It used to be that if you wanted to get a computer to do something new, you would have to program it. Now, programming, for those of you here that haven't done it yourself, requires laying out in excruciating detail every single step that you want the computer to do in order to achieve your goal. Now, if you want to do something that you don't know how to do yourself, then this is going to be a great challenge.
Antigamente se você quisesse que um computador fizesse algo novo, você teria que programar. Pois então, para quem aqui que nunca fez isso, programação é algo que requer estabelecer com riqueza de detalhe cada passo do que você quer que o computador faça para atingir o seu objetivo. Se você quiser fazer algo que ainda não sabe fazer sozinho, isso se torna um grande desafio.
So this was the challenge faced by this man, Arthur Samuel. In 1956, he wanted to get this computer to be able to beat him at checkers. How can you write a program, lay out in excruciating detail, how to be better than you at checkers? So he came up with an idea: he had the computer play against itself thousands of times and learn how to play checkers. And indeed it worked, and in fact, by 1962, this computer had beaten the Connecticut state champion.
E esse foi o desafio enfrentado por este homem, Arthur Samuel. Em 1956 ele queria que esse computador fosse capaz de vencê-lo no jogo de damas. Como você faz para escrever um programa, estabelecer com riqueza de detalhe, que ele jogue damas melhor que você? Então ele teve uma ideia: ele fez o computador jogar contra si próprio milhares de vezes para aprender a jogar damas. E realmente funcionou, de fato em 1962 esse computador venceu o campeão estadual de Connecticut.
So Arthur Samuel was the father of machine learning, and I have a great debt to him, because I am a machine learning practitioner. I was the president of Kaggle, a community of over 200,000 machine learning practictioners. Kaggle puts up competitions to try and get them to solve previously unsolved problems, and it's been successful hundreds of times. So from this vantage point, I was able to find out a lot about what machine learning can do in the past, can do today, and what it could do in the future. Perhaps the first big success of machine learning commercially was Google. Google showed that it is possible to find information by using a computer algorithm, and this algorithm is based on machine learning. Since that time, there have been many commercial successes of machine learning. Companies like Amazon and Netflix use machine learning to suggest products that you might like to buy, movies that you might like to watch. Sometimes, it's almost creepy. Companies like LinkedIn and Facebook sometimes will tell you about who your friends might be and you have no idea how it did it, and this is because it's using the power of machine learning. These are algorithms that have learned how to do this from data rather than being programmed by hand.
Arthur Samuel foi o pai do aprendizado de máquina, e eu devo muito a ele, porque eu sou um profissional de aprendizado de máquina. Eu fui o presidente da Kaggle, uma comunidade de mais de 200 mil profissionais dessa área. A Kaggle organiza competições para tentar resolver problemas até então sem solução, e tem sido bem sucedida centenas de vezes. Então desse ponto de vista, eu pude descobrir muito sobre o que o aprendizado de máquina conseguiu no passado, hoje, e o que poderia fazer no futuro. Talvez o primeiro grande sucesso comercial de aprendizado de máquina foi o Google. O Google mostrou que é possível encontrar informação usando um algoritmo de computador, e esse algoritmo é baseado no aprendizado de máquina. Desde então houve muitos casos de sucesso comercial de aprendizado de máquina. Empresas como Amazon e Netflix usam aprendizado de máquina para sugerir produtos que você poderia querer, filmes que você poderia querer assistir. Às vezes é quase assustador. Empresas como LinkedIn e Facebook às vezes te dirão quem deveria ser seu amigo e você não tem ideia de como, e isso é porque está usando o poder do aprendizado de máquina. São algoritmos que aprenderam como fazer isso a partir de dados ao invés de serem programados à mão.
This is also how IBM was successful in getting Watson to beat the two world champions at "Jeopardy," answering incredibly subtle and complex questions like this one. ["The ancient 'Lion of Nimrud' went missing from this city's national museum in 2003 (along with a lot of other stuff)"] This is also why we are now able to see the first self-driving cars. If you want to be able to tell the difference between, say, a tree and a pedestrian, well, that's pretty important. We don't know how to write those programs by hand, but with machine learning, this is now possible. And in fact, this car has driven over a million miles without any accidents on regular roads.
Foi assim que a IBM foi bem sucedida em fazer que Watson vencesse dois campeões mundiais em Jeopardy, respondendo questões incrivelmente sutis e complexas como essa: ["O antigo 'Leão de Nimrud' desapareceu do museu nacional dessa cidade em 2003 (junto com um monte de outras coisas)"] Também por isso que agora vemos os primeiros carros auto-guiados. Se você quiser poder diferenciar entre, digamos, uma árvore e um pedestre, bem, isso é muito importante. Não sabemos como escrever esses programas à mão, mas com o aprendizado de máquina isso agora é possível. De fato esse carro já dirigiu mais de um milhão de quilômetros sem qualquer acidente em estradas normais.
So we now know that computers can learn, and computers can learn to do things that we actually sometimes don't know how to do ourselves, or maybe can do them better than us. One of the most amazing examples I've seen of machine learning happened on a project that I ran at Kaggle where a team run by a guy called Geoffrey Hinton from the University of Toronto won a competition for automatic drug discovery. Now, what was extraordinary here is not just that they beat all of the algorithms developed by Merck or the international academic community, but nobody on the team had any background in chemistry or biology or life sciences, and they did it in two weeks. How did they do this? They used an extraordinary algorithm called deep learning. So important was this that in fact the success was covered in The New York Times in a front page article a few weeks later. This is Geoffrey Hinton here on the left-hand side. Deep learning is an algorithm inspired by how the human brain works, and as a result it's an algorithm which has no theoretical limitations on what it can do. The more data you give it and the more computation time you give it, the better it gets.
Pois bem, agora sabemos que computadores conseguem aprender, e podem aprender a fazer coisas que inclusive nós mesmos não sabemos fazer, ou então fazer melhor que nós. Um dos exemplos mais surpreendentes de aprendizado de máquina que eu já vi aconteceu num projeto que eu organizei na Kaggle onde um time coordenado por alguém chamado Geoffrey Hinton da Universidade de Toronto venceu a competição de descoberta automática de fármacos. O extraordinário aqui não é apenas que eles bateram todos os algoritmos desenvolvidos pela Merck ou a comunidade acadêmica, mas que ninguém no time tinha qualquer antecedente em biologia ou química, e fizeram isso em duas semanas. Como eles fizeram isso? Usaram um algoritmo singular chamado aprendizado profundo. Isso foi tão importante que de fato o sucesso foi noticiado no The New York Times num artigo de página frontal semanas depois. Esse é Geoffrey Hinton, aqui no lado esquerdo. Aprendizado profundo é um algoritmo inspirado no cérebro humano, ou seja, é um algoritmo que não tem limitações teóricas para o que pode fazer. Quanto mais dados e tempo você der a ele, melhor ele fica.
The New York Times also showed in this article another extraordinary result of deep learning which I'm going to show you now. It shows that computers can listen and understand.
O The New York Times mostrou nesse artigo também outro resultado singular do aprendizado profundo que eu vou mostrar para vocês agora. Mostra que os computadores conseguem escutar e entender.
(Video) Richard Rashid: Now, the last step that I want to be able to take in this process is to actually speak to you in Chinese. Now the key thing there is, we've been able to take a large amount of information from many Chinese speakers and produce a text-to-speech system that takes Chinese text and converts it into Chinese language, and then we've taken an hour or so of my own voice and we've used that to modulate the standard text-to-speech system so that it would sound like me. Again, the result's not perfect. There are in fact quite a few errors. (In Chinese) (Applause) There's much work to be done in this area. (In Chinese) (Applause)
(Vídeo) Richard Rashid: Agora, o último passo que eu pretendo dar nesse processo é realmente falar com vocês em chinês. A chave aqui é que conseguimos levantar uma vasta quantidade de informação de muitos falantes do chinês e produzir um sistema texto-para-fala que pega o texto em chinês e converte para a linguagem chinesa, e então pegamos mais ou menos uma hora da minha própria voz e usamos para modular o sistema texto-para-fala padrão para que possa parecer a minha voz. O resultado não é perfeito. Na verdade há alguns erros. (Em chinês) (Aplausos) Há muito trabalho pela frente nessa área. (Em chinês) (Aplausos)
Jeremy Howard: Well, that was at a machine learning conference in China. It's not often, actually, at academic conferences that you do hear spontaneous applause, although of course sometimes at TEDx conferences, feel free. Everything you saw there was happening with deep learning. (Applause) Thank you. The transcription in English was deep learning. The translation to Chinese and the text in the top right, deep learning, and the construction of the voice was deep learning as well.
J. Howard: Isso foi num congresso de aprendizado de máquina na China. Na verdade não é comum escutar aplausos espontâneos em congressos acadêmicos, embora obviamente às vezes acontecer em conferências TEDx, fiquem à vontade. Tudo que vocês viram lá aconteceu com aprendizado profundo. (Aplausos) Obrigado. A transcrição em inglês foi aprendizado profundo. A tradução para chinês e o texto na direita superior, também, e a construção da voz também foi aprendizado profundo.
So deep learning is this extraordinary thing. It's a single algorithm that can seem to do almost anything, and I discovered that a year earlier, it had also learned to see. In this obscure competition from Germany called the German Traffic Sign Recognition Benchmark, deep learning had learned to recognize traffic signs like this one. Not only could it recognize the traffic signs better than any other algorithm, the leaderboard actually showed it was better than people, about twice as good as people. So by 2011, we had the first example of computers that can see better than people. Since that time, a lot has happened. In 2012, Google announced that they had a deep learning algorithm watch YouTube videos and crunched the data on 16,000 computers for a month, and the computer independently learned about concepts such as people and cats just by watching the videos. This is much like the way that humans learn. Humans don't learn by being told what they see, but by learning for themselves what these things are. Also in 2012, Geoffrey Hinton, who we saw earlier, won the very popular ImageNet competition, looking to try to figure out from one and a half million images what they're pictures of. As of 2014, we're now down to a six percent error rate in image recognition. This is better than people, again.
Então, aprendizado profundo é essa coisa extraordinária. É um único algoritmo que parece fazer quase tudo, e um ano antes eu descobri que ele também aprendeu a ver. Nessa competição desconhecida alemã, chamada Modelo de Reconhecimento de Sinais de Trânsito Alemães aprendizado profundo aprendeu a reconhecer sinais de trânsito como esse. Não apenas conseguiu reconhecer os sinais melhor que qualquer outro algoritmo, o ranking na verdade mostrou que era melhor do que gente, quase duas vezes melhor do que gente. Então em 2011 tivemos o primeiro exemplo de computadores que conseguem ver melhor do que pessoas. Desde então muito aconteceu. Em 2012 Google anunciou que havia um algoritmo de aprendizado profundo assistindo vídeos do YouTube e remoendo os dados em 16 mil computadores por mês, e o computador aprendeu sozinho conceitos como pessoas e gatos apenas assistindo aos vídeos. É desse jeito que os humanos aprendem. Os humanos não aprendem com alguém explicando o que viram, aprendem por si próprios. Também em 2012, Geoffrey Hinton, a quem vimos antes, venceu a conhecida competição ImageNet, tentando descobrir a partir de um milhão e meio de imagens o que elas retratam. A partir de 2014 estamos com uma taxa de erro de 6% em reconhecimento de imagem. De novo, isso é melhor que gente.
So machines really are doing an extraordinarily good job of this, and it is now being used in industry. For example, Google announced last year that they had mapped every single location in France in two hours, and the way they did it was that they fed street view images into a deep learning algorithm to recognize and read street numbers. Imagine how long it would have taken before: dozens of people, many years. This is also happening in China. Baidu is kind of the Chinese Google, I guess, and what you see here in the top left is an example of a picture that I uploaded to Baidu's deep learning system, and underneath you can see that the system has understood what that picture is and found similar images. The similar images actually have similar backgrounds, similar directions of the faces, even some with their tongue out. This is not clearly looking at the text of a web page. All I uploaded was an image. So we now have computers which really understand what they see and can therefore search databases of hundreds of millions of images in real time.
Então, máquinas estão fazendo um ótimo trabalho e agora está sendo usado na indústria. Por exemplo, o Google anunciou ano passado que mapearam cada local da França em duas horas, e fizeram isso fornecendo imagens das ruas para o algoritmo de aprendizado profundo reconhecer e ler os números das ruas. Imaginem quanto levaria do jeito que era antes: dúzias de pessoas, muitos anos. Também está acontecendo na China. Baidu é tipo o Google chinês, eu acho, e o que vocês podem ver acima à esquerda é um exemplo de uma imagem que eu subi ao sistema de aprendizado profundo do Baidu, e abaixo você pode ver que o sistema entendeu que imagem é e encontrou imagens similares. As imagens similares de fato têm fundos similares, direções de rostos similares, algumas até com a língua para fora. Claramente não está olhando para o texto da página. Tudo que eu forneci foi uma imagem. Agora temos computadores que realmente entendem o que veem e então buscam em bancos de dados de centenas de milhões de imagens em tempo real.
So what does it mean now that computers can see? Well, it's not just that computers can see. In fact, deep learning has done more than that. Complex, nuanced sentences like this one are now understandable with deep learning algorithms. As you can see here, this Stanford-based system showing the red dot at the top has figured out that this sentence is expressing negative sentiment. Deep learning now in fact is near human performance at understanding what sentences are about and what it is saying about those things. Also, deep learning has been used to read Chinese, again at about native Chinese speaker level. This algorithm developed out of Switzerland by people, none of whom speak or understand any Chinese. As I say, using deep learning is about the best system in the world for this, even compared to native human understanding.
Então o que significa o fato dos computadores conseguirem ver? Bem, não é só que conseguem ver. De fato, o aprendizado profundo fez mais. Frases matizadas e complexas como esta agora são compreensíveis com algoritmos de aprendizado profundo. Como vocês podem ver aqui, esse sistema de Stanford com o ponto vermelho acima descobriu que esta frase expressa um sentimento negativo. Na verdade o aprendizado profundo está alcançando a performance humana ao entender sobre o que as frases são e o que dizem sobre as coisas. Além disso o aprendizado profundo é usado para ler chinês, de novo no nível do falante nativo. Esse algoritmo, desenvolvido na Suíça por pessoas que não falam chinês. Como eu digo, usar aprendizado profundo é o melhor sistema no mundo para isso, até mesmo comparando ao entendimento do humano nativo.
This is a system that we put together at my company which shows putting all this stuff together. These are pictures which have no text attached, and as I'm typing in here sentences, in real time it's understanding these pictures and figuring out what they're about and finding pictures that are similar to the text that I'm writing. So you can see, it's actually understanding my sentences and actually understanding these pictures. I know that you've seen something like this on Google, where you can type in things and it will show you pictures, but actually what it's doing is it's searching the webpage for the text. This is very different from actually understanding the images. This is something that computers have only been able to do for the first time in the last few months.
Esse é um sistema que montamos na minha empresa que mostra tudo isso colocado junto. Essas são imagens sem texto, e enquanto digito frases aqui, ele entende essas imagens em tempo real e descobre sobre o que elas são e encontram imagens similares ao texto que estou escrevendo. Vocês podem ver, está realmente entendendo minhas frases e entendendo essas imagens. Sei que vocês viram algo assim no Google, onde você digita coisas e aparecem imagens, mas na verdade o que acontece é que está buscando o texto na página. Isso é muito diferente de realmente entender as imagens. Isso foi possível acontecer para computadores pela primeira vez somente há alguns poucos meses.
So we can see now that computers can not only see but they can also read, and, of course, we've shown that they can understand what they hear. Perhaps not surprising now that I'm going to tell you they can write. Here is some text that I generated using a deep learning algorithm yesterday. And here is some text that an algorithm out of Stanford generated. Each of these sentences was generated by a deep learning algorithm to describe each of those pictures. This algorithm before has never seen a man in a black shirt playing a guitar. It's seen a man before, it's seen black before, it's seen a guitar before, but it has independently generated this novel description of this picture. We're still not quite at human performance here, but we're close. In tests, humans prefer the computer-generated caption one out of four times. Now this system is now only two weeks old, so probably within the next year, the computer algorithm will be well past human performance at the rate things are going. So computers can also write.
Vemos que agora os computadores conseguem não apenas ver, mas ler também, e claro, mostramos aqui que podem entender o que escutam. Talvez não seja surpresa o que vou dizer agora: eles sabem escrever. Aqui um texto que eu gerei usando um algoritmo de aprendizado profundo ontem. E aqui um texto que um algoritmo de Stanford criou. Cada uma dessas frases foi criada por um algoritmo de aprendizado profundo para descrever cada uma dessas imagens. Esse algoritmo nunca tinha visto um homem de camiseta preta tocando violão. Ele já viu um homem antes, já viu a cor preta, já viu um violão antes, mas criou independentemente essa descrição inédita para essa imagem. Ainda não chegamos ao patamar do desempenho humano, mas estamos perto. Em testes, humanos preferem a legenda gerada por computador uma a cada quatro vezes. Agora esse sistema tem apenas duas semanas, então provavelmente dentro de um ano, o algoritmo de computador estará além do desempenho humano no ritmo que as coisas vão. E é isso, os computadores conseguem escrever.
So we put all this together and it leads to very exciting opportunities. For example, in medicine, a team in Boston announced that they had discovered dozens of new clinically relevant features of tumors which help doctors make a prognosis of a cancer. Very similarly, in Stanford, a group there announced that, looking at tissues under magnification, they've developed a machine learning-based system which in fact is better than human pathologists at predicting survival rates for cancer sufferers. In both of these cases, not only were the predictions more accurate, but they generated new insightful science. In the radiology case, they were new clinical indicators that humans can understand. In this pathology case, the computer system actually discovered that the cells around the cancer are as important as the cancer cells themselves in making a diagnosis. This is the opposite of what pathologists had been taught for decades. In each of those two cases, they were systems developed by a combination of medical experts and machine learning experts, but as of last year, we're now beyond that too. This is an example of identifying cancerous areas of human tissue under a microscope. The system being shown here can identify those areas more accurately, or about as accurately, as human pathologists, but was built entirely with deep learning using no medical expertise by people who have no background in the field. Similarly, here, this neuron segmentation. We can now segment neurons about as accurately as humans can, but this system was developed with deep learning using people with no previous background in medicine.
Quando juntamos isso tudo, oportunidades muito empolgantes aparecem. Por exemplo, na medicina, uma equipe em Boston anunciou a descoberta de dúzias de novas características clinicamente relevantes de tumores que ajudam os médicos em prognósticos de câncer. De modo semelhante, em Stanford, um grupo lá anunciou que, observando tecidos sob ampliação, desenvolveu um sistema com base em aprendizado de máquina que de fato é melhor que patologistas humanos ao prever índices de sobrevivência para pacientes de câncer. Em ambos os casos, não apenas as previsões eram mais precisas, mas criaram ciência perspicaz. No caso da radiologia, foram indicadores clínicos novos que humanos conseguem entender. Nesse caso de patologia, o sistema de computador descobriu que as células ao redor do câncer são tão importantes quanto as próprias células cancerígenas para se fazer um diagnóstico. Isso é o oposto do que os patologistas tinham aprendido por décadas. Em cada um desses dois casos, foram sistemas desenvolvidos por um grupo de especialistas médicos e especialistas em aprendizado de máquina, mas desde ano passado, estamos além disso também. Esse é um exemplo de identificação de áreas cancerígenas em tecido humano sob um microscópio. O sistema aqui consegue identificar essas áreas com mais precisão, ou com a mesma precisão, do que patologistas humanos, mas foi construido com aprendizado profundo sem conhecimento médico por pessoas sem antecedentes na área. De modo similar, aqui, essa segmentação de neurônios. Agora podemos segmentar neurônios tão precisamente quanto os humanos, mas esse sistema foi desenvolvido com aprendizado profundo por pessoas sem antecedentes em medicina.
So myself, as somebody with no previous background in medicine, I seem to be entirely well qualified to start a new medical company, which I did. I was kind of terrified of doing it, but the theory seemed to suggest that it ought to be possible to do very useful medicine using just these data analytic techniques. And thankfully, the feedback has been fantastic, not just from the media but from the medical community, who have been very supportive. The theory is that we can take the middle part of the medical process and turn that into data analysis as much as possible, leaving doctors to do what they're best at. I want to give you an example. It now takes us about 15 minutes to generate a new medical diagnostic test and I'll show you that in real time now, but I've compressed it down to three minutes by cutting some pieces out. Rather than showing you creating a medical diagnostic test, I'm going to show you a diagnostic test of car images, because that's something we can all understand.
Então eu mesmo, que não tenho antecedentes em medicina, posso parecer inteiramente qualificado para iniciar uma empresa médica, que foi o que eu fiz. Eu estava meio aterrorizado, mas a teoria sugeria que era possível fazer medicina muito útil usando apenas essas técnicas analíticas de dados. E ainda bem, a reação tem sido fantástica, não apenas da mídia mas da comunidade médica, que tem sido muito favorável. A teoria é que podemos pegar a parte intermediária do precesso médico e torná-la em análise de dados tanto quanto possível, deixando aos médicos o que eles fazem de melhor. Quero dar uma exemplo a vocês. Hoje um novo teste de diagnóstico médico leva uns 15 minutos para ser feito e vou mostrar em tempo real para vocês, mas eu comprimi para três minutos, cortando alguns pedaços. Ao invés de um teste de diagnóstico médico, vou mostrar um teste de diagnóstico de imagens de carros, pois é algo que todos podem entender.
So here we're starting with about 1.5 million car images, and I want to create something that can split them into the angle of the photo that's being taken. So these images are entirely unlabeled, so I have to start from scratch. With our deep learning algorithm, it can automatically identify areas of structure in these images. So the nice thing is that the human and the computer can now work together. So the human, as you can see here, is telling the computer about areas of interest which it wants the computer then to try and use to improve its algorithm. Now, these deep learning systems actually are in 16,000-dimensional space, so you can see here the computer rotating this through that space, trying to find new areas of structure. And when it does so successfully, the human who is driving it can then point out the areas that are interesting. So here, the computer has successfully found areas, for example, angles. So as we go through this process, we're gradually telling the computer more and more about the kinds of structures we're looking for. You can imagine in a diagnostic test this would be a pathologist identifying areas of pathosis, for example, or a radiologist indicating potentially troublesome nodules. And sometimes it can be difficult for the algorithm. In this case, it got kind of confused. The fronts and the backs of the cars are all mixed up. So here we have to be a bit more careful, manually selecting these fronts as opposed to the backs, then telling the computer that this is a type of group that we're interested in.
Então aqui estamos iniciando com 1,5 milhão de imagens de carro, e eu quero criar algo que pode separar num ângulo da foto que está sendo tirada. Essas imagens são inteiramente não marcadas, então preciso começar do zero. Com o algoritmo de aprendizado profundo, pode-se automaticamente identificar áreas de estrutura nessas imagens. O legal é que o humano e o computador agora podem trabalhar juntos. Então o humano, como podem ver, diz ao computador as áreas de interesse que o computador então usa para melhorar o algoritmo. Esses sistemas de aprendizado profundo agem num espaço de 16 mil dimensões, dá para ver aqui o computador girando através do espaço, tentando encontrar novas áreas de estrutura. E quando consegue, o humano que está no controle então aponta as áreas de interesse. Aqui o computador encontrou as áreas com sucesso, por exemplo, ângulos. Enquanto seguimos o processo, gradualmente dizendo mais e mais ao computador sobre os tipos de estruturas que estamos buscando. Se fosse um teste diagnóstico, seria um patologista identificando áreas de condição patológica, por exemplo, ou um radiologista indicando nódulos potencialmente problemáticos. E às vezes pode ser difícil para o algoritmo. Nesse caso, ficou um pouco confuso. As frentes e as traseiras estão todas misturadas. Então temos que ser cuidadosos, manualmente separando as frentes e as traseiras, e dizer ao computador que isso é o tipo de grupo que nos interessa.
So we do that for a while, we skip over a little bit, and then we train the machine learning algorithm based on these couple of hundred things, and we hope that it's gotten a lot better. You can see, it's now started to fade some of these pictures out, showing us that it already is recognizing how to understand some of these itself. We can then use this concept of similar images, and using similar images, you can now see, the computer at this point is able to entirely find just the fronts of cars. So at this point, the human can tell the computer, okay, yes, you've done a good job of that.
Então fizemos isso por um tempo, adiantamos um pouco, e treinamos o algoritmo de aprendizado de máquina com base em algumas centenas de coisas, e esperamos que tenha ficado melhor. Podem ver que agora algumas dessas imagens desapareceram, mostrando que já consegue entender algumas por si próprio. Podemos então usar esse conceito para imagens similares, e usando imagens similares, vocês podem ver, o computador nesse ponto consegue encontrar somente as frentes dos carros. Nesse ponto o humano pode dizer ao computador, "ok, sim, você fez um bom trabalho".
Sometimes, of course, even at this point it's still difficult to separate out groups. In this case, even after we let the computer try to rotate this for a while, we still find that the left sides and the right sides pictures are all mixed up together. So we can again give the computer some hints, and we say, okay, try and find a projection that separates out the left sides and the right sides as much as possible using this deep learning algorithm. And giving it that hint -- ah, okay, it's been successful. It's managed to find a way of thinking about these objects that's separated out these together.
Claro que às vezes ainda é difícil separar grupos. Nesse caso mesmo depois do computador girar um pouco, ainda vemos que imagens do lado esquerdo e do lado direito estão todas misturadas. Podemos novamente dar dicas ao computador, e dizer, certo, encontre uma projeção que separe os lados esquerdo e direito o melhor possível usando o algoritmo de aprendizado profundo. E dando aquela dica, ah, certo, conseguiu. Encontrou um jeito de pensar nesses objetos que acabou agrupando.
So you get the idea here. This is a case not where the human is being replaced by a computer, but where they're working together. What we're doing here is we're replacing something that used to take a team of five or six people about seven years and replacing it with something that takes 15 minutes for one person acting alone.
Vocês podem pegar a ideia aqui. Não é o caso de substituir o humano pelo computador, mas sim de trabalharem juntos. O que fazemos aqui é substituir algo que costumava demandar de uma equipe de cinco ou seis pessoas cerca de sete anos com algo que leva apenas 15 minutos para uma pessoa só.
So this process takes about four or five iterations. You can see we now have 62 percent of our 1.5 million images classified correctly. And at this point, we can start to quite quickly grab whole big sections, check through them to make sure that there's no mistakes. Where there are mistakes, we can let the computer know about them. And using this kind of process for each of the different groups, we are now up to an 80 percent success rate in classifying the 1.5 million images. And at this point, it's just a case of finding the small number that aren't classified correctly, and trying to understand why. And using that approach, by 15 minutes we get to 97 percent classification rates.
Esse processo demanda cerca de quatro ou cinco iterações. Podemos ver que agora temos 62% de nossas 1,5 milhão de imagens classificadas corretamente. Nesse ponto podemos rapidamente pegar seções inteiras e checar se não há erros. Onde encontramos erros, podemos avisar o computador. Usando esse tipo de processo para cada um dos diferentes grupos, temos agora 80% de índice de sucesso classificando 1,5 milhão de imagens. Nesse ponto é só o caso de encontrar o pequeno número que ainda não está classificado corretamente, e tentar entender o motivo. E com essa abordagem, em 15 minutos temos 97% de índice de classificação.
So this kind of technique could allow us to fix a major problem, which is that there's a lack of medical expertise in the world. The World Economic Forum says that there's between a 10x and a 20x shortage of physicians in the developing world, and it would take about 300 years to train enough people to fix that problem. So imagine if we can help enhance their efficiency using these deep learning approaches?
Então esse tipo de técnica nos permite resolver um grande problema, que é a falta de especialização médica no mundo. O Fórum Econômico Mundial diz que há escassez de algo entre 10 e 20 vezes de médicos no mundo em desenvolvimento, e que levaria cerca de 300 anos para treinar gente suficiente para resolver o problema. Imaginem conseguirmos aumentar a eficiência usando essas abordagens de aprendizado profundo?
So I'm very excited about the opportunities. I'm also concerned about the problems. The problem here is that every area in blue on this map is somewhere where services are over 80 percent of employment. What are services? These are services. These are also the exact things that computers have just learned how to do. So 80 percent of the world's employment in the developed world is stuff that computers have just learned how to do. What does that mean? Well, it'll be fine. They'll be replaced by other jobs. For example, there will be more jobs for data scientists. Well, not really. It doesn't take data scientists very long to build these things. For example, these four algorithms were all built by the same guy. So if you think, oh, it's all happened before, we've seen the results in the past of when new things come along and they get replaced by new jobs, what are these new jobs going to be? It's very hard for us to estimate this, because human performance grows at this gradual rate, but we now have a system, deep learning, that we know actually grows in capability exponentially. And we're here. So currently, we see the things around us and we say, "Oh, computers are still pretty dumb." Right? But in five years' time, computers will be off this chart. So we need to be starting to think about this capability right now.
Por isso estou empolgado com as oportunidades. E estou preocupado com os problemas. O problema aqui é que cada área em azul no mapa é um lugar onde os serviços estão com mais de 80% de emprego. O que são serviços? São esses. São também exatamente o que os computadores aprenderam a fazer. Então 80% do emprego no mundo no mundo desenvolvido é algo que computadores já aprenderam a fazer. O que isso significa? Ficaremos bem. Serão substituídos por outros empregos. Por exemplo serão mais empregos para cientistas de dados. Na verdade não. Não demora muito para cientistas de dados fazerem essas coisas. Por exemplo, os quatro algoritmos foram construídos pelo mesmo cara. Então você pensa, oh, isso já aconteceu antes, já vimos isso antes, quando coisas novas chegam e novos empregos aparecem, como serão esses novos empregos? É muito difícil estimar isso, porque o desempenho humano cresce nesse ritmo gradual, mas agora temos um sistema, o aprendizado profundo, que sabemos crescer em ritmo exponencial. E nós estamos aqui. Então hoje vemos as coisas ao redor e dizemos: "Oh, os computadores são tão burros". Certo? Mas dentro de cinco anos os computadores estarão fora desse gráfico. Então precisamos começar a pensar nessa capacidade agora mesmo.
We have seen this once before, of course. In the Industrial Revolution, we saw a step change in capability thanks to engines. The thing is, though, that after a while, things flattened out. There was social disruption, but once engines were used to generate power in all the situations, things really settled down. The Machine Learning Revolution is going to be very different from the Industrial Revolution, because the Machine Learning Revolution, it never settles down. The better computers get at intellectual activities, the more they can build better computers to be better at intellectual capabilities, so this is going to be a kind of change that the world has actually never experienced before, so your previous understanding of what's possible is different.
Já vimos isso antes, claro. Na Revolução Industrial, vimos uma mudança na capacidade graças aos motores. Acontece que, as coisas foram se achatando. Houve distúrbio social, mas quando os motores foram usados para gerar força em todas as situações as coisas se acalmaram. A Revolução do Aprendizado de Máquina será bem diferente, porque ela nunca se acalma. Quanto mais os computadores conseguem melhorar, mais eles podem construir outros computadores, melhores, então esse será um tipo de mudança que o mundo nunca viveu antes, então sua compreensão anterior do que é possível é diferente.
This is already impacting us. In the last 25 years, as capital productivity has increased, labor productivity has been flat, in fact even a little bit down.
Isso já está nos afetando. Nos últimos 25 anos, como a produtividade de capital aumentou, a produtividade de mão de obra estacionou, de fato até caiu um pouco.
So I want us to start having this discussion now. I know that when I often tell people about this situation, people can be quite dismissive. Well, computers can't really think, they don't emote, they don't understand poetry, we don't really understand how they work. So what? Computers right now can do the things that humans spend most of their time being paid to do, so now's the time to start thinking about how we're going to adjust our social structures and economic structures to be aware of this new reality. Thank you. (Applause)
Então quero que comecemos essa discussão já. Sei que quando eu conto isso para as pessoas, elas podem acabar desdenhando. "Os computadores não sabem pensar, eles não se emocionam, não entendem poesia, nós não sabemos como eles funcionam". E daí? Hoje computadores fazem coisas que passamos a maior parte do tempo sendo pagos pra fazer, então chegou a hora de pensar em como vamos ajustar nossas estruturas sociais e econômicas para essa nova realidade. Obrigado. (Aplausos)