As maravilhosas e aterradoras implicações de computadores que conseguem aprender
-
0:01 - 0:05Era habitual, quando queríamos
que um computador fizesse algo novo, -
0:05 - 0:06termos que o programar.
-
0:06 - 0:10Para aqueles que nunca programaram,
-
0:10 - 0:13a programação requer especificar
com enorme detalhe, -
0:13 - 0:17todos os passos que queremos
que o computador execute -
0:17 - 0:19para alcançarmos o nosso objetivo.
-
0:19 - 0:23Se queremos fazer algo que não
sabemos fazer nós próprios, -
0:23 - 0:25será um grande desafio.
-
0:25 - 0:28Este foi o desafio enfrentado
por este homem, Arthur Samuel. -
0:28 - 0:32Em 1965, ele queria que um computador
-
0:32 - 0:35o vencesse nas damas.
-
0:35 - 0:37Como podemos escrever um programa,
-
0:37 - 0:40com grande detalhe, que seja melhor
do que nós nas damas? -
0:40 - 0:42Ele teve uma ideia:
-
0:42 - 0:46pôs o computador a jogar contra
si próprio, milhares de vezes, -
0:46 - 0:48para aprender a jogar damas.
-
0:48 - 0:52Funcionou e, em 1962,
-
0:52 - 0:56o computador venceu o campeão
do estado do Connecticut. -
0:56 - 0:58Arthur Samuel foi, assim, o pai
da aprendizagem automática -
0:58 - 1:00e tenho uma grande dívida para com ele,
-
1:00 - 1:03porque sou um profissional
da aprendizagem automática. -
1:03 - 1:04Fui o presidente da Kaggle,
-
1:04 - 1:08uma comunidade de cerca de 200 000
profissionais da aprendizagem automática. -
1:08 - 1:10A Kaggle estabelece competições,
-
1:10 - 1:14em que se tenta resolver problemas
ainda não resolvidos, -
1:14 - 1:17e teve sucesso centenas de vezes.
-
1:17 - 1:20Desta posição vantajosa
pude descobrir muito -
1:20 - 1:24sobre o que a aprendizagem automática
pode fazer no passado, no presente -
1:24 - 1:26e o que poderá fazer no futuro.
-
1:26 - 1:31O primeiro grande sucesso comercial da
aprendizagem automática foi a Google. -
1:31 - 1:34A Google mostrou que é possível
encontrar informação -
1:34 - 1:36usando o algoritmo de um computador,
-
1:36 - 1:38e este algoritmo é baseado
em aprendizagem automática. -
1:38 - 1:42Desde então, houve muitos sucessos
comerciais da aprendizagem automática. -
1:42 - 1:44Empresas como a Amazon e a Netflix
-
1:44 - 1:48usam a aprendizagem automática para
sugerir produtos que talvez compremos, -
1:48 - 1:50filmes que talvez gostemos de ver.
-
1:50 - 1:52Por vezes, é quase assustador.
-
1:52 - 1:54Empresas como o LinkedIn e o Facebook
-
1:54 - 1:56por vezes dizem-nos quem poderão
ser os nossos amigos -
1:56 - 1:59e não temos ideia de como
elas fizeram isso, -
1:59 - 2:01porque estão a usar o poder
da aprendizagem automática. -
2:01 - 2:04Estes algoritmos aprenderam a fazer
isto a partir de dados -
2:04 - 2:07em vez de serem programados à mão.
-
2:07 - 2:10Esta foi também a razão do sucesso da IBM
-
2:10 - 2:14ao conseguir que o Watson ganhasse
a dois campeões mundiais no "Jeopardy", -
2:14 - 2:18respondendo a questões incrivelmente
subtis e complexas. -
2:20 - 2:23Esta é também a razão de podermos ver
os primeiros carros autónomos. -
2:23 - 2:26É bastante importante podermos distinguir
-
2:26 - 2:28uma árvore de um peão.
-
2:28 - 2:31Não sabemos como escrever
esses programas à mão, -
2:31 - 2:34mas isso é agora possível
com a aprendizagem automática. -
2:34 - 2:37Este carro conduziu mais
de um milhão de quilómetros -
2:37 - 2:40em estradas normais,
sem qualquer acidente. -
2:40 - 2:44Sabemos agora que os computadores
conseguem aprender. -
2:44 - 2:46Conseguem aprender a fazer coisas
-
2:46 - 2:49que nós, por vezes, não sabemos
fazer sozinhos, -
2:49 - 2:52ou fazem-no melhor do que nós.
-
2:52 - 2:56Um dos exemplos mais fantásticos
da aprendizagem automática que eu vi -
2:56 - 2:58surgiu num projeto
que desenvolvi na Kaggle -
2:58 - 3:02em que uma equipa liderada
por um tipo chamado Geoffrey Hinton -
3:02 - 3:05da Universidade de Toronto,
venceu uma competição -
3:05 - 3:07sobre descoberta automática
de medicamentos. -
3:07 - 3:10O mais extraordinário não foi terem
vencido todos os algoritmos -
3:10 - 3:13desenvolvidos pela Merck ou pela
comunidade académica internacional, -
3:13 - 3:18mas ninguém na equipa ter formação
em química, biologia ou ciências naturais -
3:18 - 3:20e fizeram-no em duas semanas.
-
3:20 - 3:22Como fizeram isto?
-
3:22 - 3:26Usaram um algoritmo extraordinário
chamado aprendizagem profunda. -
3:26 - 3:29Isso foi tão importante que saiu
num artigo na primeira página -
3:29 - 3:31no New York Times, algumas semanas depois.
-
3:31 - 3:34Este do lado esquerdo
é o Geoffrey Hinton. -
3:34 - 3:38A aprendizagem profunda é um algoritmo
inspirado no cérebro humano. -
3:38 - 3:40e, como resultado, é um algoritmo
-
3:40 - 3:44que não tem limitações teóricas
em relação ao que pode fazer. -
3:44 - 3:47Quanto mais dados e tempo
de computação fornecermos -
3:47 - 3:48melhor ele fica.
-
3:48 - 3:51O New York Times também
mostrou, nesse artigo, -
3:51 - 3:53outro resultado extraordinário
da aprendizagem profunda -
3:53 - 3:56que vou agora mostrar-vos.
-
3:56 - 4:01Mostra que os computadores
conseguem ouvir e compreender -
4:01 - 4:03(Vídeo) Richard Rashid: O último passo
-
4:03 - 4:06que quero poder dar neste processo
-
4:06 - 4:10é falar-vos em chinês.
-
4:12 - 4:14O segredo para isso
-
4:14 - 4:19é que conseguimos reunir muita
informação de oradores chineses -
4:19 - 4:21e produzir um sistema texto-fala
-
4:21 - 4:26que converte texto em chinês
para a língua chinesa. -
4:27 - 4:30Depois usámos cerca de uma hora
da minha própria voz -
4:30 - 4:34para modular o sistema texto-fala padrão
-
4:34 - 4:37para que falasse como eu.
-
4:37 - 4:40O resultado não é perfeito.
-
4:40 - 4:42Há ainda alguns erros.
-
4:42 - 4:44(Em chinês)
-
4:44 - 4:48(Aplausos)
-
4:49 - 4:53Há muito trabalho a fazer nesta área.
-
4:54 - 4:57(Em chinês)
-
4:57 - 5:01(Aplausos)
-
5:01 - 5:05Isto foi numa conferência sobre
aprendizagem automática na China. -
5:05 - 5:08Não é frequente ouvir,
em conferências académicas, -
5:08 - 5:09aplausos espontâneos.
-
5:09 - 5:13embora aconteça, por vezes,
em conferências TEDx. -
5:13 - 5:15Todo o que vimos foi devido
a aprendizagem profunda. -
5:15 - 5:17(Aplausos)
Obrigado. -
5:17 - 5:20A transcrição para inglês foi feita
com aprendizagem profunda, -
5:20 - 5:23assim como a tradução para chinês,
no texto em cima, à direita, -
5:23 - 5:26e a construção da voz.
-
5:27 - 5:29A aprendizagem profunda
é algo extraordinário. -
5:29 - 5:32É um único algoritmo que parece
poder fazer quase tudo. -
5:32 - 5:36Descobri que, um ano antes, também
tinha aprendido a ver. -
5:36 - 5:37Nesta competição obscura, na Alemanha,
-
5:37 - 5:40— Referência Alemã para Reconhecimento
de Sinais de Trânsito — -
5:40 - 5:44a aprendizagem profunda conseguiu
reconhecer sinais de trânsito. -
5:44 - 5:48Conseguiu reconhecer sinais de trânsito,
melhor do que qualquer outro algoritmo, -
5:48 - 5:52e a avaliação mostrou que era cerca de
duas vezes melhor do que as pessoas. -
5:52 - 5:54Por volta de 2011,
tivemos o primeiro exemplo -
5:54 - 5:57de computadores que conseguem
ver melhor do que as pessoas. -
5:57 - 5:59Desde então, muito aconteceu.
-
5:59 - 6:03Em 2012, a Google anunciou que tinham
um algoritmo de aprendizagem profunda -
6:03 - 6:04a observar vídeos no Youtube
-
6:04 - 6:08e a processar dados de 16 000
computadores por mês, -
6:08 - 6:12O computador conseguiu de forma autónoma
aprender conceitos como pessoas e gatos -
6:12 - 6:14apenas observando os vídeos.
-
6:14 - 6:16Isto é semelhante ao modo
como os humanos aprendem. -
6:16 - 6:19Não aprendem dizendo-lhes
o que estão a ver, -
6:19 - 6:22mas aprendendo por si
o que estas coisas são. -
6:22 - 6:26Também em 2012, o Geoffrey Hinton,
que vimos antes, -
6:26 - 6:29venceu a competição muito
popular ImageNet, -
6:29 - 6:33ao tentar identificar, num conjunto
de 1,5 milhões de imagens, -
6:33 - 6:34o que elas representavam.
-
6:34 - 6:38Em 2014, reduzimos para 6% a taxa de erro
-
6:38 - 6:39no reconhecimento de imagem.
-
6:39 - 6:41Isto é melhor do que as
pessoas conseguem fazer. -
6:41 - 6:45As máquinas estão realmente a fazer
um trabalho extraordinário -
6:45 - 6:47que está agora a ser usado na indústria.
-
6:47 - 6:50Por exemplo, a Google
anunciou, no ano passado, -
6:50 - 6:55que mapearam todos os locais
de França, em duas horas. -
6:55 - 6:58Processaram imagens de rua com um
algoritmo de aprendizagem profunda, -
6:58 - 7:03para que reconhecesse
e lesse números de ruas. -
7:03 - 7:05Imaginem quanto tempo
isto teria demorado antes: -
7:05 - 7:09dúzias de pessoas, durante muitos anos.
-
7:09 - 7:11Isto também está a acontecer na China.
-
7:11 - 7:14Baidu é uma espécie de
Google chinesa, acho eu. -
7:14 - 7:18O que veem aqui em cima, à esquerda,
é um exemplo de uma imagem -
7:18 - 7:21que transferi para o sistema
de aprendizagem profunda da Baidu. -
7:21 - 7:24Em baixo, podem ver que o sistema
percebeu o que a imagem era -
7:24 - 7:26e encontrou imagens semelhantes.
-
7:26 - 7:29As imagens semelhantes têm,
na verdade, fundos idênticos, -
7:29 - 7:31direções semelhantes das faces
-
7:31 - 7:33e algumas até com a língua de fora.
-
7:33 - 7:36Isto não é evidente no texto
de uma página "web". -
7:36 - 7:37Só transferi uma imagem.
-
7:37 - 7:41Temos, agora, computadores que
compreendem realmente o que veem -
7:41 - 7:43e que podem, por isso, procurar
nas bases de dados -
7:43 - 7:46de centenas de milhões
de imagens, em tempo real. -
7:46 - 7:50O que significa realmente os computadores
conseguirem agora ver? -
7:50 - 7:51Não se trata apenas de conseguirem ver.
-
7:51 - 7:54De facto, a aprendizagem profunda
tem feito mais do que isso. -
7:54 - 7:57Frases complexas, com nuances, como esta
-
7:57 - 8:00são agora percetíveis, com os algoritmos
de aprendizagem profunda. -
8:00 - 8:01Como podem ver aqui,
-
8:01 - 8:03este sistema de Stanford,
com o ponto vermelho no topo, -
8:03 - 8:07percebeu que esta frase expressa
um sentimento negativo. -
8:07 - 8:11A aprendizagem profunda está agora
próxima do desempenho humano, -
8:11 - 8:16na perceção do sentido das frases
e no que diz sobre essas coisas. -
8:16 - 8:19A aprendizagem profunda também
tem sido usada para ler chinês, -
8:19 - 8:22a um nível próximo de um chinês nativo.
-
8:22 - 8:24Este algoritmo foi desenvolvido na Suíça
-
8:24 - 8:27por pessoas que não falam
nem percebem chinês. -
8:27 - 8:29Como disse, a aprendizagem profunda
-
8:29 - 8:32é o melhor sistema do mundo para isto
-
8:32 - 8:37comparado até com a compreensão
de um ser humano. -
8:37 - 8:40Este é um sistema que desenvolvemos
na minha empresa -
8:40 - 8:42que mostra como juntar tudo isto.
-
8:42 - 8:44Estas imagens não têm texto associado.
-
8:44 - 8:47À medida que vou escrevendo estas frases
-
8:47 - 8:50estas imagens vão sendo
compreendidas em tempo real, -
8:50 - 8:51percebendo o que significam,
-
8:51 - 8:54e descobrindo imagens de acordo
com o texto que vou escrevendo. -
8:54 - 8:57Como podem ver, está de facto
a perceber as minhas frases -
8:57 - 8:59e a perceber estas imagens.
-
8:59 - 9:02Sei que viram algo parecido na Google,
-
9:02 - 9:05em que podem escrever coisas
e são-vos mostradas imagens. -
9:05 - 9:08Na realidade, o que está a fazer
é pesquisar o vosso texto na "web". -
9:08 - 9:11Isso é muito diferente de perceber
realmente as imagens. -
9:11 - 9:14Isto é algo que os computadores
só começaram a fazer -
9:14 - 9:17há alguns meses, pela primeira vez.
-
9:17 - 9:21Os computadores conseguem
não apenas ver, mas também ler. -
9:21 - 9:25Já mostrámos, claro, que conseguem
perceber o que ouvem. -
9:25 - 9:28Talvez não fiquem surpreendidos
se vos disser que conseguem escrever. -
9:28 - 9:33Aqui está um texto que gerei ontem
com um algoritmo de aprendizagem profunda. -
9:34 - 9:37E aqui está um texto gerado
por um algoritmo de Stanford. -
9:37 - 9:39Cada uma destas frases foi gerada
-
9:39 - 9:43por um algoritmo de aprendizagem profunda
para descrever cada uma destas imagens. -
9:43 - 9:48Este algoritmo nunca tinha visto antes um
homem de T-shirt preta a tocar guitarra. -
9:48 - 9:50Já tinha visto um homem e a cor preta.
-
9:50 - 9:51Já tinha visto uma guitarra.
-
9:51 - 9:56Mas gerou de forma independente
esta nova descrição da imagem. -
9:56 - 9:59Ainda não estamos bem ao nível do
desempenho humano, mas perto. -
9:59 - 10:03Em testes, os humanos preferem
a descrição gerada pelo computador, -
10:03 - 10:05uma em cada quatro vezes.
-
10:05 - 10:09Este sistema tem apenas duas semanas,
por isso, provavelmente, no próximo ano, -
10:09 - 10:12o algoritmo estará bem à frente
do desempenho humano, -
10:12 - 10:14tendo em conta a rapidez destas coisas.
-
10:14 - 10:16Os computadores também conseguem escrever.
-
10:16 - 10:20Juntamos tudo isto e obtemos
oportunidades muito excitantes. -
10:20 - 10:21Por exemplo, na medicina,
-
10:21 - 10:24uma equipa de Boston anunciou
que descobriu -
10:24 - 10:28dúzias de novas características de
tumores, clinicamente relevantes, -
10:28 - 10:31que ajudam os médicos a fazer
prognósticos em relação a um cancro. -
10:32 - 10:35De igual modo, em Stanford,
-
10:35 - 10:38um grupo anunciou que,
observando tecidos ampliados, -
10:38 - 10:41desenvolveu um sistema baseado
na aprendizagem automática -
10:41 - 10:43que supera os patologistas humanos
-
10:43 - 10:48na previsão de taxas de sobrevivência
de pacientes de cancro. -
10:48 - 10:51Em ambos os casos,
as previsões foram mais precisas, -
10:51 - 10:53e também geraram novas
perspetivas científicas. -
10:53 - 10:55No caso da radiologia,
-
10:55 - 10:58revelaram-se novos indicadores clínicos
que os humanos podem perceber. -
10:58 - 11:00Neste caso da patologia,
-
11:00 - 11:04o sistema computacional descobriu
que as células em torno do cancro -
11:04 - 11:08são tão importantes quanto
as próprias células cancerígenas -
11:08 - 11:10na realização de um diagnóstico.
-
11:10 - 11:15Isto é o contrário do que os patologistas
têm aprendido ao longo de décadas. -
11:16 - 11:18Em ambos os casos, estes sistemas
foram desenvolvidos -
11:18 - 11:22por especialistas médicos
e de aprendizagem automática. -
11:22 - 11:24No último ano, fomos também além disso.
-
11:24 - 11:27Isto é um exemplo de identificação
de áreas cancerígenas, -
11:27 - 11:30em tecido humano, ao microscópio.
-
11:30 - 11:34O sistema aqui apresentado consegue
identificar essas áreas -
11:34 - 11:38de forma mais precisa, ou tão precisa
quanto os patologistas humanos, -
11:38 - 11:41mas foi construído com aprendizagem
profunda, sem conhecimentos médicos, -
11:41 - 11:44por pessoas sem formação na área.
-
11:45 - 11:47De modo semelhante, nesta
segmentação neuronal. -
11:47 - 11:51Podemos agora segmentar neurónios
de forma tão precisa quanto um humano, -
11:51 - 11:54mas este sistema foi desenvolvido
com aprendizagem profunda -
11:54 - 11:57com pessoas sem formação
prévia em medicina. -
11:57 - 12:00Eu próprio, sendo alguém sem
formação prévia em medicina -
12:00 - 12:04sou perfeitamente qualificado para abrir
uma nova empresa médica, -
12:04 - 12:06Foi o que fiz.
-
12:06 - 12:08Estava aterrorizado em relação a isso
-
12:08 - 12:11mas a teoria sugeria ser possível
-
12:11 - 12:16fazer medicina muito útil usando apenas
estas técnicas de análise de dados. -
12:16 - 12:19Felizmente, a resposta
tem sido fantástica. -
12:19 - 12:21Não apenas dos "media", mas também
da comunidade médica, -
12:21 - 12:23que tem dado muito apoio.
-
12:23 - 12:27A teoria é que podemos considerar
a fase intermédia do processo médico -
12:27 - 12:30e transformá-la em análise de dados,
tanto quanto possível, -
12:30 - 12:33deixando os médicos fazer
aquilo em que são bons. -
12:33 - 12:35Quero dar-vos um exemplo.
-
12:35 - 12:41Bastam 15 minutos para gerar um novo
teste diagnóstico médico. -
12:41 - 12:42Vou mostrar-vos agora em tempo real,
-
12:42 - 12:45mas comprimi para três minutos,
cortando algumas partes. -
12:45 - 12:49Em vez de vos mostrar a criação de um
novo teste diagnóstico médico, -
12:49 - 12:52vou mostrar-vos um teste diagnóstico
de imagens de carros, -
12:52 - 12:54porque é algo fácil de perceber.
-
12:54 - 12:57Começamos com cerca de 1,5 milhões
de imagens de carros. -
12:57 - 13:00Quero criar algo que consiga dividi-las
-
13:00 - 13:03segundo o ângulo em que a foto foi tirada.
-
13:03 - 13:07Estas imagens não estão catalogadas,
tenho de começar do zero. -
13:07 - 13:09Com o nosso algoritmo,
-
13:09 - 13:12podem identificar-se automaticamente
áreas de estruturas nestas imagens. -
13:12 - 13:16O interessante é o homem e o computador
poderem agora trabalhar em conjunto. -
13:16 - 13:18O humano, como podem ver aqui,
-
13:18 - 13:21está a dizer ao computador
quais as áreas de interesse -
13:21 - 13:25que quer que o computador use
para melhorar o seu algoritmo. -
13:26 - 13:30Estes sistemas de aprendizagem profunda
estão em espaços de dimensão 16 000. -
13:30 - 13:33Podem ver aqui o computador a rodar
isto através desse espaço, -
13:33 - 13:35tentando encontrar novas
áreas de estrutura. -
13:35 - 13:37Quando consegue fazê-lo com sucesso,
-
13:37 - 13:41o humano que está a comandá-lo
pode indicar áreas de interesse. -
13:41 - 13:43Aqui o computador encontrou
áreas, com sucesso. -
13:43 - 13:46Ângulos, por exemplo.
-
13:46 - 13:47Ao longo deste processo,
-
13:47 - 13:50vamos dizendo mais coisas ao computador
-
13:50 - 13:52sobre o tipo de estruturas que procuramos.
-
13:52 - 13:56Podem imaginar que, num diagnóstico,
isto seria o patologista a identificar -
13:56 - 13:57áreas patológicas, por exemplo.
-
13:57 - 14:02Ou o radiologista a indicar nódulos
potencialmente problemáticos. -
14:02 - 14:05Por vezes pode ser difícil,
para o algoritmo. -
14:05 - 14:07Neste caso, ficou algo confuso.
-
14:07 - 14:10As frentes e as traseiras dos carros
estão todas misturadas. -
14:10 - 14:12Aqui temos que ser um
pouco mais cuidadosos, -
14:12 - 14:15selecionado manualmente estas frentes
por oposição às traseiras, -
14:15 - 14:20dizendo depois ao computador
que isto é o tipo de grupo -
14:20 - 14:22em que estamos interessados.
-
14:22 - 14:24Fazemos isto durante algum tempo,
avançamos um pouco, -
14:24 - 14:27e depois treinamos o algoritmo
de aprendizagem automática, -
14:27 - 14:28baseados nestas centenas de coisas,
-
14:28 - 14:30e esperamos que fique bastante melhor.
-
14:30 - 14:33Podem ver que algumas imagens
estão a começar a desvanecer, -
14:33 - 14:38mostrando-nos que já está a descobrir
como perceber algumas destas sozinho. -
14:38 - 14:41Podemos, então, usar o conceito
de imagens semelhantes. -
14:41 - 14:44Usando imagens semelhantes,
podemos ver que o computador -
14:44 - 14:47é capaz, neste ponto, de identificar
apenas as frentes dos carros. -
14:47 - 14:50Neste ponto, o humano pode
dizer ao computador: -
14:50 - 14:53"Fizeste aqui um bom trabalho!"
-
14:54 - 14:56Por vezes, claro, mesmo neste ponto,
-
14:56 - 15:00ainda é difícil distinguir os grupos.
-
15:00 - 15:03Neste caso, mesmo depois de deixarmos o
computador rodar isto durante algum tempo, -
15:03 - 15:07ainda vemos que as imagens
dos lados esquerdo e direito -
15:07 - 15:08estão todas misturadas.
-
15:08 - 15:11Podemos dar, de novo, algumas
pistas ao computador. -
15:11 - 15:13Dizemos: "Tenta descobrir uma
projeção que separe, -
15:13 - 15:16"o lado esquerdo do direito,
o mais possível, -
15:16 - 15:18"usando este algoritmo
de aprendizagem profunda." -
15:18 - 15:21Dando-lhe esta pista, ele tem sucesso.
-
15:21 - 15:24Conseguiu descobrir um modo
de pensar neste objetos -
15:24 - 15:26que permitiu separá-los.
-
15:26 - 15:29Percebem a ideia.
-
15:30 - 15:37Neste caso, o humano não está
a ser substituído pelo computador. -
15:37 - 15:40Estão a trabalhar em conjunto.
-
15:40 - 15:43O que estamos a fazer é substituir
algo que exigia uma equipa -
15:43 - 15:45de cinco ou seis pessoas,
durante sete anos, -
15:45 - 15:48por algo que demora 15 minutos,
-
15:48 - 15:50com uma pessoa a trabalhar sozinha.
-
15:52 - 15:54Este processo demora
quatro ou cinco iterações. -
15:54 - 15:56Podem ver que temos agora 62%
-
15:56 - 15:59dos nossos 1,5 milhões de imagens,
classificadas corretamente. -
15:59 - 16:01Neste ponto, podemos começar rapidamente
-
16:01 - 16:03a trabalhar grandes secções,
-
16:03 - 16:06e a verificar se não há erros.
-
16:06 - 16:10Se houver erros, podemos fazer
com que o computador o saiba. -
16:10 - 16:13Usando este processo, para cada
um dos diferentes grupos, -
16:13 - 16:15temos agora uma taxa
de sucesso de 80%, -
16:15 - 16:18na classificação de 1,5 milhões
de imagens. -
16:18 - 16:21Neste ponto, trata-se de descobrir
-
16:21 - 16:23as poucas que não estão
classificadas corretamente, -
16:23 - 16:26e tentar perceber porquê.
-
16:26 - 16:28Utilizando esta abordagem
-
16:28 - 16:32conseguimos uma taxa de classificação
de 97% em 15 minutos. -
16:32 - 16:37Esta técnica pode permitir-nos
resolver um grande problema -
16:37 - 16:40que é a falta de especialistas
médicos no mundo. -
16:40 - 16:43O Fórum Económico Mundial refere
que há 10 a 20 vezes menos médicos -
16:43 - 16:46do que o necessário,
nos países em desenvolvimento. -
16:46 - 16:48E que serão necessários 300 anos
-
16:48 - 16:51para formar as pessoas necessárias
para resolver o problema. -
16:51 - 16:54Imaginem que podemos ajudar
a melhorar a sua eficiência -
16:54 - 16:57usando esta abordagem
de aprendizagem profunda. -
16:57 - 16:59Estou muito entusiasmado
com as oportunidades, -
16:59 - 17:02mas também estou preocupado
em relação aos problemas. -
17:02 - 17:04O problema é que as áreas
a azul, neste mapa, -
17:04 - 17:08são locais onde os serviços representam
mais de 80% dos empregos. -
17:08 - 17:10O que são os serviços?
-
17:10 - 17:11Isto são serviços.
-
17:11 - 17:16São também as coisas que
os computadores aprenderam a fazer. -
17:16 - 17:1980% dos postos de trabalho,
no mundo desenvolvido, -
17:19 - 17:22são coisas que os computadores
aprenderam a fazer. -
17:22 - 17:23O que significa isto?
-
17:23 - 17:26Não há problema. Serão substituídos
por outros empregos. -
17:26 - 17:29Por exemplo, haverá mais empregos
para especialistas em dados. -
17:29 - 17:30Bem, não exatamente.
-
17:30 - 17:33Os especialistas não demoram muito
tempo a construir estas coisas. -
17:33 - 17:36Estes quatro algoritmos foram
desenvolvidos pela mesma pessoa. -
17:36 - 17:38Se pensarmos bem, isto já aconteceu antes.
-
17:38 - 17:42Já vimos, no passado, o resultado
de surgirem coisas novas -
17:42 - 17:44que são substituídas por novos empregos.
-
17:44 - 17:46O que serão estes novos empregos?
-
17:46 - 17:48É muito difícil fazermos previsões,
-
17:48 - 17:51porque o desempenho humano
cresce a um ritmo gradual, -
17:51 - 17:54mas temos agora um sistema
de aprendizagem profunda, -
17:54 - 17:57cuja capacidade cresce exponencialmente.
-
17:57 - 17:58Estamos neste ponto.
-
17:58 - 18:01Atualmente, vemos as coisas
à nossa volta e pensamos: -
18:01 - 18:03"Os computadores ainda são muito burros."
-
18:03 - 18:07Mas em cinco anos os computadores
estarão fora deste gráfico. -
18:07 - 18:11Temos que começar já
a pensar nesta capacidade. -
18:11 - 18:13É claro que já vimos isto.
-
18:13 - 18:14Na Revolução Industrial,
-
18:14 - 18:17vimos uma grande avanço na capacidade,
graças às máquinas. -
18:18 - 18:21A questão é que, passado algum tempo,
as coisas estabilizaram. -
18:21 - 18:22Houve ruturas sociais.
-
18:22 - 18:26Mas quando as máquinas foram usadas
para gerar poder em todas as situações, -
18:26 - 18:28as coisas acalmaram.
-
18:29 - 18:31A Revolução da Aprendizagem Automática
será muito diferente -
18:31 - 18:33
da Revolução Industrial, -
18:33 - 18:36porque a Revolução da Aprendizagem
Automática nunca estabilizará. -
18:36 - 18:39Quanto melhores forem os computadores
em atividades intelectuais, -
18:39 - 18:43melhores computadores se construirão,
com mais capacidades intelectuais. -
18:43 - 18:45Isto será um tipo de mudança
-
18:45 - 18:47que o mundo nunca presenciou antes.
-
18:47 - 18:51A nossa perceção do que é
possível é diferente. -
18:51 - 18:53Isto já está a afetar-nos.
-
18:53 - 18:56Nos últimos 25 anos, à medida que a
produtividade do capital aumentou, -
18:56 - 19:01a produtividade laboral manteve-se,
na verdade até desceu um pouco. -
19:01 - 19:04Quero que tenhamos esta discussão agora.
-
19:04 - 19:07Sei que, quando falo disto às pessoas,
-
19:07 - 19:09elas mostram algum desdém.
-
19:09 - 19:11"Os computadores não conseguem pensar."
-
19:11 - 19:13"Eles não se emocionam,
nem percebem poesia." -
19:13 - 19:16"Não percebemos, na verdade,
como funcionam." -
19:16 - 19:17E depois?
-
19:17 - 19:19Os computadores conseguem
fazer as coisas -
19:19 - 19:22que os humanos são pagos para fazer,
na maior parte do seu tempo. -
19:22 - 19:24Este é o tempo para começar a pensar
-
19:24 - 19:29como vamos ajustar as nossas
estruturas sociais e económicas -
19:29 - 19:30para fazer face a esta nova realidade.
-
19:30 - 19:31Obrigado.
-
19:31 - 19:32(Aplausos)
- Title:
- As maravilhosas e aterradoras implicações de computadores que conseguem aprender
- Speaker:
- Jeremy Howard
- Description:
-
O que sucede quando ensinamos um computador a aprender? O tecnólogo Jeremy Howard partilha alguns desenvolvimentos novos e surpreendentes, na área em rápida evolução da aprendizagem profunda, uma técnica que pode dar aos computadores a capacidade de aprender chinês, ou de reconhecer objetos em fotos, ou de ajudar a reflexão num diagnóstico médico. (Uma ferramenta de aprendizagem profunda, após horas a ver o Youtube, ensinou a si própria o conceito de "gatos"). Deixem-se envolver numa área que mudará o comportamento dos computadores à vossa volta... mas cedo do que provavelmente pensam.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45
Margarida Ferreira approved Portuguese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Margarida Ferreira edited Portuguese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Margarida Ferreira edited Portuguese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Margarida Ferreira edited Portuguese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Margarida Ferreira edited Portuguese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Margarida Ferreira edited Portuguese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Margarida Ferreira accepted Portuguese subtitles for The wonderful and terrifying implications of computers that can learn | ||
Margarida Ferreira edited Portuguese subtitles for The wonderful and terrifying implications of computers that can learn |