Las maravillosas y pavorosas consecuencias de los computadores que pueden aprender | Jeremy Howard | TEDxBrussels
-
0:10 - 0:13Antes, si querías que un computador
hiciera algo nuevo -
0:13 - 0:15tenías, normalmente, que programarlo.
-
0:15 - 0:19La programación, para quienes
no la han practicado, -
0:19 - 0:22requiere especificar
con el más mínimo detalle -
0:22 - 0:25cada paso que uno quiere
que haga su computador -
0:25 - 0:27para alcanzar el objetivo.
-
0:27 - 0:31Si quieren hacer algo que
no saben hacer por sí mismos -
0:31 - 0:33entonces están ante un gran reto.
-
0:33 - 0:37Ese fue el reto al que se enfrentó
este hombre, Arthur Samuel. -
0:37 - 0:43En 1956, quería hacer que su computador
pudiera ganarle a las damas. -
0:43 - 0:45¿Cómo se puede diseñar un programa,
-
0:45 - 0:49teniendo en cuenta el más mínimo detalle
que sea mejor que sí mismo a las damas? -
0:49 - 0:51Y se le ocurrió una idea:
-
0:51 - 0:54hizo jugar al computador
contra sí mismo miles de veces -
0:54 - 0:57y le hizo aprender
a jugar a las damas. -
0:57 - 1:00De hecho funcionó, ya en 1962,
-
1:00 - 1:03este computador había ganado
la competición estatal de Connecticut. -
1:03 - 1:07Arthur Samuel fue el padre
del aprendizaje automático, -
1:07 - 1:08y tengo una deuda con él,
-
1:08 - 1:11porque soy un profesional
del aprendizaje automático. -
1:11 - 1:13Fui presidente de Kaggle,
-
1:13 - 1:15una comunidad de unos 200 000
-
1:15 - 1:16profesionales del
aprendizaje automático. -
1:16 - 1:18Kaggle contribuye con competiciones
-
1:18 - 1:22para tratar de resolver problemas
anteriores no resueltos, -
1:22 - 1:25y tuvo éxito cientos de veces.
-
1:26 - 1:28Así que desde esa perspectiva,
pude descubrir -
1:28 - 1:32mucho sobre lo que el aprendizaje
automático hizo, puede hacer hoy -
1:32 - 1:34y lo que podrá hacer en el futuro.
-
1:34 - 1:37Quizás el primer gran éxito
-
1:37 - 1:39del aprendizaje automático
en el mercado fue Google. -
1:39 - 1:42Google demostró que era posible
encontrar información -
1:42 - 1:44usando un algoritmo informático
-
1:44 - 1:47y ese algoritmo se basa en
el aprendizaje automático. -
1:47 - 1:51Desde entonces, ha habido muchos éxitos
comerciales del aprendizaje automático. -
1:51 - 1:53Compañías como Amazon y Netflix
-
1:53 - 1:56usan el aprendizaje automático para sugerir
artículos que les puedan interesar comprar, -
1:56 - 1:58películas que les puedan interesar ver
-
1:58 - 2:00A veces, es casi escalofriante.
-
2:00 - 2:02Compañías como
LinkedIn y Facebook -
2:02 - 2:04dicen, en ocasiones, cuáles
pueden ser sus amigos -
2:04 - 2:06y uno no tiene ni idea
de cómo lo han hecho, -
2:06 - 2:09y es porque hace uso del poder
del aprendizaje automático. -
2:09 - 2:13Estos son algoritmos que han aprendido
como hacerlo a partir de los datos -
2:13 - 2:15en lugar de ser programados a mano.
-
2:16 - 2:18Así es también como IBM tuvo éxito
-
2:18 - 2:21en conseguir que Watson ganara
dos campeonatos mundiales de "Jeopardy" -
2:21 - 2:25respondiendo preguntas increíblemente
ingeniosas, como esta. -
2:25 - 2:28[El antiguo "León de Nimrud" se perdió
del Museo Nacional de esta ciudad en 2003] -
2:28 - 2:32También es por eso, que podemos ver
los primeros autos sin piloto. -
2:32 - 2:35Si pueden diferenciar
entre, por ejemplo -
2:35 - 2:38un árbol y un peatón,
es algo muy importante. -
2:38 - 2:40No sabemos diseñar
estos programas manualmente, -
2:40 - 2:44pero con el aprendizaje
automático es posible. -
2:44 - 2:46De hecho, este auto ha conducido
más de un millón y medio de kilómetros -
2:46 - 2:49sin tener accidentes en carretera.
-
2:49 - 2:52Así, sabemos que los computadores
pueden aprender -
2:52 - 2:55y pueden aprender a hacer cosas
-
2:55 - 2:57que de hecho nosotros, a veces,
no sabemos hacer, -
2:57 - 3:00o las pueden hacer mejor que nosotros.
-
3:00 - 3:04Uno de los ejemplos más sorprendentes
que he visto en aprendizaje automático -
3:04 - 3:07ocurrió en un proyecto
que dirigía en Kaggle -
3:07 - 3:11donde un equipo dirigido por un chico
llamado Geoffrey Hinton -
3:11 - 3:12de la Universidad de Toronto
-
3:12 - 3:15ganó un concurso para el descubrimiento
automático de medicamentos. -
3:15 - 3:17Lo extraordinario fue no solo que batiera
-
3:17 - 3:22a todos los algoritmos desarrollados por Merck
o la comunidad académica internacional, -
3:22 - 3:27sino que nadie del equipo tenía experiencia
en química o biología o ciencias biológicas, -
3:27 - 3:29y lo hicieron en dos semanas.
-
3:29 - 3:31¿Cómo lo hicieron?
-
3:31 - 3:34Usaron un algoritmo extraordinario
llamado aprendizaje profundo. -
3:34 - 3:37Fue tan exitoso que tuvo cobertura
-
3:37 - 3:40en The New York Times en un artículo
de portada unas semanas después. -
3:40 - 3:43Este es Geoffrey Hinton
a la izquierda. -
3:43 - 3:47El aprendizaje profundo es un algoritmo
inspirado en el cerebro humano -
3:47 - 3:49y como resultado
-
3:49 - 3:52no tiene limitaciones teóricas
en lo que puede hacer. -
3:52 - 3:56Cuantos más datos
y tiempo de cálculo uno le dé -
3:56 - 3:57mejor funciona.
-
3:57 - 3:59The New York Times mostró,
también en su artículo -
3:59 - 4:02otro resultado extraordinario
del aprendizaje profundo -
4:02 - 4:04que mostraré ahora.
-
4:04 - 4:08Demuestra que los computadores
pueden escuchar y comprender. -
4:09 - 4:11(Vídeo) Richard Rashid:
El último paso -
4:11 - 4:14que quiero dar en este proceso
-
4:14 - 4:17es hablar en chino.
-
4:19 - 4:22La clave es,
-
4:22 - 4:27hemos recopilado una gran información
de hablantes de chino -
4:27 - 4:30y producido un sistema de conversión
de texto a voz -
4:30 - 4:34que toma el texto en chino
y lo convierte en lengua oral, -
4:35 - 4:39luego hemos grabado
una hora de mi voz -
4:39 - 4:41que usamos para modular
-
4:41 - 4:45el texto estándar de conversión
de texto a voz para que suene como yo. -
4:45 - 4:48De nuevo, el resultado no es perfecto.
-
4:48 - 4:51De hecho, hay unos cuantos errores.
-
4:51 - 4:53結果並不完美
(los resultados no son perfectos) -
4:53 - 4:57(Aplausos)
-
4:58 - 5:01Hay mucho que hacer en este área.
-
5:01 - 5:05在這方面有很多工作要做 (hay mucho
trabajo que hacer en esta área) -
5:05 - 5:08(Aplausos)
-
5:10 - 5:14Jeremy Howard: Esto era una conferencia
de aprendizaje automático en China. -
5:14 - 5:17No es usual, en conferencias académicas
-
5:17 - 5:19oír aplausos espontáneos,
-
5:19 - 5:22aunque en las conferencias
de TEDx siéntanse libres. -
5:22 - 5:25Todo lo que han visto es gracias
al aprendizaje profundo. -
5:25 - 5:27(Aplausos) Gracias.
-
5:27 - 5:29La transcripción en inglés
es aprendizaje profundo. -
5:29 - 5:32La traducción al chino y el texto arriba
a la derecha, es aprendizaje profundo, -
5:32 - 5:36y la construcción de la voz también
es aprendizaje profundo. -
5:36 - 5:39Eso es lo extraordinario
del aprendizaje profundo. -
5:39 - 5:42Es un solo algoritmo que parece
hacer casi cualquier cosa, -
5:42 - 5:45y descubrí que un año antes,
aprendió a ver. -
5:45 - 5:47En esta extraña competición en Alemania
-
5:47 - 5:49llamada Banco de Prueba de
Reconocimiento de Señales de Tránsito -
5:49 - 5:53el aprendizaje profundo ha aprendido
a reconocer señales de tránsito como esta. -
5:53 - 5:55No solo reconoce señales de tránsito
-
5:55 - 5:57mejor que cualquier otro algoritmo,
-
5:57 - 6:00la clasificación mostró
que era mejor que las personas, -
6:00 - 6:02dos veces más bueno que las personas.
-
6:02 - 6:04Para 2011, se da el primer ejemplo
-
6:04 - 6:07de computadores que pueden ver
mejor que las personas. -
6:07 - 6:09Desde entonces, han ocurrido muchas cosas.
-
6:09 - 6:13En 2012, Google anunció que había hecho
que un algoritmo de aprendizaje profundo -
6:13 - 6:14viera vídeos en YouTube
-
6:14 - 6:17y procesaron la información
en 16 000 computadores al mes -
6:17 - 6:22y el computador aprendió de manera independiente
conceptos como personas y gatos -
6:22 - 6:24solo viendo los vídeos.
-
6:24 - 6:26Esto se parece mucho
al aprendizaje humano. -
6:26 - 6:29Los humanos no aprendemos
porque nos cuenten lo que vemos, -
6:29 - 6:32sino que aprendemos solos
qué son esas cosas. -
6:32 - 6:35También en 2012, Geoffrey Hinton,
que vimos anteriormente, -
6:35 - 6:38ganó la famosa competición de ImageNet,
-
6:38 - 6:42tratando de averiguar, mirando
un millón y medio de imágenes, -
6:42 - 6:44sobre qué eran estas imágenes.
-
6:44 - 6:47A partir de 2014, tenemos un porcentaje
de error por debajo del 6 % -
6:47 - 6:49en reconocimiento de imágenes.
-
6:49 - 6:51De nuevo, mejor que las personas.
-
6:51 - 6:55Las máquinas están haciendo
un trabajo increíble aquí, -
6:55 - 6:57y está siendo usadas en la industria.
-
6:57 - 7:00Por ejemplo, Google anunció el año pasado
-
7:00 - 7:04que había cartografiado cada sitio
de Francia en dos horas, -
7:04 - 7:08y lo hizo alimentando
con imágenes de las calles, -
7:08 - 7:12al algoritmo de aprendizaje profundo
para reconocer y leer los números. -
7:12 - 7:14Imaginen lo que se habría tardado antes:
-
7:14 - 7:18docenas de personas, muchos años.
-
7:18 - 7:20Esto también está pasando en China.
-
7:20 - 7:24Baidu es como el Google chino, creo,
-
7:24 - 7:26y lo que ven arriba a la izquierda
-
7:26 - 7:30es un ejemplo de una imagen que subí
al sistema de aprendizaje profundo de Baidu, -
7:30 - 7:34y debajo se puede ver que el sistema
ha entendido lo que es esa imagen -
7:34 - 7:36y encuentra imágenes similares.
-
7:36 - 7:39Las imágenes similares
tienen fondos similares -
7:39 - 7:42similares de las caras,
incluso algunos con la lengua afuera. -
7:42 - 7:45Esto no es claramente mirar
el texto de una página web. -
7:45 - 7:47Todo lo que descargué eran imágenes.
-
7:47 - 7:51Por lo que ahora tenemos computadores
que entienden lo que ven -
7:51 - 7:52y por ello pueden
buscar bases de datos -
7:52 - 7:56de cientos de millones
de imágenes en tiempo real -
7:56 - 7:59¿Qué significado tiene que
los computadores puedan ver? -
7:59 - 8:01Bueno, no es solo que
los computadores puedan ver. -
8:01 - 8:03De hecho, el aprendizaje profundo
ha hecho más que eso. -
8:03 - 8:06Frases complejas y llenas
de matices como esta -
8:06 - 8:09son ahora comprensibles con
algoritmos del aprendizaje profundo. -
8:09 - 8:10Como pueden ver aquí,
-
8:10 - 8:13este sistema basado en el de Stanford que
muestra el punto rojo en la parte superior -
8:13 - 8:17ha comprendido que esta frase
expresa sentimientos negativos. -
8:17 - 8:20El aprendizaje profundo está cercano
a la conducta humana -
8:20 - 8:25al comprender lo que significan las frases
y lo que se está diciendo sobre esas cosas. -
8:25 - 8:28El aprendizaje profundo se ha usado
también para leer chino, -
8:28 - 8:31de nuevo, a un nivel
casi de hablante nativo. -
8:31 - 8:33Este algoritmo, desarrollado en Suiza
-
8:33 - 8:37por gente que no hablaba ni entendía chino.
-
8:37 - 8:39Como dije, usar el aprendizaje profundo
-
8:39 - 8:41es el mejor sistema del mundo para esto,
-
8:41 - 8:46hasta comparándolo
con el conocimiento humano. -
8:46 - 8:49Este es un sistema que
formamos en mi empresa -
8:49 - 8:51que demuestra todas estas cosas juntas.
-
8:51 - 8:54Estas son imágenes sin texto adjunto,
-
8:54 - 8:56y cuando tecleo aquí frases,
-
8:56 - 8:59entiende, en tiempo real, estas imágenes
-
8:59 - 9:01y comprende de qué se tratan
-
9:01 - 9:04y encuentra imágenes similares
al texto que estoy escribiendo. -
9:04 - 9:07Como pueden ver, entiende mis frases
-
9:07 - 9:09y de hecho entiende estas imágenes.
-
9:09 - 9:11Se que han visto algo como esto en Google,
-
9:11 - 9:14donde puede escribir algo
y te lo muestra en imágenes, -
9:14 - 9:18pero lo que realmente está haciendo
es buscar la página web a través del texto. -
9:18 - 9:21Esto es muy diferente
a comprender las imágenes. -
9:21 - 9:23Esto es algo que los computadores
solo han podido hacer -
9:23 - 9:27por primera vez hace unos pocos meses.
-
9:27 - 9:31Así que ahora podemos ver que los computadores
no solo ven sino que pueden leer, -
9:31 - 9:34y, por supuesto, hemos demostrado
que pueden entender lo que oyen. -
9:34 - 9:38Quizá no sea sorprendente ahora
lo que voy a decir, pueden escribir. -
9:38 - 9:43Aquí hay parte de un texto que generé ayer
usando el algoritmo de aprendizaje profundo. -
9:43 - 9:47Y aquí hay parte de un texto que generó
un algoritmo de Stanford. -
9:47 - 9:48Cada una de estas frases fue generada
-
9:48 - 9:53por un algoritmo de aprendizaje profundo
para describir estas imágenes. -
9:53 - 9:57Este algoritmo nunca había visto a un hombre
con camisa negra tocando la guitarra. -
9:57 - 9:59Ha visto a un hombre antes,
ha visto el negro antes -
9:59 - 10:01ha visto una guitarra antes,
-
10:01 - 10:05pero ha generado de manera independiente
esta innovadora descripción de esta imagen. -
10:05 - 10:09Aquí no estamos ante un comportamiento
humano, pero estamos cerca. -
10:09 - 10:13En las pruebas, las personas prefieren
las leyendas generadas por el computador -
10:13 - 10:141 de cada 4 veces.
-
10:14 - 10:16Este sistema tiene ahora solo
dos semanas de edad, -
10:16 - 10:18por lo que posiblemente
antes del año que viene, -
10:18 - 10:21el algoritmo del computador irá
más allá del comportamiento humano -
10:21 - 10:23al paso que van las cosas.
-
10:23 - 10:26Así que los computadores pueden escribir.
-
10:26 - 10:29Juntamos todo esto y lleva
a oportunidades apasionantes. -
10:29 - 10:31Por ejemplo, en medicina,
-
10:31 - 10:33un equipo de Boston anunció
que habían descubierto -
10:33 - 10:36decenas de características
clínicas relevantes -
10:36 - 10:41sobre tumores que ayudan a los médicos
a hacer un diagnóstico de un cáncer. -
10:42 - 10:44Algo similar, en Stanford,
-
10:44 - 10:48un grupo anunció que,
mirando un tejido con aumento, -
10:48 - 10:50habían desarrollado una máquina
basada en el sistema de aprendizaje -
10:50 - 10:53que de hecho es mejor
que los patólogos humanos -
10:53 - 10:56prediciendo las tasas de supervivencia
de los enfermos de cáncer. -
10:56 - 11:00En ambos casos, no solo fueron
las predicciones más precisas, -
11:00 - 11:03sino que generaron una
nueva ciencia reveladora. -
11:03 - 11:04En el caso de la radiología,
-
11:04 - 11:07hubo nuevos indicadores clínicos
que las personas pueden entender. -
11:07 - 11:09En este caso de patología,
-
11:09 - 11:14el sistema informático descubrió
que las células alrededor del cáncer -
11:14 - 11:17son tan importantes como
las células del cáncer mismo -
11:17 - 11:19al hacer un diagnóstico.
-
11:19 - 11:24Esto es lo contrario de lo que
los patólogos han pensado por décadas. -
11:24 - 11:27En cada uno de estos casos,
fueron sistemas desarrollados -
11:27 - 11:31por una combinación de expertos médicos
y expertos del aprendizaje profundo, -
11:31 - 11:34pero a partir del año pasado,
dimos un paso más allá. -
11:34 - 11:37Este es un caso de identificación
de áreas cancerígenas -
11:37 - 11:40del tejido humano por microscopio.
-
11:40 - 11:44El sistema que se muestra aquí puede
identificar esas áreas de forma más precisa, -
11:44 - 11:47o casi tan precisa
como los patólogos humanos, -
11:47 - 11:51construido completamente con aprendizaje profundo
sin usar experiencia médica -
11:51 - 11:53por gente que no tenía
experiencia en este campo. -
11:54 - 11:57De manera similar,
esta segmentación neuronal. -
11:57 - 12:00Ahora, podemos segmentar neuronas de forma
casi tan precisa como las personas, -
12:00 - 12:03y este sistema fue desarrollado
por aprendizaje profundo -
12:03 - 12:06usando a gente sin experiencia
previa en medicina. -
12:06 - 12:10Como yo, alguien sin experiencia
previa en medicina, -
12:10 - 12:13parezco completamente calificado
para empezar una empresa médica, -
12:13 - 12:16y lo hice.
-
12:16 - 12:17Estaba aterrorizado de hacerlo,
-
12:17 - 12:20pero la teoría parecía sugerir
que podía ser posible -
12:20 - 12:26hacer medicina muy útil usando solo
estas técnicas de información analítica. -
12:26 - 12:28Afortunadamente, la recompensa
ha sido fantástica, -
12:28 - 12:31no solo por parte de los medios
sino de la comunidad médica, -
12:31 - 12:33que nos ha apoyado mucho.
-
12:33 - 12:37La teoría es que podemos tomar
media parte del proceso médico -
12:37 - 12:40y convertirlo todo lo posible
en análisis de datos, -
12:40 - 12:43dejando a los médicos
en lo que son mejores. -
12:43 - 12:45Quiero dar un ejemplo.
-
12:45 - 12:49No cuesta unos 15 minutos crear
una nueva prueba de diagnóstico médico -
12:49 - 12:51y ahora lo demostraré
en tiempo real, -
12:51 - 12:54pero lo he comprimido a 3 minutos
-
12:54 - 12:56cortando algunas partes.
-
12:56 - 12:59En vez de mostrar cómo crear
una prueba de diagnóstico médico, -
12:59 - 13:01mostraré una prueba de diagnóstico
de imágenes de autos, -
13:01 - 13:04porque es algo que
todos podemos entender. -
13:04 - 13:07Así que, empezamos con un millón
y medio de imágenes de autos, -
13:07 - 13:10y quiero crear algo que
pueda dividirlas en el ángulo -
13:10 - 13:12en el que la foto fue tomada.
-
13:12 - 13:16Estas imágenes están sin etiquetar,
así que tengo que empezar desde cero. -
13:16 - 13:18Con nuestro algoritmo
de aprendizaje profundo, -
13:18 - 13:22se pueden identificar automáticamente
áreas de la estructura en estas imágenes. -
13:22 - 13:25Lo bueno es que la persona y el computador
pueden trabajar juntos. -
13:25 - 13:27Así que la persona,
como pueden ver aquí, -
13:27 - 13:30le está indicando al computador
áreas de interés -
13:30 - 13:35que quiere que el computador pruebe
y use para mejorar su algoritmo. -
13:35 - 13:39Estos sistemas de aprendizaje profundo
están en un espacio de 16 000 dimensiones, -
13:39 - 13:43así, pueden ver aquí cómo el computador
rota esto en ese espacio, -
13:43 - 13:45intentando encontrar nuevas áreas de estructura.
-
13:45 - 13:46Y cuando lo hace con éxito,
-
13:46 - 13:50la persona que lo maneja puede, entonces,
señalar las áreas de interés. -
13:50 - 13:53Aquí, el computador ha encontrado,
con éxito, áreas, -
13:53 - 13:55por ejemplo, ángulos.
-
13:55 - 13:57Conforme avanzamos en este proceso,
-
13:57 - 13:59vamos diciendo, gradualmente,
al computador más y más -
13:59 - 14:02sobre los tipos de estructuras
que estamos buscando. -
14:02 - 14:03Pueden imaginar en una prueba diagnóstica
-
14:03 - 14:07que esto debería ser un patólogo identificando
áreas patológicas, por ejemplo, -
14:07 - 14:12o un radiólogo indicando nódulos
potencialmente problemáticos. -
14:12 - 14:14A veces puede ser difícil
para el algoritmo. -
14:14 - 14:16En este caso, queda algo confuso.
-
14:16 - 14:19Las partes delanteras y traseras
de los autos están todas mezcladas. -
14:19 - 14:21Así que tenemos que ser
un poco más cuidadosos, -
14:21 - 14:24seleccionando manualmente las partes delanteras
en contraposición a las traseras, -
14:24 - 14:30para luego decir al computador
que este es una especie de grupo -
14:30 - 14:31es en el que estamos interesados.
-
14:31 - 14:34Hacemos esto por un tiempo,
nos saltamos un poco, -
14:34 - 14:36y luego probamos el algoritmo
de aprendizaje automático -
14:36 - 14:38basado en un par de cientos de cosas,
-
14:38 - 14:40y esperamos que haya mejorado mucho.
-
14:40 - 14:43Se puede ver, que han empezado a desvanecerse
algunas de estas imágenes, -
14:43 - 14:48mostrándonos que ya está reconociendo
cómo entender por sí mismo algunas de ellas. -
14:48 - 14:51Entonces podemos usar este concepto
en imágenes similares, -
14:51 - 14:53y usando imágenes similares,
como pueden ver, -
14:53 - 14:57en este punto, el computador puede encontrar
solo la parte delantera de los autos. -
14:57 - 15:00En este punto, la persona
puede decir al computador, -
15:00 - 15:02de acuerdo, sí, has hecho
un buen trabajo. -
15:03 - 15:05En ocasiones, por supuesto,
incluso en este punto -
15:05 - 15:09sigue siendo difícil
separar los grupos. -
15:09 - 15:11En este caso, incluso
después de que dejamos -
15:11 - 15:14al computador que intente girar
esto por un momento, -
15:14 - 15:16seguimos encontrando que la parte izquierda
y derecha de las imágenes -
15:16 - 15:18están mezcladas.
-
15:18 - 15:20Así que podemos dar, de nuevo,
al computador algunas pistas, -
15:20 - 15:23y decimos, bien, intenta encontrar
una proyección que separe -
15:23 - 15:25los lados izquierdos de los derechos
de la manera más precisa -
15:25 - 15:28usando este algoritmo
de aprendizaje profundo. -
15:28 - 15:31Y dándole esta pista...
ah, bien, ha tenido éxito. -
15:31 - 15:33Consiguió encontrar la manera
de pensar estos objetos -
15:33 - 15:36que está separando
estos que están juntos. -
15:36 - 15:38Así se entiende la idea aquí.
-
15:38 - 15:44Este es un caso en el que la persona
no es reemplazada por un computador, -
15:46 - 15:49sino que trabajan juntos.
-
15:49 - 15:53Estamos reemplazando algo que
solía necesitar de un equipo -
15:53 - 15:55de 5 o 6 personas durante 7 años
-
15:55 - 15:57por algo que lleva 15 minutos
-
15:57 - 16:00a una sola persona.
-
16:00 - 16:04Este proceso lleva
unas 4 o 5 iteraciones. -
16:04 - 16:06Ahora pueden ver que tenemos un 62 %
-
16:06 - 16:08de nuestro millón y medio de imágenes
clasificadas correctamente. -
16:08 - 16:11En este punto, podemos empezar,
con bastante rapidez, -
16:11 - 16:12a tomar grandes secciones completas,
-
16:12 - 16:15comprobándolas para asegurarse
que no hay errores. -
16:15 - 16:19Cuando hay errores,
podemos hacérselo saber al computador. -
16:19 - 16:22Usando este tipo de proceso
para cada uno de los diferentes grupos, -
16:22 - 16:25nos colocamos en un índice
del 80 % de éxito -
16:25 - 16:27en la clasificación de un millón
y medio de imágenes. -
16:27 - 16:29En este punto, es solo cuestión
-
16:29 - 16:33de encontrar el pequeño número
que no está clasificado correctamente, -
16:33 - 16:36e intentar comprender el porqué.
-
16:36 - 16:37Usando este enfoque,
-
16:37 - 16:41en 15 minutos alcanza un índice
de clasificación del 97 %. -
16:41 - 16:46Este tipo de técnica nos permite
arreglar un problema mayor, -
16:46 - 16:49que es que hay una falta de
conocimientos médicos en el mundo. -
16:49 - 16:53El Foro Económico Mundial
dice que hay entre 10 y 20 veces -
16:53 - 16:55de escasez de físicos
en el mundo desarrollado, -
16:55 - 16:57y llevará unos 300 años
-
16:57 - 17:00entrenar a gente suficiente
para arreglar el problema. -
17:00 - 17:03Imaginen que pudiésemos ayudar
a aumentar su eficiencia -
17:03 - 17:06usando estos métodos
de aprendizaje profundo. -
17:06 - 17:08Estoy muy entusiasmado
con las oportunidades. -
17:08 - 17:11También estoy preocupado
por los problemas. -
17:11 - 17:14El problema aquí es que
cada área azul de este mapa -
17:14 - 17:18es algún sitio donde el empleo,
de servicios es mayor del 80 %. -
17:18 - 17:19¿Qué son los servicios?
-
17:19 - 17:21Los servicios son esto.
-
17:21 - 17:23Estas son también las mismas cosas
-
17:23 - 17:26que los computadores acaban
de aprender a hacer. -
17:26 - 17:29Así que el 80 % del empleo mundial
en el mundo desarrollado -
17:29 - 17:31son cosas que los computadores
acaban de aprender a hacer. -
17:31 - 17:33¿Qué significa esto?
-
17:33 - 17:35Bueno no habrá problema,
lo reemplazarán por otros trabajos. -
17:35 - 17:38Por ejemplo, habrá más trabajos
para los científicos de datos. -
17:38 - 17:39Bueno, realmente no.
-
17:39 - 17:42A los científicos de datos no les lleva
mucho tiempo construir estas cosas. -
17:42 - 17:45Por ejemplo, estos 4 algoritmos
fueron creados por el mismo chico. -
17:45 - 17:48Así que si piensan,
todo ha pasado ya antes, -
17:48 - 17:52hemos visto los resultados en el pasado
de cuando surgen cosas nuevas -
17:52 - 17:54y son reemplazadas por nuevos trabajos.
-
17:54 - 17:56¿Qué trabajos van a ser?
-
17:56 - 17:58Es muy difícil para nosotros
hacer una estimación -
17:58 - 18:01ya que el comportamiento humano
crece a un ritmo gradual, -
18:01 - 18:03pero ahora tenemos un sistema,
aprendizaje profundo, -
18:03 - 18:06que sabemos que crece en capacidad,
exponencialmente. -
18:06 - 18:08Y aquí estamos.
-
18:08 - 18:10Actualmente, vemos las cosas
a nuestro alrededor -
18:10 - 18:13y decimos, "Los computadores siguen
siendo un poco estúpidos". ¿Verdad? -
18:13 - 18:16Pero en 5 años, los computadores
estarán fuera de esta gráfica. -
18:16 - 18:20Así que necesitamos empezar a pensar
sobre esta capacidad ahora mismo. -
18:20 - 18:22Lo hemos visto anteriormente,
por supuesto. -
18:22 - 18:23En la Revolución Industrial,
-
18:23 - 18:26vimos un cambio en la capacidad
gracias a los motores. -
18:27 - 18:30El asunto es, sin embargo, que tras
un tiempo, las cosas se nivelan. -
18:30 - 18:32Hubo una alteración social,
-
18:32 - 18:35pero una vez que los motores se usaron
para generar energía en todas las situaciones, -
18:35 - 18:38las cosas realmente se establecieron.
-
18:38 - 18:39La Revolución del Aprendizaje Automático
-
18:39 - 18:42va a ser diferente
a la Revolución Industrial -
18:42 - 18:45porque la Revolución del Aprendizaje Automático,
nunca se asienta. -
18:45 - 18:48Cuanto mejores son los computadores
en actividades intelectuales, -
18:48 - 18:52mejores computadores se crearán para
que mejoren su capacidad intelectual, -
18:52 - 18:54así que esto va a ser
una especie de cambio -
18:54 - 18:57que nunca antes había
experimentado el mundo, -
18:57 - 19:00por lo que el entendimiento previo
de lo posible, es diferente. -
19:00 - 19:02Esto nos impacta.
-
19:02 - 19:06En los últimos 25 años, la productividad
del capital se ha incrementado, -
19:06 - 19:10la productividad laboral se ha mantenido,
incluso ha descendido. -
19:11 - 19:14Por lo que quiero que empecemos
a discutir esto ahora. -
19:14 - 19:17Sé que cuando hablo
sobre esta situación -
19:17 - 19:18la gente puede ser despectiva.
-
19:18 - 19:20Bueno, los computadores
no pueden realmente pensar, -
19:20 - 19:23no tienen sentimientos,
no entienden poesía, -
19:23 - 19:25no entendemos realmente cómo funcionan.
-
19:25 - 19:27Y, ¿qué?
-
19:27 - 19:29Actualmente los computadores
pueden hacer cosas -
19:29 - 19:31en las que las personas gastan su tiempo
y les pagan por ello -
19:31 - 19:35así pues ahora tenemos que empezar a pensar
sobre cómo vamos a ajustar -
19:35 - 19:37nuestras estructuras sociales y económicas
-
19:37 - 19:39para ser conscientes de esta nueva realidad.
-
19:39 - 19:41Gracias.
-
19:41 - 19:42(Aplausos)
- Title:
- Las maravillosas y pavorosas consecuencias de los computadores que pueden aprender | Jeremy Howard | TEDxBrussels
- Description:
-
Esta charla es de un evento TEDx, organizado de manera independiente a las conferencias TED.
¿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:
- TEDxTalks
- Duration:
- 19:47