TED@BCG Milan
Margaret Mitchell: How we can build AI to help humans, not hurt us
Margaret Mitchell: Hoe kunnen we AI zo maken dat ze ons helpt en geen pijn doet
Filmed:
Readability: 4.6
1,154,210 views
Als onderzoekswetenschapper bij Google helpt Margaret Mitchell computers te ontwikkelen die kunnen communiceren over wat ze zien en begrijpen. Ze vertelt een waarschuwend verhaal over de hiaten, blinde vlekken en vooroordelen die we onbewust in AI coderen -- en vraagt ons om na te denken over wat de technologie, die we vandaag creëren, morgen zal betekenen. "Alles wat we nu zien, is een momentopname in de evolutie van kunstmatige intelligentie," zegt Mitchell. "Als we willen dat AI evolueert op een manier die mensen helpt, dan moeten we de doelen en strategieën definiëren die dat pad nu mogelijk maken."
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
Ik help computers communiceren
over de wereld om ons heen.
over de wereld om ons heen.
00:17
There are a lot of ways to do this,
1
5754
1793
Er zijn veel manieren om dit te doen
00:19
and I like to focus on helping computers
2
7571
2592
en ik help computers
00:22
to talk about what they see
and understand.
and understand.
3
10187
2874
om te praten over
wat ze zien en begrijpen.
wat ze zien en begrijpen.
00:25
Given a scene like this,
4
13514
1571
In een scène als deze
00:27
a modern computer-vision algorithm
5
15109
1905
kan een modern computer-visie-algoritme
00:29
can tell you that there's a woman
and there's a dog.
and there's a dog.
6
17038
3095
je vertellen dat er een vrouw
en een hond is te zien.
en een hond is te zien.
00:32
It can tell you that the woman is smiling.
7
20157
2706
Het kan je vertellen dat de vrouw lacht.
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
Het kan je misschien vertellen
dat de hond ongelooflijk schattig is.
dat de hond ongelooflijk schattig is.
00:38
I work on this problem
9
26784
1349
Ik werk aan dit probleem
00:40
thinking about how humans
understand and process the world.
understand and process the world.
10
28157
4212
door na te denken over hoe mensen
de wereld begrijpen en verwerken.
de wereld begrijpen en verwerken.
00:45
The thoughts, memories and stories
11
33577
2952
De gedachten, herinneringen en verhalen
00:48
that a scene like this
might evoke for humans.
might evoke for humans.
12
36553
2818
die een scène als deze voor de mens
zou kunnen oproepen.
zou kunnen oproepen.
00:51
All the interconnections
of related situations.
of related situations.
13
39395
4285
Al de verwevenheid van verwante situaties.
00:55
Maybe you've seen
a dog like this one before,
a dog like this one before,
14
43704
3126
Misschien heb je een hond
als deze al eerder gezien
als deze al eerder gezien
00:58
or you've spent time
running on a beach like this one,
running on a beach like this one,
15
46854
2969
of was je ooit op een strand als dit,
01:01
and that further evokes thoughts
and memories of a past vacation,
and memories of a past vacation,
16
49847
4778
wat dan weer gedachten en herinneringen
aan een voorbije vakantie oproept,
aan een voorbije vakantie oproept,
01:06
past times to the beach,
17
54649
1920
tijd doorgebracht op het strand
01:08
times spent running around
with other dogs.
with other dogs.
18
56593
2603
of tijd doorgebracht met andere honden.
01:11
One of my guiding principles
is that by helping computers to understand
is that by helping computers to understand
19
59688
5207
Een van mijn uitgangspunten
is computers helpen begrijpen
is computers helpen begrijpen
01:16
what it's like to have these experiences,
20
64919
2896
hoe het is om deze ervaringen te hebben,
01:19
to understand what we share
and believe and feel,
and believe and feel,
21
67839
5176
om te begrijpen wat
we delen, geloven en voelen.
we delen, geloven en voelen.
01:26
then we're in a great position
to start evolving computer technology
to start evolving computer technology
22
74094
4310
We kunnen dan
computertechnologie ontwikkelen
computertechnologie ontwikkelen
01:30
in a way that's complementary
with our own experiences.
with our own experiences.
23
78428
4587
op een manier die complementair is
met onze eigen ervaringen.
met onze eigen ervaringen.
01:35
So, digging more deeply into this,
24
83539
3387
Ik verdiepte me hier verder in
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
en begon een paar jaar geleden
computers te helpen
computers te helpen
om menselijke verhalen
te genereren vanuit beeldsequenties.
te genereren vanuit beeldsequenties.
01:44
from sequences of images.
26
92879
1666
01:47
So, one day,
27
95427
1904
Op een dag
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
vroeg ik mijn computer wat hij dacht
over een reis naar Australië.
over een reis naar Australië.
01:54
It took a look at the pictures,
and it saw a koala.
and it saw a koala.
29
102768
2920
Hij bekeek de foto's en zag een koala.
01:58
It didn't know what the koala was,
30
106236
1643
Het wist niet wat een koala was,
01:59
but it said it thought
it was an interesting-looking creature.
it was an interesting-looking creature.
31
107903
2999
maar vond het
een interessant uitziend wezen.
een interessant uitziend wezen.
02:04
Then I shared with it a sequence of images
about a house burning down.
about a house burning down.
32
112053
4004
Toen toonde ik een opeenvolging
van beelden over een afbrandend huis.
van beelden over een afbrandend huis.
02:09
It took a look at the images and it said,
33
117704
3285
Hij bekeek de beelden en zei:
02:13
"This is an amazing view!
This is spectacular!"
This is spectacular!"
34
121013
3500
"Dit is een geweldig uitzicht!
Dit is spectaculair!"
Dit is spectaculair!"
02:17
It sent chills down my spine.
35
125450
2095
Dat gaf me koude rillingen.
02:20
It saw a horrible, life-changing
and life-destroying event
and life-destroying event
36
128983
4572
Hij zag een afschuwelijke, ingrijpende,
het leven vernietigende gebeurtenis
het leven vernietigende gebeurtenis
02:25
and thought it was something positive.
37
133579
2382
en dacht dat het iets positiefs was.
02:27
I realized that it recognized
the contrast,
the contrast,
38
135985
3441
Ik besefte dat hij het contrast herkende,
02:31
the reds, the yellows,
39
139450
2699
het rood, het geel,
02:34
and thought it was something
worth remarking on positively.
worth remarking on positively.
40
142173
3078
en vond dat hij er positief
op moest reageren.
op moest reageren.
02:37
And part of why it was doing this
41
145928
1615
Voor een deel kwam dat
02:39
was because most
of the images I had given it
of the images I had given it
42
147577
2945
omdat de meeste beelden die ik had getoond
02:42
were positive images.
43
150546
1840
over positieve zaken gingen.
02:44
That's because people
tend to share positive images
tend to share positive images
44
152903
3658
Dat komt omdat mensen de neiging hebben
om positieve beelden te delen
om positieve beelden te delen
02:48
when they talk about their experiences.
45
156585
2190
als ze praten over hun ervaringen.
02:51
When was the last time
you saw a selfie at a funeral?
you saw a selfie at a funeral?
46
159267
2541
Wanneer zag je de laatste keer
een selfie op een begrafenis?
een selfie op een begrafenis?
02:55
I realized that,
as I worked on improving AI
as I worked on improving AI
47
163434
3095
Ik realiseerde me dat, terwijl
ik werkte aan het verbeteren van AI,
ik werkte aan het verbeteren van AI,
02:58
task by task, dataset by dataset,
48
166553
3714
taak voor taak, dataset voor dataset,
03:02
that I was creating massive gaps,
49
170291
2897
ik enorme gaten creëerde,
03:05
holes and blind spots
in what it could understand.
in what it could understand.
50
173212
3999
gaten en blinde vlekken
in wat hij zou kunnen begrijpen.
in wat hij zou kunnen begrijpen.
03:10
And while doing so,
51
178307
1334
En zodoende codeerde
ik allerlei vooroordelen.
ik allerlei vooroordelen.
03:11
I was encoding all kinds of biases.
52
179665
2483
03:15
Biases that reflect a limited viewpoint,
53
183029
3318
Vooroordelen die
een beperkt standpunt weergaven,
een beperkt standpunt weergaven,
03:18
limited to a single dataset --
54
186371
2261
beperkt tot één enkele dataset --
03:21
biases that can reflect
human biases found in the data,
human biases found in the data,
55
189283
3858
vooroordelen die menselijke vooroordelen
in de data kunnen reflecteren,
in de data kunnen reflecteren,
03:25
such as prejudice and stereotyping.
56
193165
3104
zoals vooringenomenheid
en stereotypering.
en stereotypering.
03:29
I thought back to the evolution
of the technology
of the technology
57
197554
3057
Ik overdacht
de evolutie van de technologie
de evolutie van de technologie
03:32
that brought me to where I was that day --
58
200635
2502
die me zover had gebracht --
03:35
how the first color images
59
203966
2233
hoe de eerste afbeeldingen in kleur
03:38
were calibrated against
a white woman's skin,
a white woman's skin,
60
206223
3048
werden geijkt op
de huid van een blanke vrouw,
de huid van een blanke vrouw,
03:41
meaning that color photography
was biased against black faces.
was biased against black faces.
61
209665
4145
wat betekende dat de kleurenfotografie
vooringenomen was tegen zwarte gezichten.
vooringenomen was tegen zwarte gezichten.
Datzelfde vooroordeel,
diezelfde blinde vlek
diezelfde blinde vlek
03:46
And that same bias, that same blind spot
62
214514
2925
duurde voort tot in de jaren 90.
03:49
continued well into the '90s.
63
217463
1867
03:51
And the same blind spot
continues even today
continues even today
64
219701
3154
En dezelfde blinde vlek werkt
zelfs vandaag nog door
zelfs vandaag nog door
03:54
in how well we can recognize
different people's faces
different people's faces
65
222879
3698
in hoe goed we de gezichten
van verschillende mensen kunnen herkennen
van verschillende mensen kunnen herkennen
03:58
in facial recognition technology.
66
226601
2200
met gezichtsherkenningtechnologie.
04:01
I though about the state of the art
in research today,
in research today,
67
229323
3143
Ik dacht na over de stand van de techniek
in hedendaags onderzoek,
in hedendaags onderzoek,
04:04
where we tend to limit our thinking
to one dataset and one problem.
to one dataset and one problem.
68
232490
4514
waar we ons denken neigen te beperken
tot één dataset en één probleem.
tot één dataset en één probleem.
04:09
And that in doing so, we were creating
more blind spots and biases
more blind spots and biases
69
237688
4881
Daardoor creëren we
meer blinde vlekken en vooroordelen
meer blinde vlekken en vooroordelen
die de AI dan verder kan versterken.
04:14
that the AI could further amplify.
70
242593
2277
04:17
I realized then
that we had to think deeply
that we had to think deeply
71
245712
2079
Ik realiseerde me dat we
diep moesten nadenken
diep moesten nadenken
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
over hoe de technologie
waar we vandaag aan werken
waar we vandaag aan werken
er over vijf of tien jaar zal uitzien.
04:25
Humans evolve slowly,
with time to correct for issues
with time to correct for issues
73
253990
3142
Mensen evolueren langzaam
met tijd om problemen te corrigeren
met tijd om problemen te corrigeren
04:29
in the interaction of humans
and their environment.
and their environment.
74
257156
3534
bij de interactie tussen
mensen en hun omgeving.
mensen en hun omgeving.
04:33
In contrast, artificial intelligence
is evolving at an incredibly fast rate.
is evolving at an incredibly fast rate.
75
261276
5429
Kunstmatige intelligentie daarentegen
ontwikkelt zich ongelooflijk snel.
ontwikkelt zich ongelooflijk snel.
04:39
And that means that it really matters
76
267013
1773
Daarom is het echt belangrijk
04:40
that we think about this
carefully right now --
carefully right now --
77
268810
2317
dat we er zorgvuldig over nadenken –
04:44
that we reflect on our own blind spots,
78
272180
3008
dat we nadenken
over onze eigen blinde vlekken,
over onze eigen blinde vlekken,
04:47
our own biases,
79
275212
2317
onze eigen vooroordelen,
04:49
and think about how that's informing
the technology we're creating
the technology we're creating
80
277553
3857
en nadenken over hoe dat inwerkt
op de technologie die we maken,
op de technologie die we maken,
en dat we bespreken wat de technologie
van vandaag zal betekenen voor morgen.
van vandaag zal betekenen voor morgen.
04:53
and discuss what the technology of today
will mean for tomorrow.
will mean for tomorrow.
81
281434
3902
04:58
CEOs and scientists have weighed in
on what they think
on what they think
82
286593
3191
CEO's en wetenschappers
hebben laten weten hoe ze dachten
hebben laten weten hoe ze dachten
05:01
the artificial intelligence technology
of the future will be.
of the future will be.
83
289808
3325
over de kunstmatige intelligentie
technologie van de toekomst.
technologie van de toekomst.
05:05
Stephen Hawking warns that
84
293157
1618
Stephen Hawking waarschuwt:
"Kunstmatige intelligentie kan
het einde van de mensheid betekenen."
het einde van de mensheid betekenen."
05:06
"Artificial intelligence
could end mankind."
could end mankind."
85
294799
3007
05:10
Elon Musk warns
that it's an existential risk
that it's an existential risk
86
298307
2683
Elon Musk waarschuwt dat het
een existentieel risico is
een existentieel risico is
05:13
and one of the greatest risks
that we face as a civilization.
that we face as a civilization.
87
301014
3574
en een van de grootste risico's waarmee
wij als beschaving worden geconfronteerd.
wij als beschaving worden geconfronteerd.
05:17
Bill Gates has made the point,
88
305665
1452
Bill Gates maakte het punt:
05:19
"I don't understand
why people aren't more concerned."
why people aren't more concerned."
89
307141
3185
"Ik begrijp niet waarom dit
de mensen niet méér bezighoudt."
de mensen niet méér bezighoudt."
05:23
But these views --
90
311412
1318
Maar deze opvattingen --
05:25
they're part of the story.
91
313618
1734
maken deel uit van het verhaal.
05:28
The math, the models,
92
316079
2420
De wiskunde, de modellen,
05:30
the basic building blocks
of artificial intelligence
of artificial intelligence
93
318523
3070
de bouwstenen
van kunstmatige intelligentie,
van kunstmatige intelligentie,
we hebben er allemaal toegang toe
en kunnen ermee werken.
en kunnen ermee werken.
05:33
are something that we call access
and all work with.
and all work with.
94
321617
3135
We hebben opensourcesoftware
05:36
We have open-source tools
for machine learning and intelligence
for machine learning and intelligence
95
324776
3785
voor machinaal leren
en kunstmatige intelligentie,
en kunstmatige intelligentie,
05:40
that we can contribute to.
96
328585
1734
waar we aan kunnen bijdragen.
05:42
And beyond that,
we can share our experience.
we can share our experience.
97
330919
3340
Daarenboven kunnen we onze ervaring delen.
Onze ervaringen met de technologie,
05:46
We can share our experiences
with technology and how it concerns us
with technology and how it concerns us
98
334760
3468
hoe we ermee te maken hebben
en hoe ze ons boeit.
en hoe ze ons boeit.
05:50
and how it excites us.
99
338252
1467
We kunnen bespreken waar we van houden.
05:52
We can discuss what we love.
100
340251
1867
05:55
We can communicate with foresight
101
343244
2031
We kunnen communiceren
met vooruitziende blik
met vooruitziende blik
05:57
about the aspects of technology
that could be more beneficial
that could be more beneficial
102
345299
4857
over aspecten van de technologie
die mettertijd ofwel gunstiger
die mettertijd ofwel gunstiger
06:02
or could be more problematic over time.
103
350180
2600
ofwel problematischer
zouden kunnen uitvallen.
zouden kunnen uitvallen.
06:05
If we all focus on opening up
the discussion on AI
the discussion on AI
104
353799
4143
Als we ons allemaal focussen op
het opentrekken van de discussie over AI
het opentrekken van de discussie over AI
06:09
with foresight towards the future,
105
357966
1809
met vooruitziende blik naar de toekomst,
06:13
this will help create a general
conversation and awareness
conversation and awareness
106
361093
4270
zal dit bijdragen aan het creëren
van een algemeen gesprek en bewustwording
van een algemeen gesprek en bewustwording
06:17
about what AI is now,
107
365387
2513
over wat AI nu is,
06:21
what it can become
108
369212
2001
wat het kan worden
06:23
and all the things that we need to do
109
371237
1785
en alle dingen die we moeten doen
06:25
in order to enable that outcome
that best suits us.
that best suits us.
110
373046
3753
om het resultaat te krijgen
dat ons het beste past.
dat ons het beste past.
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
We zien en kennen dit al
in de technologie van vandaag.
in de technologie van vandaag.
06:33
We use smart phones
and digital assistants and Roombas.
and digital assistants and Roombas.
112
381767
3880
We maken gebruik van smartphones,
pda's en Roomba’s.
pda's en Roomba’s.
06:38
Are they evil?
113
386457
1150
Zijn ze kwaadaardig?
06:40
Maybe sometimes.
114
388268
1547
Misschien af en toe.
06:42
Are they beneficial?
115
390664
1333
Zijn ze nuttig?
06:45
Yes, they're that, too.
116
393005
1533
Ja, dat ook.
06:48
And they're not all the same.
117
396236
1761
En ze zijn niet allemaal hetzelfde.
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
Daar zie je al wat de toekomst belooft.
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
De toekomst bouwt verder op
wat we op dit moment maken.
wat we op dit moment maken.
06:59
We set into motion that domino effect
120
407165
2642
We hebben een domino-effect in gang gezet
07:01
that carves out AI's evolutionary path.
121
409831
2600
dat het evolutionaire pad van AI uitzet.
07:05
In our time right now,
we shape the AI of tomorrow.
we shape the AI of tomorrow.
122
413173
2871
Nu geven we vorm aan de AI van morgen.
07:08
Technology that immerses us
in augmented realities
in augmented realities
123
416566
3699
Technologie die ons onderdompelt
in toegevoegde realiteit
in toegevoegde realiteit
die vergane werelden tot leven brengen.
07:12
bringing to life past worlds.
124
420289
2566
07:15
Technology that helps people
to share their experiences
to share their experiences
125
423844
4312
Technologie die mensen helpt
om hun ervaringen te delen
om hun ervaringen te delen
wanneer ze moeite hebben
om te communiceren.
om te communiceren.
07:20
when they have difficulty communicating.
126
428180
2262
07:23
Technology built on understanding
the streaming visual worlds
the streaming visual worlds
127
431323
4532
Technologie gebouwd op het begrijpen
van continu veranderende beeldsituaties,
van continu veranderende beeldsituaties,
07:27
used as technology for self-driving cars.
128
435879
3079
die gebruikt wordt als technologie
voor zelfrijdende auto's.
voor zelfrijdende auto's.
07:32
Technology built on understanding images
and generating language,
and generating language,
129
440490
3413
Technologie gebouwd voor het begrijpen
van beelden en het genereren van taal,
van beelden en het genereren van taal,
07:35
evolving into technology that helps people
who are visually impaired
who are visually impaired
130
443927
4063
evoluerend naar technologie
die mensen met een visuele beperking
die mensen met een visuele beperking
07:40
be better able to access the visual world.
131
448014
2800
betere toegang verschaft
tot de visuele wereld.
tot de visuele wereld.
Daarnaast zien we hoe technologie
tot problemen kan leiden.
tot problemen kan leiden.
07:42
And we also see how technology
can lead to problems.
can lead to problems.
132
450838
3261
We hebben vandaag technologie
07:46
We have technology today
133
454885
1428
07:48
that analyzes physical
characteristics we're born with --
characteristics we're born with --
134
456337
3835
die fysieke kenmerken waarmee
we zijn geboren analyseert --
we zijn geboren analyseert --
07:52
such as the color of our skin
or the look of our face --
or the look of our face --
135
460196
3272
zoals de kleur van onze huid
of hoe ons gezicht eruitziet --
of hoe ons gezicht eruitziet --
07:55
in order to determine whether or not
we might be criminals or terrorists.
we might be criminals or terrorists.
136
463492
3804
om te bepalen of we misschien
criminelen of terroristen zijn.
criminelen of terroristen zijn.
07:59
We have technology
that crunches through our data,
that crunches through our data,
137
467688
2905
We hebben technologie
die onze data doorspit,
die onze data doorspit,
08:02
even data relating
to our gender or our race,
to our gender or our race,
138
470617
2896
zelfs gegevens die betrekking
hebben op geslacht of ras,
hebben op geslacht of ras,
08:05
in order to determine whether or not
we might get a loan.
we might get a loan.
139
473537
2865
om te bepalen of we al dan niet
een lening kunnen krijgen.
een lening kunnen krijgen.
08:09
All that we see now
140
477494
1579
Alles wat we nu zien
08:11
is a snapshot in the evolution
of artificial intelligence.
of artificial intelligence.
141
479097
3617
is een momentopname in de ontwikkeling
van kunstmatige intelligentie.
van kunstmatige intelligentie.
08:15
Because where we are right now,
142
483763
1778
Want waar we nu zijn,
08:17
is within a moment of that evolution.
143
485565
2238
is één moment in die evolutie.
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
Dat betekent dat wat we nu doen
beïnvloedt wat als volgende gebeurt,
beïnvloedt wat als volgende gebeurt,
08:24
and in the future.
145
492516
1200
en in de toekomst.
08:26
If we want AI to evolve
in a way that helps humans,
in a way that helps humans,
146
494063
3951
Als we willen dat AI evolueert
op een manier die de mens helpt,
op een manier die de mens helpt,
08:30
then we need to define
the goals and strategies
the goals and strategies
147
498038
2801
moeten we nu de doelstellingen
en strategieën definiëren
en strategieën definiëren
08:32
that enable that path now.
148
500863
1733
die dat mogelijk zullen maken.
08:35
What I'd like to see is something
that fits well with humans,
that fits well with humans,
149
503680
3738
Wat ik graag zou willen zien
is iets dat goed past bij de mens,
is iets dat goed past bij de mens,
08:39
with our culture and with the environment.
150
507442
2800
bij onze cultuur en onze omgeving.
08:43
Technology that aids and assists
those of us with neurological conditions
those of us with neurological conditions
151
511435
4484
Technologie die mensen
met neurologische aandoeningen
met neurologische aandoeningen
of andere handicaps helpt en begeleidt
08:47
or other disabilities
152
515943
1721
08:49
in order to make life
equally challenging for everyone.
equally challenging for everyone.
153
517688
3216
om het leven voor iedereen
even uitdagend te maken.
even uitdagend te maken.
08:54
Technology that works
154
522097
1421
Technologie die werkt
08:55
regardless of your demographics
or the color of your skin.
or the color of your skin.
155
523542
3933
ongeacht je demografie
of de kleur van je huid.
of de kleur van je huid.
09:00
And so today, what I focus on
is the technology for tomorrow
is the technology for tomorrow
156
528383
4742
Vandaag richt ik mij
op de technologie voor morgen
op de technologie voor morgen
en voor over tien jaar.
09:05
and for 10 years from now.
157
533149
1733
09:08
AI can turn out in many different ways.
158
536530
2634
AI kan zich op veel verschillende
manieren realiseren.
manieren realiseren.
09:11
But in this case,
159
539688
1225
Maar in dit geval
09:12
it isn't a self-driving car
without any destination.
without any destination.
160
540937
3328
is het geen zelfrijdende
auto zonder bestemming.
auto zonder bestemming.
09:16
This is the car that we are driving.
161
544884
2400
Het is een auto die wij zelf besturen.
09:19
We choose when to speed up
and when to slow down.
and when to slow down.
162
547953
3595
Wij kiezen wanneer we gaan
versnellen of vertragen.
versnellen of vertragen.
09:23
We choose if we need to make a turn.
163
551572
2400
Wij beslissen om een bocht te maken.
09:26
We choose what the AI
of the future will be.
of the future will be.
164
554868
3000
Wij kiezen wat de AI
van de toekomst zal zijn.
van de toekomst zal zijn.
09:31
There's a vast playing field
165
559186
1337
Er is een groot speelveld
09:32
of all the things that artificial
intelligence can become.
intelligence can become.
166
560547
2965
van alle dingen die kunstmatige
intelligentie kan worden.
intelligentie kan worden.
09:36
It will become many things.
167
564064
1800
Het zal véél dingen worden.
09:39
And it's up to us now,
168
567694
1732
Het is nu aan ons
09:41
in order to figure out
what we need to put in place
what we need to put in place
169
569450
3061
om te bepalen wat we moeten regelen
om ervoor te zorgen
dat kunstmatige intelligentie
dat kunstmatige intelligentie
09:44
to make sure the outcomes
of artificial intelligence
of artificial intelligence
170
572535
3807
zo uitpakt dat we er allemaal
beter van worden.
beter van worden.
09:48
are the ones that will be
better for all of us.
better for all of us.
171
576366
3066
09:51
Thank you.
172
579456
1150
Dank je.
09:52
(Applause)
173
580630
2187
(Applaus)
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