TED@BCG Milan
Margaret Mitchell: How we can build AI to help humans, not hurt us
Margaret Mitchell: Cómo podemos construir la IA que nos ayude sin perjudicarnos
Filmed:
Readability: 4.6
1,154,210 views
Como investigadora científica de Google, Margaret Mitchell ayuda a desarrollar computadoras que puedan comunicarse sobre lo que ven y entienden. Ella advierte sobre las lagunas, los puntos ciegos y los sesgos que codificamos inconscientemente en la IA, y nos pide que consideremos qué significará para el mañana la tecnología que creamos hoy. "Todo lo que vemos ahora es una instantánea de la evolución de la inteligencia artificial", dice Mitchell. "Si queremos que la IA evolucione de una manera que ayude a los humanos, entonces debemos definir los objetivos y las estrategias que permitan ese camino ahora".
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
Trabajo para ayudar a las computadoras
a comunicarse en el mundo que nos rodea.
a comunicarse en el mundo que nos rodea.
00:17
There are a lot of ways to do this,
1
5754
1793
Hay muchas maneras de hacer esto,
00:19
and I like to focus on helping computers
2
7571
2592
y yo me centro en
ayudar a las computadoras
ayudar a las computadoras
00:22
to talk about what they see
and understand.
and understand.
3
10187
2874
a que hablen sobre lo que ven y entienden.
00:25
Given a scene like this,
4
13514
1571
Ante una escena como esta,
00:27
a modern computer-vision algorithm
5
15109
1905
un algoritmo moderno
de visión por computadora
de visión por computadora
00:29
can tell you that there's a woman
and there's a dog.
and there's a dog.
6
17038
3095
puedo decir que hay
una mujer y un perro.
una mujer y un perro.
00:32
It can tell you that the woman is smiling.
7
20157
2706
Puede decir que la mujer está sonriendo.
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
Incluso podría decir que
el perro es muy lindo.
el perro es muy lindo.
00:38
I work on this problem
9
26784
1349
Yo trabajo en este problema
00:40
thinking about how humans
understand and process the world.
understand and process the world.
10
28157
4212
pensando en cómo los humanos
entienden y procesan el mundo.
entienden y procesan el mundo.
00:45
The thoughts, memories and stories
11
33577
2952
Los pensamientos, recuerdos e historias
00:48
that a scene like this
might evoke for humans.
might evoke for humans.
12
36553
2818
que una escena como esta
pueda evocar a los humanos.
pueda evocar a los humanos.
00:51
All the interconnections
of related situations.
of related situations.
13
39395
4285
Todas las interconexiones
de situaciones relacionadas.
de situaciones relacionadas.
00:55
Maybe you've seen
a dog like this one before,
a dog like this one before,
14
43704
3126
Tal vez hayan visto
un perro como este antes,
un perro como este antes,
00:58
or you've spent time
running on a beach like this one,
running on a beach like this one,
15
46854
2969
o han estado tiempo corriendo
en una playa como esta,
en una playa como esta,
01:01
and that further evokes thoughts
and memories of a past vacation,
and memories of a past vacation,
16
49847
4778
y eso además evoca pensamientos
y recuerdos de vacaciones pasadas,
y recuerdos de vacaciones pasadas,
01:06
past times to the beach,
17
54649
1920
tiempos pasados a la playa,
01:08
times spent running around
with other dogs.
with other dogs.
18
56593
2603
tiempos pasados
corriendo con otros perros.
corriendo con otros perros.
01:11
One of my guiding principles
is that by helping computers to understand
is that by helping computers to understand
19
59688
5207
Uno de mis principios rectores
al ayudar a las computadoras a entender,
al ayudar a las computadoras a entender,
01:16
what it's like to have these experiences,
20
64919
2896
lo que significan estas experiencias,
01:19
to understand what we share
and believe and feel,
and believe and feel,
21
67839
5176
para que entiendan lo que
compartimos, creemos y sentimos.
compartimos, creemos y sentimos.
01:26
then we're in a great position
to start evolving computer technology
to start evolving computer technology
22
74094
4310
Estamos en una excelente posición para
hacer crecer la tecnología informática
hacer crecer la tecnología informática
01:30
in a way that's complementary
with our own experiences.
with our own experiences.
23
78428
4587
de manera complementaria a
nuestras propias experiencias.
nuestras propias experiencias.
01:35
So, digging more deeply into this,
24
83539
3387
Y profundizando más en esto,
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
hace algunos años comencé a trabajar
para ayudar a las computadoras a generar
para ayudar a las computadoras a generar
historias similares a las humanas
de secuencias de imágenes.
de secuencias de imágenes.
01:44
from sequences of images.
26
92879
1666
01:47
So, one day,
27
95427
1904
Un día trabajando con mi computadora
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
le pregunté qué pensaba
acerca de un viaje a Australia.
acerca de un viaje a Australia.
Echó un vistazo
a las imágenes y vio un koala.
a las imágenes y vio un koala.
01:54
It took a look at the pictures,
and it saw a koala.
and it saw a koala.
29
102768
2920
La computadora no sabía
qué era un koala,
qué era un koala,
01:58
It didn't know what the koala was,
30
106236
1643
01:59
but it said it thought
it was an interesting-looking creature.
it was an interesting-looking creature.
31
107903
2999
pero dijo que creía que era
una criatura de aspecto interesante.
una criatura de aspecto interesante.
02:04
Then I shared with it a sequence of images
about a house burning down.
about a house burning down.
32
112053
4004
Luego compartí con ella una secuencia
de imágenes sobre una casa ardiendo.
de imágenes sobre una casa ardiendo.
02:09
It took a look at the images and it said,
33
117704
3285
Echó un vistazo a las imágenes y dijo:
02:13
"This is an amazing view!
This is spectacular!"
This is spectacular!"
34
121013
3500
"¡Esta es una vista increíble!
¡Esto es espectacular!"
¡Esto es espectacular!"
02:17
It sent chills down my spine.
35
125450
2095
Me produjo escalofríos.
02:20
It saw a horrible, life-changing
and life-destroying event
and life-destroying event
36
128983
4572
Vio un evento horrible,
que cambia y que destruye la vida
que cambia y que destruye la vida
02:25
and thought it was something positive.
37
133579
2382
y la computadora pensó
que era algo positivo.
que era algo positivo.
02:27
I realized that it recognized
the contrast,
the contrast,
38
135985
3441
Me di cuenta de que reconocía el contraste
02:31
the reds, the yellows,
39
139450
2699
los rojos, los amarillos,
02:34
and thought it was something
worth remarking on positively.
worth remarking on positively.
40
142173
3078
y pensó que era algo digno
de comentar positivamente.
de comentar positivamente.
Y en parte la razón del porqué hacía esto
02:37
And part of why it was doing this
41
145928
1615
02:39
was because most
of the images I had given it
of the images I had given it
42
147577
2945
era porque la mayoría de
las imágenes que le había dado
las imágenes que le había dado
02:42
were positive images.
43
150546
1840
eran imágenes positivas,
02:44
That's because people
tend to share positive images
tend to share positive images
44
152903
3658
Eso es porque la gente tiende
a compartir imágenes positivas
a compartir imágenes positivas
02:48
when they talk about their experiences.
45
156585
2190
cuando hablan de sus experiencias.
02:51
When was the last time
you saw a selfie at a funeral?
you saw a selfie at a funeral?
46
159267
2541
¿Cuándo fue la última vez que vieron
un selfie en un funeral?
un selfie en un funeral?
02:55
I realized that,
as I worked on improving AI
as I worked on improving AI
47
163434
3095
Mientras trabajaba en la mejora de la IA
02:58
task by task, dataset by dataset,
48
166553
3714
tarea por tarea,
grupo de datos tras grupo de datos,
grupo de datos tras grupo de datos,
03:02
that I was creating massive gaps,
49
170291
2897
Me di cuenta de que
estaba creando lagunas masivas,
estaba creando lagunas masivas,
03:05
holes and blind spots
in what it could understand.
in what it could understand.
50
173212
3999
agujeros y puntos ciegos
en lo que podría entender.
en lo que podría entender.
03:10
And while doing so,
51
178307
1334
Y al hacerlo,
03:11
I was encoding all kinds of biases.
52
179665
2483
estaba codificando
todo tipo de prejuicios.
todo tipo de prejuicios.
03:15
Biases that reflect a limited viewpoint,
53
183029
3318
Sesgos que reflejan
un punto de vista limitado
un punto de vista limitado
03:18
limited to a single dataset --
54
186371
2261
limitado a un solo conjunto de datos.
03:21
biases that can reflect
human biases found in the data,
human biases found in the data,
55
189283
3858
Sesgos que pueden reflejar
sesgos humanos encontrados en los datos,
sesgos humanos encontrados en los datos,
03:25
such as prejudice and stereotyping.
56
193165
3104
como los prejuicios y los estereotipos.
03:29
I thought back to the evolution
of the technology
of the technology
57
197554
3057
Pensé en la evolución de la tecnología
03:32
that brought me to where I was that day --
58
200635
2502
eso me llevó a donde estaba ese día.
03:35
how the first color images
59
203966
2233
Las primeras imágenes en color
03:38
were calibrated against
a white woman's skin,
a white woman's skin,
60
206223
3048
fueron calibradas
contra la piel de una mujer blanca,
contra la piel de una mujer blanca,
03:41
meaning that color photography
was biased against black faces.
was biased against black faces.
61
209665
4145
lo que significa que la foto en color
estaba sesgada contra las caras negras.
estaba sesgada contra las caras negras.
03:46
And that same bias, that same blind spot
62
214514
2925
Y ese mismo sesgo, ese mismo punto ciego
03:49
continued well into the '90s.
63
217463
1867
continuó hasta bien entrada
la década de los 90.
la década de los 90.
03:51
And the same blind spot
continues even today
continues even today
64
219701
3154
Y el mismo punto ciego
continúa incluso hoy
continúa incluso hoy
03:54
in how well we can recognize
different people's faces
different people's faces
65
222879
3698
al intentar reconocer
las caras de las personas
las caras de las personas
03:58
in facial recognition technology.
66
226601
2200
mediante tecnología
de reconocimiento facial.
de reconocimiento facial.
Pensé en el estado de la cuestión
en la investigación en la actualidad
en la investigación en la actualidad
04:01
I though about the state of the art
in research today,
in research today,
67
229323
3143
04:04
where we tend to limit our thinking
to one dataset and one problem.
to one dataset and one problem.
68
232490
4514
donde se tiende a
ceñir nuestro pensamiento
ceñir nuestro pensamiento
a un solo conjunto de datos
y a un problema.
y a un problema.
04:09
And that in doing so, we were creating
more blind spots and biases
more blind spots and biases
69
237688
4881
Y al hacerlo, creamos
aún más puntos ciegos y sesgos
aún más puntos ciegos y sesgos
04:14
that the AI could further amplify.
70
242593
2277
que la propia IA podría generar.
Me di cuenta de que
había que pensar profundamente
había que pensar profundamente
04:17
I realized then
that we had to think deeply
that we had to think deeply
71
245712
2079
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
en cómo será la tecnología en la que
trabajamos hoy en cinco o en 10 años.
trabajamos hoy en cinco o en 10 años.
Los humanos evolucionan lentamente,
con tiempo para corregir problemas
con tiempo para corregir problemas
04:25
Humans evolve slowly,
with time to correct for issues
with time to correct for issues
73
253990
3142
04:29
in the interaction of humans
and their environment.
and their environment.
74
257156
3534
en la interacción de
los humanos y su entorno.
los humanos y su entorno.
04:33
In contrast, artificial intelligence
is evolving at an incredibly fast rate.
is evolving at an incredibly fast rate.
75
261276
5429
Por el contrario,
la inteligencia artificial evoluciona
la inteligencia artificial evoluciona
a un ritmo increíblemente rápido.
04:39
And that means that it really matters
76
267013
1773
Y eso significa que realmente importa
04:40
that we think about this
carefully right now --
carefully right now --
77
268810
2317
que pensemos en esto
cuidadosamente ya.
cuidadosamente ya.
04:44
that we reflect on our own blind spots,
78
272180
3008
Que reflexionemos sobre
nuestros propios puntos ciegos,
nuestros propios puntos ciegos,
04:47
our own biases,
79
275212
2317
nuestros propios sesgos.
04:49
and think about how that's informing
the technology we're creating
the technology we're creating
80
277553
3857
Y que pensemos en cómo eso alimenta
la tecnología que estamos creando
la tecnología que estamos creando
04:53
and discuss what the technology of today
will mean for tomorrow.
will mean for tomorrow.
81
281434
3902
y que discutamos qué significará
la tecnología de hoy para mañana.
la tecnología de hoy para mañana.
04:58
CEOs and scientists have weighed in
on what they think
on what they think
82
286593
3191
CEOs y científicos han influido
en lo que piensan
en lo que piensan
05:01
the artificial intelligence technology
of the future will be.
of the future will be.
83
289808
3325
que será la tecnología de
inteligencia artificial del futuro.
inteligencia artificial del futuro.
05:05
Stephen Hawking warns that
84
293157
1618
Stephen Hawking advierte que
05:06
"Artificial intelligence
could end mankind."
could end mankind."
85
294799
3007
"La inteligencia artificial podría
acabar con la humanidad".
acabar con la humanidad".
05:10
Elon Musk warns
that it's an existential risk
that it's an existential risk
86
298307
2683
Elon Musk advierte que
es un riesgo existencial
es un riesgo existencial
05:13
and one of the greatest risks
that we face as a civilization.
that we face as a civilization.
87
301014
3574
y uno de los mayores riesgos
que enfrentamos como civilización.
que enfrentamos como civilización.
05:17
Bill Gates has made the point,
88
305665
1452
Bill Gates ha señalado:
05:19
"I don't understand
why people aren't more concerned."
why people aren't more concerned."
89
307141
3185
"No entiendo por qué la gente
no está más preocupada".
no está más preocupada".
Pero estos puntos de vista,
05:23
But these views --
90
311412
1318
05:25
they're part of the story.
91
313618
1734
son parte de la historia.
05:28
The math, the models,
92
316079
2420
Las matemáticas, los modelos,
los bloques de construcción básicos
de la inteligencia artificial
de la inteligencia artificial
05:30
the basic building blocks
of artificial intelligence
of artificial intelligence
93
318523
3070
05:33
are something that we call access
and all work with.
and all work with.
94
321617
3135
son algo a lo que llamamos acceso
y con el que todos trabajamos.
y con el que todos trabajamos.
05:36
We have open-source tools
for machine learning and intelligence
for machine learning and intelligence
95
324776
3785
Tenemos herramientas de código abierto
para el aprendizaje automático
para el aprendizaje automático
05:40
that we can contribute to.
96
328585
1734
y la inteligencia artificial
a lo que podemos contribuir.
a lo que podemos contribuir.
05:42
And beyond that,
we can share our experience.
we can share our experience.
97
330919
3340
Y más allá de eso, podemos
compartir nuestra experiencia.
compartir nuestra experiencia.
05:46
We can share our experiences
with technology and how it concerns us
with technology and how it concerns us
98
334760
3468
Podemos compartir nuestras experiencias
con la tecnología, cómo nos concierne
con la tecnología, cómo nos concierne
05:50
and how it excites us.
99
338252
1467
y cómo nos entusiasma
05:52
We can discuss what we love.
100
340251
1867
Podemos discutir sobre lo que amamos.
05:55
We can communicate with foresight
101
343244
2031
Podemos comunicarnos con previsión
05:57
about the aspects of technology
that could be more beneficial
that could be more beneficial
102
345299
4857
sobre los aspectos de la tecnología
que podrían ser más beneficiosos
que podrían ser más beneficiosos
06:02
or could be more problematic over time.
103
350180
2600
o más problemáticos con el tiempo.
06:05
If we all focus on opening up
the discussion on AI
the discussion on AI
104
353799
4143
Si todos nos enfocamos
en abrir la discusión sobre la IA
en abrir la discusión sobre la IA
06:09
with foresight towards the future,
105
357966
1809
con visión de futuro,
06:13
this will help create a general
conversation and awareness
conversation and awareness
106
361093
4270
esto ayudará a crear
una conversación y conciencia general
una conversación y conciencia general
06:17
about what AI is now,
107
365387
2513
sobre lo que es la AI ahora,
en qué puede llegar a convertirse
06:21
what it can become
108
369212
2001
y sobre todas las cosas
que tenemos que hacer
que tenemos que hacer
06:23
and all the things that we need to do
109
371237
1785
06:25
in order to enable that outcome
that best suits us.
that best suits us.
110
373046
3753
para permitir ese resultado
que mejor nos convenga.
que mejor nos convenga.
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
Ya vemos y sabemos esto
en la tecnología que usamos hoy.
en la tecnología que usamos hoy.
06:33
We use smart phones
and digital assistants and Roombas.
and digital assistants and Roombas.
112
381767
3880
Usamos teléfonos inteligentes y
asistentes digitales y Roombas.
asistentes digitales y Roombas.
06:38
Are they evil?
113
386457
1150
¿Son malvados?
06:40
Maybe sometimes.
114
388268
1547
Quizá algunas veces.
06:42
Are they beneficial?
115
390664
1333
¿Son beneficiosos?
06:45
Yes, they're that, too.
116
393005
1533
Sí, también lo son también.
06:48
And they're not all the same.
117
396236
1761
Y no son todos lo mismo.
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
Y allí ya ves una luz que brilla
en lo que depara el futuro.
en lo que depara el futuro.
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
El futuro continúa en base a lo que
construimos y creamos ahora.
construimos y creamos ahora.
06:59
We set into motion that domino effect
120
407165
2642
Ponemos en movimiento ese efecto dominó
07:01
that carves out AI's evolutionary path.
121
409831
2600
que esculpe el camino evolutivo de la AI.
07:05
In our time right now,
we shape the AI of tomorrow.
we shape the AI of tomorrow.
122
413173
2871
Ahora en este momento,
damos forma a la IA del mañana.
damos forma a la IA del mañana.
07:08
Technology that immerses us
in augmented realities
in augmented realities
123
416566
3699
Tecnología que nos sumerge
en realidades aumentadas
en realidades aumentadas
07:12
bringing to life past worlds.
124
420289
2566
dando vida a mundos pasados.
07:15
Technology that helps people
to share their experiences
to share their experiences
125
423844
4312
Tecnología que ayuda a las personas
a compartir sus experiencias
a compartir sus experiencias
07:20
when they have difficulty communicating.
126
428180
2262
cuando tienen dificultad para comunicarse.
07:23
Technology built on understanding
the streaming visual worlds
the streaming visual worlds
127
431323
4532
Tecnología basada en la comprensión
de la transmisión de mundos visuales
de la transmisión de mundos visuales
07:27
used as technology for self-driving cars.
128
435879
3079
utilizado como tecnología
automóviles sin conductor.
automóviles sin conductor.
07:32
Technology built on understanding images
and generating language,
and generating language,
129
440490
3413
Tecnología basada en entender
imágenes y generar lenguaje,
imágenes y generar lenguaje,
07:35
evolving into technology that helps people
who are visually impaired
who are visually impaired
130
443927
4063
evolucionando hacia tecnología que ayuda
a las personas con discapacidad visual
a las personas con discapacidad visual
07:40
be better able to access the visual world.
131
448014
2800
a tener mayor acceso al mundo visual.
07:42
And we also see how technology
can lead to problems.
can lead to problems.
132
450838
3261
Y también vemos cómo la tecnología
puede generar problemas.
puede generar problemas.
07:46
We have technology today
133
454885
1428
Tenemos tecnología hoy
07:48
that analyzes physical
characteristics we're born with --
characteristics we're born with --
134
456337
3835
que analiza las características físicas
con las que nacemos,
con las que nacemos,
07:52
such as the color of our skin
or the look of our face --
or the look of our face --
135
460196
3272
como el color de nuestra piel
o el aspecto de nuestra cara
o el aspecto de nuestra cara
07:55
in order to determine whether or not
we might be criminals or terrorists.
we might be criminals or terrorists.
136
463492
3804
para determinar
si somos o no criminales o terroristas.
si somos o no criminales o terroristas.
07:59
We have technology
that crunches through our data,
that crunches through our data,
137
467688
2905
Tenemos tecnología que
cruje a través de nuestros datos,
cruje a través de nuestros datos,
08:02
even data relating
to our gender or our race,
to our gender or our race,
138
470617
2896
incluso datos relacionados
con nuestro género o nuestra raza,
con nuestro género o nuestra raza,
08:05
in order to determine whether or not
we might get a loan.
we might get a loan.
139
473537
2865
para determinar
si podemos o no obtener un préstamo.
si podemos o no obtener un préstamo.
Todo lo que vemos ahora
08:09
All that we see now
140
477494
1579
08:11
is a snapshot in the evolution
of artificial intelligence.
of artificial intelligence.
141
479097
3617
es una instantánea de la evolución
de la inteligencia artificial.
de la inteligencia artificial.
08:15
Because where we are right now,
142
483763
1778
Porque donde estamos ahora,
08:17
is within a moment of that evolution.
143
485565
2238
está dentro de
un momento de esa evolución.
un momento de esa evolución.
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
Eso significa que lo que hacemos
ahora afectará lo que sucede
ahora afectará lo que sucede
inmediatamente y en el futuro
08:24
and in the future.
145
492516
1200
08:26
If we want AI to evolve
in a way that helps humans,
in a way that helps humans,
146
494063
3951
Si queremos que la IA evolucione
de una manera que ayude a los humanos,
de una manera que ayude a los humanos,
08:30
then we need to define
the goals and strategies
the goals and strategies
147
498038
2801
debemos definir
los objetivos y estrategias
los objetivos y estrategias
08:32
that enable that path now.
148
500863
1733
que habilita ese camino ahora.
08:35
What I'd like to see is something
that fits well with humans,
that fits well with humans,
149
503680
3738
Lo que me gustaría ver es algo
que se adapte bien a los humanos,
que se adapte bien a los humanos,
08:39
with our culture and with the environment.
150
507442
2800
a nuestra cultura y medio ambiente.
08:43
Technology that aids and assists
those of us with neurological conditions
those of us with neurological conditions
151
511435
4484
Tecnología que ayuda y asiste a aquellos
de nosotros con alteraciones neurológicas
de nosotros con alteraciones neurológicas
08:47
or other disabilities
152
515943
1721
u otras discapacidades
08:49
in order to make life
equally challenging for everyone.
equally challenging for everyone.
153
517688
3216
para hacer la vida igualmente
desafiante para todos.
desafiante para todos.
08:54
Technology that works
154
522097
1421
Tecnología que funciona
08:55
regardless of your demographics
or the color of your skin.
or the color of your skin.
155
523542
3933
independientemente de
su demografía o su color de piel.
su demografía o su color de piel.
09:00
And so today, what I focus on
is the technology for tomorrow
is the technology for tomorrow
156
528383
4742
Y hoy, en lo que me enfoco es
en la tecnología para el mañana
en la tecnología para el mañana
09:05
and for 10 years from now.
157
533149
1733
y para los próximos 10 años
a partir de ahora.
a partir de ahora.
09:08
AI can turn out in many different ways.
158
536530
2634
La IA puede aparecer
de muchas maneras diferentes.
de muchas maneras diferentes.
09:11
But in this case,
159
539688
1225
Pero en este caso,
09:12
it isn't a self-driving car
without any destination.
without any destination.
160
540937
3328
no es un auto sin conductor y sin destino.
09:16
This is the car that we are driving.
161
544884
2400
Este es el auto que estamos manejando.
09:19
We choose when to speed up
and when to slow down.
and when to slow down.
162
547953
3595
Elegimos cuándo acelerar y
cuándo disminuir la velocidad.
cuándo disminuir la velocidad.
09:23
We choose if we need to make a turn.
163
551572
2400
Elegimos si necesitamos dar un giro.
09:26
We choose what the AI
of the future will be.
of the future will be.
164
554868
3000
Elegimos cuál será la IA del futuro.
09:31
There's a vast playing field
165
559186
1337
Hay un vasto campo de juego
09:32
of all the things that artificial
intelligence can become.
intelligence can become.
166
560547
2965
de todas las cosas que la inteligencia
artificial puede llegar a ser.
artificial puede llegar a ser.
09:36
It will become many things.
167
564064
1800
Se convertirá en muchas cosas.
09:39
And it's up to us now,
168
567694
1732
Y depende de nosotros ahora,
09:41
in order to figure out
what we need to put in place
what we need to put in place
169
569450
3061
descubrir lo que debemos poner en marcha
09:44
to make sure the outcomes
of artificial intelligence
of artificial intelligence
170
572535
3807
para asegurarnos de que los resultados
de la inteligencia artificial
de la inteligencia artificial
09:48
are the ones that will be
better for all of us.
better for all of us.
171
576366
3066
son los que serán mejores
para todos nosotros.
para todos nosotros.
09:51
Thank you.
172
579456
1150
Gracias.
09:52
(Applause)
173
580630
2187
(Aplausos)
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