YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

Spanish subtitles

← Las maravillosas y pavorosas consecuencias de los computadores que pueden aprender

Get Embed Code
30 Languages

Showing Revision 19 created 02/09/2015 by Sebastian Betti.

  1. Antes, si querías que un computador
    hiciera algo nuevo
  2. tenías, normalmente, que programarlo.
  3. La programación, para quienes
    no la han practicado,
  4. requiere especificar
    con el más mínimo detalle
  5. cada paso que uno quiere
    que haga su computador
  6. para alcanzar el objetivo.
  7. Si quieren hacer algo que
    no saben hacer por sí mismos
  8. entonces están ante un gran reto.
  9. Ese fue el reto al que se enfrentó
    este hombre, Arthur Samuel.

  10. En 1956, quería hacer que su computador
    pudiera ganarle a las damas.
  11. ¿Cómo se puede diseñar un programa,
  12. teniendo en cuenta el más mínimo detalle
    que sea mejor que sí mismo a las damas?
  13. Y se le ocurrió una idea:
  14. hizo jugar al computador
    contra sí mismo miles de veces
  15. y le hizo aprender
    a jugar a las damas.
  16. De hecho funcionó, ya en 1962,
  17. este computador había ganado
    la competición estatal de Connecticut.
  18. Arthur Samuel fue el padre
    del aprendizaje automático,

  19. y tengo una deuda con él,
  20. porque soy un profesional
    del aprendizaje automático.
  21. Fui presidente de Kaggle,
  22. una comunidad de unos 200 000
  23. profesionales del
    aprendizaje automático.
  24. Kaggle contribuye con competiciones
  25. para tratar de resolver problemas
    anteriores no resueltos,
  26. y tuvo éxito cientos de veces.
  27. Así que desde esa perspectiva,
    pude descubrir
  28. mucho sobre lo que el aprendizaje
    automático hizo, puede hacer hoy
  29. y lo que podrá hacer en el futuro.
  30. Quizás el primer gran éxito
  31. del aprendizaje automático
    en el mercado fue Google.
  32. Google demostró que era posible
    encontrar información
  33. usando un algoritmo informático
  34. y ese algoritmo se basa en
    el aprendizaje automático.
  35. Desde entonces, ha habido muchos éxitos
    comerciales del aprendizaje automático.
  36. Compañías como Amazon y Netflix
    usan el aprendizaje automático
  37. para sugerir artículos
    que les puedan interesar comprar,
  38. películas que les puedan interesar ver
  39. A veces, es casi escalofriante.
  40. Compañías como
    LinkedIn y Facebook
  41. dicen, en ocasiones, cuáles
    pueden ser sus amigos
  42. y uno no tiene ni idea
    de cómo lo han hecho,
  43. y es porque hace uso del poder
    del aprendizaje automático.
  44. Estos son algoritmos que han aprendido
    como hacerlo a partir de los datos
  45. en lugar de ser programados a mano.
  46. Así es también como IBM tuvo éxito

  47. en conseguir que Watson ganara
    dos campeonatos mundiales de "Jeopardy"
  48. respondiendo preguntas increíblemente
    ingeniosas, como esta.
  49. [El antiguo "León de Nimrud" se perdió
    del Museo Nacional de esta ciudad en 2003]
  50. También es por eso, que podemos ver
    los primeros autos sin piloto.
  51. Si pueden diferenciar
    entre, por ejemplo
  52. un árbol y un peatón,
    es algo muy importante.
  53. No sabemos diseñar
    estos programas manualmente,
  54. pero con el aprendizaje
    automático es posible.
  55. De hecho, este auto ha conducido
    más de un millón y medio de kilómetros
  56. sin tener accidentes en carretera.
  57. Así, sabemos que los computadores
    pueden aprender

  58. y pueden aprender a hacer cosas
  59. que de hecho nosotros, a veces,
    no sabemos hacer,
  60. o las pueden hacer mejor que nosotros.
  61. Uno de los ejemplos más sorprendentes
    que he visto en aprendizaje automático
  62. ocurrió en un proyecto
    que dirigía en Kaggle
  63. donde un equipo dirigido por un chico
    llamado Geoffrey Hinton
  64. de la Universidad de Toronto
  65. ganó un concurso para el descubrimiento
    automático de medicamentos.
  66. Lo extraordinario fue no solo que batiera
  67. a todos los algoritmos
    desarrollados por Merck
  68. o la comunidad académica internacional,
  69. sino que nadie del equipo
    tenía experiencia en química
  70. o biología o ciencias biológicas
    y lo hicieron en dos semanas.
  71. ¿Cómo lo hicieron?
  72. Usaron un algoritmo extraordinario
    llamado aprendizaje profundo.
  73. Fue tan exitoso que tuvo cobertura
  74. en The New York Times en un artículo
    de portada unas semanas después.
  75. Este es Geoffrey Hinton
    a la izquierda.
  76. El aprendizaje profundo es un algoritmo
    inspirado en el cerebro humano
  77. y como resultado
  78. no tiene limitaciones teóricas
    en lo que puede hacer.
  79. Cuantos más datos
    y tiempo de cálculo uno le dé
  80. mejor funciona.
  81. The New York Times mostró,
    también en su artículo

  82. otro resultado extraordinario
    del aprendizaje profundo
  83. que mostraré ahora.
  84. Demuestra que los computadores
    pueden escuchar y comprender.
  85. (Vídeo) Richard Rashid:
    El último paso

  86. que quiero dar en este proceso
  87. es hablar en chino.
  88. La clave es,
  89. hemos recopilado una gran información
    de hablantes de chino
  90. y producido un sistema de conversión
    de texto a voz
  91. que toma el texto en chino
    y lo convierte en lengua oral,
  92. luego hemos grabado
    una hora de mi voz
  93. que usamos para modular
  94. el texto estándar de conversión
    de texto a voz para que suene como yo.
  95. De nuevo, el resultado no es perfecto.
  96. De hecho, hay unos cuantos errores.
  97. 結果並不完美
    (los resultados no son perfectos)
  98. (Aplausos)
  99. Hay mucho que hacer en esta área.
  100. 在這方面有很多工作要做 (hay mucho
    trabajo que hacer en esta área)
  101. (Aplausos)
  102. Jeremy Howard: Esto era una conferencia
    de aprendizaje automático en China.

  103. No es usual, en conferencias académicas
  104. oír aplausos espontáneos,
  105. aunque en las conferencias
    de TEDx siéntanse libres.
  106. Todo lo que han visto es gracias
    al aprendizaje profundo.
  107. (Aplausos) Gracias.
  108. La transcripción en inglés
    es aprendizaje profundo.
  109. La traducción al chino y el texto arriba
    a la derecha, es aprendizaje profundo,
  110. y la construcción de la voz también
    es aprendizaje profundo.
  111. Eso es lo extraordinario
    del aprendizaje profundo.

  112. Es un solo algoritmo que parece
    hacer casi cualquier cosa,
  113. y descubrí que un año antes,
    aprendió a ver.
  114. En esta extraña competición en Alemania
  115. llamada Banco de Prueba de
    Reconocimiento de Señales de Tránsito
  116. el aprendizaje profundo ha aprendido
    a reconocer señales de tránsito como esta.
  117. No solo reconoce señales de tránsito
  118. mejor que cualquier otro algoritmo,
  119. la clasificación mostró
    que era mejor que las personas,
  120. dos veces más bueno que las personas.
  121. Para 2011, se da el primer ejemplo
  122. de computadores que pueden ver
    mejor que las personas.
  123. Desde entonces, han ocurrido muchas cosas.
  124. En 2012, Google anunció que había hecho
    que un algoritmo de aprendizaje profundo
  125. viera vídeos en YouTube
  126. y procesaron la información
    en 16 000 computadores al mes
  127. y el computador aprendió
    de manera independiente
  128. conceptos como personas y gatos
    solo viendo los vídeos.
  129. Esto se parece mucho
    al aprendizaje humano.
  130. Los humanos no aprendemos
    porque nos cuenten lo que vemos,
  131. sino que aprendemos solos
    qué son esas cosas.
  132. También en 2012, Geoffrey Hinton,
    que vimos anteriormente,
  133. ganó la famosa competición de ImageNet,
  134. tratando de averiguar, mirando
    un millón y medio de imágenes,
  135. sobre qué eran estas imágenes.
  136. A partir de 2014, tenemos un porcentaje
    de error por debajo del 6 %
  137. en reconocimiento de imágenes.
  138. De nuevo, mejor que las personas.
  139. Las máquinas están haciendo
    un trabajo increíble aquí,

  140. y está siendo usadas en la industria.
  141. Por ejemplo, Google anunció el año pasado
  142. que había cartografiado cada sitio
    de Francia en dos horas,
  143. y lo hizo alimentando
    con imágenes de las calles,
  144. al algoritmo de aprendizaje profundo
    para reconocer y leer los números.
  145. Imaginen lo que se habría tardado antes:
  146. docenas de personas, muchos años.
  147. Esto también está pasando en China.
  148. Baidu es como el Google chino, creo,
  149. y lo que ven arriba a la izquierda
    es un ejemplo de una imagen que subí
  150. al sistema de aprendizaje profundo
    de Baidu,
  151. y debajo se puede ver que el sistema
    ha entendido lo que es esa imagen
  152. y encuentra imágenes similares.
  153. Las imágenes similares
    tienen fondos similares
  154. similares de las caras,
    incluso algunos con la lengua afuera.
  155. Esto no es claramente mirar
    el texto de una página web.
  156. Todo lo que descargué eran imágenes.
  157. Por lo que ahora tenemos computadores
    que entienden lo que ven
  158. y por ello pueden buscar bases de datos
  159. de cientos de millones
    de imágenes en tiempo real.
  160. ¿Qué significado tiene que
    los computadores puedan ver?

  161. Bueno, no es solo que
    los computadores puedan ver.
  162. De hecho, el aprendizaje profundo
    ha hecho más que eso.
  163. Frases complejas y llenas
    de matices como esta
  164. son ahora comprensibles con
    algoritmos del aprendizaje profundo.
  165. Como pueden ver aquí,
  166. este sistema basado en el de Stanford que
    muestra el punto rojo en la parte superior
  167. ha comprendido que esta frase
    expresa sentimientos negativos.
  168. El aprendizaje profundo está cercano
    a la conducta humana al comprender
  169. lo que significan las frases y lo que
    se está diciendo sobre esas cosas.
  170. El aprendizaje profundo se ha usado
    también para leer chino,
  171. de nuevo, a un nivel
    casi de hablante nativo.
  172. Este algoritmo, desarrollado en Suiza
  173. por gente que no hablaba
    ni entendía chino.
  174. Como dije, usar el aprendizaje profundo
  175. es el mejor sistema del mundo para esto,
  176. hasta comparándolo
    con el conocimiento humano.
  177. Este es un sistema que
    formamos en mi empresa

  178. que demuestra todas estas cosas juntas.
  179. Estas son imágenes sin texto adjunto,
  180. y cuando tecleo aquí frases,
  181. entiende, en tiempo real, estas imágenes
  182. y comprende de qué se tratan
  183. y encuentra imágenes similares
    al texto que estoy escribiendo.
  184. Como pueden ver, entiende mis frases
  185. y de hecho entiende estas imágenes.
  186. Se que han visto algo como esto en Google,
    donde puede escribir algo
  187. y te lo muestra en imágenes,
    pero lo que realmente está haciendo
  188. es buscar la página web
    a través del texto.
  189. Esto es muy diferente
    a comprender las imágenes.
  190. Esto es algo que los computadores
    solo han podido hacer
  191. por primera vez hace unos pocos meses.
  192. Así que ahora podemos ver
    que los computadores no solo ven

  193. sino que pueden leer,
  194. y, por supuesto, hemos demostrado
    que pueden entender lo que oyen.
  195. Quizá no sea sorprendente ahora
    lo que voy a decir, pueden escribir.
  196. Aquí hay parte de un texto que generé ayer
  197. usando el algoritmo
    de aprendizaje profundo.
  198. Y aquí hay parte de un texto que generó
    un algoritmo de Stanford.
  199. Cada una de estas frases fue generada
  200. por un algoritmo de aprendizaje profundo
    para describir estas imágenes.
  201. Este algoritmo nunca había visto
  202. a un hombre con camisa negra
    tocando la guitarra.
  203. Ha visto a un hombre antes,
    ha visto el negro antes
  204. ha visto una guitarra antes,
    pero ha generado
  205. de manera independiente esta innovadora
    descripción de esta imagen.
  206. Aquí no estamos ante un comportamiento
    humano, pero estamos cerca.
  207. En las pruebas, las personas prefieren
    las leyendas generadas por el computador
  208. 1 de cada 4 veces.
  209. Este sistema tiene ahora solo
    dos semanas de edad,
  210. por lo que posiblemente
    antes del año que viene,
  211. el algoritmo del computador irá
    más allá del comportamiento humano
  212. al paso que van las cosas.
  213. Así que los computadores pueden escribir.
  214. Juntamos todo esto y lleva
    a oportunidades apasionantes.

  215. Por ejemplo, en medicina,
  216. un equipo de Boston anunció
    que habían descubierto
  217. decenas de características
    clínicas relevantes
  218. sobre tumores que ayudan a los médicos
    a hacer un diagnóstico de un cáncer.
  219. Algo similar, en Stanford,
  220. un grupo anunció que,
    mirando un tejido con aumento,
  221. habían desarrollado una máquina
    basada en el sistema de aprendizaje
  222. que de hecho es mejor
    que los patólogos humanos
  223. prediciendo las tasas de supervivencia
    de los enfermos de cáncer.
  224. En ambos casos, no solo fueron
    las predicciones más precisas,
  225. sino que generaron una
    nueva ciencia reveladora.
  226. En el caso de la radiología,
  227. hubo nuevos indicadores clínicos
    que las personas pueden entender.
  228. En este caso de patología,
  229. el sistema informático descubrió
    que las células alrededor del cáncer
  230. son tan importantes como
    las células del cáncer mismo
  231. al hacer un diagnóstico.
  232. Esto es lo contrario de lo que
    los patólogos han pensado por décadas.
  233. En cada uno de estos casos,
    fueron sistemas desarrollados
  234. por una combinación de expertos médicos
    y expertos del aprendizaje profundo,
  235. pero a partir del año pasado,
    dimos un paso más allá.
  236. Este es un caso de identificación
    de áreas cancerígenas
  237. del tejido humano por microscopio.
  238. El sistema que se muestra aquí
    puede identificar esas áreas
  239. de formar más precisa o casi tan precisa
    como los patólogos humanos,
  240. construido completamente
    con aprendizaje profundo
  241. sin usar experiencia médica
  242. por gente que no tenía
    experiencia en este campo.
  243. De manera similar,
    esta segmentación neuronal.
  244. Ahora, podemos segmentar neuronas de forma
    casi tan precisa como las personas,
  245. y este sistema fue desarrollado
    por aprendizaje profundo
  246. usando a gente sin experiencia
    previa en medicina.
  247. Como yo, alguien sin experiencia
    previa en medicina,

  248. parezco completamente calificado
    para empezar una empresa médica,
  249. y lo hice.
  250. Estaba aterrorizado de hacerlo,
  251. pero la teoría parecía sugerir
    que podía ser posible
  252. hacer medicina muy útil usando solo
    estas técnicas de información analítica.
  253. Afortunadamente, la recompensa
    ha sido fantástica,
  254. no solo por parte de los medios
    sino de la comunidad médica,
  255. que nos ha apoyado mucho.
  256. La teoría es que podemos tomar
    media parte del proceso médico
  257. y convertirlo todo lo posible
    en análisis de datos,
  258. dejando a los médicos
    en lo que son mejores.
  259. Quiero dar un ejemplo.
  260. Nos lleva unos 15 minutos crear
    una nueva prueba de diagnóstico médico
  261. y ahora lo demostraré
    en tiempo real,
  262. pero lo he comprimido a 3 minutos
  263. cortando algunas partes.
  264. En vez de mostrar cómo crear
    una prueba de diagnóstico médico,
  265. mostraré una prueba de diagnóstico
    de imágenes de autos,
  266. porque es algo que
    todos podemos entender.
  267. Así que, empezamos con un millón
    y medio de imágenes de autos,

  268. y quiero crear algo que
    pueda dividirlas en el ángulo
  269. en el que la foto fue tomada.
  270. Estas imágenes están sin etiquetar,
    así que tengo que empezar desde cero.
  271. Con nuestro algoritmo
    de aprendizaje profundo,
  272. se pueden identificar automáticamente
    áreas de la estructura en estas imágenes.
  273. Lo bueno es que la persona y el computador
    pueden trabajar juntos.
  274. Así que la persona,
    como pueden ver aquí,
  275. le está indicando al computador
    áreas de interés
  276. que quiere que el computador pruebe
    y use para mejorar su algoritmo.
  277. Estos sistemas de aprendizaje profundo
    están en un espacio de 16 000 dimensiones,
  278. así, pueden ver aquí cómo el computador
    rota esto en ese espacio,
  279. intentando encontrar
    nuevas áreas de estructura.
  280. Y cuando lo hace con éxito,
  281. la persona que lo maneja puede, entonces,
    señalar las áreas de interés.
  282. Aquí, el computador ha encontrado,
    con éxito, áreas,
  283. por ejemplo, ángulos.
  284. Conforme avanzamos en este proceso,
  285. vamos diciendo, gradualmente,
    al computador más y más
  286. sobre los tipos de estructuras
    que estamos buscando.
  287. Pueden imaginar en una prueba diagnóstica
    que esto debería ser
  288. un patólogo identificando
    áreas patológicas, por ejemplo,
  289. o un radiólogo indicando nódulos
    potencialmente problemáticos.
  290. A veces puede ser difícil
    para el algoritmo.
  291. En este caso, queda algo confuso.
  292. Las partes delanteras y traseras
    de los autos están todas mezcladas.
  293. Así que tenemos que ser
    un poco más cuidadosos,
  294. seleccionando manualmente
    las partes delanteras
  295. en contraposición a las traseras,
  296. para luego decir al computador
    que este es una especie de grupo
  297. es en el que estamos interesados.
  298. Hacemos esto por un tiempo,
    nos saltamos un poco,

  299. y luego probamos el algoritmo
    de aprendizaje automático
  300. basado en un par de cientos de cosas,
  301. y esperamos que haya mejorado mucho.
  302. Se puede ver, que han empezado
    a desvanecerse algunas de estas imágenes,
  303. mostrándonos que ya está reconociendo
  304. cómo entender por sí mismo
    algunas de ellas.
  305. Entonces podemos usar este concepto
    en imágenes similares,
  306. y usando imágenes similares,
    como pueden ver, en este punto,
  307. el computador puede encontrar
    solo la parte delantera de los autos.
  308. En este punto, la persona
    puede decir al computador,
  309. de acuerdo, sí, has hecho
    un buen trabajo.
  310. En ocasiones, por supuesto,
    incluso en este punto

  311. sigue siendo difícil
    separar los grupos.
  312. En este caso, incluso
    después de que dejamos
  313. al computador que intente girar
    esto por un momento,
  314. seguimos encontrando
    que la parte izquierda
  315. y derecha de las imágenes
    están mezcladas.
  316. Así que podemos dar, de nuevo,
    al computador algunas pistas,
  317. y decimos, bien, intenta encontrar
    una proyección que separe
  318. los lados izquierdos de los derechos
    de la manera más precisa
  319. usando este algoritmo
    de aprendizaje profundo.
  320. Y dándole esta pista...
    ah, bien, ha tenido éxito.
  321. Consiguió encontrar la manera
    de pensar estos objetos
  322. que está separando
    estos que están juntos.
  323. Así se entiende la idea aquí.

  324. Este es un caso en el que la persona
    no es reemplazada por un computador,
  325. sino que trabajan juntos.
  326. Estamos reemplazando algo que
    solía necesitar de un equipo
  327. de 5 o 6 personas durante 7 años
  328. por algo que lleva 15 minutos
  329. a una sola persona.
  330. Este proceso lleva
    unas 4 o 5 iteraciones.

  331. Ahora pueden ver que tenemos un 62 %
  332. de nuestro millón y medio de imágenes
    clasificadas correctamente.
  333. En este punto, podemos empezar,
    con bastante rapidez,
  334. a tomar grandes secciones completas,
  335. comprobándolas para asegurarse
    que no hay errores.
  336. Cuando hay errores,
    podemos hacérselo saber al computador.
  337. Usando este tipo de proceso
    para cada uno de los diferentes grupos,
  338. nos colocamos en un índice
    del 80 % de éxito
  339. en la clasificación de un millón
    y medio de imágenes.
  340. En este punto, es solo cuestión
  341. de encontrar el pequeño número
    que no está clasificado correctamente,
  342. e intentar comprender el porqué.
  343. Usando este enfoque,
  344. en 15 minutos alcanza un índice
    de clasificación del 97 %.
  345. Este tipo de técnica nos permite
    arreglar un problema mayor,

  346. que es que hay una falta de
    conocimientos médicos en el mundo.
  347. El Foro Económico Mundial
    dice que hay entre 10 y 20 veces
  348. de escasez de físicos
    en el mundo desarrollado,
  349. y llevará unos 300 años
  350. entrenar a gente suficiente
    para arreglar el problema.
  351. Imaginen que pudiésemos ayudar
    a aumentar su eficiencia
  352. usando estos métodos
    de aprendizaje profundo.
  353. Estoy muy entusiasmado
    con las oportunidades.

  354. También estoy preocupado
    por los problemas.
  355. El problema aquí es que
    cada área azul de este mapa
  356. es algún sitio donde el empleo,
    de servicios es mayor del 80 %.
  357. ¿Qué son los servicios?
  358. Los servicios son estos.
  359. Estas son también las mismas cosas
  360. que los computadores acaban
    de aprender a hacer.
  361. Así que el 80 % del empleo mundial
    en el mundo desarrollado
  362. son cosas que los computadores
    acaban de aprender a hacer.
  363. ¿Qué significa esto?
  364. Bueno, no habrá problema,
    lo reemplazarán por otros trabajos.
  365. Por ejemplo, habrá más trabajos
    para los científicos de datos.
  366. Bueno, realmente no.
  367. A los científicos de datos no les lleva
    mucho tiempo construir estas cosas.
  368. Por ejemplo, estos 4 algoritmos
    fueron creados por el mismo chico.
  369. Así que si piensan,
    todo ha pasado ya antes,
  370. hemos visto los resultados en el pasado
    de cuando surgen cosas nuevas
  371. y son reemplazadas por nuevos trabajos.
  372. ¿Qué trabajos van a ser?
  373. Es muy difícil para nosotros
    hacer una estimación
  374. ya que el comportamiento humano
    crece a un ritmo gradual,
  375. pero ahora tenemos un sistema,
    aprendizaje profundo,
  376. que sabemos que crece en capacidad,
    exponencialmente.
  377. Y aquí estamos.
  378. Actualmente, vemos las cosas
    a nuestro alrededor
  379. y decimos: "Los computadores siguen
    siendo un poco estúpidos". ¿Verdad?
  380. Pero en 5 años, los computadores
    estarán fuera de esta gráfica.
  381. Así que necesitamos empezar a pensar
    sobre esta capacidad ahora mismo.
  382. Lo hemos visto anteriormente,
    por supuesto.

  383. En la Revolución Industrial,
  384. vimos un cambio en la capacidad
    gracias a los motores.
  385. El asunto es, sin embargo, que tras
    un tiempo, las cosas se nivelan.
  386. Hubo una alteración social,
    pero una vez que
  387. los motores se usaron
  388. para generar energía
    en todas las situaciones,
  389. las cosas realmente se establecieron.
  390. La Revolución del Aprendizaje Automático
  391. va a ser diferente
    a la Revolución Industrial porque
  392. la Revolución del Aprendizaje Automático,
    nunca se asienta.
  393. Cuanto mejores son los computadores
    en actividades intelectuales,
  394. mejores computadores se crearán para
    que mejoren su capacidad intelectual,
  395. así que esto va a ser
    una especie de cambio
  396. que nunca antes había
    experimentado el mundo,
  397. por lo que el entendimiento previo
    de lo posible, es diferente.
  398. Esto nos impacta.
  399. En los últimos 25 años, la productividad
    del capital se ha incrementado,
  400. la productividad laboral se ha mantenido,
    incluso ha descendido.
  401. Por lo que quiero que empecemos
    a discutir esto ahora.

  402. Sé que cuando hablo
    sobre esta situación
  403. la gente puede ser despectiva.
  404. Bueno, los computadores
    no pueden realmente pensar,
  405. no tienen sentimientos,
    no entienden poesía,
  406. no entendemos realmente cómo funcionan.
  407. Y, ¿qué?
  408. Actualmente los computadores
    pueden hacer cosas
  409. en las que las personas gastan su tiempo
    y les pagan por ello
  410. así pues ahora tenemos
    que empezar a pensar
  411. sobre cómo vamos a ajustar
    nuestras estructuras sociales y económicas
  412. para ser conscientes de
    esta nueva realidad.
  413. Gracias.
  414. (Aplausos)