de diagnóstico médico
leva uns 15 minutos para ser feito
leva uns 15 minutos para ser feito
12:51
and I'll show you that in real time now,
255
759975
1954
e vou mostrar em tempo real para vocês,
12:53
but I've compressed it down to
three minutes by cutting some pieces out.
three minutes by cutting some pieces out.
256
761929
3487
mas eu comprimi para três minutos,
cortando alguns pedaços.
cortando alguns pedaços.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Ao invés de um teste de
diagnóstico médico,
diagnóstico médico,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
vou mostrar um teste de diagnóstico
de imagens de carros,
de imagens de carros,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
pois é algo que todos podem entender.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Então aqui estamos iniciando com
1,5 milhão de imagens de carro,
1,5 milhão de imagens de carro,
13:09
and I want to create something
that can split them into the angle
that can split them into the angle
261
777269
3206
e eu quero criar algo que pode
separar num ângulo
separar num ângulo
13:12
of the photo that's being taken.
262
780475
2223
da foto que está sendo tirada.
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
so I have to start from scratch.
263
782698
3888
Essas imagens são inteiramente não
marcadas, então preciso começar do zero.
marcadas, então preciso começar do zero.
13:18
With our deep learning algorithm,
264
786586
1865
Com o algoritmo de
aprendizado profundo,
aprendizado profundo,
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
pode-se automaticamente identificar áreas
de estrutura nessas imagens.
de estrutura nessas imagens.
13:24
So the nice thing is that the human
and the computer can now work together.
and the computer can now work together.
266
792158
3620
O legal é que o humano e o computador
agora podem trabalhar juntos.
agora podem trabalhar juntos.
13:27
So the human, as you can see here,
267
795778
2178
Então o humano, como podem ver,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
diz ao computador as áreas de interesse
13:32
which it wants the computer then
to try and use to improve its algorithm.
to try and use to improve its algorithm.
269
800631
4650
que o computador então usa para
melhorar o algoritmo.
melhorar o algoritmo.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Esses sistemas de aprendizado profundo
agem num espaço de 16 mil dimensões,
agem num espaço de 16 mil dimensões,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
dá para ver aqui o computador
girando através do espaço,
girando através do espaço,
tentando encontrar novas
áreas de estrutura.
áreas de estrutura.
13:45
trying to find new areas of structure.
272
813009
1992
13:47
And when it does so successfully,
273
815001
1781
E quando consegue,
13:48
the human who is driving it can then
point out the areas that are interesting.
point out the areas that are interesting.
274
816782
4004
o humano que está no controle então
aponta as áreas de interesse.
aponta as áreas de interesse.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Aqui o computador encontrou as
áreas com sucesso,
áreas com sucesso,
13:55
for example, angles.
276
823208
2562
por exemplo, ângulos.
13:57
So as we go through this process,
277
825770
1606
Enquanto seguimos o processo,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
gradualmente dizendo mais e mais
ao computador
ao computador
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
sobre os tipos de estruturas que
estamos buscando.
estamos buscando.
14:04
You can imagine in a diagnostic test
280
832144
1772
Se fosse um teste diagnóstico, seria
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
um patologista identificando áreas
de condição patológica, por exemplo,
de condição patológica, por exemplo,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
ou um radiologista indicando nódulos
potencialmente problemáticos.
potencialmente problemáticos.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
E às vezes pode ser difícil
para o algoritmo.
para o algoritmo.
14:16
In this case, it got kind of confused.
284
844851
1964
Nesse caso, ficou um pouco confuso.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
As frentes e as traseiras estão
todas misturadas.
todas misturadas.
14:21
So here we have to be a bit more careful,
286
849365
2072
Então temos que ser cuidadosos,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
manualmente separando as frentes e
as traseiras,
as traseiras,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
e dizer ao computador que isso é
o tipo de grupo
o tipo de grupo
14:32
that we're interested in.
289
860175
1348
que nos interessa.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Então fizemos isso por um tempo,
adiantamos um pouco, e
adiantamos um pouco, e
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
treinamos o algoritmo de
aprendizado de máquina
aprendizado de máquina
14:38
based on these couple of hundred things,
292
866446
1974
com base em algumas centenas de coisas,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
e esperamos que tenha ficado melhor.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Podem ver que agora algumas dessas
imagens desapareceram,
imagens desapareceram,
14:45
showing us that it already is recognizing
how to understand some of these itself.
how to understand some of these itself.
295
873518
4708
mostrando que já consegue entender
algumas por si próprio.
algumas por si próprio.
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Podemos então usar esse conceito
para imagens similares,
para imagens similares,
14:53
and using similar images, you can now see,
297
881128
2094
e usando imagens similares,
vocês podem ver,
vocês podem ver,
14:55
the computer at this point is able to
entirely find just the fronts of cars.
entirely find just the fronts of cars.
298
883222
4019
o computador nesse ponto consegue
encontrar somente as frentes dos carros.
encontrar somente as frentes dos carros.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Nesse ponto o humano pode
dizer ao computador,
dizer ao computador,
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
"ok, sim, você fez um bom trabalho".
15:05
Sometimes, of course, even at this point
301
893652
2185
Claro que às vezes ainda é difícil
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
separar grupos.
15:11
In this case, even after we let the
computer try to rotate this for a while,
computer try to rotate this for a while,
303
899511
3884
Nesse caso mesmo depois
do computador girar um pouco,
do computador girar um pouco,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
ainda vemos que imagens
do lado esquerdo e do lado direito
do lado esquerdo e do lado direito
15:18
are all mixed up together.
305
906744
1478
estão todas misturadas.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Podemos novamente dar
dicas ao computador,
dicas ao computador,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
e dizer, certo, encontre
uma projeção que separe
uma projeção que separe
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
os lados esquerdo e direito
o melhor possível
o melhor possível
15:27
using this deep learning algorithm.
309
915945
2122
usando o algoritmo de
aprendizado profundo.
aprendizado profundo.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
E dando aquela dica, ah, certo, conseguiu.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Encontrou um jeito de pensar
nesses objetos
nesses objetos
15:35
that's separated out these together.
312
923891
2380
que acabou agrupando.
15:38
So you get the idea here.
313
926271
2438
Vocês podem pegar a ideia aqui.
15:40
This is a case not where the human
is being replaced by a computer,
is being replaced by a computer,
314
928709
8197
Não é o caso de substituir
o humano pelo computador,
o humano pelo computador,
15:48
but where they're working together.
315
936906
2640
mas sim de trabalharem juntos.
15:51
What we're doing here is we're replacing
something that used to take a team
something that used to take a team
316
939546
3550
O que fazemos aqui é substituir algo
que costumava demandar de uma equipe
que costumava demandar de uma equipe
15:55
of five or six people about seven years
317
943096
2002
de cinco ou seis pessoas
cerca de sete anos
cerca de sete anos
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
com algo que leva apenas 15 minutos
15:59
for one person acting alone.
319
947703
2505
para uma pessoa só.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Esse processo demanda
cerca de quatro ou cinco iterações.
cerca de quatro ou cinco iterações.
16:06
You can see we now have 62 percent
321
954158
1859
Podemos ver que agora temos 62%
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
de nossas 1,5 milhão de imagens
classificadas corretamente.
classificadas corretamente.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Nesse ponto podemos rapidamente
16:13
grab whole big sections,
324
961448
1297
pegar seções inteiras
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
e checar se não há erros.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Onde encontramos erros,
podemos avisar o computador.
podemos avisar o computador.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Usando esse tipo de processo para
cada um dos diferentes grupos,
cada um dos diferentes grupos,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
temos agora 80% de índice de sucesso
16:27
in classifying the 1.5 million images.
329
975148
2415
classificando 1,5 milhão de imagens.
16:29
And at this point, it's just a case
330
977563
2078
Nesse ponto é só o caso de
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
encontrar o pequeno número que ainda
não está classificado corretamente,
não está classificado corretamente,
16:35
and trying to understand why.
332
983220
2888
e tentar entender o motivo.
16:38
And using that approach,
333
986108
1743
E com essa abordagem,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
em 15 minutos temos 97%
de índice de classificação.
de índice de classificação.
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
Então esse tipo de técnica nos permite
resolver um grande problema,
resolver um grande problema,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
que é a falta de especialização
médica no mundo.
médica no mundo.
16:51
The World Economic Forum says
that there's between a 10x and a 20x
that there's between a 10x and a 20x
337
999614
3489
O Fórum Econômico Mundial diz que há
escassez de algo entre 10 e 20 vezes
escassez de algo entre 10 e 20 vezes
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
de médicos no mundo em desenvolvimento,
16:57
and it would take about 300 years
339
1005727
2113
e que levaria cerca de 300 anos
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
para treinar gente suficiente para
resolver o problema.
resolver o problema.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Imaginem conseguirmos
aumentar a eficiência
aumentar a eficiência
17:05
using these deep learning approaches?
342
1013619
2839
usando essas abordagens
de aprendizado profundo?
de aprendizado profundo?
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Por isso estou empolgado
com as oportunidades.
com as oportunidades.
17:10
I'm also concerned about the problems.
344
1018690
2589
E estou preocupado com os problemas.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
O problema aqui é que cada área
em azul no mapa
em azul no mapa
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
é um lugar onde os serviços estão
com mais de 80% de emprego.
com mais de 80% de emprego.
17:20
What are services?
347
1028172
1787
O que são serviços?
17:21
These are services.
348
1029959
1514
São esses.
17:23
These are also the exact things that
computers have just learned how to do.
computers have just learned how to do.
349
1031473
4154
São também exatamente o que
os computadores aprenderam a fazer.
os computadores aprenderam a fazer.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Então 80% do emprego no mundo
no mundo desenvolvido
no mundo desenvolvido
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
é algo que computadores já
aprenderam a fazer.
aprenderam a fazer.
17:33
What does that mean?
352
1041963
1440
O que isso significa?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Ficaremos bem. Serão substituídos
por outros empregos.
por outros empregos.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Por exemplo serão mais empregos
para cientistas de dados.
para cientistas de dados.
17:40
Well, not really.
355
1048693
817
Na verdade não.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Não demora muito para cientistas
de dados fazerem essas coisas.
de dados fazerem essas coisas.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Por exemplo, os quatro algoritmos
foram construídos pelo mesmo cara.
foram construídos pelo mesmo cara.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Então você pensa, oh,
isso já aconteceu antes,
isso já aconteceu antes,
17:50
we've seen the results in the past
of when new things come along
of when new things come along
359
1058318
3808
já vimos isso antes,
quando coisas novas chegam
quando coisas novas chegam
17:54
and they get replaced by new jobs,
360
1062126
2252
e novos empregos aparecem,
17:56
what are these new jobs going to be?
361
1064378
2116
como serão esses novos empregos?
17:58
It's very hard for us to estimate this,
362
1066494
1871
É muito difícil estimar isso,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
porque o desempenho humano
cresce nesse ritmo gradual,
cresce nesse ritmo gradual,
18:03
but we now have a system, deep learning,
364
1071104
2562
mas agora temos um sistema,
o aprendizado profundo,
o aprendizado profundo,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
que sabemos crescer em ritmo exponencial.
18:08
And we're here.
366
1076893
1605
E nós estamos aqui.
18:10
So currently, we see the things around us
367
1078498
2061
Então hoje vemos as coisas ao redor
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
e dizemos: "Oh, os computadores são
tão burros". Certo?
tão burros". Certo?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Mas dentro de cinco anos os computadores
estarão fora desse gráfico.
estarão fora desse gráfico.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Então precisamos começar a pensar
nessa capacidade agora mesmo.
nessa capacidade agora mesmo.
18:22
We have seen this once before, of course.
371
1090529
2050
Já vimos isso antes, claro.
18:24
In the Industrial Revolution,
372
1092579
1387
Na Revolução Industrial,
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
vimos uma mudança na capacidade
graças aos motores.
graças aos motores.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
Acontece que, as coisas foram
se achatando.
se achatando.
18:32
There was social disruption,
375
1100805
1702
Houve distúrbio social,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
mas quando os motores foram usados para
gerar força em todas as situações
gerar força em todas as situações
18:37
things really settled down.
377
1105946
2354
as coisas se acalmaram.
18:40
The Machine Learning Revolution
378
1108300
1473
A Revolução do Aprendizado de Máquina
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
será bem diferente,
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
porque ela nunca se acalma.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Quanto mais os computadores
conseguem melhorar,
conseguem melhorar,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
mais eles podem construir
outros computadores, melhores,
outros computadores, melhores,
18:54
so this is going to be a kind of change
383
1122862
1908
então esse será um tipo de mudança
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
que o mundo nunca viveu antes,
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
então sua compreensão anterior do
que é possível é diferente.
que é possível é diferente.
19:02
This is already impacting us.
386
1130974
1780
Isso já está nos afetando.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Nos últimos 25 anos, como
a produtividade de capital aumentou,
a produtividade de capital aumentou,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
a produtividade de mão de obra estacionou,
de fato até caiu um pouco.
de fato até caiu um pouco.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Então quero que comecemos
essa discussão já.
essa discussão já.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Sei que quando eu conto isso
para as pessoas,
para as pessoas,
19:19
people can be quite dismissive.
391
1147176
1490
elas podem acabar desdenhando.
19:20
Well, computers can't really think,
392
1148666
1673
"Os computadores não sabem pensar,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
eles não se emocionam,
não entendem poesia,
não entendem poesia,
19:25
we don't really understand how they work.
394
1153367
2521
nós não sabemos como eles funcionam".
19:27
So what?
395
1155888
1486
E daí?
19:29
Computers right now can do the things
396
1157374
1804
Hoje computadores fazem coisas
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
que passamos a maior parte
do tempo sendo pagos pra fazer,
do tempo sendo pagos pra fazer,
19:33
so now's the time to start thinking
398
1161897
1731
então chegou a hora de pensar
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
em como vamos ajustar nossas
estruturas sociais e econômicas
estruturas sociais e econômicas
19:40
to be aware of this new reality.
400
1168015
1840
para essa nova realidade.
19:41
Thank you.
401
1169855
1533
Obrigado.
19:43
(Applause)
402
1171388
802
(Aplausos)
ABOUT THE SPEAKER
Jeremy Howard - Data scientistJeremy Howard imagines how advanced machine learning can improve our lives.
Why you should listen
Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."
Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.
Jeremy Howard | Speaker | TED.com