ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives.

Why you should listen

Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."

Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.

More profile about the speaker
Jeremy Howard | Speaker | TED.com
TEDxBrussels

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

Jeremy Howard: As maravilhosas e aterradoras implicações de computadores que conseguem aprender

Filmed:
2,532,971 views

O que sucede quando ensinamos um computador a aprender? O tecnólogo Jeremy Howard partilha alguns desenvolvimentos novos e surpreendentes, na área em rápida evolução da aprendizagem profunda, uma técnica que pode dar aos computadores a capacidade de aprender chinês, ou de reconhecer objetos em fotos, ou de ajudar a reflexão num diagnóstico médico. (Uma ferramenta de aprendizagem profunda, após horas a ver o Youtube, ensinou a si própria o conceito de "gatos"). Deixem-se envolver numa área que mudará o comportamento dos computadores à vossa volta... mas cedo do que provavelmente pensam.
- Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio

Double-click the English transcript below to play the video.

00:12
It used to be that if you wanted
to get a computercomputador to do something newNovo,
0
880
4013
Era habitual, quando queríamos
que um computador fizesse algo novo,
00:16
you would have to programprograma it.
1
4893
1554
termos que o programar.
00:18
Now, programmingprogramação, for those of you here
that haven'tnão tem donefeito it yourselfvocê mesmo,
2
6447
3411
Para aqueles que nunca programaram,
00:21
requiresexige layingque fixa out in excruciatingexcruciante detaildetalhe
3
9858
3502
a programação requer especificar
com enorme detalhe,
00:25
everycada singlesolteiro stepdegrau that you want
the computercomputador to do
4
13360
3367
todos os passos que queremos
que o computador execute
00:28
in orderordem to achievealcançar your goalobjetivo.
5
16727
2362
para alcançarmos o nosso objetivo.
00:31
Now, if you want to do something
that you don't know how to do yourselfvocê mesmo,
6
19089
3496
Se queremos fazer algo que não
sabemos fazer nós próprios,
00:34
then this is going
to be a great challengedesafio.
7
22585
2063
será um grande desafio.
00:36
So this was the challengedesafio facedenfrentou
by this man, ArthurArthur SamuelSamuel.
8
24648
3483
Este foi o desafio enfrentado
por este homem, Arthur Samuel.
00:40
In 1956, he wanted to get this computercomputador
9
28131
4077
Em 1965, ele queria que um computador
00:44
to be ablecapaz to beatbatida him at checkersjogo de damas.
10
32208
2340
o vencesse nas damas.
00:46
How can you writeEscreva a programprograma,
11
34548
2040
Como podemos escrever um programa,
00:48
laydeitar out in excruciatingexcruciante detaildetalhe,
how to be better than you at checkersjogo de damas?
12
36588
3806
com grande detalhe, que seja melhor
do que nós nas damas?
00:52
So he cameveio up with an ideaidéia:
13
40394
1722
Ele teve uma ideia:
00:54
he had the computercomputador playToque
againstcontra itselfem si thousandsmilhares of timesvezes
14
42116
3724
pôs o computador a jogar contra
si próprio, milhares de vezes,
00:57
and learnaprender how to playToque checkersjogo de damas.
15
45840
2524
para aprender a jogar damas.
01:00
And indeedde fato it workedtrabalhou,
and in factfacto, by 1962,
16
48364
3180
Funcionou e, em 1962,
01:03
this computercomputador had beatenespancado
the ConnecticutConnecticut stateEstado championcampeão.
17
51544
4017
o computador venceu o campeão
do estado do Connecticut.
01:07
So ArthurArthur SamuelSamuel was
the fatherpai of machinemáquina learningAprendendo,
18
55561
2973
Arthur Samuel foi, assim, o pai
da aprendizagem automática
e tenho uma grande dívida para com ele,
01:10
and I have a great debtdívida to him,
19
58534
1717
01:12
because I am a machinemáquina
learningAprendendo practitionerpraticante.
20
60251
2763
porque sou um profissional
da aprendizagem automática.
01:15
I was the presidentPresidente of KaggleKaggle,
21
63014
1465
Fui o presidente da Kaggle,
01:16
a communitycomunidade of over 200,000
machinemáquina learningAprendendo practictionerspractictioners.
22
64479
3388
uma comunidade de cerca de 200 000
profissionais da aprendizagem automática.
01:19
KaggleKaggle putscoloca up competitionscompetições
23
67867
2058
A Kaggle estabelece competições,
01:21
to try and get them to solveresolver
previouslyanteriormente unsolvednão resolvidos problemsproblemas,
24
69925
3708
em que se tenta resolver problemas
ainda não resolvidos,
01:25
and it's been successfulbem sucedido
hundredscentenas of timesvezes.
25
73633
3837
e teve sucesso centenas de vezes.
01:29
So from this vantageVantage pointponto,
I was ablecapaz to find out
26
77470
2470
Desta posição vantajosa
pude descobrir muito
01:31
a lot about what machinemáquina learningAprendendo
can do in the pastpassado, can do todayhoje,
27
79940
3950
sobre o que a aprendizagem automática
pode fazer no passado, no presente
01:35
and what it could do in the futurefuturo.
28
83890
2362
e o que poderá fazer no futuro.
01:38
PerhapsTalvez the first biggrande successsucesso of
machinemáquina learningAprendendo commerciallycomercialmente was GoogleGoogle.
29
86252
4423
O primeiro grande sucesso comercial da
aprendizagem automática foi a Google.
01:42
GoogleGoogle showedmostrou that it is
possiblepossível to find informationem formação
30
90675
3109
A Google mostrou que é possível
encontrar informação
01:45
by usingusando a computercomputador algorithmalgoritmo de,
31
93784
1752
usando o algoritmo de um computador,
01:47
and this algorithmalgoritmo de is basedSediada
on machinemáquina learningAprendendo.
32
95536
2901
e este algoritmo é baseado
em aprendizagem automática.
01:50
SinceDesde that time, there have been manymuitos
commercialcomercial successessucessos of machinemáquina learningAprendendo.
33
98437
3886
Desde então, houve muitos sucessos
comerciais da aprendizagem automática.
01:54
CompaniesEmpresas like AmazonAmazônia and NetflixNetflix
34
102323
1837
Empresas como a Amazon e a Netflix
01:56
use machinemáquina learningAprendendo to suggestsugerir
productsprodutos that you mightpoderia like to buyComprar,
35
104160
3716
usam a aprendizagem automática para
sugerir produtos que talvez compremos,
01:59
moviesfilmes that you mightpoderia like to watch.
36
107876
2020
filmes que talvez gostemos de ver.
02:01
SometimesÀs vezes, it's almostquase creepyassustador.
37
109896
1807
Por vezes, é quase assustador.
02:03
CompaniesEmpresas like LinkedInLinkedIn and FacebookFacebook
38
111703
1954
Empresas como o LinkedIn e o Facebook
02:05
sometimesas vezes will tell you about
who your friendsamigos mightpoderia be
39
113657
2594
por vezes dizem-nos quem poderão
ser os nossos amigos
02:08
and you have no ideaidéia how it did it,
40
116251
1977
e não temos ideia de como
elas fizeram isso,
02:10
and this is because it's usingusando
the powerpoder of machinemáquina learningAprendendo.
41
118228
2967
porque estão a usar o poder
da aprendizagem automática.
02:13
These are algorithmsalgoritmos that have
learnedaprendido how to do this from datadados
42
121195
2957
Estes algoritmos aprenderam a fazer
isto a partir de dados
02:16
ratherem vez than beingser programmedprogramado by handmão.
43
124152
3247
em vez de serem programados à mão.
02:19
This is alsoAlém disso how IBMIBM was successfulbem sucedido
44
127399
2478
Esta foi também a razão do sucesso da IBM
02:21
in gettingobtendo WatsonWatson to beatbatida
the two worldmundo championsCampeões at "JeopardyPerigo,"
45
129877
3862
ao conseguir que o Watson ganhasse
a dois campeões mundiais no "Jeopardy",
02:25
answeringrespondendo incrediblyincrivelmente subtlesutil
and complexcomplexo questionsquestões like this one.
46
133739
3225
respondendo a questões incrivelmente
subtis e complexas.
02:28
["The ancientantigo 'Lion' Leão of Nimrud'Nimrud' wentfoi missingausência de
from this city'scidade nationalnacional museummuseu in 2003
(alongao longo with a lot of other stuffcoisa)"]
47
136964
2835
02:31
This is alsoAlém disso why we are now ablecapaz
to see the first self-drivingauto-condução carscarros.
48
139799
3235
Esta é também a razão de podermos ver
os primeiros carros autónomos.
02:35
If you want to be ablecapaz to tell
the differencediferença betweenentre, say,
49
143034
2822
É bastante importante podermos distinguir
02:37
a treeárvore and a pedestrianpedestre,
well, that's prettybonita importantimportante.
50
145856
2632
uma árvore de um peão.
02:40
We don't know how to writeEscreva
those programsprogramas by handmão,
51
148488
2587
Não sabemos como escrever
esses programas à mão,
02:43
but with machinemáquina learningAprendendo,
this is now possiblepossível.
52
151075
2997
mas isso é agora possível
com a aprendizagem automática.
02:46
And in factfacto, this carcarro has drivendirigido
over a millionmilhão milesmilhas
53
154072
2608
Este carro conduziu mais
de um milhão de quilómetros
02:48
withoutsem any accidentsacidentes on regularregular roadsestradas.
54
156680
3506
em estradas normais,
sem qualquer acidente.
02:52
So we now know that computerscomputadores can learnaprender,
55
160196
3914
Sabemos agora que os computadores
conseguem aprender.
02:56
and computerscomputadores can learnaprender to do things
56
164110
1900
Conseguem aprender a fazer coisas
02:58
that we actuallyna realidade sometimesas vezes
don't know how to do ourselvesnós mesmos,
57
166010
2838
que nós, por vezes, não sabemos
fazer sozinhos,
03:00
or maybe can do them better than us.
58
168848
2885
ou fazem-no melhor do que nós.
03:03
One of the mosta maioria amazingsurpreendente examplesexemplos
I've seenvisto of machinemáquina learningAprendendo
59
171733
4195
Um dos exemplos mais fantásticos
da aprendizagem automática que eu vi
03:07
happenedaconteceu on a projectprojeto that I rancorreu at KaggleKaggle
60
175928
2392
surgiu num projeto
que desenvolvi na Kaggle
03:10
where a teamequipe runcorre by a guy
calledchamado GeoffreyGeoffrey HintonHinton
61
178320
3591
em que uma equipa liderada
por um tipo chamado Geoffrey Hinton
03:13
from the UniversityUniversidade of TorontoToronto
62
181911
1552
da Universidade de Toronto,
venceu uma competição
03:15
wonGanhou a competitionconcorrência for
automaticAutomático drugdroga discoverydescoberta.
63
183463
2677
sobre descoberta automática
de medicamentos.
03:18
Now, what was extraordinaryextraordinário here
is not just that they beatbatida
64
186140
2847
O mais extraordinário não foi terem
vencido todos os algoritmos
03:20
all of the algorithmsalgoritmos developeddesenvolvido by MerckMerck
or the internationalinternacional academicacadêmico communitycomunidade,
65
188987
4013
desenvolvidos pela Merck ou pela
comunidade académica internacional,
03:25
but nobodyninguém on the teamequipe had any backgroundfundo
in chemistryquímica or biologybiologia or life sciencesciências,
66
193000
5061
mas ninguém na equipa ter formação
em química, biologia ou ciências naturais
03:30
and they did it in two weekssemanas.
67
198061
2169
e fizeram-no em duas semanas.
03:32
How did they do this?
68
200230
1381
Como fizeram isto?
03:34
They used an extraordinaryextraordinário algorithmalgoritmo de
calledchamado deepprofundo learningAprendendo.
69
202421
2921
Usaram um algoritmo extraordinário
chamado aprendizagem profunda.
03:37
So importantimportante was this that in factfacto
the successsucesso was coveredcoberto
70
205342
2949
Isso foi tão importante que saiu
num artigo na primeira página
03:40
in The NewNovo YorkYork TimesVezes in a frontfrente pagepágina
articleartigo a fewpoucos weekssemanas latermais tarde.
71
208291
3121
no New York Times, algumas semanas depois.
03:43
This is GeoffreyGeoffrey HintonHinton
here on the left-handmão esquerda sidelado.
72
211412
2735
Este do lado esquerdo
é o Geoffrey Hinton.
03:46
DeepProfundo learningAprendendo is an algorithmalgoritmo de
inspiredinspirado by how the humanhumano braincérebro workstrabalho,
73
214147
4341
A aprendizagem profunda é um algoritmo
inspirado no cérebro humano.
03:50
and as a resultresultado it's an algorithmalgoritmo de
74
218488
1812
e, como resultado, é um algoritmo
03:52
whichqual has no theoreticalteórico limitationslimitações
on what it can do.
75
220300
3841
que não tem limitações teóricas
em relação ao que pode fazer.
03:56
The more datadados you give it and the more
computationcomputação time you give it,
76
224141
2823
Quanto mais dados e tempo
de computação fornecermos
03:58
the better it getsobtém.
77
226964
1312
melhor ele fica.
04:00
The NewNovo YorkYork TimesVezes alsoAlém disso
showedmostrou in this articleartigo
78
228276
2339
O New York Times também
mostrou, nesse artigo,
outro resultado extraordinário
da aprendizagem profunda
04:02
anotheroutro extraordinaryextraordinário
resultresultado of deepprofundo learningAprendendo
79
230615
2242
04:04
whichqual I'm going to showexposição you now.
80
232857
2712
que vou agora mostrar-vos.
04:07
It showsmostra that computerscomputadores
can listen and understandCompreendo.
81
235569
4941
Mostra que os computadores
conseguem ouvir e compreender
04:12
(VideoVídeo) RichardRichard RashidRashid: Now, the last stepdegrau
82
240510
2711
(Vídeo) Richard Rashid: O último passo
04:15
that I want to be ablecapaz
to take in this processprocesso
83
243221
3025
que quero poder dar neste processo
04:18
is to actuallyna realidade speakfalar to you in ChineseChinês.
84
246246
4715
é falar-vos em chinês.
04:22
Now the keychave thing there is,
85
250961
2635
O segredo para isso
04:25
we'venós temos been ablecapaz to take a largeampla amountmontante
of informationem formação from manymuitos ChineseChinês speakerscaixas de som
86
253596
5002
é que conseguimos reunir muita
informação de oradores chineses
04:30
and produceproduzir a text-to-speechtexto em fala systemsistema
87
258598
2530
e produzir um sistema texto-fala
04:33
that takes ChineseChinês texttexto
and convertsConverte it into ChineseChinês languagelíngua,
88
261128
4673
que converte texto em chinês
para a língua chinesa.
04:37
and then we'venós temos takenocupado
an hourhora or so of my ownpróprio voicevoz
89
265801
4128
Depois usámos cerca de uma hora
da minha própria voz
04:41
and we'venós temos used that to modulatemodular
90
269929
1891
para modular o sistema texto-fala padrão
04:43
the standardpadrão text-to-speechtexto em fala systemsistema
so that it would soundsom like me.
91
271820
4544
para que falasse como eu.
04:48
Again, the result'sdo resultado not perfectperfeito.
92
276364
2540
O resultado não é perfeito.
04:50
There are in factfacto quitebastante a fewpoucos errorserros.
93
278904
2648
Há ainda alguns erros.
04:53
(In ChineseChinês)
94
281552
2484
(Em chinês)
04:56
(ApplauseAplausos)
95
284036
3367
(Aplausos)
05:01
There's much work to be donefeito in this areaárea.
96
289446
3576
Há muito trabalho a fazer nesta área.
05:05
(In ChineseChinês)
97
293022
3645
(Em chinês)
05:08
(ApplauseAplausos)
98
296667
3433
(Aplausos)
05:13
JeremyJeremy HowardHoward: Well, that was at
a machinemáquina learningAprendendo conferenceconferência in ChinaChina.
99
301345
3399
Isto foi numa conferência sobre
aprendizagem automática na China.
05:16
It's not oftenfrequentemente, actuallyna realidade,
at academicacadêmico conferencesconferências
100
304744
2370
Não é frequente ouvir,
em conferências académicas,
05:19
that you do hearouvir spontaneousespontâneo applauseaplausos,
101
307114
1897
aplausos espontâneos.
05:21
althoughApesar of coursecurso sometimesas vezes
at TEDxTEDx conferencesconferências, feel freelivre.
102
309011
3676
embora aconteça, por vezes,
em conferências TEDx.
05:24
Everything you saw there
was happeningacontecendo with deepprofundo learningAprendendo.
103
312687
2795
Todo o que vimos foi devido
a aprendizagem profunda.
05:27
(ApplauseAplausos) Thank you.
104
315482
1525
(Aplausos)
Obrigado.
A transcrição para inglês foi feita
com aprendizagem profunda,
05:29
The transcriptiontranscrição in EnglishInglês
was deepprofundo learningAprendendo.
105
317007
2282
05:31
The translationtradução to ChineseChinês and the texttexto
in the toptopo right, deepprofundo learningAprendendo,
106
319289
3412
assim como a tradução para chinês,
no texto em cima, à direita,
05:34
and the constructionconstrução of the voicevoz
was deepprofundo learningAprendendo as well.
107
322701
3307
e a construção da voz.
05:38
So deepprofundo learningAprendendo is
this extraordinaryextraordinário thing.
108
326008
3234
A aprendizagem profunda
é algo extraordinário.
05:41
It's a singlesolteiro algorithmalgoritmo de that
can seemparecem to do almostquase anything,
109
329242
3099
É um único algoritmo que parece
poder fazer quase tudo.
05:44
and I discovereddescobriu that a yearano earliermais cedo,
it had alsoAlém disso learnedaprendido to see.
110
332341
3111
Descobri que, um ano antes, também
tinha aprendido a ver.
05:47
In this obscureobscurecer competitionconcorrência from GermanyAlemanha
111
335452
2176
Nesta competição obscura, na Alemanha,
— Referência Alemã para Reconhecimento
de Sinais de Trânsito —
05:49
calledchamado the GermanAlemão TrafficTráfego SignSinal
RecognitionReconhecimento BenchmarkValor de referência,
112
337628
2597
05:52
deepprofundo learningAprendendo had learnedaprendido
to recognizereconhecer traffictráfego signssinais like this one.
113
340225
3393
a aprendizagem profunda conseguiu
reconhecer sinais de trânsito.
05:55
Not only could it
recognizereconhecer the traffictráfego signssinais
114
343618
2094
Conseguiu reconhecer sinais de trânsito,
melhor do que qualquer outro algoritmo,
05:57
better than any other algorithmalgoritmo de,
115
345712
1758
05:59
the leaderboardtabela de classificação actuallyna realidade showedmostrou
it was better than people,
116
347470
2719
e a avaliação mostrou que era cerca de
duas vezes melhor do que as pessoas.
06:02
about twiceduas vezes as good as people.
117
350189
1852
Por volta de 2011,
tivemos o primeiro exemplo
06:04
So by 2011, we had the first exampleexemplo
118
352041
1996
06:06
of computerscomputadores that can see
better than people.
119
354037
3405
de computadores que conseguem
ver melhor do que as pessoas.
06:09
SinceDesde that time, a lot has happenedaconteceu.
120
357442
2049
Desde então, muito aconteceu.
06:11
In 2012, GoogleGoogle announcedanunciado that
they had a deepprofundo learningAprendendo algorithmalgoritmo de
121
359491
3514
Em 2012, a Google anunciou que tinham
um algoritmo de aprendizagem profunda
06:15
watch YouTubeYouTube videosvídeos
122
363005
1415
a observar vídeos no Youtube
06:16
and crunchedtriturado the datadados
on 16,000 computerscomputadores for a monthmês,
123
364420
3437
e a processar dados de 16 000
computadores por mês,
06:19
and the computercomputador independentlyindependentemente learnedaprendido
about conceptsconceitos suchtal as people and catsgatos
124
367857
4361
O computador conseguiu de forma autónoma
aprender conceitos como pessoas e gatos
06:24
just by watchingassistindo the videosvídeos.
125
372218
1809
apenas observando os vídeos.
06:26
This is much like the way
that humanshumanos learnaprender.
126
374027
2352
Isto é semelhante ao modo
como os humanos aprendem.
06:28
HumansSeres humanos don't learnaprender
by beingser told what they see,
127
376379
2740
Não aprendem dizendo-lhes
o que estão a ver,
06:31
but by learningAprendendo for themselvessi mesmos
what these things are.
128
379119
3331
mas aprendendo por si
o que estas coisas são.
06:34
AlsoTambém in 2012, GeoffreyGeoffrey HintonHinton,
who we saw earliermais cedo,
129
382450
3369
Também em 2012, o Geoffrey Hinton,
que vimos antes,
06:37
wonGanhou the very popularpopular ImageNetImageNet competitionconcorrência,
130
385819
2858
venceu a competição muito
popular ImageNet,
06:40
looking to try to figurefigura out
from one and a halfmetade millionmilhão imagesimagens
131
388677
4141
ao tentar identificar, num conjunto
de 1,5 milhões de imagens,
06:44
what they're picturesAs fotos of.
132
392818
1438
o que elas representavam.
06:46
As of 2014, we're now down
to a sixseis percentpor cento errorerro ratetaxa
133
394256
3533
Em 2014, reduzimos para 6% a taxa de erro
06:49
in imageimagem recognitionreconhecimento.
134
397789
1453
no reconhecimento de imagem.
06:51
This is better than people, again.
135
399242
2026
Isto é melhor do que as
pessoas conseguem fazer.
06:53
So machinesmáquinas really are doing
an extraordinarilyextraordinariamente good jobtrabalho of this,
136
401268
3769
As máquinas estão realmente a fazer
um trabalho extraordinário
06:57
and it is now beingser used in industryindústria.
137
405037
2269
que está agora a ser usado na indústria.
06:59
For exampleexemplo, GoogleGoogle announcedanunciado last yearano
138
407306
3042
Por exemplo, a Google
anunciou, no ano passado,
07:02
that they had mappedmapeado everycada singlesolteiro
locationlocalização in FranceFrança in two hourshoras,
139
410348
4585
que mapearam todos os locais
de França, em duas horas.
07:06
and the way they did it was
that they fedalimentado streetrua viewVisão imagesimagens
140
414933
3447
Processaram imagens de rua com um
algoritmo de aprendizagem profunda,
07:10
into a deepprofundo learningAprendendo algorithmalgoritmo de
to recognizereconhecer and readler streetrua numbersnúmeros.
141
418380
4319
para que reconhecesse
e lesse números de ruas.
07:14
ImagineImagine how long
it would have takenocupado before:
142
422699
2220
Imaginem quanto tempo
isto teria demorado antes:
07:16
dozensdezenas of people, manymuitos yearsanos.
143
424919
3355
dúzias de pessoas, durante muitos anos.
07:20
This is alsoAlém disso happeningacontecendo in ChinaChina.
144
428274
1911
Isto também está a acontecer na China.
07:22
BaiduBaidu is kindtipo of
the ChineseChinês GoogleGoogle, I guessacho,
145
430185
4036
Baidu é uma espécie de
Google chinesa, acho eu.
07:26
and what you see here in the toptopo left
146
434221
2283
O que veem aqui em cima, à esquerda,
é um exemplo de uma imagem
07:28
is an exampleexemplo of a picturecenário that I uploadedcarregado
to Baidu'sBaidu deepprofundo learningAprendendo systemsistema,
147
436504
3974
que transferi para o sistema
de aprendizagem profunda da Baidu.
07:32
and underneathpor baixo you can see that the systemsistema
has understoodEntendido what that picturecenário is
148
440478
3769
Em baixo, podem ver que o sistema
percebeu o que a imagem era
07:36
and foundencontrado similarsemelhante imagesimagens.
149
444247
2236
e encontrou imagens semelhantes.
07:38
The similarsemelhante imagesimagens actuallyna realidade
have similarsemelhante backgroundsfundos,
150
446483
2736
As imagens semelhantes têm,
na verdade, fundos idênticos,
07:41
similarsemelhante directionsinstruções of the facesrostos,
151
449219
1658
direções semelhantes das faces
07:42
even some with theirdeles tonguelíngua out.
152
450877
1788
e algumas até com a língua de fora.
07:44
This is not clearlyclaramente looking
at the texttexto of a webrede pagepágina.
153
452665
3030
Isto não é evidente no texto
de uma página "web".
07:47
All I uploadedcarregado was an imageimagem.
154
455695
1412
Só transferi uma imagem.
07:49
So we now have computerscomputadores whichqual
really understandCompreendo what they see
155
457107
4021
Temos, agora, computadores que
compreendem realmente o que veem
e que podem, por isso, procurar
nas bases de dados
07:53
and can thereforeassim sendo searchpesquisa databasesbancos de dados
156
461128
1624
07:54
of hundredscentenas of millionsmilhões
of imagesimagens in realreal time.
157
462752
3554
de centenas de milhões
de imagens, em tempo real.
07:58
So what does it mean
now that computerscomputadores can see?
158
466306
3230
O que significa realmente os computadores
conseguirem agora ver?
08:01
Well, it's not just
that computerscomputadores can see.
159
469536
2017
Não se trata apenas de conseguirem ver.
De facto, a aprendizagem profunda
tem feito mais do que isso.
08:03
In factfacto, deepprofundo learningAprendendo
has donefeito more than that.
160
471553
2069
08:05
ComplexComplexo, nuancedmatizada sentencesfrases like this one
161
473622
2948
Frases complexas, com nuances, como esta
08:08
are now understandablecompreensível
with deepprofundo learningAprendendo algorithmsalgoritmos.
162
476570
2824
são agora percetíveis, com os algoritmos
de aprendizagem profunda.
08:11
As you can see here,
163
479394
1303
Como podem ver aqui,
08:12
this Stanford-basedBaseado em Stanford systemsistema
showingmostrando the redvermelho dotponto at the toptopo
164
480697
2768
este sistema de Stanford,
com o ponto vermelho no topo,
08:15
has figuredfigurado out that this sentencesentença
is expressingexpressando negativenegativo sentimentsentimento.
165
483465
3919
percebeu que esta frase expressa
um sentimento negativo.
08:19
DeepProfundo learningAprendendo now in factfacto
is nearperto humanhumano performancedesempenho
166
487384
3406
A aprendizagem profunda está agora
próxima do desempenho humano,
08:22
at understandingcompreensão what sentencesfrases are about
and what it is sayingdizendo about those things.
167
490802
5121
na perceção do sentido das frases
e no que diz sobre essas coisas.
08:27
AlsoTambém, deepprofundo learningAprendendo has
been used to readler ChineseChinês,
168
495923
2728
A aprendizagem profunda também
tem sido usada para ler chinês,
08:30
again at about nativenativo
ChineseChinês speakeralto falante levelnível.
169
498651
3156
a um nível próximo de um chinês nativo.
08:33
This algorithmalgoritmo de developeddesenvolvido
out of SwitzerlandSuíça
170
501807
2168
Este algoritmo foi desenvolvido na Suíça
08:35
by people, noneNenhum of whomo qual speakfalar
or understandCompreendo any ChineseChinês.
171
503975
3356
por pessoas que não falam
nem percebem chinês.
08:39
As I say, usingusando deepprofundo learningAprendendo
172
507331
2051
Como disse, a aprendizagem profunda
08:41
is about the bestmelhor systemsistema
in the worldmundo for this,
173
509382
2219
é o melhor sistema do mundo para isto
08:43
even comparedcomparado to nativenativo
humanhumano understandingcompreensão.
174
511601
5117
comparado até com a compreensão
de um ser humano.
08:48
This is a systemsistema that we
put togetherjuntos at my companyempresa
175
516718
2964
Este é um sistema que desenvolvemos
na minha empresa
08:51
whichqual showsmostra puttingcolocando
all this stuffcoisa togetherjuntos.
176
519682
2046
que mostra como juntar tudo isto.
08:53
These are picturesAs fotos whichqual
have no texttexto attachedem anexo,
177
521728
2461
Estas imagens não têm texto associado.
08:56
and as I'm typingdigitando in here sentencesfrases,
178
524189
2352
À medida que vou escrevendo estas frases
08:58
in realreal time it's understandingcompreensão
these picturesAs fotos
179
526541
2969
estas imagens vão sendo
compreendidas em tempo real,
09:01
and figuringfigurando out what they're about
180
529510
1679
percebendo o que significam,
09:03
and findingencontrando picturesAs fotos that are similarsemelhante
to the texttexto that I'm writingescrevendo.
181
531189
3163
e descobrindo imagens de acordo
com o texto que vou escrevendo.
09:06
So you can see, it's actuallyna realidade
understandingcompreensão my sentencesfrases
182
534352
2756
Como podem ver, está de facto
a perceber as minhas frases
09:09
and actuallyna realidade understandingcompreensão these picturesAs fotos.
183
537108
2224
e a perceber estas imagens.
09:11
I know that you've seenvisto
something like this on GoogleGoogle,
184
539332
2559
Sei que viram algo parecido na Google,
09:13
where you can typetipo in things
and it will showexposição you picturesAs fotos,
185
541891
2775
em que podem escrever coisas
e são-vos mostradas imagens.
09:16
but actuallyna realidade what it's doing is it's
searchingprocurando the webpagepágina da Web for the texttexto.
186
544666
3424
Na realidade, o que está a fazer
é pesquisar o vosso texto na "web".
09:20
This is very differentdiferente from actuallyna realidade
understandingcompreensão the imagesimagens.
187
548090
3001
Isso é muito diferente de perceber
realmente as imagens.
09:23
This is something that computerscomputadores
have only been ablecapaz to do
188
551091
2752
Isto é algo que os computadores
só começaram a fazer
09:25
for the first time in the last fewpoucos monthsmeses.
189
553843
3248
há alguns meses, pela primeira vez.
09:29
So we can see now that computerscomputadores
can not only see but they can alsoAlém disso readler,
190
557091
4091
Os computadores conseguem
não apenas ver, mas também ler.
09:33
and, of coursecurso, we'venós temos shownmostrando that they
can understandCompreendo what they hearouvir.
191
561182
3765
Já mostrámos, claro, que conseguem
perceber o que ouvem.
09:36
PerhapsTalvez not surprisingsurpreendente now that
I'm going to tell you they can writeEscreva.
192
564947
3442
Talvez não fiquem surpreendidos
se vos disser que conseguem escrever.
09:40
Here is some texttexto that I generatedgerado
usingusando a deepprofundo learningAprendendo algorithmalgoritmo de yesterdayontem.
193
568389
4783
Aqui está um texto que gerei ontem
com um algoritmo de aprendizagem profunda.
09:45
And here is some texttexto that an algorithmalgoritmo de
out of StanfordStanford generatedgerado.
194
573172
3924
E aqui está um texto gerado
por um algoritmo de Stanford.
09:49
EachCada of these sentencesfrases was generatedgerado
195
577096
1764
Cada uma destas frases foi gerada
09:50
by a deepprofundo learningAprendendo algorithmalgoritmo de
to describedescrever eachcada of those picturesAs fotos.
196
578860
4249
por um algoritmo de aprendizagem profunda
para descrever cada uma destas imagens.
09:55
This algorithmalgoritmo de before has never seenvisto
a man in a blackPreto shirtcamisa playingjogando a guitarguitarra.
197
583109
4472
Este algoritmo nunca tinha visto antes um
homem de T-shirt preta a tocar guitarra.
09:59
It's seenvisto a man before,
it's seenvisto blackPreto before,
198
587581
2220
Já tinha visto um homem e a cor preta.
10:01
it's seenvisto a guitarguitarra before,
199
589801
1599
Já tinha visto uma guitarra.
10:03
but it has independentlyindependentemente generatedgerado
this novelromance descriptiondescrição of this picturecenário.
200
591400
4294
Mas gerou de forma independente
esta nova descrição da imagem.
10:07
We're still not quitebastante at humanhumano
performancedesempenho here, but we're closefechar.
201
595694
3502
Ainda não estamos bem ao nível do
desempenho humano, mas perto.
10:11
In teststestes, humanshumanos preferpreferem
the computer-generatedgerados por computador captionLegenda
202
599196
4068
Em testes, os humanos preferem
a descrição gerada pelo computador,
10:15
one out of fourquatro timesvezes.
203
603264
1527
uma em cada quatro vezes.
10:16
Now this systemsistema is now only two weekssemanas oldvelho,
204
604791
2064
Este sistema tem apenas duas semanas,
por isso, provavelmente, no próximo ano,
10:18
so probablyprovavelmente withindentro the nextPróximo yearano,
205
606855
1846
o algoritmo estará bem à frente
do desempenho humano,
10:20
the computercomputador algorithmalgoritmo de will be
well pastpassado humanhumano performancedesempenho
206
608701
2801
10:23
at the ratetaxa things are going.
207
611502
1862
tendo em conta a rapidez destas coisas.
10:25
So computerscomputadores can alsoAlém disso writeEscreva.
208
613364
3049
Os computadores também conseguem escrever.
10:28
So we put all this togetherjuntos and it leadsconduz
to very excitingemocionante opportunitiesoportunidades.
209
616413
3475
Juntamos tudo isto e obtemos
oportunidades muito excitantes.
Por exemplo, na medicina,
10:31
For exampleexemplo, in medicineremédio,
210
619888
1492
10:33
a teamequipe in BostonBoston announcedanunciado
that they had discovereddescobriu
211
621380
2525
uma equipa de Boston anunciou
que descobriu
10:35
dozensdezenas of newNovo clinicallyclinicamente relevantrelevante featurescaracterísticas
212
623905
2949
dúzias de novas características de
tumores, clinicamente relevantes,
10:38
of tumorstumores whichqual help doctorsmédicos
make a prognosisprognóstico of a cancerCâncer.
213
626854
4266
que ajudam os médicos a fazer
prognósticos em relação a um cancro.
10:44
Very similarlysimilarmente, in StanfordStanford,
214
632220
2296
De igual modo, em Stanford,
10:46
a groupgrupo there announcedanunciado that,
looking at tissuestecidos undersob magnificationampliação,
215
634516
3663
um grupo anunciou que,
observando tecidos ampliados,
desenvolveu um sistema baseado
na aprendizagem automática
10:50
they'veeles têm developeddesenvolvido
a machinemáquina learning-basedbaseada na aprendizagem systemsistema
216
638179
2381
10:52
whichqual in factfacto is better
than humanhumano pathologistspatologistas
217
640560
2582
que supera os patologistas humanos
10:55
at predictingprevendo survivalsobrevivência ratestaxas
for cancerCâncer suffererssofredores.
218
643142
4377
na previsão de taxas de sobrevivência
de pacientes de cancro.
10:59
In bothambos of these casescasos, not only
were the predictionsPrevisões more accuratepreciso,
219
647519
3245
Em ambos os casos,
as previsões foram mais precisas,
e também geraram novas
perspetivas científicas.
11:02
but they generatedgerado newNovo insightfulperspicaz scienceCiência.
220
650764
2502
11:05
In the radiologyRadiologia casecaso,
221
653276
1505
No caso da radiologia,
11:06
they were newNovo clinicalclínico indicatorsindicadores
that humanshumanos can understandCompreendo.
222
654781
3095
revelaram-se novos indicadores clínicos
que os humanos podem perceber.
11:09
In this pathologypatologia casecaso,
223
657876
1792
Neste caso da patologia,
11:11
the computercomputador systemsistema actuallyna realidade discovereddescobriu
that the cellscélulas around the cancerCâncer
224
659668
4500
o sistema computacional descobriu
que as células em torno do cancro
11:16
are as importantimportante as
the cancerCâncer cellscélulas themselvessi mesmos
225
664168
3340
são tão importantes quanto
as próprias células cancerígenas
11:19
in makingfazer a diagnosisdiagnóstico.
226
667508
1752
na realização de um diagnóstico.
11:21
This is the oppositeoposto of what pathologistspatologistas
had been taughtensinado for decadesdécadas.
227
669260
5361
Isto é o contrário do que os patologistas
têm aprendido ao longo de décadas.
11:26
In eachcada of those two casescasos,
they were systemssistemas developeddesenvolvido
228
674621
3292
Em ambos os casos, estes sistemas
foram desenvolvidos
11:29
by a combinationcombinação of medicalmédico expertsespecialistas
and machinemáquina learningAprendendo expertsespecialistas,
229
677913
3621
por especialistas médicos
e de aprendizagem automática.
11:33
but as of last yearano,
we're now beyondalém that too.
230
681534
2741
No último ano, fomos também além disso.
11:36
This is an exampleexemplo of
identifyingidentificando cancerouscanceroso areasáreas
231
684275
3549
Isto é um exemplo de identificação
de áreas cancerígenas,
em tecido humano, ao microscópio.
11:39
of humanhumano tissuelenço de papel undersob a microscopemicroscópio.
232
687824
2530
11:42
The systemsistema beingser shownmostrando here
can identifyidentificar those areasáreas more accuratelycom precisão,
233
690354
4613
O sistema aqui apresentado consegue
identificar essas áreas
de forma mais precisa, ou tão precisa
quanto os patologistas humanos,
11:46
or about as accuratelycom precisão,
as humanhumano pathologistspatologistas,
234
694967
2775
11:49
but was builtconstruído entirelyinteiramente with deepprofundo learningAprendendo
usingusando no medicalmédico expertiseperícia
235
697742
3392
mas foi construído com aprendizagem
profunda, sem conhecimentos médicos,
11:53
by people who have
no backgroundfundo in the fieldcampo.
236
701134
2526
por pessoas sem formação na área.
11:56
SimilarlyDa mesma forma, here, this neuronneurônio segmentationsegmentação.
237
704730
2555
De modo semelhante, nesta
segmentação neuronal.
11:59
We can now segmentsegmento neuronsneurônios
about as accuratelycom precisão as humanshumanos can,
238
707285
3668
Podemos agora segmentar neurónios
de forma tão precisa quanto um humano,
mas este sistema foi desenvolvido
com aprendizagem profunda
12:02
but this systemsistema was developeddesenvolvido
with deepprofundo learningAprendendo
239
710953
2717
com pessoas sem formação
prévia em medicina.
12:05
usingusando people with no previousanterior
backgroundfundo in medicineremédio.
240
713670
3251
12:08
So myselfEu mesmo, as somebodyalguém with
no previousanterior backgroundfundo in medicineremédio,
241
716921
3227
Eu próprio, sendo alguém sem
formação prévia em medicina
12:12
I seemparecem to be entirelyinteiramente well qualifiedqualificada
to startcomeçar a newNovo medicalmédico companyempresa,
242
720148
3727
sou perfeitamente qualificado para abrir
uma nova empresa médica,
12:15
whichqual I did.
243
723875
2146
Foi o que fiz.
12:18
I was kindtipo of terrifiedaterrorizado of doing it,
244
726021
1740
Estava aterrorizado em relação a isso
12:19
but the theoryteoria seemedparecia to suggestsugerir
that it oughtdeveria to be possiblepossível
245
727761
2889
mas a teoria sugeria ser possível
12:22
to do very usefulútil medicineremédio
usingusando just these datadados analyticanalítico techniquestécnicas.
246
730650
5492
fazer medicina muito útil usando apenas
estas técnicas de análise de dados.
12:28
And thankfullyagradecidamente, the feedbackcomentários
has been fantasticfantástico,
247
736142
2480
Felizmente, a resposta
tem sido fantástica.
12:30
not just from the mediameios de comunicação
but from the medicalmédico communitycomunidade,
248
738622
2356
Não apenas dos "media", mas também
da comunidade médica,
12:32
who have been very supportivede suporte.
249
740978
2344
que tem dado muito apoio.
12:35
The theoryteoria is that we can take
the middlemeio partparte of the medicalmédico processprocesso
250
743322
4149
A teoria é que podemos considerar
a fase intermédia do processo médico
12:39
and turnvirar that into datadados analysisanálise
as much as possiblepossível,
251
747471
2893
e transformá-la em análise de dados,
tanto quanto possível,
12:42
leavingdeixando doctorsmédicos to do
what they're bestmelhor at.
252
750364
3065
deixando os médicos fazer
aquilo em que são bons.
12:45
I want to give you an exampleexemplo.
253
753429
1602
Quero dar-vos um exemplo.
12:47
It now takes us about 15 minutesminutos
to generategerar a newNovo medicalmédico diagnosticdiagnóstico testteste
254
755031
4944
Bastam 15 minutos para gerar um novo
teste diagnóstico médico.
12:51
and I'll showexposição you that in realreal time now,
255
759975
1954
Vou mostrar-vos agora em tempo real,
12:53
but I've compressedcomprimido it down to
threetrês minutesminutos by cuttingcorte some piecespeças out.
256
761929
3487
mas comprimi para três minutos,
cortando algumas partes.
12:57
RatherPrefiro than showingmostrando you
creatingcriando a medicalmédico diagnosticdiagnóstico testteste,
257
765416
3061
Em vez de vos mostrar a criação de um
novo teste diagnóstico médico,
13:00
I'm going to showexposição you
a diagnosticdiagnóstico testteste of carcarro imagesimagens,
258
768477
3369
vou mostrar-vos um teste diagnóstico
de imagens de carros,
13:03
because that's something
we can all understandCompreendo.
259
771846
2222
porque é algo fácil de perceber.
13:06
So here we're startinginiciando with
about 1.5 millionmilhão carcarro imagesimagens,
260
774068
3201
Começamos com cerca de 1,5 milhões
de imagens de carros.
13:09
and I want to createcrio something
that can splitDividido them into the angleângulo
261
777269
3206
Quero criar algo que consiga dividi-las
13:12
of the photofoto that's beingser takenocupado.
262
780475
2223
segundo o ângulo em que a foto foi tirada.
13:14
So these imagesimagens are entirelyinteiramente unlabeledsem rótulo,
so I have to startcomeçar from scratchcoçar, arranhão.
263
782698
3888
Estas imagens não estão catalogadas,
tenho de começar do zero.
13:18
With our deepprofundo learningAprendendo algorithmalgoritmo de,
264
786586
1865
Com o nosso algoritmo,
13:20
it can automaticallyautomaticamente identifyidentificar
areasáreas of structureestrutura in these imagesimagens.
265
788451
3707
podem identificar-se automaticamente
áreas de estruturas nestas imagens.
13:24
So the nicebom thing is that the humanhumano
and the computercomputador can now work togetherjuntos.
266
792158
3620
O interessante é o homem e o computador
poderem agora trabalhar em conjunto.
13:27
So the humanhumano, as you can see here,
267
795778
2178
O humano, como podem ver aqui,
13:29
is tellingdizendo the computercomputador
about areasáreas of interestinteresse
268
797956
2675
está a dizer ao computador
quais as áreas de interesse
13:32
whichqual it wants the computercomputador then
to try and use to improvemelhorar its algorithmalgoritmo de.
269
800631
4650
que quer que o computador use
para melhorar o seu algoritmo.
13:37
Now, these deepprofundo learningAprendendo systemssistemas actuallyna realidade
are in 16,000-dimensional-dimensional spaceespaço,
270
805281
4296
Estes sistemas de aprendizagem profunda
estão em espaços de dimensão 16 000.
13:41
so you can see here the computercomputador
rotatingde giro this throughatravés that spaceespaço,
271
809577
3432
Podem ver aqui o computador a rodar
isto através desse espaço,
tentando encontrar novas
áreas de estrutura.
13:45
tryingtentando to find newNovo areasáreas of structureestrutura.
272
813009
1992
13:47
And when it does so successfullycom êxito,
273
815001
1781
Quando consegue fazê-lo com sucesso,
13:48
the humanhumano who is drivingdirigindo it can then
pointponto out the areasáreas that are interestinginteressante.
274
816782
4004
o humano que está a comandá-lo
pode indicar áreas de interesse.
13:52
So here, the computercomputador has
successfullycom êxito foundencontrado areasáreas,
275
820786
2422
Aqui o computador encontrou
áreas, com sucesso.
13:55
for exampleexemplo, anglesângulos.
276
823208
2562
Ângulos, por exemplo.
13:57
So as we go throughatravés this processprocesso,
277
825770
1606
Ao longo deste processo,
13:59
we're graduallygradualmente tellingdizendo
the computercomputador more and more
278
827376
2340
vamos dizendo mais coisas ao computador
14:01
about the kindstipos of structuresestruturas
we're looking for.
279
829716
2428
sobre o tipo de estruturas que procuramos.
14:04
You can imagineImagine in a diagnosticdiagnóstico testteste
280
832144
1772
Podem imaginar que, num diagnóstico,
isto seria o patologista a identificar
14:05
this would be a pathologistpatologista identifyingidentificando
areasáreas of pathosispathosis, for exampleexemplo,
281
833916
3350
áreas patológicas, por exemplo.
14:09
or a radiologistradiologista indicatingindicando
potentiallypotencialmente troublesomeproblemático nodulesnódulos.
282
837266
5026
Ou o radiologista a indicar nódulos
potencialmente problemáticos.
14:14
And sometimesas vezes it can be
difficultdifícil for the algorithmalgoritmo de.
283
842292
2559
Por vezes pode ser difícil,
para o algoritmo.
14:16
In this casecaso, it got kindtipo of confusedconfuso.
284
844851
1964
Neste caso, ficou algo confuso.
14:18
The frontsfrentes and the backscostas
of the carscarros are all mixedmisturado up.
285
846815
2550
As frentes e as traseiras dos carros
estão todas misturadas.
14:21
So here we have to be a bitpouco more carefulCuidado,
286
849365
2072
Aqui temos que ser um
pouco mais cuidadosos,
14:23
manuallymanualmente selectingselecionando these frontsfrentes
as opposedopôs-se to the backscostas,
287
851437
3232
selecionado manualmente estas frentes
por oposição às traseiras,
14:26
then tellingdizendo the computercomputador
that this is a typetipo of groupgrupo
288
854669
5506
dizendo depois ao computador
que isto é o tipo de grupo
14:32
that we're interestedinteressado in.
289
860175
1348
em que estamos interessados.
14:33
So we do that for a while,
we skippular over a little bitpouco,
290
861523
2677
Fazemos isto durante algum tempo,
avançamos um pouco,
e depois treinamos o algoritmo
de aprendizagem automática,
14:36
and then we traintrem the
machinemáquina learningAprendendo algorithmalgoritmo de
291
864200
2246
14:38
basedSediada on these couplecasal of hundredcem things,
292
866446
1974
baseados nestas centenas de coisas,
14:40
and we hopeesperança that it's gottenobtido a lot better.
293
868420
2025
e esperamos que fique bastante melhor.
Podem ver que algumas imagens
estão a começar a desvanecer,
14:42
You can see, it's now startedcomeçado to fadedesvaneça
some of these picturesAs fotos out,
294
870445
3073
mostrando-nos que já está a descobrir
como perceber algumas destas sozinho.
14:45
showingmostrando us that it already is recognizingreconhecendo
how to understandCompreendo some of these itselfem si.
295
873518
4708
14:50
We can then use this conceptconceito
of similarsemelhante imagesimagens,
296
878226
2902
Podemos, então, usar o conceito
de imagens semelhantes.
14:53
and usingusando similarsemelhante imagesimagens, you can now see,
297
881128
2094
Usando imagens semelhantes,
podemos ver que o computador
14:55
the computercomputador at this pointponto is ablecapaz to
entirelyinteiramente find just the frontsfrentes of carscarros.
298
883222
4019
é capaz, neste ponto, de identificar
apenas as frentes dos carros.
14:59
So at this pointponto, the humanhumano
can tell the computercomputador,
299
887241
2948
Neste ponto, o humano pode
dizer ao computador:
15:02
okay, yes, you've donefeito
a good jobtrabalho of that.
300
890189
2293
"Fizeste aqui um bom trabalho!"
15:05
SometimesÀs vezes, of coursecurso, even at this pointponto
301
893652
2185
Por vezes, claro, mesmo neste ponto,
15:07
it's still difficultdifícil
to separateseparado out groupsgrupos.
302
895837
3674
ainda é difícil distinguir os grupos.
15:11
In this casecaso, even after we let the
computercomputador try to rotaterodar this for a while,
303
899511
3884
Neste caso, mesmo depois de deixarmos o
computador rodar isto durante algum tempo,
15:15
we still find that the left sideslados
and the right sideslados picturesAs fotos
304
903399
3345
ainda vemos que as imagens
dos lados esquerdo e direito
15:18
are all mixedmisturado up togetherjuntos.
305
906744
1478
estão todas misturadas.
15:20
So we can again give
the computercomputador some hintsDicas,
306
908222
2140
Podemos dar, de novo, algumas
pistas ao computador.
15:22
and we say, okay, try and find
a projectionprojeção that separatessepara out
307
910362
2976
Dizemos: "Tenta descobrir uma
projeção que separe,
15:25
the left sideslados and the right sideslados
as much as possiblepossível
308
913338
2607
"o lado esquerdo do direito,
o mais possível,
15:27
usingusando this deepprofundo learningAprendendo algorithmalgoritmo de.
309
915945
2122
"usando este algoritmo
de aprendizagem profunda."
15:30
And givingdando it that hintsugestão --
ahah, okay, it's been successfulbem sucedido.
310
918067
2942
Dando-lhe esta pista, ele tem sucesso.
15:33
It's managedgerenciou to find a way
of thinkingpensando about these objectsobjetos
311
921009
2882
Conseguiu descobrir um modo
de pensar neste objetos
15:35
that's separatedseparado out these togetherjuntos.
312
923891
2380
que permitiu separá-los.
15:38
So you get the ideaidéia here.
313
926271
2438
Percebem a ideia.
15:40
This is a casecaso not where the humanhumano
is beingser replacedsubstituído by a computercomputador,
314
928709
8197
Neste caso, o humano não está
a ser substituído pelo computador.
15:48
but where they're workingtrabalhando togetherjuntos.
315
936906
2640
Estão a trabalhar em conjunto.
15:51
What we're doing here is we're replacingsubstituindo
something that used to take a teamequipe
316
939546
3550
O que estamos a fazer é substituir
algo que exigia uma equipa
de cinco ou seis pessoas,
durante sete anos,
15:55
of fivecinco or sixseis people about sevenSete yearsanos
317
943096
2002
15:57
and replacingsubstituindo it with something
that takes 15 minutesminutos
318
945098
2605
por algo que demora 15 minutos,
15:59
for one personpessoa actingagindo alonesozinho.
319
947703
2505
com uma pessoa a trabalhar sozinha.
16:02
So this processprocesso takes about
fourquatro or fivecinco iterationsiterações.
320
950208
3950
Este processo demora
quatro ou cinco iterações.
16:06
You can see we now have 62 percentpor cento
321
954158
1859
Podem ver que temos agora 62%
16:08
of our 1.5 millionmilhão imagesimagens
classifiedclassificados correctlycorretamente.
322
956017
2959
dos nossos 1,5 milhões de imagens,
classificadas corretamente.
16:10
And at this pointponto, we
can startcomeçar to quitebastante quicklyrapidamente
323
958976
2472
Neste ponto, podemos começar rapidamente
16:13
grabagarrar wholetodo biggrande sectionsSeções,
324
961448
1297
a trabalhar grandes secções,
16:14
checkVerifica throughatravés them to make sure
that there's no mistakeserros.
325
962745
2919
e a verificar se não há erros.
16:17
Where there are mistakeserros, we can
let the computercomputador know about them.
326
965664
3952
Se houver erros, podemos fazer
com que o computador o saiba.
16:21
And usingusando this kindtipo of processprocesso
for eachcada of the differentdiferente groupsgrupos,
327
969616
3045
Usando este processo, para cada
um dos diferentes grupos,
16:24
we are now up to
an 80 percentpor cento successsucesso ratetaxa
328
972661
2487
temos agora uma taxa
de sucesso de 80%,
16:27
in classifyingclassificação the 1.5 millionmilhão imagesimagens.
329
975148
2415
na classificação de 1,5 milhões
de imagens.
16:29
And at this pointponto, it's just a casecaso
330
977563
2078
Neste ponto, trata-se de descobrir
16:31
of findingencontrando the smallpequeno numbernúmero
that aren'tnão são classifiedclassificados correctlycorretamente,
331
979641
3579
as poucas que não estão
classificadas corretamente,
16:35
and tryingtentando to understandCompreendo why.
332
983220
2888
e tentar perceber porquê.
16:38
And usingusando that approachabordagem,
333
986108
1743
Utilizando esta abordagem
16:39
by 15 minutesminutos we get
to 97 percentpor cento classificationclassificação ratestaxas.
334
987851
4121
conseguimos uma taxa de classificação
de 97% em 15 minutos.
16:43
So this kindtipo of techniquetécnica
could allowpermitir us to fixconsertar a majorprincipal problemproblema,
335
991972
4600
Esta técnica pode permitir-nos
resolver um grande problema
16:48
whichqual is that there's a lackfalta
of medicalmédico expertiseperícia in the worldmundo.
336
996578
3036
que é a falta de especialistas
médicos no mundo.
16:51
The WorldMundo EconomicEconómico ForumFórum saysdiz
that there's betweenentre a 10x and a 20x
337
999614
3489
O Fórum Económico Mundial refere
que há 10 a 20 vezes menos médicos
16:55
shortageescassez of physiciansmédicos
in the developingem desenvolvimento worldmundo,
338
1003103
2624
do que o necessário,
nos países em desenvolvimento.
16:57
and it would take about 300 yearsanos
339
1005727
2113
E que serão necessários 300 anos
16:59
to traintrem enoughsuficiente people
to fixconsertar that problemproblema.
340
1007840
2894
para formar as pessoas necessárias
para resolver o problema.
17:02
So imagineImagine if we can help
enhancerealçar theirdeles efficiencyeficiência
341
1010734
2885
Imaginem que podemos ajudar
a melhorar a sua eficiência
17:05
usingusando these deepprofundo learningAprendendo approachesse aproxima?
342
1013619
2839
usando esta abordagem
de aprendizagem profunda.
17:08
So I'm very excitedanimado
about the opportunitiesoportunidades.
343
1016458
2232
Estou muito entusiasmado
com as oportunidades,
17:10
I'm alsoAlém disso concernedpreocupado about the problemsproblemas.
344
1018690
2589
mas também estou preocupado
em relação aos problemas.
17:13
The problemproblema here is that
everycada areaárea in blueazul on this mapmapa
345
1021279
3124
O problema é que as áreas
a azul, neste mapa,
17:16
is somewherealgum lugar where servicesServiços
are over 80 percentpor cento of employmentemprego.
346
1024403
3769
são locais onde os serviços representam
mais de 80% dos empregos.
17:20
What are servicesServiços?
347
1028172
1787
O que são os serviços?
17:21
These are servicesServiços.
348
1029959
1514
Isto são serviços.
17:23
These are alsoAlém disso the exactexato things that
computerscomputadores have just learnedaprendido how to do.
349
1031473
4154
São também as coisas que
os computadores aprenderam a fazer.
17:27
So 80 percentpor cento of the world'sos mundos employmentemprego
in the developeddesenvolvido worldmundo
350
1035627
3804
80% dos postos de trabalho,
no mundo desenvolvido,
17:31
is stuffcoisa that computerscomputadores
have just learnedaprendido how to do.
351
1039431
2532
são coisas que os computadores
aprenderam a fazer.
17:33
What does that mean?
352
1041963
1440
O que significa isto?
Não há problema. Serão substituídos
por outros empregos.
17:35
Well, it'llvai be fine.
They'llEles pensarão be replacedsubstituído by other jobsempregos.
353
1043403
2583
Por exemplo, haverá mais empregos
para especialistas em dados.
17:37
For exampleexemplo, there will be
more jobsempregos for datadados scientistscientistas.
354
1045986
2707
17:40
Well, not really.
355
1048693
817
Bem, não exatamente.
17:41
It doesn't take datadados scientistscientistas
very long to buildconstruir these things.
356
1049510
3118
Os especialistas não demoram muito
tempo a construir estas coisas.
17:44
For exampleexemplo, these fourquatro algorithmsalgoritmos
were all builtconstruído by the samemesmo guy.
357
1052628
3252
Estes quatro algoritmos foram
desenvolvidos pela mesma pessoa.
17:47
So if you think, oh,
it's all happenedaconteceu before,
358
1055880
2438
Se pensarmos bem, isto já aconteceu antes.
17:50
we'venós temos seenvisto the resultsresultados in the pastpassado
of when newNovo things come alongao longo
359
1058318
3808
Já vimos, no passado, o resultado
de surgirem coisas novas
17:54
and they get replacedsubstituído by newNovo jobsempregos,
360
1062126
2252
que são substituídas por novos empregos.
17:56
what are these newNovo jobsempregos going to be?
361
1064378
2116
O que serão estes novos empregos?
17:58
It's very hardDifícil for us to estimateestimativa this,
362
1066494
1871
É muito difícil fazermos previsões,
18:00
because humanhumano performancedesempenho
growscresce at this gradualgradual ratetaxa,
363
1068365
2739
porque o desempenho humano
cresce a um ritmo gradual,
18:03
but we now have a systemsistema, deepprofundo learningAprendendo,
364
1071104
2562
mas temos agora um sistema
de aprendizagem profunda,
18:05
that we know actuallyna realidade growscresce
in capabilitycapacidade exponentiallyexponencialmente.
365
1073666
3227
cuja capacidade cresce exponencialmente.
18:08
And we're here.
366
1076893
1605
Estamos neste ponto.
Atualmente, vemos as coisas
à nossa volta e pensamos:
18:10
So currentlyatualmente, we see the things around us
367
1078498
2061
18:12
and we say, "Oh, computerscomputadores
are still prettybonita dumbburro." Right?
368
1080559
2676
"Os computadores ainda são muito burros."
18:15
But in fivecinco years'anos' time,
computerscomputadores will be off this chartgráfico.
369
1083235
3429
Mas em cinco anos os computadores
estarão fora deste gráfico.
18:18
So we need to be startinginiciando to think
about this capabilitycapacidade right now.
370
1086664
3865
Temos que começar já
a pensar nesta capacidade.
18:22
We have seenvisto this onceuma vez before, of coursecurso.
371
1090529
2050
É claro que já vimos isto.
18:24
In the IndustrialIndustrial RevolutionRevolução,
372
1092579
1387
Na Revolução Industrial,
18:25
we saw a stepdegrau changemudança
in capabilitycapacidade thanksobrigado to enginesmotores.
373
1093966
2851
vimos uma grande avanço na capacidade,
graças às máquinas.
18:29
The thing is, thoughApesar,
that after a while, things flattenedachatado out.
374
1097667
3138
A questão é que, passado algum tempo,
as coisas estabilizaram.
18:32
There was socialsocial disruptioninterrupção,
375
1100805
1702
Houve ruturas sociais.
Mas quando as máquinas foram usadas
para gerar poder em todas as situações,
18:34
but onceuma vez enginesmotores were used
to generategerar powerpoder in all the situationssituações,
376
1102507
3439
18:37
things really settledresolvido down.
377
1105946
2354
as coisas acalmaram.
18:40
The MachineMáquina LearningAprendizagem RevolutionRevolução
378
1108300
1473
A Revolução da Aprendizagem Automática
será muito diferente
18:41
is going to be very differentdiferente
from the IndustrialIndustrial RevolutionRevolução,
379
1109773
2909
da Revolução Industrial,
porque a Revolução da Aprendizagem
Automática nunca estabilizará.
18:44
because the MachineMáquina LearningAprendizagem RevolutionRevolução,
it never settlesinstala-se down.
380
1112682
2950
18:47
The better computerscomputadores get
at intellectualintelectual activitiesactividades,
381
1115632
2982
Quanto melhores forem os computadores
em atividades intelectuais,
18:50
the more they can buildconstruir better computerscomputadores
to be better at intellectualintelectual capabilitiescapacidades,
382
1118614
4248
melhores computadores se construirão,
com mais capacidades intelectuais.
18:54
so this is going to be a kindtipo of changemudança
383
1122862
1908
Isto será um tipo de mudança
18:56
that the worldmundo has actuallyna realidade
never experiencedcom experiência before,
384
1124770
2478
que o mundo nunca presenciou antes.
18:59
so your previousanterior understandingcompreensão
of what's possiblepossível is differentdiferente.
385
1127248
3306
A nossa perceção do que é
possível é diferente.
19:02
This is already impactingimpactando us.
386
1130974
1780
Isto já está a afetar-nos.
19:04
In the last 25 yearsanos,
as capitalcapital productivityprodutividade has increasedaumentou,
387
1132754
3630
Nos últimos 25 anos, à medida que a
produtividade do capital aumentou,
19:08
labortrabalho productivityprodutividade has been flatplano,
in factfacto even a little bitpouco down.
388
1136400
4188
a produtividade laboral manteve-se,
na verdade até desceu um pouco.
19:13
So I want us to startcomeçar
havingtendo this discussiondiscussão now.
389
1141408
2741
Quero que tenhamos esta discussão agora.
19:16
I know that when I oftenfrequentemente tell people
about this situationsituação,
390
1144149
3027
Sei que, quando falo disto às pessoas,
19:19
people can be quitebastante dismissivedesconsiderado.
391
1147176
1490
elas mostram algum desdém.
19:20
Well, computerscomputadores can't really think,
392
1148666
1673
"Os computadores não conseguem pensar."
19:22
they don't emoteemote,
they don't understandCompreendo poetrypoesia,
393
1150339
3028
"Eles não se emocionam,
nem percebem poesia."
19:25
we don't really understandCompreendo how they work.
394
1153367
2521
"Não percebemos, na verdade,
como funcionam."
19:27
So what?
395
1155888
1486
E depois?
Os computadores conseguem
fazer as coisas
19:29
ComputersComputadores right now can do the things
396
1157374
1804
19:31
that humanshumanos spendgastar mosta maioria
of theirdeles time beingser paidpago to do,
397
1159178
2719
que os humanos são pagos para fazer,
na maior parte do seu tempo.
19:33
so now'sAgora é the time to startcomeçar thinkingpensando
398
1161897
1731
Este é o tempo para começar a pensar
19:35
about how we're going to adjustajustar our
socialsocial structuresestruturas and economiceconômico structuresestruturas
399
1163628
4387
como vamos ajustar as nossas
estruturas sociais e económicas
19:40
to be awareconsciente of this newNovo realityrealidade.
400
1168015
1840
para fazer face a esta nova realidade.
19:41
Thank you.
401
1169855
1533
Obrigado.
19:43
(ApplauseAplausos)
402
1171388
802
(Aplausos)
Translated by Carlos Espirito Santo
Reviewed by Margarida Ferreira

▲Back to top

ABOUT THE SPEAKER
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives.

Why you should listen

Jeremy Howard is the CEO of Enlitic, an advanced machine learning company in San Francisco. Previously, he was the president and chief scientist at Kaggle, a community and competition platform of over 200,000 data scientists. Howard is a faculty member at Singularity University, where he teaches data science. He is also a Young Global Leader with the World Economic Forum, and spoke at the World Economic Forum Annual Meeting 2014 on "Jobs for the Machines."

Howard advised Khosla Ventures as their Data Strategist, identifying opportunities for investing in data-driven startups and mentoring portfolio companies to build data-driven businesses. He was the founding CEO of two successful Australian startups, FastMail and Optimal Decisions Group.

More profile about the speaker
Jeremy Howard | Speaker | TED.com