sponsored links
TEDxBrussels

Jeremy Howard: The wonderful and terrifying implications of computers that can learn

ジェレミー・ハワード: 自ら学習するコンピュータの素晴らしくも物恐ろしい可能性

December 1, 2014

コンピューターに学び方を教えた時何が起きるのでしょう? 科学技術者であるジェレミー・ハワードが急速に発展しているディープ・ラーニングの分野で起きている驚くべきことを紹介してくれます。コンピューターが中国語を学び、写真に写っている物を認識し、医療診断をする。(あるディープ・ラーニング・プログラムは何時間ものYouTubeビデオを見た後、「猫」の概念を自ら学び取りました。) この分野の最新動向を押さえておくことにしましょう。それは私達の身の回りのコンピューターの振る舞いを変えることになるでしょうから・・・あなたが思っているよりも早く。

Jeremy Howard - Data scientist
Jeremy Howard imagines how advanced machine learning can improve our lives. Full bio

sponsored links
Double-click the English subtitles below to play the video.
これまではコンピューターに
何かさせようと思ったら
00:12
It used to be that if you wanted
to get a computer to do something new,
プログラムを書く
必要がありました
00:16
you would have to program it.
プログラミングはやったことが
ないかもしれませんが
00:18
Now, programming, for those of you here
that haven't done it yourself,
やりたいことを
実現するために
00:21
requires laying out in excruciating detail
コンピューターが
行うべきことを
00:25
every single step that you want
the computer to do
事細かに指定してやる
必要があります
00:28
in order to achieve your goal.
だから実現したいことの
具体的なやり方を知らずに
00:31
Now, if you want to do something
that you don't know how to do yourself,
プログラムを書くというのは
難しい話です
00:34
then this is going
to be a great challenge.
それがこの写真の人物
アーサー・サミュエルが直面した問題でした
00:36
So this was the challenge faced
by this man, Arthur Samuel.
1956年のこと 彼はチェッカーで
自分に勝てるプログラムを
00:40
In 1956, he wanted to get this computer
作りたいと思いました
00:44
to be able to beat him at checkers.
しかしどうしたら
自分より上手く
00:46
How can you write a program,
チェッカーを指す手順を
詳細に記述することができるでしょう?
00:48
lay out in excruciating detail,
how to be better than you at checkers?
彼は良い方法を
思いつきました
00:52
So he came up with an idea:
コンピュータ自身を相手に
何千回も
00:54
he had the computer play
against itself thousands of times
チェッカーの対局をさせて
自分で学ばせるんです
00:57
and learn how to play checkers.
これはうまくいきました
そのプログラムは実際
01:00
And indeed it worked,
and in fact, by 1962,
1962年に コネチカット州チャンピオンを
破ることができました
01:03
this computer had beaten
the Connecticut state champion.
だからアーサー・サミュエルは
機械学習の父とも言え
01:07
So Arthur Samuel was
the father of machine learning,
私自身 彼に
多くを負っています
01:10
and I have a great debt to him,
というのも私は機械学習の応用を
生業としているからです
01:12
because I am a machine
learning practitioner.
私が代表を務めていた
01:15
I was the president of Kaggle,
Keggleには20万人以上の
機械学習専門家が属しています
01:16
a community of over 200,000
machine learning practictioners.
Keggleでは
01:19
Kaggle puts up competitions
かつて解かれたことのない課題を使って
競技会を開催していて
01:21
to try and get them to solve
previously unsolved problems,
何百回となく
成功を収めています
01:25
and it's been successful
hundreds of times.
そのような立場から
機械学習には かつて何ができ
01:29
So from this vantage point,
I was able to find out
今何ができて
将来何ができるようになるか
01:31
a lot about what machine learning
can do in the past, can do today,
多くのことを
学ぶことができました
01:35
and what it could do in the future.
機械学習が商業的に大きな成功を収めた
最初の例は Googleかもしれません
01:38
Perhaps the first big success of
machine learning commercially was Google.
Googleは
機械学習を使った
01:42
Google showed that it is
possible to find information
アルゴリズムによって
01:45
by using a computer algorithm,
情報を見つけられることを
示しました
01:47
and this algorithm is based
on machine learning.
それ以来 機械学習の商業的な成功事例が
たくさん生まれています
01:50
Since that time, there have been many
commercial successes of machine learning.
AmazonやNetflixのような企業は
01:54
Companies like Amazon and Netflix
機械学習を使って
ユーザーが買いたいであろう商品や
01:56
use machine learning to suggest
products that you might like to buy,
見たいであろう映画を
提示していて
01:59
movies that you might like to watch.
その精度は
時に不気味なくらいです
02:01
Sometimes, it's almost creepy.
LinkedInやFacebookは
02:03
Companies like LinkedIn and Facebook
知り合いかもしれない人を示唆し
なぜ分かったのか
02:05
sometimes will tell you about
who your friends might be
当人には
見当も付きませんが
02:08
and you have no idea how it did it,
これも機械学習の力を
使っているのです
02:10
and this is because it's using
the power of machine learning.
手順が事細かに
プログラミングされているのではなく
02:13
These are algorithms that have
learned how to do this from data
どうすべきかをデータから学習する
アルゴリズムが使われています
02:16
rather than being programmed by hand.
IBMのワトソンが
ジェパディの世界チャンピオン
02:19
This is also how IBM was successful
2人を破ったのも
そのような方法によってで
02:21
in getting Watson to beat
the two world champions at "Jeopardy,"
ご覧のような複雑な問いに
答えることができました
02:25
answering incredibly subtle
and complex questions like this one.
[2003年にこの町の国立博物館から古代の
“ニムルドの獅子” が (その他多くの品とともに) 消えた]
02:28
["The ancient 'Lion of Nimrud' went missing
from this city's national museum in 2003
(along with a lot of other stuff)"]
自動運転車が実現可能になったのも
機械学習のお陰です
02:31
This is also why we are now able
to see the first self-driving cars.
たとえば木と歩行者を
見分けるといったことが
02:35
If you want to be able to tell
the difference between, say,
できる必要があります
02:37
a tree and a pedestrian,
well, that's pretty important.
そのようなことの具体的な手順が
どうすれば書けるのか
02:40
We don't know how to write
those programs by hand,
分かりませんが
機械学習で可能になったのです
02:43
but with machine learning,
this is now possible.
事実この車は
事故を起こすこともなく
02:46
And in fact, this car has driven
over a million miles
普通の公道を
何百万キロも走行しています
02:48
without any accidents on regular roads.
コンピューターは
単に学べるだけでなく
02:52
So we now know that computers can learn,
どうしたらできるのか
02:56
and computers can learn to do things
分からないようなことも
学ぶことができ
02:58
that we actually sometimes
don't know how to do ourselves,
人間よりも上手くなることも
あり得るのです
03:00
or maybe can do them better than us.
機械学習で最も目覚ましい
事例の1つは
03:03
One of the most amazing examples
I've seen of machine learning
私がKeggleで主催した
プロジェクトで
03:07
happened on a project that I ran at Kaggle
ジェフリー・ヒントン率いる
03:10
where a team run by a guy
called Geoffrey Hinton
トロント大のチームが
03:13
from the University of Toronto
薬を発見する競技に
優勝した時です
03:15
won a competition for
automatic drug discovery.
これがすごいのは
医薬大手のメルク社や
03:18
Now, what was extraordinary here
is not just that they beat
この分野の専門家チームの
開発したアルゴリズムを破った彼らのチームに
03:20
all of the algorithms developed by Merck
or the international academic community,
化学や生物学やライフサイエンスを
ちゃんと学んだ経験のある人が誰もいなかったことで
03:25
but nobody on the team had any background
in chemistry or biology or life sciences,
しかも たった2週間で
やってのけたのです
03:30
and they did it in two weeks.
どうして可能だったのか?
03:32
How did they do this?
ディープ・ラーニングと呼ばれる
アルゴリズムを使ったのです
03:34
They used an extraordinary algorithm
called deep learning.
ことの重大さは 数週間後に
ニューヨークタイムズ紙の
03:37
So important was this that in fact
the success was covered
一面で取り上げられたことでも
分かると思います
03:40
in The New York Times in a front page
article a few weeks later.
画面の左に出ているのが
ジェフリー・ヒントンです
03:43
This is Geoffrey Hinton
here on the left-hand side.
ディープ・ラーニングというのは
人の脳の仕組みを参考にしたアルゴリズムで
03:46
Deep learning is an algorithm
inspired by how the human brain works,
何が可能かについて
03:50
and as a result it's an algorithm
理論的には限界がありません
03:52
which has no theoretical limitations
on what it can do.
より多くのデータと
処理時間を使うほど
03:56
The more data you give it and the more
computation time you give it,
より良い結果が得られます
03:58
the better it gets.
ニューヨークタイムズは
その記事でもう1つ
04:00
The New York Times also
showed in this article
ディープ・ラーニングのすごい事例を
取り上げています
04:02
another extraordinary
result of deep learning
それをこれからお見せしましょう
04:04
which I'm going to show you now.
コンピューターが人の話を聞いて
理解できることを示すものです
04:07
It shows that computers
can listen and understand.
(ビデオ) このプロセスの
最後に加えたいステップは
04:12
(Video) Richard Rashid: Now, the last step
実際に中国語で
04:15
that I want to be able
to take in this process
話させるということです
04:18
is to actually speak to you in Chinese.
ここで鍵になるのは
04:22
Now the key thing there is,
中国語話者から得た
膨大な情報を使って
04:25
we've been able to take a large amount
of information from many Chinese speakers
中国語のテキストを
音声に変える
04:30
and produce a text-to-speech system
音声合成システムを作り
04:33
that takes Chinese text
and converts it into Chinese language,
1時間ほどの
私自身の声のデータを使って
04:37
and then we've taken
an hour or so of my own voice
そのシステムを調整し
04:41
and we've used that to modulate
まるで私が話しているかのようにする
ということです
04:43
the standard text-to-speech system
so that it would sound like me.
まだ完璧なものではありません
04:48
Again, the result's not perfect.
たくさんミスをします
04:50
There are in fact quite a few errors.
(音声合成された中国語訳)
04:53
(In Chinese)
(拍手)
04:56
(Applause)
この領域で為されるべきことは
まだたくさんあります
05:01
There's much work to be done in this area.
(音声合成された中国語訳)
05:05
(In Chinese)
(拍手)
05:08
(Applause)
これは中国で行われた
カンファレンスでのものですが
05:13
Jeremy Howard: Well, that was at
a machine learning conference in China.
学会で拍手が
沸き起こるというのは
05:16
It's not often, actually,
at academic conferences
あまりないことです
05:19
that you do hear spontaneous applause,
もっともTEDxは
もっと自由な雰囲気がありますが
05:21
although of course sometimes
at TEDx conferences, feel free.
ご覧いただいたものはみんな
ディープ・ラーニングで実現されました
05:24
Everything you saw there
was happening with deep learning.
(拍手) どうも
05:27
(Applause) Thank you.
英語の文字起こしも
ディープ・ラーニングだし
05:29
The transcription in English
was deep learning.
右上の中国語に翻訳されたテキストも
ディープ・ラーニングによるもので
05:31
The translation to Chinese and the text
in the top right, deep learning,
音声の合成にも
ディープ・ラーニングが使われています
05:34
and the construction of the voice
was deep learning as well.
ディープ・ラーニングは
このようにすごいものです
05:38
So deep learning is
this extraordinary thing.
単一のアルゴリズムで
ほとんど何でもできるように見えます
05:41
It's a single algorithm that
can seem to do almost anything,
この1年前にディープ・ラーニングが
「見る」こともできると知りました
05:44
and I discovered that a year earlier,
it had also learned to see.
ドイツ道路標識認識ベンチマーク
という奇妙な競技会で
05:47
In this obscure competition from Germany
05:49
called the German Traffic Sign
Recognition Benchmark,
このような道路標識をディープ・ラーニングで
識別できることが示されました
05:52
deep learning had learned
to recognize traffic signs like this one.
他のアルゴリズムよりも
05:55
Not only could it
recognize the traffic signs
上手く識別できた
というだけでなく
05:57
better than any other algorithm,
このスコアボードにある通り
2位の人間より
05:59
the leaderboard actually showed
it was better than people,
2倍高い精度で
識別できたんです
06:02
about twice as good as people.
2011年には
コンピューターが人よりも
06:04
So by 2011, we had the first example
良く見ることができる事例が
生まれたわけです
06:06
of computers that can see
better than people.
それ以来いろんなことが
起きています
06:09
Since that time, a lot has happened.
2012年にGoogleが発表したんですが
ディープ・ラーニング・アルゴリズムが
06:11
In 2012, Google announced that
they had a deep learning algorithm
YouTubeビデオを見て
06:15
watch YouTube videos
1万6千台のコンピュータで
1ヶ月 データ処理した結果
06:16
and crunched the data
on 16,000 computers for a month,
コンピューターが「人」や
「猫」といった概念を
06:19
and the computer independently learned
about concepts such as people and cats
自分で学んだということです
06:24
just by watching the videos.
これは人が学習する方法に
近いものです
06:26
This is much like the way
that humans learn.
人は見たものを
教えられて学ぶよりは
06:28
Humans don't learn
by being told what they see,
むしろそれが何なのか
自分で学んでいくものです
06:31
but by learning for themselves
what these things are.
2012年にはまた
先ほど名前の出たジェフリー・ヒントンが
06:34
Also in 2012, Geoffrey Hinton,
who we saw earlier,
有名なImageNet競技会で
優勝しましたが
06:37
won the very popular ImageNet competition,
これは150万の画像を
何の写真か
06:40
looking to try to figure out
from one and a half million images
判別するというものです
06:44
what they're pictures of.
2014年の時点で
画像認識の誤り率は
06:46
As of 2014, we're now down
to a six percent error rate
6%までになっています
06:49
in image recognition.
これも人間より高い精度です
06:51
This is better than people, again.
機械はこの面で非常に良い仕事を
するようになっており
06:53
So machines really are doing
an extraordinarily good job of this,
商業的にも
利用されています
06:57
and it is now being used in industry.
たとえばGoogleは
去年フランス国内のすべての番地を
06:59
For example, Google announced last year
2時間で地図に登録したと
発表しました
07:02
that they had mapped every single
location in France in two hours,
その方法は
ストリートビューの画像を
07:06
and the way they did it was
that they fed street view images
ディープ・ラーニング・アルゴリズムに食わせて
所番地を識別させるというものです
07:10
into a deep learning algorithm
to recognize and read street numbers.
かつてなら どれほど時間を
要したか分かりません
07:14
Imagine how long
it would have taken before:
何十人掛かりで
何年もかかったでしょう
07:16
dozens of people, many years.
こちらは中国の
Baiduによるもので
07:20
This is also happening in China.
中国版のGoogle
のようなサービスです
07:22
Baidu is kind of
the Chinese Google, I guess,
左上の画像は
07:26
and what you see here in the top left
私がBaiduのディープ・ラーニング・システムに
アップロードしたものです
07:28
is an example of a picture that I uploaded
to Baidu's deep learning system,
下に並んでいるのは
システムがその画像を理解して
07:32
and underneath you can see that the system
has understood what that picture is
似た画像を集めた結果です
07:36
and found similar images.
類似画像は
似たような背景や
07:38
The similar images actually
have similar backgrounds,
似た顔の向きを持ち
07:41
similar directions of the faces,
同じく舌を出してる
ものまであります
07:42
even some with their tongue out.
ウェブページの文章によって
見つけたものではありません
07:44
This is not clearly looking
at the text of a web page.
アップしたのは
画像だけです
07:47
All I uploaded was an image.
今やコンピュータは
見た物を理解して
07:49
So we now have computers which
really understand what they see
何億という画像の
データベースから
07:53
and can therefore search databases
リアルタイムで検索できるまでに
なっているのです
07:54
of hundreds of millions
of images in real time.
コンピュータに「見る」ことができるというのは
どんな意味を持つのか?
07:58
So what does it mean
now that computers can see?
しかしできるのは
見ることだけではありません
08:01
Well, it's not just
that computers can see.
ディープ・ラーニングには
それ以上のことができます
08:03
In fact, deep learning
has done more than that.
このような複雑で
ニュアンスに富んだ文章を
08:05
Complex, nuanced sentences like this one
ディープ・ラーニング・アルゴリズムは
理解できます
08:08
are now understandable
with deep learning algorithms.
ご覧いただいているのは
08:11
As you can see here,
スタンフォード大のシステムですが
一番上の点が赤色になっていて
08:12
this Stanford-based system
showing the red dot at the top
文が全体としてネガティブな感情を
表していることを示しています
08:15
has figured out that this sentence
is expressing negative sentiment.
ディープ・ラーニングは今や
文章が何について何を言っているのかを
08:19
Deep learning now in fact
is near human performance
人間に近い精度で
理解できるようになっているのです
08:22
at understanding what sentences are about
and what it is saying about those things.
ディープ・ラーニングは
中国語を読むのにも使われ
08:27
Also, deep learning has
been used to read Chinese,
中国語のネイティブ話者並の
精度があります
08:30
again at about native
Chinese speaker level.
これを開発したのは
スイスのチームですが
08:33
This algorithm developed
out of Switzerland
その中に中国語の分かる人は
いなかったそうです
08:35
by people, none of whom speak
or understand any Chinese.
ディープ・ラーニングは
これに関して
08:39
As I say, using deep learning
ネイティブの人間にも劣らない
08:41
is about the best system
in the world for this,
最も優れたシステムなのです
08:43
even compared to native
human understanding.
これは私の会社で
構築したシステムで
08:48
This is a system that we
put together at my company
すべてを組み合わせたものです
08:51
which shows putting
all this stuff together.
これらの画像には
テキストが紐付けされてはおらず
08:53
These are pictures which
have no text attached,
ユーザーが文をタイプすると
08:56
and as I'm typing in here sentences,
リアルタイムで画像を理解し
08:58
in real time it's understanding
these pictures
何の画像かを判別して
09:01
and figuring out what they're about
書き込まれた文に近い画像を
見つけます
09:03
and finding pictures that are similar
to the text that I'm writing.
だから私の書いた文と
これらの画像を
09:06
So you can see, it's actually
understanding my sentences
同時に理解しているわけです
09:09
and actually understanding these pictures.
Googleのサイトで
似たものを見たことがあるでしょう
09:11
I know that you've seen
something like this on Google,
何かタイプすると
画像が表示されますが
09:13
where you can type in things
and it will show you pictures,
そこで実際に行われているのは
テキストによるウェブページの検索です
09:16
but actually what it's doing is it's
searching the webpage for the text.
画像を理解するというのとは
ずいぶん違うことです
09:20
This is very different from actually
understanding the images.
このようなことが
できるようになったのは
09:23
This is something that computers
have only been able to do
ほんのここ数ヶ月のことです
09:25
for the first time in the last few months.
コンピューターには「見る」だけでなく
「読む」こともでき
09:29
So we can see now that computers
can not only see but they can also read,
「聞く」ことによって理解できることも
お見せしました
09:33
and, of course, we've shown that they
can understand what they hear.
そうすると「書く」ことだってできると言っても
驚かないかもしれません
09:36
Perhaps not surprising now that
I'm going to tell you they can write.
これは私が昨日 ディープ・ラーニング・
アルゴリズムで生成したテキストです
09:40
Here is some text that I generated
using a deep learning algorithm yesterday.
こちらはスタンフォード大のアルゴリズムで
生成されたテキストです
09:45
And here is some text that an algorithm
out of Stanford generated.
それぞれの画像を
説明する文が
09:49
Each of these sentences was generated
ディープ・ラーニング・アルゴリズムによって
生成されています
09:50
by a deep learning algorithm
to describe each of those pictures.
アルゴリズムは「ギターを弾いている黒いシャツの男」を
前に見たことはありません
09:55
This algorithm before has never seen
a man in a black shirt playing a guitar.
「男」を見たことはあり
「黒い」ものを見たことはあり
09:59
It's seen a man before,
it's seen black before,
「ギター」を見たことはありますが
10:01
it's seen a guitar before,
このキャプションは画像に対して
新しく独自に作り出されたものです
10:03
but it has independently generated
this novel description of this picture.
書くことに関してはコンピューターは
まだ人間に及びませんが 近づいています
10:07
We're still not quite at human
performance here, but we're close.
テストでは4回に1回は
コンピューターの生成した文の方が好ましい —
10:11
In tests, humans prefer
the computer-generated caption
という結果になっています
10:15
one out of four times.
このシステムはできて
まだ2週間しかたっていないので
10:16
Now this system is now only two weeks old,
このまま行くと
たぶん来年中には
10:18
so probably within the next year,
コンピューターアルゴリズムの成績が
10:20
the computer algorithm will be
well past human performance
人間を上回るのではと思います
10:23
at the rate things are going.
だからコンピューターは
書くこともできるのです
10:25
So computers can also write.
これらをまとめたら
非常に興味深い可能性が開けます
10:28
So we put all this together and it leads
to very exciting opportunities.
たとえば医療です
10:31
For example, in medicine,
あるボストンのチームは
コンピューターによって
10:33
a team in Boston announced
that they had discovered
医師が がんの診断を
する上で役に立つ
10:35
dozens of new clinically relevant features
何十という腫瘍の特徴を発見したと
発表しました
10:38
of tumors which help doctors
make a prognosis of a cancer.
同様にスタンフォードのグループは
10:44
Very similarly, in Stanford,
組織の拡大画像を見て
10:46
a group there announced that,
looking at tissues under magnification,
がん患者の生存率を
10:50
they've developed
a machine learning-based system
人間の病理医よりも
正確に予想する
10:52
which in fact is better
than human pathologists
機械学習システムを
開発しました
10:55
at predicting survival rates
for cancer sufferers.
どちらのケースも
予測が人間より正確というだけでなく
10:59
In both of these cases, not only
were the predictions more accurate,
新たな科学的洞察を
もたらしています
11:02
but they generated new insightful science.
放射線医学のケースでは
11:05
In the radiology case,
人間に理解できる
新しい臨床的な指標です
11:06
they were new clinical indicators
that humans can understand.
病理学のケースでは
11:09
In this pathology case,
診断において
がん細胞だけでなく
11:11
the computer system actually discovered
that the cells around the cancer
がんの周囲の細胞も
重要であることを
11:16
are as important as
the cancer cells themselves
発見しました
11:19
in making a diagnosis.
これは病理医が
何十年も教わってきたのとは逆です
11:21
This is the opposite of what pathologists
had been taught for decades.
どちらのケースでも
システムは
11:26
In each of those two cases,
they were systems developed
医学の専門家と機械学習の専門家の
組み合わせによって開発されましたが
11:29
by a combination of medical experts
and machine learning experts,
去年我々はこの面をも
乗り越えました
11:33
but as of last year,
we're now beyond that too.
これは顕微鏡で見た
人の組織から
11:36
This is an example of
identifying cancerous areas
がんの領域を
識別する例です
11:39
of human tissue under a microscope.
このシステムは
人間の病理医と同じか
11:42
The system being shown here
can identify those areas more accurately,
それ以上の精度で
がん領域を識別できますが
11:46
or about as accurately,
as human pathologists,
医療の知識や経験のない
チームによって
11:49
but was built entirely with deep learning
using no medical expertise
ディープ・ラーニングを使って
開発されました
11:53
by people who have
no background in the field.
同様に これは
ニューロンの区分けです
11:56
Similarly, here, this neuron segmentation.
今ではニューロンを人間と
同じ正確さで区分けできますが
11:59
We can now segment neurons
about as accurately as humans can,
このシステムは医学を
学んだことのない人々が
12:02
but this system was developed
with deep learning
ディープ・ラーニングを使って
開発しました
12:05
using people with no previous
background in medicine.
医学を学んだことのない人間が
医療の会社を始めるのも
12:08
So myself, as somebody with
no previous background in medicine,
もはや変なことではないと思え
12:12
I seem to be entirely well qualified
to start a new medical company,
実際に会社を作ることにしました
12:15
which I did.
そうするのは
怖くもありましたが
12:18
I was kind of terrified of doing it,
データ分析技術だけでも
有益な医療サービスは
12:19
but the theory seemed to suggest
that it ought to be possible
提供可能であると
理論は示しているように見えます
12:22
to do very useful medicine
using just these data analytic techniques.
ありがたいことに
大変好意的な反応を受け取っており
12:28
And thankfully, the feedback
has been fantastic,
メディアばかりでなく
12:30
not just from the media
but from the medical community,
医学界の人々も
支持してくれています
12:32
who have been very supportive.
私たちは医療の
中間部分を受け持って
12:35
The theory is that we can take
the middle part of the medical process
そこを可能な限り
データ分析で置き換え
12:39
and turn that into data analysis
as much as possible,
医師には彼らが最も適した部分をやってもらう
というのが基本方針です
12:42
leaving doctors to do
what they're best at.
例をお見せしたいと思います
12:45
I want to give you an example.
新しい医療診断テストの生成には
現在15分ほどかかります
12:47
It now takes us about 15 minutes
to generate a new medical diagnostic test
それをリアルタイムで
ご覧に入れますが
12:51
and I'll show you that in real time now,
一部をはしょって
3分に縮めてやります
12:53
but I've compressed it down to
three minutes by cutting some pieces out.
医療診断テストを作って
お見せするよりは
12:57
Rather than showing you
creating a medical diagnostic test,
車の画像を診断するテストを
お見せしようと思います
13:00
I'm going to show you
a diagnostic test of car images,
その方が分かりやすいので
13:03
because that's something
we can all understand.
150万の車の画像から
始めます
13:06
So here we're starting with
about 1.5 million car images,
まず写真を
撮った角度によって
13:09
and I want to create something
that can split them into the angle
分類したいと思います
13:12
of the photo that's being taken.
画像にラベルはまったく付いておらず
一から始めます
13:14
So these images are entirely unlabeled,
so I have to start from scratch.
ディープ・ラーニング・アルゴリズムを使って
13:18
With our deep learning algorithm,
写っている構造領域を
自動的に識別することができます
13:20
it can automatically identify
areas of structure in these images.
これの良いところは
人とコンピューターで協力して作業できるところです
13:24
So the nice thing is that the human
and the computer can now work together.
ご覧のように
13:27
So the human, as you can see here,
人が関心のある領域を
コンピューターに教え
13:29
is telling the computer
about areas of interest
コンピューターがそれに基づいて
アルゴリズムを改良します
13:32
which it wants the computer then
to try and use to improve its algorithm.
このディープ・ラーニング・システムは
1万6千次元空間になっていて
13:37
Now, these deep learning systems actually
are in 16,000-dimensional space,
その空間の中で
軸を回転させて
13:41
so you can see here the computer
rotating this through that space,
新たな構造領域を
見つけようとします
13:45
trying to find new areas of structure.
それが成功したら
13:47
And when it does so successfully,
人間が関心のある領域を
指摘します
13:48
the human who is driving it can then
point out the areas that are interesting.
コンピューターがうまく
領域を見つけられました
13:52
So here, the computer has
successfully found areas,
たとえば角度です
13:55
for example, angles.
このプロセスを経ることで
13:57
So as we go through this process,
どのような構造を
探しているのか
13:59
we're gradually telling
the computer more and more
徐々に伝えていきます
14:01
about the kinds of structures
we're looking for.
これが病気の診断であれば
14:04
You can imagine in a diagnostic test
病理医が病的状態にある領域を
識別するとか
14:05
this would be a pathologist identifying
areas of pathosis, for example,
放射線医が問題のある可能性のある小結節を示す
といったことを想像できるでしょう
14:09
or a radiologist indicating
potentially troublesome nodules.
時にアルゴリズムには
難しいこともあります
14:14
And sometimes it can be
difficult for the algorithm.
今の場合
コンピューターが混乱して
14:16
In this case, it got kind of confused.
前部と後部が
ごちゃまぜになっています
14:18
The fronts and the backs
of the cars are all mixed up.
そのため少し注意して
14:21
So here we have to be a bit more careful,
手で前部を後部から
選り分けてやらなければなりません
14:23
manually selecting these fronts
as opposed to the backs,
そうやって
こんなグループに関心があるのだと
14:26
then telling the computer
that this is a type of group
コンピューターに
伝えるのです
14:32
that we're interested in.
こうやって続けていき
少しはしょりますが
14:33
So we do that for a while,
we skip over a little bit,
機械学習アルゴリズムを
改善させるために
14:36
and then we train the
machine learning algorithm
数百の事例を使って
14:38
based on these couple of hundred things,
訓練してやります
14:40
and we hope that it's gotten a lot better.
画像の一部が
薄れていますが
14:42
You can see, it's now started to fade
some of these pictures out,
これはどう理解すれば良いか
既に認識されたものです
14:45
showing us that it already is recognizing
how to understand some of these itself.
それから似たイメージという概念を
使ってやることで
14:50
We can then use this concept
of similar images,
コンピューターが
車の前部だけを
14:53
and using similar images, you can now see,
見つけられるように
なりました
14:55
the computer at this point is able to
entirely find just the fronts of cars.
そうなったら
人間がコンピューターに
14:59
So at this point, the human
can tell the computer,
その点で上手くできていることを
教えてやります
15:02
okay, yes, you've done
a good job of that.
もちろんこの期に及んでも
15:05
Sometimes, of course, even at this point
ある種のグループを分離するのが
難しいことがあります
15:07
it's still difficult
to separate out groups.
今の場合 コンピューターに
しばらく回転をさせても
15:11
In this case, even after we let the
computer try to rotate this for a while,
依然として
左側と右側の画像が
15:15
we still find that the left sides
and the right sides pictures
混在しています
15:18
are all mixed up together.
コンピューターにもう
少しヒントをやり
15:20
So we can again give
the computer some hints,
右側と左側を可能な限り
分離できる射影を
15:22
and we say, okay, try and find
a projection that separates out
ディープ・ラーニング・
アルゴリズムを使って
15:25
the left sides and the right sides
as much as possible
見つけられるようにします
15:27
using this deep learning algorithm.
そのヒントを与えることで —
上手くいきました
15:30
And giving it that hint --
ah, okay, it's been successful.
右側と左側を
見分ける方法を
15:33
It's managed to find a way
of thinking about these objects
どうにか見つけられました
15:35
that's separated out these together.
基本的な考え方を
分かっていただけたと思います
15:38
So you get the idea here.
これは人間がコンピューターに
置き換えられるという話ではなく —
15:40
This is a case not where the human
is being replaced by a computer,
人とコンピューターが
協力するということです
15:48
but where they're working together.
やろうとしているのは
これまでは5、6人のチームで
15:51
What we're doing here is we're replacing
something that used to take a team
何年もかかっていた
ようなことを
15:55
of five or six people about seven years
1人で15分ほどで
できるようにする
15:57
and replacing it with something
that takes 15 minutes
ということです
15:59
for one person acting alone.
このプロセスには
4、5回の反復が必要です
16:02
So this process takes about
four or five iterations.
150万の画像を
62%の精度で
16:06
You can see we now have 62 percent
分類できるようになりました
16:08
of our 1.5 million images
classified correctly.
そうなったら
16:10
And at this point, we
can start to quite quickly
大きなセクションを選んで
16:13
grab whole big sections,
誤りがないか
素早くチェックできます
16:14
check through them to make sure
that there's no mistakes.
誤りがあった場合は
コンピューターに教えてやります
16:17
Where there are mistakes, we can
let the computer know about them.
それぞれのグループについて
そういうことを行うことで
16:21
And using this kind of process
for each of the different groups,
150万の画像を
80%の精度で
16:24
we are now up to
an 80 percent success rate
分類できるようになりました
16:27
in classifying the 1.5 million images.
そうしたら
16:29
And at this point, it's just a case
正しく分類されなかった
少数のケースについて
16:31
of finding the small number
that aren't classified correctly,
その理由を考えます
16:35
and trying to understand why.
このアプローチを
15分やることで
16:38
And using that approach,
97%の精度で
分類できるようになりました
16:39
by 15 minutes we get
to 97 percent classification rates.
このようなテクニックは
世界の重要な問題を解決してくれるでしょう
16:43
So this kind of technique
could allow us to fix a major problem,
世界的な医師不足です
16:48
which is that there's a lack
of medical expertise in the world.
世界経済フォーラムは
発展途上国において
16:51
The World Economic Forum says
that there's between a 10x and a 20x
医師が今の10倍から20倍必要で
16:55
shortage of physicians
in the developing world,
それだけの医師を育てるには
16:57
and it would take about 300 years
300年かかると言っています
16:59
to train enough people
to fix that problem.
ディープ・ラーニングを使って
医療の効率を上げることで
17:02
So imagine if we can help
enhance their efficiency
対処するというのは
どうでしょう?
17:05
using these deep learning approaches?
このような機会に
私はワクワクしていますが
17:08
So I'm very excited
about the opportunities.
同時に懸念している
こともあります
17:10
I'm also concerned about the problems.
地図で青になっている国は
17:13
The problem here is that
every area in blue on this map
雇用の80%以上が
サービス業のところです
17:16
is somewhere where services
are over 80 percent of employment.
サービスとは何か?
17:20
What are services?
このようなものです
17:21
These are services.
これらのことは コンピューターが
できるようになりつつあることでもあります
17:23
These are also the exact things that
computers have just learned how to do.
先進国の雇用の80%は
コンピューターができるようになったことで
17:27
So 80 percent of the world's employment
in the developed world
成り立っているのです
17:31
is stuff that computers
have just learned how to do.
これは何を
意味するのでしょう?
17:33
What does that mean?
「他の仕事で置き換えられるから
問題ないよ
17:35
Well, it'll be fine.
They'll be replaced by other jobs.
たとえば
データサイエンティストの仕事とか」
17:37
For example, there will be
more jobs for data scientists.
と思うかもしれませんが
17:40
Well, not really.
このようなものをデータサイエンティストが構築するのに
そう時間はかかりません
17:41
It doesn't take data scientists
very long to build these things.
たとえば今回取り上げた4つのアルゴリズムは
1人の人間によって作られたものです
17:44
For example, these four algorithms
were all built by the same guy.
こういうことは
以前にも起き
17:47
So if you think, oh,
it's all happened before,
新しいものが現れては
古い職が新しい職で
17:50
we've seen the results in the past
of when new things come along
置き換えられてきた
と言うなら
17:54
and they get replaced by new jobs,
その新しい職は
どのようなものになるのでしょう?
17:56
what are these new jobs going to be?
とても難しい問題です
17:58
It's very hard for us to estimate this,
なぜなら人間の能力は
徐々にしか向上しませんが
18:00
because human performance
grows at this gradual rate,
ディープ・ラーニング・
システムの能力は
18:03
but we now have a system, deep learning,
指数関数的に
向上しているからです
18:05
that we know actually grows
in capability exponentially.
私達がいるのは
追い抜かれる一歩手前です
18:08
And we're here.
今は周りを見渡して
18:10
So currently, we see the things around us
「コンピューターはまだ馬鹿だ」
と思っていても
18:12
and we say, "Oh, computers
are still pretty dumb." Right?
5年もしたら
このグラフの天井を突き破ってしまうでしょう
18:15
But in five years' time,
computers will be off this chart.
私たちは今この能力について
考える必要があるのです
18:18
So we need to be starting to think
about this capability right now.
前にも似たことは
経験しています
18:22
We have seen this once before, of course.
産業革命です
18:24
In the Industrial Revolution,
エンジンの出現による
能力の急激な変化がありました
18:25
we saw a step change
in capability thanks to engines.
しかししばらくすると
物事はまた落ち着きました
18:29
The thing is, though,
that after a while, things flattened out.
社会的な変動はありましたが
18:32
There was social disruption,
あらゆる場面でエンジンが
使われるようになると
18:34
but once engines were used
to generate power in all the situations,
状況は安定したのです
18:37
things really settled down.
機械学習の革命は
18:40
The Machine Learning Revolution
産業革命とは
全然違うものになるでしょう
18:41
is going to be very different
from the Industrial Revolution,
機械学習の革命は
留まることがないからです
18:44
because the Machine Learning Revolution,
it never settles down.
より優れたコンピューターが
知的活動を受け持ち
18:47
The better computers get
at intellectual activities,
それによって 知的活動にさらに優れた
コンピューターが作れるようになり
18:50
the more they can build better computers
to be better at intellectual capabilities,
世界がかつて
経験したことのないような
18:54
so this is going to be a kind of change
変化を起こすことに
なるでしょう
18:56
that the world has actually
never experienced before,
何が起こりうるかについての
以前の知見は 当てはまらないのです
18:59
so your previous understanding
of what's possible is different.
この影響は既に現れています
19:02
This is already impacting us.
過去25年で
資本生産性は増大しましたが
19:04
In the last 25 years,
as capital productivity has increased,
労働生産性は平坦で
むしろ少し下がっています
19:08
labor productivity has been flat,
in fact even a little bit down.
だから この議論を
今始めて欲しいのです
19:13
So I want us to start
having this discussion now.
私がこの状況を
説明しても
19:16
I know that when I often tell people
about this situation,
なかなか真剣に
取り合ってもらえません
19:19
people can be quite dismissive.
「コンピューターには
本当に思考することはできない」
19:20
Well, computers can't really think,
「感情がない」
「詩を理解しない」
19:22
they don't emote,
they don't understand poetry,
「我々は腦の働きを本当に理解してはいない」
などなど
19:25
we don't really understand how they work.
だったら何でしょう?
19:27
So what?
人間がお金をもらい
時間を費やして
19:29
Computers right now can do the things
やっていたことが
機械にも可能になっているんです
19:31
that humans spend most
of their time being paid to do,
この新たな現実を踏まえて
19:33
so now's the time to start thinking
社会構造や経済構造を
どう調整したら良いか
19:35
about how we're going to adjust our
social structures and economic structures
考え始めるべき時です
19:40
to be aware of this new reality.
ありがとうございました
19:41
Thank you.
(拍手)
19:43
(Applause)
Translator:Yasushi Aoki
Reviewer:Misaki Sato

sponsored links

Jeremy Howard - Data scientist
Jeremy 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.

sponsored links

If you need translations, you can install "Google Translate" extension into your Chrome Browser.
Furthermore, you can change playback rate by installing "Video Speed Controller" extension.

Data provided by TED.

This website is owned and operated by Tokyo English Network.
The developer's blog is here.