As maravilhosas e terríveis implicações dos computadores que aprendem | Jeremy Howard | TEDxBrussels
-
0:09 - 0:13Antigamente, quando queríamos que
um computador fizesse uma coisa nova, -
0:13 - 0:15tínhamos que o programar.
-
0:15 - 0:18Para quem nunca fez programação,
-
0:18 - 0:22a programação exige descrever
com um pormenor minucioso -
0:22 - 0:25cada um dos passos que queremos
que o computador faça -
0:25 - 0:27para atingimos o nosso objetivo.
-
0:28 - 0:31Se quisermos fazer uma coisa
que não sabemos fazer, -
0:31 - 0:33isso torna-se num grande problema.
-
0:33 - 0:37Foi esse o problema que
este homem, Arthur Samuel, enfrentou. -
0:37 - 0:43Em 1956, quis que este computador
o vencesse no xadrez. -
0:43 - 0:45Como é possível escrever um programa,
-
0:45 - 0:49com um pormenor minucioso, para que
outro seja melhor do que nós no xadrez? -
0:49 - 0:51Então ele teve uma ideia:
-
0:51 - 0:54pôs o computador a jogar
contra si mesmo, milhares de vezes, -
0:54 - 0:58e a aprender a jogar xadrez.
-
0:58 - 0:59E, de facto, isso resultou.
-
0:59 - 1:03Em 1962, o computador venceu
o campeão de Connecticut. -
1:04 - 1:07Portanto, Arthur Samuel foi
o pai da aprendizagem das máquinas -
1:07 - 1:09e eu sinto-me em dívida para com ele
-
1:09 - 1:11porque eu sou praticante
da aprendizagem das máquinas. -
1:11 - 1:13Fui o presidente da Kaggle,
-
1:13 - 1:15uma comunidade com mais
de 200 000 praticantes -
1:15 - 1:17da aprendizagem das máquinas.
-
1:17 - 1:19A Kaggle promove competições
-
1:19 - 1:22para eles tentarem resolver
problemas até aí insolúveis. -
1:22 - 1:25Tem sido um êxito, centenas de vezes.
-
1:26 - 1:28Desta posição de vantagem,
consegui aprender muito -
1:28 - 1:30sobre o que a aprendizagem das máquinas
-
1:30 - 1:32pôde fazer no passado, pode fazer hoje
-
1:32 - 1:34e o que pode fazer no futuro.
-
1:35 - 1:37Talvez que o maior êxito comercial
-
1:37 - 1:39da aprendizagem das máquinas,
tenha sido o Google. -
1:39 - 1:42O Google mostrou que é possível
encontrar informações -
1:42 - 1:44usando um algoritmo para computador
-
1:44 - 1:47e esse algoritmo baseia-se
na aprendizagem das máquinas. -
1:47 - 1:49Desde aí, tem havido
muitos êxitos comerciais -
1:49 - 1:51de aprendizagem das máquinas.
-
1:51 - 1:53Empresas como a Amazon e a Netflix
-
1:53 - 1:54usam a aprendizagem das máquinas
-
1:54 - 1:57para sugerir produtos
que podemos querer comprar, -
1:57 - 1:58filmes que podemos gostar de ver.
-
1:58 - 2:00Por vezes, até arrepia.
-
2:00 - 2:02Empresas como o LinkedIn e o Facebook
-
2:02 - 2:05dizem-nos quem
poderão ser os nossos amigos -
2:05 - 2:07e não fazemos ideia
de como é que lá chegam. -
2:07 - 2:10É porque estão a usar o poder
da aprendizagem das máquinas. -
2:10 - 2:13São algoritmos que aprenderam
a fazer, a partir dos dados, -
2:13 - 2:15em vez de serem programados à mão.
-
2:17 - 2:19Foi também assim que a IBM teve êxito
-
2:19 - 2:22em conseguir que Watson vencesse
dois campeões mundiais em "Jeopardy", -
2:22 - 2:26respondendo a perguntas
incrivelmente subtis e complexas como esta: -
2:26 - 2:29[Quando desapareceu o "Leão de Nimrud"
do museu desta cidade?] -
2:29 - 2:32É também por isso que temos
os primeiros carros autónomos. -
2:32 - 2:34Se quisermos que eles saibam a diferença
-
2:34 - 2:37entre uma árvore e um peão,
por exemplo, é muito importante. -
2:37 - 2:40Não sabemos como escrever
esses programas à mão, -
2:40 - 2:43mas com a aprendizagem das máquinas,
isso agora é possível. -
2:43 - 2:46Na verdade, este carro já percorreu
mais de um milhão de quilómetros -
2:46 - 2:48sem qualquer acidente,
em estradas normais. -
2:50 - 2:53Portanto, já sabemos
que os computadores podem aprender, -
2:53 - 2:55e os computadores aprendem a fazer coisas
-
2:55 - 2:57que, por vezes, nós próprios
não sabemos fazer, -
2:57 - 2:59ou talvez consigam fazê-las
melhor do que nós. -
3:00 - 3:04Um dos exemplos mais espantosos que já vi
de aprendizagem de máquinas -
3:04 - 3:07aconteceu num projeto
que eu dirigi na Kaggle -
3:07 - 3:11onde uma equipa, dirigida
por um tipo chamado Geoffrey Hinton, -
3:11 - 3:12da Universidade de Toronto,
-
3:12 - 3:15ganhou um concurso
para deteção automática de drogas. -
3:15 - 3:17O que houve de extraordinário
não foi só ele ter batido -
3:17 - 3:19todos os algoritmos
desenvolvidos pela Merck -
3:19 - 3:22ou pela comunidade
académica internacional, -
3:22 - 3:23mas o facto de que ninguém da equipa
-
3:23 - 3:27tinha qualquer formação em química,
biologia ou ciências da vida -
3:27 - 3:29e fizeram aquilo em duas semanas!
-
3:29 - 3:31Como é que conseguiram?
-
3:31 - 3:34Usaram um algoritmo extraordinário,
chamado "aprendizagem profunda". -
3:34 - 3:37Isso foi tão importante
que o The New York Times -
3:37 - 3:40publicou um artigo de primeira página,
semanas depois. -
3:40 - 3:42Este é Geoffrey Hinton,
aqui do lado esquerdo. -
3:42 - 3:45A profunda aprendizagem é um algoritmo
-
3:45 - 3:47inspirado na forma
como funciona o cérebro humano. -
3:47 - 3:49Por isso, é um algoritmo
-
3:49 - 3:52que teoricamente não tem limites
para o que pode fazer. -
3:52 - 3:56Quantos mais dados lhe dermos
e mais tempo de cálculo lhe dermos, -
3:56 - 3:57melhor ele fica.
-
3:57 - 3:59O The New York Times
também mostrou nesse artigo -
3:59 - 4:02outro resultado extraordinário
da aprendizagem profunda -
4:02 - 4:04que vos vou mostrar agora.
-
4:05 - 4:08Mostra que os computadores
ouvem e compreendem. -
4:09 - 4:12(Vídeo) Agora, o último passo
-
4:12 - 4:15que quero poder dar neste processo
-
4:15 - 4:18é falar convosco em chinês.
-
4:20 - 4:21A coisa fundamental aqui
-
4:21 - 4:25é que conseguimos arranjar
uma grande quantidade de informações -
4:25 - 4:27de muitos falantes da língua chinesa
-
4:27 - 4:30e produzir um sistema
de texto-para-discurso -
4:30 - 4:34que agarra num texto em chinês
e o transforma em língua chinesa. -
4:36 - 4:38Depois gravámos a minha voz
durante cerca de uma hora -
4:39 - 4:41e usámo-la para modular
-
4:41 - 4:44o sistema padrão texto-para-discurso,
para ficar com o som da minha voz. -
4:45 - 4:47O resultado não é perfeito.
-
4:48 - 4:50Na verdade, há bastantes erros.
-
4:50 - 4:52(Tradução da frase em chinês)
-
4:52 - 4:53(Risos)
-
4:54 - 4:57(Aplausos)
-
4:58 - 5:00Há muito trabalho a fazer nesta área.
-
5:02 - 5:05(Tradução da frase em chinês)
-
5:06 - 5:08(Aplausos)
-
5:11 - 5:14Isto foi numa conferência na China,
sobre aprendizagem de máquinas. -
5:14 - 5:17Não é com frequência
ouvir aplausos espontâneos -
5:17 - 5:18em conferências académicas,
-
5:19 - 5:21embora isso aconteça
por vezes nas conferências TEDx. -
5:22 - 5:25Tudo aquilo foi feito
com a aprendizagem profunda. -
5:25 - 5:26(Aplausos)
-
5:26 - 5:27Obrigado.
-
5:27 - 5:30A transcrição em inglês foi feita
com aprendizagem profunda. -
5:30 - 5:32A tradução para chinês
e o texto em cima à direita, também. -
5:32 - 5:36A construção da voz também
foi aprendizagem profunda. -
5:36 - 5:39Portanto, a aprendizagem profunda
é esta coisa extraordinária. -
5:39 - 5:42É um simples algoritmo
que parece poder fazer quase tudo. -
5:42 - 5:45Descobri que, um ano antes,
também tinha aprendido a ver. -
5:45 - 5:48Nesta competição
pouco conhecida da Alemanha, -
5:48 - 5:50Reconhecimento dos Sinais de Trânsito,
-
5:50 - 5:53a aprendizagem profunda aprendeu
a reconhecer sinais de trânsito como este. -
5:53 - 5:55Não só reconheceu os sinais de trânsito
-
5:55 - 5:57melhor do que qualquer outro algoritmo,
-
5:57 - 5:59mas o quadro de classificações mostrou
-
5:59 - 6:02que foi quase duas vezes
melhor do que as pessoas. -
6:02 - 6:04Em 2011, tivemos o primeiro exemplo
-
6:04 - 6:07de computadores que veem
melhor do que as pessoas. -
6:07 - 6:09Desde essa data, muita coisa aconteceu.
-
6:09 - 6:13Em 2012, a Google anunciou que tinha
um algoritmo de aprendizagem profunda -
6:13 - 6:15a ver os vídeos do Youtube
-
6:15 - 6:17e 16 000 computadores a digerir os dados ,
durante um mês. -
6:17 - 6:22Os computadores aprenderam sozinhos
conceitos como "pessoas" e "gatos", -
6:22 - 6:23só por verem os vídeos.
-
6:23 - 6:26É parecido com a forma
como as pessoas aprendem. -
6:26 - 6:28As pessoas não aprendem
por lhes dizerem o que veem, -
6:28 - 6:31aprendem por si próprias
o que são essas coisas. -
6:32 - 6:35Também em 2012, Geoffrey Hinton,
que vimos há bocado, -
6:36 - 6:39ganhou o popular concurso ImageNet,
-
6:39 - 6:42tentando descobrir,
entre um milhão e meio de imagens, -
6:42 - 6:44que imagens eram essas.
-
6:44 - 6:48Em 2014, atingimos
uma taxa de erro de seis por cento -
6:48 - 6:49em reconhecimento de imagem.
-
6:49 - 6:52Mais uma vez, é melhor do que as pessoas.
-
6:52 - 6:54As máquinas estão a fazer
um trabalho terrivelmente bom, -
6:54 - 6:57que está a começar
a ser usado na indústria. -
6:57 - 7:00Por exemplo, a Google anunciou
que, no ano passado, -
7:00 - 7:04tinha mapeado todas as localidades
em França, em duas horas. -
7:05 - 7:06Como é que o fizeram?
-
7:06 - 7:09Introduziram imagens de ruas
num algoritmo de aprendizagem profunda -
7:09 - 7:12para reconhecimento e leitura
dos números das ruas. -
7:12 - 7:15Imaginem quanto tempo
demoraria isso antigamente: -
7:15 - 7:17dezenas de pessoas, muitos anos.
-
7:18 - 7:21Isto também está a acontecer na China.
-
7:21 - 7:24Penso que Baidu
é uma espécie de Google chinês. -
7:24 - 7:26O que veem aqui em cima à esquerda
-
7:26 - 7:29é um exemplo duma imagem que eu introduzi
-
7:29 - 7:31no sistema de aprendizagem
profunda de Baidu. -
7:31 - 7:34Em baixo, vemos que o sistema
percebeu o que é aquela imagem -
7:34 - 7:36e encontrou imagens semelhantes.
-
7:36 - 7:39As imagens semelhantes
têm antecedentes semelhantes -
7:39 - 7:42direções semelhantes dos focinhos,
alguns até com a língua de fora. -
7:42 - 7:45Não é propriamente olhar
para o texto duma página "web". -
7:45 - 7:47Eu só introduzi uma imagem.
-
7:47 - 7:50Portanto, agora temos computadores
que percebem o que veem -
7:50 - 7:53e, portanto, podem procurar
nas bases de dados -
7:53 - 7:55de centenas de milhões
de imagens em tempo real. -
7:56 - 7:58O que é que significa
os computadores poderem ver? -
7:59 - 8:02Não se trata apenas
de os computadores poderem ver. -
8:02 - 8:04A aprendizagem profunda
é mais do que isso. -
8:04 - 8:06Frases complexas,
com cambiantes, como esta, -
8:06 - 8:09são compreensíveis com algoritmos
de aprendizagem profunda. -
8:09 - 8:10Como podem ver aqui,
-
8:10 - 8:14este sistema baseado em Stanford,
que tem o ponto vermelho lá em cima, -
8:14 - 8:17concluiu que esta frase exprime
um sentimento negativo. -
8:17 - 8:20A aprendizagem profunda
está próxima do desempenho humano -
8:20 - 8:24na compreensão do sentido das frases
e o que elas dizem sobre as coisas. -
8:26 - 8:29A aprendizagem profunda
também tem sido usada para ler chinês, -
8:29 - 8:31a um nível de pessoas
que falam chinês nativo. -
8:32 - 8:34Este algoritmo foi desenvolvido na Suíça,
-
8:34 - 8:37por pessoas que não falam
nem percebem chinês. -
8:37 - 8:40Como eu disse,
o uso da aprendizagem profunda -
8:40 - 8:42é o melhor sistema do mundo para isto
-
8:42 - 8:45mesmo em comparação
com a compreensão humana nativa. -
8:47 - 8:49Isto é um sistema
que construímos na minha empresa -
8:49 - 8:51que mostra como se montou tudo isto.
-
8:51 - 8:54Isto são imagens
que não têm qualquer texto anexo. -
8:54 - 8:56Quando eu escrevo frases aqui,
-
8:56 - 8:59ele vai percebendo essas imagens
em tempo real, -
8:59 - 9:01vai percebendo sobre o que é que elas são
-
9:01 - 9:05e procura imagens semelhantes ao texto
que eu estou a escrever. -
9:05 - 9:06Está a perceber as minhas frases
-
9:06 - 9:08e a perceber as imagens.
-
9:09 - 9:11Sei que já viram coisa parecida no Google,
-
9:11 - 9:14onde podem escrever coisas
e aparecem imagens, -
9:14 - 9:18mas o que ele faz é pesquisar
a página "web" pelo texto. -
9:18 - 9:20É muito diferente de perceber as imagens.
-
9:20 - 9:23É uma coisa que os computadores
só foram capazes de fazer -
9:23 - 9:25pela primeira vez há poucos meses.
-
9:27 - 9:31Podemos assim ver que os computadores
não só podem ver como podem ler. -
9:31 - 9:34Mostrámos que eles compreendem
o que ouvem. -
9:34 - 9:38Talvez não seja surpresa se eu vos disser
que eles podem escrever. -
9:38 - 9:40Este é um texto que eu produzi ontem
-
9:40 - 9:42usando um algoritmo
de aprendizagem profunda. -
9:44 - 9:47E este é um texto produzido
por um algoritmo de Stanford. -
9:47 - 9:50Cada uma destas frases foi gerada
por um algoritmo de aprendizagem profunda -
9:50 - 9:53para descrever cada uma destas imagens.
-
9:53 - 9:57Este algoritmo nunca tinha visto
um homem de camisa preta a tocar guitarra. -
9:57 - 10:00Já tinha visto um homem.
Já tinha visto preto. -
10:00 - 10:01Já tinha visto uma guitarra.
-
10:01 - 10:06E gerou independentemente
esta nova descrição da imagem. -
10:06 - 10:09Ainda não estamos ao nível
do desempenho humano, mas quase. -
10:09 - 10:13Em testes, os homens preferem
a legenda produzida pelo computador, -
10:13 - 10:14uma em cada quatro vezes.
-
10:14 - 10:16Este sistema só tem duas semanas,
-
10:16 - 10:18portanto, provavelmente no próximo ano,
-
10:18 - 10:21o algoritmo do computador estará
muito para além do desempenho humano -
10:21 - 10:24ao ritmo com que as coisas
estão a avançar. -
10:24 - 10:26Portanto, os computadores
também podem escrever. -
10:26 - 10:29Juntamos isto tudo e chegamos
a oportunidades muito excitantes. -
10:29 - 10:31Por exemplo, na medicina.
-
10:31 - 10:34Uma equipa em Boston anunciou
que tinha descoberto -
10:34 - 10:36dezenas de novas características
de tumores, -
10:36 - 10:38clinicamente relevantes,
-
10:38 - 10:41que ajudam os médicos
a fazer o prognóstico do cancro. -
10:41 - 10:44De igual modo, em Stanford,
-
10:44 - 10:47um grupo anunciou que,
observando tecidos à lupa, -
10:47 - 10:50desenvolveram um sistema
baseado na aprendizagem de máquinas -
10:50 - 10:53que é melhor do que
os patologistas humanos -
10:53 - 10:56na previsão das taxas de sobrevivência
para os doentes de cancro. -
10:57 - 11:00Em ambos os casos,
as previsões foram mais rigorosas -
11:00 - 11:03e também geraram
uma nova ciência de perceção. -
11:03 - 11:04No caso da radiologia,
-
11:04 - 11:08houve novos indicadores clínicos
que os seres humanos percebem. -
11:08 - 11:09Neste caso patológico,
-
11:09 - 11:14o sistema do computador descobriu
que as células em volta do cancro -
11:14 - 11:17são tão importantes
como as células cancerosas -
11:17 - 11:19para fazer um diagnóstico.
-
11:19 - 11:23Isto é o oposto do que os patologistas
têm vindo a aprender há décadas. -
11:25 - 11:27Em cada um destes dois casos,
foram sistemas -
11:27 - 11:29desenvolvidos por um conjunto de médicos
-
11:29 - 11:32e de especialistas
de aprendizagem de máquinas. -
11:32 - 11:34No ano passado,
também já ultrapassámos isso. -
11:34 - 11:37Este é um exemplo da identificação
de áreas cancerosas -
11:37 - 11:39de tecido humano visto ao microscópio.
-
11:40 - 11:44O sistema que aqui mostramos
identifica essas áreas mais rigorosamente -
11:44 - 11:47ou quase tão rigorosamente
como os patologistas humanos -
11:47 - 11:50mas foi construído totalmente
com aprendizagem profunda, -
11:50 - 11:51sem usar competências médicas,
-
11:51 - 11:54por pessoas que não têm
qualquer formação neste campo. -
11:54 - 11:57De igual modo,
a segmentação deste neurónio. -
11:57 - 12:00Podemos segmentar neurónios
quase tão rigorosamente como o homem. -
12:00 - 12:03Este sistema foi desenvolvido
com aprendizagem profunda -
12:03 - 12:06usando pessoas sem quaisquer
antecedentes prévios em medicina. -
12:07 - 12:10Eu não tenho qualquer
formação em medicina, -
12:10 - 12:13mas pareço estar bem qualificado
para fundar uma nova empresa médica, -
12:13 - 12:15coisa que já fiz.
-
12:16 - 12:18Fiquei um bocado receoso ao fazê-lo,
-
12:18 - 12:22mas a teoria sugeria que
devia ser possível fazer medicina útil -
12:22 - 12:25usando apenas
estas técnicas analíticas de dados. -
12:26 - 12:28Felizmente, o retorno tem sido fantástico,
-
12:28 - 12:31não só dos "media",
mas da comunidade médica, -
12:31 - 12:33que têm sido muito solidários.
-
12:33 - 12:37A teoria é que podemos assumir
a parte média do processo médico -
12:37 - 12:40e transformar isso em análise de dados,
tanto quanto possível, -
12:40 - 12:43deixando que os médicos façam
aquilo em que são melhores. -
12:43 - 12:44Vou dar-vos um exemplo.
-
12:44 - 12:50Neste momento, fazer um novo teste
de diagnóstico médico demora 15 minutos. -
12:50 - 12:52Vou mostrar-vos isso, em tempo real,
-
12:52 - 12:53mas comprimi-o em três minutos
-
12:53 - 12:55cortando algumas partes.
-
12:55 - 12:58Em vez de vos mostrar a criação
de um teste de diagnóstico médico, -
12:58 - 13:02vou mostrar-vos um teste diagnóstico
de imagens de um carro, -
13:02 - 13:04porque é uma coisa
que todos podemos perceber. -
13:04 - 13:07Começamos com cerca de
milhão e meio de imagens de carros. -
13:07 - 13:10Quero criar qualquer coisa
que os possa dividir -
13:10 - 13:12segundo o ângulo
em que a foto foi tirada. -
13:12 - 13:16Estas imagens não têm qualquer legenda,
portanto tenho que começar do zero. -
13:17 - 13:19Com o nosso algoritmo
de aprendizagem profunda, -
13:19 - 13:22posso identificar automaticamente
áreas de estrutura nestas imagens. -
13:22 - 13:25Mas agora as pessoas e o computador
podem trabalhar em conjunto. -
13:26 - 13:28O ser humano, como podem ver,
-
13:28 - 13:30está a dizer ao computador
quais são as áreas de interesse -
13:30 - 13:35que ele quer que o computador experimente
e use para melhorar o algoritmo. -
13:35 - 13:40Estes sistemas de aprendizagem profunda
estão num espaço de 16 000 dimensões. -
13:40 - 13:43Podem ver aqui o computador
a rodar através desse espaço. -
13:43 - 13:45tentando encontrar
novas áreas de estrutura. -
13:45 - 13:47Quando o consegue fazer,
-
13:47 - 13:50quem está a utilizá-lo pode assinalar
as áreas que têm interesse. -
13:51 - 13:53Aqui, o computador
conseguiu encontrar áreas, -
13:53 - 13:55por exemplo, ângulos.
-
13:56 - 13:57À medida que avançamos neste processo,
-
13:57 - 14:00vamos dizendo ao computador
cada vez mais coisas -
14:00 - 14:02sobre o tipo de estruturas
que andamos a procurar. -
14:02 - 14:04Num exame de diagnóstico
-
14:04 - 14:07isso será um patologista a identificar
áreas patológicas, por exemplo. -
14:07 - 14:12ou um radiologista indicando nódulos
potencialmente perturbadores. -
14:13 - 14:15Por vezes pode ser difícil
para o algoritmo. -
14:15 - 14:16Neste caso, ele ficou confuso.
-
14:16 - 14:19As frentes e as traseiras dos carros
estão misturadas. -
14:19 - 14:21Portanto, temos que ser mais cuidadosos,
-
14:21 - 14:24selecionando manualmente as frentes,
em oposição às traseiras, -
14:24 - 14:30e depois dizendo ao computador
qual é o tipo de grupo -
14:30 - 14:31em que estamos interessados.
-
14:32 - 14:34Fazemos isso por algum tempo,
passamos à frente -
14:34 - 14:36e treinamos o algoritmo
de aprendizagem da máquina -
14:36 - 14:38com base em meia-dúzia
entre centenas de coisas -
14:38 - 14:40e esperamos que ele funcione melhor.
-
14:40 - 14:42Começa a esbater algumas dessas imagens,
-
14:42 - 14:47mostrando que já está a perceber
como as reconhecer. -
14:48 - 14:51Podemos depois usar
este conceito de imagens semelhantes. -
14:51 - 14:53Usando imagens semelhantes,
-
14:53 - 14:56o computador já é capaz
de encontrar as frentes dos carros. -
14:57 - 15:00Portanto, já podemos dizer ao computador:
-
15:00 - 15:02"Ok, fizeste um bom trabalho".
-
15:02 - 15:05Por vezes, claro, mesmo nesta altura,
-
15:05 - 15:08ainda é difícil separar grupos.
-
15:09 - 15:11Neste caso, mesmo depois de termos deixado
-
15:11 - 15:14que o computador tentasse rodar
durante um tempo, -
15:14 - 15:17ainda vemos que as imagens
do lado esquerdo e do lado direito -
15:17 - 15:18estão todas misturadas.
-
15:18 - 15:21Temos que voltar a dar
algumas pistas ao computador -
15:21 - 15:22e tentar encontrar uma projeção
-
15:22 - 15:26que separe os lados esquerdos
dos direitos, tanto quanto possível, -
15:26 - 15:28usando este algoritmo.
-
15:28 - 15:30Demos-lhe essa pista e, ok, resultou.
-
15:31 - 15:33Ele arranjou forma
de pensar nesses objetos -
15:33 - 15:36e separar estes do conjunto.
-
15:37 - 15:39Ficaram com uma ideia.
-
15:39 - 15:47Isto não é um caso em que o ser humano
é substituído por um computador, -
15:47 - 15:49mas um caso em que estamos
a trabalhar em conjunto. -
15:49 - 15:52Substituímos uma coisa que exigia
-
15:52 - 15:55uma equipa de cinco ou seis pessoas,
durante sete anos, -
15:55 - 15:57por uma coisa que demora 15 minutos
-
15:57 - 16:00e em que intervém uma única pessoa.
-
16:00 - 16:04Este processo leva
quatro a cinco repetições. -
16:04 - 16:06Podem ver que temos 62%
-
16:06 - 16:08de um milhão e meio de imagens
classificadas corretamente. -
16:09 - 16:11Neste ponto, podemos começar rapidamente
-
16:11 - 16:13a agarrar em grandes secções inteiras
-
16:13 - 16:15e verificá-las para assegurarmos
que não há erros. -
16:15 - 16:18Se houver erros,
podemos mostrá-los ao computador. -
16:19 - 16:22Usando este tipo de procedimento,
para cada um dos diferentes grupos, -
16:22 - 16:25atingimos agora uma taxa de 80% de êxito
-
16:25 - 16:27na classificação
de um milhão e meio de imagens. -
16:28 - 16:30Neste ponto, é apenas
uma questão de encontrar -
16:30 - 16:33o pequeno número das que
não foram bem classificadas -
16:33 - 16:35e tentar perceber qual a razão.
-
16:36 - 16:38Usando esta abordagem,
-
16:38 - 16:41em 15 minutos obtemos 97%
de taxa de classificação. -
16:42 - 16:46Este tipo de técnica pode permitir-nos
resolver um importante problema, -
16:46 - 16:49que é a falta de médicos a nível mundial.
-
16:49 - 16:52O Fórum Económico Mundial diz
que há uma escassez de médicos, -
16:52 - 16:55entre 10 a 20 vezes,
no mundo em desenvolvimento -
16:55 - 16:57e serão precisos cerca de 300 anos
-
16:57 - 17:00para formar gente suficiente
para resolver esse problema. -
17:01 - 17:03Imaginem se pudermos ajudar
a aumentar a sua eficácia -
17:03 - 17:06usando estas abordagens
de aprendizagem profunda. -
17:06 - 17:08Por isso estou muito entusiasmado
com as oportunidades. -
17:08 - 17:10Mas também me preocupam os problemas.
-
17:10 - 17:14O problema aqui é que
todas as áreas a azul neste mapa -
17:14 - 17:18são onde os serviços
representam 80% dos empregos. -
17:18 - 17:19O que são serviços?
-
17:20 - 17:22Isto são serviços.
-
17:22 - 17:23São exatamente as coisas
-
17:23 - 17:25que os computadores aprenderam a fazer.
-
17:25 - 17:29Portanto, 80% dos empregos mundiais
no mundo desenvolvido -
17:29 - 17:32são coisas que os computadores
acabaram de aprender a fazer. -
17:32 - 17:33O que é que isso significa?
-
17:33 - 17:35"Não há problema! Haverá outros empregos,
-
17:35 - 17:37"mais empregos
para os cientistas de dados". -
17:38 - 17:39Bem, não é bem assim.
-
17:39 - 17:43Em breve não serão necessários cientistas
para construir estas coisas. -
17:43 - 17:46Por exemplo, estes quatro algoritmos
foram construídos pelo mesmo tipo. -
17:46 - 17:48Se pensarem bem,
isto já aconteceu em tempos, -
17:48 - 17:52vimos os resultados no passado,
quando apareceram coisas novas -
17:52 - 17:54e foram substituídas por novos empregos.
-
17:54 - 17:56Que novos empregos serão esses?
-
17:56 - 17:58É muito difícil calcular isso
-
17:58 - 18:01porque o desempenho humano
cresce a este ritmo gradual, -
18:01 - 18:03mas agora temos um sistema,
de aprendizagem profunda -
18:03 - 18:07que cresce exponencialmente
em capacidade. -
18:07 - 18:08E estamos aqui.
-
18:08 - 18:10Vemos as coisas à nossa volta e dizemos:
-
18:10 - 18:13"Oh, os computadores são muito estúpidos".
-
18:13 - 18:16Mas daqui a cinco anos, os computadores
estarão fora deste gráfico. -
18:16 - 18:20Portanto, precisamos de começar já
a pensar nesta capacidade. -
18:20 - 18:22Já vimos isto outrora, claro.
-
18:22 - 18:23Na Revolução Industrial,
-
18:23 - 18:26vimos uma mudança de nível na capacidade,
graças às máquinas. -
18:27 - 18:30Mas, depois de algum tempo,
as coisas estabilizaram. -
18:31 - 18:32Houve perturbação social
-
18:32 - 18:36mas, depois de os motores passarem
a ser usados para gerar energia, -
18:36 - 18:37as coisas estabilizaram.
-
18:38 - 18:40A Revolução da Aprendizagem das Máquinas
-
18:40 - 18:42vai ser diferente da Revolução Industrial,
-
18:42 - 18:45porque a Revolução da Aprendizagem
das Máquinas não vai estabilizar -
18:45 - 18:48Quando os computadores melhorarem
em atividades intelectuais, -
18:48 - 18:53poderão construir computadores melhores,
com capacidades intelectuais melhores. -
18:53 - 18:55Portanto, isso vai ser um tipo de mudança
-
18:55 - 18:57que o mundo nunca experimentou antes.
-
18:57 - 19:00A nossa compreensão
do que é possível é diferente. -
19:01 - 19:02Isto já está a ter impacto em nós.
-
19:02 - 19:07Nos últimos 25 anos, enquanto
a produtividade do capital tem aumentado, -
19:07 - 19:10a produtividade do trabalho tem estagnado,
ou mesmo baixado um pouco. -
19:11 - 19:14Portanto, quero que comecemos
a analisar já este problema. -
19:14 - 19:16Sei que, quando falo às pessoas
nesta situação, -
19:16 - 19:18as pessoas podem
mostrar-se muito desdenhosas: -
19:18 - 19:21"Os computadores não pensam,
-
19:21 - 19:23"não têm emoções, não entendem poesia,
-
19:23 - 19:25"não sabemos bem como funcionam..."
-
19:25 - 19:27E depois?
-
19:27 - 19:29Os computadores agora fazem coisas
-
19:29 - 19:32em que as pessoas gastam tempo
e para as quais são pagas. -
19:32 - 19:35Portanto é altura de começar a pensar
no que é que vamos fazer -
19:35 - 19:37para ajustar as nossas estruturas
sociais e económicas -
19:37 - 19:40para estarem de acordo
com esta nova realidade. -
19:40 - 19:41Obrigado.
-
19:41 - 19:43(Aplausos)
- Title:
- As maravilhosas e terríveis implicações dos computadores que aprendem | Jeremy Howard | TEDxBrussels
- Description:
-
Que acontece quando ensinamos um computador a aprender? O tecnólogo Jeremy Howard partilha algumas novas evoluções surpreendentes no campo do desenvolvimento rápido da aprendizagem profunda, uma técnica que pode dar aos computadores a capacidade de aprender chinês, ou de reconhecer objetos em fotos, ou de ajudar a pensar através de um diagnóstico médico. (Uma ferramenta de aprendizagem profunda, depois de observar vídeos do Youtube durante horas, aprendeu sozinha o conceito de "gato"). Sermos apanhados num campo que modificará a forma como os computadores à nossa volta se comportam... acontecerá provavelmente mais depressa do que pensamos.
Esta palestra foi feita num evento TEDx usando o formato de palestras TED, mas organizado independentemente por uma comunidade local. Saiba mais em http://ted.com/tedx
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDxTalks
- Duration:
- 19:47
Margarida Ferreira
Checkers foi incorretamente traduzido por "xadrez", quando deveria ser traduzido por "damas".