TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: Las maravillosas y pavorosas consecuencias de los computadores que pueden aprender
Filmed:
Readability: 4.5
2,532,971 views
¿Qué ocurre cuando le enseñamos a aprender a un computador? El experto Jeremy Howard comparte algunas novedades técnicas sorprendentes del imparable campo del aprendizaje profundo. Muestra una técnica que puede dar a los computadores la capacidad de aprender chino, o de reconocer objetos en fotos, o de ayudar a reconocer diagnósticos médicos.(Una herramienta autodidacta de aprendizaje profundo, que después de ver horas de vídeos en YouTube, aprendió por sí sola el concepto de "gatos".) Sumérgete en el campo que va a cambiar el comportamiento de los computadores que nos rodean... antes de lo que piensas.
Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio
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 computer to do something new,
to get a computer to do something new,
0
880
4013
Antes, si querías que un computador
hiciera algo nuevo
hiciera algo nuevo
tenías, normalmente, que programarlo.
00:16
you would have to program it.
1
4893
1554
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
La programación, para quienes
no la han practicado,
no la han practicado,
requiere especificar
con el más mínimo detalle
con el más mínimo detalle
00:21
requires laying out in excruciating detail
3
9858
3502
cada paso que uno quiere
que haga su computador
que haga su computador
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
para alcanzar el objetivo.
00:28
in order to achieve your goal.
5
16727
2362
Si quieren hacer algo que
no saben hacer por sí mismos
no saben hacer por sí mismos
00:31
Now, if you want to do something
that you don't know how to do yourself,
that you don't know how to do yourself,
6
19089
3496
entonces están ante un gran reto.
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
Ese fue el reto al que se enfrentó
este hombre, Arthur Samuel.
este hombre, Arthur Samuel.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
En 1956, quería hacer que su computador
pudiera ganarle a las damas.
pudiera ganarle a las damas.
00:40
In 1956, he wanted to get this computer
9
28131
4077
00:44
to be able to beat him at checkers.
10
32208
2340
¿Cómo se puede diseñar un programa,
00:46
How can you write a program,
11
34548
2040
teniendo en cuenta el más mínimo detalle
que sea mejor que sí mismo a las damas?
que sea mejor que sí mismo a las damas?
00:48
lay out in excruciating detail,
how to be better than you at checkers?
how to be better than you at checkers?
12
36588
3806
Y se le ocurrió una idea:
00:52
So he came up with an idea:
13
40394
1722
hizo jugar al computador
contra sí mismo miles de veces
contra sí mismo miles de veces
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
y le hizo aprender
a jugar a las damas.
a jugar a las damas.
00:57
and learn how to play checkers.
15
45840
2524
De hecho funcionó, ya en 1962,
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
este computador había ganado
la competición estatal de Connecticut.
la competición estatal de Connecticut.
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
Arthur Samuel fue el padre
del aprendizaje automático,
del aprendizaje automático,
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
y tengo una deuda con él,
01:10
and I have a great debt to him,
19
58534
1717
porque soy un profesional
del aprendizaje automático.
del aprendizaje automático.
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
Fui presidente de Kaggle,
01:15
I was the president of Kaggle,
21
63014
1465
una comunidad de unos 200 000
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
profesionales del
aprendizaje automático.
aprendizaje automático.
Kaggle contribuye con competiciones
01:19
Kaggle puts up competitions
23
67867
2058
para tratar de resolver problemas
anteriores no resueltos,
anteriores no resueltos,
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
y tuvo éxito cientos de veces.
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
Así que desde esa perspectiva,
pude descubrir
pude descubrir
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
mucho sobre lo que el aprendizaje
automático hizo, puede hacer hoy
automático hizo, puede hacer hoy
01:31
a lot about what machine learning
can do in the past, can do today,
can do in the past, can do today,
27
79940
3950
y lo que podrá hacer en el futuro.
01:35
and what it could do in the future.
28
83890
2362
Quizás el primer gran éxito
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
del aprendizaje automático
en el mercado fue Google.
en el mercado fue Google.
Google demostró que era posible
encontrar información
encontrar información
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
01:45
by using a computer algorithm,
31
93784
1752
usando un algoritmo informático
y ese algoritmo se basa en
el aprendizaje automático.
el aprendizaje automático.
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Desde entonces, ha habido muchos éxitos
comerciales del aprendizaje automático.
comerciales del aprendizaje automático.
01:54
Companies like Amazon and Netflix
34
102323
1837
Compañías como Amazon y Netflix
usan el aprendizaje automático
usan el aprendizaje automático
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
para sugerir artículos
que les puedan interesar comprar,
que les puedan interesar comprar,
películas que les puedan interesar ver
01:59
movies that you might like to watch.
36
107876
2020
A veces, es casi escalofriante.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Compañías como
LinkedIn y Facebook
LinkedIn y Facebook
02:03
Companies like LinkedIn and Facebook
38
111703
1954
dicen, en ocasiones, cuáles
pueden ser sus amigos
pueden ser sus amigos
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
y uno no tiene ni idea
de cómo lo han hecho,
de cómo lo han hecho,
02:08
and you have no idea how it did it,
40
116251
1977
y es porque hace uso del poder
del aprendizaje automático.
del aprendizaje automático.
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
Estos son algoritmos que han aprendido
como hacerlo a partir de los datos
como hacerlo a partir de los datos
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
en lugar de ser programados a mano.
02:16
rather than being programmed by hand.
43
124152
3247
Así es también como IBM tuvo éxito
02:19
This is also how IBM was successful
44
127399
2478
en conseguir que Watson ganara
dos campeonatos mundiales de "Jeopardy"
dos campeonatos mundiales de "Jeopardy"
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
respondiendo preguntas increíblemente
ingeniosas, como esta.
ingeniosas, como esta.
[El antiguo "León de Nimrud" se perdió
del Museo Nacional de esta ciudad en 2003]
del Museo Nacional de esta ciudad en 2003]
02:28
["The ancient 'Lion of Nimrud' went missing
from this city's national museum in 2003
(along with a lot of other stuff)"]
from this city's national museum in 2003
(along with a lot of other stuff)"]
47
136964
2835
02:31
This is also why we are now able
to see the first self-driving cars.
to see the first self-driving cars.
48
139799
3235
También es por eso, que podemos ver
los primeros autos sin piloto.
los primeros autos sin piloto.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
Si pueden diferenciar
entre, por ejemplo
entre, por ejemplo
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
un árbol y un peatón,
es algo muy importante.
es algo muy importante.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
No sabemos diseñar
estos programas manualmente,
estos programas manualmente,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
pero con el aprendizaje
automático es posible.
automático es posible.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
De hecho, este auto ha conducido
más de un millón y medio de kilómetros
más de un millón y medio de kilómetros
02:48
without any accidents on regular roads.
54
156680
3506
sin tener accidentes en carretera.
Así, sabemos que los computadores
pueden aprender
pueden aprender
02:52
So we now know that computers can learn,
55
160196
3914
y pueden aprender a hacer cosas
02:56
and computers can learn to do things
56
164110
1900
que de hecho nosotros, a veces,
no sabemos hacer,
no sabemos hacer,
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
o las pueden hacer mejor que nosotros.
03:00
or maybe can do them better than us.
58
168848
2885
Uno de los ejemplos más sorprendentes
que he visto en aprendizaje automático
que he visto en aprendizaje automático
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
ocurrió en un proyecto
que dirigía en Kaggle
que dirigía en Kaggle
03:07
happened on a project that I ran at Kaggle
60
175928
2392
donde un equipo dirigido por un chico
llamado Geoffrey Hinton
llamado Geoffrey Hinton
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
de la Universidad de Toronto
03:13
from the University of Toronto
62
181911
1552
ganó un concurso para el descubrimiento
automático de medicamentos.
automático de medicamentos.
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
Lo extraordinario fue no solo que batiera
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
a todos los algoritmos
desarrollados por Merck
desarrollados por Merck
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
o la comunidad académica internacional,
03:25
but nobody on the team had any background
in chemistry or biology or life sciences,
in chemistry or biology or life sciences,
66
193000
5061
sino que nadie del equipo
tenía experiencia en química
tenía experiencia en química
o biología o ciencias biológicas
y lo hicieron en dos semanas.
y lo hicieron en dos semanas.
03:30
and they did it in two weeks.
67
198061
2169
¿Cómo lo hicieron?
03:32
How did they do this?
68
200230
1381
Usaron un algoritmo extraordinario
llamado aprendizaje profundo.
llamado aprendizaje profundo.
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Fue tan exitoso que tuvo cobertura
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
en The New York Times en un artículo
de portada unas semanas después.
de portada unas semanas después.
Este es Geoffrey Hinton
a la izquierda.
a la izquierda.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
El aprendizaje profundo es un algoritmo
inspirado en el cerebro humano
inspirado en el cerebro humano
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
y como resultado
03:50
and as a result it's an algorithm
74
218488
1812
no tiene limitaciones teóricas
en lo que puede hacer.
en lo que puede hacer.
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
Cuantos más datos
y tiempo de cálculo uno le dé
y tiempo de cálculo uno le dé
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
mejor funciona.
03:58
the better it gets.
77
226964
1312
The New York Times mostró,
también en su artículo
también en su artículo
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
otro resultado extraordinario
del aprendizaje profundo
del aprendizaje profundo
04:02
another extraordinary
result of deep learning
result of deep learning
79
230615
2242
04:04
which I'm going to show you now.
80
232857
2712
que mostraré ahora.
Demuestra que los computadores
pueden escuchar y comprender.
pueden escuchar y comprender.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Vídeo) Richard Rashid:
El último paso
El último paso
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
que quiero dar en este proceso
04:18
is to actually speak to you in Chinese.
84
246246
4715
es hablar en chino.
04:22
Now the key thing there is,
85
250961
2635
La clave es,
hemos recopilado una gran información
de hablantes de chino
de hablantes de chino
04:25
we've been able to take a large amount
of information from many Chinese speakers
of information from many Chinese speakers
86
253596
5002
y producido un sistema de conversión
de texto a voz
de texto a voz
04:30
and produce a text-to-speech system
87
258598
2530
que toma el texto en chino
y lo convierte en lengua oral,
y lo convierte en lengua oral,
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
04:37
and then we've taken
an hour or so of my own voice
an hour or so of my own voice
89
265801
4128
luego hemos grabado
una hora de mi voz
una hora de mi voz
04:41
and we've used that to modulate
90
269929
1891
que usamos para modular
04:43
the standard text-to-speech system
so that it would sound like me.
so that it would sound like me.
91
271820
4544
el texto estándar de conversión
de texto a voz para que suene como yo.
de texto a voz para que suene como yo.
04:48
Again, the result's not perfect.
92
276364
2540
De nuevo, el resultado no es perfecto.
04:50
There are in fact quite a few errors.
93
278904
2648
De hecho, hay unos cuantos errores.
04:53
(In Chinese)
94
281552
2484
結果並不完美
(los resultados no son perfectos)
(los resultados no son perfectos)
04:56
(Applause)
95
284036
3367
(Aplausos)
Hay mucho que hacer en esta área.
05:01
There's much work to be done in this area.
96
289446
3576
在這方面有很多工作要做 (hay mucho
trabajo que hacer en esta área)
trabajo que hacer en esta área)
05:05
(In Chinese)
97
293022
3645
(Aplausos)
05:08
(Applause)
98
296667
3433
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Jeremy Howard: Esto era una conferencia
de aprendizaje automático en China.
de aprendizaje automático en China.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
No es usual, en conferencias académicas
05:19
that you do hear spontaneous applause,
101
307114
1897
oír aplausos espontáneos,
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
aunque en las conferencias
de TEDx siéntanse libres.
de TEDx siéntanse libres.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Todo lo que han visto es gracias
al aprendizaje profundo.
al aprendizaje profundo.
(Aplausos) Gracias.
05:27
(Applause) Thank you.
104
315482
1525
La transcripción en inglés
es aprendizaje profundo.
es aprendizaje profundo.
05:29
The transcription in English
was deep learning.
was deep learning.
105
317007
2282
05:31
The translation to Chinese and the text
in the top right, deep learning,
in the top right, deep learning,
106
319289
3412
La traducción al chino y el texto arriba
a la derecha, es aprendizaje profundo,
a la derecha, es aprendizaje profundo,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
y la construcción de la voz también
es aprendizaje profundo.
es aprendizaje profundo.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
Eso es lo extraordinario
del aprendizaje profundo.
del aprendizaje profundo.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
Es un solo algoritmo que parece
hacer casi cualquier cosa,
hacer casi cualquier cosa,
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
y descubrí que un año antes,
aprendió a ver.
aprendió a ver.
05:47
In this obscure competition from Germany
111
335452
2176
En esta extraña competición en Alemania
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
llamada Banco de Prueba de
Reconocimiento de Señales de Tránsito
Reconocimiento de Señales de Tránsito
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
el aprendizaje profundo ha aprendido
a reconocer señales de tránsito como esta.
a reconocer señales de tránsito como esta.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
No solo reconoce señales de tránsito
05:57
better than any other algorithm,
115
345712
1758
mejor que cualquier otro algoritmo,
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
la clasificación mostró
que era mejor que las personas,
que era mejor que las personas,
06:02
about twice as good as people.
117
350189
1852
dos veces más bueno que las personas.
06:04
So by 2011, we had the first example
118
352041
1996
Para 2011, se da el primer ejemplo
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
de computadores que pueden ver
mejor que las personas.
mejor que las personas.
06:09
Since that time, a lot has happened.
120
357442
2049
Desde entonces, han ocurrido muchas cosas.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
En 2012, Google anunció que había hecho
que un algoritmo de aprendizaje profundo
que un algoritmo de aprendizaje profundo
06:15
watch YouTube videos
122
363005
1415
viera vídeos en YouTube
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
y procesaron la información
en 16 000 computadores al mes
en 16 000 computadores al mes
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
y el computador aprendió
de manera independiente
de manera independiente
conceptos como personas y gatos
solo viendo los vídeos.
solo viendo los vídeos.
06:24
just by watching the videos.
125
372218
1809
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Esto se parece mucho
al aprendizaje humano.
al aprendizaje humano.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Los humanos no aprendemos
porque nos cuenten lo que vemos,
porque nos cuenten lo que vemos,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
sino que aprendemos solos
qué son esas cosas.
qué son esas cosas.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
También en 2012, Geoffrey Hinton,
que vimos anteriormente,
que vimos anteriormente,
06:37
won the very popular ImageNet competition,
130
385819
2858
ganó la famosa competición de ImageNet,
06:40
looking to try to figure out
from one and a half million images
from one and a half million images
131
388677
4141
tratando de averiguar, mirando
un millón y medio de imágenes,
un millón y medio de imágenes,
06:44
what they're pictures of.
132
392818
1438
sobre qué eran estas imágenes.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
A partir de 2014, tenemos un porcentaje
de error por debajo del 6 %
de error por debajo del 6 %
06:49
in image recognition.
134
397789
1453
en reconocimiento de imágenes.
06:51
This is better than people, again.
135
399242
2026
De nuevo, mejor que las personas.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
Las máquinas están haciendo
un trabajo increíble aquí,
un trabajo increíble aquí,
06:57
and it is now being used in industry.
137
405037
2269
y está siendo usadas en la industria.
06:59
For example, Google announced last year
138
407306
3042
Por ejemplo, Google anunció el año pasado
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
que había cartografiado cada sitio
de Francia en dos horas,
de Francia en dos horas,
07:06
and the way they did it was
that they fed street view images
that they fed street view images
140
414933
3447
y lo hizo alimentando
con imágenes de las calles,
con imágenes de las calles,
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
al algoritmo de aprendizaje profundo
para reconocer y leer los números.
para reconocer y leer los números.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Imaginen lo que se habría tardado antes:
07:16
dozens of people, many years.
143
424919
3355
docenas de personas, muchos años.
07:20
This is also happening in China.
144
428274
1911
Esto también está pasando en China.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu es como el Google chino, creo,
07:26
and what you see here in the top left
146
434221
2283
y lo que ven arriba a la izquierda
es un ejemplo de una imagen que subí
es un ejemplo de una imagen que subí
07:28
is an example of a picture that I uploaded
to Baidu's deep learning system,
to Baidu's deep learning system,
147
436504
3974
al sistema de aprendizaje profundo
de Baidu,
de Baidu,
07:32
and underneath you can see that the system
has understood what that picture is
has understood what that picture is
148
440478
3769
y debajo se puede ver que el sistema
ha entendido lo que es esa imagen
ha entendido lo que es esa imagen
07:36
and found similar images.
149
444247
2236
y encuentra imágenes similares.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
Las imágenes similares
tienen fondos similares
tienen fondos similares
07:41
similar directions of the faces,
151
449219
1658
similares de las caras,
incluso algunos con la lengua afuera.
incluso algunos con la lengua afuera.
07:42
even some with their tongue out.
152
450877
1788
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Esto no es claramente mirar
el texto de una página web.
el texto de una página web.
07:47
All I uploaded was an image.
154
455695
1412
Todo lo que descargué eran imágenes.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Por lo que ahora tenemos computadores
que entienden lo que ven
que entienden lo que ven
07:53
and can therefore search databases
156
461128
1624
y por ello pueden buscar bases de datos
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
de cientos de millones
de imágenes en tiempo real.
de imágenes en tiempo real.
¿Qué significado tiene que
los computadores puedan ver?
los computadores puedan ver?
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
Bueno, no es solo que
los computadores puedan ver.
los computadores puedan ver.
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
De hecho, el aprendizaje profundo
ha hecho más que eso.
ha hecho más que eso.
08:05
Complex, nuanced sentences like this one
161
473622
2948
Frases complejas y llenas
de matices como esta
de matices como esta
son ahora comprensibles con
algoritmos del aprendizaje profundo.
algoritmos del aprendizaje profundo.
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
Como pueden ver aquí,
08:11
As you can see here,
163
479394
1303
este sistema basado en el de Stanford que
muestra el punto rojo en la parte superior
muestra el punto rojo en la parte superior
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
ha comprendido que esta frase
expresa sentimientos negativos.
expresa sentimientos negativos.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
El aprendizaje profundo está cercano
a la conducta humana al comprender
a la conducta humana al comprender
lo que significan las frases y lo que
se está diciendo sobre esas cosas.
se está diciendo sobre esas cosas.
08:22
at understanding what sentences are about
and what it is saying about those things.
and what it is saying about those things.
167
490802
5121
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
El aprendizaje profundo se ha usado
también para leer chino,
también para leer chino,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
de nuevo, a un nivel
casi de hablante nativo.
casi de hablante nativo.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Este algoritmo, desarrollado en Suiza
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
por gente que no hablaba
ni entendía chino.
ni entendía chino.
08:39
As I say, using deep learning
172
507331
2051
Como dije, usar el aprendizaje profundo
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
es el mejor sistema del mundo para esto,
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
hasta comparándolo
con el conocimiento humano.
con el conocimiento humano.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Este es un sistema que
formamos en mi empresa
formamos en mi empresa
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
que demuestra todas estas cosas juntas.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Estas son imágenes sin texto adjunto,
08:56
and as I'm typing in here sentences,
178
524189
2352
y cuando tecleo aquí frases,
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
entiende, en tiempo real, estas imágenes
09:01
and figuring out what they're about
180
529510
1679
y comprende de qué se tratan
09:03
and finding pictures that are similar
to the text that I'm writing.
to the text that I'm writing.
181
531189
3163
y encuentra imágenes similares
al texto que estoy escribiendo.
al texto que estoy escribiendo.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Como pueden ver, entiende mis frases
09:09
and actually understanding these pictures.
183
537108
2224
y de hecho entiende estas imágenes.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Se que han visto algo como esto en Google,
donde puede escribir algo
donde puede escribir algo
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
y te lo muestra en imágenes,
pero lo que realmente está haciendo
pero lo que realmente está haciendo
09:16
but actually what it's doing is it's
searching the webpage for the text.
searching the webpage for the text.
186
544666
3424
es buscar la página web
a través del texto.
a través del texto.
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Esto es muy diferente
a comprender las imágenes.
a comprender las imágenes.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Esto es algo que los computadores
solo han podido hacer
solo han podido hacer
09:25
for the first time in the last few months.
189
553843
3248
por primera vez hace unos pocos meses.
09:29
So we can see now that computers
can not only see but they can also read,
can not only see but they can also read,
190
557091
4091
Así que ahora podemos ver
que los computadores no solo ven
que los computadores no solo ven
sino que pueden leer,
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
y, por supuesto, hemos demostrado
que pueden entender lo que oyen.
que pueden entender lo que oyen.
09:36
Perhaps not surprising now that
I'm going to tell you they can write.
I'm going to tell you they can write.
192
564947
3442
Quizá no sea sorprendente ahora
lo que voy a decir, pueden escribir.
lo que voy a decir, pueden escribir.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Aquí hay parte de un texto que generé ayer
usando el algoritmo
de aprendizaje profundo.
de aprendizaje profundo.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
Y aquí hay parte de un texto que generó
un algoritmo de Stanford.
un algoritmo de Stanford.
09:49
Each of these sentences was generated
195
577096
1764
Cada una de estas frases fue generada
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
por un algoritmo de aprendizaje profundo
para describir estas imágenes.
para describir estas imágenes.
09:55
This algorithm before has never seen
a man in a black shirt playing a guitar.
a man in a black shirt playing a guitar.
197
583109
4472
Este algoritmo nunca había visto
a un hombre con camisa negra
tocando la guitarra.
tocando la guitarra.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Ha visto a un hombre antes,
ha visto el negro antes
ha visto el negro antes
10:01
it's seen a guitar before,
199
589801
1599
ha visto una guitarra antes,
pero ha generado
pero ha generado
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
de manera independiente esta innovadora
descripción de esta imagen.
descripción de esta imagen.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Aquí no estamos ante un comportamiento
humano, pero estamos cerca.
humano, pero estamos cerca.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
En las pruebas, las personas prefieren
las leyendas generadas por el computador
las leyendas generadas por el computador
10:15
one out of four times.
203
603264
1527
1 de cada 4 veces.
10:16
Now this system is now only two weeks old,
204
604791
2064
Este sistema tiene ahora solo
dos semanas de edad,
dos semanas de edad,
10:18
so probably within the next year,
205
606855
1846
por lo que posiblemente
antes del año que viene,
antes del año que viene,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
el algoritmo del computador irá
más allá del comportamiento humano
más allá del comportamiento humano
10:23
at the rate things are going.
207
611502
1862
al paso que van las cosas.
10:25
So computers can also write.
208
613364
3049
Así que los computadores pueden escribir.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Juntamos todo esto y lleva
a oportunidades apasionantes.
a oportunidades apasionantes.
10:31
For example, in medicine,
210
619888
1492
Por ejemplo, en medicina,
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
un equipo de Boston anunció
que habían descubierto
que habían descubierto
10:35
dozens of new clinically relevant features
212
623905
2949
decenas de características
clínicas relevantes
clínicas relevantes
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
sobre tumores que ayudan a los médicos
a hacer un diagnóstico de un cáncer.
a hacer un diagnóstico de un cáncer.
10:44
Very similarly, in Stanford,
214
632220
2296
Algo similar, en Stanford,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
un grupo anunció que,
mirando un tejido con aumento,
mirando un tejido con aumento,
habían desarrollado una máquina
basada en el sistema de aprendizaje
basada en el sistema de aprendizaje
10:50
they've developed
a machine learning-based system
a machine learning-based system
216
638179
2381
10:52
which in fact is better
than human pathologists
than human pathologists
217
640560
2582
que de hecho es mejor
que los patólogos humanos
que los patólogos humanos
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
prediciendo las tasas de supervivencia
de los enfermos de cáncer.
de los enfermos de cáncer.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
En ambos casos, no solo fueron
las predicciones más precisas,
las predicciones más precisas,
11:02
but they generated new insightful science.
220
650764
2502
sino que generaron una
nueva ciencia reveladora.
nueva ciencia reveladora.
11:05
In the radiology case,
221
653276
1505
En el caso de la radiología,
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
hubo nuevos indicadores clínicos
que las personas pueden entender.
que las personas pueden entender.
11:09
In this pathology case,
223
657876
1792
En este caso de patología,
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
el sistema informático descubrió
que las células alrededor del cáncer
que las células alrededor del cáncer
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
son tan importantes como
las células del cáncer mismo
las células del cáncer mismo
11:19
in making a diagnosis.
226
667508
1752
al hacer un diagnóstico.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Esto es lo contrario de lo que
los patólogos han pensado por décadas.
los patólogos han pensado por décadas.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
En cada uno de estos casos,
fueron sistemas desarrollados
fueron sistemas desarrollados
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
por una combinación de expertos médicos
y expertos del aprendizaje profundo,
y expertos del aprendizaje profundo,
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
pero a partir del año pasado,
dimos un paso más allá.
dimos un paso más allá.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Este es un caso de identificación
de áreas cancerígenas
de áreas cancerígenas
11:39
of human tissue under a microscope.
232
687824
2530
del tejido humano por microscopio.
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
El sistema que se muestra aquí
puede identificar esas áreas
puede identificar esas áreas
de formar más precisa o casi tan precisa
como los patólogos humanos,
como los patólogos humanos,
11:46
or about as accurately,
as human pathologists,
as human pathologists,
234
694967
2775
11:49
but was built entirely with deep learning
using no medical expertise
using no medical expertise
235
697742
3392
construido completamente
con aprendizaje profundo
con aprendizaje profundo
sin usar experiencia médica
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
por gente que no tenía
experiencia en este campo.
experiencia en este campo.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
De manera similar,
esta segmentación neuronal.
esta segmentación neuronal.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Ahora, podemos segmentar neuronas de forma
casi tan precisa como las personas,
casi tan precisa como las personas,
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
y este sistema fue desarrollado
por aprendizaje profundo
por aprendizaje profundo
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
usando a gente sin experiencia
previa en medicina.
previa en medicina.
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Como yo, alguien sin experiencia
previa en medicina,
previa en medicina,
12:12
I seem to be entirely well qualified
to start a new medical company,
to start a new medical company,
242
720148
3727
parezco completamente calificado
para empezar una empresa médica,
para empezar una empresa médica,
12:15
which I did.
243
723875
2146
y lo hice.
12:18
I was kind of terrified of doing it,
244
726021
1740
Estaba aterrorizado de hacerlo,
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
pero la teoría parecía sugerir
que podía ser posible
que podía ser posible
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
hacer medicina muy útil usando solo
estas técnicas de información analítica.
estas técnicas de información analítica.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Afortunadamente, la recompensa
ha sido fantástica,
ha sido fantástica,
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
no solo por parte de los medios
sino de la comunidad médica,
sino de la comunidad médica,
12:32
who have been very supportive.
249
740978
2344
que nos ha apoyado mucho.
La teoría es que podemos tomar
media parte del proceso médico
media parte del proceso médico
12:35
The theory is that we can take
the middle part of the medical process
the middle part of the medical process
250
743322
4149
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
y convertirlo todo lo posible
en análisis de datos,
en análisis de datos,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
dejando a los médicos
en lo que son mejores.
en lo que son mejores.
12:45
I want to give you an example.
253
753429
1602
Quiero dar un ejemplo.
12:47
It now takes us about 15 minutes
to generate a new medical diagnostic test
to generate a new medical diagnostic test
254
755031
4944
Nos lleva unos 15 minutos crear
una nueva prueba de diagnóstico médico
una nueva prueba de diagnóstico médico
12:51
and I'll show you that in real time now,
255
759975
1954
y ahora lo demostraré
en tiempo real,
en tiempo real,
12:53
but I've compressed it down to
three minutes by cutting some pieces out.
three minutes by cutting some pieces out.
256
761929
3487
pero lo he comprimido a 3 minutos
cortando algunas partes.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
En vez de mostrar cómo crear
una prueba de diagnóstico médico,
una prueba de diagnóstico médico,
13:00
I'm going to show you
a diagnostic test of car images,
a diagnostic test of car images,
258
768477
3369
mostraré una prueba de diagnóstico
de imágenes de autos,
de imágenes de autos,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
porque es algo que
todos podemos entender.
todos podemos entender.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Así que, empezamos con un millón
y medio de imágenes de autos,
y medio de imágenes de autos,
13:09
and I want to create something
that can split them into the angle
that can split them into the angle
261
777269
3206
y quiero crear algo que
pueda dividirlas en el ángulo
pueda dividirlas en el ángulo
13:12
of the photo that's being taken.
262
780475
2223
en el que la foto fue tomada.
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
so I have to start from scratch.
263
782698
3888
Estas imágenes están sin etiquetar,
así que tengo que empezar desde cero.
así que tengo que empezar desde cero.
13:18
With our deep learning algorithm,
264
786586
1865
Con nuestro algoritmo
de aprendizaje profundo,
de aprendizaje profundo,
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
se pueden identificar automáticamente
áreas de la estructura en estas imágenes.
áreas de la estructura en estas imágenes.
13:24
So the nice thing is that the human
and the computer can now work together.
and the computer can now work together.
266
792158
3620
Lo bueno es que la persona y el computador
pueden trabajar juntos.
pueden trabajar juntos.
13:27
So the human, as you can see here,
267
795778
2178
Así que la persona,
como pueden ver aquí,
como pueden ver aquí,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
le está indicando al computador
áreas de interés
áreas de interés
13:32
which it wants the computer then
to try and use to improve its algorithm.
to try and use to improve its algorithm.
269
800631
4650
que quiere que el computador pruebe
y use para mejorar su algoritmo.
y use para mejorar su algoritmo.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Estos sistemas de aprendizaje profundo
están en un espacio de 16 000 dimensiones,
están en un espacio de 16 000 dimensiones,
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
así, pueden ver aquí cómo el computador
rota esto en ese espacio,
rota esto en ese espacio,
13:45
trying to find new areas of structure.
272
813009
1992
intentando encontrar
nuevas áreas de estructura.
nuevas áreas de estructura.
13:47
And when it does so successfully,
273
815001
1781
Y cuando lo hace con éxito,
13:48
the human who is driving it can then
point out the areas that are interesting.
point out the areas that are interesting.
274
816782
4004
la persona que lo maneja puede, entonces,
señalar las áreas de interés.
señalar las áreas de interés.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Aquí, el computador ha encontrado,
con éxito, áreas,
con éxito, áreas,
13:55
for example, angles.
276
823208
2562
por ejemplo, ángulos.
13:57
So as we go through this process,
277
825770
1606
Conforme avanzamos en este proceso,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
vamos diciendo, gradualmente,
al computador más y más
al computador más y más
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
sobre los tipos de estructuras
que estamos buscando.
que estamos buscando.
14:04
You can imagine in a diagnostic test
280
832144
1772
Pueden imaginar en una prueba diagnóstica
que esto debería ser
que esto debería ser
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
un patólogo identificando
áreas patológicas, por ejemplo,
áreas patológicas, por ejemplo,
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
o un radiólogo indicando nódulos
potencialmente problemáticos.
potencialmente problemáticos.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
A veces puede ser difícil
para el algoritmo.
para el algoritmo.
14:16
In this case, it got kind of confused.
284
844851
1964
En este caso, queda algo confuso.
Las partes delanteras y traseras
de los autos están todas mezcladas.
de los autos están todas mezcladas.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
14:21
So here we have to be a bit more careful,
286
849365
2072
Así que tenemos que ser
un poco más cuidadosos,
un poco más cuidadosos,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
seleccionando manualmente
las partes delanteras
las partes delanteras
en contraposición a las traseras,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
para luego decir al computador
que este es una especie de grupo
que este es una especie de grupo
14:32
that we're interested in.
289
860175
1348
es en el que estamos interesados.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Hacemos esto por un tiempo,
nos saltamos un poco,
nos saltamos un poco,
y luego probamos el algoritmo
de aprendizaje automático
de aprendizaje automático
14:36
and then we train the
machine learning algorithm
machine learning algorithm
291
864200
2246
14:38
based on these couple of hundred things,
292
866446
1974
basado en un par de cientos de cosas,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
y esperamos que haya mejorado mucho.
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
Se puede ver, que han empezado
a desvanecerse algunas de estas imágenes,
a desvanecerse algunas de estas imágenes,
14:45
showing us that it already is recognizing
how to understand some of these itself.
how to understand some of these itself.
295
873518
4708
mostrándonos que ya está reconociendo
cómo entender por sí mismo
algunas de ellas.
algunas de ellas.
Entonces podemos usar este concepto
en imágenes similares,
en imágenes similares,
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
14:53
and using similar images, you can now see,
297
881128
2094
y usando imágenes similares,
como pueden ver, en este punto,
como pueden ver, en este punto,
14:55
the computer at this point is able to
entirely find just the fronts of cars.
entirely find just the fronts of cars.
298
883222
4019
el computador puede encontrar
solo la parte delantera de los autos.
solo la parte delantera de los autos.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
En este punto, la persona
puede decir al computador,
puede decir al computador,
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
de acuerdo, sí, has hecho
un buen trabajo.
un buen trabajo.
15:05
Sometimes, of course, even at this point
301
893652
2185
En ocasiones, por supuesto,
incluso en este punto
incluso en este punto
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
sigue siendo difícil
separar los grupos.
separar los grupos.
15:11
In this case, even after we let the
computer try to rotate this for a while,
computer try to rotate this for a while,
303
899511
3884
En este caso, incluso
después de que dejamos
después de que dejamos
al computador que intente girar
esto por un momento,
esto por un momento,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
seguimos encontrando
que la parte izquierda
que la parte izquierda
y derecha de las imágenes
están mezcladas.
están mezcladas.
15:18
are all mixed up together.
305
906744
1478
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Así que podemos dar, de nuevo,
al computador algunas pistas,
al computador algunas pistas,
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
y decimos, bien, intenta encontrar
una proyección que separe
una proyección que separe
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
los lados izquierdos de los derechos
de la manera más precisa
de la manera más precisa
15:27
using this deep learning algorithm.
309
915945
2122
usando este algoritmo
de aprendizaje profundo.
de aprendizaje profundo.
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Y dándole esta pista...
ah, bien, ha tenido éxito.
ah, bien, ha tenido éxito.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Consiguió encontrar la manera
de pensar estos objetos
de pensar estos objetos
15:35
that's separated out these together.
312
923891
2380
que está separando
estos que están juntos.
estos que están juntos.
15:38
So you get the idea here.
313
926271
2438
Así se entiende la idea aquí.
15:40
This is a case not where the human
is being replaced by a computer,
is being replaced by a computer,
314
928709
8197
Este es un caso en el que la persona
no es reemplazada por un computador,
no es reemplazada por un computador,
15:48
but where they're working together.
315
936906
2640
sino que trabajan juntos.
15:51
What we're doing here is we're replacing
something that used to take a team
something that used to take a team
316
939546
3550
Estamos reemplazando algo que
solía necesitar de un equipo
solía necesitar de un equipo
15:55
of five or six people about seven years
317
943096
2002
de 5 o 6 personas durante 7 años
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
por algo que lleva 15 minutos
15:59
for one person acting alone.
319
947703
2505
a una sola persona.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Este proceso lleva
unas 4 o 5 iteraciones.
unas 4 o 5 iteraciones.
16:06
You can see we now have 62 percent
321
954158
1859
Ahora pueden ver que tenemos un 62 %
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
de nuestro millón y medio de imágenes
clasificadas correctamente.
clasificadas correctamente.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
En este punto, podemos empezar,
con bastante rapidez,
con bastante rapidez,
16:13
grab whole big sections,
324
961448
1297
a tomar grandes secciones completas,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
comprobándolas para asegurarse
que no hay errores.
que no hay errores.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Cuando hay errores,
podemos hacérselo saber al computador.
podemos hacérselo saber al computador.
16:21
And using this kind of process
for each of the different groups,
for each of the different groups,
327
969616
3045
Usando este tipo de proceso
para cada uno de los diferentes grupos,
para cada uno de los diferentes grupos,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
nos colocamos en un índice
del 80 % de éxito
del 80 % de éxito
16:27
in classifying the 1.5 million images.
329
975148
2415
en la clasificación de un millón
y medio de imágenes.
y medio de imágenes.
16:29
And at this point, it's just a case
330
977563
2078
En este punto, es solo cuestión
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
de encontrar el pequeño número
que no está clasificado correctamente,
que no está clasificado correctamente,
16:35
and trying to understand why.
332
983220
2888
e intentar comprender el porqué.
16:38
And using that approach,
333
986108
1743
Usando este enfoque,
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
en 15 minutos alcanza un índice
de clasificación del 97 %.
de clasificación del 97 %.
16:43
So this kind of technique
could allow us to fix a major problem,
could allow us to fix a major problem,
335
991972
4600
Este tipo de técnica nos permite
arreglar un problema mayor,
arreglar un problema mayor,
16:48
which is that there's a lack
of medical expertise in the world.
of medical expertise in the world.
336
996578
3036
que es que hay una falta de
conocimientos médicos en el mundo.
conocimientos médicos en el mundo.
16:51
The World Economic Forum says
that there's between a 10x and a 20x
that there's between a 10x and a 20x
337
999614
3489
El Foro Económico Mundial
dice que hay entre 10 y 20 veces
dice que hay entre 10 y 20 veces
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
de escasez de físicos
en el mundo desarrollado,
en el mundo desarrollado,
16:57
and it would take about 300 years
339
1005727
2113
y llevará unos 300 años
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
entrenar a gente suficiente
para arreglar el problema.
para arreglar el problema.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Imaginen que pudiésemos ayudar
a aumentar su eficiencia
a aumentar su eficiencia
17:05
using these deep learning approaches?
342
1013619
2839
usando estos métodos
de aprendizaje profundo.
de aprendizaje profundo.
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Estoy muy entusiasmado
con las oportunidades.
con las oportunidades.
17:10
I'm also concerned about the problems.
344
1018690
2589
También estoy preocupado
por los problemas.
por los problemas.
17:13
The problem here is that
every area in blue on this map
every area in blue on this map
345
1021279
3124
El problema aquí es que
cada área azul de este mapa
cada área azul de este mapa
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
es algún sitio donde el empleo,
de servicios es mayor del 80 %.
de servicios es mayor del 80 %.
17:20
What are services?
347
1028172
1787
¿Qué son los servicios?
17:21
These are services.
348
1029959
1514
Los servicios son estos.
17:23
These are also the exact things that
computers have just learned how to do.
computers have just learned how to do.
349
1031473
4154
Estas son también las mismas cosas
que los computadores acaban
de aprender a hacer.
de aprender a hacer.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
Así que el 80 % del empleo mundial
en el mundo desarrollado
en el mundo desarrollado
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
son cosas que los computadores
acaban de aprender a hacer.
acaban de aprender a hacer.
17:33
What does that mean?
352
1041963
1440
¿Qué significa esto?
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Bueno, no habrá problema,
lo reemplazarán por otros trabajos.
lo reemplazarán por otros trabajos.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
Por ejemplo, habrá más trabajos
para los científicos de datos.
para los científicos de datos.
17:40
Well, not really.
355
1048693
817
Bueno, realmente no.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
A los científicos de datos no les lleva
mucho tiempo construir estas cosas.
mucho tiempo construir estas cosas.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Por ejemplo, estos 4 algoritmos
fueron creados por el mismo chico.
fueron creados por el mismo chico.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Así que si piensan,
todo ha pasado ya antes,
todo ha pasado ya antes,
17:50
we've seen the results in the past
of when new things come along
of when new things come along
359
1058318
3808
hemos visto los resultados en el pasado
de cuando surgen cosas nuevas
de cuando surgen cosas nuevas
17:54
and they get replaced by new jobs,
360
1062126
2252
y son reemplazadas por nuevos trabajos.
17:56
what are these new jobs going to be?
361
1064378
2116
¿Qué trabajos van a ser?
17:58
It's very hard for us to estimate this,
362
1066494
1871
Es muy difícil para nosotros
hacer una estimación
hacer una estimación
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
ya que el comportamiento humano
crece a un ritmo gradual,
crece a un ritmo gradual,
18:03
but we now have a system, deep learning,
364
1071104
2562
pero ahora tenemos un sistema,
aprendizaje profundo,
aprendizaje profundo,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
que sabemos que crece en capacidad,
exponencialmente.
exponencialmente.
18:08
And we're here.
366
1076893
1605
Y aquí estamos.
18:10
So currently, we see the things around us
367
1078498
2061
Actualmente, vemos las cosas
a nuestro alrededor
a nuestro alrededor
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
y decimos: "Los computadores siguen
siendo un poco estúpidos". ¿Verdad?
siendo un poco estúpidos". ¿Verdad?
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Pero en 5 años, los computadores
estarán fuera de esta gráfica.
estarán fuera de esta gráfica.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Así que necesitamos empezar a pensar
sobre esta capacidad ahora mismo.
sobre esta capacidad ahora mismo.
18:22
We have seen this once before, of course.
371
1090529
2050
Lo hemos visto anteriormente,
por supuesto.
por supuesto.
18:24
In the Industrial Revolution,
372
1092579
1387
En la Revolución Industrial,
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
vimos un cambio en la capacidad
gracias a los motores.
gracias a los motores.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
El asunto es, sin embargo, que tras
un tiempo, las cosas se nivelan.
un tiempo, las cosas se nivelan.
18:32
There was social disruption,
375
1100805
1702
Hubo una alteración social,
pero una vez que
pero una vez que
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
los motores se usaron
para generar energía
en todas las situaciones,
en todas las situaciones,
18:37
things really settled down.
377
1105946
2354
las cosas realmente se establecieron.
18:40
The Machine Learning Revolution
378
1108300
1473
La Revolución del Aprendizaje Automático
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
va a ser diferente
a la Revolución Industrial porque
a la Revolución Industrial porque
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
la Revolución del Aprendizaje Automático,
nunca se asienta.
nunca se asienta.
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Cuanto mejores son los computadores
en actividades intelectuales,
en actividades intelectuales,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
mejores computadores se crearán para
que mejoren su capacidad intelectual,
que mejoren su capacidad intelectual,
18:54
so this is going to be a kind of change
383
1122862
1908
así que esto va a ser
una especie de cambio
una especie de cambio
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
que nunca antes había
experimentado el mundo,
experimentado el mundo,
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
por lo que el entendimiento previo
de lo posible, es diferente.
de lo posible, es diferente.
19:02
This is already impacting us.
386
1130974
1780
Esto nos impacta.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
En los últimos 25 años, la productividad
del capital se ha incrementado,
del capital se ha incrementado,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
la productividad laboral se ha mantenido,
incluso ha descendido.
incluso ha descendido.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Por lo que quiero que empecemos
a discutir esto ahora.
a discutir esto ahora.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Sé que cuando hablo
sobre esta situación
sobre esta situación
19:19
people can be quite dismissive.
391
1147176
1490
la gente puede ser despectiva.
19:20
Well, computers can't really think,
392
1148666
1673
Bueno, los computadores
no pueden realmente pensar,
no pueden realmente pensar,
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
no tienen sentimientos,
no entienden poesía,
no entienden poesía,
19:25
we don't really understand how they work.
394
1153367
2521
no entendemos realmente cómo funcionan.
19:27
So what?
395
1155888
1486
Y, ¿qué?
Actualmente los computadores
pueden hacer cosas
pueden hacer cosas
19:29
Computers right now can do the things
396
1157374
1804
19:31
that humans spend most
of their time being paid to do,
of their time being paid to do,
397
1159178
2719
en las que las personas gastan su tiempo
y les pagan por ello
y les pagan por ello
19:33
so now's the time to start thinking
398
1161897
1731
así pues ahora tenemos
que empezar a pensar
que empezar a pensar
19:35
about how we're going to adjust our
social structures and economic structures
social structures and economic structures
399
1163628
4387
sobre cómo vamos a ajustar
nuestras estructuras sociales y económicas
nuestras estructuras sociales y económicas
19:40
to be aware of this new reality.
400
1168015
1840
para ser conscientes de
esta nueva realidad.
esta nueva realidad.
19:41
Thank you.
401
1169855
1533
Gracias.
19:43
(Applause)
402
1171388
802
(Aplausos)
ABOUT THE SPEAKER
Jeremy Howard - Data scientistJeremy 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.
Jeremy Howard | Speaker | TED.com