[Script Info]
Title: 
[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:00.88,0:00:04.68,Default,,0000,0000,0000,,Antes, si querías que un computador\Nhiciera algo nuevo
Dialogue: 0,0:00:04.68,0:00:06.51,Default,,0000,0000,0000,,tenías, normalmente, que programarlo.
Dialogue: 0,0:00:06.51,0:00:09.80,Default,,0000,0000,0000,,La programación, para quienes\Nno la han practicado,
Dialogue: 0,0:00:09.82,0:00:12.90,Default,,0000,0000,0000,,requiere especificar\Ncon el más mínimo detalle
Dialogue: 0,0:00:12.90,0:00:16.49,Default,,0000,0000,0000,,cada paso que uno quiere\Nque haga su computador
Dialogue: 0,0:00:16.49,0:00:18.73,Default,,0000,0000,0000,,para alcanzar el objetivo.
Dialogue: 0,0:00:18.73,0:00:22.38,Default,,0000,0000,0000,,Si quieren hacer algo que\Nno saben hacer por sí mismos
Dialogue: 0,0:00:22.38,0:00:24.38,Default,,0000,0000,0000,,entonces están ante un gran reto.
Dialogue: 0,0:00:24.38,0:00:27.94,Default,,0000,0000,0000,,Ese fue el reto al que se enfrentó\Neste hombre, Arthur Samuel.
Dialogue: 0,0:00:27.94,0:00:34.03,Default,,0000,0000,0000,,En 1956, quería hacer que su computador\Npudiera ganarle a las damas.
Dialogue: 0,0:00:34.03,0:00:35.78,Default,,0000,0000,0000,,¿Cómo se puede diseñar un programa,
Dialogue: 0,0:00:35.78,0:00:40.07,Default,,0000,0000,0000,,teniendo en cuenta el más mínimo detalle\Nque sea mejor que sí mismo a las damas?
Dialogue: 0,0:00:40.07,0:00:41.78,Default,,0000,0000,0000,,Y se le ocurrió una idea:
Dialogue: 0,0:00:41.78,0:00:45.62,Default,,0000,0000,0000,,hizo jugar al computador\Ncontra sí mismo miles de veces
Dialogue: 0,0:00:45.62,0:00:48.08,Default,,0000,0000,0000,,y le hizo aprender\Na jugar a las damas.
Dialogue: 0,0:00:48.08,0:00:51.03,Default,,0000,0000,0000,,De hecho funcionó, ya en 1962,
Dialogue: 0,0:00:51.03,0:00:53.96,Default,,0000,0000,0000,,este computador había ganado\Nla competición estatal de Connecticut.
Dialogue: 0,0:00:54.67,0:00:58.11,Default,,0000,0000,0000,,Arthur Samuel fue el padre\Ndel aprendizaje automático,
Dialogue: 0,0:00:58.11,0:00:59.69,Default,,0000,0000,0000,,y tengo una deuda con él,
Dialogue: 0,0:00:59.69,0:01:02.53,Default,,0000,0000,0000,,porque soy un profesional\Ndel aprendizaje automático.
Dialogue: 0,0:01:02.53,0:01:04.16,Default,,0000,0000,0000,,Fui presidente de Kaggle,
Dialogue: 0,0:01:04.16,0:01:05.79,Default,,0000,0000,0000,,una comunidad de unos 200 000
Dialogue: 0,0:01:05.79,0:01:07.42,Default,,0000,0000,0000,,profesionales del\Naprendizaje automático.
Dialogue: 0,0:01:07.42,0:01:09.70,Default,,0000,0000,0000,,Kaggle contribuye con competiciones
Dialogue: 0,0:01:09.70,0:01:13.15,Default,,0000,0000,0000,,para tratar de resolver problemas\Nanteriores no resueltos,
Dialogue: 0,0:01:13.32,0:01:15.98,Default,,0000,0000,0000,,y tuvo éxito cientos de veces.
Dialogue: 0,0:01:16.98,0:01:19.37,Default,,0000,0000,0000,,Así que desde esa perspectiva,\Npude descubrir
Dialogue: 0,0:01:19.37,0:01:23.42,Default,,0000,0000,0000,,mucho sobre lo que el aprendizaje\Nautomático hizo, puede hacer hoy
Dialogue: 0,0:01:23.42,0:01:25.62,Default,,0000,0000,0000,,y lo que podrá hacer en el futuro.
Dialogue: 0,0:01:25.62,0:01:27.86,Default,,0000,0000,0000,,Quizás el primer gran éxito
Dialogue: 0,0:01:27.86,0:01:30.46,Default,,0000,0000,0000,,del aprendizaje automático\Nen el mercado fue Google.
Dialogue: 0,0:01:30.46,0:01:34.04,Default,,0000,0000,0000,,Google demostró que era posible\Nencontrar información
Dialogue: 0,0:01:34.04,0:01:35.36,Default,,0000,0000,0000,,usando un algoritmo informático
Dialogue: 0,0:01:35.36,0:01:38.78,Default,,0000,0000,0000,,y ese algoritmo se basa en\Nel aprendizaje automático.
Dialogue: 0,0:01:38.78,0:01:42.52,Default,,0000,0000,0000,,Desde entonces, ha habido muchos éxitos\Ncomerciales del aprendizaje automático.
Dialogue: 0,0:01:42.52,0:01:45.47,Default,,0000,0000,0000,,Compañías como Amazon y Netflix\Nusan el aprendizaje automático
Dialogue: 0,0:01:45.47,0:01:47.85,Default,,0000,0000,0000,,para sugerir artículos \Nque les puedan interesar comprar,
Dialogue: 0,0:01:47.85,0:01:49.40,Default,,0000,0000,0000,,películas que les puedan interesar ver
Dialogue: 0,0:01:49.40,0:01:51.11,Default,,0000,0000,0000,,A veces, es casi escalofriante.
Dialogue: 0,0:01:51.11,0:01:53.17,Default,,0000,0000,0000,,Compañías como\NLinkedIn y Facebook
Dialogue: 0,0:01:53.17,0:01:55.99,Default,,0000,0000,0000,,dicen, en ocasiones, cuáles\Npueden ser sus amigos
Dialogue: 0,0:01:55.99,0:01:57.86,Default,,0000,0000,0000,,y uno no tiene ni idea\Nde cómo lo han hecho,
Dialogue: 0,0:01:57.86,0:02:00.44,Default,,0000,0000,0000,,y es porque hace uso del poder\Ndel aprendizaje automático.
Dialogue: 0,0:02:00.44,0:02:03.87,Default,,0000,0000,0000,,Estos son algoritmos que han aprendido\Ncomo hacerlo a partir de los datos
Dialogue: 0,0:02:03.87,0:02:06.64,Default,,0000,0000,0000,,en lugar de ser programados a mano.
Dialogue: 0,0:02:07.11,0:02:09.45,Default,,0000,0000,0000,,Así es también como IBM tuvo éxito
Dialogue: 0,0:02:09.45,0:02:13.49,Default,,0000,0000,0000,,en conseguir que Watson ganara\Ndos campeonatos mundiales de "Jeopardy"
Dialogue: 0,0:02:13.77,0:02:16.45,Default,,0000,0000,0000,,respondiendo preguntas increíblemente\Ningeniosas, como esta.
Dialogue: 0,0:02:16.45,0:02:20.16,Default,,0000,0000,0000,,[El antiguo "León de Nimrud" se perdió\Ndel Museo Nacional de esta ciudad en 2003]
Dialogue: 0,0:02:20.16,0:02:23.31,Default,,0000,0000,0000,,También es por eso, que podemos ver\Nlos primeros autos sin piloto.
Dialogue: 0,0:02:23.38,0:02:26.01,Default,,0000,0000,0000,,Si pueden diferenciar\Nentre, por ejemplo
Dialogue: 0,0:02:26.01,0:02:28.83,Default,,0000,0000,0000,,un árbol y un peatón,\Nes algo muy importante.
Dialogue: 0,0:02:28.87,0:02:31.57,Default,,0000,0000,0000,,No sabemos diseñar\Nestos programas manualmente,
Dialogue: 0,0:02:31.57,0:02:34.18,Default,,0000,0000,0000,,pero con el aprendizaje\Nautomático es posible.
Dialogue: 0,0:02:34.18,0:02:37.57,Default,,0000,0000,0000,,De hecho, este auto ha conducido\Nmás de un millón y medio de kilómetros
Dialogue: 0,0:02:37.57,0:02:40.08,Default,,0000,0000,0000,,sin tener accidentes en carretera.
Dialogue: 0,0:02:40.08,0:02:43.64,Default,,0000,0000,0000,,Así, sabemos que los computadores\Npueden aprender
Dialogue: 0,0:02:43.64,0:02:45.80,Default,,0000,0000,0000,,y pueden aprender a hacer cosas
Dialogue: 0,0:02:45.80,0:02:48.56,Default,,0000,0000,0000,,que de hecho nosotros, a veces,\Nno sabemos hacer,
Dialogue: 0,0:02:48.56,0:02:51.32,Default,,0000,0000,0000,,o las pueden hacer mejor que nosotros.
Dialogue: 0,0:02:51.32,0:02:55.58,Default,,0000,0000,0000,,Uno de los ejemplos más sorprendentes\Nque he visto en aprendizaje automático
Dialogue: 0,0:02:55.58,0:02:58.12,Default,,0000,0000,0000,,ocurrió en un proyecto\Nque dirigía en Kaggle
Dialogue: 0,0:02:58.12,0:03:01.60,Default,,0000,0000,0000,,donde un equipo dirigido por un chico\Nllamado Geoffrey Hinton
Dialogue: 0,0:03:01.60,0:03:02.98,Default,,0000,0000,0000,,de la Universidad de Toronto
Dialogue: 0,0:03:02.98,0:03:06.08,Default,,0000,0000,0000,,ganó un concurso para el descubrimiento\Nautomático de medicamentos.
Dialogue: 0,0:03:06.08,0:03:08.56,Default,,0000,0000,0000,,Lo extraordinario fue no solo que batiera
Dialogue: 0,0:03:08.56,0:03:10.54,Default,,0000,0000,0000,,a todos los algoritmos \Ndesarrollados por Merck
Dialogue: 0,0:03:10.54,0:03:13.10,Default,,0000,0000,0000,,o la comunidad académica internacional,
Dialogue: 0,0:03:13.10,0:03:15.74,Default,,0000,0000,0000,,sino que nadie del equipo \Ntenía experiencia en química
Dialogue: 0,0:03:15.74,0:03:19.84,Default,,0000,0000,0000,,o biología o ciencias biológicas\Ny lo hicieron en dos semanas.
Dialogue: 0,0:03:19.84,0:03:22.26,Default,,0000,0000,0000,,¿Cómo lo hicieron?
Dialogue: 0,0:03:22.26,0:03:25.26,Default,,0000,0000,0000,,Usaron un algoritmo extraordinario\Nllamado aprendizaje profundo.
Dialogue: 0,0:03:25.26,0:03:28.32,Default,,0000,0000,0000,,Fue tan exitoso que tuvo cobertura
Dialogue: 0,0:03:28.32,0:03:31.36,Default,,0000,0000,0000,,en The New York Times en un artículo\Nde portada unas semanas después.
Dialogue: 0,0:03:31.36,0:03:33.98,Default,,0000,0000,0000,,Este es Geoffrey Hinton\Na la izquierda.
Dialogue: 0,0:03:33.98,0:03:37.99,Default,,0000,0000,0000,,El aprendizaje profundo es un algoritmo\Ninspirado en el cerebro humano
Dialogue: 0,0:03:37.99,0:03:39.96,Default,,0000,0000,0000,,y como resultado
Dialogue: 0,0:03:39.96,0:03:43.36,Default,,0000,0000,0000,,no tiene limitaciones teóricas\Nen lo que puede hacer.
Dialogue: 0,0:03:43.36,0:03:46.76,Default,,0000,0000,0000,,Cuantos más datos\Ny tiempo de cálculo uno le dé
Dialogue: 0,0:03:46.76,0:03:47.97,Default,,0000,0000,0000,,mejor funciona.
Dialogue: 0,0:03:48.00,0:03:50.40,Default,,0000,0000,0000,,The New York Times mostró,\Ntambién en su artículo
Dialogue: 0,0:03:50.40,0:03:52.93,Default,,0000,0000,0000,,otro resultado extraordinario\Ndel aprendizaje profundo
Dialogue: 0,0:03:52.93,0:03:55.18,Default,,0000,0000,0000,,que mostraré ahora.
Dialogue: 0,0:03:55.18,0:03:59.12,Default,,0000,0000,0000,,Demuestra que los computadores\Npueden escuchar y comprender.
Dialogue: 0,0:04:01.08,0:04:03.25,Default,,0000,0000,0000,,(Vídeo) Richard Rashid:\NEl último paso
Dialogue: 0,0:04:04.16,0:04:05.76,Default,,0000,0000,0000,,que quiero dar en este proceso
Dialogue: 0,0:04:06.66,0:04:09.41,Default,,0000,0000,0000,,es hablar en chino.
Dialogue: 0,0:04:11.88,0:04:13.16,Default,,0000,0000,0000,,La clave es,
Dialogue: 0,0:04:13.16,0:04:17.78,Default,,0000,0000,0000,,hemos recopilado una gran información\Nde hablantes de chino
Dialogue: 0,0:04:17.78,0:04:20.89,Default,,0000,0000,0000,,y producido un sistema de conversión\Nde texto a voz
Dialogue: 0,0:04:20.89,0:04:25.02,Default,,0000,0000,0000,,que toma el texto en chino\Ny lo convierte en lengua oral,
Dialogue: 0,0:04:26.68,0:04:30.20,Default,,0000,0000,0000,,luego hemos grabado\Nuna hora de mi voz
Dialogue: 0,0:04:30.20,0:04:32.47,Default,,0000,0000,0000,,que usamos para modular
Dialogue: 0,0:04:32.47,0:04:36.20,Default,,0000,0000,0000,,el texto estándar de conversión\Nde texto a voz para que suene como yo.
Dialogue: 0,0:04:36.44,0:04:38.98,Default,,0000,0000,0000,,De nuevo, el resultado no es perfecto.
Dialogue: 0,0:04:38.98,0:04:41.81,Default,,0000,0000,0000,,De hecho, hay unos cuantos errores.
Dialogue: 0,0:04:41.81,0:04:44.13,Default,,0000,0000,0000,,結果並不完美\N(los resultados no son perfectos)
Dialogue: 0,0:04:44.13,0:04:47.83,Default,,0000,0000,0000,,(Aplausos)
Dialogue: 0,0:04:49.43,0:04:52.24,Default,,0000,0000,0000,,Hay mucho que hacer en esta área.
Dialogue: 0,0:04:52.70,0:04:56.15,Default,,0000,0000,0000,,在這方面有很多工作要做 (hay mucho\Ntrabajo que hacer en esta área)
Dialogue: 0,0:04:56.15,0:04:59.67,Default,,0000,0000,0000,,(Aplausos)
Dialogue: 0,0:05:01.72,0:05:05.50,Default,,0000,0000,0000,,Jeremy Howard: Esto era una conferencia\Nde aprendizaje automático en China.
Dialogue: 0,0:05:05.50,0:05:07.87,Default,,0000,0000,0000,,No es usual, en conferencias académicas
Dialogue: 0,0:05:07.87,0:05:09.76,Default,,0000,0000,0000,,oír aplausos espontáneos,
Dialogue: 0,0:05:09.76,0:05:12.83,Default,,0000,0000,0000,,aunque en las conferencias\Nde TEDx siéntanse libres.
Dialogue: 0,0:05:12.83,0:05:15.12,Default,,0000,0000,0000,,Todo lo que han visto es gracias\Nal aprendizaje profundo.
Dialogue: 0,0:05:15.12,0:05:16.88,Default,,0000,0000,0000,,(Aplausos) Gracias.
Dialogue: 0,0:05:16.88,0:05:19.72,Default,,0000,0000,0000,,La transcripción en inglés\Nes aprendizaje profundo.
Dialogue: 0,0:05:19.72,0:05:23.20,Default,,0000,0000,0000,,La traducción al chino y el texto arriba\Na la derecha, es aprendizaje profundo,
Dialogue: 0,0:05:23.20,0:05:26.04,Default,,0000,0000,0000,,y la construcción de la voz también\Nes aprendizaje profundo.
Dialogue: 0,0:05:26.76,0:05:29.100,Default,,0000,0000,0000,,Eso es lo extraordinario\Ndel aprendizaje profundo.
Dialogue: 0,0:05:29.100,0:05:33.09,Default,,0000,0000,0000,,Es un solo algoritmo que parece\Nhacer casi cualquier cosa,
Dialogue: 0,0:05:33.09,0:05:36.08,Default,,0000,0000,0000,,y descubrí que un año antes,\Naprendió a ver.
Dialogue: 0,0:05:36.08,0:05:37.89,Default,,0000,0000,0000,,En esta extraña competición en Alemania
Dialogue: 0,0:05:37.89,0:05:40.43,Default,,0000,0000,0000,,llamada Banco de Prueba de\NReconocimiento de Señales de Tránsito
Dialogue: 0,0:05:40.43,0:05:44.27,Default,,0000,0000,0000,,el aprendizaje profundo ha aprendido\Na reconocer señales de tránsito como esta.
Dialogue: 0,0:05:44.28,0:05:46.47,Default,,0000,0000,0000,,No solo reconoce señales de tránsito
Dialogue: 0,0:05:46.49,0:05:48.22,Default,,0000,0000,0000,,mejor que cualquier otro algoritmo,
Dialogue: 0,0:05:48.22,0:05:50.86,Default,,0000,0000,0000,,la clasificación mostró\Nque era mejor que las personas,
Dialogue: 0,0:05:50.86,0:05:52.62,Default,,0000,0000,0000,,dos veces más bueno que las personas.
Dialogue: 0,0:05:52.62,0:05:54.79,Default,,0000,0000,0000,,Para 2011, se da el primer ejemplo
Dialogue: 0,0:05:54.79,0:05:58.20,Default,,0000,0000,0000,,de computadores que pueden ver\Nmejor que las personas.
Dialogue: 0,0:05:58.20,0:06:00.24,Default,,0000,0000,0000,,Desde entonces, han ocurrido muchas cosas.
Dialogue: 0,0:06:00.24,0:06:03.76,Default,,0000,0000,0000,,En 2012, Google anunció que había hecho\Nque un algoritmo de aprendizaje profundo
Dialogue: 0,0:06:03.76,0:06:05.17,Default,,0000,0000,0000,,viera vídeos en YouTube
Dialogue: 0,0:06:05.17,0:06:08.10,Default,,0000,0000,0000,,y procesaron la información\Nen 16 000 computadores al mes
Dialogue: 0,0:06:08.10,0:06:10.30,Default,,0000,0000,0000,,y el computador aprendió \Nde manera independiente
Dialogue: 0,0:06:10.30,0:06:14.78,Default,,0000,0000,0000,,conceptos como personas y gatos\Nsolo viendo los vídeos.
Dialogue: 0,0:06:14.78,0:06:17.13,Default,,0000,0000,0000,,Esto se parece mucho\Nal aprendizaje humano.
Dialogue: 0,0:06:17.13,0:06:19.87,Default,,0000,0000,0000,,Los humanos no aprendemos\Nporque nos cuenten lo que vemos,
Dialogue: 0,0:06:19.87,0:06:23.20,Default,,0000,0000,0000,,sino que aprendemos solos\Nqué son esas cosas.
Dialogue: 0,0:06:23.20,0:06:26.57,Default,,0000,0000,0000,,También en 2012, Geoffrey Hinton,\Nque vimos anteriormente,
Dialogue: 0,0:06:26.57,0:06:29.43,Default,,0000,0000,0000,,ganó la famosa competición de ImageNet,
Dialogue: 0,0:06:29.43,0:06:32.86,Default,,0000,0000,0000,,tratando de averiguar, mirando\Nun millón y medio de imágenes,
Dialogue: 0,0:06:32.86,0:06:34.56,Default,,0000,0000,0000,,sobre qué eran estas imágenes.
Dialogue: 0,0:06:34.56,0:06:38.15,Default,,0000,0000,0000,,A partir de 2014, tenemos un porcentaje\Nde error por debajo del 6 %
Dialogue: 0,0:06:38.15,0:06:39.54,Default,,0000,0000,0000,,en reconocimiento de imágenes.
Dialogue: 0,0:06:39.54,0:06:42.02,Default,,0000,0000,0000,,De nuevo, mejor que las personas.
Dialogue: 0,0:06:42.02,0:06:45.14,Default,,0000,0000,0000,,Las máquinas están haciendo\Nun trabajo increíble aquí,
Dialogue: 0,0:06:45.14,0:06:47.61,Default,,0000,0000,0000,,y está siendo usadas en la industria.
Dialogue: 0,0:06:47.61,0:06:50.67,Default,,0000,0000,0000,,Por ejemplo, Google anunció el año pasado
Dialogue: 0,0:06:50.67,0:06:55.69,Default,,0000,0000,0000,,que había cartografiado cada sitio\Nde Francia en dos horas,
Dialogue: 0,0:06:55.69,0:06:59.13,Default,,0000,0000,0000,,y lo hizo alimentando\Ncon imágenes de las calles,
Dialogue: 0,0:06:59.13,0:07:03.45,Default,,0000,0000,0000,,al algoritmo de aprendizaje profundo\Npara reconocer y leer los números.
Dialogue: 0,0:07:03.45,0:07:05.67,Default,,0000,0000,0000,,Imaginen lo que se habría tardado antes:
Dialogue: 0,0:07:05.67,0:07:09.03,Default,,0000,0000,0000,,docenas de personas, muchos años.
Dialogue: 0,0:07:09.03,0:07:10.94,Default,,0000,0000,0000,,Esto también está pasando en China.
Dialogue: 0,0:07:10.94,0:07:14.97,Default,,0000,0000,0000,,Baidu es como el Google chino, creo,
Dialogue: 0,0:07:14.97,0:07:18.92,Default,,0000,0000,0000,,y lo que ven arriba a la izquierda\Nes un ejemplo de una imagen que subí
Dialogue: 0,0:07:18.92,0:07:21.23,Default,,0000,0000,0000,,al sistema de aprendizaje profundo \Nde Baidu,
Dialogue: 0,0:07:21.23,0:07:25.00,Default,,0000,0000,0000,,y debajo se puede ver que el sistema\Nha entendido lo que es esa imagen
Dialogue: 0,0:07:25.00,0:07:27.24,Default,,0000,0000,0000,,y encuentra imágenes similares.
Dialogue: 0,0:07:27.24,0:07:29.97,Default,,0000,0000,0000,,Las imágenes similares\Ntienen fondos similares
Dialogue: 0,0:07:29.97,0:07:33.42,Default,,0000,0000,0000,,similares de las caras,\Nincluso algunos con la lengua afuera.
Dialogue: 0,0:07:33.42,0:07:36.14,Default,,0000,0000,0000,,Esto no es claramente mirar\Nel texto de una página web.
Dialogue: 0,0:07:36.14,0:07:37.86,Default,,0000,0000,0000,,Todo lo que descargué eran imágenes.
Dialogue: 0,0:07:37.86,0:07:41.62,Default,,0000,0000,0000,,Por lo que ahora tenemos computadores\Nque entienden lo que ven
Dialogue: 0,0:07:41.62,0:07:43.50,Default,,0000,0000,0000,,y por ello pueden buscar bases de datos
Dialogue: 0,0:07:43.50,0:07:45.86,Default,,0000,0000,0000,,de cientos de millones\Nde imágenes en tiempo real.
Dialogue: 0,0:07:45.86,0:07:49.31,Default,,0000,0000,0000,,¿Qué significado tiene que\Nlos computadores puedan ver?
Dialogue: 0,0:07:49.31,0:07:51.79,Default,,0000,0000,0000,,Bueno, no es solo que\Nlos computadores puedan ver.
Dialogue: 0,0:07:51.79,0:07:54.44,Default,,0000,0000,0000,,De hecho, el aprendizaje profundo\Nha hecho más que eso.
Dialogue: 0,0:07:54.44,0:07:56.43,Default,,0000,0000,0000,,Frases complejas y llenas\Nde matices como esta
Dialogue: 0,0:07:56.43,0:07:59.22,Default,,0000,0000,0000,,son ahora comprensibles con\Nalgoritmos del aprendizaje profundo.
Dialogue: 0,0:07:59.22,0:08:00.28,Default,,0000,0000,0000,,Como pueden ver aquí,
Dialogue: 0,0:08:00.28,0:08:04.14,Default,,0000,0000,0000,,este sistema basado en el de Stanford que\Nmuestra el punto rojo en la parte superior
Dialogue: 0,0:08:04.14,0:08:07.96,Default,,0000,0000,0000,,ha comprendido que esta frase\Nexpresa sentimientos negativos.
Dialogue: 0,0:08:07.96,0:08:10.80,Default,,0000,0000,0000,,El aprendizaje profundo está cercano\Na la conducta humana al comprender
Dialogue: 0,0:08:10.80,0:08:15.17,Default,,0000,0000,0000,,lo que significan las frases y lo que \Nse está diciendo sobre esas cosas.
Dialogue: 0,0:08:16.56,0:08:19.40,Default,,0000,0000,0000,,El aprendizaje profundo se ha usado\Ntambién para leer chino,
Dialogue: 0,0:08:19.40,0:08:22.56,Default,,0000,0000,0000,,de nuevo, a un nivel\Ncasi de hablante nativo.
Dialogue: 0,0:08:22.56,0:08:24.73,Default,,0000,0000,0000,,Este algoritmo, desarrollado en Suiza
Dialogue: 0,0:08:24.73,0:08:28.08,Default,,0000,0000,0000,,por gente que no hablaba \Nni entendía chino.
Dialogue: 0,0:08:28.08,0:08:30.13,Default,,0000,0000,0000,,Como dije, usar el aprendizaje profundo
Dialogue: 0,0:08:30.13,0:08:32.35,Default,,0000,0000,0000,,es el mejor sistema del mundo para esto,
Dialogue: 0,0:08:32.35,0:08:36.18,Default,,0000,0000,0000,,hasta comparándolo\Ncon el conocimiento humano.
Dialogue: 0,0:08:37.47,0:08:40.30,Default,,0000,0000,0000,,Este es un sistema que\Nformamos en mi empresa
Dialogue: 0,0:08:40.30,0:08:42.48,Default,,0000,0000,0000,,que demuestra todas estas cosas juntas.
Dialogue: 0,0:08:42.51,0:08:44.94,Default,,0000,0000,0000,,Estas son imágenes sin texto adjunto,
Dialogue: 0,0:08:44.94,0:08:47.29,Default,,0000,0000,0000,,y cuando tecleo aquí frases,
Dialogue: 0,0:08:47.29,0:08:50.26,Default,,0000,0000,0000,,entiende, en tiempo real, estas imágenes
Dialogue: 0,0:08:50.26,0:08:51.94,Default,,0000,0000,0000,,y comprende de qué se tratan
Dialogue: 0,0:08:51.94,0:08:54.82,Default,,0000,0000,0000,,y encuentra imágenes similares\Nal texto que estoy escribiendo.
Dialogue: 0,0:08:54.82,0:08:57.43,Default,,0000,0000,0000,,Como pueden ver, entiende mis frases
Dialogue: 0,0:08:57.43,0:08:59.44,Default,,0000,0000,0000,,y de hecho entiende estas imágenes.
Dialogue: 0,0:08:59.44,0:09:02.63,Default,,0000,0000,0000,,Se que han visto algo como esto en Google,\Ndonde puede escribir algo
Dialogue: 0,0:09:02.63,0:09:05.93,Default,,0000,0000,0000,,y te lo muestra en imágenes,\Npero lo que realmente está haciendo
Dialogue: 0,0:09:05.93,0:09:08.84,Default,,0000,0000,0000,,es buscar la página web \Na través del texto.
Dialogue: 0,0:09:08.84,0:09:11.52,Default,,0000,0000,0000,,Esto es muy diferente\Na comprender las imágenes.
Dialogue: 0,0:09:11.52,0:09:14.43,Default,,0000,0000,0000,,Esto es algo que los computadores\Nsolo han podido hacer
Dialogue: 0,0:09:14.43,0:09:16.43,Default,,0000,0000,0000,,por primera vez hace unos pocos meses.
Dialogue: 0,0:09:17.16,0:09:19.95,Default,,0000,0000,0000,,Así que ahora podemos ver \Nque los computadores no solo ven
Dialogue: 0,0:09:19.95,0:09:21.75,Default,,0000,0000,0000,,sino que pueden leer,
Dialogue: 0,0:09:21.75,0:09:24.98,Default,,0000,0000,0000,,y, por supuesto, hemos demostrado\Nque pueden entender lo que oyen.
Dialogue: 0,0:09:24.98,0:09:28.48,Default,,0000,0000,0000,,Quizá no sea sorprendente ahora\Nlo que voy a decir, pueden escribir.
Dialogue: 0,0:09:28.48,0:09:30.52,Default,,0000,0000,0000,,Aquí hay parte de un texto que generé ayer
Dialogue: 0,0:09:30.52,0:09:32.63,Default,,0000,0000,0000,,usando el algoritmo \Nde aprendizaje profundo.
Dialogue: 0,0:09:34.74,0:09:37.85,Default,,0000,0000,0000,,Y aquí hay parte de un texto que generó\Nun algoritmo de Stanford.
Dialogue: 0,0:09:37.85,0:09:39.61,Default,,0000,0000,0000,,Cada una de estas frases fue generada
Dialogue: 0,0:09:39.61,0:09:43.58,Default,,0000,0000,0000,,por un algoritmo de aprendizaje profundo\Npara describir estas imágenes.
Dialogue: 0,0:09:43.58,0:09:45.80,Default,,0000,0000,0000,,Este algoritmo nunca había visto
Dialogue: 0,0:09:45.80,0:09:47.91,Default,,0000,0000,0000,,a un hombre con camisa negra \Ntocando la guitarra.
Dialogue: 0,0:09:47.91,0:09:50.22,Default,,0000,0000,0000,,Ha visto a un hombre antes,\Nha visto el negro antes
Dialogue: 0,0:09:50.22,0:09:52.15,Default,,0000,0000,0000,,ha visto una guitarra antes,\Npero ha generado
Dialogue: 0,0:09:52.15,0:09:56.45,Default,,0000,0000,0000,,de manera independiente esta innovadora \Ndescripción de esta imagen.
Dialogue: 0,0:09:56.45,0:09:59.95,Default,,0000,0000,0000,,Aquí no estamos ante un comportamiento\Nhumano, pero estamos cerca.
Dialogue: 0,0:09:59.95,0:10:03.72,Default,,0000,0000,0000,,En las pruebas, las personas prefieren\Nlas leyendas generadas por el computador
Dialogue: 0,0:10:03.72,0:10:05.38,Default,,0000,0000,0000,,1 de cada 4 veces.
Dialogue: 0,0:10:05.38,0:10:07.61,Default,,0000,0000,0000,,Este sistema tiene ahora solo\Ndos semanas de edad,
Dialogue: 0,0:10:07.61,0:10:09.45,Default,,0000,0000,0000,,por lo que posiblemente\Nantes del año que viene,
Dialogue: 0,0:10:09.45,0:10:12.26,Default,,0000,0000,0000,,el algoritmo del computador irá\Nmás allá del comportamiento humano
Dialogue: 0,0:10:12.26,0:10:14.12,Default,,0000,0000,0000,,al paso que van las cosas.
Dialogue: 0,0:10:14.12,0:10:17.17,Default,,0000,0000,0000,,Así que los computadores pueden escribir.
Dialogue: 0,0:10:17.17,0:10:20.30,Default,,0000,0000,0000,,Juntamos todo esto y lleva\Na oportunidades apasionantes.
Dialogue: 0,0:10:20.30,0:10:21.81,Default,,0000,0000,0000,,Por ejemplo, en medicina,
Dialogue: 0,0:10:21.81,0:10:24.66,Default,,0000,0000,0000,,un equipo de Boston anunció\Nque habían descubierto
Dialogue: 0,0:10:24.66,0:10:27.37,Default,,0000,0000,0000,,decenas de características\Nclínicas relevantes
Dialogue: 0,0:10:27.37,0:10:31.85,Default,,0000,0000,0000,,sobre tumores que ayudan a los médicos\Na hacer un diagnóstico de un cáncer.
Dialogue: 0,0:10:32.97,0:10:35.27,Default,,0000,0000,0000,,Algo similar, en Stanford,
Dialogue: 0,0:10:35.27,0:10:38.09,Default,,0000,0000,0000,,un grupo anunció que,\Nmirando un tejido con aumento,
Dialogue: 0,0:10:38.09,0:10:41.31,Default,,0000,0000,0000,,habían desarrollado una máquina\Nbasada en el sistema de aprendizaje
Dialogue: 0,0:10:41.31,0:10:43.90,Default,,0000,0000,0000,,que de hecho es mejor\Nque los patólogos humanos
Dialogue: 0,0:10:43.90,0:10:47.67,Default,,0000,0000,0000,,prediciendo las tasas de supervivencia\Nde los enfermos de cáncer.
Dialogue: 0,0:10:47.67,0:10:51.18,Default,,0000,0000,0000,,En ambos casos, no solo fueron\Nlas predicciones más precisas,
Dialogue: 0,0:10:51.18,0:10:53.73,Default,,0000,0000,0000,,sino que generaron una\Nnueva ciencia reveladora.
Dialogue: 0,0:10:53.73,0:10:55.53,Default,,0000,0000,0000,,En el caso de la radiología,
Dialogue: 0,0:10:55.53,0:10:58.63,Default,,0000,0000,0000,,hubo nuevos indicadores clínicos\Nque las personas pueden entender.
Dialogue: 0,0:10:58.63,0:11:00.42,Default,,0000,0000,0000,,En este caso de patología,
Dialogue: 0,0:11:00.42,0:11:04.92,Default,,0000,0000,0000,,el sistema informático descubrió\Nque las células alrededor del cáncer
Dialogue: 0,0:11:04.92,0:11:08.26,Default,,0000,0000,0000,,son tan importantes como\Nlas células del cáncer mismo
Dialogue: 0,0:11:08.26,0:11:10.01,Default,,0000,0000,0000,,al hacer un diagnóstico.
Dialogue: 0,0:11:10.01,0:11:14.49,Default,,0000,0000,0000,,Esto es lo contrario de lo que\Nlos patólogos han pensado por décadas.
Dialogue: 0,0:11:15.37,0:11:18.67,Default,,0000,0000,0000,,En cada uno de estos casos,\Nfueron sistemas desarrollados
Dialogue: 0,0:11:18.67,0:11:22.29,Default,,0000,0000,0000,,por una combinación de expertos médicos\Ny expertos del aprendizaje profundo,
Dialogue: 0,0:11:22.29,0:11:25.03,Default,,0000,0000,0000,,pero a partir del año pasado,\Ndimos un paso más allá.
Dialogue: 0,0:11:25.03,0:11:28.58,Default,,0000,0000,0000,,Este es un caso de identificación\Nde áreas cancerígenas
Dialogue: 0,0:11:28.58,0:11:31.11,Default,,0000,0000,0000,,del tejido humano por microscopio.
Dialogue: 0,0:11:31.11,0:11:34.04,Default,,0000,0000,0000,,El sistema que se muestra aquí \Npuede identificar esas áreas
Dialogue: 0,0:11:34.04,0:11:38.00,Default,,0000,0000,0000,,de formar más precisa o casi tan precisa\Ncomo los patólogos humanos,
Dialogue: 0,0:11:38.00,0:11:40.27,Default,,0000,0000,0000,,construido completamente \Ncon aprendizaje profundo
Dialogue: 0,0:11:40.27,0:11:41.80,Default,,0000,0000,0000,,sin usar experiencia médica
Dialogue: 0,0:11:41.80,0:11:44.11,Default,,0000,0000,0000,,por gente que no tenía\Nexperiencia en este campo.
Dialogue: 0,0:11:45.48,0:11:48.04,Default,,0000,0000,0000,,De manera similar,\Nesta segmentación neuronal.
Dialogue: 0,0:11:48.04,0:11:51.71,Default,,0000,0000,0000,,Ahora, podemos segmentar neuronas de forma\Ncasi tan precisa como las personas,
Dialogue: 0,0:11:51.71,0:11:54.42,Default,,0000,0000,0000,,y este sistema fue desarrollado\Npor aprendizaje profundo
Dialogue: 0,0:11:54.42,0:11:56.69,Default,,0000,0000,0000,,usando a gente sin experiencia\Nprevia en medicina.
Dialogue: 0,0:11:57.41,0:12:00.90,Default,,0000,0000,0000,,Como yo, alguien sin experiencia\Nprevia en medicina,
Dialogue: 0,0:12:00.90,0:12:04.63,Default,,0000,0000,0000,,parezco completamente calificado\Npara empezar una empresa médica,
Dialogue: 0,0:12:04.63,0:12:06.05,Default,,0000,0000,0000,,y lo hice.
Dialogue: 0,0:12:06.77,0:12:08.51,Default,,0000,0000,0000,,Estaba aterrorizado de hacerlo,
Dialogue: 0,0:12:08.51,0:12:11.40,Default,,0000,0000,0000,,pero la teoría parecía sugerir\Nque podía ser posible
Dialogue: 0,0:12:11.40,0:12:15.96,Default,,0000,0000,0000,,hacer medicina muy útil usando solo\Nestas técnicas de información analítica.
Dialogue: 0,0:12:16.48,0:12:18.84,Default,,0000,0000,0000,,Afortunadamente, la recompensa\Nha sido fantástica,
Dialogue: 0,0:12:18.84,0:12:21.19,Default,,0000,0000,0000,,no solo por parte de los medios\Nsino de la comunidad médica,
Dialogue: 0,0:12:21.19,0:12:22.98,Default,,0000,0000,0000,,que nos ha apoyado mucho.
Dialogue: 0,0:12:23.28,0:12:27.71,Default,,0000,0000,0000,,La teoría es que podemos tomar\Nmedia parte del proceso médico
Dialogue: 0,0:12:27.71,0:12:30.44,Default,,0000,0000,0000,,y convertirlo todo lo posible\Nen análisis de datos,
Dialogue: 0,0:12:30.44,0:12:33.03,Default,,0000,0000,0000,,dejando a los médicos\Nen lo que son mejores.
Dialogue: 0,0:12:33.84,0:12:35.28,Default,,0000,0000,0000,,Quiero dar un ejemplo.
Dialogue: 0,0:12:35.28,0:12:40.73,Default,,0000,0000,0000,,Nos lleva unos 15 minutos crear\Nuna nueva prueba de diagnóstico médico
Dialogue: 0,0:12:40.73,0:12:42.53,Default,,0000,0000,0000,,y ahora lo demostraré\Nen tiempo real,
Dialogue: 0,0:12:42.53,0:12:44.30,Default,,0000,0000,0000,,pero lo he comprimido a 3 minutos
Dialogue: 0,0:12:44.30,0:12:45.83,Default,,0000,0000,0000,,cortando algunas partes.
Dialogue: 0,0:12:45.83,0:12:49.06,Default,,0000,0000,0000,,En vez de mostrar cómo crear\Nuna prueba de diagnóstico médico,
Dialogue: 0,0:12:49.06,0:12:52.60,Default,,0000,0000,0000,,mostraré una prueba de diagnóstico\Nde imágenes de autos,
Dialogue: 0,0:12:52.60,0:12:54.82,Default,,0000,0000,0000,,porque es algo que\Ntodos podemos entender.
Dialogue: 0,0:12:54.82,0:12:57.61,Default,,0000,0000,0000,,Así que, empezamos con un millón\Ny medio de imágenes de autos,
Dialogue: 0,0:12:57.61,0:13:01.23,Default,,0000,0000,0000,,y quiero crear algo que\Npueda dividirlas en el ángulo
Dialogue: 0,0:13:01.23,0:13:03.04,Default,,0000,0000,0000,,en el que la foto fue tomada.
Dialogue: 0,0:13:03.04,0:13:06.98,Default,,0000,0000,0000,,Estas imágenes están sin etiquetar,\Nasí que tengo que empezar desde cero.
Dialogue: 0,0:13:06.98,0:13:09.20,Default,,0000,0000,0000,,Con nuestro algoritmo\Nde aprendizaje profundo,
Dialogue: 0,0:13:09.20,0:13:12.61,Default,,0000,0000,0000,,se pueden identificar automáticamente\Náreas de la estructura en estas imágenes.
Dialogue: 0,0:13:12.61,0:13:16.53,Default,,0000,0000,0000,,Lo bueno es que la persona y el computador\Npueden trabajar juntos.
Dialogue: 0,0:13:16.53,0:13:18.71,Default,,0000,0000,0000,,Así que la persona,\Ncomo pueden ver aquí,
Dialogue: 0,0:13:18.71,0:13:21.38,Default,,0000,0000,0000,,le está indicando al computador\Náreas de interés
Dialogue: 0,0:13:21.38,0:13:26.03,Default,,0000,0000,0000,,que quiere que el computador pruebe\Ny use para mejorar su algoritmo.
Dialogue: 0,0:13:26.03,0:13:30.33,Default,,0000,0000,0000,,Estos sistemas de aprendizaje profundo\Nestán en un espacio de 16 000 dimensiones,
Dialogue: 0,0:13:30.33,0:13:33.76,Default,,0000,0000,0000,,así, pueden ver aquí cómo el computador\Nrota esto en ese espacio,
Dialogue: 0,0:13:33.76,0:13:35.75,Default,,0000,0000,0000,,intentando encontrar \Nnuevas áreas de estructura.
Dialogue: 0,0:13:35.75,0:13:37.54,Default,,0000,0000,0000,,Y cuando lo hace con éxito,
Dialogue: 0,0:13:37.54,0:13:41.54,Default,,0000,0000,0000,,la persona que lo maneja puede, entonces,\Nseñalar las áreas de interés.
Dialogue: 0,0:13:41.54,0:13:43.96,Default,,0000,0000,0000,,Aquí, el computador ha encontrado,\Ncon éxito, áreas,
Dialogue: 0,0:13:43.96,0:13:46.14,Default,,0000,0000,0000,,por ejemplo, ángulos.
Dialogue: 0,0:13:46.14,0:13:47.67,Default,,0000,0000,0000,,Conforme avanzamos en este proceso,
Dialogue: 0,0:13:47.67,0:13:49.80,Default,,0000,0000,0000,,vamos diciendo, gradualmente,\Nal computador más y más
Dialogue: 0,0:13:49.80,0:13:52.16,Default,,0000,0000,0000,,sobre los tipos de estructuras\Nque estamos buscando.
Dialogue: 0,0:13:52.16,0:13:54.67,Default,,0000,0000,0000,,Pueden imaginar en una prueba diagnóstica\Nque esto debería ser
Dialogue: 0,0:13:54.67,0:13:58.02,Default,,0000,0000,0000,,un patólogo identificando\Náreas patológicas, por ejemplo,
Dialogue: 0,0:13:58.02,0:14:03.04,Default,,0000,0000,0000,,o un radiólogo indicando nódulos\Npotencialmente problemáticos.
Dialogue: 0,0:14:03.04,0:14:05.17,Default,,0000,0000,0000,,A veces puede ser difícil\Npara el algoritmo.
Dialogue: 0,0:14:05.17,0:14:06.77,Default,,0000,0000,0000,,En este caso, queda algo confuso.
Dialogue: 0,0:14:06.77,0:14:09.95,Default,,0000,0000,0000,,Las partes delanteras y traseras\Nde los autos están todas mezcladas.
Dialogue: 0,0:14:09.95,0:14:12.00,Default,,0000,0000,0000,,Así que tenemos que ser\Nun poco más cuidadosos,
Dialogue: 0,0:14:12.00,0:14:14.19,Default,,0000,0000,0000,,seleccionando manualmente \Nlas partes delanteras
Dialogue: 0,0:14:14.19,0:14:18.01,Default,,0000,0000,0000,,en contraposición a las traseras,
Dialogue: 0,0:14:18.01,0:14:20.64,Default,,0000,0000,0000,,para luego decir al computador\Nque este es una especie de grupo
Dialogue: 0,0:14:20.64,0:14:22.09,Default,,0000,0000,0000,,es en el que estamos interesados.
Dialogue: 0,0:14:22.09,0:14:24.15,Default,,0000,0000,0000,,Hacemos esto por un tiempo,\Nnos saltamos un poco,
Dialogue: 0,0:14:24.15,0:14:26.50,Default,,0000,0000,0000,,y luego probamos el algoritmo\Nde aprendizaje automático
Dialogue: 0,0:14:26.50,0:14:29.17,Default,,0000,0000,0000,,basado en un par de cientos de cosas,
Dialogue: 0,0:14:29.17,0:14:30.67,Default,,0000,0000,0000,,y esperamos que haya mejorado mucho.
Dialogue: 0,0:14:30.67,0:14:33.63,Default,,0000,0000,0000,,Se puede ver, que han empezado \Na desvanecerse algunas de estas imágenes,
Dialogue: 0,0:14:33.63,0:14:36.08,Default,,0000,0000,0000,,mostrándonos que ya está reconociendo
Dialogue: 0,0:14:36.08,0:14:38.15,Default,,0000,0000,0000,,cómo entender por sí mismo \Nalgunas de ellas.
Dialogue: 0,0:14:38.15,0:14:41.26,Default,,0000,0000,0000,,Entonces podemos usar este concepto\Nen imágenes similares,
Dialogue: 0,0:14:41.26,0:14:43.98,Default,,0000,0000,0000,,y usando imágenes similares,\Ncomo pueden ver, en este punto,
Dialogue: 0,0:14:43.98,0:14:47.99,Default,,0000,0000,0000,,el computador puede encontrar\Nsolo la parte delantera de los autos.
Dialogue: 0,0:14:47.99,0:14:50.94,Default,,0000,0000,0000,,En este punto, la persona\Npuede decir al computador,
Dialogue: 0,0:14:50.94,0:14:53.24,Default,,0000,0000,0000,,de acuerdo, sí, has hecho\Nun buen trabajo.
Dialogue: 0,0:14:54.40,0:14:56.59,Default,,0000,0000,0000,,En ocasiones, por supuesto,\Nincluso en este punto
Dialogue: 0,0:14:56.59,0:14:59.85,Default,,0000,0000,0000,,sigue siendo difícil\Nseparar los grupos.
Dialogue: 0,0:15:00.03,0:15:02.10,Default,,0000,0000,0000,,En este caso, incluso\Ndespués de que dejamos
Dialogue: 0,0:15:02.10,0:15:04.52,Default,,0000,0000,0000,,al computador que intente girar\Nesto por un momento,
Dialogue: 0,0:15:04.52,0:15:06.38,Default,,0000,0000,0000,,seguimos encontrando \Nque la parte izquierda
Dialogue: 0,0:15:06.38,0:15:08.60,Default,,0000,0000,0000,,y derecha de las imágenes\Nestán mezcladas.
Dialogue: 0,0:15:08.60,0:15:11.12,Default,,0000,0000,0000,,Así que podemos dar, de nuevo,\Nal computador algunas pistas,
Dialogue: 0,0:15:11.12,0:15:14.09,Default,,0000,0000,0000,,y decimos, bien, intenta encontrar\Nuna proyección que separe
Dialogue: 0,0:15:14.09,0:15:16.70,Default,,0000,0000,0000,,los lados izquierdos de los derechos\Nde la manera más precisa
Dialogue: 0,0:15:16.70,0:15:18.82,Default,,0000,0000,0000,,usando este algoritmo\Nde aprendizaje profundo.
Dialogue: 0,0:15:18.82,0:15:21.76,Default,,0000,0000,0000,,Y dándole esta pista...\Nah, bien, ha tenido éxito.
Dialogue: 0,0:15:21.76,0:15:24.64,Default,,0000,0000,0000,,Consiguió encontrar la manera\Nde pensar estos objetos
Dialogue: 0,0:15:24.64,0:15:27.02,Default,,0000,0000,0000,,que está separando\Nestos que están juntos.
Dialogue: 0,0:15:27.02,0:15:29.46,Default,,0000,0000,0000,,Así se entiende la idea aquí.
Dialogue: 0,0:15:29.46,0:15:35.64,Default,,0000,0000,0000,,Este es un caso en el que la persona\Nno es reemplazada por un computador,
Dialogue: 0,0:15:37.66,0:15:40.30,Default,,0000,0000,0000,,sino que trabajan juntos.
Dialogue: 0,0:15:40.30,0:15:43.85,Default,,0000,0000,0000,,Estamos reemplazando algo que\Nsolía necesitar de un equipo
Dialogue: 0,0:15:43.85,0:15:45.85,Default,,0000,0000,0000,,de 5 o 6 personas durante 7 años
Dialogue: 0,0:15:45.85,0:15:48.46,Default,,0000,0000,0000,,por algo que lleva 15 minutos
Dialogue: 0,0:15:48.46,0:15:50.96,Default,,0000,0000,0000,,a una sola persona.
Dialogue: 0,0:15:50.96,0:15:54.91,Default,,0000,0000,0000,,Este proceso lleva\Nunas 4 o 5 iteraciones.
Dialogue: 0,0:15:54.91,0:15:56.77,Default,,0000,0000,0000,,Ahora pueden ver que tenemos un 62 %
Dialogue: 0,0:15:56.77,0:15:59.63,Default,,0000,0000,0000,,de nuestro millón y medio de imágenes\Nclasificadas correctamente.
Dialogue: 0,0:15:59.63,0:16:01.87,Default,,0000,0000,0000,,En este punto, podemos empezar,\Ncon bastante rapidez,
Dialogue: 0,0:16:01.87,0:16:03.50,Default,,0000,0000,0000,,a tomar grandes secciones completas,
Dialogue: 0,0:16:03.50,0:16:06.42,Default,,0000,0000,0000,,comprobándolas para asegurarse\Nque no hay errores.
Dialogue: 0,0:16:06.42,0:16:10.37,Default,,0000,0000,0000,,Cuando hay errores,\Npodemos hacérselo saber al computador.
Dialogue: 0,0:16:10.37,0:16:13.41,Default,,0000,0000,0000,,Usando este tipo de proceso\Npara cada uno de los diferentes grupos,
Dialogue: 0,0:16:13.41,0:16:15.90,Default,,0000,0000,0000,,nos colocamos en un índice\Ndel 80 % de éxito
Dialogue: 0,0:16:15.90,0:16:18.32,Default,,0000,0000,0000,,en la clasificación de un millón\Ny medio de imágenes.
Dialogue: 0,0:16:18.32,0:16:20.39,Default,,0000,0000,0000,,En este punto, es solo cuestión
Dialogue: 0,0:16:20.39,0:16:23.97,Default,,0000,0000,0000,,de encontrar el pequeño número\Nque no está clasificado correctamente,
Dialogue: 0,0:16:23.97,0:16:26.86,Default,,0000,0000,0000,,e intentar comprender el porqué.
Dialogue: 0,0:16:26.86,0:16:28.60,Default,,0000,0000,0000,,Usando este enfoque,
Dialogue: 0,0:16:28.60,0:16:32.72,Default,,0000,0000,0000,,en 15 minutos alcanza un índice\Nde clasificación del 97 %.
Dialogue: 0,0:16:32.72,0:16:37.32,Default,,0000,0000,0000,,Este tipo de técnica nos permite\Narreglar un problema mayor,
Dialogue: 0,0:16:37.33,0:16:40.37,Default,,0000,0000,0000,,que es que hay una falta de\Nconocimientos médicos en el mundo.
Dialogue: 0,0:16:40.37,0:16:43.86,Default,,0000,0000,0000,,El Foro Económico Mundial\Ndice que hay entre 10 y 20 veces
Dialogue: 0,0:16:43.86,0:16:46.48,Default,,0000,0000,0000,,de escasez de físicos\Nen el mundo desarrollado,
Dialogue: 0,0:16:46.48,0:16:48.59,Default,,0000,0000,0000,,y llevará unos 300 años
Dialogue: 0,0:16:48.59,0:16:51.49,Default,,0000,0000,0000,,entrenar a gente suficiente\Npara arreglar el problema.
Dialogue: 0,0:16:51.49,0:16:54.37,Default,,0000,0000,0000,,Imaginen que pudiésemos ayudar\Na aumentar su eficiencia
Dialogue: 0,0:16:54.37,0:16:57.21,Default,,0000,0000,0000,,usando estos métodos\Nde aprendizaje profundo.
Dialogue: 0,0:16:57.21,0:16:59.44,Default,,0000,0000,0000,,Estoy muy entusiasmado\Ncon las oportunidades.
Dialogue: 0,0:16:59.44,0:17:02.03,Default,,0000,0000,0000,,También estoy preocupado\Npor los problemas.
Dialogue: 0,0:17:02.03,0:17:05.16,Default,,0000,0000,0000,,El problema aquí es que\Ncada área azul de este mapa
Dialogue: 0,0:17:05.16,0:17:08.92,Default,,0000,0000,0000,,es algún sitio donde el empleo,\Nde servicios es mayor del 80 %.
Dialogue: 0,0:17:08.92,0:17:10.71,Default,,0000,0000,0000,,¿Qué son los servicios?
Dialogue: 0,0:17:10.71,0:17:12.23,Default,,0000,0000,0000,,Los servicios son estos.
Dialogue: 0,0:17:12.23,0:17:14.54,Default,,0000,0000,0000,,Estas son también las mismas cosas
Dialogue: 0,0:17:14.54,0:17:16.88,Default,,0000,0000,0000,,que los computadores acaban\Nde aprender a hacer.
Dialogue: 0,0:17:16.88,0:17:20.18,Default,,0000,0000,0000,,Así que el 80 % del empleo mundial\Nen el mundo desarrollado
Dialogue: 0,0:17:20.18,0:17:22.72,Default,,0000,0000,0000,,son cosas que los computadores\Nacaban de aprender a hacer.
Dialogue: 0,0:17:22.72,0:17:24.16,Default,,0000,0000,0000,,¿Qué significa esto?
Dialogue: 0,0:17:24.16,0:17:26.74,Default,,0000,0000,0000,,Bueno, no habrá problema,\Nlo reemplazarán por otros trabajos.
Dialogue: 0,0:17:26.74,0:17:29.45,Default,,0000,0000,0000,,Por ejemplo, habrá más trabajos\Npara los científicos de datos.
Dialogue: 0,0:17:29.45,0:17:30.26,Default,,0000,0000,0000,,Bueno, realmente no.
Dialogue: 0,0:17:30.26,0:17:33.38,Default,,0000,0000,0000,,A los científicos de datos no les lleva\Nmucho tiempo construir estas cosas.
Dialogue: 0,0:17:33.38,0:17:36.63,Default,,0000,0000,0000,,Por ejemplo, estos 4 algoritmos\Nfueron creados por el mismo chico.
Dialogue: 0,0:17:36.63,0:17:39.07,Default,,0000,0000,0000,,Así que si piensan,\Ntodo ha pasado ya antes,
Dialogue: 0,0:17:39.07,0:17:42.88,Default,,0000,0000,0000,,hemos visto los resultados en el pasado\Nde cuando surgen cosas nuevas
Dialogue: 0,0:17:42.88,0:17:45.13,Default,,0000,0000,0000,,y son reemplazadas por nuevos trabajos.
Dialogue: 0,0:17:45.13,0:17:47.25,Default,,0000,0000,0000,,¿Qué trabajos van a ser?
Dialogue: 0,0:17:47.25,0:17:49.12,Default,,0000,0000,0000,,Es muy difícil para nosotros\Nhacer una estimación
Dialogue: 0,0:17:49.12,0:17:51.86,Default,,0000,0000,0000,,ya que el comportamiento humano\Ncrece a un ritmo gradual,
Dialogue: 0,0:17:51.86,0:17:54.42,Default,,0000,0000,0000,,pero ahora tenemos un sistema,\Naprendizaje profundo,
Dialogue: 0,0:17:54.42,0:17:57.65,Default,,0000,0000,0000,,que sabemos que crece en capacidad,\Nexponencialmente.
Dialogue: 0,0:17:57.65,0:17:59.25,Default,,0000,0000,0000,,Y aquí estamos.
Dialogue: 0,0:17:59.25,0:18:01.18,Default,,0000,0000,0000,,Actualmente, vemos las cosas\Na nuestro alrededor
Dialogue: 0,0:18:01.18,0:18:03.99,Default,,0000,0000,0000,,y decimos: "Los computadores siguen\Nsiendo un poco estúpidos". ¿Verdad?
Dialogue: 0,0:18:03.99,0:18:07.42,Default,,0000,0000,0000,,Pero en 5 años, los computadores\Nestarán fuera de esta gráfica.
Dialogue: 0,0:18:07.42,0:18:10.93,Default,,0000,0000,0000,,Así que necesitamos empezar a pensar\Nsobre esta capacidad ahora mismo.
Dialogue: 0,0:18:10.93,0:18:12.93,Default,,0000,0000,0000,,Lo hemos visto anteriormente,\Npor supuesto.
Dialogue: 0,0:18:12.93,0:18:14.56,Default,,0000,0000,0000,,En la Revolución Industrial,
Dialogue: 0,0:18:14.56,0:18:17.16,Default,,0000,0000,0000,,vimos un cambio en la capacidad\Ngracias a los motores.
Dialogue: 0,0:18:18.06,0:18:21.42,Default,,0000,0000,0000,,El asunto es, sin embargo, que tras\Nun tiempo, las cosas se nivelan.
Dialogue: 0,0:18:21.42,0:18:23.16,Default,,0000,0000,0000,,Hubo una alteración social,\Npero una vez que
Dialogue: 0,0:18:23.16,0:18:24.78,Default,,0000,0000,0000,,los motores se usaron
Dialogue: 0,0:18:24.78,0:18:26.56,Default,,0000,0000,0000,,para generar energía\Nen todas las situaciones,
Dialogue: 0,0:18:26.56,0:18:28.29,Default,,0000,0000,0000,,las cosas realmente se establecieron.
Dialogue: 0,0:18:28.60,0:18:30.45,Default,,0000,0000,0000,,La Revolución del Aprendizaje Automático
Dialogue: 0,0:18:30.45,0:18:32.90,Default,,0000,0000,0000,,va a ser diferente\Na la Revolución Industrial porque
Dialogue: 0,0:18:32.90,0:18:35.69,Default,,0000,0000,0000,,la Revolución del Aprendizaje Automático,\Nnunca se asienta.
Dialogue: 0,0:18:36.23,0:18:39.37,Default,,0000,0000,0000,,Cuanto mejores son los computadores\Nen actividades intelectuales,
Dialogue: 0,0:18:39.37,0:18:43.62,Default,,0000,0000,0000,,mejores computadores se crearán para\Nque mejoren su capacidad intelectual,
Dialogue: 0,0:18:43.62,0:18:45.52,Default,,0000,0000,0000,,así que esto va a ser\Nuna especie de cambio
Dialogue: 0,0:18:45.52,0:18:48.00,Default,,0000,0000,0000,,que nunca antes había\Nexperimentado el mundo,
Dialogue: 0,0:18:48.00,0:18:51.31,Default,,0000,0000,0000,,por lo que el entendimiento previo\Nde lo posible, es diferente.
Dialogue: 0,0:18:51.73,0:18:53.51,Default,,0000,0000,0000,,Esto nos impacta.
Dialogue: 0,0:18:53.51,0:18:57.14,Default,,0000,0000,0000,,En los últimos 25 años, la productividad\Ndel capital se ha incrementado,
Dialogue: 0,0:18:57.15,0:19:01.34,Default,,0000,0000,0000,,la productividad laboral se ha mantenido,\Nincluso ha descendido.
Dialogue: 0,0:19:02.16,0:19:04.90,Default,,0000,0000,0000,,Por lo que quiero que empecemos\Na discutir esto ahora.
Dialogue: 0,0:19:04.90,0:19:07.31,Default,,0000,0000,0000,,Sé que cuando hablo\Nsobre esta situación
Dialogue: 0,0:19:07.31,0:19:09.05,Default,,0000,0000,0000,,la gente puede ser despectiva.
Dialogue: 0,0:19:09.05,0:19:11.09,Default,,0000,0000,0000,,Bueno, los computadores\Nno pueden realmente pensar,
Dialogue: 0,0:19:11.09,0:19:13.61,Default,,0000,0000,0000,,no tienen sentimientos,\Nno entienden poesía,
Dialogue: 0,0:19:13.61,0:19:16.19,Default,,0000,0000,0000,,no entendemos realmente cómo funcionan.
Dialogue: 0,0:19:16.19,0:19:17.20,Default,,0000,0000,0000,,Y, ¿qué?
Dialogue: 0,0:19:17.20,0:19:19.63,Default,,0000,0000,0000,,Actualmente los computadores\Npueden hacer cosas
Dialogue: 0,0:19:19.63,0:19:22.52,Default,,0000,0000,0000,,en las que las personas gastan su tiempo\Ny les pagan por ello
Dialogue: 0,0:19:22.52,0:19:24.49,Default,,0000,0000,0000,,así pues ahora tenemos \Nque empezar a pensar
Dialogue: 0,0:19:24.49,0:19:28.55,Default,,0000,0000,0000,,sobre cómo vamos a ajustar\Nnuestras estructuras sociales y económicas
Dialogue: 0,0:19:28.58,0:19:30.61,Default,,0000,0000,0000,,para ser conscientes de \Nesta nueva realidad.
Dialogue: 0,0:19:30.61,0:19:32.14,Default,,0000,0000,0000,,Gracias.
Dialogue: 0,0:19:32.14,0:19:33.14,Default,,0000,0000,0000,,(Aplausos)