0:00:00.880,0:00:04.677
Antes, si querías que un computador[br]hiciera algo nuevo

0:00:04.677,0:00:06.509
tenías, normalmente, que programarlo.

0:00:06.509,0:00:09.795
La programación, para quienes[br]no la han practicado,

0:00:09.818,0:00:12.898
requiere especificar[br]con el más mínimo detalle

0:00:12.898,0:00:16.487
cada paso que uno quiere[br]que haga su computador

0:00:16.487,0:00:18.734
para alcanzar el objetivo.

0:00:18.734,0:00:22.379
Si quieren hacer algo que[br]no saben hacer por sí mismos

0:00:22.379,0:00:24.385
entonces están ante un gran reto.

0:00:24.385,0:00:27.935
Ese fue el reto al que se enfrentó[br]este hombre, Arthur Samuel.

0:00:27.935,0:00:34.028
En 1956, quería hacer que su computador[br]pudiera ganarle a las damas.

0:00:34.028,0:00:35.785
¿Cómo se puede diseñar un programa,

0:00:35.785,0:00:40.073
teniendo en cuenta el más mínimo detalle[br]que sea mejor que sí mismo a las damas?

0:00:40.073,0:00:41.780
Y se le ocurrió una idea:

0:00:41.780,0:00:45.623
hizo jugar al computador[br]contra sí mismo miles de veces

0:00:45.623,0:00:48.079
y le hizo aprender[br]a jugar a las damas.

0:00:48.079,0:00:51.027
De hecho funcionó, ya en 1962,

0:00:51.027,0:00:53.960
este computador había ganado[br]la competición estatal de Connecticut.

0:00:54.669,0:00:58.112
Arthur Samuel fue el padre[br]del aprendizaje automático,

0:00:58.112,0:00:59.694
y tengo una deuda con él,

0:00:59.694,0:01:02.532
porque soy un profesional[br]del aprendizaje automático.

0:01:02.532,0:01:04.159
Fui presidente de Kaggle,

0:01:04.159,0:01:05.786
una comunidad de unos 200 000

0:01:05.786,0:01:07.415
profesionales del[br]aprendizaje automático.

0:01:07.415,0:01:09.700
Kaggle contribuye con competiciones

0:01:09.700,0:01:13.146
para tratar de resolver problemas[br]anteriores no resueltos,

0:01:13.324,0:01:15.985
y tuvo éxito cientos de veces.

0:01:16.980,0:01:19.371
Así que desde esa perspectiva,[br]pude descubrir

0:01:19.371,0:01:23.422
mucho sobre lo que el aprendizaje[br]automático hizo, puede hacer hoy

0:01:23.422,0:01:25.620
y lo que podrá hacer en el futuro.

0:01:25.620,0:01:27.858
Quizás el primer gran éxito

0:01:27.858,0:01:30.462
del aprendizaje automático[br]en el mercado fue Google.

0:01:30.462,0:01:34.038
Google demostró que era posible[br]encontrar información

0:01:34.038,0:01:35.364
usando un algoritmo informático

0:01:35.364,0:01:38.778
y ese algoritmo se basa en[br]el aprendizaje automático.

0:01:38.778,0:01:42.524
Desde entonces, ha habido muchos éxitos[br]comerciales del aprendizaje automático.

0:01:42.524,0:01:45.469
Compañías como Amazon y Netflix[br]usan el aprendizaje automático

0:01:45.469,0:01:47.854
para sugerir artículos [br]que les puedan interesar comprar,

0:01:47.854,0:01:49.400
películas que les puedan interesar ver

0:01:49.400,0:01:51.114
A veces, es casi escalofriante.

0:01:51.114,0:01:53.168
Compañías como[br]LinkedIn y Facebook

0:01:53.168,0:01:55.993
dicen, en ocasiones, cuáles[br]pueden ser sus amigos

0:01:55.993,0:01:57.864
y uno no tiene ni idea[br]de cómo lo han hecho,

0:01:57.864,0:02:00.443
y es porque hace uso del poder[br]del aprendizaje automático.

0:02:00.443,0:02:03.872
Estos son algoritmos que han aprendido[br]como hacerlo a partir de los datos

0:02:03.872,0:02:06.639
en lugar de ser programados a mano.

0:02:07.113,0:02:09.447
Así es también como IBM tuvo éxito

0:02:09.447,0:02:13.489
en conseguir que Watson ganara[br]dos campeonatos mundiales de "Jeopardy"

0:02:13.769,0:02:16.446
respondiendo preguntas increíblemente[br]ingeniosas, como esta.

0:02:16.446,0:02:20.161
[El antiguo "León de Nimrud" se perdió[br]del Museo Nacional de esta ciudad en 2003]

0:02:20.161,0:02:23.307
También es por eso, que podemos ver[br]los primeros autos sin piloto.

0:02:23.377,0:02:26.009
Si pueden diferenciar[br]entre, por ejemplo

0:02:26.009,0:02:28.831
un árbol y un peatón,[br]es algo muy importante.

0:02:28.871,0:02:31.568
No sabemos diseñar[br]estos programas manualmente,

0:02:31.568,0:02:34.175
pero con el aprendizaje[br]automático es posible.

0:02:34.175,0:02:37.573
De hecho, este auto ha conducido[br]más de un millón y medio de kilómetros

0:02:37.573,0:02:40.076
sin tener accidentes en carretera.

0:02:40.076,0:02:43.643
Así, sabemos que los computadores[br]pueden aprender

0:02:43.643,0:02:45.803
y pueden aprender a hacer cosas

0:02:45.803,0:02:48.558
que de hecho nosotros, a veces,[br]no sabemos hacer,

0:02:48.558,0:02:51.315
o las pueden hacer mejor que nosotros.

0:02:51.315,0:02:55.585
Uno de los ejemplos más sorprendentes[br]que he visto en aprendizaje automático

0:02:55.585,0:02:58.116
ocurrió en un proyecto[br]que dirigía en Kaggle

0:02:58.116,0:03:01.604
donde un equipo dirigido por un chico[br]llamado Geoffrey Hinton

0:03:01.604,0:03:02.979
de la Universidad de Toronto

0:03:02.979,0:03:06.081
ganó un concurso para el descubrimiento[br]automático de medicamentos.

0:03:06.081,0:03:08.556
Lo extraordinario fue no solo que batiera

0:03:08.556,0:03:10.537
a todos los algoritmos [br]desarrollados por Merck

0:03:10.537,0:03:13.098
o la comunidad académica internacional,

0:03:13.098,0:03:15.739
sino que nadie del equipo [br]tenía experiencia en química

0:03:15.739,0:03:19.843
o biología o ciencias biológicas[br]y lo hicieron en dos semanas.

0:03:19.843,0:03:22.256
¿Cómo lo hicieron?

0:03:22.256,0:03:25.261
Usaron un algoritmo extraordinario[br]llamado aprendizaje profundo.

0:03:25.261,0:03:28.325
Fue tan exitoso que tuvo cobertura

0:03:28.325,0:03:31.362
en The New York Times en un artículo[br]de portada unas semanas después.

0:03:31.362,0:03:33.980
Este es Geoffrey Hinton[br]a la izquierda.

0:03:33.980,0:03:37.991
El aprendizaje profundo es un algoritmo[br]inspirado en el cerebro humano

0:03:37.991,0:03:39.962
y como resultado

0:03:39.962,0:03:43.361
no tiene limitaciones teóricas[br]en lo que puede hacer.

0:03:43.361,0:03:46.762
Cuantos más datos[br]y tiempo de cálculo uno le dé

0:03:46.762,0:03:47.969
mejor funciona.

0:03:48.005,0:03:50.404
The New York Times mostró,[br]también en su artículo

0:03:50.404,0:03:52.927
otro resultado extraordinario[br]del aprendizaje profundo

0:03:52.927,0:03:55.181
que mostraré ahora.

0:03:55.181,0:03:59.125
Demuestra que los computadores[br]pueden escuchar y comprender.

0:04:01.077,0:04:03.251
(Vídeo) Richard Rashid:[br]El último paso

0:04:04.161,0:04:05.756
que quiero dar en este proceso

0:04:06.656,0:04:09.407
es hablar en chino.

0:04:11.877,0:04:13.163
La clave es,

0:04:13.163,0:04:17.784
hemos recopilado una gran información[br]de hablantes de chino

0:04:17.784,0:04:20.894
y producido un sistema de conversión[br]de texto a voz

0:04:20.894,0:04:25.025
que toma el texto en chino[br]y lo convierte en lengua oral,

0:04:26.681,0:04:30.205
luego hemos grabado[br]una hora de mi voz

0:04:30.205,0:04:32.471
que usamos para modular

0:04:32.471,0:04:36.197
el texto estándar de conversión[br]de texto a voz para que suene como yo.

0:04:36.441,0:04:38.979
De nuevo, el resultado no es perfecto.

0:04:38.979,0:04:41.807
De hecho, hay unos cuantos errores.

0:04:41.807,0:04:44.133
結果並不完美[br](los resultados no son perfectos)

0:04:44.133,0:04:47.826
(Aplausos)

0:04:49.432,0:04:52.243
Hay mucho que hacer en esta área.

0:04:52.702,0:04:56.146
在這方面有很多工作要做 (hay mucho[br]trabajo que hacer en esta área)

0:04:56.146,0:04:59.673
(Aplausos)

0:05:01.715,0:05:05.497
Jeremy Howard: Esto era una conferencia[br]de aprendizaje automático en China.

0:05:05.497,0:05:07.867
No es usual, en conferencias académicas

0:05:07.867,0:05:09.764
oír aplausos espontáneos,

0:05:09.764,0:05:12.830
aunque en las conferencias[br]de TEDx siéntanse libres.

0:05:12.830,0:05:15.115
Todo lo que han visto es gracias[br]al aprendizaje profundo.

0:05:15.115,0:05:16.880
(Aplausos) Gracias.

0:05:16.880,0:05:19.722
La transcripción en inglés[br]es aprendizaje profundo.

0:05:19.722,0:05:23.204
La traducción al chino y el texto arriba[br]a la derecha, es aprendizaje profundo,

0:05:23.204,0:05:26.041
y la construcción de la voz también[br]es aprendizaje profundo.

0:05:26.761,0:05:29.995
Eso es lo extraordinario[br]del aprendizaje profundo.

0:05:29.995,0:05:33.094
Es un solo algoritmo que parece[br]hacer casi cualquier cosa,

0:05:33.094,0:05:36.075
y descubrí que un año antes,[br]aprendió a ver.

0:05:36.075,0:05:37.891
En esta extraña competición en Alemania

0:05:37.891,0:05:40.427
llamada Banco de Prueba de[br]Reconocimiento de Señales de Tránsito

0:05:40.427,0:05:44.273
el aprendizaje profundo ha aprendido[br]a reconocer señales de tránsito como esta.

0:05:44.283,0:05:46.467
No solo reconoce señales de tránsito

0:05:46.491,0:05:48.223
mejor que cualquier otro algoritmo,

0:05:48.223,0:05:50.862
la clasificación mostró[br]que era mejor que las personas,

0:05:50.862,0:05:52.624
dos veces más bueno que las personas.

0:05:52.624,0:05:54.790
Para 2011, se da el primer ejemplo

0:05:54.790,0:05:58.195
de computadores que pueden ver[br]mejor que las personas.

0:05:58.195,0:06:00.244
Desde entonces, han ocurrido muchas cosas.

0:06:00.244,0:06:03.758
En 2012, Google anunció que había hecho[br]que un algoritmo de aprendizaje profundo

0:06:03.758,0:06:05.173
viera vídeos en YouTube

0:06:05.173,0:06:08.100
y procesaron la información[br]en 16 000 computadores al mes

0:06:08.100,0:06:10.301
y el computador aprendió [br]de manera independiente

0:06:10.301,0:06:14.780
conceptos como personas y gatos[br]solo viendo los vídeos.

0:06:14.780,0:06:17.132
Esto se parece mucho[br]al aprendizaje humano.

0:06:17.132,0:06:19.872
Los humanos no aprendemos[br]porque nos cuenten lo que vemos,

0:06:19.872,0:06:23.203
sino que aprendemos solos[br]qué son esas cosas.

0:06:23.203,0:06:26.572
También en 2012, Geoffrey Hinton,[br]que vimos anteriormente,

0:06:26.572,0:06:29.430
ganó la famosa competición de ImageNet,

0:06:29.430,0:06:32.861
tratando de averiguar, mirando[br]un millón y medio de imágenes,

0:06:32.861,0:06:34.559
sobre qué eran estas imágenes.

0:06:34.559,0:06:38.152
A partir de 2014, tenemos un porcentaje[br]de error por debajo del 6 %

0:06:38.152,0:06:39.535
en reconocimiento de imágenes.

0:06:39.535,0:06:42.021
De nuevo, mejor que las personas.

0:06:42.021,0:06:45.140
Las máquinas están haciendo[br]un trabajo increíble aquí,

0:06:45.140,0:06:47.609
y está siendo usadas en la industria.

0:06:47.609,0:06:50.671
Por ejemplo, Google anunció el año pasado

0:06:50.671,0:06:55.686
que había cartografiado cada sitio[br]de Francia en dos horas,

0:06:55.686,0:06:59.133
y lo hizo alimentando[br]con imágenes de las calles,

0:06:59.133,0:07:03.452
al algoritmo de aprendizaje profundo[br]para reconocer y leer los números.

0:07:03.452,0:07:05.672
Imaginen lo que se habría tardado antes:

0:07:05.672,0:07:09.027
docenas de personas, muchos años.

0:07:09.027,0:07:10.938
Esto también está pasando en China.

0:07:10.938,0:07:14.974
Baidu es como el Google chino, creo,

0:07:14.974,0:07:18.917
y lo que ven arriba a la izquierda[br]es un ejemplo de una imagen que subí

0:07:18.917,0:07:21.231
al sistema de aprendizaje profundo [br]de Baidu,

0:07:21.231,0:07:25.000
y debajo se puede ver que el sistema[br]ha entendido lo que es esa imagen

0:07:25.000,0:07:27.236
y encuentra imágenes similares.

0:07:27.236,0:07:29.972
Las imágenes similares[br]tienen fondos similares

0:07:29.972,0:07:33.418
similares de las caras,[br]incluso algunos con la lengua afuera.

0:07:33.418,0:07:36.138
Esto no es claramente mirar[br]el texto de una página web.

0:07:36.138,0:07:37.860
Todo lo que descargué eran imágenes.

0:07:37.860,0:07:41.621
Por lo que ahora tenemos computadores[br]que entienden lo que ven

0:07:41.621,0:07:43.505
y por ello pueden buscar bases de datos

0:07:43.505,0:07:45.859
de cientos de millones[br]de imágenes en tiempo real.

0:07:45.859,0:07:49.309
¿Qué significado tiene que[br]los computadores puedan ver?

0:07:49.309,0:07:51.786
Bueno, no es solo que[br]los computadores puedan ver.

0:07:51.786,0:07:54.441
De hecho, el aprendizaje profundo[br]ha hecho más que eso.

0:07:54.441,0:07:56.433
Frases complejas y llenas[br]de matices como esta

0:07:56.433,0:07:59.217
son ahora comprensibles con[br]algoritmos del aprendizaje profundo.

0:07:59.217,0:08:00.280
Como pueden ver aquí,

0:08:00.280,0:08:04.138
este sistema basado en el de Stanford que[br]muestra el punto rojo en la parte superior

0:08:04.138,0:08:07.957
ha comprendido que esta frase[br]expresa sentimientos negativos.

0:08:07.957,0:08:10.795
El aprendizaje profundo está cercano[br]a la conducta humana al comprender

0:08:10.795,0:08:15.166
lo que significan las frases y lo que [br]se está diciendo sobre esas cosas.

0:08:16.556,0:08:19.404
El aprendizaje profundo se ha usado[br]también para leer chino,

0:08:19.404,0:08:22.560
de nuevo, a un nivel[br]casi de hablante nativo.

0:08:22.560,0:08:24.728
Este algoritmo, desarrollado en Suiza

0:08:24.728,0:08:28.084
por gente que no hablaba [br]ni entendía chino.

0:08:28.084,0:08:30.134
Como dije, usar el aprendizaje profundo

0:08:30.134,0:08:32.354
es el mejor sistema del mundo para esto,

0:08:32.354,0:08:36.175
hasta comparándolo[br]con el conocimiento humano.

0:08:37.471,0:08:40.304
Este es un sistema que[br]formamos en mi empresa

0:08:40.304,0:08:42.482
que demuestra todas estas cosas juntas.

0:08:42.506,0:08:44.942
Estas son imágenes sin texto adjunto,

0:08:44.942,0:08:47.294
y cuando tecleo aquí frases,

0:08:47.294,0:08:50.263
entiende, en tiempo real, estas imágenes

0:08:50.263,0:08:51.942
y comprende de qué se tratan

0:08:51.942,0:08:54.825
y encuentra imágenes similares[br]al texto que estoy escribiendo.

0:08:54.825,0:08:57.431
Como pueden ver, entiende mis frases

0:08:57.431,0:08:59.435
y de hecho entiende estas imágenes.

0:08:59.435,0:09:02.634
Se que han visto algo como esto en Google,[br]donde puede escribir algo

0:09:02.634,0:09:05.929
y te lo muestra en imágenes,[br]pero lo que realmente está haciendo

0:09:05.929,0:09:08.843
es buscar la página web [br]a través del texto.

0:09:08.843,0:09:11.524
Esto es muy diferente[br]a comprender las imágenes.

0:09:11.524,0:09:14.426
Esto es algo que los computadores[br]solo han podido hacer

0:09:14.426,0:09:16.434
por primera vez hace unos pocos meses.

0:09:17.164,0:09:19.952
Así que ahora podemos ver [br]que los computadores no solo ven

0:09:19.952,0:09:21.750
sino que pueden leer,

0:09:21.750,0:09:24.980
y, por supuesto, hemos demostrado[br]que pueden entender lo que oyen.

0:09:24.980,0:09:28.482
Quizá no sea sorprendente ahora[br]lo que voy a decir, pueden escribir.

0:09:28.482,0:09:30.524
Aquí hay parte de un texto que generé ayer

0:09:30.524,0:09:32.626
usando el algoritmo [br]de aprendizaje profundo.

0:09:34.736,0:09:37.849
Y aquí hay parte de un texto que generó[br]un algoritmo de Stanford.

0:09:37.849,0:09:39.613
Cada una de estas frases fue generada

0:09:39.613,0:09:43.582
por un algoritmo de aprendizaje profundo[br]para describir estas imágenes.

0:09:43.582,0:09:45.796
Este algoritmo nunca había visto

0:09:45.796,0:09:47.910
a un hombre con camisa negra [br]tocando la guitarra.

0:09:47.910,0:09:50.224
Ha visto a un hombre antes,[br]ha visto el negro antes

0:09:50.224,0:09:52.153
ha visto una guitarra antes,[br]pero ha generado

0:09:52.153,0:09:56.447
de manera independiente esta innovadora [br]descripción de esta imagen.

0:09:56.447,0:09:59.949
Aquí no estamos ante un comportamiento[br]humano, pero estamos cerca.

0:09:59.949,0:10:03.717
En las pruebas, las personas prefieren[br]las leyendas generadas por el computador

0:10:03.717,0:10:05.384
1 de cada 4 veces.

0:10:05.384,0:10:07.608
Este sistema tiene ahora solo[br]dos semanas de edad,

0:10:07.608,0:10:09.454
por lo que posiblemente[br]antes del año que viene,

0:10:09.454,0:10:12.255
el algoritmo del computador irá[br]más allá del comportamiento humano

0:10:12.255,0:10:14.117
al paso que van las cosas.

0:10:14.117,0:10:17.166
Así que los computadores pueden escribir.

0:10:17.166,0:10:20.301
Juntamos todo esto y lleva[br]a oportunidades apasionantes.

0:10:20.301,0:10:21.813
Por ejemplo, en medicina,

0:10:21.813,0:10:24.658
un equipo de Boston anunció[br]que habían descubierto

0:10:24.658,0:10:27.367
decenas de características[br]clínicas relevantes

0:10:27.367,0:10:31.849
sobre tumores que ayudan a los médicos[br]a hacer un diagnóstico de un cáncer.

0:10:32.973,0:10:35.269
Algo similar, en Stanford,

0:10:35.269,0:10:38.092
un grupo anunció que,[br]mirando un tejido con aumento,

0:10:38.092,0:10:41.313
habían desarrollado una máquina[br]basada en el sistema de aprendizaje

0:10:41.313,0:10:43.895
que de hecho es mejor[br]que los patólogos humanos

0:10:43.895,0:10:47.668
prediciendo las tasas de supervivencia[br]de los enfermos de cáncer.

0:10:47.668,0:10:51.177
En ambos casos, no solo fueron[br]las predicciones más precisas,

0:10:51.177,0:10:53.729
sino que generaron una[br]nueva ciencia reveladora.

0:10:53.729,0:10:55.534
En el caso de la radiología,

0:10:55.534,0:10:58.629
hubo nuevos indicadores clínicos[br]que las personas pueden entender.

0:10:58.629,0:11:00.421
En este caso de patología,

0:11:00.421,0:11:04.921
el sistema informático descubrió[br]que las células alrededor del cáncer

0:11:04.921,0:11:08.261
son tan importantes como[br]las células del cáncer mismo

0:11:08.261,0:11:10.013
al hacer un diagnóstico.

0:11:10.013,0:11:14.494
Esto es lo contrario de lo que[br]los patólogos han pensado por décadas.

0:11:15.374,0:11:18.666
En cada uno de estos casos,[br]fueron sistemas desarrollados

0:11:18.666,0:11:22.287
por una combinación de expertos médicos[br]y expertos del aprendizaje profundo,

0:11:22.287,0:11:25.028
pero a partir del año pasado,[br]dimos un paso más allá.

0:11:25.028,0:11:28.577
Este es un caso de identificación[br]de áreas cancerígenas

0:11:28.577,0:11:31.107
del tejido humano por microscopio.

0:11:31.107,0:11:34.040
El sistema que se muestra aquí [br]puede identificar esas áreas

0:11:34.040,0:11:38.005
de formar más precisa o casi tan precisa[br]como los patólogos humanos,

0:11:38.005,0:11:40.267
construido completamente [br]con aprendizaje profundo

0:11:40.267,0:11:41.799
sin usar experiencia médica

0:11:41.799,0:11:44.113
por gente que no tenía[br]experiencia en este campo.

0:11:45.483,0:11:48.038
De manera similar,[br]esta segmentación neuronal.

0:11:48.038,0:11:51.706
Ahora, podemos segmentar neuronas de forma[br]casi tan precisa como las personas,

0:11:51.706,0:11:54.423
y este sistema fue desarrollado[br]por aprendizaje profundo

0:11:54.423,0:11:56.694
usando a gente sin experiencia[br]previa en medicina.

0:11:57.414,0:12:00.901
Como yo, alguien sin experiencia[br]previa en medicina,

0:12:00.901,0:12:04.628
parezco completamente calificado[br]para empezar una empresa médica,

0:12:04.628,0:12:06.054
y lo hice.

0:12:06.774,0:12:08.514
Estaba aterrorizado de hacerlo,

0:12:08.514,0:12:11.403
pero la teoría parecía sugerir[br]que podía ser posible

0:12:11.403,0:12:15.965
hacer medicina muy útil usando solo[br]estas técnicas de información analítica.

0:12:16.475,0:12:18.835
Afortunadamente, la recompensa[br]ha sido fantástica,

0:12:18.835,0:12:21.191
no solo por parte de los medios[br]sino de la comunidad médica,

0:12:21.191,0:12:22.985
que nos ha apoyado mucho.

0:12:23.285,0:12:27.714
La teoría es que podemos tomar[br]media parte del proceso médico

0:12:27.714,0:12:30.437
y convertirlo todo lo posible[br]en análisis de datos,

0:12:30.437,0:12:33.032
dejando a los médicos[br]en lo que son mejores.

0:12:33.842,0:12:35.284
Quiero dar un ejemplo.

0:12:35.284,0:12:40.728
Nos lleva unos 15 minutos crear[br]una nueva prueba de diagnóstico médico

0:12:40.728,0:12:42.532
y ahora lo demostraré[br]en tiempo real,

0:12:42.532,0:12:44.304
pero lo he comprimido a 3 minutos

0:12:44.304,0:12:45.826
cortando algunas partes.

0:12:45.826,0:12:49.062
En vez de mostrar cómo crear[br]una prueba de diagnóstico médico,

0:12:49.062,0:12:52.599
mostraré una prueba de diagnóstico[br]de imágenes de autos,

0:12:52.599,0:12:54.821
porque es algo que[br]todos podemos entender.

0:12:54.821,0:12:57.612
Así que, empezamos con un millón[br]y medio de imágenes de autos,

0:12:57.612,0:13:01.228
y quiero crear algo que[br]pueda dividirlas en el ángulo

0:13:01.228,0:13:03.041
en el que la foto fue tomada.

0:13:03.041,0:13:06.979
Estas imágenes están sin etiquetar,[br]así que tengo que empezar desde cero.

0:13:06.979,0:13:09.204
Con nuestro algoritmo[br]de aprendizaje profundo,

0:13:09.204,0:13:12.611
se pueden identificar automáticamente[br]áreas de la estructura en estas imágenes.

0:13:12.611,0:13:16.531
Lo bueno es que la persona y el computador[br]pueden trabajar juntos.

0:13:16.531,0:13:18.709
Así que la persona,[br]como pueden ver aquí,

0:13:18.709,0:13:21.384
le está indicando al computador[br]áreas de interés

0:13:21.384,0:13:26.034
que quiere que el computador pruebe[br]y use para mejorar su algoritmo.

0:13:26.034,0:13:30.330
Estos sistemas de aprendizaje profundo[br]están en un espacio de 16 000 dimensiones,

0:13:30.330,0:13:33.762
así, pueden ver aquí cómo el computador[br]rota esto en ese espacio,

0:13:33.762,0:13:35.754
intentando encontrar [br]nuevas áreas de estructura.

0:13:35.754,0:13:37.535
Y cuando lo hace con éxito,

0:13:37.535,0:13:41.539
la persona que lo maneja puede, entonces,[br]señalar las áreas de interés.

0:13:41.539,0:13:43.961
Aquí, el computador ha encontrado,[br]con éxito, áreas,

0:13:43.961,0:13:46.143
por ejemplo, ángulos.

0:13:46.143,0:13:47.669
Conforme avanzamos en este proceso,

0:13:47.669,0:13:49.799
vamos diciendo, gradualmente,[br]al computador más y más

0:13:49.799,0:13:52.157
sobre los tipos de estructuras[br]que estamos buscando.

0:13:52.157,0:13:54.669
Pueden imaginar en una prueba diagnóstica[br]que esto debería ser

0:13:54.669,0:13:58.019
un patólogo identificando[br]áreas patológicas, por ejemplo,

0:13:58.019,0:14:03.045
o un radiólogo indicando nódulos[br]potencialmente problemáticos.

0:14:03.045,0:14:05.174
A veces puede ser difícil[br]para el algoritmo.

0:14:05.174,0:14:06.768
En este caso, queda algo confuso.

0:14:06.768,0:14:09.948
Las partes delanteras y traseras[br]de los autos están todas mezcladas.

0:14:09.948,0:14:12.000
Así que tenemos que ser[br]un poco más cuidadosos,

0:14:12.000,0:14:14.192
seleccionando manualmente [br]las partes delanteras

0:14:14.192,0:14:18.014
en contraposición a las traseras,

0:14:18.014,0:14:20.638
para luego decir al computador[br]que este es una especie de grupo

0:14:20.638,0:14:22.086
es en el que estamos interesados.

0:14:22.086,0:14:24.153
Hacemos esto por un tiempo,[br]nos saltamos un poco,

0:14:24.153,0:14:26.499
y luego probamos el algoritmo[br]de aprendizaje automático

0:14:26.499,0:14:29.173
basado en un par de cientos de cosas,

0:14:29.173,0:14:30.668
y esperamos que haya mejorado mucho.

0:14:30.668,0:14:33.631
Se puede ver, que han empezado [br]a desvanecerse algunas de estas imágenes,

0:14:33.631,0:14:36.077
mostrándonos que ya está reconociendo

0:14:36.077,0:14:38.153
cómo entender por sí mismo [br]algunas de ellas.

0:14:38.153,0:14:41.261
Entonces podemos usar este concepto[br]en imágenes similares,

0:14:41.261,0:14:43.975
y usando imágenes similares,[br]como pueden ver, en este punto,

0:14:43.975,0:14:47.994
el computador puede encontrar[br]solo la parte delantera de los autos.

0:14:47.994,0:14:50.942
En este punto, la persona[br]puede decir al computador,

0:14:50.942,0:14:53.235
de acuerdo, sí, has hecho[br]un buen trabajo.

0:14:54.405,0:14:56.590
En ocasiones, por supuesto,[br]incluso en este punto

0:14:56.590,0:14:59.854
sigue siendo difícil[br]separar los grupos.

0:15:00.034,0:15:02.105
En este caso, incluso[br]después de que dejamos

0:15:02.105,0:15:04.516
al computador que intente girar[br]esto por un momento,

0:15:04.516,0:15:06.377
seguimos encontrando [br]que la parte izquierda

0:15:06.377,0:15:08.595
y derecha de las imágenes[br]están mezcladas.

0:15:08.595,0:15:11.115
Así que podemos dar, de nuevo,[br]al computador algunas pistas,

0:15:11.115,0:15:14.091
y decimos, bien, intenta encontrar[br]una proyección que separe

0:15:14.091,0:15:16.698
los lados izquierdos de los derechos[br]de la manera más precisa

0:15:16.698,0:15:18.820
usando este algoritmo[br]de aprendizaje profundo.

0:15:18.820,0:15:21.762
Y dándole esta pista...[br]ah, bien, ha tenido éxito.

0:15:21.762,0:15:24.644
Consiguió encontrar la manera[br]de pensar estos objetos

0:15:24.644,0:15:27.024
que está separando[br]estos que están juntos.

0:15:27.024,0:15:29.462
Así se entiende la idea aquí.

0:15:29.462,0:15:35.641
Este es un caso en el que la persona[br]no es reemplazada por un computador,

0:15:37.659,0:15:40.299
sino que trabajan juntos.

0:15:40.299,0:15:43.849
Estamos reemplazando algo que[br]solía necesitar de un equipo

0:15:43.849,0:15:45.851
de 5 o 6 personas durante 7 años

0:15:45.851,0:15:48.456
por algo que lleva 15 minutos

0:15:48.456,0:15:50.961
a una sola persona.

0:15:50.961,0:15:54.911
Este proceso lleva[br]unas 4 o 5 iteraciones.

0:15:54.911,0:15:56.770
Ahora pueden ver que tenemos un 62 %

0:15:56.770,0:15:59.629
de nuestro millón y medio de imágenes[br]clasificadas correctamente.

0:15:59.629,0:16:01.871
En este punto, podemos empezar,[br]con bastante rapidez,

0:16:01.871,0:16:03.498
a tomar grandes secciones completas,

0:16:03.498,0:16:06.417
comprobándolas para asegurarse[br]que no hay errores.

0:16:06.417,0:16:10.369
Cuando hay errores,[br]podemos hacérselo saber al computador.

0:16:10.369,0:16:13.414
Usando este tipo de proceso[br]para cada uno de los diferentes grupos,

0:16:13.414,0:16:15.901
nos colocamos en un índice[br]del 80 % de éxito

0:16:15.901,0:16:18.316
en la clasificación de un millón[br]y medio de imágenes.

0:16:18.316,0:16:20.394
En este punto, es solo cuestión

0:16:20.394,0:16:23.973
de encontrar el pequeño número[br]que no está clasificado correctamente,

0:16:23.973,0:16:26.861
e intentar comprender el porqué.

0:16:26.861,0:16:28.604
Usando este enfoque,

0:16:28.604,0:16:32.725
en 15 minutos alcanza un índice[br]de clasificación del 97 %.

0:16:32.725,0:16:37.325
Este tipo de técnica nos permite[br]arreglar un problema mayor,

0:16:37.331,0:16:40.367
que es que hay una falta de[br]conocimientos médicos en el mundo.

0:16:40.367,0:16:43.856
El Foro Económico Mundial[br]dice que hay entre 10 y 20 veces

0:16:43.856,0:16:46.480
de escasez de físicos[br]en el mundo desarrollado,

0:16:46.480,0:16:48.593
y llevará unos 300 años

0:16:48.593,0:16:51.487
entrenar a gente suficiente[br]para arreglar el problema.

0:16:51.487,0:16:54.372
Imaginen que pudiésemos ayudar[br]a aumentar su eficiencia

0:16:54.372,0:16:57.211
usando estos métodos[br]de aprendizaje profundo.

0:16:57.211,0:16:59.443
Estoy muy entusiasmado[br]con las oportunidades.

0:16:59.443,0:17:02.032
También estoy preocupado[br]por los problemas.

0:17:02.032,0:17:05.156
El problema aquí es que[br]cada área azul de este mapa

0:17:05.156,0:17:08.925
es algún sitio donde el empleo,[br]de servicios es mayor del 80 %.

0:17:08.925,0:17:10.712
¿Qué son los servicios?

0:17:10.712,0:17:12.226
Los servicios son estos.

0:17:12.226,0:17:14.542
Estas son también las mismas cosas

0:17:14.542,0:17:16.878
que los computadores acaban[br]de aprender a hacer.

0:17:16.878,0:17:20.184
Así que el 80 % del empleo mundial[br]en el mundo desarrollado

0:17:20.184,0:17:22.715
son cosas que los computadores[br]acaban de aprender a hacer.

0:17:22.715,0:17:24.156
¿Qué significa esto?

0:17:24.156,0:17:26.739
Bueno, no habrá problema,[br]lo reemplazarán por otros trabajos.

0:17:26.739,0:17:29.446
Por ejemplo, habrá más trabajos[br]para los científicos de datos.

0:17:29.446,0:17:30.263
Bueno, realmente no.

0:17:30.263,0:17:33.381
A los científicos de datos no les lleva[br]mucho tiempo construir estas cosas.

0:17:33.381,0:17:36.633
Por ejemplo, estos 4 algoritmos[br]fueron creados por el mismo chico.

0:17:36.633,0:17:39.071
Así que si piensan,[br]todo ha pasado ya antes,

0:17:39.071,0:17:42.879
hemos visto los resultados en el pasado[br]de cuando surgen cosas nuevas

0:17:42.879,0:17:45.131
y son reemplazadas por nuevos trabajos.

0:17:45.131,0:17:47.247
¿Qué trabajos van a ser?

0:17:47.247,0:17:49.118
Es muy difícil para nosotros[br]hacer una estimación

0:17:49.118,0:17:51.857
ya que el comportamiento humano[br]crece a un ritmo gradual,

0:17:51.857,0:17:54.419
pero ahora tenemos un sistema,[br]aprendizaje profundo,

0:17:54.419,0:17:57.646
que sabemos que crece en capacidad,[br]exponencialmente.

0:17:57.646,0:17:59.251
Y aquí estamos.

0:17:59.251,0:18:01.182
Actualmente, vemos las cosas[br]a nuestro alrededor

0:18:01.182,0:18:03.988
y decimos: "Los computadores siguen[br]siendo un poco estúpidos". ¿Verdad?

0:18:03.988,0:18:07.417
Pero en 5 años, los computadores[br]estarán fuera de esta gráfica.

0:18:07.417,0:18:10.932
Así que necesitamos empezar a pensar[br]sobre esta capacidad ahora mismo.

0:18:10.932,0:18:12.932
Lo hemos visto anteriormente,[br]por supuesto.

0:18:12.932,0:18:14.559
En la Revolución Industrial,

0:18:14.559,0:18:17.160
vimos un cambio en la capacidad[br]gracias a los motores.

0:18:18.060,0:18:21.418
El asunto es, sin embargo, que tras[br]un tiempo, las cosas se nivelan.

0:18:21.418,0:18:23.160
Hubo una alteración social,[br]pero una vez que

0:18:23.160,0:18:24.781
los motores se usaron

0:18:24.781,0:18:26.562
para generar energía[br]en todas las situaciones,

0:18:26.562,0:18:28.293
las cosas realmente se establecieron.

0:18:28.603,0:18:30.454
La Revolución del Aprendizaje Automático

0:18:30.454,0:18:32.895
va a ser diferente[br]a la Revolución Industrial porque

0:18:32.895,0:18:35.692
la Revolución del Aprendizaje Automático,[br]nunca se asienta.

0:18:36.229,0:18:39.367
Cuanto mejores son los computadores[br]en actividades intelectuales,

0:18:39.367,0:18:43.615
mejores computadores se crearán para[br]que mejoren su capacidad intelectual,

0:18:43.615,0:18:45.523
así que esto va a ser[br]una especie de cambio

0:18:45.523,0:18:48.001
que nunca antes había[br]experimentado el mundo,

0:18:48.001,0:18:51.307
por lo que el entendimiento previo[br]de lo posible, es diferente.

0:18:51.727,0:18:53.507
Esto nos impacta.

0:18:53.507,0:18:57.137
En los últimos 25 años, la productividad[br]del capital se ha incrementado,

0:18:57.153,0:19:01.341
la productividad laboral se ha mantenido,[br]incluso ha descendido.

0:19:02.161,0:19:04.902
Por lo que quiero que empecemos[br]a discutir esto ahora.

0:19:04.902,0:19:07.309
Sé que cuando hablo[br]sobre esta situación

0:19:07.309,0:19:09.049
la gente puede ser despectiva.

0:19:09.049,0:19:11.092
Bueno, los computadores[br]no pueden realmente pensar,

0:19:11.092,0:19:13.610
no tienen sentimientos,[br]no entienden poesía,

0:19:13.610,0:19:16.191
no entendemos realmente cómo funcionan.

0:19:16.191,0:19:17.197
Y, ¿qué?

0:19:17.197,0:19:19.631
Actualmente los computadores[br]pueden hacer cosas

0:19:19.631,0:19:22.520
en las que las personas gastan su tiempo[br]y les pagan por ello

0:19:22.520,0:19:24.486
así pues ahora tenemos [br]que empezar a pensar

0:19:24.486,0:19:28.552
sobre cómo vamos a ajustar[br]nuestras estructuras sociales y económicas

0:19:28.576,0:19:30.608
para ser conscientes de [br]esta nueva realidad.

0:19:30.608,0:19:32.141
Gracias.

0:19:32.141,0:19:33.141
(Aplausos)