TED@BCG Milan
Margaret Mitchell: How we can build AI to help humans, not hurt us
Μάργκαρετ Μίτσελ: Πώς θα δημιουργήσουμε τεχνητή νοημοσύνη για να βοηθήσει τους ανθρώπους, όχι να μας βλάψει
Filmed:
Readability: 4.6
1,154,210 views
Ως ερευνητική επιστήμονας στην Google, η Μάργκαρετ Μίτσελ βοηθά στην ανάπτυξη υπολογιστών που μπορούν να επικοινωνούν για το τι βλέπουν και αντιλαμβάνονται. Λέει μια ιστορία προς αποφυγή για τα κενά, τα τυφλά σημεία και τις προκαταλήψεις που υποσυνείδητα προσθέτουμε στον κώδικα της τεχνητής νοημοσύνης -- και μας ρωτά να σκεφτούμε τι θα σημαίνει αύριο η τεχνολογία που δημιουργούμε σήμερα. «Το μόνο που βλέπουμε σήμερα είναι ένα στιγμιότυπο της εξέλιξης της τεχνητής νοημοσύνης», λέει η Μίτσελ. «Αν θέλουμε να εξελιχθεί με τρόπο που βοηθά τους ανθρώπους, τότε πρέπει να προσδιορίσουμε τους στόχους και τις στρατηγικές που το επιτρέπουν».
Margaret Mitchell - AI research scientist
Margaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence. Full bio
Margaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence. Full bio
Double-click the English transcript below to play the video.
00:13
I work on helping computers
communicate about the world around us.
communicate about the world around us.
0
1381
4015
Στη δουλειά μου βοηθάω τους υπολογιστές
να επικοινωνήσουν για τον κόσμο γύρω μας.
να επικοινωνήσουν για τον κόσμο γύρω μας.
00:17
There are a lot of ways to do this,
1
5754
1793
Υπάρχουν πολλοί τρόποι να γίνει αυτό,
00:19
and I like to focus on helping computers
2
7571
2592
και εμένα μου αρέσει
να βοηθάω τους υπολογιστές
να βοηθάω τους υπολογιστές
00:22
to talk about what they see
and understand.
and understand.
3
10187
2874
ώστε να μιλούν για το
τι βλέπουν και καταλαβαίνουν.
τι βλέπουν και καταλαβαίνουν.
00:25
Given a scene like this,
4
13514
1571
Αν δοθεί μια εικόνα σαν αυτή,
00:27
a modern computer-vision algorithm
5
15109
1905
ένας αλγόριθμος μηχανικής όρασης
00:29
can tell you that there's a woman
and there's a dog.
and there's a dog.
6
17038
3095
μπορεί να καταλάβει ότι υπάρχει
μια γυναίκα και ένας σκύλος.
μια γυναίκα και ένας σκύλος.
00:32
It can tell you that the woman is smiling.
7
20157
2706
Μπορεί να καταλάβει
πως η γυναίκα χαμογελά.
πως η γυναίκα χαμογελά.
00:34
It might even be able to tell you
that the dog is incredibly cute.
that the dog is incredibly cute.
8
22887
3873
Ίσως να μπορεί να πει ακόμα
πως ο σκύλος είναι απίστευτα χαριτωμένος.
πως ο σκύλος είναι απίστευτα χαριτωμένος.
00:38
I work on this problem
9
26784
1349
Πάνω σε αυτό εργάζομαι
00:40
thinking about how humans
understand and process the world.
understand and process the world.
10
28157
4212
ενώ σκέφτομαι πώς αντιλαμβάνονται και
επεξεργάζονται τον κόσμο οι άνθρωποι.
επεξεργάζονται τον κόσμο οι άνθρωποι.
00:45
The thoughts, memories and stories
11
33577
2952
Τις σκέψεις, αναμνήσεις και ιστορίες
00:48
that a scene like this
might evoke for humans.
might evoke for humans.
12
36553
2818
που μια εικόνα σαν κι αυτή
μπορεί να φέρει στον νου.
μπορεί να φέρει στον νου.
00:51
All the interconnections
of related situations.
of related situations.
13
39395
4285
Όλες τις πιθανές διασυνδέσεις
σχετικών καταστάσεων.
σχετικών καταστάσεων.
00:55
Maybe you've seen
a dog like this one before,
a dog like this one before,
14
43704
3126
Ίσως να έχετε ξαναδεί
ένα σκύλο σαν και αυτόν
ένα σκύλο σαν και αυτόν
00:58
or you've spent time
running on a beach like this one,
running on a beach like this one,
15
46854
2969
ή έχετε τρέξει σε μια παρόμοια παραλία
01:01
and that further evokes thoughts
and memories of a past vacation,
and memories of a past vacation,
16
49847
4778
και σας προκαλεί να ανακαλέσετε σκέψεις
και αναμνήσεις από τις διακοπές σας
και αναμνήσεις από τις διακοπές σας
01:06
past times to the beach,
17
54649
1920
ή από τότε που πήγατε στη θάλασσα
01:08
times spent running around
with other dogs.
with other dogs.
18
56593
2603
ή από εκείνη τη φορά
που τρέχατε μαζί με άλλα σκυλιά.
που τρέχατε μαζί με άλλα σκυλιά.
01:11
One of my guiding principles
is that by helping computers to understand
is that by helping computers to understand
19
59688
5207
Μία από τις βασικές αρχές μου είναι πως
βοηθώντας τους υπολογιστές να καταλάβουν
βοηθώντας τους υπολογιστές να καταλάβουν
01:16
what it's like to have these experiences,
20
64919
2896
πώς είναι να έχεις ζήσει
αυτές τις εμπειρίες,
αυτές τις εμπειρίες,
01:19
to understand what we share
and believe and feel,
and believe and feel,
21
67839
5176
να καταλάβουν τι μοιραζόμαστε,
τι πιστεύουμε και αισθανόμαστε
τι πιστεύουμε και αισθανόμαστε
01:26
then we're in a great position
to start evolving computer technology
to start evolving computer technology
22
74094
4310
τότε θα είμαστε στη θέση να βοηθήσουμε
την εξέλιξη της τεχνολογίας υπολογιστών
την εξέλιξη της τεχνολογίας υπολογιστών
01:30
in a way that's complementary
with our own experiences.
with our own experiences.
23
78428
4587
με τρόπο που θα είναι συμπληρωματικός
με τις δικές μας εμπειρίες.
με τις δικές μας εμπειρίες.
01:35
So, digging more deeply into this,
24
83539
3387
Θα ήθελα σας δώσω ένα πιο απτό παράδειγμα,
01:38
a few years ago I began working on helping
computers to generate human-like stories
computers to generate human-like stories
25
86950
5905
πριν μερικά χρόνια βοηθούσα υπολογιστές
στο να δημιουργήσουν ανθρώπινες ιστορίες
στο να δημιουργήσουν ανθρώπινες ιστορίες
01:44
from sequences of images.
26
92879
1666
από μια ακολουθία εικόνων.
01:47
So, one day,
27
95427
1904
Μία μέρα λοιπόν
01:49
I was working with my computer to ask it
what it thought about a trip to Australia.
what it thought about a trip to Australia.
28
97355
4622
ρώτησα τον υπολογιστή μου τι γνώμη έχει
για ένα ταξίδι στην Αυστραλία.
για ένα ταξίδι στην Αυστραλία.
01:54
It took a look at the pictures,
and it saw a koala.
and it saw a koala.
29
102768
2920
Κοίταξε τις φωτογραφίες
και είδε ένα κοάλα.
και είδε ένα κοάλα.
01:58
It didn't know what the koala was,
30
106236
1643
Δεν ήξερε τι είναι,
01:59
but it said it thought
it was an interesting-looking creature.
it was an interesting-looking creature.
31
107903
2999
αλλά είπε πως ήταν ένα πλάσμα
με ενδιαφέρουσα εμφάνιση.
με ενδιαφέρουσα εμφάνιση.
02:04
Then I shared with it a sequence of images
about a house burning down.
about a house burning down.
32
112053
4004
Μετά του έδειξα μια ακολουθία εικόνων
ενός σπιτιού που καιγόταν.
ενός σπιτιού που καιγόταν.
02:09
It took a look at the images and it said,
33
117704
3285
Τις κοίταξε και είπε,
02:13
"This is an amazing view!
This is spectacular!"
This is spectacular!"
34
121013
3500
«Η θέα είναι καταπληκτική!
Είναι πολύ εντυπωσιακό!»
Είναι πολύ εντυπωσιακό!»
02:17
It sent chills down my spine.
35
125450
2095
Με έκανε να ανατριχιάσω.
02:20
It saw a horrible, life-changing
and life-destroying event
and life-destroying event
36
128983
4572
Είδε ένα φρικτό θέαμα,
που κατέστρεψε τη ζωή ενός ανθρώπου
που κατέστρεψε τη ζωή ενός ανθρώπου
02:25
and thought it was something positive.
37
133579
2382
και νόμιζε πως ήταν κάτι θετικό.
02:27
I realized that it recognized
the contrast,
the contrast,
38
135985
3441
Συνειδητοποίησα πως αναγνώρισε
την αντίθεση των χρωμάτων
την αντίθεση των χρωμάτων
02:31
the reds, the yellows,
39
139450
2699
το κόκκινο, το κίτρινο
02:34
and thought it was something
worth remarking on positively.
worth remarking on positively.
40
142173
3078
και νόμιζε πως ήταν κάτι θετικό.
02:37
And part of why it was doing this
41
145928
1615
Αυτό το έκανε
02:39
was because most
of the images I had given it
of the images I had given it
42
147577
2945
γιατί οι εικόνες που του είχα δώσει
02:42
were positive images.
43
150546
1840
ήταν όλες θετικές.
02:44
That's because people
tend to share positive images
tend to share positive images
44
152903
3658
Και αυτό γιατί οι άνθρωποι επιλέγουν
να μοιράζονται τις καλές εικόνες τους
να μοιράζονται τις καλές εικόνες τους
02:48
when they talk about their experiences.
45
156585
2190
όταν μιλούν για τις εμπειρίες τους.
02:51
When was the last time
you saw a selfie at a funeral?
you saw a selfie at a funeral?
46
159267
2541
Ποια ήταν η τελευταία φορά
που είδατε σέλφι σε κηδεία;
που είδατε σέλφι σε κηδεία;
02:55
I realized that,
as I worked on improving AI
as I worked on improving AI
47
163434
3095
Συνειδητοποίησα πως όσο δούλευα
στη βελτίωση του αλγορίθμου,
στη βελτίωση του αλγορίθμου,
02:58
task by task, dataset by dataset,
48
166553
3714
με κάθε καινούρια προσπάθεια
και με κάθε σετ δεδομένων
και με κάθε σετ δεδομένων
03:02
that I was creating massive gaps,
49
170291
2897
δημιουργούσα τεράστια κενά,
03:05
holes and blind spots
in what it could understand.
in what it could understand.
50
173212
3999
τρύπες και τυφλά σημεία
στην κατανόησή του.
στην κατανόησή του.
03:10
And while doing so,
51
178307
1334
Και με αυτό τον τρόπο
03:11
I was encoding all kinds of biases.
52
179665
2483
πρόσθετα στον κώδικα
ένα σωρό προκαταλήψεις.
ένα σωρό προκαταλήψεις.
03:15
Biases that reflect a limited viewpoint,
53
183029
3318
Προκαταλήψεις που αντικατοπτρίζουν
μια περιορισμένη οπτική,
μια περιορισμένη οπτική,
03:18
limited to a single dataset --
54
186371
2261
περιορισμένη σε ένα μόνο σετ δεδομένων --
03:21
biases that can reflect
human biases found in the data,
human biases found in the data,
55
189283
3858
προκαταλήψεις που αντανακλούν ανθρώπινες
προδιαθέσεις που βρέθηκαν στα δεδομένα
προδιαθέσεις που βρέθηκαν στα δεδομένα
03:25
such as prejudice and stereotyping.
56
193165
3104
όπως η προώθηση στερεοτύπων.
03:29
I thought back to the evolution
of the technology
of the technology
57
197554
3057
Προσπάθησα να σκεφτώ
την εξέλιξη της τεχνολογίας
την εξέλιξη της τεχνολογίας
03:32
that brought me to where I was that day --
58
200635
2502
που με οδήγησε σε αυτό το σημείο
εκείνη τη μέρα --
εκείνη τη μέρα --
03:35
how the first color images
59
203966
2233
πώς οι πρώτες εικόνες με χρώμα
03:38
were calibrated against
a white woman's skin,
a white woman's skin,
60
206223
3048
είχαν ρυθμιστεί πάνω στο
δέρμα μιας άσπρης γυναίκας
δέρμα μιας άσπρης γυναίκας
03:41
meaning that color photography
was biased against black faces.
was biased against black faces.
61
209665
4145
που σημαίνει ότι οι έγχρωμες φωτογραφίες
μεροληπτούσαν ενάντια σε μαύρα πρόσωπα.
μεροληπτούσαν ενάντια σε μαύρα πρόσωπα.
03:46
And that same bias, that same blind spot
62
214514
2925
Η ίδια προκατάληψη, το ίδιο τυφλό σημείο
03:49
continued well into the '90s.
63
217463
1867
συνέχισε και τη δεκαετία του '90.
03:51
And the same blind spot
continues even today
continues even today
64
219701
3154
Και συνεχίζει ακόμα και σήμερα
03:54
in how well we can recognize
different people's faces
different people's faces
65
222879
3698
στο πώς αναγνωρίζουμε τα πρόσωπα
διαφορετικών ανθρώπων
διαφορετικών ανθρώπων
03:58
in facial recognition technology.
66
226601
2200
στην τεχνολογία αναγνώρισης προσώπου.
04:01
I though about the state of the art
in research today,
in research today,
67
229323
3143
Σκέφτηκα τη σύγχρονη
τεχνολογία στην έρευνα
τεχνολογία στην έρευνα
04:04
where we tend to limit our thinking
to one dataset and one problem.
to one dataset and one problem.
68
232490
4514
που περιορίζουμε τη σκέψη μας σε ένα
σετ δεδομένων και ένα μόνο πρόβλημα.
σετ δεδομένων και ένα μόνο πρόβλημα.
04:09
And that in doing so, we were creating
more blind spots and biases
more blind spots and biases
69
237688
4881
Δημιουργώντας έτσι ακόμα περισσότερα
τυφλά σημεία και προκαταλήψεις
τυφλά σημεία και προκαταλήψεις
04:14
that the AI could further amplify.
70
242593
2277
που η τεχνητή νοημοσύνη
θα ενισχύσει περισσότερο.
θα ενισχύσει περισσότερο.
04:17
I realized then
that we had to think deeply
that we had to think deeply
71
245712
2079
Κατάλαβα πως πρέπει να σκεφτούμε βαθύτερα
04:19
about how the technology we work on today
looks in five years, in 10 years.
looks in five years, in 10 years.
72
247815
5519
το πώς η τεχνολογία που αναπτύσσουμε
σήμερα θα μοιάζει σε πέντε ή 10 χρόνια.
σήμερα θα μοιάζει σε πέντε ή 10 χρόνια.
04:25
Humans evolve slowly,
with time to correct for issues
with time to correct for issues
73
253990
3142
Οι άνθρωποι εξελίσσονται αργά,
με αρκετό χρόνο για να διορθωθούν
με αρκετό χρόνο για να διορθωθούν
04:29
in the interaction of humans
and their environment.
and their environment.
74
257156
3534
τυχών προβλήματα στην αλληλεπίδρασή
τους με το περιβάλλον.
τους με το περιβάλλον.
04:33
In contrast, artificial intelligence
is evolving at an incredibly fast rate.
is evolving at an incredibly fast rate.
75
261276
5429
Αντίθετα, η τεχνητή νοημοσύνη αναπτύσσεται
με πολύ γρήγορους ρυθμούς.
με πολύ γρήγορους ρυθμούς.
04:39
And that means that it really matters
76
267013
1773
Πράγμα που σημαίνει ότι έχει σημασία
04:40
that we think about this
carefully right now --
carefully right now --
77
268810
2317
να το σκεφτούμε προσεκτικά τώρα --
04:44
that we reflect on our own blind spots,
78
272180
3008
να βρούμε τα δικά μας τυφλά σημεία
04:47
our own biases,
79
275212
2317
τις δικές μας προκαταλήψεις,
04:49
and think about how that's informing
the technology we're creating
the technology we're creating
80
277553
3857
να σκεφτούμε τι πληροφορίες δίνουν
αυτά στην τεχνολογία που δημιουργούμε
αυτά στην τεχνολογία που δημιουργούμε
04:53
and discuss what the technology of today
will mean for tomorrow.
will mean for tomorrow.
81
281434
3902
και να συζητήσουμε τι θα σημαίνει
στο μέλλον η τεχνολογία του σήμερα.
στο μέλλον η τεχνολογία του σήμερα.
04:58
CEOs and scientists have weighed in
on what they think
on what they think
82
286593
3191
Οι γενικοί διευθυντές και οι επιστήμονες
έχουν πει τη γνώμη τους
έχουν πει τη γνώμη τους
05:01
the artificial intelligence technology
of the future will be.
of the future will be.
83
289808
3325
για το πώς θα είναι η τεχνητή
νοημοσύνη του μέλλοντος.
νοημοσύνη του μέλλοντος.
05:05
Stephen Hawking warns that
84
293157
1618
Ο Στίβεν Χόκινγκ προειδοποιεί πως
05:06
"Artificial intelligence
could end mankind."
could end mankind."
85
294799
3007
«Η τεχνητή νοημοσύνη μπορεί
να είναι το τέλος της ανθρωπότητας».
να είναι το τέλος της ανθρωπότητας».
05:10
Elon Musk warns
that it's an existential risk
that it's an existential risk
86
298307
2683
O Έλον Μασκ προειδοποιεί
πως είναι ένα υπαρξιακό ρίσκο
πως είναι ένα υπαρξιακό ρίσκο
05:13
and one of the greatest risks
that we face as a civilization.
that we face as a civilization.
87
301014
3574
και ένα από τα μεγαλύτερα ρίσκα
που αντιμετωπίζουμε ως πολιτισμός.
που αντιμετωπίζουμε ως πολιτισμός.
05:17
Bill Gates has made the point,
88
305665
1452
Ο Μπιλ Γκέιτς σχολίασε;
05:19
"I don't understand
why people aren't more concerned."
why people aren't more concerned."
89
307141
3185
«Δεν καταλαβαίνω γιατί ο κόσμος
δεν είναι περισσότερο ανήσυχος».
δεν είναι περισσότερο ανήσυχος».
05:23
But these views --
90
311412
1318
Αυτές οι απόψεις όμως --
05:25
they're part of the story.
91
313618
1734
είναι ένα μέρος του θέματος.
05:28
The math, the models,
92
316079
2420
Τα μαθηματικά, τα μοντέλα,
05:30
the basic building blocks
of artificial intelligence
of artificial intelligence
93
318523
3070
τα βασικά δομικά στοιχεία
της τεχνητής νοημοσύνης
της τεχνητής νοημοσύνης
05:33
are something that we call access
and all work with.
and all work with.
94
321617
3135
είναι πράγματα στα οποία
έχουμε όλοι πρόσβαση.
έχουμε όλοι πρόσβαση.
05:36
We have open-source tools
for machine learning and intelligence
for machine learning and intelligence
95
324776
3785
Υπάρχουν εργαλεία ανοικτού κώδικα
για τη μηχανική μάθηση
για τη μηχανική μάθηση
05:40
that we can contribute to.
96
328585
1734
στα οποία μπορούμε να συνεισφέρουμε.
05:42
And beyond that,
we can share our experience.
we can share our experience.
97
330919
3340
Και πέρα από αυτό, μπορούμε
να μοιραστούμε τις εμπειρίες μας.
να μοιραστούμε τις εμπειρίες μας.
05:46
We can share our experiences
with technology and how it concerns us
with technology and how it concerns us
98
334760
3468
Να τις μοιραστούμε με την τεχνολογία,
για τους λόγους που μας ανησυχεί
για τους λόγους που μας ανησυχεί
05:50
and how it excites us.
99
338252
1467
αλλά και μας ενθουσιάζει.
05:52
We can discuss what we love.
100
340251
1867
Μπορούμε να μιλήσουμε για το τι αγαπάμε.
05:55
We can communicate with foresight
101
343244
2031
Να επικοινωνήσουμε με προνοητικότητα
05:57
about the aspects of technology
that could be more beneficial
that could be more beneficial
102
345299
4857
για τις πλευρές τις τεχνολογίας
που μπορεί να είναι πιο επωφελείς
που μπορεί να είναι πιο επωφελείς
06:02
or could be more problematic over time.
103
350180
2600
ή και προβληματικές
στο πέρασμα του χρόνου.
στο πέρασμα του χρόνου.
06:05
If we all focus on opening up
the discussion on AI
the discussion on AI
104
353799
4143
Αν επικεντρωθούμε στο να αρχίσουμε
τη συζήτηση για την τεχνητή νοημοσύνη
τη συζήτηση για την τεχνητή νοημοσύνη
06:09
with foresight towards the future,
105
357966
1809
με προοπτική προς το μέλλον
06:13
this will help create a general
conversation and awareness
conversation and awareness
106
361093
4270
θα βοηθήσει στη δημιουργία μιας
γενικότερης συζήτησης και επίγνωσης
γενικότερης συζήτησης και επίγνωσης
06:17
about what AI is now,
107
365387
2513
για το τι είναι η τεχνητή νοημοσύνη τώρα,
06:21
what it can become
108
369212
2001
τι μπορεί να γίνει
06:23
and all the things that we need to do
109
371237
1785
και τι χρειάζεται να κάνουμε
06:25
in order to enable that outcome
that best suits us.
that best suits us.
110
373046
3753
προκειμένου να επιτευχθεί
το αποτέλεσμα που προτιμούμε.
το αποτέλεσμα που προτιμούμε.
06:29
We already see and know this
in the technology that we use today.
in the technology that we use today.
111
377490
3674
Ήδη το βλέπουμε στη σημερινή τεχνολογία.
06:33
We use smart phones
and digital assistants and Roombas.
and digital assistants and Roombas.
112
381767
3880
Χρησιμοποιούμε έξυπνα κινητά
και ψηφιακούς βοηθούς.
και ψηφιακούς βοηθούς.
06:38
Are they evil?
113
386457
1150
Είναι κακόβουλα;
06:40
Maybe sometimes.
114
388268
1547
Ίσως κάποιες φορές.
06:42
Are they beneficial?
115
390664
1333
Είναι ωφέλιμα;
06:45
Yes, they're that, too.
116
393005
1533
Ναι είναι.
06:48
And they're not all the same.
117
396236
1761
Δεν είναι όλα το ίδιο.
06:50
And there you already see
a light shining on what the future holds.
a light shining on what the future holds.
118
398489
3540
Και εκεί βλέπουμε πώς θα
μπορούσε να είναι το μέλλον.
μπορούσε να είναι το μέλλον.
06:54
The future continues on
from what we build and create right now.
from what we build and create right now.
119
402942
3619
Το μέλλον βασίζεται πάνω
σε ό,τι δημιουργούμε τώρα.
σε ό,τι δημιουργούμε τώρα.
06:59
We set into motion that domino effect
120
407165
2642
Δημιουργούμε αλυσιδωτές αντιδράσεις
07:01
that carves out AI's evolutionary path.
121
409831
2600
που θα χαράξουν την πορεία
της τεχνητής νοημοσύνης.
της τεχνητής νοημοσύνης.
07:05
In our time right now,
we shape the AI of tomorrow.
we shape the AI of tomorrow.
122
413173
2871
Δίνουμε μορφή στην τεχνητή
νοημοσύνη του αύριο.
νοημοσύνη του αύριο.
07:08
Technology that immerses us
in augmented realities
in augmented realities
123
416566
3699
Τεχνολογία που μας εισάγει
σε επαυξημένες πραγματικότητες
σε επαυξημένες πραγματικότητες
07:12
bringing to life past worlds.
124
420289
2566
φέρνοντας στη ζωή προηγούμενους κόσμους.
07:15
Technology that helps people
to share their experiences
to share their experiences
125
423844
4312
Τεχνολογία που βοηθά τον κόσμο
να μοιραστεί της εμπειρίες του
να μοιραστεί της εμπειρίες του
07:20
when they have difficulty communicating.
126
428180
2262
όταν αντιμετωπίζουν δυσκολίες
στην επικοινωνία.
στην επικοινωνία.
07:23
Technology built on understanding
the streaming visual worlds
the streaming visual worlds
127
431323
4532
Τεχνολογία βασισμένη στην κατανόηση
της μετάδοσης οπτικών κόσμων
της μετάδοσης οπτικών κόσμων
07:27
used as technology for self-driving cars.
128
435879
3079
για την ανάπτυξη
αυτο-οδηγούμενων αυτοκινήτων.
αυτο-οδηγούμενων αυτοκινήτων.
07:32
Technology built on understanding images
and generating language,
and generating language,
129
440490
3413
Τεχνολογία βασισμένη στην κατανόηση
εικόνων και παραγωγής λόγου
εικόνων και παραγωγής λόγου
07:35
evolving into technology that helps people
who are visually impaired
who are visually impaired
130
443927
4063
που θα αναπτυχθεί για να βοηθήσει
τους ανθρώπους με προβλήματα όρασης
τους ανθρώπους με προβλήματα όρασης
07:40
be better able to access the visual world.
131
448014
2800
να έχουν καλύτερη πρόσβαση
στον οπτικό κόσμο.
στον οπτικό κόσμο.
07:42
And we also see how technology
can lead to problems.
can lead to problems.
132
450838
3261
Επίσης βλέπουμε πώς η τεχνολογία
μπορεί να οδηγήσει σε προβλήματα.
μπορεί να οδηγήσει σε προβλήματα.
07:46
We have technology today
133
454885
1428
Υπάρχουν λογισμικά σήμερα
07:48
that analyzes physical
characteristics we're born with --
characteristics we're born with --
134
456337
3835
που αναλύουν σωματικά χαρακτηριστικά
τα οποία έχουμε από γεννησιμιού μας
τα οποία έχουμε από γεννησιμιού μας
07:52
such as the color of our skin
or the look of our face --
or the look of our face --
135
460196
3272
όπως το χρώμα του δέρματος
ή το βλέμμα του προσώπου μας --
ή το βλέμμα του προσώπου μας --
07:55
in order to determine whether or not
we might be criminals or terrorists.
we might be criminals or terrorists.
136
463492
3804
προκειμένου να προσδιορίσουν
αν είμαστε εγκληματίες ή τρομοκράτες.
αν είμαστε εγκληματίες ή τρομοκράτες.
07:59
We have technology
that crunches through our data,
that crunches through our data,
137
467688
2905
Άλλα λογισμικά τα οποία
αναλύουν τα στοιχεία μας
αναλύουν τα στοιχεία μας
08:02
even data relating
to our gender or our race,
to our gender or our race,
138
470617
2896
ή δεδομένα σε σχέση με το φύλο
ή τη φυλή που ανήκουμε
ή τη φυλή που ανήκουμε
08:05
in order to determine whether or not
we might get a loan.
we might get a loan.
139
473537
2865
ώστε να προσδιορίσουν
αν θα μας δοθεί ή όχι ένα δάνειο.
αν θα μας δοθεί ή όχι ένα δάνειο.
08:09
All that we see now
140
477494
1579
Αυτό που βλέπουμε τώρα
08:11
is a snapshot in the evolution
of artificial intelligence.
of artificial intelligence.
141
479097
3617
είναι απλά ένα στιγμιότυπο της εξέλιξης
της τεχνητής νοημοσύνης.
της τεχνητής νοημοσύνης.
08:15
Because where we are right now,
142
483763
1778
Διότι το σημείο που βρισκόμαστε τώρα
08:17
is within a moment of that evolution.
143
485565
2238
είναι μία στιγμή αυτής της εξέλιξης.
08:20
That means that what we do now
will affect what happens down the line
will affect what happens down the line
144
488690
3802
Που σημαίνει πως ότι κάνουμε σήμερα
θα επηρεάσει τη ροή των πραγμάτων
θα επηρεάσει τη ροή των πραγμάτων
08:24
and in the future.
145
492516
1200
και το μέλλον.
08:26
If we want AI to evolve
in a way that helps humans,
in a way that helps humans,
146
494063
3951
Αν θέλουμε η τεχνητή νοημοσύνη
να εξελιχθεί με τρόπο
που βοηθάει τους ανθρώπους
που βοηθάει τους ανθρώπους
τότε πρέπει να προσδιορίσουμε
τη στρατηγική και τους τρόπους
τη στρατηγική και τους τρόπους
08:30
then we need to define
the goals and strategies
the goals and strategies
147
498038
2801
08:32
that enable that path now.
148
500863
1733
που θα επιτρέψουν αυτή τη δυνατότητα.
08:35
What I'd like to see is something
that fits well with humans,
that fits well with humans,
149
503680
3738
Αυτό που θα ήθελα να δω είναι κάτι
που θα ταιριάζει με μας,
που θα ταιριάζει με μας,
08:39
with our culture and with the environment.
150
507442
2800
την κουλτούρα μας αλλά και το περιβάλλον.
08:43
Technology that aids and assists
those of us with neurological conditions
those of us with neurological conditions
151
511435
4484
Τεχνολογία που θα παρέχει βοήθεια
σε όσους έχουν νευρολογικές παθήσεις
σε όσους έχουν νευρολογικές παθήσεις
08:47
or other disabilities
152
515943
1721
ή άλλες αναπηρίες
08:49
in order to make life
equally challenging for everyone.
equally challenging for everyone.
153
517688
3216
έτσι ώστε η ζωή να γίνει
εξίσου εύκολη για όλους.
εξίσου εύκολη για όλους.
08:54
Technology that works
154
522097
1421
Τεχνολογία που δουλεύει σωστά
08:55
regardless of your demographics
or the color of your skin.
or the color of your skin.
155
523542
3933
ανεξάρτητα από τα δημογραφικά στοιχεία
ή το χρώμα του δέρματος.
ή το χρώμα του δέρματος.
09:00
And so today, what I focus on
is the technology for tomorrow
is the technology for tomorrow
156
528383
4742
Γι' αυτό σήμερα εστιάζω
στην τεχνολογία του αύριο
στην τεχνολογία του αύριο
09:05
and for 10 years from now.
157
533149
1733
και 10 χρόνια από τώρα.
09:08
AI can turn out in many different ways.
158
536530
2634
Η πιθανές αποφάνσεις
της τεχνητής νοημοσύνης είναι πολλές.
της τεχνητής νοημοσύνης είναι πολλές.
09:11
But in this case,
159
539688
1225
Σε αυτή την περίπτωση όμως,
09:12
it isn't a self-driving car
without any destination.
without any destination.
160
540937
3328
δεν είναι ένα αυτο-οδηγούμενο
αυτοκίνητο χωρίς προορισμό.
αυτοκίνητο χωρίς προορισμό.
09:16
This is the car that we are driving.
161
544884
2400
Αυτό το αυτοκίνητο το οδηγούμε εμείς.
09:19
We choose when to speed up
and when to slow down.
and when to slow down.
162
547953
3595
Εμείς επιλέγουμε πότε θα επιταχύνουμε
ή θα επιβραδύνουμε.
ή θα επιβραδύνουμε.
09:23
We choose if we need to make a turn.
163
551572
2400
Πότε θα κάνουμε στροφή.
09:26
We choose what the AI
of the future will be.
of the future will be.
164
554868
3000
Εμείς επιλέγουμε πώς θα είναι
η τεχνητή νοημοσύνη του μέλλοντος.
η τεχνητή νοημοσύνη του μέλλοντος.
09:31
There's a vast playing field
165
559186
1337
Το εύρος δυνατοτήτων
09:32
of all the things that artificial
intelligence can become.
intelligence can become.
166
560547
2965
των πιθανών εξελίξεων
της τεχνητής νοημοσύνης είναι τεράστιο.
της τεχνητής νοημοσύνης είναι τεράστιο.
09:36
It will become many things.
167
564064
1800
Πολλές από αυτές θα πραγματοποιηθούν.
09:39
And it's up to us now,
168
567694
1732
Έχουμε όμως την ευθύνη τώρα
09:41
in order to figure out
what we need to put in place
what we need to put in place
169
569450
3061
να αποφασίσουμε τι χρειάζεται να κάνουμε
09:44
to make sure the outcomes
of artificial intelligence
of artificial intelligence
170
572535
3807
για να εξασφαλίσουμε ότι το αποτέλεσμα
της τεχνητής νοημοσύνης
της τεχνητής νοημοσύνης
09:48
are the ones that will be
better for all of us.
better for all of us.
171
576366
3066
θα είναι το καλύτερο για όλους μας.
09:51
Thank you.
172
579456
1150
Ευχαριστώ.
09:52
(Applause)
173
580630
2187
(Χειροκρότημα)
ABOUT THE SPEAKER
Margaret Mitchell - AI research scientistMargaret Mitchell is a senior research scientist in Google's Research & Machine Intelligence group, working on artificial intelligence.
Why you should listen
Margaret Mitchell's research involves vision-language and grounded language generation, focusing on how to evolve artificial intelligence towards positive goals. Her work combines computer vision, natural language processing, social media as well as many statistical methods and insights from cognitive science. Before Google, Mitchell was a founding member of Microsoft Research's "Cognition" group, focused on advancing artificial intelligence, and a researcher in Microsoft Research's Natural Language Processing group.
Margaret Mitchell | Speaker | TED.com