[Script Info]
Title: 
[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:09.63,0:00:13.42,Default,,0000,0000,0000,,Antigamente se você quisesse \Nque um computador fizesse algo novo,
Dialogue: 0,0:00:13.42,0:00:15.26,Default,,0000,0000,0000,,você teria que programar.
Dialogue: 0,0:00:15.26,0:00:18.54,Default,,0000,0000,0000,,Então, para quem aqui que nunca fez isso,
Dialogue: 0,0:00:18.57,0:00:21.64,Default,,0000,0000,0000,,programação é algo que requer \Nestabelecer com riqueza de detalhe
Dialogue: 0,0:00:21.64,0:00:25.23,Default,,0000,0000,0000,,cada passo do que você quer \Nque o computador faça
Dialogue: 0,0:00:25.23,0:00:27.48,Default,,0000,0000,0000,,para atingir o seu objetivo.
Dialogue: 0,0:00:27.48,0:00:31.13,Default,,0000,0000,0000,,Se quiser fazer algo que você\Nainda não sabe fazer por conta própria,
Dialogue: 0,0:00:31.13,0:00:33.13,Default,,0000,0000,0000,,isso se torna um grande desafio.
Dialogue: 0,0:00:33.13,0:00:36.68,Default,,0000,0000,0000,,E este foi o desafio enfrentado \Npor este homem, Arthur Samuel.
Dialogue: 0,0:00:36.68,0:00:42.78,Default,,0000,0000,0000,,Em 1956 ele quis que este computador fosse\Ncapaz de jogar damas com ele e vencê-lo.
Dialogue: 0,0:00:42.78,0:00:44.53,Default,,0000,0000,0000,,Como escrever um programa,
Dialogue: 0,0:00:44.53,0:00:48.82,Default,,0000,0000,0000,,estabelecer com riqueza de detalhe,\Ne jogar damas melhor que você?
Dialogue: 0,0:00:48.82,0:00:50.53,Default,,0000,0000,0000,,Então teve uma ideia:
Dialogue: 0,0:00:50.53,0:00:54.37,Default,,0000,0000,0000,,fez o computador jogar\Ncontra si próprio milhares de vezes
Dialogue: 0,0:00:54.37,0:00:56.83,Default,,0000,0000,0000,,para aprender a jogar damas.
Dialogue: 0,0:00:56.83,0:00:59.77,Default,,0000,0000,0000,,E realmente funcionou, de fato em 1962
Dialogue: 0,0:00:59.77,0:01:02.71,Default,,0000,0000,0000,,este computador venceu\No campeão estadual de Connecticut.
Dialogue: 0,0:01:03.42,0:01:06.86,Default,,0000,0000,0000,,Arthur Samuel foi o pai \Ndo aprendizado de máquina,
Dialogue: 0,0:01:06.86,0:01:08.44,Default,,0000,0000,0000,,e devo muito a ele,
Dialogue: 0,0:01:08.44,0:01:11.28,Default,,0000,0000,0000,,porque sou um profissional\Nde aprendizado de máquina.
Dialogue: 0,0:01:11.28,0:01:13.01,Default,,0000,0000,0000,,Fui presidente da Kaggle,
Dialogue: 0,0:01:13.01,0:01:16.16,Default,,0000,0000,0000,,uma comunidade de mais de 200 mil\Nprofissionais dessa área.
Dialogue: 0,0:01:16.16,0:01:18.45,Default,,0000,0000,0000,,A Kaggle organiza competições
Dialogue: 0,0:01:18.45,0:01:21.89,Default,,0000,0000,0000,,para tentar resolver problemas\Naté então sem solução,
Dialogue: 0,0:01:22.07,0:01:24.73,Default,,0000,0000,0000,,e tem sido bem sucedida centenas de vezes.
Dialogue: 0,0:01:25.73,0:01:28.12,Default,,0000,0000,0000,,Então desse ponto de vista,\Npude descobrir muito
Dialogue: 0,0:01:28.12,0:01:32.17,Default,,0000,0000,0000,,do que o aprendizado de máquina\Nconseguiu no passado, hoje,
Dialogue: 0,0:01:32.17,0:01:34.37,Default,,0000,0000,0000,,e o que poderá fazer no futuro.
Dialogue: 0,0:01:34.37,0:01:36.60,Default,,0000,0000,0000,,Talvez o primeiro grande sucesso comercial\N
Dialogue: 0,0:01:36.60,0:01:39.21,Default,,0000,0000,0000,,de aprendizado de máquina foi o Google.
Dialogue: 0,0:01:39.21,0:01:41.84,Default,,0000,0000,0000,,O Google mostrou que é possível\Nencontrar informação
Dialogue: 0,0:01:41.84,0:01:44.13,Default,,0000,0000,0000,,usando um algoritmo de computador,
Dialogue: 0,0:01:44.13,0:01:46.94,Default,,0000,0000,0000,,e este algoritmo é baseado\Nno aprendizado de máquina.
Dialogue: 0,0:01:46.94,0:01:50.66,Default,,0000,0000,0000,,Desde então houve muitos casos de sucesso\Ncomercial de aprendizado de máquina.
Dialogue: 0,0:01:50.66,0:01:52.68,Default,,0000,0000,0000,,Empresas como Amazon e Netflix
Dialogue: 0,0:01:52.68,0:01:55.90,Default,,0000,0000,0000,,usam aprendizado de máquina para sugerir\Nprodutos que possa querer,
Dialogue: 0,0:01:55.90,0:01:58.15,Default,,0000,0000,0000,,filmes que você possa querer assistir.
Dialogue: 0,0:01:58.15,0:02:00.09,Default,,0000,0000,0000,,Às vezes é quase assustador.
Dialogue: 0,0:02:00.09,0:02:01.92,Default,,0000,0000,0000,,Empresas como LinkedIn e Facebook
Dialogue: 0,0:02:01.92,0:02:04.49,Default,,0000,0000,0000,,às vezes dirão quem deveria ser seu amigo
Dialogue: 0,0:02:04.49,0:02:06.36,Default,,0000,0000,0000,,e você nem imagina como,
Dialogue: 0,0:02:06.36,0:02:09.41,Default,,0000,0000,0000,,e isso porque está usando\No poder do aprendizado de máquina.
Dialogue: 0,0:02:09.41,0:02:12.62,Default,,0000,0000,0000,,São algoritmos que aprenderam\Ncomo fazer isso a partir de dados
Dialogue: 0,0:02:12.62,0:02:15.39,Default,,0000,0000,0000,,em vez de serem programados à mão.
Dialogue: 0,0:02:15.86,0:02:18.44,Default,,0000,0000,0000,,Foi assim que a IBM\Nfoi bem sucedida em fazer
Dialogue: 0,0:02:18.44,0:02:21.29,Default,,0000,0000,0000,,o Watson vencer dois campeões \Nmundiais em Jeopardy,
Dialogue: 0,0:02:21.31,0:02:24.44,Default,,0000,0000,0000,,respondendo questões incrivelmente\Nsutis e complexas como essa:
Dialogue: 0,0:02:24.46,0:02:28.20,Default,,0000,0000,0000,,["O antigo 'Leão de Nimrud' desapareceu\Ndo museu nacional dessa cidade em 2003]
Dialogue: 0,0:02:28.20,0:02:31.34,Default,,0000,0000,0000,,Também por isso podemos ver\Nos primeiros carros autônomos.
Dialogue: 0,0:02:31.34,0:02:33.95,Default,,0000,0000,0000,,Se você quiser saber dizer\Na diferença entre, digamos,
Dialogue: 0,0:02:33.95,0:02:37.19,Default,,0000,0000,0000,,uma árvore e um pedestre, \Nbem, isso é muito importante.
Dialogue: 0,0:02:37.19,0:02:39.86,Default,,0000,0000,0000,,Não sabemos como escrever\Nesses programas à mão,
Dialogue: 0,0:02:39.86,0:02:42.50,Default,,0000,0000,0000,,mas com o aprendizado de máquina\Nisso agora é possível.
Dialogue: 0,0:02:42.50,0:02:45.41,Default,,0000,0000,0000,,De fato este carro já dirigiu\Nmais de um milhão de quilômetros
Dialogue: 0,0:02:45.41,0:02:48.82,Default,,0000,0000,0000,,sem qualquer acidente \Nem estradas públicas.
Dialogue: 0,0:02:48.82,0:02:52.39,Default,,0000,0000,0000,,Pois bem, agora sabemos que \Ncomputadores conseguem aprender,
Dialogue: 0,0:02:52.39,0:02:54.55,Default,,0000,0000,0000,,e podem aprender a fazer coisas
Dialogue: 0,0:02:54.55,0:02:57.30,Default,,0000,0000,0000,,que mesmo nós não sabemos fazer,
Dialogue: 0,0:02:57.30,0:03:00.06,Default,,0000,0000,0000,,ou então fazer melhor que nós.
Dialogue: 0,0:03:00.06,0:03:04.33,Default,,0000,0000,0000,,Um dos exemplos mais surpreendentes\Nde aprendizado de máquina que já vi
Dialogue: 0,0:03:04.33,0:03:06.86,Default,,0000,0000,0000,,aconteceu num projeto \Nque organizei na Kaggle
Dialogue: 0,0:03:06.86,0:03:10.40,Default,,0000,0000,0000,,no qual um time coordenado \Npor Geoffrey Hinton,
Dialogue: 0,0:03:10.40,0:03:12.04,Default,,0000,0000,0000,,da Universidade de Toronto,
Dialogue: 0,0:03:12.04,0:03:14.62,Default,,0000,0000,0000,,venceu a competição\Nde pesquisa automática de fármacos.
Dialogue: 0,0:03:14.62,0:03:17.45,Default,,0000,0000,0000,,O extraordinário aqui não é apenas \Nque eles bateram
Dialogue: 0,0:03:17.45,0:03:21.09,Default,,0000,0000,0000,,todos os algoritmos desenvolvidos\Npela Merck ou a comunidade acadêmica,
Dialogue: 0,0:03:21.09,0:03:26.50,Default,,0000,0000,0000,,mas que ninguém no time tinha qualquer \Nconhecimento em biologia ou química,
Dialogue: 0,0:03:26.50,0:03:28.80,Default,,0000,0000,0000,,e fizeram isso em duas semanas.
Dialogue: 0,0:03:28.80,0:03:31.00,Default,,0000,0000,0000,,Como eles fizeram isso?
Dialogue: 0,0:03:31.00,0:03:34.01,Default,,0000,0000,0000,,Usaram um algoritmo singular\Nchamado aprendizado profundo.
Dialogue: 0,0:03:34.01,0:03:36.78,Default,,0000,0000,0000,,Isso foi tão importante que de fato\No sucesso foi noticiado
Dialogue: 0,0:03:36.78,0:03:39.95,Default,,0000,0000,0000,,no The New York Times em artigo\Nde primeira página semanas depois.
Dialogue: 0,0:03:39.95,0:03:42.27,Default,,0000,0000,0000,,Este é Geoffrey Hinton,\Naqui no lado esquerdo.
Dialogue: 0,0:03:42.27,0:03:46.74,Default,,0000,0000,0000,,Aprendizado profundo é um algoritmo\Ninspirado no cérebro humano,
Dialogue: 0,0:03:46.74,0:03:48.35,Default,,0000,0000,0000,,ou seja, é um algoritmo
Dialogue: 0,0:03:48.35,0:03:52.11,Default,,0000,0000,0000,,que não tem limitações teóricas\Npara o que pode fazer.
Dialogue: 0,0:03:52.11,0:03:55.16,Default,,0000,0000,0000,,Quanto mais dados e tempo você der a ele,
Dialogue: 0,0:03:55.16,0:03:56.76,Default,,0000,0000,0000,,melhor ele fica.
Dialogue: 0,0:03:56.76,0:03:59.86,Default,,0000,0000,0000,,O The New York Times também mostrou \Nneste artigo outro resultado
Dialogue: 0,0:03:59.86,0:04:01.68,Default,,0000,0000,0000,,extraordinário de aprendizado profundo
Dialogue: 0,0:04:01.68,0:04:03.93,Default,,0000,0000,0000,,que vou mostrar para vocês agora.
Dialogue: 0,0:04:03.93,0:04:07.87,Default,,0000,0000,0000,,Mostra que os computadores\Nconseguem escutar e entender.
Dialogue: 0,0:04:08.65,0:04:11.02,Default,,0000,0000,0000,,(Vídeo) Richard Rashid: \NAgora, o último passo
Dialogue: 0,0:04:11.02,0:04:13.99,Default,,0000,0000,0000,,que pretendo dar nesse processo
Dialogue: 0,0:04:13.99,0:04:17.33,Default,,0000,0000,0000,,é na verdade falar a vocês em chinês.
Dialogue: 0,0:04:19.39,0:04:21.91,Default,,0000,0000,0000,,A chave aqui é que
Dialogue: 0,0:04:21.91,0:04:26.53,Default,,0000,0000,0000,,conseguimos levantar uma vasta quantidade\Nde informação de muitos falantes do chinês
Dialogue: 0,0:04:26.53,0:04:29.64,Default,,0000,0000,0000,,e produzir um sistema\Nde conversão texto-fala
Dialogue: 0,0:04:29.64,0:04:33.77,Default,,0000,0000,0000,,que pega o texto em chinês\Ne o converte para a linguagem chinesa,
Dialogue: 0,0:04:35.43,0:04:38.95,Default,,0000,0000,0000,,e então pegamos mais ou menos uma hora\Nda minha própria voz
Dialogue: 0,0:04:38.95,0:04:41.22,Default,,0000,0000,0000,,e usamos para modular
Dialogue: 0,0:04:41.22,0:04:44.94,Default,,0000,0000,0000,,o sistema texto-fala padrão\Npara que possa parecer a minha voz.
Dialogue: 0,0:04:45.19,0:04:47.73,Default,,0000,0000,0000,,O resultado não é perfeito.
Dialogue: 0,0:04:47.73,0:04:50.55,Default,,0000,0000,0000,,Na verdade há alguns erros.
Dialogue: 0,0:04:50.55,0:04:52.88,Default,,0000,0000,0000,,(Em chinês)
Dialogue: 0,0:04:52.88,0:04:56.57,Default,,0000,0000,0000,,(Aplausos)
Dialogue: 0,0:04:58.18,0:05:00.99,Default,,0000,0000,0000,,Há muito trabalho pela frente nessa área.
Dialogue: 0,0:05:01.45,0:05:04.89,Default,,0000,0000,0000,,(Em chinês)
Dialogue: 0,0:05:04.89,0:05:08.42,Default,,0000,0000,0000,,(Aplausos)
Dialogue: 0,0:05:10.46,0:05:14.24,Default,,0000,0000,0000,,J. Howard: Isso foi num congresso \Nde aprendizado de máquina na China.
Dialogue: 0,0:05:14.24,0:05:16.61,Default,,0000,0000,0000,,Na verdade não é comum escutar aplausos
Dialogue: 0,0:05:16.61,0:05:18.51,Default,,0000,0000,0000,,espontâneos em congressos acadêmicos,
Dialogue: 0,0:05:18.51,0:05:22.19,Default,,0000,0000,0000,,apesar de obviamente às vezes acontecer\Nem conferências TED, fiquem à vontade.
Dialogue: 0,0:05:22.19,0:05:24.98,Default,,0000,0000,0000,,Tudo que vocês viram aconteceu\Ncom aprendizado profundo.
Dialogue: 0,0:05:24.98,0:05:26.51,Default,,0000,0000,0000,,(Aplausos) Obrigado.
Dialogue: 0,0:05:26.51,0:05:28.79,Default,,0000,0000,0000,,A transcrição em inglês\Nfoi aprendizado profundo.
Dialogue: 0,0:05:28.79,0:05:32.20,Default,,0000,0000,0000,,A tradução para chinês e o texto\Nno canto superior direito, também,
Dialogue: 0,0:05:32.20,0:05:35.51,Default,,0000,0000,0000,,e a construção da voz também\Nfoi aprendizado profundo.
Dialogue: 0,0:05:35.51,0:05:38.74,Default,,0000,0000,0000,,Então, aprendizado profundo\Né esta coisa extraordinária.
Dialogue: 0,0:05:38.74,0:05:41.84,Default,,0000,0000,0000,,É um único algoritmo\Nque parece fazer quase tudo,
Dialogue: 0,0:05:41.84,0:05:44.95,Default,,0000,0000,0000,,e uma ano antes descobri\Nque também aprendeu a ver.
Dialogue: 0,0:05:44.95,0:05:46.75,Default,,0000,0000,0000,,Nessa competição alemã desconhecida,
Dialogue: 0,0:05:46.75,0:05:49.70,Default,,0000,0000,0000,,chamada: Modelo de Reconhecimento\Nde Placas de Trânsito Alemãs,
Dialogue: 0,0:05:49.70,0:05:53.20,Default,,0000,0000,0000,,o aprendizado profundo aprendeu\Na reconhecer placas de trânsito como este.
Dialogue: 0,0:05:53.20,0:05:55.21,Default,,0000,0000,0000,,Não apenas conseguiu reconhecer as placas
Dialogue: 0,0:05:55.24,0:05:56.97,Default,,0000,0000,0000,,melhor que qualquer outro algoritmo,
Dialogue: 0,0:05:56.97,0:05:59.69,Default,,0000,0000,0000,,o ranking na verdade mostrou\Nser melhor do que as pessoas,
Dialogue: 0,0:05:59.69,0:06:01.54,Default,,0000,0000,0000,,quase duas vezes melhor.
Dialogue: 0,0:06:01.54,0:06:03.54,Default,,0000,0000,0000,,Então em 2011 tivemos o primeiro exemplo
Dialogue: 0,0:06:03.54,0:06:06.94,Default,,0000,0000,0000,,de computadores que conseguem ver \Nmelhor do que as pessoas.
Dialogue: 0,0:06:06.94,0:06:08.99,Default,,0000,0000,0000,,Desde então muito aconteceu.
Dialogue: 0,0:06:08.99,0:06:12.50,Default,,0000,0000,0000,,Em 2012, o Google anunciou que havia\Num algoritmo de aprendizado profundo
Dialogue: 0,0:06:12.50,0:06:13.92,Default,,0000,0000,0000,,assistindo vídeos do YouTube
Dialogue: 0,0:06:13.92,0:06:17.36,Default,,0000,0000,0000,,e processando os dados em 16 mil \Ncomputadores por um mês,
Dialogue: 0,0:06:17.36,0:06:21.72,Default,,0000,0000,0000,,e o computador aprendeu sozinho\Nconceitos como pessoas e gatos
Dialogue: 0,0:06:21.72,0:06:23.53,Default,,0000,0000,0000,,apenas assistindo aos vídeos.
Dialogue: 0,0:06:23.53,0:06:25.88,Default,,0000,0000,0000,,É desse jeito que os humanos aprendem.
Dialogue: 0,0:06:25.88,0:06:28.62,Default,,0000,0000,0000,,Os humanos não aprendem com alguém\Nexplicando o que viram,
Dialogue: 0,0:06:28.62,0:06:31.95,Default,,0000,0000,0000,,aprendem por si próprios.
Dialogue: 0,0:06:31.95,0:06:35.32,Default,,0000,0000,0000,,Também em 2012, Geoffrey Hinton, \Na quem vimos antes,
Dialogue: 0,0:06:35.32,0:06:38.18,Default,,0000,0000,0000,,venceu a conhecida competição ImageNet,
Dialogue: 0,0:06:38.18,0:06:42.32,Default,,0000,0000,0000,,tentando descobrir a partir\Nde um milhão e meio de imagens
Dialogue: 0,0:06:42.32,0:06:43.76,Default,,0000,0000,0000,,o que elas retratam.
Dialogue: 0,0:06:43.76,0:06:47.29,Default,,0000,0000,0000,,A partir de 2014 estamos\Ncom um percentual de erro de 6%
Dialogue: 0,0:06:47.29,0:06:48.74,Default,,0000,0000,0000,,em reconhecimento de imagem.
Dialogue: 0,0:06:48.74,0:06:50.77,Default,,0000,0000,0000,,De novo, isso é melhor que as pessoas.
Dialogue: 0,0:06:50.77,0:06:54.54,Default,,0000,0000,0000,,Então, as máquinas estão fazendo \Num ótimo trabalho
Dialogue: 0,0:06:54.54,0:06:56.81,Default,,0000,0000,0000,,e agora isso está sendo\Nusado na indústria.
Dialogue: 0,0:06:56.81,0:06:59.85,Default,,0000,0000,0000,,Por exemplo, o Google anunciou ano passado
Dialogue: 0,0:06:59.85,0:07:04.43,Default,,0000,0000,0000,,que mapearam cada locação da França\Nem duas horas,
Dialogue: 0,0:07:04.43,0:07:07.88,Default,,0000,0000,0000,,e fizeram isso fornecendo imagens das ruas
Dialogue: 0,0:07:07.88,0:07:12.20,Default,,0000,0000,0000,,para o algoritmo de aprendizado profundo\Nreconhecer e ler os números das ruas.
Dialogue: 0,0:07:12.20,0:07:14.42,Default,,0000,0000,0000,,Imaginem quanto levaria do jeito antigo:
Dialogue: 0,0:07:14.42,0:07:17.77,Default,,0000,0000,0000,,dúzias de pessoas, muitos anos.
Dialogue: 0,0:07:17.77,0:07:19.68,Default,,0000,0000,0000,,Também está acontecendo na China.
Dialogue: 0,0:07:19.68,0:07:23.72,Default,,0000,0000,0000,,Baidu é um Google chinês, acho,
Dialogue: 0,0:07:23.72,0:07:26.00,Default,,0000,0000,0000,,e o que vocês podem ver acima à esquerda
Dialogue: 0,0:07:26.00,0:07:29.98,Default,,0000,0000,0000,,é um exemplo de uma foto que enviei\Nao sistema de aprendizado profundo deles,
Dialogue: 0,0:07:29.98,0:07:33.75,Default,,0000,0000,0000,,e abaixo você pode ver que o sistema\Nentendeu que foto era
Dialogue: 0,0:07:33.75,0:07:35.98,Default,,0000,0000,0000,,e encontrou imagens similares.
Dialogue: 0,0:07:35.98,0:07:38.72,Default,,0000,0000,0000,,As imagens similares de fato\Ntêm fundos similares,
Dialogue: 0,0:07:38.72,0:07:42.16,Default,,0000,0000,0000,,direções de rostos similares,\Nalgumas até com a língua para fora.
Dialogue: 0,0:07:42.16,0:07:45.20,Default,,0000,0000,0000,,Claramente não está olhando\Npara o texto da página.
Dialogue: 0,0:07:45.20,0:07:46.73,Default,,0000,0000,0000,,Tudo que carreguei foi uma foto.
Dialogue: 0,0:07:46.73,0:07:50.17,Default,,0000,0000,0000,,Agora temos computadores\Nque realmente entendem o que veem
Dialogue: 0,0:07:50.17,0:07:52.25,Default,,0000,0000,0000,,e podem assim buscar em bancos de dados
Dialogue: 0,0:07:52.25,0:07:55.81,Default,,0000,0000,0000,,de centenas de milhões\Nde fotos em tempo real.
Dialogue: 0,0:07:55.81,0:07:59.04,Default,,0000,0000,0000,,O que significa o fato dos\Ncomputadores conseguirem ver?
Dialogue: 0,0:07:59.04,0:08:01.05,Default,,0000,0000,0000,,Bem, não é só que conseguem ver.
Dialogue: 0,0:08:01.05,0:08:03.24,Default,,0000,0000,0000,,De fato, o aprendizado profundo fez mais.
Dialogue: 0,0:08:03.27,0:08:06.07,Default,,0000,0000,0000,,Frases matizadas e complexas\Ncomo esta agora são
Dialogue: 0,0:08:06.07,0:08:08.89,Default,,0000,0000,0000,,compreendidas pelo algoritmos \Nde aprendizado profundo.
Dialogue: 0,0:08:08.89,0:08:10.20,Default,,0000,0000,0000,,Como podem ver aqui,
Dialogue: 0,0:08:10.20,0:08:12.96,Default,,0000,0000,0000,,este sistema de Stanford com \No ponto vermelho acima
Dialogue: 0,0:08:12.96,0:08:16.88,Default,,0000,0000,0000,,descobriu que esta frase expressa\Num sentimento negativo.
Dialogue: 0,0:08:16.88,0:08:20.29,Default,,0000,0000,0000,,Na verdade o aprendizado profundo\Nestá alcançando a performance humana
Dialogue: 0,0:08:20.30,0:08:25.42,Default,,0000,0000,0000,,ao entender sobre o que as frases são\Ne o que dizem sobre as coisas.
Dialogue: 0,0:08:25.42,0:08:28.15,Default,,0000,0000,0000,,Além disso o aprendizado profundo\Né usado para ler chinês,
Dialogue: 0,0:08:28.15,0:08:31.31,Default,,0000,0000,0000,,de novo no nível do falante nativo.
Dialogue: 0,0:08:31.31,0:08:33.48,Default,,0000,0000,0000,,Esse algoritmo, desenvolvido na Suíça
Dialogue: 0,0:08:33.48,0:08:36.83,Default,,0000,0000,0000,,por pessoas que não falam chinês.
Dialogue: 0,0:08:36.83,0:08:38.88,Default,,0000,0000,0000,,Como eu digo, usar aprendizado profundo
Dialogue: 0,0:08:38.88,0:08:41.10,Default,,0000,0000,0000,,é o melhor sistema no mundo para isto,
Dialogue: 0,0:08:41.10,0:08:45.56,Default,,0000,0000,0000,,até mesmo comparando\Nao entendimento do humano nativo.
Dialogue: 0,0:08:46.22,0:08:49.18,Default,,0000,0000,0000,,Esse é um sistema que montamos \Nna minha empresa
Dialogue: 0,0:08:49.18,0:08:51.23,Default,,0000,0000,0000,,que mostra tudo isso colocado junto.
Dialogue: 0,0:08:51.25,0:08:53.69,Default,,0000,0000,0000,,São fotos sem texto,
Dialogue: 0,0:08:53.69,0:08:56.04,Default,,0000,0000,0000,,e enquanto digito frases aqui,
Dialogue: 0,0:08:56.04,0:08:59.01,Default,,0000,0000,0000,,ele entende essas fotos em tempo real,
Dialogue: 0,0:08:59.01,0:09:00.69,Default,,0000,0000,0000,,descobre sobre o que elas são
Dialogue: 0,0:09:00.69,0:09:03.85,Default,,0000,0000,0000,,e encontra fotos similares\Nao que estou escrevendo.
Dialogue: 0,0:09:03.85,0:09:06.61,Default,,0000,0000,0000,,Vocês podem ver, está realmente\Nentendendo minhas frases
Dialogue: 0,0:09:06.61,0:09:08.83,Default,,0000,0000,0000,,e entendendo essas imagens.
Dialogue: 0,0:09:08.83,0:09:11.39,Default,,0000,0000,0000,,Sei que vocês viram algo assim no Google,
Dialogue: 0,0:09:11.39,0:09:14.17,Default,,0000,0000,0000,,no qual você digita coisas e \Naparecem imagens,
Dialogue: 0,0:09:14.17,0:09:17.59,Default,,0000,0000,0000,,mas na verdade o que acontece é que\Nestá buscando o texto na página.
Dialogue: 0,0:09:17.59,0:09:20.59,Default,,0000,0000,0000,,Isso é muito diferente de na verdade\Nentender as fotos.
Dialogue: 0,0:09:20.59,0:09:23.34,Default,,0000,0000,0000,,Isto é algo que os computadores\Nconseguiram fazer
Dialogue: 0,0:09:23.34,0:09:26.59,Default,,0000,0000,0000,,pela primeira vez somente\Nhá alguns poucos meses.
Dialogue: 0,0:09:26.59,0:09:30.68,Default,,0000,0000,0000,,Vemos que agora os computadores conseguem\Nnão apenas ver, mas ler também,
Dialogue: 0,0:09:30.68,0:09:34.45,Default,,0000,0000,0000,,e claro, mostramos aqui \Nque podem entender o que escutam.
Dialogue: 0,0:09:34.45,0:09:37.89,Default,,0000,0000,0000,,Talvez não seja surpresa o que vou\Ndizer agora: eles sabem escrever.
Dialogue: 0,0:09:37.89,0:09:42.67,Default,,0000,0000,0000,,Aqui um texto gerado usando um algoritmo\Nde aprendizado profundo ontem.
Dialogue: 0,0:09:42.67,0:09:46.60,Default,,0000,0000,0000,,E aqui um texto gerado\Npor um algoritmo de Stanford.
Dialogue: 0,0:09:46.60,0:09:48.36,Default,,0000,0000,0000,,Cada uma dessas frases foi criada
Dialogue: 0,0:09:48.36,0:09:52.61,Default,,0000,0000,0000,,por um algoritmo de aprendizado profundo\Npara descrever cada uma dessas imagens.
Dialogue: 0,0:09:52.61,0:09:57.08,Default,,0000,0000,0000,,Esse algoritmo nunca tinha visto um homem\Nde camiseta preta tocando violão.
Dialogue: 0,0:09:57.08,0:09:59.30,Default,,0000,0000,0000,,Ele já viu um homem antes,\Njá viu a cor preta,
Dialogue: 0,0:09:59.30,0:10:00.90,Default,,0000,0000,0000,,já viu um violão antes,
Dialogue: 0,0:10:00.90,0:10:05.19,Default,,0000,0000,0000,,mas criou, independentemente,\Nessa descrição inédita para essa imagem.
Dialogue: 0,0:10:05.19,0:10:08.70,Default,,0000,0000,0000,,Ainda não chegamos ao patamar da \Nperformance humana, mas estamos perto.
Dialogue: 0,0:10:08.70,0:10:12.76,Default,,0000,0000,0000,,Em testes, humanos preferem a legenda\Ngerada por computador
Dialogue: 0,0:10:12.76,0:10:14.29,Default,,0000,0000,0000,,uma a cada quatro vezes.
Dialogue: 0,0:10:14.29,0:10:16.36,Default,,0000,0000,0000,,Agora esse sistema tem \Napenas duas semanas,
Dialogue: 0,0:10:16.36,0:10:18.20,Default,,0000,0000,0000,,então provavelmente dentro de um ano,
Dialogue: 0,0:10:18.20,0:10:21.06,Default,,0000,0000,0000,,o algoritmo de computador será\Nmelhor que o desempenho humano
Dialogue: 0,0:10:21.06,0:10:22.86,Default,,0000,0000,0000,,no ritmo que as coisas vão.
Dialogue: 0,0:10:22.86,0:10:25.91,Default,,0000,0000,0000,,Os computadores conseguem escrever.
Dialogue: 0,0:10:25.91,0:10:29.39,Default,,0000,0000,0000,,Quando juntamos isso tudo,\Naparecem oportunidades muito empolgantes.
Dialogue: 0,0:10:29.39,0:10:30.88,Default,,0000,0000,0000,,Por exemplo, na medicina,
Dialogue: 0,0:10:30.88,0:10:33.40,Default,,0000,0000,0000,,uma equipe em Boston anunciou a descoberta
Dialogue: 0,0:10:33.40,0:10:36.35,Default,,0000,0000,0000,,de dúzias de novas características \Nclinicamente relevantes
Dialogue: 0,0:10:36.35,0:10:40.38,Default,,0000,0000,0000,,de tumores que ajudam os médicos\Nem prognósticos de câncer.
Dialogue: 0,0:10:41.72,0:10:44.02,Default,,0000,0000,0000,,De modo semelhante, em Stanford,
Dialogue: 0,0:10:44.02,0:10:47.68,Default,,0000,0000,0000,,um grupo anunciou que, examinando\Nos tecidos ampliados,
Dialogue: 0,0:10:47.68,0:10:50.06,Default,,0000,0000,0000,,desenvolveu um sistema\Nde aprendizado de máquina
Dialogue: 0,0:10:50.06,0:10:52.64,Default,,0000,0000,0000,,que de fato é melhor\Nque patologistas humanos
Dialogue: 0,0:10:52.64,0:10:56.22,Default,,0000,0000,0000,,ao predizer índices de sobrevivência\Npara pacientes de câncer.
Dialogue: 0,0:10:56.73,0:10:59.80,Default,,0000,0000,0000,,Em ambos os casos, não apenas as previsões\Neram mais precisas,
Dialogue: 0,0:10:59.80,0:11:02.77,Default,,0000,0000,0000,,mas criaram uma ciência sagaz.
Dialogue: 0,0:11:02.78,0:11:04.28,Default,,0000,0000,0000,,No caso da radiologia,
Dialogue: 0,0:11:04.28,0:11:07.38,Default,,0000,0000,0000,,são indicadores clínicos novos\Nque os humanos conseguem entender.
Dialogue: 0,0:11:07.38,0:11:09.17,Default,,0000,0000,0000,,Nesse caso de patologia,
Dialogue: 0,0:11:09.17,0:11:13.67,Default,,0000,0000,0000,,o sistema de computador descobriu\Nque as células ao redor do câncer
Dialogue: 0,0:11:13.67,0:11:17.01,Default,,0000,0000,0000,,são tão importantes quanto\Nas próprias células cancerígenas
Dialogue: 0,0:11:17.01,0:11:18.76,Default,,0000,0000,0000,,para se fazer um diagnóstico.
Dialogue: 0,0:11:18.76,0:11:22.94,Default,,0000,0000,0000,,Isso é o oposto ao que os patologistas\Ntinham ensinado por décadas.
Dialogue: 0,0:11:24.39,0:11:27.25,Default,,0000,0000,0000,,Em cada um desses dois casos,\Nforam os sistemas desenvolvidos
Dialogue: 0,0:11:27.25,0:11:31.04,Default,,0000,0000,0000,,por um grupo de especialistas médicos\Ne especialistas em aprendizado de máquina,
Dialogue: 0,0:11:31.04,0:11:33.78,Default,,0000,0000,0000,,mas a partir do ano passado,\Njá ultrapassamos isto também.
Dialogue: 0,0:11:33.78,0:11:37.32,Default,,0000,0000,0000,,Este é um exemplo de identificação\Nde áreas cancerígenas
Dialogue: 0,0:11:37.32,0:11:39.85,Default,,0000,0000,0000,,em tecido humano sob um microscópio.
Dialogue: 0,0:11:39.85,0:11:44.47,Default,,0000,0000,0000,,O sistema aqui consegue identificar\Nessas áreas com mais precisão,
Dialogue: 0,0:11:44.47,0:11:47.24,Default,,0000,0000,0000,,ou com a mesma precisão,\Ndo que patologistas humanos,
Dialogue: 0,0:11:47.24,0:11:50.63,Default,,0000,0000,0000,,mas foi construído com aprendizado\Nprofundo sem conhecimento médico
Dialogue: 0,0:11:50.63,0:11:53.16,Default,,0000,0000,0000,,por pessoas sem conhecimento na área.
Dialogue: 0,0:11:54.23,0:11:56.78,Default,,0000,0000,0000,,De modo similar, aqui,\Nesta segmentação de neurônios.
Dialogue: 0,0:11:56.78,0:12:00.45,Default,,0000,0000,0000,,Agora podemos segmentar neurônios\Ntão precisamente quanto os humanos,
Dialogue: 0,0:12:00.45,0:12:03.17,Default,,0000,0000,0000,,mas este sistema foi desenvolvido\Ncom aprendizado profundo
Dialogue: 0,0:12:03.17,0:12:05.50,Default,,0000,0000,0000,,por pessoas sem conhecimento\Nprévio em medicina.
Dialogue: 0,0:12:06.42,0:12:09.65,Default,,0000,0000,0000,,Então eu mesmo, que não tenho\Nconhecimento em medicina,
Dialogue: 0,0:12:09.65,0:12:13.38,Default,,0000,0000,0000,,pareço ser inteiramente qualificado\Npara iniciar uma empresa médica,
Dialogue: 0,0:12:13.38,0:12:15.52,Default,,0000,0000,0000,,que foi o que fiz.
Dialogue: 0,0:12:15.52,0:12:17.26,Default,,0000,0000,0000,,Estava meio aterrorizado,
Dialogue: 0,0:12:17.26,0:12:20.15,Default,,0000,0000,0000,,mas a teoria sugeria que era possível
Dialogue: 0,0:12:20.15,0:12:25.64,Default,,0000,0000,0000,,fazer uma medicina muito útil usando\Napenas estas técnicas analíticas de dados.
Dialogue: 0,0:12:25.64,0:12:28.12,Default,,0000,0000,0000,,E ainda bem, a reação tem sido fantástica,
Dialogue: 0,0:12:28.12,0:12:30.69,Default,,0000,0000,0000,,não apenas da mídia,\Nmas da comunidade médica,
Dialogue: 0,0:12:30.72,0:12:32.64,Default,,0000,0000,0000,,que tem sido muito favorável.
Dialogue: 0,0:12:32.64,0:12:36.97,Default,,0000,0000,0000,,A teoria é que podemos pegar a parte\Nintermediária do processo médico
Dialogue: 0,0:12:36.97,0:12:39.86,Default,,0000,0000,0000,,e transformá-la o quanto possível\Nem análise de dados,
Dialogue: 0,0:12:39.86,0:12:42.93,Default,,0000,0000,0000,,deixando aos médicos\No que eles fazem de melhor.
Dialogue: 0,0:12:42.93,0:12:44.53,Default,,0000,0000,0000,,Quero dar uma exemplo a vocês.
Dialogue: 0,0:12:44.53,0:12:49.28,Default,,0000,0000,0000,,Hoje um novo teste de diagnóstico médico\Nleva uns 15 minutos para ser feito
Dialogue: 0,0:12:49.28,0:12:51.30,Default,,0000,0000,0000,,e vou mostrar em tempo real para vocês,
Dialogue: 0,0:12:51.30,0:12:52.96,Default,,0000,0000,0000,,mas comprimi para três minutos,
Dialogue: 0,0:12:52.96,0:12:54.45,Default,,0000,0000,0000,,cortando alguns pedaços.
Dialogue: 0,0:12:54.45,0:12:57.87,Default,,0000,0000,0000,,Em vez de um teste de diagnóstico médico,
Dialogue: 0,0:12:57.87,0:13:01.35,Default,,0000,0000,0000,,vou mostrar um teste de diagnóstico\Nde imagens de carros,
Dialogue: 0,0:13:01.35,0:13:03.57,Default,,0000,0000,0000,,pois é algo que todos podem entender.
Dialogue: 0,0:13:03.57,0:13:06.77,Default,,0000,0000,0000,,Então aqui estamos iniciando com \N1,5 milhão de imagens de carro,
Dialogue: 0,0:13:06.77,0:13:09.98,Default,,0000,0000,0000,,e quero criar algo que pode \Nselecionar a partir do ângulo
Dialogue: 0,0:13:09.98,0:13:12.20,Default,,0000,0000,0000,,em que a foto foi tirada.
Dialogue: 0,0:13:12.20,0:13:16.09,Default,,0000,0000,0000,,Estas imagens não estão marcadas,\Nentão preciso começar do zero.
Dialogue: 0,0:13:16.09,0:13:18.00,Default,,0000,0000,0000,,Com o algoritmo de aprendizado profundo,
Dialogue: 0,0:13:18.00,0:13:21.66,Default,,0000,0000,0000,,pode-se automaticamente identificar áreas\Nde estrutura nestas fotos.
Dialogue: 0,0:13:21.66,0:13:25.28,Default,,0000,0000,0000,,O legal é que o humano e o computador\Nagora podem trabalhar juntos.
Dialogue: 0,0:13:25.28,0:13:27.46,Default,,0000,0000,0000,,Então o humano, como podem ver,
Dialogue: 0,0:13:27.46,0:13:30.13,Default,,0000,0000,0000,,diz ao computador as áreas de interesse
Dialogue: 0,0:13:30.13,0:13:34.78,Default,,0000,0000,0000,,que o computador usa\Npara melhorar o algoritmo.
Dialogue: 0,0:13:34.78,0:13:39.08,Default,,0000,0000,0000,,Esses sistemas de aprendizado profundo na\Nverdade usa o espaço de 16 mil dimensões,
Dialogue: 0,0:13:39.08,0:13:42.43,Default,,0000,0000,0000,,então você pode ver aqui o computador\Ngirando através do espaço,
Dialogue: 0,0:13:42.43,0:13:44.50,Default,,0000,0000,0000,,tentando encontrar novas\Náreas de estrutura.
Dialogue: 0,0:13:44.50,0:13:46.28,Default,,0000,0000,0000,,E quando consegue,
Dialogue: 0,0:13:46.28,0:13:50.29,Default,,0000,0000,0000,,o humano que está no controle\Naponta as áreas de interesse.
Dialogue: 0,0:13:50.29,0:13:52.71,Default,,0000,0000,0000,,Aqui o computador encontrou\Nas áreas com sucesso,
Dialogue: 0,0:13:52.71,0:13:55.27,Default,,0000,0000,0000,,por exemplo, ângulos.
Dialogue: 0,0:13:55.27,0:13:56.88,Default,,0000,0000,0000,,Enquanto seguimos o processo,
Dialogue: 0,0:13:56.88,0:13:59.02,Default,,0000,0000,0000,,gradualmente dizendo mais\Ne mais ao computador
Dialogue: 0,0:13:59.02,0:14:01.46,Default,,0000,0000,0000,,sobre os tipos de estruturas\Nque estamos procurando.
Dialogue: 0,0:14:01.46,0:14:03.11,Default,,0000,0000,0000,,Se fosse um teste diagnóstico,
Dialogue: 0,0:14:03.11,0:14:06.77,Default,,0000,0000,0000,,seria um patologista identificando áreas\Nde condição patológica, por exemplo,
Dialogue: 0,0:14:06.77,0:14:11.79,Default,,0000,0000,0000,,ou um radiologista indicando nódulos\Npotencialmente problemáticos.
Dialogue: 0,0:14:11.79,0:14:14.35,Default,,0000,0000,0000,,E às vezes pode ser difícil\Npara o algoritmo.
Dialogue: 0,0:14:14.35,0:14:16.32,Default,,0000,0000,0000,,Nesse caso, ficou um pouco confuso.
Dialogue: 0,0:14:16.32,0:14:18.86,Default,,0000,0000,0000,,As frentes e as traseiras estão\Ntodas misturadas.
Dialogue: 0,0:14:18.86,0:14:20.94,Default,,0000,0000,0000,,Então temos que ser cuidadosos,
Dialogue: 0,0:14:20.94,0:14:24.17,Default,,0000,0000,0000,,manualmente separando as frentes\Ne as traseiras,
Dialogue: 0,0:14:24.17,0:14:29.34,Default,,0000,0000,0000,,e dizendo ao computador que isso é\No tipo de grupo
Dialogue: 0,0:14:29.34,0:14:31.02,Default,,0000,0000,0000,,que nos interessa.
Dialogue: 0,0:14:31.02,0:14:33.70,Default,,0000,0000,0000,,Então fizemos isso por um tempo,\Nadiantamos um pouco,
Dialogue: 0,0:14:33.70,0:14:35.95,Default,,0000,0000,0000,,treinamos o algoritmo de\Naprendizado de máquina
Dialogue: 0,0:14:35.95,0:14:37.83,Default,,0000,0000,0000,,com base em algumas centenas de coisas,
Dialogue: 0,0:14:37.83,0:14:39.58,Default,,0000,0000,0000,,e esperamos que tenha ficado melhor.
Dialogue: 0,0:14:39.58,0:14:42.78,Default,,0000,0000,0000,,Vocês podem ver agora que algumas dessas\Nfotos desapareceram,
Dialogue: 0,0:14:42.78,0:14:47.42,Default,,0000,0000,0000,,mostrando que já consegue entender\Nalgumas por si próprio.
Dialogue: 0,0:14:47.42,0:14:50.29,Default,,0000,0000,0000,,Podemos então usar esse conceito\Npara fotos similares,
Dialogue: 0,0:14:50.29,0:14:52.56,Default,,0000,0000,0000,,e usando fotos similares, vocês podem ver,
Dialogue: 0,0:14:52.56,0:14:56.41,Default,,0000,0000,0000,,o computador nesse ponto consegue\Nencontrar somente as frentes dos carros.
Dialogue: 0,0:14:56.41,0:14:59.69,Default,,0000,0000,0000,,Nesse ponto o humano pode\Ndizer ao computador,
Dialogue: 0,0:14:59.69,0:15:01.98,Default,,0000,0000,0000,,"Ok, sim, você fez um bom trabalho".
Dialogue: 0,0:15:03.15,0:15:05.34,Default,,0000,0000,0000,,Claro que às vezes ainda é difícil
Dialogue: 0,0:15:05.34,0:15:09.01,Default,,0000,0000,0000,,separar grupos nesse ponto.
Dialogue: 0,0:15:09.01,0:15:12.96,Default,,0000,0000,0000,,Neste caso mesmo após\No computador girar um pouco,
Dialogue: 0,0:15:12.96,0:15:15.94,Default,,0000,0000,0000,,ainda vemos que imagens do lado esquerdo
Dialogue: 0,0:15:15.94,0:15:17.72,Default,,0000,0000,0000,,e do direito estão todas misturadas.
Dialogue: 0,0:15:17.72,0:15:19.86,Default,,0000,0000,0000,,Podemos novamente\Ndar dicas ao computador,
Dialogue: 0,0:15:19.86,0:15:22.84,Default,,0000,0000,0000,,e dizer ok, encontre uma projeção\Nque separe
Dialogue: 0,0:15:22.84,0:15:25.44,Default,,0000,0000,0000,,os lados esquerdo e direito\No melhor possível
Dialogue: 0,0:15:25.44,0:15:27.57,Default,,0000,0000,0000,,usando o algoritmo\Nde aprendizado profundo.
Dialogue: 0,0:15:27.57,0:15:30.51,Default,,0000,0000,0000,,E dando aquela dica - ah, ok, conseguiu.
Dialogue: 0,0:15:30.51,0:15:33.39,Default,,0000,0000,0000,,Encontrou um jeito de pensar\Nnestes objetos
Dialogue: 0,0:15:33.39,0:15:35.11,Default,,0000,0000,0000,,que acabou agrupando-os.
Dialogue: 0,0:15:36.36,0:15:38.21,Default,,0000,0000,0000,,Vocês entendem a ideia aqui.
Dialogue: 0,0:15:39.20,0:15:46.45,Default,,0000,0000,0000,,Não é o caso de substituir o humano\Npelo computador,
Dialogue: 0,0:15:46.45,0:15:49.05,Default,,0000,0000,0000,,mas sim trabalharem juntos.
Dialogue: 0,0:15:49.05,0:15:52.50,Default,,0000,0000,0000,,O que fazemos aqui é substituir algo\Nque costumava demandar de uma equipe
Dialogue: 0,0:15:52.50,0:15:54.69,Default,,0000,0000,0000,,de cinco ou seis pessoas\Npor cerca de sete anos
Dialogue: 0,0:15:54.69,0:15:57.20,Default,,0000,0000,0000,,com algo que leva apenas 15 minutos
Dialogue: 0,0:15:57.20,0:15:59.71,Default,,0000,0000,0000,,para uma pessoa só.
Dialogue: 0,0:15:59.71,0:16:03.66,Default,,0000,0000,0000,,Esse processo demanda\Ncerca de quatro ou cinco iterações.
Dialogue: 0,0:16:03.66,0:16:05.30,Default,,0000,0000,0000,,Podemos ver que agora temos 62%
Dialogue: 0,0:16:05.30,0:16:08.48,Default,,0000,0000,0000,,de nossas 1,5 milhão de fotos\Nclassificadas corretamente.
Dialogue: 0,0:16:08.48,0:16:10.35,Default,,0000,0000,0000,,Neste ponto podemos rapidamente
Dialogue: 0,0:16:10.35,0:16:12.24,Default,,0000,0000,0000,,pegar seções inteiras
Dialogue: 0,0:16:12.24,0:16:14.80,Default,,0000,0000,0000,,e checar se não há erros.
Dialogue: 0,0:16:14.80,0:16:19.12,Default,,0000,0000,0000,,Ao encontramos erros, podemos deixar\No computador analisar.
Dialogue: 0,0:16:19.12,0:16:22.16,Default,,0000,0000,0000,,Usando esse tipo de processo\Nem cada um dos diferentes grupos,
Dialogue: 0,0:16:22.16,0:16:24.65,Default,,0000,0000,0000,,temos agora 80% de índice de sucesso
Dialogue: 0,0:16:24.65,0:16:27.06,Default,,0000,0000,0000,,classificando 1,5 milhão de fotos.
Dialogue: 0,0:16:27.06,0:16:29.14,Default,,0000,0000,0000,,Nesse ponto é só o caso de encontrar
Dialogue: 0,0:16:29.14,0:16:32.72,Default,,0000,0000,0000,,o pequeno número que ainda\Nnão está classificado corretamente,
Dialogue: 0,0:16:32.72,0:16:35.61,Default,,0000,0000,0000,,e tentar entender o motivo.
Dialogue: 0,0:16:35.61,0:16:37.35,Default,,0000,0000,0000,,E com essa abordagem,
Dialogue: 0,0:16:37.35,0:16:41.47,Default,,0000,0000,0000,,em 15 minutos temos 97%\Nde índice de classificação.
Dialogue: 0,0:16:41.47,0:16:46.07,Default,,0000,0000,0000,,Então esse tipo de técnica nos permite\Nresolver um grande problema,
Dialogue: 0,0:16:46.08,0:16:49.11,Default,,0000,0000,0000,,que é a falta de competência\Nmédica no mundo.
Dialogue: 0,0:16:49.11,0:16:52.60,Default,,0000,0000,0000,,O Fórum Econômico Mundial diz que há\Nescassez de algo entre 10 e 20 vezes
Dialogue: 0,0:16:52.60,0:16:55.23,Default,,0000,0000,0000,,de médicos no mundo em desenvolvimento,
Dialogue: 0,0:16:55.23,0:16:57.34,Default,,0000,0000,0000,,e que levaria cerca de 300 anos
Dialogue: 0,0:16:57.34,0:17:00.23,Default,,0000,0000,0000,,para treinar gente suficiente \Npara resolver o problema.
Dialogue: 0,0:17:00.23,0:17:03.12,Default,,0000,0000,0000,,Imaginem conseguirmos\Naumentar a eficiência
Dialogue: 0,0:17:03.12,0:17:05.96,Default,,0000,0000,0000,,usando essas abordagens \Nde aprendizado profundo?
Dialogue: 0,0:17:05.96,0:17:08.19,Default,,0000,0000,0000,,Por isso estou empolgado\Ncom as oportunidades.
Dialogue: 0,0:17:08.19,0:17:10.78,Default,,0000,0000,0000,,E estou preocupado com os problemas.
Dialogue: 0,0:17:10.78,0:17:13.90,Default,,0000,0000,0000,,O problema aqui é que cada área\Nem azul no mapa
Dialogue: 0,0:17:13.90,0:17:17.67,Default,,0000,0000,0000,,é um lugar onde os serviços correspondem\Na mais de 80% dos empregos.
Dialogue: 0,0:17:17.67,0:17:19.46,Default,,0000,0000,0000,,O que são serviços?
Dialogue: 0,0:17:19.46,0:17:20.97,Default,,0000,0000,0000,,São estes.
Dialogue: 0,0:17:20.97,0:17:25.14,Default,,0000,0000,0000,,São também exatamente\No que os computadores aprenderam a fazer.
Dialogue: 0,0:17:25.14,0:17:28.93,Default,,0000,0000,0000,,Então, 80% dos empregos\Nno mundo no mundo desenvolvido
Dialogue: 0,0:17:28.93,0:17:31.46,Default,,0000,0000,0000,,é algo que computadores\Njá aprenderam a fazer.
Dialogue: 0,0:17:31.46,0:17:32.73,Default,,0000,0000,0000,,O que isso significa?
Dialogue: 0,0:17:32.73,0:17:35.30,Default,,0000,0000,0000,,Ficaremos bem. Serão substituídos\Npor outros empregos.
Dialogue: 0,0:17:35.30,0:17:38.01,Default,,0000,0000,0000,,Por exemplo serão mais empregos\Npara cientistas de dados.
Dialogue: 0,0:17:38.01,0:17:39.01,Default,,0000,0000,0000,,Na verdade não.
Dialogue: 0,0:17:39.01,0:17:42.02,Default,,0000,0000,0000,,Não leva muito tempo para cientistas\Nde dados fazerem isto.
Dialogue: 0,0:17:42.02,0:17:45.38,Default,,0000,0000,0000,,Por exemplo, os quatro algoritmos\Nforam construídos pela mesma pessoa.
Dialogue: 0,0:17:45.38,0:17:47.82,Default,,0000,0000,0000,,Então se pensar:\N"Ah, isso já aconteceu antes",
Dialogue: 0,0:17:47.82,0:17:51.63,Default,,0000,0000,0000,,já vimos isso antes, \Nquando coisas novas chegam
Dialogue: 0,0:17:51.63,0:17:53.88,Default,,0000,0000,0000,,e novos empregos aparecem,
Dialogue: 0,0:17:53.88,0:17:55.99,Default,,0000,0000,0000,,como serão estes novos empregos?
Dialogue: 0,0:17:55.99,0:17:57.86,Default,,0000,0000,0000,,É muito difícil estimar isso,
Dialogue: 0,0:17:57.86,0:18:00.60,Default,,0000,0000,0000,,porque o desempenho humano cresce\Nneste ritmo gradual,
Dialogue: 0,0:18:00.60,0:18:03.17,Default,,0000,0000,0000,,mas agora temos um sistema,\Naprendizado profundo,
Dialogue: 0,0:18:03.17,0:18:06.39,Default,,0000,0000,0000,,que sabemos crescer em ritmo exponencial.
Dialogue: 0,0:18:06.39,0:18:07.100,Default,,0000,0000,0000,,E estamos aqui.
Dialogue: 0,0:18:07.100,0:18:10.06,Default,,0000,0000,0000,,Então hoje vemos as coisas ao redor
Dialogue: 0,0:18:10.06,0:18:12.74,Default,,0000,0000,0000,,e dizemos: "Oh, os computadores \Nsão tão burros". Certo?
Dialogue: 0,0:18:12.74,0:18:16.16,Default,,0000,0000,0000,,Mas em cinco anos os computadores\Nestarão fora deste gráfico.
Dialogue: 0,0:18:16.16,0:18:19.70,Default,,0000,0000,0000,,Então precisamos começar a pensar\Nnesta capacidade desde já.
Dialogue: 0,0:18:19.70,0:18:21.79,Default,,0000,0000,0000,,Já vimos isso antes, claro.
Dialogue: 0,0:18:21.79,0:18:23.33,Default,,0000,0000,0000,,Na Revolução Industrial,
Dialogue: 0,0:18:23.33,0:18:26.32,Default,,0000,0000,0000,,vimos uma mudança na capacidade\Ngraças aos motores.
Dialogue: 0,0:18:27.17,0:18:30.30,Default,,0000,0000,0000,,Acontece que, as coisas foram\Nse nivelando.
Dialogue: 0,0:18:30.30,0:18:32.01,Default,,0000,0000,0000,,Houve distúrbio social,
Dialogue: 0,0:18:32.01,0:18:35.45,Default,,0000,0000,0000,,mas quando os motores foram usados\Npara gerar força em todas as situações
Dialogue: 0,0:18:35.45,0:18:37.15,Default,,0000,0000,0000,,as coisas se acalmaram.
Dialogue: 0,0:18:37.80,0:18:41.58,Default,,0000,0000,0000,,A Revolução do Aprendizado\Nde Máquina será bem diferente,
Dialogue: 0,0:18:41.58,0:18:44.97,Default,,0000,0000,0000,,porque ela nunca se acalma.
Dialogue: 0,0:18:44.97,0:18:48.16,Default,,0000,0000,0000,,Quanto mais as capacidades\Nintelectuais dos computadores melhorarem,
Dialogue: 0,0:18:48.16,0:18:52.36,Default,,0000,0000,0000,,mais eles podem construir\Noutros computadores, melhores nisso,
Dialogue: 0,0:18:52.36,0:18:54.27,Default,,0000,0000,0000,,então esse será um tipo de mudança
Dialogue: 0,0:18:54.27,0:18:56.75,Default,,0000,0000,0000,,que o mundo nunca teve antes,
Dialogue: 0,0:18:56.75,0:19:00.05,Default,,0000,0000,0000,,então sua compreensão anterior\Ndo que é possível é diferente.
Dialogue: 0,0:19:00.47,0:19:02.25,Default,,0000,0000,0000,,Isso já está nos afetando.
Dialogue: 0,0:19:02.25,0:19:05.86,Default,,0000,0000,0000,,Nos últimos 25 anos,\Ncomo a produtividade de capital aumentou,
Dialogue: 0,0:19:05.86,0:19:10.09,Default,,0000,0000,0000,,a produtividade de mão de obra estacionou,\Nde fato até caiu um pouco.
Dialogue: 0,0:19:10.91,0:19:13.65,Default,,0000,0000,0000,,Então quero que comecemos\Nesta discussão já.
Dialogue: 0,0:19:13.65,0:19:16.36,Default,,0000,0000,0000,,Sei que quando conto isso para as pessoas,
Dialogue: 0,0:19:16.36,0:19:18.17,Default,,0000,0000,0000,,elas podem acabar desdenhando:
Dialogue: 0,0:19:18.17,0:19:19.84,Default,,0000,0000,0000,,"os computadores não sabem pensar,
Dialogue: 0,0:19:19.84,0:19:22.87,Default,,0000,0000,0000,,não se emocionam, não entendem poesia,
Dialogue: 0,0:19:22.87,0:19:25.11,Default,,0000,0000,0000,,não sabemos como eles funcionam".
Dialogue: 0,0:19:25.11,0:19:26.48,Default,,0000,0000,0000,,E daí?
Dialogue: 0,0:19:26.48,0:19:28.64,Default,,0000,0000,0000,,Hoje os computadores fazem coisas
Dialogue: 0,0:19:28.64,0:19:31.40,Default,,0000,0000,0000,,que passamos a maior parte\Ndo tempo sendo pagos para fazer,
Dialogue: 0,0:19:31.40,0:19:33.65,Default,,0000,0000,0000,,então chegou a hora de pensar
Dialogue: 0,0:19:33.65,0:19:37.27,Default,,0000,0000,0000,,em como vamos ajustar nossas\Nestruturas sociais e econômicas
Dialogue: 0,0:19:37.27,0:19:39.36,Default,,0000,0000,0000,,para essa nova realidade.
Dialogue: 0,0:19:39.36,0:19:40.89,Default,,0000,0000,0000,,Obrigado.
Dialogue: 0,0:19:40.89,0:19:43.92,Default,,0000,0000,0000,,(Aplausos)