The wonderful and terrifying implications of computers that can learn | Jeremy Howard

597,885 views ・ 2014-12-16

TED


Por favor, faça duplo clique nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Carlos Espírito Santo Revisora: Margarida Ferreira
00:12
It used to be that if you wanted to get a computer to do something new,
0
12880
4013
Era habitual, quando queríamos que um computador fizesse algo novo,
00:16
you would have to program it.
1
16893
1554
termos que o programar.
00:18
Now, programming, for those of you here that haven't done it yourself,
2
18447
3411
Para aqueles que nunca programaram,
00:21
requires laying out in excruciating detail
3
21858
3502
a programação requer especificar com enorme detalhe,
00:25
every single step that you want the computer to do
4
25360
3367
todos os passos que queremos que o computador execute
00:28
in order to achieve your goal.
5
28727
2362
para alcançarmos o nosso objetivo.
00:31
Now, if you want to do something that you don't know how to do yourself,
6
31089
3496
Se queremos fazer algo que não sabemos fazer nós próprios,
00:34
then this is going to be a great challenge.
7
34585
2063
será um grande desafio.
00:36
So this was the challenge faced by this man, Arthur Samuel.
8
36648
3483
Este foi o desafio enfrentado por este homem, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
40131
4077
Em 1965, ele queria que um computador
00:44
to be able to beat him at checkers.
10
44208
2340
o vencesse nas damas.
00:46
How can you write a program,
11
46548
2040
Como podemos escrever um programa,
00:48
lay out in excruciating detail, how to be better than you at checkers?
12
48588
3806
com grande detalhe, que seja melhor do que nós nas damas?
00:52
So he came up with an idea:
13
52394
1722
Ele teve uma ideia:
00:54
he had the computer play against itself thousands of times
14
54116
3724
pôs o computador a jogar contra si próprio, milhares de vezes,
00:57
and learn how to play checkers.
15
57840
2524
para aprender a jogar damas.
01:00
And indeed it worked, and in fact, by 1962,
16
60364
3180
Funcionou e, em 1962,
01:03
this computer had beaten the Connecticut state champion.
17
63544
4017
o computador venceu o campeão do estado do Connecticut.
01:07
So Arthur Samuel was the father of machine learning,
18
67561
2973
Arthur Samuel foi, assim, o pai da aprendizagem automática
01:10
and I have a great debt to him,
19
70534
1717
e tenho uma grande dívida para com ele,
01:12
because I am a machine learning practitioner.
20
72251
2763
porque sou um profissional da aprendizagem automática.
01:15
I was the president of Kaggle,
21
75014
1465
Fui o presidente da Kaggle,
01:16
a community of over 200,000 machine learning practictioners.
22
76479
3388
uma comunidade de cerca de 200 000 profissionais da aprendizagem automática.
01:19
Kaggle puts up competitions
23
79867
2058
A Kaggle estabelece competições,
01:21
to try and get them to solve previously unsolved problems,
24
81925
3708
em que se tenta resolver problemas ainda não resolvidos,
01:25
and it's been successful hundreds of times.
25
85633
3837
e teve sucesso centenas de vezes.
01:29
So from this vantage point, I was able to find out
26
89470
2470
Desta posição vantajosa pude descobrir muito
01:31
a lot about what machine learning can do in the past, can do today,
27
91940
3950
sobre o que a aprendizagem automática pode fazer no passado, no presente
01:35
and what it could do in the future.
28
95890
2362
e o que poderá fazer no futuro.
01:38
Perhaps the first big success of machine learning commercially was Google.
29
98252
4423
O primeiro grande sucesso comercial da aprendizagem automática foi a Google.
01:42
Google showed that it is possible to find information
30
102675
3109
A Google mostrou que é possível encontrar informação
01:45
by using a computer algorithm,
31
105784
1752
usando o algoritmo de um computador,
01:47
and this algorithm is based on machine learning.
32
107536
2901
e este algoritmo é baseado em aprendizagem automática.
01:50
Since that time, there have been many commercial successes of machine learning.
33
110437
3886
Desde então, houve muitos sucessos comerciais da aprendizagem automática.
01:54
Companies like Amazon and Netflix
34
114323
1837
Empresas como a Amazon e a Netflix
01:56
use machine learning to suggest products that you might like to buy,
35
116160
3716
usam a aprendizagem automática para sugerir produtos que talvez compremos,
01:59
movies that you might like to watch.
36
119876
2020
filmes que talvez gostemos de ver.
02:01
Sometimes, it's almost creepy.
37
121896
1807
Por vezes, é quase assustador.
02:03
Companies like LinkedIn and Facebook
38
123703
1954
Empresas como o LinkedIn e o Facebook
02:05
sometimes will tell you about who your friends might be
39
125657
2594
por vezes dizem-nos quem poderão ser os nossos amigos
02:08
and you have no idea how it did it,
40
128251
1977
e não temos ideia de como elas fizeram isso,
02:10
and this is because it's using the power of machine learning.
41
130228
2967
porque estão a usar o poder da aprendizagem automática.
02:13
These are algorithms that have learned how to do this from data
42
133195
2957
Estes algoritmos aprenderam a fazer isto a partir de dados
02:16
rather than being programmed by hand.
43
136152
3247
em vez de serem programados à mão.
02:19
This is also how IBM was successful
44
139399
2478
Esta foi também a razão do sucesso da IBM
02:21
in getting Watson to beat the two world champions at "Jeopardy,"
45
141877
3862
ao conseguir que o Watson ganhasse a dois campeões mundiais no "Jeopardy",
02:25
answering incredibly subtle and complex questions like this one.
46
145739
3225
respondendo a questões incrivelmente subtis e complexas.
02:28
["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"]
47
148964
2835
02:31
This is also why we are now able to see the first self-driving cars.
48
151799
3235
Esta é também a razão de podermos ver os primeiros carros autónomos.
02:35
If you want to be able to tell the difference between, say,
49
155034
2822
É bastante importante podermos distinguir
02:37
a tree and a pedestrian, well, that's pretty important.
50
157856
2632
uma árvore de um peão.
02:40
We don't know how to write those programs by hand,
51
160488
2587
Não sabemos como escrever esses programas à mão,
02:43
but with machine learning, this is now possible.
52
163075
2997
mas isso é agora possível com a aprendizagem automática.
02:46
And in fact, this car has driven over a million miles
53
166072
2608
Este carro conduziu mais de um milhão de quilómetros
02:48
without any accidents on regular roads.
54
168680
3506
em estradas normais, sem qualquer acidente.
02:52
So we now know that computers can learn,
55
172196
3914
Sabemos agora que os computadores conseguem aprender.
02:56
and computers can learn to do things
56
176110
1900
Conseguem aprender a fazer coisas
02:58
that we actually sometimes don't know how to do ourselves,
57
178010
2838
que nós, por vezes, não sabemos fazer sozinhos,
03:00
or maybe can do them better than us.
58
180848
2885
ou fazem-no melhor do que nós.
03:03
One of the most amazing examples I've seen of machine learning
59
183733
4195
Um dos exemplos mais fantásticos da aprendizagem automática que eu vi
03:07
happened on a project that I ran at Kaggle
60
187928
2392
surgiu num projeto que desenvolvi na Kaggle
03:10
where a team run by a guy called Geoffrey Hinton
61
190320
3591
em que uma equipa liderada por um tipo chamado Geoffrey Hinton
03:13
from the University of Toronto
62
193911
1552
da Universidade de Toronto, venceu uma competição
03:15
won a competition for automatic drug discovery.
63
195463
2677
sobre descoberta automática de medicamentos.
03:18
Now, what was extraordinary here is not just that they beat
64
198140
2847
O mais extraordinário não foi terem vencido todos os algoritmos
03:20
all of the algorithms developed by Merck or the international academic community,
65
200987
4013
desenvolvidos pela Merck ou pela comunidade académica internacional,
03:25
but nobody on the team had any background in chemistry or biology or life sciences,
66
205000
5061
mas ninguém na equipa ter formação em química, biologia ou ciências naturais
03:30
and they did it in two weeks.
67
210061
2169
e fizeram-no em duas semanas.
03:32
How did they do this?
68
212230
1381
Como fizeram isto?
03:34
They used an extraordinary algorithm called deep learning.
69
214421
2921
Usaram um algoritmo extraordinário chamado aprendizagem profunda.
03:37
So important was this that in fact the success was covered
70
217342
2949
Isso foi tão importante que saiu num artigo na primeira página
03:40
in The New York Times in a front page article a few weeks later.
71
220291
3121
no New York Times, algumas semanas depois.
03:43
This is Geoffrey Hinton here on the left-hand side.
72
223412
2735
Este do lado esquerdo é o Geoffrey Hinton.
03:46
Deep learning is an algorithm inspired by how the human brain works,
73
226147
4341
A aprendizagem profunda é um algoritmo inspirado no cérebro humano.
03:50
and as a result it's an algorithm
74
230488
1812
e, como resultado, é um algoritmo
03:52
which has no theoretical limitations on what it can do.
75
232300
3841
que não tem limitações teóricas em relação ao que pode fazer.
03:56
The more data you give it and the more computation time you give it,
76
236141
2823
Quanto mais dados e tempo de computação fornecermos
03:58
the better it gets.
77
238964
1312
melhor ele fica.
04:00
The New York Times also showed in this article
78
240276
2339
O New York Times também mostrou, nesse artigo,
04:02
another extraordinary result of deep learning
79
242615
2242
outro resultado extraordinário da aprendizagem profunda
04:04
which I'm going to show you now.
80
244857
2712
que vou agora mostrar-vos.
04:07
It shows that computers can listen and understand.
81
247569
4941
Mostra que os computadores conseguem ouvir e compreender
04:12
(Video) Richard Rashid: Now, the last step
82
252510
2711
(Vídeo) Richard Rashid: O último passo
04:15
that I want to be able to take in this process
83
255221
3025
que quero poder dar neste processo
04:18
is to actually speak to you in Chinese.
84
258246
4715
é falar-vos em chinês.
04:22
Now the key thing there is,
85
262961
2635
O segredo para isso
04:25
we've been able to take a large amount of information from many Chinese speakers
86
265596
5002
é que conseguimos reunir muita informação de oradores chineses
04:30
and produce a text-to-speech system
87
270598
2530
e produzir um sistema texto-fala
04:33
that takes Chinese text and converts it into Chinese language,
88
273128
4673
que converte texto em chinês para a língua chinesa.
04:37
and then we've taken an hour or so of my own voice
89
277801
4128
Depois usámos cerca de uma hora da minha própria voz
04:41
and we've used that to modulate
90
281929
1891
para modular o sistema texto-fala padrão
04:43
the standard text-to-speech system so that it would sound like me.
91
283820
4544
para que falasse como eu.
04:48
Again, the result's not perfect.
92
288364
2540
O resultado não é perfeito.
04:50
There are in fact quite a few errors.
93
290904
2648
Há ainda alguns erros.
04:53
(In Chinese)
94
293552
2484
(Em chinês)
04:56
(Applause)
95
296036
3367
(Aplausos)
05:01
There's much work to be done in this area.
96
301446
3576
Há muito trabalho a fazer nesta área.
05:05
(In Chinese)
97
305022
3645
(Em chinês)
05:08
(Applause)
98
308667
3433
(Aplausos)
05:13
Jeremy Howard: Well, that was at a machine learning conference in China.
99
313345
3399
Isto foi numa conferência sobre aprendizagem automática na China.
05:16
It's not often, actually, at academic conferences
100
316744
2370
Não é frequente ouvir, em conferências académicas,
05:19
that you do hear spontaneous applause,
101
319114
1897
aplausos espontâneos.
05:21
although of course sometimes at TEDx conferences, feel free.
102
321011
3676
embora aconteça, por vezes, em conferências TEDx.
05:24
Everything you saw there was happening with deep learning.
103
324687
2795
Todo o que vimos foi devido a aprendizagem profunda.
05:27
(Applause) Thank you.
104
327482
1525
(Aplausos) Obrigado.
A transcrição para inglês foi feita com aprendizagem profunda,
05:29
The transcription in English was deep learning.
105
329007
2282
05:31
The translation to Chinese and the text in the top right, deep learning,
106
331289
3412
assim como a tradução para chinês, no texto em cima, à direita,
05:34
and the construction of the voice was deep learning as well.
107
334701
3307
e a construção da voz.
05:38
So deep learning is this extraordinary thing.
108
338008
3234
A aprendizagem profunda é algo extraordinário.
05:41
It's a single algorithm that can seem to do almost anything,
109
341242
3099
É um único algoritmo que parece poder fazer quase tudo.
05:44
and I discovered that a year earlier, it had also learned to see.
110
344341
3111
Descobri que, um ano antes, também tinha aprendido a ver.
05:47
In this obscure competition from Germany
111
347452
2176
Nesta competição obscura, na Alemanha,
05:49
called the German Traffic Sign Recognition Benchmark,
112
349628
2597
— Referência Alemã para Reconhecimento de Sinais de Trânsito —
05:52
deep learning had learned to recognize traffic signs like this one.
113
352225
3393
a aprendizagem profunda conseguiu reconhecer sinais de trânsito.
05:55
Not only could it recognize the traffic signs
114
355618
2094
Conseguiu reconhecer sinais de trânsito, melhor do que qualquer outro algoritmo,
05:57
better than any other algorithm,
115
357712
1758
05:59
the leaderboard actually showed it was better than people,
116
359470
2719
e a avaliação mostrou que era cerca de duas vezes melhor do que as pessoas.
06:02
about twice as good as people.
117
362189
1852
Por volta de 2011, tivemos o primeiro exemplo
06:04
So by 2011, we had the first example
118
364041
1996
06:06
of computers that can see better than people.
119
366037
3405
de computadores que conseguem ver melhor do que as pessoas.
06:09
Since that time, a lot has happened.
120
369442
2049
Desde então, muito aconteceu.
06:11
In 2012, Google announced that they had a deep learning algorithm
121
371491
3514
Em 2012, a Google anunciou que tinham um algoritmo de aprendizagem profunda
06:15
watch YouTube videos
122
375005
1415
a observar vídeos no Youtube
06:16
and crunched the data on 16,000 computers for a month,
123
376420
3437
e a processar dados de 16 000 computadores por mês,
06:19
and the computer independently learned about concepts such as people and cats
124
379857
4361
O computador conseguiu de forma autónoma aprender conceitos como pessoas e gatos
06:24
just by watching the videos.
125
384218
1809
apenas observando os vídeos.
06:26
This is much like the way that humans learn.
126
386027
2352
Isto é semelhante ao modo como os humanos aprendem.
06:28
Humans don't learn by being told what they see,
127
388379
2740
Não aprendem dizendo-lhes o que estão a ver,
06:31
but by learning for themselves what these things are.
128
391119
3331
mas aprendendo por si o que estas coisas são.
06:34
Also in 2012, Geoffrey Hinton, who we saw earlier,
129
394450
3369
Também em 2012, o Geoffrey Hinton, que vimos antes,
06:37
won the very popular ImageNet competition,
130
397819
2858
venceu a competição muito popular ImageNet,
06:40
looking to try to figure out from one and a half million images
131
400677
4141
ao tentar identificar, num conjunto de 1,5 milhões de imagens,
06:44
what they're pictures of.
132
404818
1438
o que elas representavam.
06:46
As of 2014, we're now down to a six percent error rate
133
406256
3533
Em 2014, reduzimos para 6% a taxa de erro
06:49
in image recognition.
134
409789
1453
no reconhecimento de imagem.
06:51
This is better than people, again.
135
411242
2026
Isto é melhor do que as pessoas conseguem fazer.
06:53
So machines really are doing an extraordinarily good job of this,
136
413268
3769
As máquinas estão realmente a fazer um trabalho extraordinário
06:57
and it is now being used in industry.
137
417037
2269
que está agora a ser usado na indústria.
06:59
For example, Google announced last year
138
419306
3042
Por exemplo, a Google anunciou, no ano passado,
07:02
that they had mapped every single location in France in two hours,
139
422348
4585
que mapearam todos os locais de França, em duas horas.
07:06
and the way they did it was that they fed street view images
140
426933
3447
Processaram imagens de rua com um algoritmo de aprendizagem profunda,
07:10
into a deep learning algorithm to recognize and read street numbers.
141
430380
4319
para que reconhecesse e lesse números de ruas.
07:14
Imagine how long it would have taken before:
142
434699
2220
Imaginem quanto tempo isto teria demorado antes:
07:16
dozens of people, many years.
143
436919
3355
dúzias de pessoas, durante muitos anos.
07:20
This is also happening in China.
144
440274
1911
Isto também está a acontecer na China.
07:22
Baidu is kind of the Chinese Google, I guess,
145
442185
4036
Baidu é uma espécie de Google chinesa, acho eu.
07:26
and what you see here in the top left
146
446221
2283
O que veem aqui em cima, à esquerda, é um exemplo de uma imagem
07:28
is an example of a picture that I uploaded to Baidu's deep learning system,
147
448504
3974
que transferi para o sistema de aprendizagem profunda da Baidu.
07:32
and underneath you can see that the system has understood what that picture is
148
452478
3769
Em baixo, podem ver que o sistema percebeu o que a imagem era
07:36
and found similar images.
149
456247
2236
e encontrou imagens semelhantes.
07:38
The similar images actually have similar backgrounds,
150
458483
2736
As imagens semelhantes têm, na verdade, fundos idênticos,
07:41
similar directions of the faces,
151
461219
1658
direções semelhantes das faces
07:42
even some with their tongue out.
152
462877
1788
e algumas até com a língua de fora.
07:44
This is not clearly looking at the text of a web page.
153
464665
3030
Isto não é evidente no texto de uma página "web".
07:47
All I uploaded was an image.
154
467695
1412
Só transferi uma imagem.
07:49
So we now have computers which really understand what they see
155
469107
4021
Temos, agora, computadores que compreendem realmente o que veem
e que podem, por isso, procurar nas bases de dados
07:53
and can therefore search databases
156
473128
1624
07:54
of hundreds of millions of images in real time.
157
474752
3554
de centenas de milhões de imagens, em tempo real.
07:58
So what does it mean now that computers can see?
158
478306
3230
O que significa realmente os computadores conseguirem agora ver?
08:01
Well, it's not just that computers can see.
159
481536
2017
Não se trata apenas de conseguirem ver.
08:03
In fact, deep learning has done more than that.
160
483553
2069
De facto, a aprendizagem profunda tem feito mais do que isso.
08:05
Complex, nuanced sentences like this one
161
485622
2948
Frases complexas, com nuances, como esta
08:08
are now understandable with deep learning algorithms.
162
488570
2824
são agora percetíveis, com os algoritmos de aprendizagem profunda.
08:11
As you can see here,
163
491394
1303
Como podem ver aqui,
08:12
this Stanford-based system showing the red dot at the top
164
492697
2768
este sistema de Stanford, com o ponto vermelho no topo,
08:15
has figured out that this sentence is expressing negative sentiment.
165
495465
3919
percebeu que esta frase expressa um sentimento negativo.
08:19
Deep learning now in fact is near human performance
166
499384
3406
A aprendizagem profunda está agora próxima do desempenho humano,
08:22
at understanding what sentences are about and what it is saying about those things.
167
502802
5121
na perceção do sentido das frases e no que diz sobre essas coisas.
08:27
Also, deep learning has been used to read Chinese,
168
507923
2728
A aprendizagem profunda também tem sido usada para ler chinês,
08:30
again at about native Chinese speaker level.
169
510651
3156
a um nível próximo de um chinês nativo.
08:33
This algorithm developed out of Switzerland
170
513807
2168
Este algoritmo foi desenvolvido na Suíça
08:35
by people, none of whom speak or understand any Chinese.
171
515975
3356
por pessoas que não falam nem percebem chinês.
08:39
As I say, using deep learning
172
519331
2051
Como disse, a aprendizagem profunda
08:41
is about the best system in the world for this,
173
521382
2219
é o melhor sistema do mundo para isto
08:43
even compared to native human understanding.
174
523601
5117
comparado até com a compreensão de um ser humano.
08:48
This is a system that we put together at my company
175
528718
2964
Este é um sistema que desenvolvemos na minha empresa
08:51
which shows putting all this stuff together.
176
531682
2046
que mostra como juntar tudo isto.
08:53
These are pictures which have no text attached,
177
533728
2461
Estas imagens não têm texto associado.
08:56
and as I'm typing in here sentences,
178
536189
2352
À medida que vou escrevendo estas frases
08:58
in real time it's understanding these pictures
179
538541
2969
estas imagens vão sendo compreendidas em tempo real,
09:01
and figuring out what they're about
180
541510
1679
percebendo o que significam,
09:03
and finding pictures that are similar to the text that I'm writing.
181
543189
3163
e descobrindo imagens de acordo com o texto que vou escrevendo.
09:06
So you can see, it's actually understanding my sentences
182
546352
2756
Como podem ver, está de facto a perceber as minhas frases
09:09
and actually understanding these pictures.
183
549108
2224
e a perceber estas imagens.
09:11
I know that you've seen something like this on Google,
184
551332
2559
Sei que viram algo parecido na Google,
09:13
where you can type in things and it will show you pictures,
185
553891
2775
em que podem escrever coisas e são-vos mostradas imagens.
09:16
but actually what it's doing is it's searching the webpage for the text.
186
556666
3424
Na realidade, o que está a fazer é pesquisar o vosso texto na "web".
09:20
This is very different from actually understanding the images.
187
560090
3001
Isso é muito diferente de perceber realmente as imagens.
09:23
This is something that computers have only been able to do
188
563091
2752
Isto é algo que os computadores só começaram a fazer
09:25
for the first time in the last few months.
189
565843
3248
há alguns meses, pela primeira vez.
09:29
So we can see now that computers can not only see but they can also read,
190
569091
4091
Os computadores conseguem não apenas ver, mas também ler.
09:33
and, of course, we've shown that they can understand what they hear.
191
573182
3765
Já mostrámos, claro, que conseguem perceber o que ouvem.
09:36
Perhaps not surprising now that I'm going to tell you they can write.
192
576947
3442
Talvez não fiquem surpreendidos se vos disser que conseguem escrever.
09:40
Here is some text that I generated using a deep learning algorithm yesterday.
193
580389
4783
Aqui está um texto que gerei ontem com um algoritmo de aprendizagem profunda.
09:45
And here is some text that an algorithm out of Stanford generated.
194
585172
3924
E aqui está um texto gerado por um algoritmo de Stanford.
09:49
Each of these sentences was generated
195
589096
1764
Cada uma destas frases foi gerada
09:50
by a deep learning algorithm to describe each of those pictures.
196
590860
4249
por um algoritmo de aprendizagem profunda para descrever cada uma destas imagens.
09:55
This algorithm before has never seen a man in a black shirt playing a guitar.
197
595109
4472
Este algoritmo nunca tinha visto antes um homem de T-shirt preta a tocar guitarra.
09:59
It's seen a man before, it's seen black before,
198
599581
2220
Já tinha visto um homem e a cor preta.
10:01
it's seen a guitar before,
199
601801
1599
Já tinha visto uma guitarra.
10:03
but it has independently generated this novel description of this picture.
200
603400
4294
Mas gerou de forma independente esta nova descrição da imagem.
10:07
We're still not quite at human performance here, but we're close.
201
607694
3502
Ainda não estamos bem ao nível do desempenho humano, mas perto.
10:11
In tests, humans prefer the computer-generated caption
202
611196
4068
Em testes, os humanos preferem a descrição gerada pelo computador,
10:15
one out of four times.
203
615264
1527
uma em cada quatro vezes.
10:16
Now this system is now only two weeks old,
204
616791
2064
Este sistema tem apenas duas semanas, por isso, provavelmente, no próximo ano,
10:18
so probably within the next year,
205
618855
1846
10:20
the computer algorithm will be well past human performance
206
620701
2801
o algoritmo estará bem à frente do desempenho humano,
10:23
at the rate things are going.
207
623502
1862
tendo em conta a rapidez destas coisas.
10:25
So computers can also write.
208
625364
3049
Os computadores também conseguem escrever.
10:28
So we put all this together and it leads to very exciting opportunities.
209
628413
3475
Juntamos tudo isto e obtemos oportunidades muito excitantes.
10:31
For example, in medicine,
210
631888
1492
Por exemplo, na medicina,
10:33
a team in Boston announced that they had discovered
211
633380
2525
uma equipa de Boston anunciou que descobriu
10:35
dozens of new clinically relevant features
212
635905
2949
dúzias de novas características de tumores, clinicamente relevantes,
10:38
of tumors which help doctors make a prognosis of a cancer.
213
638854
4266
que ajudam os médicos a fazer prognósticos em relação a um cancro.
10:44
Very similarly, in Stanford,
214
644220
2296
De igual modo, em Stanford,
10:46
a group there announced that, looking at tissues under magnification,
215
646516
3663
um grupo anunciou que, observando tecidos ampliados,
desenvolveu um sistema baseado na aprendizagem automática
10:50
they've developed a machine learning-based system
216
650179
2381
10:52
which in fact is better than human pathologists
217
652560
2582
que supera os patologistas humanos
10:55
at predicting survival rates for cancer sufferers.
218
655142
4377
na previsão de taxas de sobrevivência de pacientes de cancro.
10:59
In both of these cases, not only were the predictions more accurate,
219
659519
3245
Em ambos os casos, as previsões foram mais precisas,
11:02
but they generated new insightful science.
220
662764
2502
e também geraram novas perspetivas científicas.
11:05
In the radiology case,
221
665276
1505
No caso da radiologia,
11:06
they were new clinical indicators that humans can understand.
222
666781
3095
revelaram-se novos indicadores clínicos que os humanos podem perceber.
11:09
In this pathology case,
223
669876
1792
Neste caso da patologia,
11:11
the computer system actually discovered that the cells around the cancer
224
671668
4500
o sistema computacional descobriu que as células em torno do cancro
11:16
are as important as the cancer cells themselves
225
676168
3340
são tão importantes quanto as próprias células cancerígenas
11:19
in making a diagnosis.
226
679508
1752
na realização de um diagnóstico.
11:21
This is the opposite of what pathologists had been taught for decades.
227
681260
5361
Isto é o contrário do que os patologistas têm aprendido ao longo de décadas.
11:26
In each of those two cases, they were systems developed
228
686621
3292
Em ambos os casos, estes sistemas foram desenvolvidos
11:29
by a combination of medical experts and machine learning experts,
229
689913
3621
por especialistas médicos e de aprendizagem automática.
11:33
but as of last year, we're now beyond that too.
230
693534
2741
No último ano, fomos também além disso.
11:36
This is an example of identifying cancerous areas
231
696275
3549
Isto é um exemplo de identificação de áreas cancerígenas,
11:39
of human tissue under a microscope.
232
699824
2530
em tecido humano, ao microscópio.
11:42
The system being shown here can identify those areas more accurately,
233
702354
4613
O sistema aqui apresentado consegue identificar essas áreas
11:46
or about as accurately, as human pathologists,
234
706967
2775
de forma mais precisa, ou tão precisa quanto os patologistas humanos,
11:49
but was built entirely with deep learning using no medical expertise
235
709742
3392
mas foi construído com aprendizagem profunda, sem conhecimentos médicos,
11:53
by people who have no background in the field.
236
713134
2526
por pessoas sem formação na área.
11:56
Similarly, here, this neuron segmentation.
237
716730
2555
De modo semelhante, nesta segmentação neuronal.
11:59
We can now segment neurons about as accurately as humans can,
238
719285
3668
Podemos agora segmentar neurónios de forma tão precisa quanto um humano,
12:02
but this system was developed with deep learning
239
722953
2717
mas este sistema foi desenvolvido com aprendizagem profunda
12:05
using people with no previous background in medicine.
240
725670
3251
com pessoas sem formação prévia em medicina.
12:08
So myself, as somebody with no previous background in medicine,
241
728921
3227
Eu próprio, sendo alguém sem formação prévia em medicina
12:12
I seem to be entirely well qualified to start a new medical company,
242
732148
3727
sou perfeitamente qualificado para abrir uma nova empresa médica,
12:15
which I did.
243
735875
2146
Foi o que fiz.
12:18
I was kind of terrified of doing it,
244
738021
1740
Estava aterrorizado em relação a isso
12:19
but the theory seemed to suggest that it ought to be possible
245
739761
2889
mas a teoria sugeria ser possível
12:22
to do very useful medicine using just these data analytic techniques.
246
742650
5492
fazer medicina muito útil usando apenas estas técnicas de análise de dados.
12:28
And thankfully, the feedback has been fantastic,
247
748142
2480
Felizmente, a resposta tem sido fantástica.
12:30
not just from the media but from the medical community,
248
750622
2356
Não apenas dos "media", mas também da comunidade médica,
12:32
who have been very supportive.
249
752978
2344
que tem dado muito apoio.
12:35
The theory is that we can take the middle part of the medical process
250
755322
4149
A teoria é que podemos considerar a fase intermédia do processo médico
12:39
and turn that into data analysis as much as possible,
251
759471
2893
e transformá-la em análise de dados, tanto quanto possível,
12:42
leaving doctors to do what they're best at.
252
762364
3065
deixando os médicos fazer aquilo em que são bons.
12:45
I want to give you an example.
253
765429
1602
Quero dar-vos um exemplo.
12:47
It now takes us about 15 minutes to generate a new medical diagnostic test
254
767031
4944
Bastam 15 minutos para gerar um novo teste diagnóstico médico.
12:51
and I'll show you that in real time now,
255
771975
1954
Vou mostrar-vos agora em tempo real,
12:53
but I've compressed it down to three minutes by cutting some pieces out.
256
773929
3487
mas comprimi para três minutos, cortando algumas partes.
12:57
Rather than showing you creating a medical diagnostic test,
257
777416
3061
Em vez de vos mostrar a criação de um novo teste diagnóstico médico,
13:00
I'm going to show you a diagnostic test of car images,
258
780477
3369
vou mostrar-vos um teste diagnóstico de imagens de carros,
13:03
because that's something we can all understand.
259
783846
2222
porque é algo fácil de perceber.
13:06
So here we're starting with about 1.5 million car images,
260
786068
3201
Começamos com cerca de 1,5 milhões de imagens de carros.
13:09
and I want to create something that can split them into the angle
261
789269
3206
Quero criar algo que consiga dividi-las
13:12
of the photo that's being taken.
262
792475
2223
segundo o ângulo em que a foto foi tirada.
13:14
So these images are entirely unlabeled, so I have to start from scratch.
263
794698
3888
Estas imagens não estão catalogadas, tenho de começar do zero.
13:18
With our deep learning algorithm,
264
798586
1865
Com o nosso algoritmo,
13:20
it can automatically identify areas of structure in these images.
265
800451
3707
podem identificar-se automaticamente áreas de estruturas nestas imagens.
13:24
So the nice thing is that the human and the computer can now work together.
266
804158
3620
O interessante é o homem e o computador poderem agora trabalhar em conjunto.
13:27
So the human, as you can see here,
267
807778
2178
O humano, como podem ver aqui,
13:29
is telling the computer about areas of interest
268
809956
2675
está a dizer ao computador quais as áreas de interesse
13:32
which it wants the computer then to try and use to improve its algorithm.
269
812631
4650
que quer que o computador use para melhorar o seu algoritmo.
13:37
Now, these deep learning systems actually are in 16,000-dimensional space,
270
817281
4296
Estes sistemas de aprendizagem profunda estão em espaços de dimensão 16 000.
13:41
so you can see here the computer rotating this through that space,
271
821577
3432
Podem ver aqui o computador a rodar isto através desse espaço,
tentando encontrar novas áreas de estrutura.
13:45
trying to find new areas of structure.
272
825009
1992
13:47
And when it does so successfully,
273
827001
1781
Quando consegue fazê-lo com sucesso,
13:48
the human who is driving it can then point out the areas that are interesting.
274
828782
4004
o humano que está a comandá-lo pode indicar áreas de interesse.
13:52
So here, the computer has successfully found areas,
275
832786
2422
Aqui o computador encontrou áreas, com sucesso.
13:55
for example, angles.
276
835208
2562
Ângulos, por exemplo.
13:57
So as we go through this process,
277
837770
1606
Ao longo deste processo,
13:59
we're gradually telling the computer more and more
278
839376
2340
vamos dizendo mais coisas ao computador
14:01
about the kinds of structures we're looking for.
279
841716
2428
sobre o tipo de estruturas que procuramos.
14:04
You can imagine in a diagnostic test
280
844144
1772
Podem imaginar que, num diagnóstico, isto seria o patologista a identificar
14:05
this would be a pathologist identifying areas of pathosis, for example,
281
845916
3350
áreas patológicas, por exemplo.
14:09
or a radiologist indicating potentially troublesome nodules.
282
849266
5026
Ou o radiologista a indicar nódulos potencialmente problemáticos.
14:14
And sometimes it can be difficult for the algorithm.
283
854292
2559
Por vezes pode ser difícil, para o algoritmo.
14:16
In this case, it got kind of confused.
284
856851
1964
Neste caso, ficou algo confuso.
14:18
The fronts and the backs of the cars are all mixed up.
285
858815
2550
As frentes e as traseiras dos carros estão todas misturadas.
14:21
So here we have to be a bit more careful,
286
861365
2072
Aqui temos que ser um pouco mais cuidadosos,
14:23
manually selecting these fronts as opposed to the backs,
287
863437
3232
selecionado manualmente estas frentes por oposição às traseiras,
14:26
then telling the computer that this is a type of group
288
866669
5506
dizendo depois ao computador que isto é o tipo de grupo
14:32
that we're interested in.
289
872175
1348
em que estamos interessados.
14:33
So we do that for a while, we skip over a little bit,
290
873523
2677
Fazemos isto durante algum tempo, avançamos um pouco,
14:36
and then we train the machine learning algorithm
291
876200
2246
e depois treinamos o algoritmo de aprendizagem automática,
14:38
based on these couple of hundred things,
292
878446
1974
baseados nestas centenas de coisas,
14:40
and we hope that it's gotten a lot better.
293
880420
2025
e esperamos que fique bastante melhor.
14:42
You can see, it's now started to fade some of these pictures out,
294
882445
3073
Podem ver que algumas imagens estão a começar a desvanecer,
14:45
showing us that it already is recognizing how to understand some of these itself.
295
885518
4708
mostrando-nos que já está a descobrir como perceber algumas destas sozinho.
14:50
We can then use this concept of similar images,
296
890226
2902
Podemos, então, usar o conceito de imagens semelhantes.
14:53
and using similar images, you can now see,
297
893128
2094
Usando imagens semelhantes, podemos ver que o computador
14:55
the computer at this point is able to entirely find just the fronts of cars.
298
895222
4019
é capaz, neste ponto, de identificar apenas as frentes dos carros.
14:59
So at this point, the human can tell the computer,
299
899241
2948
Neste ponto, o humano pode dizer ao computador:
15:02
okay, yes, you've done a good job of that.
300
902189
2293
"Fizeste aqui um bom trabalho!"
15:05
Sometimes, of course, even at this point
301
905652
2185
Por vezes, claro, mesmo neste ponto,
15:07
it's still difficult to separate out groups.
302
907837
3674
ainda é difícil distinguir os grupos.
15:11
In this case, even after we let the computer try to rotate this for a while,
303
911511
3884
Neste caso, mesmo depois de deixarmos o computador rodar isto durante algum tempo,
15:15
we still find that the left sides and the right sides pictures
304
915399
3345
ainda vemos que as imagens dos lados esquerdo e direito
15:18
are all mixed up together.
305
918744
1478
estão todas misturadas.
15:20
So we can again give the computer some hints,
306
920222
2140
Podemos dar, de novo, algumas pistas ao computador.
15:22
and we say, okay, try and find a projection that separates out
307
922362
2976
Dizemos: "Tenta descobrir uma projeção que separe,
15:25
the left sides and the right sides as much as possible
308
925338
2607
"o lado esquerdo do direito, o mais possível,
15:27
using this deep learning algorithm.
309
927945
2122
"usando este algoritmo de aprendizagem profunda."
15:30
And giving it that hint -- ah, okay, it's been successful.
310
930067
2942
Dando-lhe esta pista, ele tem sucesso.
15:33
It's managed to find a way of thinking about these objects
311
933009
2882
Conseguiu descobrir um modo de pensar neste objetos
15:35
that's separated out these together.
312
935891
2380
que permitiu separá-los.
15:38
So you get the idea here.
313
938271
2438
Percebem a ideia.
15:40
This is a case not where the human is being replaced by a computer,
314
940709
8197
Neste caso, o humano não está a ser substituído pelo computador.
15:48
but where they're working together.
315
948906
2640
Estão a trabalhar em conjunto.
15:51
What we're doing here is we're replacing something that used to take a team
316
951546
3550
O que estamos a fazer é substituir algo que exigia uma equipa
de cinco ou seis pessoas, durante sete anos,
15:55
of five or six people about seven years
317
955096
2002
15:57
and replacing it with something that takes 15 minutes
318
957098
2605
por algo que demora 15 minutos,
15:59
for one person acting alone.
319
959703
2505
com uma pessoa a trabalhar sozinha.
16:02
So this process takes about four or five iterations.
320
962208
3950
Este processo demora quatro ou cinco iterações.
16:06
You can see we now have 62 percent
321
966158
1859
Podem ver que temos agora 62%
16:08
of our 1.5 million images classified correctly.
322
968017
2959
dos nossos 1,5 milhões de imagens, classificadas corretamente.
16:10
And at this point, we can start to quite quickly
323
970976
2472
Neste ponto, podemos começar rapidamente
16:13
grab whole big sections,
324
973448
1297
a trabalhar grandes secções,
16:14
check through them to make sure that there's no mistakes.
325
974745
2919
e a verificar se não há erros.
16:17
Where there are mistakes, we can let the computer know about them.
326
977664
3952
Se houver erros, podemos fazer com que o computador o saiba.
16:21
And using this kind of process for each of the different groups,
327
981616
3045
Usando este processo, para cada um dos diferentes grupos,
16:24
we are now up to an 80 percent success rate
328
984661
2487
temos agora uma taxa de sucesso de 80%,
16:27
in classifying the 1.5 million images.
329
987148
2415
na classificação de 1,5 milhões de imagens.
16:29
And at this point, it's just a case
330
989563
2078
Neste ponto, trata-se de descobrir
16:31
of finding the small number that aren't classified correctly,
331
991641
3579
as poucas que não estão classificadas corretamente,
16:35
and trying to understand why.
332
995220
2888
e tentar perceber porquê.
16:38
And using that approach,
333
998108
1743
Utilizando esta abordagem
16:39
by 15 minutes we get to 97 percent classification rates.
334
999851
4121
conseguimos uma taxa de classificação de 97% em 15 minutos.
16:43
So this kind of technique could allow us to fix a major problem,
335
1003972
4600
Esta técnica pode permitir-nos resolver um grande problema
16:48
which is that there's a lack of medical expertise in the world.
336
1008578
3036
que é a falta de especialistas médicos no mundo.
16:51
The World Economic Forum says that there's between a 10x and a 20x
337
1011614
3489
O Fórum Económico Mundial refere que há 10 a 20 vezes menos médicos
16:55
shortage of physicians in the developing world,
338
1015103
2624
do que o necessário, nos países em desenvolvimento.
16:57
and it would take about 300 years
339
1017727
2113
E que serão necessários 300 anos
16:59
to train enough people to fix that problem.
340
1019840
2894
para formar as pessoas necessárias para resolver o problema.
17:02
So imagine if we can help enhance their efficiency
341
1022734
2885
Imaginem que podemos ajudar a melhorar a sua eficiência
17:05
using these deep learning approaches?
342
1025619
2839
usando esta abordagem de aprendizagem profunda.
17:08
So I'm very excited about the opportunities.
343
1028458
2232
Estou muito entusiasmado com as oportunidades,
17:10
I'm also concerned about the problems.
344
1030690
2589
mas também estou preocupado em relação aos problemas.
17:13
The problem here is that every area in blue on this map
345
1033279
3124
O problema é que as áreas a azul, neste mapa,
17:16
is somewhere where services are over 80 percent of employment.
346
1036403
3769
são locais onde os serviços representam mais de 80% dos empregos.
17:20
What are services?
347
1040172
1787
O que são os serviços?
17:21
These are services.
348
1041959
1514
Isto são serviços.
17:23
These are also the exact things that computers have just learned how to do.
349
1043473
4154
São também as coisas que os computadores aprenderam a fazer.
17:27
So 80 percent of the world's employment in the developed world
350
1047627
3804
80% dos postos de trabalho, no mundo desenvolvido,
17:31
is stuff that computers have just learned how to do.
351
1051431
2532
são coisas que os computadores aprenderam a fazer.
17:33
What does that mean?
352
1053963
1440
O que significa isto?
17:35
Well, it'll be fine. They'll be replaced by other jobs.
353
1055403
2583
Não há problema. Serão substituídos por outros empregos.
17:37
For example, there will be more jobs for data scientists.
354
1057986
2707
Por exemplo, haverá mais empregos para especialistas em dados.
17:40
Well, not really.
355
1060693
817
Bem, não exatamente.
17:41
It doesn't take data scientists very long to build these things.
356
1061510
3118
Os especialistas não demoram muito tempo a construir estas coisas.
17:44
For example, these four algorithms were all built by the same guy.
357
1064628
3252
Estes quatro algoritmos foram desenvolvidos pela mesma pessoa.
17:47
So if you think, oh, it's all happened before,
358
1067880
2438
Se pensarmos bem, isto já aconteceu antes.
17:50
we've seen the results in the past of when new things come along
359
1070318
3808
Já vimos, no passado, o resultado de surgirem coisas novas
17:54
and they get replaced by new jobs,
360
1074126
2252
que são substituídas por novos empregos.
17:56
what are these new jobs going to be?
361
1076378
2116
O que serão estes novos empregos?
17:58
It's very hard for us to estimate this,
362
1078494
1871
É muito difícil fazermos previsões,
18:00
because human performance grows at this gradual rate,
363
1080365
2739
porque o desempenho humano cresce a um ritmo gradual,
18:03
but we now have a system, deep learning,
364
1083104
2562
mas temos agora um sistema de aprendizagem profunda,
18:05
that we know actually grows in capability exponentially.
365
1085666
3227
cuja capacidade cresce exponencialmente.
18:08
And we're here.
366
1088893
1605
Estamos neste ponto.
18:10
So currently, we see the things around us
367
1090498
2061
Atualmente, vemos as coisas à nossa volta e pensamos:
18:12
and we say, "Oh, computers are still pretty dumb." Right?
368
1092559
2676
"Os computadores ainda são muito burros."
18:15
But in five years' time, computers will be off this chart.
369
1095235
3429
Mas em cinco anos os computadores estarão fora deste gráfico.
18:18
So we need to be starting to think about this capability right now.
370
1098664
3865
Temos que começar já a pensar nesta capacidade.
18:22
We have seen this once before, of course.
371
1102529
2050
É claro que já vimos isto.
18:24
In the Industrial Revolution,
372
1104579
1387
Na Revolução Industrial,
18:25
we saw a step change in capability thanks to engines.
373
1105966
2851
vimos uma grande avanço na capacidade, graças às máquinas.
18:29
The thing is, though, that after a while, things flattened out.
374
1109667
3138
A questão é que, passado algum tempo, as coisas estabilizaram.
18:32
There was social disruption,
375
1112805
1702
Houve ruturas sociais.
18:34
but once engines were used to generate power in all the situations,
376
1114507
3439
Mas quando as máquinas foram usadas para gerar poder em todas as situações,
18:37
things really settled down.
377
1117946
2354
as coisas acalmaram.
18:40
The Machine Learning Revolution
378
1120300
1473
A Revolução da Aprendizagem Automática será muito diferente
18:41
is going to be very different from the Industrial Revolution,
379
1121773
2909
18:44
because the Machine Learning Revolution, it never settles down.
380
1124682
2950
porque a Revolução da Aprendizagem Automática nunca estabilizará.
18:47
The better computers get at intellectual activities,
381
1127632
2982
Quanto melhores forem os computadores em atividades intelectuais,
18:50
the more they can build better computers to be better at intellectual capabilities,
382
1130614
4248
melhores computadores se construirão, com mais capacidades intelectuais.
18:54
so this is going to be a kind of change
383
1134862
1908
Isto será um tipo de mudança
18:56
that the world has actually never experienced before,
384
1136770
2478
que o mundo nunca presenciou antes.
18:59
so your previous understanding of what's possible is different.
385
1139248
3306
A nossa perceção do que é possível é diferente.
19:02
This is already impacting us.
386
1142974
1780
Isto já está a afetar-nos.
19:04
In the last 25 years, as capital productivity has increased,
387
1144754
3630
Nos últimos 25 anos, à medida que a produtividade do capital aumentou,
19:08
labor productivity has been flat, in fact even a little bit down.
388
1148400
4188
a produtividade laboral manteve-se, na verdade até desceu um pouco.
19:13
So I want us to start having this discussion now.
389
1153408
2741
Quero que tenhamos esta discussão agora.
19:16
I know that when I often tell people about this situation,
390
1156149
3027
Sei que, quando falo disto às pessoas,
19:19
people can be quite dismissive.
391
1159176
1490
elas mostram algum desdém.
19:20
Well, computers can't really think,
392
1160666
1673
"Os computadores não conseguem pensar."
19:22
they don't emote, they don't understand poetry,
393
1162339
3028
"Eles não se emocionam, nem percebem poesia."
19:25
we don't really understand how they work.
394
1165367
2521
"Não percebemos, na verdade, como funcionam."
19:27
So what?
395
1167888
1486
E depois?
19:29
Computers right now can do the things
396
1169374
1804
Os computadores conseguem fazer as coisas
19:31
that humans spend most of their time being paid to do,
397
1171178
2719
que os humanos são pagos para fazer, na maior parte do seu tempo.
19:33
so now's the time to start thinking
398
1173897
1731
Este é o tempo para começar a pensar
19:35
about how we're going to adjust our social structures and economic structures
399
1175628
4387
como vamos ajustar as nossas estruturas sociais e económicas
19:40
to be aware of this new reality.
400
1180015
1840
para fazer face a esta nova realidade.
19:41
Thank you.
401
1181855
1533
Obrigado.
19:43
(Applause)
402
1183388
802
(Aplausos)
Sobre este site

Este sítio irá apresentar-lhe vídeos do YouTube que são úteis para a aprendizagem do inglês. Verá lições de inglês ensinadas por professores de primeira linha de todo o mundo. Faça duplo clique nas legendas em inglês apresentadas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas deslocam-se em sincronia com a reprodução do vídeo. Se tiver quaisquer comentários ou pedidos, por favor contacte-nos utilizando este formulário de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7