TEDxBrussels
Jeremy Howard: The wonderful and terrifying implications of computers that can learn
Jeremy Howard: As maravilhosas e aterradoras implicações de computadores que conseguem aprender
Filmed:
Readability: 4.5
2,532,971 views
O que sucede quando ensinamos um computador a aprender? O tecnólogo Jeremy Howard partilha alguns desenvolvimentos novos e surpreendentes, na área em rápida evolução da aprendizagem profunda, uma técnica que pode dar aos computadores a capacidade de aprender chinês, ou de reconhecer objetos em fotos, ou de ajudar a reflexão num diagnóstico médico. (Uma ferramenta de aprendizagem profunda, após horas a ver o Youtube, ensinou a si própria o conceito de "gatos"). Deixem-se envolver numa área que mudará o comportamento dos computadores à vossa volta... mas cedo do que provavelmente pensam.
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
Era habitual, quando queríamos
que um computador fizesse algo novo,
que um computador fizesse algo novo,
00:16
you would have to program it.
1
4893
1554
termos que o programar.
00:18
Now, programming, for those of you here
that haven't done it yourself,
that haven't done it yourself,
2
6447
3411
Para aqueles que nunca programaram,
00:21
requires laying out in excruciating detail
3
9858
3502
a programação requer especificar
com enorme detalhe,
com enorme detalhe,
00:25
every single step that you want
the computer to do
the computer to do
4
13360
3367
todos os passos que queremos
que o computador execute
que o computador execute
00:28
in order to achieve your goal.
5
16727
2362
para alcançarmos o nosso objetivo.
00:31
Now, if you want to do something
that you don't know how to do yourself,
that you don't know how to do yourself,
6
19089
3496
Se queremos fazer algo que não
sabemos fazer nós próprios,
sabemos fazer nós próprios,
00:34
then this is going
to be a great challenge.
to be a great challenge.
7
22585
2063
será um grande desafio.
00:36
So this was the challenge faced
by this man, Arthur Samuel.
by this man, Arthur Samuel.
8
24648
3483
Este foi o desafio enfrentado
por este homem, Arthur Samuel.
por este homem, Arthur Samuel.
00:40
In 1956, he wanted to get this computer
9
28131
4077
Em 1965, ele queria que um computador
00:44
to be able to beat him at checkers.
10
32208
2340
o vencesse nas damas.
00:46
How can you write a program,
11
34548
2040
Como podemos escrever um programa,
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
com grande detalhe, que seja melhor
do que nós nas damas?
do que nós nas damas?
00:52
So he came up with an idea:
13
40394
1722
Ele teve uma ideia:
00:54
he had the computer play
against itself thousands of times
against itself thousands of times
14
42116
3724
pôs o computador a jogar contra
si próprio, milhares de vezes,
si próprio, milhares de vezes,
00:57
and learn how to play checkers.
15
45840
2524
para aprender a jogar damas.
01:00
And indeed it worked,
and in fact, by 1962,
and in fact, by 1962,
16
48364
3180
Funcionou e, em 1962,
01:03
this computer had beaten
the Connecticut state champion.
the Connecticut state champion.
17
51544
4017
o computador venceu o campeão
do estado do Connecticut.
do estado do Connecticut.
01:07
So Arthur Samuel was
the father of machine learning,
the father of machine learning,
18
55561
2973
Arthur Samuel foi, assim, o pai
da aprendizagem automática
da aprendizagem automática
e tenho uma grande dívida para com ele,
01:10
and I have a great debt to him,
19
58534
1717
01:12
because I am a machine
learning practitioner.
learning practitioner.
20
60251
2763
porque sou um profissional
da aprendizagem automática.
da aprendizagem automática.
01:15
I was the president of Kaggle,
21
63014
1465
Fui o presidente da Kaggle,
01:16
a community of over 200,000
machine learning practictioners.
machine learning practictioners.
22
64479
3388
uma comunidade de cerca de 200 000
profissionais da aprendizagem automática.
profissionais da aprendizagem automática.
01:19
Kaggle puts up competitions
23
67867
2058
A Kaggle estabelece competições,
01:21
to try and get them to solve
previously unsolved problems,
previously unsolved problems,
24
69925
3708
em que se tenta resolver problemas
ainda não resolvidos,
ainda não resolvidos,
01:25
and it's been successful
hundreds of times.
hundreds of times.
25
73633
3837
e teve sucesso centenas de vezes.
01:29
So from this vantage point,
I was able to find out
I was able to find out
26
77470
2470
Desta posição vantajosa
pude descobrir muito
pude descobrir muito
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
sobre o que a aprendizagem automática
pode fazer no passado, no presente
pode fazer no passado, no presente
01:35
and what it could do in the future.
28
83890
2362
e o que poderá fazer no futuro.
01:38
Perhaps the first big success of
machine learning commercially was Google.
machine learning commercially was Google.
29
86252
4423
O primeiro grande sucesso comercial da
aprendizagem automática foi a Google.
aprendizagem automática foi a Google.
01:42
Google showed that it is
possible to find information
possible to find information
30
90675
3109
A Google mostrou que é possível
encontrar informação
encontrar informação
01:45
by using a computer algorithm,
31
93784
1752
usando o algoritmo de um computador,
01:47
and this algorithm is based
on machine learning.
on machine learning.
32
95536
2901
e este algoritmo é baseado
em aprendizagem automática.
em aprendizagem automática.
01:50
Since that time, there have been many
commercial successes of machine learning.
commercial successes of machine learning.
33
98437
3886
Desde então, houve muitos sucessos
comerciais da aprendizagem automática.
comerciais da aprendizagem automática.
01:54
Companies like Amazon and Netflix
34
102323
1837
Empresas como a Amazon e a Netflix
01:56
use machine learning to suggest
products that you might like to buy,
products that you might like to buy,
35
104160
3716
usam a aprendizagem automática para
sugerir produtos que talvez compremos,
sugerir produtos que talvez compremos,
01:59
movies that you might like to watch.
36
107876
2020
filmes que talvez gostemos de ver.
02:01
Sometimes, it's almost creepy.
37
109896
1807
Por vezes, é quase assustador.
02:03
Companies like LinkedIn and Facebook
38
111703
1954
Empresas como o LinkedIn e o Facebook
02:05
sometimes will tell you about
who your friends might be
who your friends might be
39
113657
2594
por vezes dizem-nos quem poderão
ser os nossos amigos
ser os nossos amigos
02:08
and you have no idea how it did it,
40
116251
1977
e não temos ideia de como
elas fizeram isso,
elas fizeram isso,
02:10
and this is because it's using
the power of machine learning.
the power of machine learning.
41
118228
2967
porque estão a usar o poder
da aprendizagem automática.
da aprendizagem automática.
02:13
These are algorithms that have
learned how to do this from data
learned how to do this from data
42
121195
2957
Estes algoritmos aprenderam a fazer
isto a partir de dados
isto a partir de dados
02:16
rather than being programmed by hand.
43
124152
3247
em vez de serem programados à mão.
02:19
This is also how IBM was successful
44
127399
2478
Esta foi também a razão do sucesso da IBM
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
the two world champions at "Jeopardy,"
45
129877
3862
ao conseguir que o Watson ganhasse
a dois campeões mundiais no "Jeopardy",
a dois campeões mundiais no "Jeopardy",
02:25
answering incredibly subtle
and complex questions like this one.
and complex questions like this one.
46
133739
3225
respondendo a questões incrivelmente
subtis e complexas.
subtis e complexas.
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
Esta é também a razão de podermos ver
os primeiros carros autónomos.
os primeiros carros autónomos.
02:35
If you want to be able to tell
the difference between, say,
the difference between, say,
49
143034
2822
É bastante importante podermos distinguir
02:37
a tree and a pedestrian,
well, that's pretty important.
well, that's pretty important.
50
145856
2632
uma árvore de um peão.
02:40
We don't know how to write
those programs by hand,
those programs by hand,
51
148488
2587
Não sabemos como escrever
esses programas à mão,
esses programas à mão,
02:43
but with machine learning,
this is now possible.
this is now possible.
52
151075
2997
mas isso é agora possível
com a aprendizagem automática.
com a aprendizagem automática.
02:46
And in fact, this car has driven
over a million miles
over a million miles
53
154072
2608
Este carro conduziu mais
de um milhão de quilómetros
de um milhão de quilómetros
02:48
without any accidents on regular roads.
54
156680
3506
em estradas normais,
sem qualquer acidente.
sem qualquer acidente.
02:52
So we now know that computers can learn,
55
160196
3914
Sabemos agora que os computadores
conseguem aprender.
conseguem aprender.
02:56
and computers can learn to do things
56
164110
1900
Conseguem aprender a fazer coisas
02:58
that we actually sometimes
don't know how to do ourselves,
don't know how to do ourselves,
57
166010
2838
que nós, por vezes, não sabemos
fazer sozinhos,
fazer sozinhos,
03:00
or maybe can do them better than us.
58
168848
2885
ou fazem-no melhor do que nós.
03:03
One of the most amazing examples
I've seen of machine learning
I've seen of machine learning
59
171733
4195
Um dos exemplos mais fantásticos
da aprendizagem automática que eu vi
da aprendizagem automática que eu vi
03:07
happened on a project that I ran at Kaggle
60
175928
2392
surgiu num projeto
que desenvolvi na Kaggle
que desenvolvi na Kaggle
03:10
where a team run by a guy
called Geoffrey Hinton
called Geoffrey Hinton
61
178320
3591
em que uma equipa liderada
por um tipo chamado Geoffrey Hinton
por um tipo chamado Geoffrey Hinton
03:13
from the University of Toronto
62
181911
1552
da Universidade de Toronto,
venceu uma competição
venceu uma competição
03:15
won a competition for
automatic drug discovery.
automatic drug discovery.
63
183463
2677
sobre descoberta automática
de medicamentos.
de medicamentos.
03:18
Now, what was extraordinary here
is not just that they beat
is not just that they beat
64
186140
2847
O mais extraordinário não foi terem
vencido todos os algoritmos
vencido todos os algoritmos
03:20
all of the algorithms developed by Merck
or the international academic community,
or the international academic community,
65
188987
4013
desenvolvidos pela Merck ou pela
comunidade académica internacional,
comunidade 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
mas ninguém na equipa ter formação
em química, biologia ou ciências naturais
em química, biologia ou ciências naturais
03:30
and they did it in two weeks.
67
198061
2169
e fizeram-no em duas semanas.
03:32
How did they do this?
68
200230
1381
Como fizeram isto?
03:34
They used an extraordinary algorithm
called deep learning.
called deep learning.
69
202421
2921
Usaram um algoritmo extraordinário
chamado aprendizagem profunda.
chamado aprendizagem profunda.
03:37
So important was this that in fact
the success was covered
the success was covered
70
205342
2949
Isso foi tão importante que saiu
num artigo na primeira página
num artigo na primeira página
03:40
in The New York Times in a front page
article a few weeks later.
article a few weeks later.
71
208291
3121
no New York Times, algumas semanas depois.
03:43
This is Geoffrey Hinton
here on the left-hand side.
here on the left-hand side.
72
211412
2735
Este do lado esquerdo
é o Geoffrey Hinton.
é o Geoffrey Hinton.
03:46
Deep learning is an algorithm
inspired by how the human brain works,
inspired by how the human brain works,
73
214147
4341
A aprendizagem profunda é um algoritmo
inspirado no cérebro humano.
inspirado no cérebro humano.
03:50
and as a result it's an algorithm
74
218488
1812
e, como resultado, é um algoritmo
03:52
which has no theoretical limitations
on what it can do.
on what it can do.
75
220300
3841
que não tem limitações teóricas
em relação ao que pode fazer.
em relação ao que pode fazer.
03:56
The more data you give it and the more
computation time you give it,
computation time you give it,
76
224141
2823
Quanto mais dados e tempo
de computação fornecermos
de computação fornecermos
03:58
the better it gets.
77
226964
1312
melhor ele fica.
04:00
The New York Times also
showed in this article
showed in this article
78
228276
2339
O New York Times também
mostrou, nesse artigo,
mostrou, nesse artigo,
outro resultado extraordinário
da aprendizagem profunda
da aprendizagem profunda
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 vou agora mostrar-vos.
04:07
It shows that computers
can listen and understand.
can listen and understand.
81
235569
4941
Mostra que os computadores
conseguem ouvir e compreender
conseguem ouvir e compreender
04:12
(Video) Richard Rashid: Now, the last step
82
240510
2711
(Vídeo) Richard Rashid: O último passo
04:15
that I want to be able
to take in this process
to take in this process
83
243221
3025
que quero poder dar neste processo
04:18
is to actually speak to you in Chinese.
84
246246
4715
é falar-vos em chinês.
04:22
Now the key thing there is,
85
250961
2635
O segredo para isso
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
é que conseguimos reunir muita
informação de oradores chineses
informação de oradores chineses
04:30
and produce a text-to-speech system
87
258598
2530
e produzir um sistema texto-fala
04:33
that takes Chinese text
and converts it into Chinese language,
and converts it into Chinese language,
88
261128
4673
que converte texto em chinês
para a língua chinesa.
para a língua chinesa.
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
Depois usámos cerca de uma hora
da minha própria voz
da minha própria voz
04:41
and we've used that to modulate
90
269929
1891
para modular o sistema texto-fala padrão
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
para que falasse como eu.
04:48
Again, the result's not perfect.
92
276364
2540
O resultado não é perfeito.
04:50
There are in fact quite a few errors.
93
278904
2648
Há ainda alguns erros.
04:53
(In Chinese)
94
281552
2484
(Em chinês)
04:56
(Applause)
95
284036
3367
(Aplausos)
05:01
There's much work to be done in this area.
96
289446
3576
Há muito trabalho a fazer nesta área.
05:05
(In Chinese)
97
293022
3645
(Em chinês)
05:08
(Applause)
98
296667
3433
(Aplausos)
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
a machine learning conference in China.
99
301345
3399
Isto foi numa conferência sobre
aprendizagem automática na China.
aprendizagem automática na China.
05:16
It's not often, actually,
at academic conferences
at academic conferences
100
304744
2370
Não é frequente ouvir,
em conferências académicas,
em conferências académicas,
05:19
that you do hear spontaneous applause,
101
307114
1897
aplausos espontâneos.
05:21
although of course sometimes
at TEDx conferences, feel free.
at TEDx conferences, feel free.
102
309011
3676
embora aconteça, por vezes,
em conferências TEDx.
em conferências TEDx.
05:24
Everything you saw there
was happening with deep learning.
was happening with deep learning.
103
312687
2795
Todo o que vimos foi devido
a aprendizagem profunda.
a aprendizagem profunda.
05:27
(Applause) Thank you.
104
315482
1525
(Aplausos)
Obrigado.
Obrigado.
A transcrição para inglês foi feita
com aprendizagem profunda,
com aprendizagem profunda,
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
assim como a tradução para chinês,
no texto em cima, à direita,
no texto em cima, à direita,
05:34
and the construction of the voice
was deep learning as well.
was deep learning as well.
107
322701
3307
e a construção da voz.
05:38
So deep learning is
this extraordinary thing.
this extraordinary thing.
108
326008
3234
A aprendizagem profunda
é algo extraordinário.
é algo extraordinário.
05:41
It's a single algorithm that
can seem to do almost anything,
can seem to do almost anything,
109
329242
3099
É um único algoritmo que parece
poder fazer quase tudo.
poder fazer quase tudo.
05:44
and I discovered that a year earlier,
it had also learned to see.
it had also learned to see.
110
332341
3111
Descobri que, um ano antes, também
tinha aprendido a ver.
tinha aprendido a ver.
05:47
In this obscure competition from Germany
111
335452
2176
Nesta competição obscura, na Alemanha,
— Referência Alemã para Reconhecimento
de Sinais de Trânsito —
de Sinais de Trânsito —
05:49
called the German Traffic Sign
Recognition Benchmark,
Recognition Benchmark,
112
337628
2597
05:52
deep learning had learned
to recognize traffic signs like this one.
to recognize traffic signs like this one.
113
340225
3393
a aprendizagem profunda conseguiu
reconhecer sinais de trânsito.
reconhecer sinais de trânsito.
05:55
Not only could it
recognize the traffic signs
recognize the traffic signs
114
343618
2094
Conseguiu reconhecer sinais de trânsito,
melhor do que qualquer outro algoritmo,
melhor do que qualquer outro algoritmo,
05:57
better than any other algorithm,
115
345712
1758
05:59
the leaderboard actually showed
it was better than people,
it was better than people,
116
347470
2719
e a avaliação mostrou que era cerca de
duas vezes melhor do que as pessoas.
duas vezes melhor do que as pessoas.
06:02
about twice as good as people.
117
350189
1852
Por volta de 2011,
tivemos o primeiro exemplo
tivemos o primeiro exemplo
06:04
So by 2011, we had the first example
118
352041
1996
06:06
of computers that can see
better than people.
better than people.
119
354037
3405
de computadores que conseguem
ver melhor do que as pessoas.
ver melhor do que as pessoas.
06:09
Since that time, a lot has happened.
120
357442
2049
Desde então, muito aconteceu.
06:11
In 2012, Google announced that
they had a deep learning algorithm
they had a deep learning algorithm
121
359491
3514
Em 2012, a Google anunciou que tinham
um algoritmo de aprendizagem profunda
um algoritmo de aprendizagem profunda
06:15
watch YouTube videos
122
363005
1415
a observar vídeos no Youtube
06:16
and crunched the data
on 16,000 computers for a month,
on 16,000 computers for a month,
123
364420
3437
e a processar dados de 16 000
computadores por mês,
computadores por mês,
06:19
and the computer independently learned
about concepts such as people and cats
about concepts such as people and cats
124
367857
4361
O computador conseguiu de forma autónoma
aprender conceitos como pessoas e gatos
aprender conceitos como pessoas e gatos
06:24
just by watching the videos.
125
372218
1809
apenas observando os vídeos.
06:26
This is much like the way
that humans learn.
that humans learn.
126
374027
2352
Isto é semelhante ao modo
como os humanos aprendem.
como os humanos aprendem.
06:28
Humans don't learn
by being told what they see,
by being told what they see,
127
376379
2740
Não aprendem dizendo-lhes
o que estão a ver,
o que estão a ver,
06:31
but by learning for themselves
what these things are.
what these things are.
128
379119
3331
mas aprendendo por si
o que estas coisas são.
o que estas coisas são.
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
who we saw earlier,
129
382450
3369
Também em 2012, o Geoffrey Hinton,
que vimos antes,
que vimos antes,
06:37
won the very popular ImageNet competition,
130
385819
2858
venceu a competição muito
popular ImageNet,
popular 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
ao tentar identificar, num conjunto
de 1,5 milhões de imagens,
de 1,5 milhões de imagens,
06:44
what they're pictures of.
132
392818
1438
o que elas representavam.
06:46
As of 2014, we're now down
to a six percent error rate
to a six percent error rate
133
394256
3533
Em 2014, reduzimos para 6% a taxa de erro
06:49
in image recognition.
134
397789
1453
no reconhecimento de imagem.
06:51
This is better than people, again.
135
399242
2026
Isto é melhor do que as
pessoas conseguem fazer.
pessoas conseguem fazer.
06:53
So machines really are doing
an extraordinarily good job of this,
an extraordinarily good job of this,
136
401268
3769
As máquinas estão realmente a fazer
um trabalho extraordinário
um trabalho extraordinário
06:57
and it is now being used in industry.
137
405037
2269
que está agora a ser usado na indústria.
06:59
For example, Google announced last year
138
407306
3042
Por exemplo, a Google
anunciou, no ano passado,
anunciou, no ano passado,
07:02
that they had mapped every single
location in France in two hours,
location in France in two hours,
139
410348
4585
que mapearam todos os locais
de França, em duas horas.
de França, em duas 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
Processaram imagens de rua com um
algoritmo de aprendizagem profunda,
algoritmo de aprendizagem profunda,
07:10
into a deep learning algorithm
to recognize and read street numbers.
to recognize and read street numbers.
141
418380
4319
para que reconhecesse
e lesse números de ruas.
e lesse números de ruas.
07:14
Imagine how long
it would have taken before:
it would have taken before:
142
422699
2220
Imaginem quanto tempo
isto teria demorado antes:
isto teria demorado antes:
07:16
dozens of people, many years.
143
424919
3355
dúzias de pessoas, durante muitos anos.
07:20
This is also happening in China.
144
428274
1911
Isto também está a acontecer na China.
07:22
Baidu is kind of
the Chinese Google, I guess,
the Chinese Google, I guess,
145
430185
4036
Baidu é uma espécie de
Google chinesa, acho eu.
Google chinesa, acho eu.
07:26
and what you see here in the top left
146
434221
2283
O que veem aqui em cima, à esquerda,
é um exemplo de uma imagem
é um exemplo de uma imagem
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
que transferi para o sistema
de aprendizagem profunda da Baidu.
de aprendizagem profunda da 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
Em baixo, podem ver que o sistema
percebeu o que a imagem era
percebeu o que a imagem era
07:36
and found similar images.
149
444247
2236
e encontrou imagens semelhantes.
07:38
The similar images actually
have similar backgrounds,
have similar backgrounds,
150
446483
2736
As imagens semelhantes têm,
na verdade, fundos idênticos,
na verdade, fundos idênticos,
07:41
similar directions of the faces,
151
449219
1658
direções semelhantes das faces
07:42
even some with their tongue out.
152
450877
1788
e algumas até com a língua de fora.
07:44
This is not clearly looking
at the text of a web page.
at the text of a web page.
153
452665
3030
Isto não é evidente no texto
de uma página "web".
de uma página "web".
07:47
All I uploaded was an image.
154
455695
1412
Só transferi uma imagem.
07:49
So we now have computers which
really understand what they see
really understand what they see
155
457107
4021
Temos, agora, computadores que
compreendem realmente o que veem
compreendem realmente o que veem
e que podem, por isso, procurar
nas bases de dados
nas bases de dados
07:53
and can therefore search databases
156
461128
1624
07:54
of hundreds of millions
of images in real time.
of images in real time.
157
462752
3554
de centenas de milhões
de imagens, em tempo real.
de imagens, em tempo real.
07:58
So what does it mean
now that computers can see?
now that computers can see?
158
466306
3230
O que significa realmente os computadores
conseguirem agora ver?
conseguirem agora ver?
08:01
Well, it's not just
that computers can see.
that computers can see.
159
469536
2017
Não se trata apenas de conseguirem ver.
De facto, a aprendizagem profunda
tem feito mais do que isso.
tem feito mais do que isso.
08:03
In fact, deep learning
has done more than that.
has done more than that.
160
471553
2069
08:05
Complex, nuanced sentences like this one
161
473622
2948
Frases complexas, com nuances, como esta
08:08
are now understandable
with deep learning algorithms.
with deep learning algorithms.
162
476570
2824
são agora percetíveis, com os algoritmos
de aprendizagem profunda.
de aprendizagem profunda.
08:11
As you can see here,
163
479394
1303
Como podem ver aqui,
08:12
this Stanford-based system
showing the red dot at the top
showing the red dot at the top
164
480697
2768
este sistema de Stanford,
com o ponto vermelho no topo,
com o ponto vermelho no topo,
08:15
has figured out that this sentence
is expressing negative sentiment.
is expressing negative sentiment.
165
483465
3919
percebeu que esta frase expressa
um sentimento negativo.
um sentimento negativo.
08:19
Deep learning now in fact
is near human performance
is near human performance
166
487384
3406
A aprendizagem profunda está agora
próxima do desempenho humano,
próxima do desempenho humano,
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
na perceção do sentido das frases
e no que diz sobre essas coisas.
e no que diz sobre essas coisas.
08:27
Also, deep learning has
been used to read Chinese,
been used to read Chinese,
168
495923
2728
A aprendizagem profunda também
tem sido usada para ler chinês,
tem sido usada para ler chinês,
08:30
again at about native
Chinese speaker level.
Chinese speaker level.
169
498651
3156
a um nível próximo de um chinês nativo.
08:33
This algorithm developed
out of Switzerland
out of Switzerland
170
501807
2168
Este algoritmo foi desenvolvido na Suíça
08:35
by people, none of whom speak
or understand any Chinese.
or understand any Chinese.
171
503975
3356
por pessoas que não falam
nem percebem chinês.
nem percebem chinês.
08:39
As I say, using deep learning
172
507331
2051
Como disse, a aprendizagem profunda
08:41
is about the best system
in the world for this,
in the world for this,
173
509382
2219
é o melhor sistema do mundo para isto
08:43
even compared to native
human understanding.
human understanding.
174
511601
5117
comparado até com a compreensão
de um ser humano.
de um ser humano.
08:48
This is a system that we
put together at my company
put together at my company
175
516718
2964
Este é um sistema que desenvolvemos
na minha empresa
na minha empresa
08:51
which shows putting
all this stuff together.
all this stuff together.
176
519682
2046
que mostra como juntar tudo isto.
08:53
These are pictures which
have no text attached,
have no text attached,
177
521728
2461
Estas imagens não têm texto associado.
08:56
and as I'm typing in here sentences,
178
524189
2352
À medida que vou escrevendo estas frases
08:58
in real time it's understanding
these pictures
these pictures
179
526541
2969
estas imagens vão sendo
compreendidas em tempo real,
compreendidas em tempo real,
09:01
and figuring out what they're about
180
529510
1679
percebendo o que significam,
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
e descobrindo imagens de acordo
com o texto que vou escrevendo.
com o texto que vou escrevendo.
09:06
So you can see, it's actually
understanding my sentences
understanding my sentences
182
534352
2756
Como podem ver, está de facto
a perceber as minhas frases
a perceber as minhas frases
09:09
and actually understanding these pictures.
183
537108
2224
e a perceber estas imagens.
09:11
I know that you've seen
something like this on Google,
something like this on Google,
184
539332
2559
Sei que viram algo parecido na Google,
09:13
where you can type in things
and it will show you pictures,
and it will show you pictures,
185
541891
2775
em que podem escrever coisas
e são-vos mostradas imagens.
e são-vos mostradas imagens.
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
Na realidade, o que está a fazer
é pesquisar o vosso texto na "web".
é pesquisar o vosso texto na "web".
09:20
This is very different from actually
understanding the images.
understanding the images.
187
548090
3001
Isso é muito diferente de perceber
realmente as imagens.
realmente as imagens.
09:23
This is something that computers
have only been able to do
have only been able to do
188
551091
2752
Isto é algo que os computadores
só começaram a fazer
só começaram a fazer
09:25
for the first time in the last few months.
189
553843
3248
há alguns meses, pela primeira vez.
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
Os computadores conseguem
não apenas ver, mas também ler.
não apenas ver, mas também ler.
09:33
and, of course, we've shown that they
can understand what they hear.
can understand what they hear.
191
561182
3765
Já mostrámos, claro, que conseguem
perceber o que ouvem.
perceber o que ouvem.
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
Talvez não fiquem surpreendidos
se vos disser que conseguem escrever.
se vos disser que conseguem escrever.
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
using a deep learning algorithm yesterday.
193
568389
4783
Aqui está um texto que gerei ontem
com um algoritmo de aprendizagem profunda.
com um algoritmo de aprendizagem profunda.
09:45
And here is some text that an algorithm
out of Stanford generated.
out of Stanford generated.
194
573172
3924
E aqui está um texto gerado
por um algoritmo de Stanford.
por um algoritmo de Stanford.
09:49
Each of these sentences was generated
195
577096
1764
Cada uma destas frases foi gerada
09:50
by a deep learning algorithm
to describe each of those pictures.
to describe each of those pictures.
196
578860
4249
por um algoritmo de aprendizagem profunda
para descrever cada uma destas imagens.
para descrever cada uma destas imagens.
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 tinha visto antes um
homem de T-shirt preta a tocar guitarra.
homem de T-shirt preta a tocar guitarra.
09:59
It's seen a man before,
it's seen black before,
it's seen black before,
198
587581
2220
Já tinha visto um homem e a cor preta.
10:01
it's seen a guitar before,
199
589801
1599
Já tinha visto uma guitarra.
10:03
but it has independently generated
this novel description of this picture.
this novel description of this picture.
200
591400
4294
Mas gerou de forma independente
esta nova descrição da imagem.
esta nova descrição da imagem.
10:07
We're still not quite at human
performance here, but we're close.
performance here, but we're close.
201
595694
3502
Ainda não estamos bem ao nível do
desempenho humano, mas perto.
desempenho humano, mas perto.
10:11
In tests, humans prefer
the computer-generated caption
the computer-generated caption
202
599196
4068
Em testes, os humanos preferem
a descrição gerada pelo computador,
a descrição gerada pelo computador,
10:15
one out of four times.
203
603264
1527
uma em cada quatro vezes.
10:16
Now this system is now only two weeks old,
204
604791
2064
Este sistema tem apenas duas semanas,
por isso, provavelmente, no próximo ano,
por isso, provavelmente, no próximo ano,
10:18
so probably within the next year,
205
606855
1846
o algoritmo estará bem à frente
do desempenho humano,
do desempenho humano,
10:20
the computer algorithm will be
well past human performance
well past human performance
206
608701
2801
10:23
at the rate things are going.
207
611502
1862
tendo em conta a rapidez destas coisas.
10:25
So computers can also write.
208
613364
3049
Os computadores também conseguem escrever.
10:28
So we put all this together and it leads
to very exciting opportunities.
to very exciting opportunities.
209
616413
3475
Juntamos tudo isto e obtemos
oportunidades muito excitantes.
oportunidades muito excitantes.
Por exemplo, na medicina,
10:31
For example, in medicine,
210
619888
1492
10:33
a team in Boston announced
that they had discovered
that they had discovered
211
621380
2525
uma equipa de Boston anunciou
que descobriu
que descobriu
10:35
dozens of new clinically relevant features
212
623905
2949
dúzias de novas características de
tumores, clinicamente relevantes,
tumores, clinicamente relevantes,
10:38
of tumors which help doctors
make a prognosis of a cancer.
make a prognosis of a cancer.
213
626854
4266
que ajudam os médicos a fazer
prognósticos em relação a um cancro.
prognósticos em relação a um cancro.
10:44
Very similarly, in Stanford,
214
632220
2296
De igual modo, em Stanford,
10:46
a group there announced that,
looking at tissues under magnification,
looking at tissues under magnification,
215
634516
3663
um grupo anunciou que,
observando tecidos ampliados,
observando tecidos ampliados,
desenvolveu um sistema baseado
na aprendizagem automática
na aprendizagem automática
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 supera os patologistas humanos
10:55
at predicting survival rates
for cancer sufferers.
for cancer sufferers.
218
643142
4377
na previsão de taxas de sobrevivência
de pacientes de cancro.
de pacientes de cancro.
10:59
In both of these cases, not only
were the predictions more accurate,
were the predictions more accurate,
219
647519
3245
Em ambos os casos,
as previsões foram mais precisas,
as previsões foram mais precisas,
e também geraram novas
perspetivas científicas.
perspetivas científicas.
11:02
but they generated new insightful science.
220
650764
2502
11:05
In the radiology case,
221
653276
1505
No caso da radiologia,
11:06
they were new clinical indicators
that humans can understand.
that humans can understand.
222
654781
3095
revelaram-se novos indicadores clínicos
que os humanos podem perceber.
que os humanos podem perceber.
11:09
In this pathology case,
223
657876
1792
Neste caso da patologia,
11:11
the computer system actually discovered
that the cells around the cancer
that the cells around the cancer
224
659668
4500
o sistema computacional descobriu
que as células em torno do cancro
que as células em torno do cancro
11:16
are as important as
the cancer cells themselves
the cancer cells themselves
225
664168
3340
são tão importantes quanto
as próprias células cancerígenas
as próprias células cancerígenas
11:19
in making a diagnosis.
226
667508
1752
na realização de um diagnóstico.
11:21
This is the opposite of what pathologists
had been taught for decades.
had been taught for decades.
227
669260
5361
Isto é o contrário do que os patologistas
têm aprendido ao longo de décadas.
têm aprendido ao longo de décadas.
11:26
In each of those two cases,
they were systems developed
they were systems developed
228
674621
3292
Em ambos os casos, estes sistemas
foram desenvolvidos
foram desenvolvidos
11:29
by a combination of medical experts
and machine learning experts,
and machine learning experts,
229
677913
3621
por especialistas médicos
e de aprendizagem automática.
e de aprendizagem automática.
11:33
but as of last year,
we're now beyond that too.
we're now beyond that too.
230
681534
2741
No último ano, fomos também além disso.
11:36
This is an example of
identifying cancerous areas
identifying cancerous areas
231
684275
3549
Isto é um exemplo de identificação
de áreas cancerígenas,
de áreas cancerígenas,
em tecido humano, ao microscópio.
11:39
of human tissue under a microscope.
232
687824
2530
11:42
The system being shown here
can identify those areas more accurately,
can identify those areas more accurately,
233
690354
4613
O sistema aqui apresentado consegue
identificar essas áreas
identificar essas áreas
de forma mais precisa, ou tão precisa
quanto os patologistas humanos,
quanto os patologistas 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
mas foi construído com aprendizagem
profunda, sem conhecimentos médicos,
profunda, sem conhecimentos médicos,
11:53
by people who have
no background in the field.
no background in the field.
236
701134
2526
por pessoas sem formação na área.
11:56
Similarly, here, this neuron segmentation.
237
704730
2555
De modo semelhante, nesta
segmentação neuronal.
segmentação neuronal.
11:59
We can now segment neurons
about as accurately as humans can,
about as accurately as humans can,
238
707285
3668
Podemos agora segmentar neurónios
de forma tão precisa quanto um humano,
de forma tão precisa quanto um humano,
mas este sistema foi desenvolvido
com aprendizagem profunda
com aprendizagem profunda
12:02
but this system was developed
with deep learning
with deep learning
239
710953
2717
com pessoas sem formação
prévia em medicina.
prévia em medicina.
12:05
using people with no previous
background in medicine.
background in medicine.
240
713670
3251
12:08
So myself, as somebody with
no previous background in medicine,
no previous background in medicine,
241
716921
3227
Eu próprio, sendo alguém sem
formação prévia em medicina
formação prévia em 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
sou perfeitamente qualificado para abrir
uma nova empresa médica,
uma nova empresa médica,
12:15
which I did.
243
723875
2146
Foi o que fiz.
12:18
I was kind of terrified of doing it,
244
726021
1740
Estava aterrorizado em relação a isso
12:19
but the theory seemed to suggest
that it ought to be possible
that it ought to be possible
245
727761
2889
mas a teoria sugeria ser possível
12:22
to do very useful medicine
using just these data analytic techniques.
using just these data analytic techniques.
246
730650
5492
fazer medicina muito útil usando apenas
estas técnicas de análise de dados.
estas técnicas de análise de dados.
12:28
And thankfully, the feedback
has been fantastic,
has been fantastic,
247
736142
2480
Felizmente, a resposta
tem sido fantástica.
tem sido fantástica.
12:30
not just from the media
but from the medical community,
but from the medical community,
248
738622
2356
Não apenas dos "media", mas também
da comunidade médica,
da comunidade médica,
12:32
who have been very supportive.
249
740978
2344
que tem dado muito apoio.
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
A teoria é que podemos considerar
a fase intermédia do processo médico
a fase intermédia do processo médico
12:39
and turn that into data analysis
as much as possible,
as much as possible,
251
747471
2893
e transformá-la em análise de dados,
tanto quanto possível,
tanto quanto possível,
12:42
leaving doctors to do
what they're best at.
what they're best at.
252
750364
3065
deixando os médicos fazer
aquilo em que são bons.
aquilo em que são bons.
12:45
I want to give you an example.
253
753429
1602
Quero dar-vos um exemplo.
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
Bastam 15 minutos para gerar um novo
teste diagnóstico médico.
teste diagnóstico médico.
12:51
and I'll show you that in real time now,
255
759975
1954
Vou mostrar-vos agora em tempo 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
mas comprimi para três minutos,
cortando algumas partes.
cortando algumas partes.
12:57
Rather than showing you
creating a medical diagnostic test,
creating a medical diagnostic test,
257
765416
3061
Em vez de vos mostrar a criação de um
novo teste diagnóstico médico,
novo teste 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
vou mostrar-vos um teste diagnóstico
de imagens de carros,
de imagens de carros,
13:03
because that's something
we can all understand.
we can all understand.
259
771846
2222
porque é algo fácil de perceber.
13:06
So here we're starting with
about 1.5 million car images,
about 1.5 million car images,
260
774068
3201
Começamos com cerca de 1,5 milhões
de imagens de carros.
de imagens de carros.
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
Quero criar algo que consiga dividi-las
13:12
of the photo that's being taken.
262
780475
2223
segundo o ângulo em que a foto foi tirada.
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 imagens não estão catalogadas,
tenho de começar do zero.
tenho de começar do zero.
13:18
With our deep learning algorithm,
264
786586
1865
Com o nosso algoritmo,
13:20
it can automatically identify
areas of structure in these images.
areas of structure in these images.
265
788451
3707
podem identificar-se automaticamente
áreas de estruturas nestas imagens.
áreas de estruturas nestas imagens.
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
O interessante é o homem e o computador
poderem agora trabalhar em conjunto.
poderem agora trabalhar em conjunto.
13:27
So the human, as you can see here,
267
795778
2178
O humano, como podem ver aqui,
13:29
is telling the computer
about areas of interest
about areas of interest
268
797956
2675
está a dizer ao computador
quais as áreas de interesse
quais as áreas de interesse
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 quer que o computador use
para melhorar o seu algoritmo.
para melhorar o seu algoritmo.
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
are in 16,000-dimensional space,
270
805281
4296
Estes sistemas de aprendizagem profunda
estão em espaços de dimensão 16 000.
estão em espaços de dimensão 16 000.
13:41
so you can see here the computer
rotating this through that space,
rotating this through that space,
271
809577
3432
Podem ver aqui o computador a rodar
isto através desse espaço,
isto através desse espaço,
tentando encontrar novas
áreas de estrutura.
áreas de estrutura.
13:45
trying to find new areas of structure.
272
813009
1992
13:47
And when it does so successfully,
273
815001
1781
Quando consegue fazê-lo com sucesso,
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
o humano que está a comandá-lo
pode indicar áreas de interesse.
pode indicar áreas de interesse.
13:52
So here, the computer has
successfully found areas,
successfully found areas,
275
820786
2422
Aqui o computador encontrou
áreas, com sucesso.
áreas, com sucesso.
13:55
for example, angles.
276
823208
2562
Ângulos, por exemplo.
13:57
So as we go through this process,
277
825770
1606
Ao longo deste processo,
13:59
we're gradually telling
the computer more and more
the computer more and more
278
827376
2340
vamos dizendo mais coisas ao computador
14:01
about the kinds of structures
we're looking for.
we're looking for.
279
829716
2428
sobre o tipo de estruturas que procuramos.
14:04
You can imagine in a diagnostic test
280
832144
1772
Podem imaginar que, num diagnóstico,
isto seria o patologista a identificar
isto seria o patologista a identificar
14:05
this would be a pathologist identifying
areas of pathosis, for example,
areas of pathosis, for example,
281
833916
3350
áreas patológicas, por exemplo.
14:09
or a radiologist indicating
potentially troublesome nodules.
potentially troublesome nodules.
282
837266
5026
Ou o radiologista a indicar nódulos
potencialmente problemáticos.
potencialmente problemáticos.
14:14
And sometimes it can be
difficult for the algorithm.
difficult for the algorithm.
283
842292
2559
Por vezes pode ser difícil,
para o algoritmo.
para o algoritmo.
14:16
In this case, it got kind of confused.
284
844851
1964
Neste caso, ficou algo confuso.
14:18
The fronts and the backs
of the cars are all mixed up.
of the cars are all mixed up.
285
846815
2550
As frentes e as traseiras dos carros
estão todas misturadas.
estão todas misturadas.
14:21
So here we have to be a bit more careful,
286
849365
2072
Aqui temos que ser um
pouco mais cuidadosos,
pouco mais cuidadosos,
14:23
manually selecting these fronts
as opposed to the backs,
as opposed to the backs,
287
851437
3232
selecionado manualmente estas frentes
por oposição às traseiras,
por oposição às traseiras,
14:26
then telling the computer
that this is a type of group
that this is a type of group
288
854669
5506
dizendo depois ao computador
que isto é o tipo de grupo
que isto é o tipo de grupo
14:32
that we're interested in.
289
860175
1348
em que estamos interessados.
14:33
So we do that for a while,
we skip over a little bit,
we skip over a little bit,
290
861523
2677
Fazemos isto durante algum tempo,
avançamos um pouco,
avançamos um pouco,
e depois treinamos o algoritmo
de aprendizagem automática,
de aprendizagem automática,
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
baseados nestas centenas de coisas,
14:40
and we hope that it's gotten a lot better.
293
868420
2025
e esperamos que fique bastante melhor.
Podem ver que algumas imagens
estão a começar a desvanecer,
estão a começar a desvanecer,
14:42
You can see, it's now started to fade
some of these pictures out,
some of these pictures out,
294
870445
3073
mostrando-nos que já está a descobrir
como perceber algumas destas sozinho.
como perceber algumas destas sozinho.
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
14:50
We can then use this concept
of similar images,
of similar images,
296
878226
2902
Podemos, então, usar o conceito
de imagens semelhantes.
de imagens semelhantes.
14:53
and using similar images, you can now see,
297
881128
2094
Usando imagens semelhantes,
podemos ver que o computador
podemos ver que o computador
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
é capaz, neste ponto, de identificar
apenas as frentes dos carros.
apenas as frentes dos carros.
14:59
So at this point, the human
can tell the computer,
can tell the computer,
299
887241
2948
Neste ponto, o humano pode
dizer ao computador:
dizer ao computador:
15:02
okay, yes, you've done
a good job of that.
a good job of that.
300
890189
2293
"Fizeste aqui um bom trabalho!"
15:05
Sometimes, of course, even at this point
301
893652
2185
Por vezes, claro, mesmo neste ponto,
15:07
it's still difficult
to separate out groups.
to separate out groups.
302
895837
3674
ainda é difícil distinguir os 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
Neste caso, mesmo depois de deixarmos o
computador rodar isto durante algum tempo,
computador rodar isto durante algum tempo,
15:15
we still find that the left sides
and the right sides pictures
and the right sides pictures
304
903399
3345
ainda vemos que as imagens
dos lados esquerdo e direito
dos lados esquerdo e direito
15:18
are all mixed up together.
305
906744
1478
estão todas misturadas.
15:20
So we can again give
the computer some hints,
the computer some hints,
306
908222
2140
Podemos dar, de novo, algumas
pistas ao computador.
pistas ao computador.
15:22
and we say, okay, try and find
a projection that separates out
a projection that separates out
307
910362
2976
Dizemos: "Tenta descobrir uma
projeção que separe,
projeção que separe,
15:25
the left sides and the right sides
as much as possible
as much as possible
308
913338
2607
"o lado esquerdo do direito,
o mais possível,
o mais possível,
15:27
using this deep learning algorithm.
309
915945
2122
"usando este algoritmo
de aprendizagem profunda."
de aprendizagem profunda."
15:30
And giving it that hint --
ah, okay, it's been successful.
ah, okay, it's been successful.
310
918067
2942
Dando-lhe esta pista, ele tem sucesso.
15:33
It's managed to find a way
of thinking about these objects
of thinking about these objects
311
921009
2882
Conseguiu descobrir um modo
de pensar neste objetos
de pensar neste objetos
15:35
that's separated out these together.
312
923891
2380
que permitiu separá-los.
15:38
So you get the idea here.
313
926271
2438
Percebem a ideia.
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
Neste caso, o humano não está
a ser substituído pelo computador.
a ser substituído pelo computador.
15:48
but where they're working together.
315
936906
2640
Estão a trabalhar em conjunto.
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
O que estamos a fazer é substituir
algo que exigia uma equipa
algo que exigia uma equipa
de cinco ou seis pessoas,
durante sete anos,
durante sete anos,
15:55
of five or six people about seven years
317
943096
2002
15:57
and replacing it with something
that takes 15 minutes
that takes 15 minutes
318
945098
2605
por algo que demora 15 minutos,
15:59
for one person acting alone.
319
947703
2505
com uma pessoa a trabalhar sozinha.
16:02
So this process takes about
four or five iterations.
four or five iterations.
320
950208
3950
Este processo demora
quatro ou cinco iterações.
quatro ou cinco iterações.
16:06
You can see we now have 62 percent
321
954158
1859
Podem ver que temos agora 62%
16:08
of our 1.5 million images
classified correctly.
classified correctly.
322
956017
2959
dos nossos 1,5 milhões de imagens,
classificadas corretamente.
classificadas corretamente.
16:10
And at this point, we
can start to quite quickly
can start to quite quickly
323
958976
2472
Neste ponto, podemos começar rapidamente
16:13
grab whole big sections,
324
961448
1297
a trabalhar grandes secções,
16:14
check through them to make sure
that there's no mistakes.
that there's no mistakes.
325
962745
2919
e a verificar se não há erros.
16:17
Where there are mistakes, we can
let the computer know about them.
let the computer know about them.
326
965664
3952
Se houver erros, podemos fazer
com que o computador o saiba.
com que o computador o saiba.
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 processo, para cada
um dos diferentes grupos,
um dos diferentes grupos,
16:24
we are now up to
an 80 percent success rate
an 80 percent success rate
328
972661
2487
temos agora uma taxa
de sucesso de 80%,
de sucesso de 80%,
16:27
in classifying the 1.5 million images.
329
975148
2415
na classificação de 1,5 milhões
de imagens.
de imagens.
16:29
And at this point, it's just a case
330
977563
2078
Neste ponto, trata-se de descobrir
16:31
of finding the small number
that aren't classified correctly,
that aren't classified correctly,
331
979641
3579
as poucas que não estão
classificadas corretamente,
classificadas corretamente,
16:35
and trying to understand why.
332
983220
2888
e tentar perceber porquê.
16:38
And using that approach,
333
986108
1743
Utilizando esta abordagem
16:39
by 15 minutes we get
to 97 percent classification rates.
to 97 percent classification rates.
334
987851
4121
conseguimos uma taxa de classificação
de 97% em 15 minutos.
de 97% em 15 minutos.
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
Esta técnica pode permitir-nos
resolver um grande problema
resolver um grande problema
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 é a falta de especialistas
médicos no mundo.
médicos no 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
O Fórum Económico Mundial refere
que há 10 a 20 vezes menos médicos
que há 10 a 20 vezes menos médicos
16:55
shortage of physicians
in the developing world,
in the developing world,
338
1003103
2624
do que o necessário,
nos países em desenvolvimento.
nos países em desenvolvimento.
16:57
and it would take about 300 years
339
1005727
2113
E que serão necessários 300 anos
16:59
to train enough people
to fix that problem.
to fix that problem.
340
1007840
2894
para formar as pessoas necessárias
para resolver o problema.
para resolver o problema.
17:02
So imagine if we can help
enhance their efficiency
enhance their efficiency
341
1010734
2885
Imaginem que podemos ajudar
a melhorar a sua eficiência
a melhorar a sua eficiência
17:05
using these deep learning approaches?
342
1013619
2839
usando esta abordagem
de aprendizagem profunda.
de aprendizagem profunda.
17:08
So I'm very excited
about the opportunities.
about the opportunities.
343
1016458
2232
Estou muito entusiasmado
com as oportunidades,
com as oportunidades,
17:10
I'm also concerned about the problems.
344
1018690
2589
mas também estou preocupado
em relação aos problemas.
em relação aos 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
O problema é que as áreas
a azul, neste mapa,
a azul, neste mapa,
17:16
is somewhere where services
are over 80 percent of employment.
are over 80 percent of employment.
346
1024403
3769
são locais onde os serviços representam
mais de 80% dos empregos.
mais de 80% dos empregos.
17:20
What are services?
347
1028172
1787
O que são os serviços?
17:21
These are services.
348
1029959
1514
Isto são serviços.
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
São também as coisas que
os computadores aprenderam a fazer.
os computadores aprenderam a fazer.
17:27
So 80 percent of the world's employment
in the developed world
in the developed world
350
1035627
3804
80% dos postos de trabalho,
no mundo desenvolvido,
no mundo desenvolvido,
17:31
is stuff that computers
have just learned how to do.
have just learned how to do.
351
1039431
2532
são coisas que os computadores
aprenderam a fazer.
aprenderam a fazer.
17:33
What does that mean?
352
1041963
1440
O que significa isto?
Não há problema. Serão substituídos
por outros empregos.
por outros empregos.
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
They'll be replaced by other jobs.
353
1043403
2583
Por exemplo, haverá mais empregos
para especialistas em dados.
para especialistas em dados.
17:37
For example, there will be
more jobs for data scientists.
more jobs for data scientists.
354
1045986
2707
17:40
Well, not really.
355
1048693
817
Bem, não exatamente.
17:41
It doesn't take data scientists
very long to build these things.
very long to build these things.
356
1049510
3118
Os especialistas não demoram muito
tempo a construir estas coisas.
tempo a construir estas coisas.
17:44
For example, these four algorithms
were all built by the same guy.
were all built by the same guy.
357
1052628
3252
Estes quatro algoritmos foram
desenvolvidos pela mesma pessoa.
desenvolvidos pela mesma pessoa.
17:47
So if you think, oh,
it's all happened before,
it's all happened before,
358
1055880
2438
Se pensarmos bem, isto já aconteceu 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
Já vimos, no passado, o resultado
de surgirem coisas novas
de surgirem coisas novas
17:54
and they get replaced by new jobs,
360
1062126
2252
que são substituídas por novos empregos.
17:56
what are these new jobs going to be?
361
1064378
2116
O que serão estes novos empregos?
17:58
It's very hard for us to estimate this,
362
1066494
1871
É muito difícil fazermos previsões,
18:00
because human performance
grows at this gradual rate,
grows at this gradual rate,
363
1068365
2739
porque o desempenho humano
cresce a um ritmo gradual,
cresce a um ritmo gradual,
18:03
but we now have a system, deep learning,
364
1071104
2562
mas temos agora um sistema
de aprendizagem profunda,
de aprendizagem profunda,
18:05
that we know actually grows
in capability exponentially.
in capability exponentially.
365
1073666
3227
cuja capacidade cresce exponencialmente.
18:08
And we're here.
366
1076893
1605
Estamos neste ponto.
Atualmente, vemos as coisas
à nossa volta e pensamos:
à nossa volta e pensamos:
18:10
So currently, we see the things around us
367
1078498
2061
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
are still pretty dumb." Right?
368
1080559
2676
"Os computadores ainda são muito burros."
18:15
But in five years' time,
computers will be off this chart.
computers will be off this chart.
369
1083235
3429
Mas em cinco anos os computadores
estarão fora deste gráfico.
estarão fora deste gráfico.
18:18
So we need to be starting to think
about this capability right now.
about this capability right now.
370
1086664
3865
Temos que começar já
a pensar nesta capacidade.
a pensar nesta capacidade.
18:22
We have seen this once before, of course.
371
1090529
2050
É claro que já vimos isto.
18:24
In the Industrial Revolution,
372
1092579
1387
Na Revolução Industrial,
18:25
we saw a step change
in capability thanks to engines.
in capability thanks to engines.
373
1093966
2851
vimos uma grande avanço na capacidade,
graças às máquinas.
graças às máquinas.
18:29
The thing is, though,
that after a while, things flattened out.
that after a while, things flattened out.
374
1097667
3138
A questão é que, passado algum tempo,
as coisas estabilizaram.
as coisas estabilizaram.
18:32
There was social disruption,
375
1100805
1702
Houve ruturas sociais.
Mas quando as máquinas foram usadas
para gerar poder em todas as situações,
para gerar poder em todas as situações,
18:34
but once engines were used
to generate power in all the situations,
to generate power in all the situations,
376
1102507
3439
18:37
things really settled down.
377
1105946
2354
as coisas acalmaram.
18:40
The Machine Learning Revolution
378
1108300
1473
A Revolução da Aprendizagem Automática
será muito diferente
será muito diferente
18:41
is going to be very different
from the Industrial Revolution,
from the Industrial Revolution,
379
1109773
2909
da Revolução Industrial,
porque a Revolução da Aprendizagem
Automática nunca estabilizará.
Automática nunca estabilizará.
18:44
because the Machine Learning Revolution,
it never settles down.
it never settles down.
380
1112682
2950
18:47
The better computers get
at intellectual activities,
at intellectual activities,
381
1115632
2982
Quanto melhores forem os computadores
em atividades intelectuais,
em atividades intelectuais,
18:50
the more they can build better computers
to be better at intellectual capabilities,
to be better at intellectual capabilities,
382
1118614
4248
melhores computadores se construirão,
com mais capacidades intelectuais.
com mais capacidades intelectuais.
18:54
so this is going to be a kind of change
383
1122862
1908
Isto será um tipo de mudança
18:56
that the world has actually
never experienced before,
never experienced before,
384
1124770
2478
que o mundo nunca presenciou antes.
18:59
so your previous understanding
of what's possible is different.
of what's possible is different.
385
1127248
3306
A nossa perceção do que é
possível é diferente.
possível é diferente.
19:02
This is already impacting us.
386
1130974
1780
Isto já está a afetar-nos.
19:04
In the last 25 years,
as capital productivity has increased,
as capital productivity has increased,
387
1132754
3630
Nos últimos 25 anos, à medida que a
produtividade do capital aumentou,
produtividade do capital aumentou,
19:08
labor productivity has been flat,
in fact even a little bit down.
in fact even a little bit down.
388
1136400
4188
a produtividade laboral manteve-se,
na verdade até desceu um pouco.
na verdade até desceu um pouco.
19:13
So I want us to start
having this discussion now.
having this discussion now.
389
1141408
2741
Quero que tenhamos esta discussão agora.
19:16
I know that when I often tell people
about this situation,
about this situation,
390
1144149
3027
Sei que, quando falo disto às pessoas,
19:19
people can be quite dismissive.
391
1147176
1490
elas mostram algum desdém.
19:20
Well, computers can't really think,
392
1148666
1673
"Os computadores não conseguem pensar."
19:22
they don't emote,
they don't understand poetry,
they don't understand poetry,
393
1150339
3028
"Eles não se emocionam,
nem percebem poesia."
nem percebem poesia."
19:25
we don't really understand how they work.
394
1153367
2521
"Não percebemos, na verdade,
como funcionam."
como funcionam."
19:27
So what?
395
1155888
1486
E depois?
Os computadores conseguem
fazer as coisas
fazer as coisas
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
que os humanos são pagos para fazer,
na maior parte do seu tempo.
na maior parte do seu tempo.
19:33
so now's the time to start thinking
398
1161897
1731
Este é o tempo para começar 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
como vamos ajustar as nossas
estruturas sociais e económicas
estruturas sociais e económicas
19:40
to be aware of this new reality.
400
1168015
1840
para fazer face a esta nova realidade.
19:41
Thank you.
401
1169855
1533
Obrigado.
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