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