How we can build AI to help humans, not hurt us | Margaret Mitchell

80,996 views ・ 2018-03-12

TED


વિડિઓ ચલાવવા માટે કૃપા કરીને નીચેના અંગ્રેજી સબટાઈટલ પર ડબલ-ક્લિક કરો.

Translator: Divya Vasani Reviewer: Keyur Thakkar
હું કમ્પ્યુટરને આપણી દુનિયા વિશે વાતચીત કરવામાં મદદ કરું છું.
00:13
I work on helping computers communicate about the world around us.
0
13381
4015
00:17
There are a lot of ways to do this,
1
17754
1793
આ કરવાનાં ઘણાં રસ્તાઓ છે.
00:19
and I like to focus on helping computers
2
19571
2592
અને હું કમ્પ્યુટરને મદદ કરવા પર ધ્યાન આપવા માંગું છું
00:22
to talk about what they see and understand.
3
22187
2874
જેથી તેઓ જે જુએ છે અને સમજે છે તેનાં વિશે વાતચીત કરી શકે.
00:25
Given a scene like this,
4
25514
1571
જો આવું દ્રશ્ય આપ્યું હોય,
00:27
a modern computer-vision algorithm
5
27109
1905
તો આધુનિક કમ્પ્યુટરનો દ્રષ્ટિ એલ્ગોરિધમ
00:29
can tell you that there's a woman and there's a dog.
6
29038
3095
તમને કહી શકે છે કે ત્યાં એક સ્ત્રી અને કૂતરો છે.
00:32
It can tell you that the woman is smiling.
7
32157
2706
તે તમને કહી શકે છે કે સ્ત્રી હસી રહી છે.
00:34
It might even be able to tell you that the dog is incredibly cute.
8
34887
3873
તે તમને કદાચ એ પણ કહી શકશે કે કૂતરો ખૂબ જ સુંદર છે.
00:38
I work on this problem
9
38784
1349
હું આ સમસ્યા પર કામ કરું છું
00:40
thinking about how humans understand and process the world.
10
40157
4212
કે મનુષ્યો કંઈ રીતે વિશ્વને જોવે છે અને સમજે છે.
00:45
The thoughts, memories and stories
11
45577
2952
વિચારો, યાદો અને વાર્તાઓ
00:48
that a scene like this might evoke for humans.
12
48553
2818
આ પ્રકારના દ્રશ્યો મનુષ્યોને ઉત્તેજીત કરે છે.
00:51
All the interconnections of related situations.
13
51395
4285
આ બધી જ એકબીજા સાથે જોડાયેલી સંબંધિત પરિસ્થિતિઓ છે.
00:55
Maybe you've seen a dog like this one before,
14
55704
3126
કદાચ તમે પહેલાં આવો કૂતરો જોયો હશે,
00:58
or you've spent time running on a beach like this one,
15
58854
2969
અથવા આવી રીતે બીચ પર દોડીને સમય પસાર કર્યો હશે,
01:01
and that further evokes thoughts and memories of a past vacation,
16
61847
4778
તો આ દ્રશ્યો તમારાં પાછલાં વેકેશનની યાદોને તાજા કરશે.
01:06
past times to the beach,
17
66649
1920
બીચ પર વિતાવેલો સમય,
01:08
times spent running around with other dogs.
18
68593
2603
બીજા કૂતરાઓ સાથે દોડવામાં વીતેલો સમય.
01:11
One of my guiding principles is that by helping computers to understand
19
71688
5207
મારો એક માર્ગદર્શક સિદ્ધાંત એ છે કે હું કમ્પ્યુટર્સને સમજવામાં મદદ કરું
01:16
what it's like to have these experiences,
20
76919
2896
જેથી તેઓ અનુભવોને સમજી શકે,
01:19
to understand what we share and believe and feel,
21
79839
5176
આપણે જે માનીએ અને અનુભવીએ છીએ તે સમજી શકે,
01:26
then we're in a great position to start evolving computer technology
22
86094
4310
તો પછી આપણે એક વિકસતી કમ્પ્યુટર ટેકનોલોજીની શરૂઆત કરી શકીશું.
01:30
in a way that's complementary with our own experiences.
23
90428
4587
આ રીતે તે આપણાં અનુભવો માટે પૂરક સાબિત થશે.
01:35
So, digging more deeply into this,
24
95539
3387
તેથી, આમાં વધું ઉંડાણપૂર્વક જઈને,
01:38
a few years ago I began working on helping computers to generate human-like stories
25
98950
5905
થોડાં વર્ષો પહેલાં મેં, કમ્પ્યુટર માનવીની જેમ તસવીરો જોઈને વાર્તાઓ બનાવી શકે
01:44
from sequences of images.
26
104879
1666
તેનાં પર કામ કરવાનું શરૂ કર્યું.
01:47
So, one day,
27
107427
1904
તેથી, એક દિવસ,
01:49
I was working with my computer to ask it what it thought about a trip to Australia.
28
109355
4622
હું કમ્પ્યુટર સાથે તે પૂછવા કામ કરતી હતી કે તેનો ઓસ્ટ્રેલિયા જવા વિશે શું વિચાર છે.
01:54
It took a look at the pictures, and it saw a koala.
29
114768
2920
તેણે ચિત્રો પર એક નજર કરી, અને તેણે કોઆલા જોયું.
01:58
It didn't know what the koala was,
30
118236
1643
તેને કોઆલા શું છે તે ખબર ન હતી,
01:59
but it said it thought it was an interesting-looking creature.
31
119903
2999
પણ તેણે કહ્યું કે તે એક રસપ્રદ દેખાતું પ્રાણી છે.
02:04
Then I shared with it a sequence of images about a house burning down.
32
124053
4004
પછી મેં તેને કેટલીક સળગતા ઘરોની છબીઓ બતાવી.
02:09
It took a look at the images and it said,
33
129704
3285
તેણે છબીઓ પર એક નજર કરી અને કહ્યું,
02:13
"This is an amazing view! This is spectacular!"
34
133013
3500
"આ એક અદભૂત દૃશ્ય છે! આ જોવાલાયક છે! "
02:17
It sent chills down my spine.
35
137450
2095
તે મારી કરોડરજ્જુને ઠંડક આપે છે.
02:20
It saw a horrible, life-changing and life-destroying event
36
140983
4572
તેણે એક ભયાનક, જીવન બદલનાર અને વિનાશક ઘટના જોઈ
02:25
and thought it was something positive.
37
145579
2382
અને વિચાર્યું કે તે કંઈક સકારાત્મક છે.
02:27
I realized that it recognized the contrast,
38
147985
3441
મને સમજાયું કે તેને પરિવર્તન જોયું,
02:31
the reds, the yellows,
39
151450
2699
લાલ અને પીળા રંગોનું,
02:34
and thought it was something worth remarking on positively.
40
154173
3078
અને વિચાર્યું આનાં પર કઈક સકારાત્મક બોલવું જોઈએ.
02:37
And part of why it was doing this
41
157928
1615
અને તેને એટલા માટે આવું કહ્યું
02:39
was because most of the images I had given it
42
159577
2945
કારણ કે મોટા ભાગની તસવીરો જે મે તેને બતાવી હતી
02:42
were positive images.
43
162546
1840
તે સકારાત્મક તસવીરો હતી.
02:44
That's because people tend to share positive images
44
164903
3658
કારણ કે લોકો સકારાત્મક તસવીરો વહેંચવાનું વલણ ધરાવે છે
02:48
when they talk about their experiences.
45
168585
2190
જ્યારે તેઓ તેમના અનુભવો વિશે વાત કરતાં હોય છે.
02:51
When was the last time you saw a selfie at a funeral?
46
171267
2541
તમે ક્યારેય અંતિમ સંસ્કાર વખતે સેલ્ફી જોઈ છે?
02:55
I realized that, as I worked on improving AI
47
175434
3095
મને સમજાયું કે, જેમ કે હું AI સુધારવા પર કામ કરી રહી હતી
02:58
task by task, dataset by dataset,
48
178553
3714
એક પછી એક કાર્યો દ્વારા અને માહિતીઓની મદદથી,
03:02
that I was creating massive gaps,
49
182291
2897
હું બહું મોટો અંતર અને જગ્યા પેદા કરી રહી હતી,
03:05
holes and blind spots in what it could understand.
50
185212
3999
તેઓ જે સમજી શકે છે તેમાં.
03:10
And while doing so,
51
190307
1334
અને તે કરતી વખતે,
03:11
I was encoding all kinds of biases.
52
191665
2483
હું AI માં તમામ પ્રકારના પૂર્વગ્રહોને ઉમેરતી હતી.
03:15
Biases that reflect a limited viewpoint,
53
195029
3318
પૂર્વગ્રહો જે મર્યાદિત દ્રષ્ટિકોણ આપે છે.
03:18
limited to a single dataset --
54
198371
2261
જે એક જ માહિતી સુધી મર્યાદિત હોય છે --
03:21
biases that can reflect human biases found in the data,
55
201283
3858
જે માહિતીમાં મળેલા માનવીય પૂર્વગ્રહોને દર્શાવે છે,
03:25
such as prejudice and stereotyping.
56
205165
3104
જેમ કે પક્ષપાત અને રૂઢિબદ્ધ ધારણાંઓ.
03:29
I thought back to the evolution of the technology
57
209554
3057
મેં ટેકનોલોજીની ઉત્ક્રાંતિ વિશે ફરી વિચાર્યું
03:32
that brought me to where I was that day --
58
212635
2502
તે દિવસો વિશે --
03:35
how the first color images
59
215966
2233
જ્યારે સૌપ્રથમ રંગીન છબીઓને
03:38
were calibrated against a white woman's skin,
60
218223
3048
સફેદ ત્વચાવાળી સ્ત્રી સાથે માપાંકિત કરવામાં આવી હતી,
03:41
meaning that color photography was biased against black faces.
61
221665
4145
એટલે કે કલર ફોટોગ્રાફી કાળી ત્વચાનાં પ્રમાણે બનાવવામાં આવી જ ન હતી
03:46
And that same bias, that same blind spot
62
226514
2925
એને તે જ પૂર્વગ્રહ, તે જ અંતર
03:49
continued well into the '90s.
63
229463
1867
૯૦ ના દાયકામાં પણ ચાલું રહ્યું.
03:51
And the same blind spot continues even today
64
231701
3154
અને તે અંતર હાલમાં પણ ચાલુ જ છે
03:54
in how well we can recognize different people's faces
65
234879
3698
જેમાં આપણે કઈ વધું સારી રીતે વિભિન્ન લોકોના ચહેરાઓને ઓળખી શકીએ
03:58
in facial recognition technology.
66
238601
2200
ચહેરાને ઓળખવાની ટેકનોલોજી દ્વારા.
04:01
I though about the state of the art in research today,
67
241323
3143
મેં હાલના સંશોધનોની સ્થિતિ વિશે વિચાર્યું,
04:04
where we tend to limit our thinking to one dataset and one problem.
68
244490
4514
જ્યાં આપણે પોતાની વિચારસરણી એક સમસ્યા અને એક માહિતી સુધી જ મર્યાદિત રાખી છે.
04:09
And that in doing so, we were creating more blind spots and biases
69
249688
4881
અને આમ કરવાથી, આપણે વધુ અંતર અને પૂર્વગ્રહો પેદા કરી રહ્યા છીએ
04:14
that the AI could further amplify.
70
254593
2277
જેથી AI વધુ વિસ્તૃત થઈ શકે છે.
04:17
I realized then that we had to think deeply
71
257712
2079
મને લાગ્યું કે, આપણે ગહન વિચાર કરવો જોઈએ
04:19
about how the technology we work on today looks in five years, in 10 years.
72
259815
5519
કે આપણે જે ટેકનોલોજી પર કામ કરીએ છીએ, તે ૫ કે ૧૦ વર્ષ પછી કેવી હશે.
04:25
Humans evolve slowly, with time to correct for issues
73
265990
3142
મનુષ્યો ધીરે ધીરે વિકસે છે, જેથી તેઓ પૂરતા સમયમાં
04:29
in the interaction of humans and their environment.
74
269156
3534
પર્યાવરણ સાથે પોતાની સમતુલા જાળવી શકે છે.
04:33
In contrast, artificial intelligence is evolving at an incredibly fast rate.
75
273276
5429
તેનાથી વિપરિત, AI ઝડપી દરે વિકસી રહ્યું છે.
04:39
And that means that it really matters
76
279013
1773
તેથી તે ખરેખર અગત્યનું છે કે
04:40
that we think about this carefully right now --
77
280810
2317
અત્યારે આપણે તેના વિશે ધ્યાનપૂર્વક વિચારીએ --
04:44
that we reflect on our own blind spots,
78
284180
3008
અને પોતાના મતભેદો અને પૂર્વગ્રહો પર
04:47
our own biases,
79
287212
2317
ચિંતન કરીએ,
04:49
and think about how that's informing the technology we're creating
80
289553
3857
અને આજની વિકસિત થતી ટેકનોલોજીમાં તેને કઈ રીતે શામેલ કરીએ
04:53
and discuss what the technology of today will mean for tomorrow.
81
293434
3902
અને આજની ટેકનોલોજી કાલ માટે કઈ રીતે ઉપયોગી બને તે વિચારીએ.
04:58
CEOs and scientists have weighed in on what they think
82
298593
3191
CEOs અને વૈજ્ઞાનિકોએ પોતાનાં વિચારો વ્યક્ત કર્યા છે કે
05:01
the artificial intelligence technology of the future will be.
83
301808
3325
AI ની ટેકનોલોજી ભવિષ્યમાં કેવી હશે.
05:05
Stephen Hawking warns that
84
305157
1618
સ્ટીફન હોકિંગ સચેત કરે છે કે
05:06
"Artificial intelligence could end mankind."
85
306799
3007
"AI માનવજાતને ખતમ કરી શકે છે."
05:10
Elon Musk warns that it's an existential risk
86
310307
2683
એલોન મસ્ક સચેત કરે છે કે તે અસ્તિત્વનું જોખમ છે
05:13
and one of the greatest risks that we face as a civilization.
87
313014
3574
અને આપણી સંસ્કૃતિ સામેનો સૌથી મોટો ખતરો છે.
05:17
Bill Gates has made the point,
88
317665
1452
બીલ ગેટ્સ એ કહ્યું છે કે,
05:19
"I don't understand why people aren't more concerned."
89
319141
3185
"મને નથી સમજાતું કે શાં માટે લોકો વધુ ચિંતિત નથી."
05:23
But these views --
90
323412
1318
પણ આ બધાં જ મંતવ્યો --
05:25
they're part of the story.
91
325618
1734
આ પ્રક્રિયાનો એક ભાગ છે.
05:28
The math, the models,
92
328079
2420
એ ગણિત, એ પદ્ધતિઓ,
05:30
the basic building blocks of artificial intelligence
93
330523
3070
અને AI ના મૂળભૂત ખંડો
05:33
are something that we call access and all work with.
94
333617
3135
જેની સાથે આપણે કામ કરીએ છીએ અને જેનો ઉપયોગ કરીએ છીએ.
05:36
We have open-source tools for machine learning and intelligence
95
336776
3785
આપણી પાસે મશીન લર્નિંગ અને ઇન્ટેલિજન્સ માટે ઓપન-સોર્સ સોફ્ટવેરના સાધનો છે
05:40
that we can contribute to.
96
340585
1734
જેમાં આપણે યોગદાન આપી શકીએ છીએ.
05:42
And beyond that, we can share our experience.
97
342919
3340
અને તે ઉપરાંત, આપણે પોતાનાં અનુભવ વ્યક્ત કરી શકીએ છીએ.
05:46
We can share our experiences with technology and how it concerns us
98
346760
3468
ટેકનોલોજી પર પોતાના અનુભવો વહેંચી શકીએ કે તે કઈ રીતે આપણને ચિંતિત કરે છે
05:50
and how it excites us.
99
350252
1467
અને કઈ રીતે ઉત્તેજિત કરે છે.
05:52
We can discuss what we love.
100
352251
1867
આપણને ગમતા વિષય પર ચર્ચા કરી શકીએ છીએ.
05:55
We can communicate with foresight
101
355244
2031
આપણે દૂરદ્રષ્ટિ રાખી શકીએ છીએ
05:57
about the aspects of technology that could be more beneficial
102
357299
4857
કે ટેકનોલોજીના કયા પાસાઓ વધુ લાભદાયી નીવડી શકે છે
06:02
or could be more problematic over time.
103
362180
2600
અથવા સમય જતાં વધુ સમસ્યારૂપ થઈ શકે છે.
06:05
If we all focus on opening up the discussion on AI
104
365799
4143
જો આપણે બધા જ AI પર ચર્ચા-વિચારણા કરવાનું શરૂ કરીએ
06:09
with foresight towards the future,
105
369966
1809
ભવિષ્યને ધ્યાનમાં રાખીને,
06:13
this will help create a general conversation and awareness
106
373093
4270
તો તેનાથી AI વિશે જાગૃતિ આવવાની શરૂ થશે
06:17
about what AI is now,
107
377387
2513
કે AI અત્યારે શું છે,
06:21
what it can become
108
381212
2001
અને તે શું બની શકે છે
06:23
and all the things that we need to do
109
383237
1785
અને એ બધી જ વસ્તુઓ કરી શકીએ છીએ
06:25
in order to enable that outcome that best suits us.
110
385046
3753
જેનાંથી ઇચ્છિત પરિણામ આવી શકે.
06:29
We already see and know this in the technology that we use today.
111
389490
3674
આપણે આજની ટેક્નોલોજીમાં આ પહેલેથી જ જોઈએ છીએ.
06:33
We use smart phones and digital assistants and Roombas.
112
393767
3880
આપણે બધાં જ સ્માર્ટ ફોન, ડિજિટલ આસિસ્ટન્ટ અને રોમ્બાસ ઉપયોગ કરીએ છીએ.
06:38
Are they evil?
113
398457
1150
શું તેઓ બહુ ખરાબ છે?
06:40
Maybe sometimes.
114
400268
1547
ક્યારેક હોઈ શકે.
06:42
Are they beneficial?
115
402664
1333
શું તેઓ ફાયદાકારક છે?
06:45
Yes, they're that, too.
116
405005
1533
હા, તે પણ છે.
06:48
And they're not all the same.
117
408236
1761
અને તે બધા સરખા નથી.
06:50
And there you already see a light shining on what the future holds.
118
410489
3540
તેના દ્વારા તમે ભવિષ્ય વિશે અનુમાન લગાવી શકો છો.
06:54
The future continues on from what we build and create right now.
119
414942
3619
ભવિષ્ય એ આપણે અત્યારે જે નિર્માણ કરીએ છીએ તેના પર આધાર રાખે છે.
06:59
We set into motion that domino effect
120
419165
2642
આપણે જે બદલાવ લાવીએ છીએ
07:01
that carves out AI's evolutionary path.
121
421831
2600
તે AI નો વિકાસવાદી માર્ગ બનાવે છે.
07:05
In our time right now, we shape the AI of tomorrow.
122
425173
2871
આજનાં સમયમાં, આપણે કાલના AI ને ઘડી શકીએ છીએ.
07:08
Technology that immerses us in augmented realities
123
428566
3699
ટેકનોલોજી જે વિકાસની વાસ્તવિકતાઓની જાણ કરાવે છે
07:12
bringing to life past worlds.
124
432289
2566
ભૂતકાળના વિશ્વ સાથે પરિચય કરાવે છે.
07:15
Technology that helps people to share their experiences
125
435844
4312
ટેકનોલોજી જે લોકોને પોતાના અનુભવો વ્યક્ત કરવામાં મદદ કરે છે
07:20
when they have difficulty communicating.
126
440180
2262
જ્યારે તેઓ સરળતાથી પોતાની વાત કહી શકતા ન હોય.
07:23
Technology built on understanding the streaming visual worlds
127
443323
4532
ટેક્નોલોજી જે દુનિયાને ધ્યાનમાં રાખીને બનાવવામાં આવે છે
07:27
used as technology for self-driving cars.
128
447879
3079
જેનો સ્વ-ચાલીત ગાડીઓમાં ઉપયોગ થાય છે.
07:32
Technology built on understanding images and generating language,
129
452490
3413
ટેકનોલોજી જે છબીઓને સમજવા અને ભાષાઓ બનાનવામાં મદદ કરે છે,
07:35
evolving into technology that helps people who are visually impaired
130
455927
4063
ટેકનોલોજીનો વિકાસ એ દ્રષ્ટિહીન લોકોને
07:40
be better able to access the visual world.
131
460014
2800
વાસ્તવિક દુનિયા જોવા માટે સક્ષમ બનાવે છે.
07:42
And we also see how technology can lead to problems.
132
462838
3261
આપણે જોઈએ છીએ કે ટેકનોલોજી મુશ્કેલીઓ પણ સર્જે છે.
07:46
We have technology today
133
466885
1428
આજની ટેકનોલોજી
07:48
that analyzes physical characteristics we're born with --
134
468337
3835
આપણી શારીરિક લાક્ષણિકતાઓનું વિશ્લેષણ કરી શકે છે
07:52
such as the color of our skin or the look of our face --
135
472196
3272
આપણી ત્વચાના રંગ અથવા આપણા ચહેરાના દેખાવ પરથી --
07:55
in order to determine whether or not we might be criminals or terrorists.
136
475492
3804
નક્કી કરી શકે છે કે આપણે ગુનેગાર કે આતંકવાદી છીએ કે નહી.
07:59
We have technology that crunches through our data,
137
479688
2905
આજની ટેકનોલોજી એ આપણી માહિતી દ્વારા,
08:02
even data relating to our gender or our race,
138
482617
2896
અથવા આપણી જાતિને લગતી માહિતી દ્વારા,
08:05
in order to determine whether or not we might get a loan.
139
485537
2865
એ નક્કી કરી શકે છે કે આપણે લોન મેળવી શકીએ છીએ કે નહિ.
08:09
All that we see now
140
489494
1579
અત્યારે આપણે જે જોઈએ છીએ
08:11
is a snapshot in the evolution of artificial intelligence.
141
491097
3617
તે AI ની ઉત્ક્રાંતિ સૂચવે છે.
08:15
Because where we are right now,
142
495763
1778
કારણ કે આપણે અત્યારે જ્યાં છીએ,
08:17
is within a moment of that evolution.
143
497565
2238
તે ઉત્ક્રાંતિના લીધે જ છીએ.
08:20
That means that what we do now will affect what happens down the line
144
500690
3802
એટલે કે આપણે જે અત્યારે કરીએ છીએ તે ચોક્કપણે
08:24
and in the future.
145
504516
1200
ભવિષ્યને અસર કરશે.
08:26
If we want AI to evolve in a way that helps humans,
146
506063
3951
જો આપણે માનવજાતને મદદ કરી શકે તે રીતે AI નો વિકાસ કરવા માંગીએ છીએ,
08:30
then we need to define the goals and strategies
147
510038
2801
તો આપણે લક્ષ્યો અને વ્યૂરચનાઓ નક્કી કરવી જોઈએ
08:32
that enable that path now.
148
512863
1733
જે AI ને શસકત બનાવી શકે.
08:35
What I'd like to see is something that fits well with humans,
149
515680
3738
હું ઇચ્છું છું કે AI માનવજાત સાથે, આપણાં પર્યાવરણ સાથે,
08:39
with our culture and with the environment.
150
519442
2800
અને આપણી સંસ્કૃતિ સાથે સુમેળ સાધી શકે.
08:43
Technology that aids and assists those of us with neurological conditions
151
523435
4484
ટેક્નોલોજી જે બીમારીથી પીડાતા લોકોની મદદ કરે
08:47
or other disabilities
152
527943
1721
અથવા વિકલાંગોની
08:49
in order to make life equally challenging for everyone.
153
529688
3216
જેથી દરેક લોકોનું જીવન સરળ બની રહે.
08:54
Technology that works
154
534097
1421
AI એવી ટેક્નોલોજી હોય જે
08:55
regardless of your demographics or the color of your skin.
155
535542
3933
તમારી ત્વચાના રંગને ધ્યાનમાં લીધા વગર કામ કરે.
09:00
And so today, what I focus on is the technology for tomorrow
156
540383
4742
તેથી અત્યારે, હું આવતી કાલની ટેક્નોલોજી અને આજથી ૧૦ વર્ષ પછીની ટેક્નોલોજી પર
09:05
and for 10 years from now.
157
545149
1733
ધ્યાન કેન્દ્રિત કરુ છું.
09:08
AI can turn out in many different ways.
158
548530
2634
AI ઘણી રીતે વિકસિત થઈ શકે છે.
09:11
But in this case,
159
551688
1225
પણ ત્યાં,
09:12
it isn't a self-driving car without any destination.
160
552937
3328
કોઈ મંજિલ વગરની સ્વ-ચાલીત ગાડીઓ ન હોઈ શકે.
09:16
This is the car that we are driving.
161
556884
2400
તે કારને આપણે ચલાવી રહ્યાં છીએ.
09:19
We choose when to speed up and when to slow down.
162
559953
3595
તેને ક્યારે ઝડપી અને ધીમે ચલાવવી તે આપણે નક્કી કરીએ છીએ.
09:23
We choose if we need to make a turn.
163
563572
2400
આપણે નક્કી કરીએ છીએ કે ક્યારે વળાંક લેવાનો છે.
09:26
We choose what the AI of the future will be.
164
566868
3000
આપણે નક્કી કરીએ છીએ કે ભવિષ્યનું AI કેવું હશે.
09:31
There's a vast playing field
165
571186
1337
ત્યાં ઘણાં બધાં ક્ષેત્રો છે
09:32
of all the things that artificial intelligence can become.
166
572547
2965
જ્યાં AI વિવિધ સ્વરૂપો ધારણ કરી શકે છે.
09:36
It will become many things.
167
576064
1800
તે ઘણાં બધાં સ્વરૂપ લઈ શકે છે.
09:39
And it's up to us now,
168
579694
1732
અને હવે તે આપણા ઉપર છે,
09:41
in order to figure out what we need to put in place
169
581450
3061
કે આપણે એવું શું કરીએ
09:44
to make sure the outcomes of artificial intelligence
170
584535
3807
જેથી આપણને AI ના ચોક્કસ પરિણામો મળે
09:48
are the ones that will be better for all of us.
171
588366
3066
જે આપણા બધાં માટે ઉપયોગી બને.
09:51
Thank you.
172
591456
1150
આભાર.
09:52
(Applause)
173
592630
2187
(અભિવાદન)
આ વેબસાઇટ વિશે

આ સાઈટ તમને અંગ્રેજી શીખવા માટે ઉપયોગી એવા YouTube વિડીયોનો પરિચય કરાવશે. તમે વિશ્વભરના શ્રેષ્ઠ શિક્ષકો દ્વારા શીખવવામાં આવતા અંગ્રેજી પાઠ જોશો. ત્યાંથી વિડિયો ચલાવવા માટે દરેક વિડિયો પેજ પર પ્રદર્શિત અંગ્રેજી સબટાઈટલ પર ડબલ-ક્લિક કરો. સબટાઈટલ વિડિયો પ્લેબેક સાથે સુમેળમાં સ્ક્રોલ થાય છે. જો તમારી પાસે કોઈ ટિપ્પણીઓ અથવા વિનંતીઓ હોય, તો કૃપા કરીને આ સંપર્ક ફોર્મનો ઉપયોગ કરીને અમારો સંપર્ક કરો.

https://forms.gle/WvT1wiN1qDtmnspy7