Jeff Dean: AI isn't as smart as you think -- but it could be | TED

Traducteur: Boris Bidal Relecteur: Elisabeth Buffard

Hi, I'm Jeff.

Salut, moi c’est Jeff.

I lead AI Research and Health at Google.

Je dirige Google AI et Google Health.

I joined Google more than 20 years ago,

Je suis chez Google depuis plus de 20 ans,

when we were all wedged into a tiny office space,

on était tous entassés dans des tout petits bureaux,

above what's now a T-Mobile store in downtown Palo Alto.

au-dessus de ce qui est devenu un magasin T-Mobile à Palo Alto.

I've seen a lot of computing transformations in that time,

Depuis, l’informatique s’est transformée de bien des manières,

and in the last decade, we've seen AI be able to do tremendous things.

et ces dernières décennies, l’IA a fait d’énormes progrès.

But we're still doing it all wrong in many ways.

Mais il y a encore beaucoup de choses à améliorer.

That's what I want to talk to you about today.

C’est de ça dont je veux vous parler aujourd’hui.

But first, let's talk about what AI can do.

Mais d’abord, parlons de ce que l’IA peut faire.

So in the last decade, we've seen tremendous progress

Ces dix dernières années, on a assisté à des progrès impressionnants,

in how AI can help computers see, understand language,

l’IA permet maintenant aux ordinateurs de voir, de comprendre le langage

understand speech better than ever before.

et la parole mieux que jamais.

Things that we couldn't do before, now we can do.

Des choses qui étaient impossibles avant.

If you think about computer vision alone,

Si on pense à la vue des ordinateurs,

just in the last 10 years,

durant les 10 dernières années,

computers have effectively developed the ability to see;

les ordinateurs ont développé la faculté de voir.

10 years ago, they couldn't see, now they can see.

Il y a 10 ans, ils ne pouvaient pas voir, maintenant si.

You can imagine this has had a transformative effect

Vous pouvez imaginez l’influence que ça a eu

on what we can do with computers.

sur ce qu’on peut faire avec les ordinateurs.

So let's look at a couple of the great applications

Regardons quelques unes des applications

enabled by these capabilities.

rendues possibles par ces facultés.

We can better predict flooding, keep everyone safe,

On prédit mieux les inondations pour protéger la population

using machine learning.

grâce à l’apprentissage machine.

We can translate over 100 languages so we all can communicate better,

On traduit plus de 100 langues, pour mieux communiquer,

and better predict and diagnose disease,

mieux prédire et diagnostiquer les maladies,

where everyone gets the treatment that they need.

pour que tout le monde ait son traitement.

So let's look at two key components

Donc jetons un œil à deux éléments-clés

that underlie the progress in AI systems today.

à la base des progrès en IA aujourd’hui.

The first is neural networks,

D’abord, les réseaux neuronaux,

a breakthrough approach to solving some of these difficult problems

une approche révolutionnaire pour résoudre certains de ces problèmes

that has really shone in the last 15 years.

qui a fait ses preuves au cours des 15 dernières années.

But they're not a new idea.

Ce n’est pas une idée nouvelle.

And the second is computational power.

L’autre élément, c’est la puissance de calcul.

It actually takes a lot of computational power

Il faut une grande puissance de calcul

to make neural networks able to really sing,

pour faire tourner ces réseaux neuronaux,

and in the last 15 years, we’ve been able to halve that,

et en 15 ans, on a pu réduire la puissance de calcul nécessaire par deux,

and that's partly what's enabled all this progress.

c’est en partie ce qui a rendu possible tous ces progrès.

But at the same time, I think we're doing several things wrong,

Mais je pense qu’il y a plusieurs choses qu’on devrait améliorer,

and that's what I want to talk to you about

et c’est de ça dont je veux vous parler

at the end of the talk.

à la fin de cette conférence.

First, a bit of a history lesson.

D’abord, un peu d’Histoire.

So for decades,

Pendant des décennies,

almost since the very beginning of computing,

pratiquement depuis le début de l’informatique,

people have wanted to be able to build computers

on a voulu faire des ordinateurs

that could see, understand language, understand speech.

capables de voir, de comprendre les langues et la parole.

The earliest approaches to this, generally,

Au tout début, on essayait souvent

people were trying to hand-code all the algorithms

d’écrire à la main tous les algorithmes

that you need to accomplish those difficult tasks,

dont on avait besoin pour effectuer ces tâches complexes,

and it just turned out to not work very well.

et ça ne marchait pas vraiment.

But in the last 15 years, a single approach

Mais durant ces 15 dernières années, une seule approche a permis

unexpectedly advanced all these different problem spaces all at once:

d’avancer de manière inattendue dans tous ces problèmes :

neural networks.

les réseaux neuronaux.

So neural networks are not a new idea.

Ce n’est pas une idée nouvelle.

They're kind of loosely based

C’est basé, grosso modo,

on some of the properties that are in real neural systems.

sur certaines propriétés de réseaux neuronaux réels.

And many of the ideas behind neural networks

Et beaucoup des idées derrière ces réseaux

have been around since the 1960s and 70s.

circulent depuis les années 60 et 70.

A neural network is what it sounds like,

Un réseau neuronal, comme le nom le suggère,

a series of interconnected artificial neurons

est une série de neurones artificiels interconnectés

that loosely emulate the properties of your real neurons.

qui imitent approximativement les propriétés des vrais neurones.

An individual neuron in one of these systems

Un neurone individuel de ces systèmes

has a set of inputs,

reçoit un ensemble d’entrées,

each with an associated weight,

avec chacune un poids associé,

and the output of a neuron

puis il renvoie un résultat qui est

is a function of those inputs multiplied by those weights.

une fonction des ces entrées multiplié par le poids.

So pretty simple,

C’est assez simple,

and lots and lots of these work together to learn complicated things.

mais en très grande quantité, ils peuvent apprendre des choses compliquées.

So how do we actually learn in a neural network?

Alors, comment marche un réseau neuronal ?

It turns out the learning process

Le processus d’apprentissage consiste

consists of repeatedly making tiny little adjustments

à ajuster continuellement

to the weight values,

les valeurs de poids,

strengthening the influence of some things,

pour donner plus d’influence

weakening the influence of others.

à certaines choses, en enlever à d’autres.

By driving the overall system towards desired behaviors,

Pour conduire l’ensemble du système vers les comportements désirés,

ces systèmes peuvent être entraînés à faire des choses vraiment compliquées,

these systems can be trained to do really complicated things,

like translate from one language to another,

comme traduire d’une langue à une autre,

detect what kind of objects are in a photo,

détecter le type d’objets présents dans une photo,

all kinds of complicated things.

toutes sortes de choses compliquées.

I first got interested in neural networks

J’ai commencé à m’y intéresser

when I took a class on them as an undergraduate in 1990.

quand j’ai eu un cours à ce sujet dans les années 1990.

At that time,

À l’époque,

neural networks showed impressive results on tiny problems,

ils obtenaient d’impressionnants résultats sur des petits problèmes,

but they really couldn't scale to do real-world important tasks.

mais ils ne pouvaient pas traiter d’importantes tâches du monde réel.

But I was super excited.

Mais j’étais super enthousiaste.

(Laughter)

(Rires)

I felt maybe we just needed more compute power.

J’ai pensé qu’on avait juste besoin de plus de puissance.

And the University of Minnesota had a 32-processor machine.

Et l’Université du Minnesota avait une machine à 32 processeurs.

I thought, "With more compute power,

J’ai pensé, qu’avec plus de puissance on pourrait vraiment faire

boy, we could really make neural networks really sing."

de grandes choses avec les réseaux neuronaux.

So I decided to do a senior thesis on parallel training of neural networks,

J’ai décidé de faire ma thèse sur l’entraînement parallèle des réseaux,

the idea of using processors in a computer or in a computer system

l’idée était de faire travailler l’ensemble des processeurs

d’un système d’ordinateurs sur une seule tâche,

to all work toward the same task,

celle d’entraîner des réseaux neuronaux.

that of training neural networks.

32 processors, wow,

32 processeurs, waouh,

we’ve got to be able to do great things with this.

on doit pouvoir faire tellement de choses avec ça.

But I was wrong.

Je me suis trompé.

En fait, on avait besoin d’à peu près un million de fois plus de puissance

Turns out we needed about a million times as much computational power

as we had in 1990

que ce qu’on avait en 1990

before we could actually get neural networks to do impressive things.

avant de pouvoir faire faire de grandes choses aux réseaux neuronaux.

But starting around 2005,

Mais vers 2005,

thanks to the computing progress of Moore's law,

grâce aux progrès en informatique et à la loi de Moore,

we actually started to have that much computing power,

on a commencé à avoir suffisamment de puissance de calcul,

and researchers in a few universities around the world started to see success

quelques chercheurs un peu partout dans le monde ont réussi à utiliser

in using neural networks for a wide variety of different kinds of tasks.

les réseaux neuronaux pour accomplir des tâches très diverses.

I and a few others at Google heard about some of these successes,

Chez Google, on a entendu parler de certaines de ces réussites,

and we decided to start a project to train very large neural networks.

et on a monté un projet pour entraîner de très grands réseaux neuronaux.

One system that we trained,

On a entraîné un de nos systèmes

we trained with 10 million randomly selected frames

en utilisant 10 millions d’images tirées aléatoirement

from YouTube videos.

de vidéos YouTube.

The system developed the capability

Le système a développé la capacité

to recognize all kinds of different objects.

à reconnaître toutes sortes d’objets différents.

And it being YouTube, of course,

On parle de YouTube, bien sûr,

it developed the ability to recognize cats.

donc il a développé la capacité à reconnaître les chats.

YouTube is full of cats.

YouTube est plein de chats.

(Laughter)

(Rires)

But what made that so remarkable

Mais le plus remarquable,

is that the system was never told what a cat was.

c’est qu’on a jamais dit au système ce qu’était un chat.

So using just patterns in data,

Donc juste en observant des récurrences dans les données,

the system honed in on the concept of a cat all on its own.

le système a reconstitué le concept de chat par lui-même.

All of this occurred at the beginning of a decade-long string of successes,

Ça a été le début de dix ans de succès

dans l’utilisation de réseaux neuronaux pour traiter toutes sortes de tâches,

of using neural networks for a huge variety of tasks,

at Google and elsewhere.

chez Google et ailleurs.

Many of the things you use every day,

Beaucoup de choses que vous utilisez quotidiennement,

things like better speech recognition for your phone,

comme la reconnaissance vocale de votre téléphone,

improved understanding of queries and documents

le compréhension des requêtes et des documents

for better search quality,

pour une recherche plus efficace,

better understanding of geographic information to improve maps,

l’amélioration du traitement des données géographiques

and so on.

pour de meilleures cartes, etc.

Around that time,

À ce moment-là,

we also got excited about how we could build hardware that was better tailored

on cherchait aussi à produire du matériel mieux adapté

to the kinds of computations neural networks wanted to do.

aux types de calculs dont les réseaux neuronaux avaient besoin.

Neural network computations have two special properties.

Ces calculs ont deux propriétés spéciales.

La première, c’est qu’ils tolèrent facilement une précision moindre.

The first is they're very tolerant of reduced precision.

Couple of significant digits, you don't need six or seven.

Seulement quelques chiffres, pas besoin de 6 ou 7.

And the second is that all the algorithms are generally composed

La seconde, c’est que les algorithmes sont en général composés

of different sequences of matrix and vector operations.

de différentes séquences d’opérations sur des matrices et des vecteurs.

So if you can build a computer

Donc si on peut construire un ordinateur qui fonctionne vraiment bien

that is really good at low-precision matrix and vector operations

sur ce type d’opérations et à faible précision

but can't do much else,

sans pouvoir faire beaucoup plus,

that's going to be great for neural-network computation,

c’est impeccable pour les calculs des réseaux neuronaux,

even though you can't use it for a lot of other things.

même si vous ne pouvez pas en faire grand-chose d’autre.

And if you build such things, people will find amazing uses for them.

Des gens trouveront tout un tas de choses géniales à faire avec ça.

This is the first one we built, TPU v1.

C’est le premier qu’on a produit, le TPU v1.

"TPU" stands for Tensor Processing Unit.

« TPU » veut dire Unité de Traitement de Tenseur.

These have been used for many years behind every Google search,

On les a utilisés pendant des années chez Google, pour toutes nos recherches,

for translation,

pour la traduction, pour l’AlphaGo de DeepMind,

in the DeepMind AlphaGo matches,

so Lee Sedol and Ke Jie maybe didn't realize,

Lee Sedol et Ke Jie ne s’en sont peut-être même pas redus compte,

but they were competing against racks of TPU cards.

mais ils affrontaient des racks de cartes TPU.

And we've built a bunch of subsequent versions of TPUs

On a produit d’autres versions de TPUs

that are even better and more exciting.

qui sont encore meilleures.

But despite all these successes,

Mais malgré tous ces succès,

I think we're still doing many things wrong,

je pense qu’il y a encore des progrès à faire,

and I'll tell you about three key things we're doing wrong,

je vais vous parler de trois éléments-clés qu’on peut améliorer,

and how we'll fix them.

et comment le faire.

The first is that most neural networks today

D’abord, la plupart des réseaux neuronaux

are trained to do one thing, and one thing only.

ne sont entraînés que pour faire une seule chose.

You train it for a particular task that you might care deeply about,

Vous pouvez les entraîner pour traiter une tâche en particulier,

but it's a pretty heavyweight activity.

mais c’est une activité assez lourde.

You need to curate a data set,

Vous avez besoin d’organiser un ensemble de données,

you need to decide what network architecture you'll use

décider de l’architecture de réseau que vous utiliserez

for this problem,

pour ce problème,

you need to initialize the weights with random values,

initialiser les valeurs de poids aléatoirement,

apply lots of computation to make adjustments to the weights.

ajuster ces valeurs avec tout un tas de calculs.

And at the end, if you’re lucky, you end up with a model

Et à la fin, avec un peu de chance, vous aurez un modèle

that is really good at that task you care about.

qui est très bon pour cette tâche spécifique.

But if you do this over and over,

Mais si vous faites ça plein de fois,

you end up with thousands of separate models,

vous finirez avec des milliers de modèles séparés,

each perhaps very capable,

sans doute tous très efficaces,

mais séparés, pour chacune des tâches à effectuer.

but separate for all the different tasks you care about.

But think about how people learn.

Mais réfléchissez à comment on apprend.

In the last year, many of us have picked up a bunch of new skills.

Cette année, beaucoup d’entre nous avons appris de nouvelles choses.

I've been honing my gardening skills,

J’ai parfait mes talents de jardinier,

experimenting with vertical hydroponic gardening.

en m’essayant à la culture hydroponique verticale.

To do that, I didn't need to relearn everything I already knew about plants.

Pour ça, il faut réapprendre tout ce que vous savez sur les plantes.

I was able to know how to put a plant in a hole,

Je savais déjà mettre une plante dans un trou

how to pour water, that plants need sun,

et l’arroser, qu’elle a besoin de soleil,

and leverage that in learning this new skill.

et exploiter tout ça pour apprendre cette nouvelle compétence.

Les ordinateurs peuvent faire pareil, mais ne le font pas encore.

Computers can work the same way, but they don’t today.

If you train a neural network from scratch,

Si vous entraînez un réseau neuronal de A à Z,

it's effectively like forgetting your entire education

c’est comme oublier toute votre éducation

à chaque fois que vous essayer de faire quelque chose de nouveau.

every time you try to do something new.

That’s crazy, right?

Ça paraît fou, non ?

So instead, I think we can and should be training

À la place, je pense qu’on devrait entraîner des modèles multitâches

multitask models that can do thousands or millions of different tasks.

qui peuvent faire des millier ou des millions de choses.

Each part of that model would specialize in different kinds of things.

Chaque partie de ce modèle se spécialiserait

dans différentes choses.

And then, if we have a model that can do a thousand things,

Ainsi, si on a un modèle qui peut faire mille choses,

and the thousand and first thing comes along,

et qu’on veut qu’il fasse une mille et unième,

we can leverage the expertise we already have

on peut utiliser l’expertise déjà acquise

in the related kinds of things

dans des domaines connexes

so that we can more quickly be able to do this new task,

pour pouvoir traiter cette nouvelle tâche plus rapidement,

just like you, if you're confronted with some new problem,

un peu comme quand on est confronté à un nouveau problème,

you quickly identify the 17 things you already know

et qu’on identifie 17 choses qu’on sait déjà

that are going to be helpful in solving that problem.

et qui seront utilses pour résoudre ce nouveau problème.

Second problem is that most of our models today

Le deuxième problème, c’est que la plupart de nos modèles

deal with only a single modality of data --

ne fonctionnent que sur une seule modalité de données –

with images, or text or speech,

sur des images, du texte ou la parole,

but not all of these all at once.

mais pas tout ça à la fois.

Mais pensez à la manière dont vous explorez le monde.

But think about how you go about the world.

You're continuously using all your senses

Vous utilisez tous vos sens en permanence

to learn from, react to,

pour apprendre, réagir,

figure out what actions you want to take in the world.

agir de manière appropriée.

Makes a lot more sense to do that,

C’est évident,

and we can build models in the same way.

et on peut construire des modèles qui font pareil.

We can build models that take in these different modalities of input data,

On peut faire des modèles qui acceptent toutes ces modalités,

text, images, speech,

texte, image, parole,

but then fuse them together,

et les fusionnent,

so that regardless of whether the model sees the word "leopard,"

et peu importe si le modèle voit le mot « léopard »,

sees a video of a leopard or hears someone say the word "leopard,"

voit une vidéo de léopard ou entend quelqu’un dire « léopard »,

the same response is triggered inside the model:

la même réponse sera donnée par le modèle :

the concept of a leopard

le concept de léopard

can deal with different kinds of input data,

peut accepter différents types d’entrées,

even nonhuman inputs, like genetic sequences,

même des entrées non-humaines, comme des séquences de génétiques,

3D clouds of points, as well as images, text and video.

des nuages de points en 3D, ou bien des images, textes et vidéos.

The third problem is that today's models are dense.

Le troisième problème, c’est que nos modèles actuels sont denses.

There's a single model,

Il y a un seul modèle,

the model is fully activated for every task,

et la totalité du modèle est activé pour toutes les tâches,

for every example that we want to accomplish,

pour chaque exemplaire qu’on veut faire,

whether that's a really simple or a really complicated thing.

peu importe qu’il soit très simple ou très compliqué.

This, too, is unlike how our own brains work.

C’est pas du tout comme ça que notre cerveau fonctionne.

Different parts of our brains are good at different things,

Différentes parties du cerveau sont bonnes à différentes choses,

and we're continuously calling upon the pieces of them

et on est continuellement en train de faire appel aux parties

that are relevant for the task at hand.

qui sont pertinentes selon le besoin immédiat.

For example, nervously watching a garbage truck

Par exemple, si vous voyez un camion-poubelle

back up towards your car,

reculer sur votre voiture,

la partie de votre cerveau qui pense aux sonnets de Shakespeare

the part of your brain that thinks about Shakespearean sonnets

is probably inactive.

est probablement inactive.

(Laughter)

(Rires)

AI models can work the same way.

L’IA peut faire pareil.

Instead of a dense model,

À la place d’un modèle dense,

we can have one that is sparsely activated.

on peut en avoir un qui s’active plus faiblement.

So for particular different tasks, we call upon different parts of the model.

Pour différentes tâches, on fait appel à différentes parties du modèle.

During training, the model can also learn which parts are good at which things,

Le modèle peut aussi apprendre quelle partie est bonne à quelles choses,

to continuously identify what parts it wants to call upon

pour identifier en permanence quelles parties il souhaite mobiliser

in order to accomplish a new task.

pour apprendre une nouvelle tâche.

The advantage of this is we can have a very high-capacity model,

L’avantage avec ça, c’est qu’on peut avoir un modèle de haute capacité,

but it's very efficient,

mais très efficace,

because we're only calling upon the parts that we need

car on appelle seulement les parties dont on a besoin

for any given task.

pour une tâche donnée.

So fixing these three things, I think,

Je pense qu’en réglant ces trois problèmes,

will lead to a more powerful AI system:

on pourra atteindre une IA plus puissante :

instead of thousands of separate models,

à la place de milliers de modèles séparés,

train a handful of general-purpose models

on entraîne quelque modèles généralistes

that can do thousands or millions of things.

qui peuvent faire des millions de choses.

Instead of dealing with single modalities,

Au lieu de traiter une modalité à la fois,

deal with all modalities,

on en traite plusieurs,

and be able to fuse them together.

et on les fusionne.

And instead of dense models, use sparse, high-capacity models,

Et au lieu de modèles denses, on utilise des modèles plus épars,

where we call upon the relevant bits as we need them.

dans lesquels on mobilise les parties pertinentes dont on a besoin.

We've been building a system that enables these kinds of approaches,

On a produit un système qui combine ces approches,

and we’ve been calling the system “Pathways.”

et on l’a appelé « Pathways ».

So the idea is this model will be able to do

L’idée derrière ce modèle, c’est d’être capable de faire

thousands or millions of different tasks,

des milliers ou des millions de tâches,

and then, we can incrementally add new tasks,

et ensuite de pouvoir rajouter de nouvelles tâches,

and it can deal with all modalities at once,

pouvoir traiter toutes les modalités en même temps,

and then incrementally learn new tasks as needed

et apprendre de nouvelles tâches quand on en a besoin

and call upon the relevant bits of the model

en faisant appelle aux parties du modèle

for different examples or tasks.

les plus pertinentes selon la tâche.

And we're pretty excited about this,

On est plutôt enthousiastes,

we think this is going to be a step forward

on pense que ce sera un pas en avant,

in how we build AI systems.

dans la conception des systèmes d’IA.

But I also wanted to touch on responsible AI.

Je voudrais aussi dire un mot sur le volet éthique de l’IA.

We clearly need to make sure that this vision of powerful AI systems

Il est important qu’on soit sûrs que cette idée d’une IA puissante.

benefits everyone.

soit bénéfique à tous.

These kinds of models raise important new questions

Ce genre de modèles soulèvent d’importantes questions

about how do we build them with fairness,

concernant leur conception : il faut garantir

interpretability, privacy and security,

équité, compréhensibilité, confidentialité et sécurité,

for all users in mind.

pour tous les utilisateurs.

For example, if we're going to train these models

Par exemple, pour entraîner ces modèles

on thousands or millions of tasks,

à faire des milliers ou des millions de tâches,

we'll need to be able to train them on large amounts of data.

on aura besoin d’une très grande quantité de données.

And we need to make sure that data is thoughtfully collected

Et on doit être attentifs à la manière dont ces données sont collectées

and is representative of different communities and situations

pour qu’elles soient représentatives

des différentes communautés et situations du monde.

all around the world.

And data concerns are only one aspect of responsible AI.

Et la question des données n’est qu’une facette du problème éthique.

We have a lot of work to do here.

La tâche est conséquente.

So in 2018, Google published this set of AI principles

En 2018, Google a publié ces principes concernant l’IA

by which we think about developing these kinds of technology.

auxquels on prête attention en développant ces technologies.

And these have helped guide us in how we do research in this space,

Cela nous a guidé pour mener nos recherches dans ce domaine,

how we use AI in our products.

et utiliser l’IA dans nos produits.

And I think it's a really helpful and important framing

Et je pense que c’est un cadre utile dont nous avons besoin

for how to think about these deep and complex questions

pour penser ces questions profondes et complexes

about how we should be using AI in society.

concernant notre usage de l’IA dans notre société.

We continue to update these as we learn more.

On continue à mettre à jour ces principes au fur et à mesure qu’on en apprend plus.

Many of these kinds of principles are active areas of research --

Beaucoup de ces principes sont des domaines de recherche très actifs –

super important area.

des domaines très importants.

Moving from single-purpose systems that kind of recognize patterns in data

Passer d’un système à usage unique qui reconnaît des récurrences dans les données

to these kinds of general-purpose intelligent systems

à un système intelligent à usage plus général

that have a deeper understanding of the world

avec une compréhension plus profonde du monde

will really enable us to tackle

nous permettra de nous attaquer

some of the greatest problems humanity faces.

aux plus grands problèmes de l’humanité.

For example,

Par exemple,

we’ll be able to diagnose more disease;

on pourra diagnostiquer plus de maladies,

we'll be able to engineer better medicines

concevoir de meilleurs médicaments

en imprégnant des modèles de nos savoirs en physique et chimie ;

by infusing these models with knowledge of chemistry and physics;

we'll be able to advance educational systems

on pourra améliorer nos systèmes scolaires

by providing more individualized tutoring

en prodiguant un enseignement individualisé

to help people learn in new and better ways;

grâce à de nouvelles méthodes plus efficaces ;

we’ll be able to tackle really complicated issues,

on pourra s’attaquer à des problèmes complexes,

like climate change,

comme le changement climatique,

and perhaps engineering of clean energy solutions.

et avancer dans le domaine des énergies propres.

So really, all of these kinds of systems

Pour tous ces systèmes,

are going to be requiring the multidisciplinary expertise

il nous faudra une approche interdisciplinaire et faire appel

of people all over the world.

à des experts du monde entier.

So connecting AI with whatever field you are in,

Connecter l’IA avec votre domaine d’expertise

in order to make progress.

afin de progresser.

So I've seen a lot of advances in computing,

J’ai vu les grands progrès accomplis en informatique,

and how computing, over the past decades,

et comment ça a pu aider, ces dernières décennies,

has really helped millions of people better understand the world around them.

des millions de personnes à mieux comprendre le monde autour d’eux.

And AI today has the potential to help billions of people.

Et aujourd’hui, l’IA a le potentiel d’aider des milliards de personnes.

We truly live in exciting times.

On vit vraiment une époque excitante.

Thank you.

Merci.

(Applause)

(Applaudissements)

Chris Anderson: Thank you so much.

Chris Anderson : Merci beaucoup.

I want to follow up on a couple things.

J’aimerais revenir sur certains points

This is what I heard.

Je crois que

Most people's traditional picture of AI

l’image que la plupart des gens ont de l’IA,

is that computers recognize a pattern of information,

c’est que les ordinateurs peuvent reconnaître des récurrences,

and with a bit of machine learning,

et avec un peu d’apprentissage machine,

they can get really good at that, better than humans.

il peuvent devenir bons, meilleurs que les humains.

What you're saying is those patterns

vous dites que ces récurrences

are no longer the atoms that AI is working with,

ne sont plus des atomes avec lesquels l’IA travaille,

that it's much richer-layered concepts

mais des concepts multifacettes

that can include all manners of types of things

qui peuvent inclure tout ce qui peut faire un léopard, par exemple.

that go to make up a leopard, for example.

So what could that lead to?

Qu’est-ce que ça peut donner ?

Give me an example of when that AI is working,

Donnez-moi un exemple d’application,

what do you picture happening in the world

qu’est-ce que vous imaginez possible

in the next five or 10 years that excites you?

dans 10 ans ? Quelque chose qui vous emballe.

Jeff Dean: I think the grand challenge in AI

Jeff Dean : Je pense que le grand défi de l’IA,

is how do you generalize from a set of tasks

c’est de généraliser un ensemble de tâches

you already know how to do

que vous savez déjà faire

to new tasks,

à de nouvelles tâches.

as easily and effortlessly as possible.

aussi facilement que possible.

And the current approach of training separate models for everything

Et avec l’approche actuelle d’entraîner séparément des modèles pour tout,

means you need lots of data about that particular problem,

pour chaque problème,

because you're effectively trying to learn everything

parce que vous êtes en train de tout réapprendre

about the world and that problem, from nothing.

sur le monde et ce problème depuis zéro.

But if you can build these systems

Mais si vous pouvez concevoir des systèmes

that already are infused with how to do thousands and millions of tasks,

qui savent déjà traiter des millions de tâches,

then you can effectively teach them to do a new thing

vous pouvez leur apprendre efficacement comment faire de nouvelles choses

with relatively few examples.

avec relativement peu d’exemples.

So I think that's the real hope,

Donc j’ai l’espoir

that you could then have a system where you just give it five examples

qu’on pourra avoir un système auquel on pourra donner 5 exemples

of something you care about,

d’une tâche importante,

and it learns to do that new task.

et il apprendra à traiter cette nouvelle tâche.

CA: You can do a form of self-supervised learning

CA : Donc on peut avoir un apprentissage autonome

that is based on remarkably little seeding.

avec peu d’entrées.

JD: Yeah, as opposed to needing 10,000 or 100,000 examples

JD : C’est ça, au lieu d’avoir besoin de 10 000 ou 100 000 exemples

to figure everything in the world out.

pour tout comprendre.

CA: Aren't there kind of terrifying unintended consequences

CA : Ne pourrait-il pas y avoir

possible, from that?

des conséquences involontaires ?

JD: I think it depends on how you apply these systems.

JD : Je pense que ça dépend de l’utilisation qu’on en fait.

It's very clear that AI can be a powerful system for good,

L’IA peut avoir beaucoup d’effets positifs,

or if you apply it in ways that are not so great,

ou si vous ne faites pas attention à comment vous l’utilisez,

it can be a negative consequence.

elle peut avoir de mauvaises conséquences.

So I think that's why it's important to have a set of principles

C’est pour ça qu’il est important d’avoir en tête ces principes

by which you look at potential uses of AI

quand vous cherchez à utiliser l’IA

and really are careful and thoughtful about how you consider applications.

et de faire très attention à la manière dont vous abordez ses applications.

CA: One of the things people worry most about

CA : Il y a une chose qui inquiète beaucoup les gens,

is that, if AI is so good at learning from the world as it is,

c’est que si l’IA apprend si bien du monde tel qu’il est,

it's going to carry forward into the future

elle risque de conserver, dans le futur,

aspects of the world as it is that actually aren't right, right now.

les mauvais aspects du monde actuel.

And there's obviously been a huge controversy about that

Et il y eu une grande controverse

recently at Google.

concernant Google, récemment.

Some of those principles of AI development,

On vous a accusé de ne pas respecter

you've been challenged that you're not actually holding to them.

certains de ces principes.

Not really interested to hear about comments on a specific case,

Il ne s’agit pas de commenter un exemple spécifique,

but ... are you really committed?

mais... vous engagez vous vraiment ?

How do we know that you are committed to these principles?

Comment être sûr que vous respectez ces principes ?

Is that just PR, or is that real, at the heart of your day-to-day?

Est-ce une stratégie médiatique ou est-ce au centre de vos pratiques ?

JD: No, that is absolutely real.

JD : Non, c’est tout à fait réel.

Like, we have literally hundreds of people

On a des centaines de personnes

working on many of these related research issues,

qui travaillent sur ces sujets,

because many of those things are research topics

car beaucoup de ces choses sont des sujets de recherche à part entière.

in their own right.

How do you take data from the real world,

Comment récupérer des données du monde réel,

that is the world as it is, not as we would like it to be,

le monde tel qu’il est, et pas comme vous voulez qu’il soit,

and how do you then use that to train a machine-learning model

et comment les utiliser ensuite pour entraîner un modèle,

and adapt the data bit of the scene

comment adapter les données

or augment the data with additional data

ou leur adjoindre d’autres données

so that it can better reflect the values we want the system to have,

pour que ça reflète au mieux les valeurs que l’on veut que le système ait,

not the values that it sees in the world?

et pas les valeurs qu’il voit dans le monde ?

CA: But you work for Google,

CA : Mais vous travailler pour Google,

Google is funding the research.

c’est Google qui finance ces recherches.

How do we know that the main values that this AI will build

Comment être sûr que les valeurs que cette IA a construites

are for the world,

sont pour le monde,

and not, for example, to maximize the profitability of an ad model?

et pas pour maximiser les profits d’un modèle publicitaire par exemple ?

When you know everything there is to know about human attention,

Quand vous saurez tout sur l’attention de l’être humain,

you're going to know so much

vous en saurez tellement

about the little wriggly, weird, dark parts of us.

sur nos côtés sombres et bizarres.

In your group, are there rules about how you hold off,

Dans votre groupe, est-ce qu’il y a des règles pour que vous puissiez tenir

church-state wall between a sort of commercial push,

une frontière franche entre une pratique commerciale

"You must do it for this purpose,"

et un enjeu plus commun et collectif

so that you can inspire your engineers and so forth,

pour que vos ingénieurs et ceux qui travaillent avec vous

to do this for the world, for all of us.

aspirent à le faire pour le monde.

JD: Yeah, our research group does collaborate

JD : Notre groupe de recherche collabore

with a number of groups across Google,

avec beaucoup d’autres groupes de Google

including the Ads group, the Search group, the Maps group,

dont Ads, Search et Maps,

so we do have some collaboration, but also a lot of basic research

mais on fait aussi beaucoup de recherche fondamentale

that we publish openly.

en publication ouverte.

We've published more than 1,000 papers last year

On a publié plus de 1 000 articles l’année passée

in different topics, including the ones you discussed,

sur différents sujets, dont ceux dont on a discuté,

about fairness, interpretability of the machine-learning models,

sur l’équité, l’intelligibilité des modèles d’apprentissage machine,

things that are super important,

c’est super important,

and we need to advance the state of the art in this

et on a besoin d’avancer dans ces domaines

in order to continue to make progress

pour continuer à progresser

et être sûrs que ce ces modèles soient développés de manière sûre et responsable.

to make sure these models are developed safely and responsibly.

CA: It feels like we're at a time when people are concerned

CA : Je pense qu’on vit un époque pendant laquelle les gens s’inquiètent

about the power of the big tech companies,

du pouvoir que prennent les grandes entreprises de tech,

and it's almost, if there was ever a moment to really show the world

et c’est comme si c’était vraiment le bon moment pour montrer

that this is being done to make a better future,

qu’on fait ça pour un avenir meilleur,

that is actually key to Google's future,

que c’est essentiel aussi bien pour le futur de Google,

as well as all of ours.

que pour le nôtre.

JD: Indeed.

JD : En effet.

CA: It's very good to hear you come and say that, Jeff.

CA : Je suis heureux que vous soyez soyez venus pour parler de ça.

Thank you so much for coming here to TED.

Merci beaucoup d’être venus à TED.

JD: Thank you.

JD : Merci à vous.

(Applause)

(Applaudissements)