As maravilhosas e aterradoras implicações de computadores que conseguem aprender
-
0:01 - 0:05Antigamente se você quisesse que um
computador fizesse algo novo, -
0:05 - 0:06você teria que programar.
-
0:06 - 0:10Pois então, para quem aqui
que nunca fez isso, -
0:10 - 0:13programação é algo que requer
estabelecer com riqueza de detalhe -
0:13 - 0:17cada passo do que você quer
que o computador faça -
0:17 - 0:19para atingir o seu objetivo.
-
0:19 - 0:23Se você quiser fazer algo que
ainda não sabe fazer sozinho, -
0:23 - 0:25isso se torna um grande desafio.
-
0:25 - 0:28E esse foi o desafio enfrentado
por este homem, Arthur Samuel. -
0:28 - 0:32Em 1956 ele queria que esse computador
-
0:32 - 0:35fosse capaz de vencê-lo no jogo de damas.
-
0:35 - 0:37Como você faz para escrever um programa,
-
0:37 - 0:40estabelecer com riqueza de detalhe,
que ele jogue damas melhor que você? -
0:40 - 0:42Então ele teve uma ideia:
-
0:42 - 0:46ele fez o computador jogar
contra si próprio milhares de vezes -
0:46 - 0:48para aprender a jogar damas.
-
0:48 - 0:52E realmente funcionou,
de fato em 1962 -
0:52 - 0:56esse computador venceu
o campeão estadual de Connecticut. -
0:56 - 0:59Arthur Samuel foi o pai
do aprendizado de máquina, -
0:59 - 1:00e eu devo muito a ele,
-
1:00 - 1:03porque eu sou um profissional
de aprendizado de máquina. -
1:03 - 1:04Eu fui o presidente da Kaggle,
-
1:04 - 1:08uma comunidade de mais de 200 mil
profissionais dessa área. -
1:08 - 1:10A Kaggle organiza competições
-
1:10 - 1:14para tentar resolver problemas
até então sem solução, -
1:14 - 1:17e tem sido bem sucedida
centenas de vezes. -
1:17 - 1:20Então desse ponto de vista,
eu pude descobrir muito -
1:20 - 1:24sobre o que o aprendizado de máquina
conseguiu no passado, hoje, -
1:24 - 1:26e o que poderia fazer no futuro.
-
1:26 - 1:31Talvez o primeiro grande sucesso comercial
de aprendizado de máquina foi o Google. -
1:31 - 1:34O Google mostrou que é possível
encontrar informação -
1:34 - 1:36usando um algoritmo de computador,
-
1:36 - 1:38e esse algoritmo é baseado
no aprendizado de máquina. -
1:38 - 1:42Desde então houve muitos casos de sucesso
comercial de aprendizado de máquina. -
1:42 - 1:44Empresas como Amazon e Netflix
-
1:44 - 1:48usam aprendizado de máquina para sugerir
produtos que você poderia querer, -
1:48 - 1:50filmes que você poderia querer assistir.
-
1:50 - 1:52Às vezes é quase assustador.
-
1:52 - 1:54Empresas como LinkedIn e Facebook
-
1:54 - 1:56às vezes te dirão quem deveria
ser seu amigo -
1:56 - 1:58e você não tem ideia de como,
-
1:58 - 2:01e isso é porque está usando
o poder do aprendizado de máquina. -
2:01 - 2:04São algoritmos que aprenderam
como fazer isso a partir de dados -
2:04 - 2:07ao invés de serem programados à mão.
-
2:07 - 2:10Foi assim que a IBM foi bem sucedida
-
2:10 - 2:14em fazer que Watson vencesse
dois campeões mundiais em Jeopardy, -
2:14 - 2:17respondendo questões incrivelmente
sutis e complexas como essa: -
2:17 - 2:20["O antigo 'Leão de Nimrud' desapareceu
do museu nacional dessa cidade em 2003
(junto com um monte de outras coisas)"] -
2:20 - 2:23Também por isso que agora vemos
os primeiros carros auto-guiados. -
2:23 - 2:26Se você quiser poder diferenciar entre, digamos,
-
2:26 - 2:28uma árvore e um pedestre,
bem, isso é muito importante. -
2:28 - 2:31Não sabemos como escrever
esses programas à mão, -
2:31 - 2:34mas com o aprendizado de máquina
isso agora é possível. -
2:34 - 2:37De fato esse carro já dirigiu
mais de um milhão de quilômetros -
2:37 - 2:40sem qualquer acidente em estradas normais.
-
2:40 - 2:44Pois bem, agora sabemos que
computadores conseguem aprender, -
2:44 - 2:46e podem aprender a fazer coisas
-
2:46 - 2:49que inclusive nós mesmos
não sabemos fazer, -
2:49 - 2:52ou então fazer melhor que nós.
-
2:52 - 2:56Um dos exemplos mais surpreendentes
de aprendizado de máquina que eu já vi -
2:56 - 2:58aconteceu num projeto
que eu organizei na Kaggle -
2:58 - 3:02onde um time coordenado por alguém
chamado Geoffrey Hinton -
3:02 - 3:03da Universidade de Toronto
-
3:03 - 3:06venceu a competição de
descoberta automática de fármacos. -
3:06 - 3:09O extraordinário aqui não é apenas
que eles bateram -
3:09 - 3:13todos os algoritmos desenvolvidos pela
Merck ou a comunidade acadêmica, -
3:13 - 3:18mas que ninguém no time tinha qualquer
antecedente em biologia ou química, -
3:18 - 3:20e fizeram isso em duas semanas.
-
3:20 - 3:22Como eles fizeram isso?
-
3:22 - 3:25Usaram um algoritmo singular
chamado aprendizado profundo. -
3:25 - 3:28Isso foi tão importante que de fato
o sucesso foi noticiado -
3:28 - 3:31no The New York Times num artigo
de página frontal semanas depois. -
3:31 - 3:34Esse é Geoffrey Hinton,
aqui no lado esquerdo. -
3:34 - 3:38Aprendizado profundo é um algoritmo
inspirado no cérebro humano, -
3:38 - 3:40ou seja, é um algoritmo
-
3:40 - 3:44que não tem limitações teóricas
para o que pode fazer. -
3:44 - 3:47Quanto mais dados e tempo você der a ele,
-
3:47 - 3:48melhor ele fica.
-
3:48 - 3:51O The New York Times mostrou
nesse artigo também -
3:51 - 3:53outro resultado singular do
aprendizado profundo -
3:53 - 3:56que eu vou mostrar para vocês agora.
-
3:56 - 4:01Mostra que os computadores
conseguem escutar e entender. -
4:01 - 4:03(Vídeo) Richard Rashid:
Agora, o último passo -
4:03 - 4:06que eu pretendo dar nesse processo
-
4:06 - 4:11é realmente falar com vocês em chinês.
-
4:11 - 4:14A chave aqui é que
-
4:14 - 4:19conseguimos levantar uma vasta quantidade
de informação de muitos falantes do chinês -
4:19 - 4:21e produzir um sistema texto-para-fala
-
4:21 - 4:26que pega o texto em chinês e
converte para a linguagem chinesa, -
4:26 - 4:30e então pegamos mais ou menos uma hora
da minha própria voz -
4:30 - 4:32e usamos para modular
-
4:32 - 4:36o sistema texto-para-fala padrão
para que possa parecer a minha voz. -
4:36 - 4:39O resultado não é perfeito.
-
4:39 - 4:42Na verdade há alguns erros.
-
4:42 - 4:44(Em chinês)
-
4:44 - 4:47(Aplausos)
-
4:49 - 4:53Há muito trabalho pela frente nessa área.
-
4:53 - 4:57(Em chinês)
-
4:57 - 5:00(Aplausos)
-
5:01 - 5:05J. Howard: Isso foi num congresso
de aprendizado de máquina na China. -
5:05 - 5:07Na verdade não é comum escutar aplausos
-
5:07 - 5:09espontâneos em congressos acadêmicos,
-
5:09 - 5:13embora obviamente às vezes acontecer
em conferências TEDx, fiquem à vontade. -
5:13 - 5:15Tudo que vocês viram lá aconteceu
com aprendizado profundo. -
5:15 - 5:17(Aplausos) Obrigado.
-
5:17 - 5:19A transcrição em inglês foi
aprendizado profundo. -
5:19 - 5:23A tradução para chinês e o texto na
direita superior, também, -
5:23 - 5:26e a construção da voz também
foi aprendizado profundo. -
5:26 - 5:29Então, aprendizado profundo é
essa coisa extraordinária. -
5:29 - 5:32É um único algoritmo que parece
fazer quase tudo, -
5:32 - 5:35e um ano antes eu descobri que
ele também aprendeu a ver. -
5:35 - 5:38Nessa competição desconhecida
alemã, chamada -
5:38 - 5:40Modelo de Reconhecimento de
Sinais de Trânsito Alemães -
5:40 - 5:44aprendizado profundo aprendeu a
reconhecer sinais de trânsito como esse. -
5:44 - 5:46Não apenas conseguiu reconhecer os sinais
-
5:46 - 5:47melhor que qualquer outro algoritmo,
-
5:47 - 5:50o ranking na verdade mostrou que
era melhor do que gente, -
5:50 - 5:52quase duas vezes melhor do que gente.
-
5:52 - 5:54Então em 2011 tivemos o primeiro exemplo
-
5:54 - 5:57de computadores que conseguem ver
melhor do que pessoas. -
5:57 - 5:59Desde então muito aconteceu.
-
5:59 - 6:03Em 2012 Google anunciou que havia
um algoritmo de aprendizado profundo -
6:03 - 6:04assistindo vídeos do YouTube
-
6:04 - 6:08e remoendo os dados em 16 mil
computadores por mês, -
6:08 - 6:12e o computador aprendeu sozinho
conceitos como pessoas e gatos -
6:12 - 6:14apenas assistindo aos vídeos.
-
6:14 - 6:16É desse jeito que os humanos aprendem.
-
6:16 - 6:19Os humanos não aprendem com alguém
explicando o que viram, -
6:19 - 6:22aprendem por si próprios.
-
6:22 - 6:26Também em 2012, Geoffrey Hinton,
a quem vimos antes, -
6:26 - 6:29venceu a conhecida competição ImageNet,
-
6:29 - 6:33tentando descobrir a partir de
um milhão e meio de imagens -
6:33 - 6:34o que elas retratam.
-
6:34 - 6:38A partir de 2014 estamos
com uma taxa de erro de 6% -
6:38 - 6:39em reconhecimento de imagem.
-
6:39 - 6:41De novo, isso é melhor que gente.
-
6:41 - 6:45Então, máquinas estão fazendo
um ótimo trabalho -
6:45 - 6:47e agora está sendo usado na indústria.
-
6:47 - 6:50Por exemplo, o Google anunciou ano passado
-
6:50 - 6:55que mapearam cada local
da França em duas horas, -
6:55 - 6:58e fizeram isso fornecendo imagens das ruas
-
6:58 - 7:03para o algoritmo de aprendizado profundo
reconhecer e ler os números das ruas. -
7:03 - 7:05Imaginem quanto levaria
do jeito que era antes: -
7:05 - 7:08dúzias de pessoas, muitos anos.
-
7:08 - 7:10Também está acontecendo na China.
-
7:10 - 7:14Baidu é tipo o Google chinês, eu acho,
-
7:14 - 7:17e o que vocês podem ver acima à esquerda
-
7:17 - 7:20é um exemplo de uma imagem que eu subi ao
sistema de aprendizado profundo do Baidu, -
7:20 - 7:24e abaixo você pode ver que o sistema
entendeu que imagem é -
7:24 - 7:26e encontrou imagens similares.
-
7:26 - 7:29As imagens similares de fato
têm fundos similares, -
7:29 - 7:31direções de rostos similares,
-
7:31 - 7:33algumas até com a língua para fora.
-
7:33 - 7:36Claramente não está olhando
para o texto da página. -
7:36 - 7:37Tudo que eu forneci foi uma imagem.
-
7:37 - 7:41Agora temos computadores que
realmente entendem o que veem -
7:41 - 7:43e então buscam em bancos de dados
-
7:43 - 7:46de centenas de milhões
de imagens em tempo real. -
7:46 - 7:50Então o que significa o fato dos
computadores conseguirem ver? -
7:50 - 7:52Bem, não é só que conseguem ver.
-
7:52 - 7:54De fato, o aprendizado profundo fez mais.
-
7:54 - 7:57Frases matizadas e complexas
como esta agora são -
7:57 - 7:59compreensíveis com algoritmos
de aprendizado profundo. -
7:59 - 8:01Como vocês podem ver aqui,
-
8:01 - 8:03esse sistema de Stanford com
o ponto vermelho acima -
8:03 - 8:07descobriu que esta frase expressa
um sentimento negativo. -
8:07 - 8:11Na verdade o aprendizado profundo
está alcançando a performance humana -
8:11 - 8:16ao entender sobre o que as frases são e
o que dizem sobre as coisas. -
8:16 - 8:19Além disso o aprendizado profundo
é usado para ler chinês, -
8:19 - 8:22de novo no nível do falante nativo.
-
8:22 - 8:24Esse algoritmo, desenvolvido na Suíça
-
8:24 - 8:27por pessoas que não falam chinês.
-
8:27 - 8:29Como eu digo, usar aprendizado profundo
-
8:29 - 8:32é o melhor sistema no mundo para isso,
-
8:32 - 8:37até mesmo comparando ao entendimento
do humano nativo. -
8:37 - 8:40Esse é um sistema que montamos
na minha empresa -
8:40 - 8:42que mostra tudo isso colocado junto.
-
8:42 - 8:44Essas são imagens sem texto,
-
8:44 - 8:47e enquanto digito frases aqui,
-
8:47 - 8:50ele entende essas imagens em tempo real
-
8:50 - 8:51e descobre sobre o que elas são
-
8:51 - 8:54e encontram imagens similares ao
texto que estou escrevendo. -
8:54 - 8:57Vocês podem ver, está realmente
entendendo minhas frases -
8:57 - 8:59e entendendo essas imagens.
-
8:59 - 9:02Sei que vocês viram algo assim no Google,
-
9:02 - 9:05onde você digita coisas e
aparecem imagens, -
9:05 - 9:08mas na verdade o que acontece é que
está buscando o texto na página. -
9:08 - 9:11Isso é muito diferente de
realmente entender as imagens. -
9:11 - 9:14Isso foi possível acontecer
para computadores -
9:14 - 9:17pela primeira vez somente
há alguns poucos meses. -
9:17 - 9:21Vemos que agora os computadores conseguem
não apenas ver, mas ler também, -
9:21 - 9:25e claro, mostramos aqui que podem
entender o que escutam. -
9:25 - 9:28Talvez não seja surpresa o que vou
dizer agora: eles sabem escrever. -
9:28 - 9:33Aqui um texto que eu gerei usando um
algoritmo de aprendizado profundo ontem. -
9:33 - 9:37E aqui um texto que um algoritmo
de Stanford criou. -
9:37 - 9:39Cada uma dessas frases foi criada
-
9:39 - 9:43por um algoritmo de aprendizado profundo
para descrever cada uma dessas imagens. -
9:43 - 9:48Esse algoritmo nunca tinha visto um homem
de camiseta preta tocando violão. -
9:48 - 9:50Ele já viu um homem antes,
já viu a cor preta, -
9:50 - 9:51já viu um violão antes,
-
9:51 - 9:56mas criou independentemente
essa descrição inédita para essa imagem. -
9:56 - 9:59Ainda não chegamos ao patamar
do desempenho humano, mas estamos perto. -
9:59 - 10:03Em testes, humanos preferem a legenda
gerada por computador -
10:03 - 10:05uma a cada quatro vezes.
-
10:05 - 10:07Agora esse sistema tem apenas
duas semanas, -
10:07 - 10:09então provavelmente dentro de um ano,
-
10:09 - 10:12o algoritmo de computador estará
além do desempenho humano -
10:12 - 10:13no ritmo que as coisas vão.
-
10:13 - 10:16E é isso, os computadores
conseguem escrever. -
10:16 - 10:20Quando juntamos isso tudo,
oportunidades muito empolgantes aparecem. -
10:20 - 10:21Por exemplo, na medicina,
-
10:21 - 10:24uma equipe em Boston anunciou
a descoberta de -
10:24 - 10:27dúzias de novas características
clinicamente relevantes -
10:27 - 10:31de tumores que ajudam os médicos
em prognósticos de câncer. -
10:32 - 10:35De modo semelhante, em Stanford,
-
10:35 - 10:38um grupo lá anunciou que,
observando tecidos sob ampliação, -
10:38 - 10:41desenvolveu um sistema
com base em aprendizado de máquina -
10:41 - 10:43que de fato é melhor que
patologistas humanos -
10:43 - 10:48ao prever índices de sobrevivência
para pacientes de câncer. -
10:48 - 10:51Em ambos os casos, não apenas
as previsões eram mais precisas, -
10:51 - 10:53mas criaram ciência perspicaz.
-
10:53 - 10:55No caso da radiologia,
-
10:55 - 10:58foram indicadores clínicos novos
que humanos conseguem entender. -
10:58 - 11:00Nesse caso de patologia,
-
11:00 - 11:04o sistema de computador descobriu que
as células ao redor do câncer -
11:04 - 11:08são tão importantes quanto as
próprias células cancerígenas -
11:08 - 11:09para se fazer um diagnóstico.
-
11:09 - 11:15Isso é o oposto do que os patologistas
tinham aprendido por décadas. -
11:15 - 11:18Em cada um desses dois casos, foram
sistemas desenvolvidos por um -
11:18 - 11:22grupo de especialistas médicos e
especialistas em aprendizado de máquina, -
11:22 - 11:24mas desde ano passado,
estamos além disso também. -
11:24 - 11:28Esse é um exemplo de identificação
de áreas cancerígenas -
11:28 - 11:30em tecido humano sob um microscópio.
-
11:30 - 11:35O sistema aqui consegue identificar
essas áreas com mais precisão, -
11:35 - 11:38ou com a mesma precisão,
do que patologistas humanos, -
11:38 - 11:41mas foi construido com aprendizado
profundo sem conhecimento médico -
11:41 - 11:44por pessoas sem antecedentes na área.
-
11:45 - 11:47De modo similar, aqui,
essa segmentação de neurônios. -
11:47 - 11:51Agora podemos segmentar neurônios
tão precisamente quanto os humanos, -
11:51 - 11:54mas esse sistema foi desenvolvido
com aprendizado profundo -
11:54 - 11:57por pessoas sem antecedentes em medicina.
-
11:57 - 12:00Então eu mesmo, que não tenho
antecedentes em medicina, -
12:00 - 12:04posso parecer inteiramente qualificado
para iniciar uma empresa médica, -
12:04 - 12:06que foi o que eu fiz.
-
12:06 - 12:08Eu estava meio aterrorizado,
-
12:08 - 12:11mas a teoria sugeria que era possível
-
12:11 - 12:16fazer medicina muito útil usando
apenas essas técnicas analíticas de dados. -
12:16 - 12:19E ainda bem, a reação tem sido fantástica,
-
12:19 - 12:21não apenas da mídia mas da
comunidade médica, -
12:21 - 12:23que tem sido muito favorável.
-
12:23 - 12:27A teoria é que podemos pegar a parte
intermediária do precesso médico -
12:27 - 12:30e torná-la em análise de dados
tanto quanto possível, -
12:30 - 12:33deixando aos médicos o que
eles fazem de melhor. -
12:33 - 12:35Quero dar uma exemplo a vocês.
-
12:35 - 12:40Hoje um novo teste de diagnóstico médico
leva uns 15 minutos para ser feito -
12:40 - 12:42e vou mostrar em tempo real para vocês,
-
12:42 - 12:45mas eu comprimi para três minutos,
cortando alguns pedaços. -
12:45 - 12:48Ao invés de um teste de
diagnóstico médico, -
12:48 - 12:52vou mostrar um teste de diagnóstico
de imagens de carros, -
12:52 - 12:54pois é algo que todos podem entender.
-
12:54 - 12:57Então aqui estamos iniciando com
1,5 milhão de imagens de carro, -
12:57 - 13:00e eu quero criar algo que pode
separar num ângulo -
13:00 - 13:03da foto que está sendo tirada.
-
13:03 - 13:07Essas imagens são inteiramente não
marcadas, então preciso começar do zero. -
13:07 - 13:08Com o algoritmo de
aprendizado profundo, -
13:08 - 13:12pode-se automaticamente identificar áreas
de estrutura nessas imagens. -
13:12 - 13:16O legal é que o humano e o computador
agora podem trabalhar juntos. -
13:16 - 13:18Então o humano, como podem ver,
-
13:18 - 13:21diz ao computador as áreas de interesse
-
13:21 - 13:25que o computador então usa para
melhorar o algoritmo. -
13:25 - 13:30Esses sistemas de aprendizado profundo
agem num espaço de 16 mil dimensões, -
13:30 - 13:33dá para ver aqui o computador
girando através do espaço, -
13:33 - 13:35tentando encontrar novas
áreas de estrutura. -
13:35 - 13:37E quando consegue,
-
13:37 - 13:41o humano que está no controle então
aponta as áreas de interesse. -
13:41 - 13:43Aqui o computador encontrou as
áreas com sucesso, -
13:43 - 13:46por exemplo, ângulos.
-
13:46 - 13:47Enquanto seguimos o processo,
-
13:47 - 13:50gradualmente dizendo mais e mais
ao computador -
13:50 - 13:52sobre os tipos de estruturas que
estamos buscando. -
13:52 - 13:54Se fosse um teste diagnóstico, seria
-
13:54 - 13:57um patologista identificando áreas
de condição patológica, por exemplo, -
13:57 - 14:02ou um radiologista indicando nódulos
potencialmente problemáticos. -
14:02 - 14:05E às vezes pode ser difícil
para o algoritmo. -
14:05 - 14:07Nesse caso, ficou um pouco confuso.
-
14:07 - 14:09As frentes e as traseiras estão
todas misturadas. -
14:09 - 14:11Então temos que ser cuidadosos,
-
14:11 - 14:15manualmente separando as frentes e
as traseiras, -
14:15 - 14:20e dizer ao computador que isso é
o tipo de grupo -
14:20 - 14:22que nos interessa.
-
14:22 - 14:24Então fizemos isso por um tempo,
adiantamos um pouco, e -
14:24 - 14:26treinamos o algoritmo de
aprendizado de máquina -
14:26 - 14:28com base em algumas centenas de coisas,
-
14:28 - 14:30e esperamos que tenha ficado melhor.
-
14:30 - 14:34Podem ver que agora algumas dessas
imagens desapareceram, -
14:34 - 14:38mostrando que já consegue entender
algumas por si próprio. -
14:38 - 14:41Podemos então usar esse conceito
para imagens similares, -
14:41 - 14:43e usando imagens similares,
vocês podem ver, -
14:43 - 14:47o computador nesse ponto consegue
encontrar somente as frentes dos carros. -
14:47 - 14:50Nesse ponto o humano pode
dizer ao computador, -
14:50 - 14:52"ok, sim, você fez um bom trabalho".
-
14:54 - 14:56Claro que às vezes ainda é difícil
-
14:56 - 15:00separar grupos.
-
15:00 - 15:03Nesse caso mesmo depois
do computador girar um pouco, -
15:03 - 15:07ainda vemos que imagens
do lado esquerdo e do lado direito -
15:07 - 15:08estão todas misturadas.
-
15:08 - 15:10Podemos novamente dar
dicas ao computador, -
15:10 - 15:13e dizer, certo, encontre
uma projeção que separe -
15:13 - 15:16os lados esquerdo e direito
o melhor possível -
15:16 - 15:18usando o algoritmo de
aprendizado profundo. -
15:18 - 15:21E dando aquela dica, ah, certo, conseguiu.
-
15:21 - 15:24Encontrou um jeito de pensar
nesses objetos -
15:24 - 15:26que acabou agrupando.
-
15:26 - 15:29Vocês podem pegar a ideia aqui.
-
15:29 - 15:37Não é o caso de substituir
o humano pelo computador, -
15:37 - 15:40mas sim de trabalharem juntos.
-
15:40 - 15:43O que fazemos aqui é substituir algo
que costumava demandar de uma equipe -
15:43 - 15:45de cinco ou seis pessoas
cerca de sete anos -
15:45 - 15:48com algo que leva apenas 15 minutos
-
15:48 - 15:50para uma pessoa só.
-
15:50 - 15:54Esse processo demanda
cerca de quatro ou cinco iterações. -
15:54 - 15:56Podemos ver que agora temos 62%
-
15:56 - 15:59de nossas 1,5 milhão de imagens
classificadas corretamente. -
15:59 - 16:01Nesse ponto podemos rapidamente
-
16:01 - 16:03pegar seções inteiras
-
16:03 - 16:06e checar se não há erros.
-
16:06 - 16:10Onde encontramos erros,
podemos avisar o computador. -
16:10 - 16:13Usando esse tipo de processo para
cada um dos diferentes grupos, -
16:13 - 16:15temos agora 80% de índice de sucesso
-
16:15 - 16:18classificando 1,5 milhão de imagens.
-
16:18 - 16:20Nesse ponto é só o caso de
-
16:20 - 16:23encontrar o pequeno número que ainda
não está classificado corretamente, -
16:23 - 16:26e tentar entender o motivo.
-
16:26 - 16:28E com essa abordagem,
-
16:28 - 16:32em 15 minutos temos 97%
de índice de classificação. -
16:32 - 16:37Então esse tipo de técnica nos permite
resolver um grande problema, -
16:37 - 16:40que é a falta de especialização
médica no mundo. -
16:40 - 16:43O Fórum Econômico Mundial diz que há
escassez de algo entre 10 e 20 vezes -
16:43 - 16:46de médicos no mundo em desenvolvimento,
-
16:46 - 16:48e que levaria cerca de 300 anos
-
16:48 - 16:51para treinar gente suficiente para
resolver o problema. -
16:51 - 16:54Imaginem conseguirmos
aumentar a eficiência -
16:54 - 16:56usando essas abordagens
de aprendizado profundo? -
16:56 - 16:59Por isso estou empolgado
com as oportunidades. -
16:59 - 17:01E estou preocupado com os problemas.
-
17:01 - 17:04O problema aqui é que cada área
em azul no mapa -
17:04 - 17:08é um lugar onde os serviços estão
com mais de 80% de emprego. -
17:08 - 17:10O que são serviços?
-
17:10 - 17:11São esses.
-
17:11 - 17:16São também exatamente o que
os computadores aprenderam a fazer. -
17:16 - 17:19Então 80% do emprego no mundo
no mundo desenvolvido -
17:19 - 17:22é algo que computadores já
aprenderam a fazer. -
17:22 - 17:23O que isso significa?
-
17:23 - 17:26Ficaremos bem. Serão substituídos
por outros empregos. -
17:26 - 17:29Por exemplo serão mais empregos
para cientistas de dados. -
17:29 - 17:30Na verdade não.
-
17:30 - 17:33Não demora muito para cientistas
de dados fazerem essas coisas. -
17:33 - 17:36Por exemplo, os quatro algoritmos
foram construídos pelo mesmo cara. -
17:36 - 17:38Então você pensa, oh,
isso já aconteceu antes, -
17:38 - 17:42já vimos isso antes,
quando coisas novas chegam -
17:42 - 17:44e novos empregos aparecem,
-
17:44 - 17:46como serão esses novos empregos?
-
17:46 - 17:48É muito difícil estimar isso,
-
17:48 - 17:51porque o desempenho humano
cresce nesse ritmo gradual, -
17:51 - 17:54mas agora temos um sistema,
o aprendizado profundo, -
17:54 - 17:57que sabemos crescer em ritmo exponencial.
-
17:57 - 17:58E nós estamos aqui.
-
17:58 - 18:01Então hoje vemos as coisas ao redor
-
18:01 - 18:03e dizemos: "Oh, os computadores são
tão burros". Certo? -
18:03 - 18:07Mas dentro de cinco anos os computadores
estarão fora desse gráfico. -
18:07 - 18:11Então precisamos começar a pensar
nessa capacidade agora mesmo. -
18:11 - 18:13Já vimos isso antes, claro.
-
18:13 - 18:14Na Revolução Industrial,
-
18:14 - 18:17vimos uma mudança na capacidade
graças aos motores. -
18:18 - 18:21Acontece que, as coisas foram
se achatando. -
18:21 - 18:23Houve distúrbio social,
-
18:23 - 18:26mas quando os motores foram usados para
gerar força em todas as situações -
18:26 - 18:28as coisas se acalmaram.
-
18:28 - 18:30A Revolução do Aprendizado de Máquina
-
18:30 - 18:33será bem diferente,
-
18:33 - 18:36porque ela nunca se acalma.
-
18:36 - 18:39Quanto mais os computadores
conseguem melhorar, -
18:39 - 18:43mais eles podem construir
outros computadores, melhores, -
18:43 - 18:45então esse será um tipo de mudança
-
18:45 - 18:47que o mundo nunca viveu antes,
-
18:47 - 18:51então sua compreensão anterior do
que é possível é diferente. -
18:51 - 18:53Isso já está nos afetando.
-
18:53 - 18:56Nos últimos 25 anos, como
a produtividade de capital aumentou, -
18:56 - 19:01a produtividade de mão de obra estacionou,
de fato até caiu um pouco. -
19:01 - 19:04Então quero que comecemos
essa discussão já. -
19:04 - 19:07Sei que quando eu conto isso
para as pessoas, -
19:07 - 19:09elas podem acabar desdenhando.
-
19:09 - 19:10"Os computadores não sabem pensar,
-
19:10 - 19:13eles não se emocionam,
não entendem poesia, -
19:13 - 19:16nós não sabemos como eles funcionam".
-
19:16 - 19:17E daí?
-
19:17 - 19:19Hoje computadores fazem coisas
-
19:19 - 19:22que passamos a maior parte
do tempo sendo pagos pra fazer, -
19:22 - 19:24então chegou a hora de pensar
-
19:24 - 19:28em como vamos ajustar nossas
estruturas sociais e econômicas -
19:28 - 19:30para essa 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 acontece quando ensinamos um computador a aprender?
O tecnólogo Jeremy Howard compartilha alguns novos e surpreendentes avanços no dinâmico campo do aprendizado profundo, uma técnica que dá aos computadores a habilidade de aprender chinês ou reconhecer objetos em fotos, ou ajudar a analizar um diagnóstico médico. (Uma ferramenta de aprendizado profundo, depois de assistir a horas de YouTube, aprendeu o conceito de "gatos"). Seja cativado por uma área de conhecimento que vai mudar o modo como os computadores se comportam ao seu redor... Mais cedo que você pensa. - Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 19:45