Las maravillosas y pavorosas consecuencias de los computadores que pueden aprender
-
0:01 - 0:05Antes, si querías que un computador
hiciera algo nuevo -
0:05 - 0:07tenías, normalmente, que programarlo.
-
0:07 - 0:10La programación, para quienes
no la han practicado, -
0:10 - 0:13requiere especificar
con el más mínimo detalle -
0:13 - 0:16cada paso que uno quiere
que haga su computador -
0:16 - 0:19para alcanzar el objetivo.
-
0:19 - 0:22Si quieren hacer algo que
no saben hacer por sí mismos -
0:22 - 0:24entonces están ante un gran reto.
-
0:24 - 0:28Ese fue el reto al que se enfrentó
este hombre, Arthur Samuel. -
0:28 - 0:34En 1956, quería hacer que su computador
pudiera ganarle a las damas. -
0:34 - 0:36¿Cómo se puede diseñar un programa,
-
0:36 - 0:40teniendo en cuenta el más mínimo detalle
que sea mejor que sí mismo a las damas? -
0:40 - 0:42Y se le ocurrió una idea:
-
0:42 - 0:46hizo jugar al computador
contra sí mismo miles de veces -
0:46 - 0:48y le hizo aprender
a jugar a las damas. -
0:48 - 0:51De hecho funcionó, ya en 1962,
-
0:51 - 0:54este computador había ganado
la competición estatal de Connecticut. -
0:55 - 0:58Arthur Samuel fue el padre
del aprendizaje automático, -
0:58 - 1:00y tengo una deuda con él,
-
1:00 - 1:03porque soy un profesional
del aprendizaje automático. -
1:03 - 1:04Fui presidente de Kaggle,
-
1:04 - 1:06una comunidad de unos 200 000
-
1:06 - 1:07profesionales del
aprendizaje automático. -
1:07 - 1:10Kaggle contribuye con competiciones
-
1:10 - 1:13para tratar de resolver problemas
anteriores no resueltos, -
1:13 - 1:16y tuvo éxito cientos de veces.
-
1:17 - 1:19Así que desde esa perspectiva,
pude descubrir -
1:19 - 1:23mucho sobre lo que el aprendizaje
automático hizo, puede hacer hoy -
1:23 - 1:26y lo que podrá hacer en el futuro.
-
1:26 - 1:28Quizás el primer gran éxito
-
1:28 - 1:30del aprendizaje automático
en el mercado fue Google. -
1:30 - 1:34Google demostró que era posible
encontrar información -
1:34 - 1:35usando un algoritmo informático
-
1:35 - 1:39y ese algoritmo se basa en
el aprendizaje automático. -
1:39 - 1:43Desde entonces, ha habido muchos éxitos
comerciales del aprendizaje automático. -
1:43 - 1:45Compañías como Amazon y Netflix
usan el aprendizaje automático -
1:45 - 1:48para sugerir artículos
que les puedan interesar comprar, -
1:48 - 1:49películas que les puedan interesar ver
-
1:49 - 1:51A veces, es casi escalofriante.
-
1:51 - 1:53Compañías como
LinkedIn y Facebook -
1:53 - 1:56dicen, en ocasiones, cuáles
pueden ser sus amigos -
1:56 - 1:58y uno no tiene ni idea
de cómo lo han hecho, -
1:58 - 2:00y es porque hace uso del poder
del aprendizaje automático. -
2:00 - 2:04Estos son algoritmos que han aprendido
como hacerlo a partir de los datos -
2:04 - 2:07en lugar de ser programados a mano.
-
2:07 - 2:09Así es también como IBM tuvo éxito
-
2:09 - 2:13en conseguir que Watson ganara
dos campeonatos mundiales de "Jeopardy" -
2:14 - 2:16respondiendo preguntas increíblemente
ingeniosas, como esta. -
2:16 - 2:20[El antiguo "León de Nimrud" se perdió
del Museo Nacional de esta ciudad en 2003] -
2:20 - 2:23También es por eso, que podemos ver
los primeros autos sin piloto. -
2:23 - 2:26Si pueden diferenciar
entre, por ejemplo -
2:26 - 2:29un árbol y un peatón,
es algo muy importante. -
2:29 - 2:32No sabemos diseñar
estos programas manualmente, -
2:32 - 2:34pero con el aprendizaje
automático es posible. -
2:34 - 2:38De hecho, este auto ha conducido
más de un millón y medio de kilómetros -
2:38 - 2:40sin tener accidentes en carretera.
-
2:40 - 2:44Así, sabemos que los computadores
pueden aprender -
2:44 - 2:46y pueden aprender a hacer cosas
-
2:46 - 2:49que de hecho nosotros, a veces,
no sabemos hacer, -
2:49 - 2:51o las pueden hacer mejor que nosotros.
-
2:51 - 2:56Uno de los ejemplos más sorprendentes
que he visto en aprendizaje automático -
2:56 - 2:58ocurrió en un proyecto
que dirigía en Kaggle -
2:58 - 3:02donde un equipo dirigido por un chico
llamado Geoffrey Hinton -
3:02 - 3:03de la Universidad de Toronto
-
3:03 - 3:06ganó un concurso para el descubrimiento
automático de medicamentos. -
3:06 - 3:09Lo extraordinario fue no solo que batiera
-
3:09 - 3:11a todos los algoritmos
desarrollados por Merck -
3:11 - 3:13o la comunidad académica internacional,
-
3:13 - 3:16sino que nadie del equipo
tenía experiencia en química -
3:16 - 3:20o biología o ciencias biológicas
y lo hicieron en dos semanas. -
3:20 - 3:22¿Cómo lo hicieron?
-
3:22 - 3:25Usaron un algoritmo extraordinario
llamado aprendizaje profundo. -
3:25 - 3:28Fue tan exitoso que tuvo cobertura
-
3:28 - 3:31en The New York Times en un artículo
de portada unas semanas después. -
3:31 - 3:34Este es Geoffrey Hinton
a la izquierda. -
3:34 - 3:38El aprendizaje profundo es un algoritmo
inspirado en el cerebro humano -
3:38 - 3:40y como resultado
-
3:40 - 3:43no tiene limitaciones teóricas
en lo que puede hacer. -
3:43 - 3:47Cuantos más datos
y tiempo de cálculo uno le dé -
3:47 - 3:48mejor funciona.
-
3:48 - 3:50The New York Times mostró,
también en su artículo -
3:50 - 3:53otro resultado extraordinario
del aprendizaje profundo -
3:53 - 3:55que mostraré ahora.
-
3:55 - 3:59Demuestra que los computadores
pueden escuchar y comprender. -
4:01 - 4:03(Vídeo) Richard Rashid:
El último paso -
4:04 - 4:06que quiero dar en este proceso
-
4:07 - 4:09es hablar en chino.
-
4:12 - 4:13La clave es,
-
4:13 - 4:18hemos recopilado una gran información
de hablantes de chino -
4:18 - 4:21y producido un sistema de conversión
de texto a voz -
4:21 - 4:25que toma el texto en chino
y lo convierte en lengua oral, -
4:27 - 4:30luego hemos grabado
una hora de mi voz -
4:30 - 4:32que usamos para modular
-
4:32 - 4:36el texto estándar de conversión
de texto a voz para que suene como yo. -
4:36 - 4:39De nuevo, el resultado no es perfecto.
-
4:39 - 4:42De hecho, hay unos cuantos errores.
-
4:42 - 4:44結果並不完美
(los resultados no son perfectos) -
4:44 - 4:48(Aplausos)
-
4:49 - 4:52Hay mucho que hacer en esta área.
-
4:53 - 4:56在這方面有很多工作要做 (hay mucho
trabajo que hacer en esta área) -
4:56 - 5:00(Aplausos)
-
5:02 - 5:05Jeremy Howard: Esto era una conferencia
de aprendizaje automático en China. -
5:05 - 5:08No es usual, en conferencias académicas
-
5:08 - 5:10oír aplausos espontáneos,
-
5:10 - 5:13aunque en las conferencias
de TEDx siéntanse libres. -
5:13 - 5:15Todo lo que han visto es gracias
al aprendizaje profundo. -
5:15 - 5:17(Aplausos) Gracias.
-
5:17 - 5:20La transcripción en inglés
es aprendizaje profundo. -
5:20 - 5:23La traducción al chino y el texto arriba
a la derecha, es aprendizaje profundo, -
5:23 - 5:26y la construcción de la voz también
es aprendizaje profundo. -
5:27 - 5:30Eso es lo extraordinario
del aprendizaje profundo. -
5:30 - 5:33Es un solo algoritmo que parece
hacer casi cualquier cosa, -
5:33 - 5:36y descubrí que un año antes,
aprendió a ver. -
5:36 - 5:38En esta extraña competición en Alemania
-
5:38 - 5:40llamada Banco de Prueba de
Reconocimiento de Señales de Tránsito -
5:40 - 5:44el aprendizaje profundo ha aprendido
a reconocer señales de tránsito como esta. -
5:44 - 5:46No solo reconoce señales de tránsito
-
5:46 - 5:48mejor que cualquier otro algoritmo,
-
5:48 - 5:51la clasificación mostró
que era mejor que las personas, -
5:51 - 5:53dos veces más bueno que las personas.
-
5:53 - 5:55Para 2011, se da el primer ejemplo
-
5:55 - 5:58de computadores que pueden ver
mejor que las personas. -
5:58 - 6:00Desde entonces, han ocurrido muchas cosas.
-
6:00 - 6:04En 2012, Google anunció que había hecho
que un algoritmo de aprendizaje profundo -
6:04 - 6:05viera vídeos en YouTube
-
6:05 - 6:08y procesaron la información
en 16 000 computadores al mes -
6:08 - 6:10y el computador aprendió
de manera independiente -
6:10 - 6:15conceptos como personas y gatos
solo viendo los vídeos. -
6:15 - 6:17Esto se parece mucho
al aprendizaje humano. -
6:17 - 6:20Los humanos no aprendemos
porque nos cuenten lo que vemos, -
6:20 - 6:23sino que aprendemos solos
qué son esas cosas. -
6:23 - 6:27También en 2012, Geoffrey Hinton,
que vimos anteriormente, -
6:27 - 6:29ganó la famosa competición de ImageNet,
-
6:29 - 6:33tratando de averiguar, mirando
un millón y medio de imágenes, -
6:33 - 6:35sobre qué eran estas imágenes.
-
6:35 - 6:38A partir de 2014, tenemos un porcentaje
de error por debajo del 6 % -
6:38 - 6:40en reconocimiento de imágenes.
-
6:40 - 6:42De nuevo, mejor que las personas.
-
6:42 - 6:45Las máquinas están haciendo
un trabajo increíble aquí, -
6:45 - 6:48y está siendo usadas en la industria.
-
6:48 - 6:51Por ejemplo, Google anunció el año pasado
-
6:51 - 6:56que había cartografiado cada sitio
de Francia en dos horas, -
6:56 - 6:59y lo hizo alimentando
con imágenes de las calles, -
6:59 - 7:03al algoritmo de aprendizaje profundo
para reconocer y leer los números. -
7:03 - 7:06Imaginen lo que se habría tardado antes:
-
7:06 - 7:09docenas de personas, muchos años.
-
7:09 - 7:11Esto también está pasando en China.
-
7:11 - 7:15Baidu es como el Google chino, creo,
-
7:15 - 7:19y lo que ven arriba a la izquierda
es un ejemplo de una imagen que subí -
7:19 - 7:21al sistema de aprendizaje profundo
de Baidu, -
7:21 - 7:25y debajo se puede ver que el sistema
ha entendido lo que es esa imagen -
7:25 - 7:27y encuentra imágenes similares.
-
7:27 - 7:30Las imágenes similares
tienen fondos similares -
7:30 - 7:33similares de las caras,
incluso algunos con la lengua afuera. -
7:33 - 7:36Esto no es claramente mirar
el texto de una página web. -
7:36 - 7:38Todo lo que descargué eran imágenes.
-
7:38 - 7:42Por lo que ahora tenemos computadores
que entienden lo que ven -
7:42 - 7:44y por ello pueden buscar bases de datos
-
7:44 - 7:46de cientos de millones
de imágenes en tiempo real. -
7:46 - 7:49¿Qué significado tiene que
los computadores puedan ver? -
7:49 - 7:52Bueno, no es solo que
los computadores puedan ver. -
7:52 - 7:54De hecho, el aprendizaje profundo
ha hecho más que eso. -
7:54 - 7:56Frases complejas y llenas
de matices como esta -
7:56 - 7:59son ahora comprensibles con
algoritmos del aprendizaje profundo. -
7:59 - 8:00Como pueden ver aquí,
-
8:00 - 8:04este sistema basado en el de Stanford que
muestra el punto rojo en la parte superior -
8:04 - 8:08ha comprendido que esta frase
expresa sentimientos negativos. -
8:08 - 8:11El aprendizaje profundo está cercano
a la conducta humana al comprender -
8:11 - 8:15lo que significan las frases y lo que
se está diciendo sobre esas cosas. -
8:17 - 8:19El aprendizaje profundo se ha usado
también para leer chino, -
8:19 - 8:23de nuevo, a un nivel
casi de hablante nativo. -
8:23 - 8:25Este algoritmo, desarrollado en Suiza
-
8:25 - 8:28por gente que no hablaba
ni entendía chino. -
8:28 - 8:30Como dije, usar el aprendizaje profundo
-
8:30 - 8:32es el mejor sistema del mundo para esto,
-
8:32 - 8:36hasta comparándolo
con el conocimiento humano. -
8:37 - 8:40Este es un sistema que
formamos en mi empresa -
8:40 - 8:42que demuestra todas estas cosas juntas.
-
8:43 - 8:45Estas son imágenes sin texto adjunto,
-
8:45 - 8:47y cuando tecleo aquí frases,
-
8:47 - 8:50entiende, en tiempo real, estas imágenes
-
8:50 - 8:52y comprende de qué se tratan
-
8:52 - 8:55y encuentra imágenes similares
al texto que estoy escribiendo. -
8:55 - 8:57Como pueden ver, entiende mis frases
-
8:57 - 8:59y de hecho entiende estas imágenes.
-
8:59 - 9:03Se que han visto algo como esto en Google,
donde puede escribir algo -
9:03 - 9:06y te lo muestra en imágenes,
pero lo que realmente está haciendo -
9:06 - 9:09es buscar la página web
a través del texto. -
9:09 - 9:12Esto es muy diferente
a comprender las imágenes. -
9:12 - 9:14Esto es algo que los computadores
solo han podido hacer -
9:14 - 9:16por primera vez hace unos pocos meses.
-
9:17 - 9:20Así que ahora podemos ver
que los computadores no solo ven -
9:20 - 9:22sino que pueden leer,
-
9:22 - 9:25y, por supuesto, hemos demostrado
que pueden entender lo que oyen. -
9:25 - 9:28Quizá no sea sorprendente ahora
lo que voy a decir, pueden escribir. -
9:28 - 9:31Aquí hay parte de un texto que generé ayer
-
9:31 - 9:33usando el algoritmo
de aprendizaje profundo. -
9:35 - 9:38Y aquí hay parte de un texto que generó
un algoritmo de Stanford. -
9:38 - 9:40Cada una de estas frases fue generada
-
9:40 - 9:44por un algoritmo de aprendizaje profundo
para describir estas imágenes. -
9:44 - 9:46Este algoritmo nunca había visto
-
9:46 - 9:48a un hombre con camisa negra
tocando la guitarra. -
9:48 - 9:50Ha visto a un hombre antes,
ha visto el negro antes -
9:50 - 9:52ha visto una guitarra antes,
pero ha generado -
9:52 - 9:56de manera independiente esta innovadora
descripción de esta imagen. -
9:56 - 10:00Aquí no estamos ante un comportamiento
humano, pero estamos cerca. -
10:00 - 10:04En las pruebas, las personas prefieren
las leyendas generadas por el computador -
10:04 - 10:051 de cada 4 veces.
-
10:05 - 10:08Este sistema tiene ahora solo
dos semanas de edad, -
10:08 - 10:09por lo que posiblemente
antes del año que viene, -
10:09 - 10:12el algoritmo del computador irá
más allá del comportamiento humano -
10:12 - 10:14al paso que van las cosas.
-
10:14 - 10:17Así que los computadores pueden escribir.
-
10:17 - 10:20Juntamos todo esto y lleva
a oportunidades apasionantes. -
10:20 - 10:22Por ejemplo, en medicina,
-
10:22 - 10:25un equipo de Boston anunció
que habían descubierto -
10:25 - 10:27decenas de características
clínicas relevantes -
10:27 - 10:32sobre tumores que ayudan a los médicos
a hacer un diagnóstico de un cáncer. -
10:33 - 10:35Algo similar, en Stanford,
-
10:35 - 10:38un grupo anunció que,
mirando un tejido con aumento, -
10:38 - 10:41habían desarrollado una máquina
basada en el sistema de aprendizaje -
10:41 - 10:44que de hecho es mejor
que los patólogos humanos -
10:44 - 10:48prediciendo las tasas de supervivencia
de los enfermos de cáncer. -
10:48 - 10:51En ambos casos, no solo fueron
las predicciones más precisas, -
10:51 - 10:54sino que generaron una
nueva ciencia reveladora. -
10:54 - 10:56En el caso de la radiología,
-
10:56 - 10:59hubo nuevos indicadores clínicos
que las personas pueden entender. -
10:59 - 11:00En este caso de patología,
-
11:00 - 11:05el sistema informático descubrió
que las células alrededor del cáncer -
11:05 - 11:08son tan importantes como
las células del cáncer mismo -
11:08 - 11:10al hacer un diagnóstico.
-
11:10 - 11:14Esto es lo contrario de lo que
los patólogos han pensado por décadas. -
11:15 - 11:19En cada uno de estos casos,
fueron sistemas desarrollados -
11:19 - 11:22por una combinación de expertos médicos
y expertos del aprendizaje profundo, -
11:22 - 11:25pero a partir del año pasado,
dimos un paso más allá. -
11:25 - 11:29Este es un caso de identificación
de áreas cancerígenas -
11:29 - 11:31del tejido humano por microscopio.
-
11:31 - 11:34El sistema que se muestra aquí
puede identificar esas áreas -
11:34 - 11:38de formar más precisa o casi tan precisa
como los patólogos humanos, -
11:38 - 11:40construido completamente
con aprendizaje profundo -
11:40 - 11:42sin usar experiencia médica
-
11:42 - 11:44por gente que no tenía
experiencia en este campo. -
11:45 - 11:48De manera similar,
esta segmentación neuronal. -
11:48 - 11:52Ahora, podemos segmentar neuronas de forma
casi tan precisa como las personas, -
11:52 - 11:54y este sistema fue desarrollado
por aprendizaje profundo -
11:54 - 11:57usando a gente sin experiencia
previa en medicina. -
11:57 - 12:01Como yo, alguien sin experiencia
previa en medicina, -
12:01 - 12:05parezco completamente calificado
para empezar una empresa médica, -
12:05 - 12:06y lo hice.
-
12:07 - 12:09Estaba aterrorizado de hacerlo,
-
12:09 - 12:11pero la teoría parecía sugerir
que podía ser posible -
12:11 - 12:16hacer medicina muy útil usando solo
estas técnicas de información analítica. -
12:16 - 12:19Afortunadamente, la recompensa
ha sido fantástica, -
12:19 - 12:21no solo por parte de los medios
sino de la comunidad médica, -
12:21 - 12:23que nos ha apoyado mucho.
-
12:23 - 12:28La teoría es que podemos tomar
media parte del proceso médico -
12:28 - 12:30y convertirlo todo lo posible
en análisis de datos, -
12:30 - 12:33dejando a los médicos
en lo que son mejores. -
12:34 - 12:35Quiero dar un ejemplo.
-
12:35 - 12:41Nos lleva unos 15 minutos crear
una nueva prueba de diagnóstico médico -
12:41 - 12:43y ahora lo demostraré
en tiempo real, -
12:43 - 12:44pero lo he comprimido a 3 minutos
-
12:44 - 12:46cortando algunas partes.
-
12:46 - 12:49En vez de mostrar cómo crear
una prueba de diagnóstico médico, -
12:49 - 12:53mostraré una prueba de diagnóstico
de imágenes de autos, -
12:53 - 12:55porque es algo que
todos podemos entender. -
12:55 - 12:58Así que, empezamos con un millón
y medio de imágenes de autos, -
12:58 - 13:01y quiero crear algo que
pueda dividirlas en el ángulo -
13:01 - 13:03en el que la foto fue tomada.
-
13:03 - 13:07Estas imágenes están sin etiquetar,
así que tengo que empezar desde cero. -
13:07 - 13:09Con nuestro algoritmo
de aprendizaje profundo, -
13:09 - 13:13se pueden identificar automáticamente
áreas de la estructura en estas imágenes. -
13:13 - 13:17Lo bueno es que la persona y el computador
pueden trabajar juntos. -
13:17 - 13:19Así que la persona,
como pueden ver aquí, -
13:19 - 13:21le está indicando al computador
áreas de interés -
13:21 - 13:26que quiere que el computador pruebe
y use para mejorar su algoritmo. -
13:26 - 13:30Estos sistemas de aprendizaje profundo
están en un espacio de 16 000 dimensiones, -
13:30 - 13:34así, pueden ver aquí cómo el computador
rota esto en ese espacio, -
13:34 - 13:36intentando encontrar
nuevas áreas de estructura. -
13:36 - 13:38Y cuando lo hace con éxito,
-
13:38 - 13:42la persona que lo maneja puede, entonces,
señalar las áreas de interés. -
13:42 - 13:44Aquí, el computador ha encontrado,
con éxito, áreas, -
13:44 - 13:46por ejemplo, ángulos.
-
13:46 - 13:48Conforme avanzamos en este proceso,
-
13:48 - 13:50vamos diciendo, gradualmente,
al computador más y más -
13:50 - 13:52sobre los tipos de estructuras
que estamos buscando. -
13:52 - 13:55Pueden imaginar en una prueba diagnóstica
que esto debería ser -
13:55 - 13:58un patólogo identificando
áreas patológicas, por ejemplo, -
13:58 - 14:03o un radiólogo indicando nódulos
potencialmente problemáticos. -
14:03 - 14:05A veces puede ser difícil
para el algoritmo. -
14:05 - 14:07En este caso, queda algo confuso.
-
14:07 - 14:10Las partes delanteras y traseras
de los autos están todas mezcladas. -
14:10 - 14:12Así que tenemos que ser
un poco más cuidadosos, -
14:12 - 14:14seleccionando manualmente
las partes delanteras -
14:14 - 14:18en contraposición a las traseras,
-
14:18 - 14:21para luego decir al computador
que este es una especie de grupo -
14:21 - 14:22es en el que estamos interesados.
-
14:22 - 14:24Hacemos esto por un tiempo,
nos saltamos un poco, -
14:24 - 14:26y luego probamos el algoritmo
de aprendizaje automático -
14:26 - 14:29basado en un par de cientos de cosas,
-
14:29 - 14:31y esperamos que haya mejorado mucho.
-
14:31 - 14:34Se puede ver, que han empezado
a desvanecerse algunas de estas imágenes, -
14:34 - 14:36mostrándonos que ya está reconociendo
-
14:36 - 14:38cómo entender por sí mismo
algunas de ellas. -
14:38 - 14:41Entonces podemos usar este concepto
en imágenes similares, -
14:41 - 14:44y usando imágenes similares,
como pueden ver, en este punto, -
14:44 - 14:48el computador puede encontrar
solo la parte delantera de los autos. -
14:48 - 14:51En este punto, la persona
puede decir al computador, -
14:51 - 14:53de acuerdo, sí, has hecho
un buen trabajo. -
14:54 - 14:57En ocasiones, por supuesto,
incluso en este punto -
14:57 - 15:00sigue siendo difícil
separar los grupos. -
15:00 - 15:02En este caso, incluso
después de que dejamos -
15:02 - 15:05al computador que intente girar
esto por un momento, -
15:05 - 15:06seguimos encontrando
que la parte izquierda -
15:06 - 15:09y derecha de las imágenes
están mezcladas. -
15:09 - 15:11Así que podemos dar, de nuevo,
al computador algunas pistas, -
15:11 - 15:14y decimos, bien, intenta encontrar
una proyección que separe -
15:14 - 15:17los lados izquierdos de los derechos
de la manera más precisa -
15:17 - 15:19usando este algoritmo
de aprendizaje profundo. -
15:19 - 15:22Y dándole esta pista...
ah, bien, ha tenido éxito. -
15:22 - 15:25Consiguió encontrar la manera
de pensar estos objetos -
15:25 - 15:27que está separando
estos que están juntos. -
15:27 - 15:29Así se entiende la idea aquí.
-
15:29 - 15:36Este es un caso en el que la persona
no es reemplazada por un computador, -
15:38 - 15:40sino que trabajan juntos.
-
15:40 - 15:44Estamos reemplazando algo que
solía necesitar de un equipo -
15:44 - 15:46de 5 o 6 personas durante 7 años
-
15:46 - 15:48por algo que lleva 15 minutos
-
15:48 - 15:51a una sola persona.
-
15:51 - 15:55Este proceso lleva
unas 4 o 5 iteraciones. -
15:55 - 15:57Ahora pueden ver que tenemos un 62 %
-
15:57 - 16:00de nuestro millón y medio de imágenes
clasificadas correctamente. -
16:00 - 16:02En este punto, podemos empezar,
con bastante rapidez, -
16:02 - 16:03a tomar grandes secciones completas,
-
16:03 - 16:06comprobándolas para asegurarse
que no hay errores. -
16:06 - 16:10Cuando hay errores,
podemos hacérselo saber al computador. -
16:10 - 16:13Usando este tipo de proceso
para cada uno de los diferentes grupos, -
16:13 - 16:16nos colocamos en un índice
del 80 % de éxito -
16:16 - 16:18en la clasificación de un millón
y medio de imágenes. -
16:18 - 16:20En este punto, es solo cuestión
-
16:20 - 16:24de encontrar el pequeño número
que no está clasificado correctamente, -
16:24 - 16:27e intentar comprender el porqué.
-
16:27 - 16:29Usando este enfoque,
-
16:29 - 16:33en 15 minutos alcanza un índice
de clasificación del 97 %. -
16:33 - 16:37Este tipo de técnica nos permite
arreglar un problema mayor, -
16:37 - 16:40que es que hay una falta de
conocimientos médicos en el mundo. -
16:40 - 16:44El Foro Económico Mundial
dice que hay entre 10 y 20 veces -
16:44 - 16:46de escasez de físicos
en el mundo desarrollado, -
16:46 - 16:49y llevará unos 300 años
-
16:49 - 16:51entrenar a gente suficiente
para arreglar el problema. -
16:51 - 16:54Imaginen que pudiésemos ayudar
a aumentar su eficiencia -
16:54 - 16:57usando estos métodos
de aprendizaje profundo. -
16:57 - 16:59Estoy muy entusiasmado
con las oportunidades. -
16:59 - 17:02También estoy preocupado
por los problemas. -
17:02 - 17:05El problema aquí es que
cada área azul de este mapa -
17:05 - 17:09es algún sitio donde el empleo,
de servicios es mayor del 80 %. -
17:09 - 17:11¿Qué son los servicios?
-
17:11 - 17:12Los servicios son estos.
-
17:12 - 17:15Estas son también las mismas cosas
-
17:15 - 17:17que los computadores acaban
de aprender a hacer. -
17:17 - 17:20Así que el 80 % del empleo mundial
en el mundo desarrollado -
17:20 - 17:23son cosas que los computadores
acaban de aprender a hacer. -
17:23 - 17:24¿Qué significa esto?
-
17:24 - 17:27Bueno, no habrá problema,
lo reemplazarán por otros trabajos. -
17:27 - 17:29Por ejemplo, habrá más trabajos
para los científicos de datos. -
17:29 - 17:30Bueno, realmente no.
-
17:30 - 17:33A los científicos de datos no les lleva
mucho tiempo construir estas cosas. -
17:33 - 17:37Por ejemplo, estos 4 algoritmos
fueron creados por el mismo chico. -
17:37 - 17:39Así que si piensan,
todo ha pasado ya antes, -
17:39 - 17:43hemos visto los resultados en el pasado
de cuando surgen cosas nuevas -
17:43 - 17:45y son reemplazadas por nuevos trabajos.
-
17:45 - 17:47¿Qué trabajos van a ser?
-
17:47 - 17:49Es muy difícil para nosotros
hacer una estimación -
17:49 - 17:52ya que el comportamiento humano
crece a un ritmo gradual, -
17:52 - 17:54pero ahora tenemos un sistema,
aprendizaje profundo, -
17:54 - 17:58que sabemos que crece en capacidad,
exponencialmente. -
17:58 - 17:59Y aquí estamos.
-
17:59 - 18:01Actualmente, vemos las cosas
a nuestro alrededor -
18:01 - 18:04y decimos: "Los computadores siguen
siendo un poco estúpidos". ¿Verdad? -
18:04 - 18:07Pero en 5 años, los computadores
estarán fuera de esta gráfica. -
18:07 - 18:11Así que necesitamos empezar a pensar
sobre esta capacidad ahora mismo. -
18:11 - 18:13Lo hemos visto anteriormente,
por supuesto. -
18:13 - 18:15En la Revolución Industrial,
-
18:15 - 18:17vimos un cambio en la capacidad
gracias a los motores. -
18:18 - 18:21El asunto es, sin embargo, que tras
un tiempo, las cosas se nivelan. -
18:21 - 18:23Hubo una alteración social,
pero una vez que -
18:23 - 18:25los motores se usaron
-
18:25 - 18:27para generar energía
en todas las situaciones, -
18:27 - 18:28las cosas realmente se establecieron.
-
18:29 - 18:30La Revolución del Aprendizaje Automático
-
18:30 - 18:33va a ser diferente
a la Revolución Industrial porque -
18:33 - 18:36la Revolución del Aprendizaje Automático,
nunca se asienta. -
18:36 - 18:39Cuanto mejores son los computadores
en actividades intelectuales, -
18:39 - 18:44mejores computadores se crearán para
que mejoren su capacidad intelectual, -
18:44 - 18:46así que esto va a ser
una especie de cambio -
18:46 - 18:48que nunca antes había
experimentado el mundo, -
18:48 - 18:51por lo que el entendimiento previo
de lo posible, es diferente. -
18:52 - 18:54Esto nos impacta.
-
18:54 - 18:57En los últimos 25 años, la productividad
del capital se ha incrementado, -
18:57 - 19:01la productividad laboral se ha mantenido,
incluso ha descendido. -
19:02 - 19:05Por lo que quiero que empecemos
a discutir esto ahora. -
19:05 - 19:07Sé que cuando hablo
sobre esta situación -
19:07 - 19:09la gente puede ser despectiva.
-
19:09 - 19:11Bueno, los computadores
no pueden realmente pensar, -
19:11 - 19:14no tienen sentimientos,
no entienden poesía, -
19:14 - 19:16no entendemos realmente cómo funcionan.
-
19:16 - 19:17Y, ¿qué?
-
19:17 - 19:20Actualmente los computadores
pueden hacer cosas -
19:20 - 19:23en las que las personas gastan su tiempo
y les pagan por ello -
19:23 - 19:24así pues ahora tenemos
que empezar a pensar -
19:24 - 19:29sobre cómo vamos a ajustar
nuestras estructuras sociales y económicas -
19:29 - 19:31para ser conscientes de
esta nueva realidad. -
19:31 - 19:32Gracias.
-
19:32 - 19:33(Aplausos)
- Title:
- Las maravillosas y pavorosas consecuencias de los computadores que pueden aprender
- Speaker:
- Jeremy Howard
- Description:
-
¿Qué ocurre cuando le enseñamos a aprender a un computador? El experto Jeremy Howard comparte algunas novedades técnicas sorprendentes del imparable campo del aprendizaje profundo. Muestra una técnica que puede dar a los computadores la capacidad de aprender chino, o de reconocer objetos en fotos, o de ayudar a reconocer diagnósticos médicos.(Una herramienta autodidacta de aprendizaje profundo, que después de ver horas de vídeos en YouTube, aprendió por sí sola el concepto de "gatos".) Sumérgete en el campo que va a cambiar el comportamiento de los computadores que nos rodean... antes de lo que piensas.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Sebastian Betti approved Spanish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sebastian Betti edited Spanish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sebastian Betti edited Spanish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sebastian Betti edited Spanish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sebastian Betti edited Spanish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Sebastian Betti edited Spanish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Silvia Rivera accepted Spanish subtitles for The wonderful and terrifying implications of computers that can learn | ||
Silvia Rivera edited Spanish subtitles for The wonderful and terrifying implications of computers that can learn |